目前人工智慧領域的討論可謂紛雜。每週都會湧現出新的術語和縮寫——智能體人工智慧、推理邏輯層模型、氛圍編碼——隨之而來的是新一輪的壓力，各組織機構不得不制定人工智慧策略或採用特定平台，而這一切都隱含著被時代拋棄的風險。使用 JMP 的科學家和工程師也無法置身事外。他們從領導階層感受到了這種壓力，並向我們詢問，這對他們日常使用的工具意味著什麼。
我們的答案很簡單：JMP 的核心價值沒有改變，也不會改變。改變的是我們如何讓這價值更容易取得、更容易發現、更容易擴展——而我們的人工智慧基礎設施正是實現這一目標的重要組成部分。但我們這樣做是經過深思熟慮的，以您的需求為導向，而不是以我們自己的需求為導向。
為什麼JMP的分析工作流程仍然不可取代
The JMP analytic workflowJMP 分析工作流程
在討論人工智慧的應用場景之前，有必要先明確 JMP 能夠做到哪些語言模型無法複製的事情。
JMP 從一開始就被設計成互動式的。使用者只需將一列拖入圖表建立器，即可立即查看資料—無需編寫程式碼，無需語法，也無需任何提示。點擊圖表上的一個點，該點就會在資料表以及整個分析工作階段中的所有其他圖表中高亮顯示。但這種互聯性並非一項功能，而是一種理念。簡而言之，擁有領域專業知識和合適的分析環境的科學家或工程師，才是發現的引擎。
JMP 的分析工作流程由左至右展開。它始於用戶和問題。 JMP 將業務問題轉化為分析問題，引導使用者選擇合適的方法，並提供一個互動的視覺化環境，使用戶能夠快速獲得洞察。 JMP Live則將這種價值擴展到整個組織——使工作可視化，分享行之有效的方法，並將分析從個人筆記型電腦擴展到企業級協作。
大型語言模型並非此工作流程的核心。它們在特定環節發揮作用，加速部分流程。科學家或工程師仍主導分析，仍創造價值。
解釋一切的曲線
JMP gets more valuable as problems get harder and rarer.隨著問題變得越來越難、越來越罕見，JMP 的價值也越來越高。
有一種直觀的方法可以解釋為什麼 JMP 和 LLM 不是競爭對手。想像一個圖表，X 軸代表問題複雜度，左側是常見且有據可查的問題，右側是罕見但高價值的問題。
隨著問題變得越來越複雜和罕見，LLM（學習學習模型）的訓練資料量急劇下降，其有效性也隨之降低。對於諸如如何編寫基本的Python腳本或如何調試常見錯誤之類的常見問題，網路上有成千上萬個範例，LLM在處理這些問題時表現出色。但是，當你轉向曲線的右側，轉向全新的實驗設計、複雜的多變量分析以及業界無人解決的問題時，LLM的有效性就會急劇下降。因為對於尚未出現的結果，根本沒有訓練資料可供參考。
JMP 的效用則剛好相反。問題越複雜、越罕見，JMP 的價值就越高。實驗設計、探索性資料分析、未知領域的前沿發現——這些都是 JMP 的強項。關鍵在於：訓練資料的豐富程度並不等於商業價值。 LLM模型是基於常見的資料進行訓練。真正值得貴組織解決的問題，往往是那些缺乏足夠訓練資料的問題。
你不能要求一個法學碩士去「設計下一個重磅藥物，而且不能出錯」。 JMP 使用者的工作往往遊走在未知領域的前沿，而這種工作流程僅靠人工智慧是無法自動化的。
在JMP生態系中，LLM真正能創造價值的地方在哪裡？
LearnBot學習機器人
有了這樣的基礎，LLM 就能帶來真正有意義的機會，加速 JMP 工作流程。
縮短新用戶獲取價值的時間。 JMP的學習曲線雖然短，但難度較高。對於具備一定科學知識但對軟體尚不熟悉的 初學者來說，可能在最初幾個小時內就會遇到瓶頸。 LearnBot（可在 JMP 應用程式商店取得）正是為了解決這個難題而開發的。 LearnBot 將 JMP 豐富的學習內容、文件和 JSL 腳本索引載入到 LLM 增強的知識庫中，使用戶能夠用自然語言提問，並獲得基於準確、最新的 JMP 內容的解答。初步結果令人鼓舞。
彌合點擊操作與自動化之間的鴻溝。 JMP的腳本語言 JSL 功能極為強大，可建立自訂應用程式、整合和組織專屬工具。但遙測數據顯示，絕大多數 JMP 用戶從未編寫過 JSL 腳本；即使是最基本的 JSL 操作——將腳本保存到數據表——也僅佔 16% 的使用率。這種低利用率是一個顯著的瓶頸。用戶只需用簡單的語言描述需求，即可獲得可運行的 JSL 腳本；JSL 實現的自動化和自訂功能將惠及所有用戶，而不再局限於組織通常依賴的一小部分專家。
讓 JMP 的隱藏功能觸手可及。三十多年來，世界各地的組織機構都信賴 JMP 的價值。但有時，JMP 的某些功能可能隱藏在紅色三角選單或平台選項之後，大多數用戶根本找不到。自然語言介面讓每個人都能使用這些工具。使用者只需描述自己的需求，就能在 JMP 中找到對應的工具，即使他們從未在菜單中找到。
在 JMP 工作流程中啟用自由文字分析。 LLM Prompt Runner擴充功能可讓使用者將資料表內容直接傳遞給 LLM，並將結構化結果（例如情緒分析、根本原因擷取或分類）傳回資料表。使用者無需離開 JMP 工作流程，即可利用 LLM 的強大功能處理他們真正擅長的任務。
我們正在建設的基礎設施
JMP Scripting Index JMP腳本索引 JMP的設計目標是實現最大的彈性，而不是押注於單一供應商。我們並沒有預設某個LLM供應商會勝出。我們的重點在於基礎設施和接口，使客戶能夠將JMP連接到符合其標準和環境的模型和服務。
以下是具體過程：
首先是知識庫。我們已在JSL.jmp.com上發布了超過 20,000 個 JSL 腳本片段，格式便於法學碩士 (LLM) 理解，另有 10,000 個片段正在製作中。因此，法學碩士在理解和編寫 JSL 方面取得了顯著進步，並且他們的水平還將持續提高。
其次是翻譯層。我們使用檢索增強生成（RAG）來最大限度地減少虛假訊息，並確保當使用者提出問題時，得到的回復是基於準確、相關且最新的 JMP 內容。
第三，是底層架構。我們正在透過端點連接器簡化 JMP 與您選擇的 LLM 的連接，這樣客戶就不會被任何單一供應商鎖定。這項功能將於 2027 年 3 月推出，如果您有興趣提前體驗，請加入JMP 早期採用者計畫；我們非常期待您的回饋。
第四，工具。 JMP持續建立高價值的AI和ML擴充庫，為使用者提供支持，改善工作流程，並減少編碼需求。使用者可以安裝這些擴展，根據組織策略進行配置，並根據需要進行修改。
最後，我們來看看 JMP Marketplace。透過JMP市場 ，客戶可以根據自身需求選擇合適的 LLM 或 AI 擴充。 JMP 透過 JMP Marketplace 提供這些擴展，而不是將其嵌入核心產品，從而確保 AI 功能是可選的，而不是強制的。
安全、隱私和合規性—一切由您掌控
我們深知資料隱私、安全性和合規性至關重要，尤其是在人工智慧領域。 JMP 讓您輕鬆找到安全和合規團隊所需的答案。
我們的信任中心涵蓋了 JMP 如何處理您的資料和提示、我們如何確保資料隱私、我們提供的安全保障以及我們如何滿足歐盟合規性要求。 JMP生成式 AI 條款詳細說明了在使用 LLM 驅動的擴充功能時，您的提示資訊將如何處理。每個擴充功能還包含一個模型資訊表，其中指明了所使用的模型，並連結到模型提供者的文件。我們的JMP 負責任使用政策概述了我們對符合倫理的 AI 實踐的承諾，並指導使用者了解哪些使用情境是允許的，哪些是不可接受的。
所有這些資源都是公開的，您可以與您的安全和合規團隊分享。
JMP 沒有做什麼
闡明 JMP沒有做什麼與解釋我們正在做什麼同樣重要。
- 我們開發聊天機器人並非為了取代 JMP 的分析工作流程。 JMP 是一款分析工具，而非對話產品。
- 我們不讓 LLM 進行計算：JMP 進行計算，LLM 寫指令。
- 我們不進行基礎模型的訓練或微調，因為那是價值數十億美元的 GPU 遊戲，而不是桌上分析遊戲。
- 我們並未產生合成數據。 JMP 的品牌以統計嚴謹性著稱，而這種嚴謹性絕不會因 LLM 捏造的數據而受到損害。
- 我們不會強迫使用者使用他們不需要的AI功能。
策略即業務成果和工作流程。人工智慧只是實現目標的工具之一。
底線
JMP擁有強大的基礎架構和獨特的分析工作流程。其分析工作流程（視覺化探索、統計嚴謹的方法、可重複且可分享的分析）與在聊天框中輸入提示資訊截然不同。提示訊息可以提供幫助，有時甚至能起到顯著作用。但它無法取代JMP所支援的嚴謹性和端到端的工作流程。
我們正在建立的是基礎設施：一個知識庫，使 LLM 能夠更好地理解 JMP；一個翻譯層，使響應基於準確的內容；端點連接器，使客戶能夠靈活地選擇他們的 AI 提供者；以及一個市場，可以根據您的要求選擇性地提供 AI 功能。
JMP 使用者創造新知識。他們研究從未解決過的問題，使用任何模型都未曾見過的數據。這種工作流程不會消失。恰恰相反，在人工智慧時代，它變得更加重要，因為真正值得解決的問題，正是那些 LLM 訓練資料不足、JMP 優勢得以展現的問題。
我們不追逐熱點，我們著眼於長遠發展，我們是為了你們而建造。
