Elorian-ის პირველი AI მოდელი გამოსახულებების არა მხოლოდ აღქმას, არამედ მათზე სიღრმისეულ მსჯელობას შეძლებს

Palo Alto-ში ბაზირებულმა ხელოვნური ინტელექტის სტარტაპმა Elorian-მა, რომელმაც პროდუქტის გამოშვებამდე 55 მილიონი დოლარის ინვესტიცია მოიზიდა და 300 მილიონ დოლარად შეფასდა, პარასკევს თავისი პირველი მოდელი წარადგინა. TechCrunch-ის ექსკლუზიური ინფორმაციით, მოდელი სახელწოდებით Glimpse ინოვაციური მიდგომით გამოირჩევა ვიზუალური ინფორმაციის დამუშავების კუთხით.

მულტიმოდალური მოდელების უმეტესობა გამოსახულებას მხოლოდ ერთხელ ათვალიერებს, მას ტოკენებად გარდაქმნის და შემდეგ ტექსტურად მსჯელობს — დაახლოებით ისე, როგორც ადამიანი აღწერს ფოტოს მეხსიერებით. Glimpse კი მუდმივად უბრუნდება პირველწყაროს. მსჯელობის პროცესში მას შეუძლია გამოსახულების კონკრეტული მონაკვეთის ამოჭრა (crop), ვიდეოდან სპეციფიკური კადრების ამოღება ან კოდის გაშვება ნანახის გასაზომად და შესადარებლად.

ამ მექანიზმს Elorian-ში „ვიზუალურ სამუშაო სივრცეს“ (visual scratch space) უწოდებენ. ეს პროცესი წააგავს ადამიანის ქმედებას, როდესაც ის ტელეფონში ფოტოს თითებით ადიდებს (zoom), რათა გადაამოწმოს ის, რაც დაინახა. კომპანიის აღმასრულებელი დირექტორისა და Google DeepMind-ის ყოფილი მკვლევრის, ენდრიუ დაის (Andrew Dai) თქმით, AI-ს ვიზუალური აღქმის ნაკლოვანებები მან სამაგიდო თამაშის დროს შენიშნა.

გასულ წელს დაიმ გადაუღო ფოტო სამაგიდო თამაშს, რომელიც მეგობრებთან ერთად დაასრულა და ერთ-ერთ წამყვან AI მოდელს ჰკითხა, ვინ იგებდა. მოდელმა პასუხი ვერ გასცა. „სამაგიდო თამაშებს საკუთარი ვიზუალური ენა, იკონოგრაფია და სიმბოლოები აქვთ,“ — განუცხადა მან TechCrunch-ს. „ზრდასრული ადამიანისთვის მინიმალური ტექსტის პირობებშიც მარტივია იმის გაგება, თუ რა ხდება, მაგრამ ეს მოდელები სიმბოლოების მნიშვნელობას ინტუიციურად ვერ ხვდებიან.“

დაიმ ასევე მოიყვანა IKEA-ს ინსტრუქციების მაგალითი, სადაც ადამიანები ტექსტის გარეშე, მხოლოდ დიაგრამებით აწყობენ ავეჯს. მისი კითხვაა: „რატომ არ შეუძლიათ ეს AI მოდელებს?“

ინოვაციური მიდგომა და ეფექტურობა

მიუხედავად იმისა, რომ მსჯელობისას გამოსახულების ამოჭრისა და გადიდების ფუნქცია OpenAI-მ 2025 წელს თავის o-სერიის მოდელებში დაამატა, Elorian-ის უპირატესობა იმაში მდგომარეობს, რომ მთელი მოდელი თავიდანვე ამ პრინციპზეა აგებული და მისი ექსპლუატაცია შედარებით იაფია. კომპანიის განცხადებით, მცირე გუნდმა Glimpse-ის მომზადება რამდენიმე ასეული GPU-ს გამოყენებით შეძლო და მოდელი მნიშვნელოვნად მცირე ზომისაა იმ სისტემებთან შედარებით, რომლებსაც ის კონკურენციას უწევს.

Glimpse-ის ღირებულება შემდეგნაირია:

• 0.60 დოლარი 1 მილიონ შემავალ (input) ტოკენზე;
• 3 დოლარი 1 მილიონ გამომავალ (output) ტოკენზე.

ეს ფასი უფრო იაფია, ვიდრე საშუალო დონის მოდელები (მაგალითად, Sonnet და Sol), თუმცა უფრო ძვირია, ვიდრე მსუბუქი მოდელები (Haiku და Luna). Elorian-ის შეფასებით, Glimpse სამეცნიერო დიაგრამებზე მსჯელობისა და მოკლე ვიდეოების აღწერის (captioning) კუთხით GPT-6 Astra-საც კი სჯობნის და კონკურენტუნარიან შედეგებს აჩვენებს სხვა ვიზუალური მსჯელობის ამოცანებში.

სამომავლო გეგმები და ინვესტორები

Elorian-მა საჯარო საქმიანობა ექვსი თვის წინ დაიწყო. საწყისი დაფინანსების რაუნდს ხელმძღვანელობდნენ Striker Venture Partners, Menlo Ventures და Altimeter Capital. ინვესტირებაში ასევე მონაწილეობდნენ Nvidia და Google-ის მთავარი მეცნიერი ჯეფ დინი (Jeff Dean).

მოდელის პირველი სამიზნე მომხმარებლები არიან კომპანიები, რომლებიც დიდ ვიდეო მასალას ფლობენ: რობოტექნიკის ფირმები, სამეცნიერო ლაბორატორიები, მედია და კრეატიული კომპანიები. გრძელვადიან პერსპექტივაში Elorian გეგმავს გადავიდეს მხოლოდ „დანახვიდან“ „ქმედებაზე“. ეს გულისხმობს სცენის მოდელის აგებას და მის გამოყენებას კონკრეტული მოქმედების შესასრულებლად, მათ შორის რობოტების პირდაპირ მართვას.

ენდრიუ დაის თქმით, მომავალ წელს კომპანია მიზნად ისახავს შექმნას „მსოფლიოში საუკეთესო ვიზუალური მსჯელობის მოდელი“, რომელიც ლიდერი იქნება ყველა შესაბამის ტესტში.