استارتاپ الوریان از مدل Glimpse رونمایی کرد؛ تحولی در قدرت بینایی و استدلال هوش مصنوعی

استارتاپ هوش مصنوعی الوریان (Elorian) مستقر در پالو آلتو که پیش از عرضه هر محصولی موفق شده بود در دور سرمایه‌گذاری اولیه ۵۵ میلیون دلار با ارزش‌گذاری ۳۰۰ میلیون دلاری جذب کند، نخستین مدل خود را در دسترس عموم قرار داد.

این مدل که Glimpse نام دارد، در قالب یک پیش‌نمایش پژوهشی همراه با دسترسی API عرضه شده و رابط چت آن فعلاً محدود به فهرست انتظار است؛ بنابراین در حال حاضر خروجی آن به یک جدول نتایج و یک ایده بنیادین خلاصه می‌شود. اما این ایده چیست؟ مدل‌های هوش مصنوعی امروزی با وجود تمام مهارت‌هایشان در پردازش زبان و کدنویسی، هنوز توانایی «دیدن واقعی» را ندارند.

بیشتر مدل‌های چندوجهی تنها یک بار به تصویر نگاه می‌کنند، آن را به توکن تبدیل می‌نمایند و سپس در قالب متن درباره آن استدلال می‌کنند؛ درست مثل آنکه بخواهید تصویری را صرفاً بر اساس حافظه خود توصیف کنید. در مقابل، Glimpse مدام به منبع اصلی بازمی‌گردد. این مدل در میانه استدلال می‌تواند روی بخشی از تصویر زوم کند و آن را برش دهد، فریم‌های مشخصی را از ویدیو بیرون بکشد یا برای اندازه‌گیری و مقایسه آنچه می‌بیند کد اجرا کند؛ سازوکاری که الوریان آن را «فضای یادداشت بصری» (Visual Scratch Space) می‌نامد. این فرآیند درست شبیه زمانی است که فردی برای اطمینان از آنچه دیده، روی عکس گوشی خود زوم می‌کند.

برای اندرو دای (Andrew Dai)، پژوهشگر سابق گوگل دیپ‌مایند و مدیرعامل الوریان، یکی از واضح‌ترین نشانه‌ها مبنی بر ناتوانی هوش مصنوعی در درک واقعی تصاویر، در جریان یک شب‌نشینی و بازی دورهمی آشکار شد.

سال گذشته او از یک بازی رومیزی (بردگیم) که بازی آن را با دوستانش تمام کرده بود عکس گرفت و از یکی از مدل‌های پیشرو هوش مصنوعی پرسید چه کسی در حال برنده شدن است؛ اما مدل نتوانست پاسخی بدهد. او توضیح می‌دهد: «بازی‌های رومیزی هر کدام زبان بصری، نمادها و نشانه‌های خاص خود را دارند. برای یک فرد بزرگسال درک وقایع بازی با کمترین متن بسیار ساده است، اما این مدل‌ها توانایی درک شهودی معنای این نمادها را ندارند.»

او در ادامه می‌گوید: «انسان‌ها می‌توانند تنها با نگاه کردن به نقشه‌های راهنمای ایکیا (IKEA) بدون وجود هیچ متنی، قطعات مبلمان را سرهم کنند؛ پس چرا مدل‌های هوش مصنوعی نتوانند چنین کاری انجام دهند؟»

این رویکرد البته کاملاً بی‌سابقه نیست؛ شرکت اوپنای‌آی نیز در سال ۲۰۲۵ قابلیت برش و بزرگ‌نمایی در حین استدلال را به مدل‌های سری o خود اضافه کرد؛ اما برگ برنده الوریان این است که کل ساختار مدل خود را از پایه و با هزینه‌ای بسیار اندک بر مبنای همین ایده بنا کرده است. این شرکت اعلام کرده که تیمی کوچک مدل Glimpse را تنها با چند صد پردازنده گرافیکی آموزش داده‌اند و ابعاد این مدل نیز به مراتب کوچک‌تر از سیستم‌های پیشرویی است که با آنها مقایسه می‌شود.

هزینه استفاده از Glimpse به ازای هر یک میلیون توکن ورودی ۰٫۶۰ دلار و برای هر یک میلیون توکن خروجی ۳ دلار است؛ قیمتی که ارزان‌تر از مدل‌های میان‌رده‌ای مانند Sonnet و Sol، اما گران‌تر از مدل‌های سبکی نظیر Haiku و Luna به شمار می‌رود.

با این حال طبق ارزیابی‌های الوریان، مدل Glimpse در زمینه استدلال روی نمودارهای علمی و تولید کپشن برای ویدیوهای کوتاه حتی از مدل GPT-6 Astra نیز عملکرد بهتری به نمایش گذاشته و در سایر وظایف استدلال بصری نتایجی کاملاً رقابتی ثبت کرده است.

الوریان شش ماه پیش با جذب سرمایه‌ای به رهبری مشترک شرکت‌های Striker Venture Partners، منلو ونچرز (Menlo Ventures) و التیمتر کپیتال (Altimeter Capital) و با مشارکت انویدیا و جف دین (Jeff Dean)، دانشمند ارشد گوگل، فعالیت رسمی خود را آغاز کرد.

مشتریان هدف اولیه این استارتاپ شرکت‌هایی هستند که حجم عظیمی از داده‌های ویدیویی را در اختیار دارند؛ مجموعه‌هایی نظیر شرکت‌های فعال در حوزه رباتیک، آزمایشگاه‌های علمی و شرکت‌های رسانه‌ای و خلاقانه. در افق بلندمدت، هدف الوریان گذر از مرحله «دیدن» به مرحله «عمل کردن» است؛ رویکردی که با مدل‌سازی دقیق از صحنه، بستر لازم را برای انتخاب و اجرای هوشمندانه اقدامات، از جمله هدایت مستقیم ربات‌ها فراهم می‌سازد. به گفته دای، هدف این شرکت برای سال آینده ساخت «بهترین مدل استدلال بصری جهان» است؛ مدلی که در تمامی آزمون‌های دیداری رتبه نخست را به خود اختصاص دهد.