Elorian: Το AI μοντέλο Glimpse μαθαίνει στις μηχανές να «σκέφτονται» μέσα από εικόνες

Η νεοφυής εταιρεία τεχνητής νοημοσύνης Elorian, με έδρα το Πάλο Άλτο των ΗΠΑ, παρουσίασε το πρώτο της μοντέλο με την ονομασία Glimpse, φιλοδοξώντας να αλλάξει ριζικά τον τρόπο με τον οποίο οι αλγόριθμοι αντιλαμβάνονται τον φυσικό κόσμο. Η εταιρεία, η οποία είχε προσελκύσει επενδυτικά κεφάλαια ύψους 55 εκατομμυρίων δολαρίων με αποτίμηση 300 εκατομμυρίων δολαρίων πριν καν κυκλοφορήσει κάποιο προϊόν, διαθέτει αρχικά το Glimpse ως ερευνητική δοκιμή μέσω API, υποστηρίζοντας πως τα σημερινά πολυτροπικά συστήματα αδυνατούν ουσιαστικά να «δουν» σε βάθος.

Η καινοτομία του «οπτικού προχείρου»

Στη συντριπτική τους πλειονότητα, τα υφιστάμενα πολυτροπικά μοντέλα αναλύουν μια εικόνα μία μόνο φορά, τη μετατρέπουν σε ψηφιακά διακριτικά (tokens) και στη συνέχεια βασίζονται στο κείμενο για την εξαγωγή συμπερασμάτων — μια διαδικασία που προσομοιάζει στην περιγραφή μιας φωτογραφίας από μνήμης. Αντίθετα, το Glimpse επιστρέφει συνεχώς στην πηγή. Κατά τη διάρκεια της ανάλυσης, έχει τη δυνατότητα να εστιάζει και να περικόπτει συγκεκριμένες περιοχές, να εξάγει καρέ από βίντεο ή να εκτελεί κώδικα για να μετρήσει και να συγκρίνει στοιχεία.

Η λειτουργία αυτή, την οποία η Elorian αποκαλεί «visual scratch space», μοιάζει με την κίνηση ενός χρήστη που κάνει ζουμ σε μια φωτογραφία στο κινητό του για να επιβεβαιώσει αυτό που νομίζει ότι είδε. Όπως εξηγεί ο συνιδρυτής και διευθύνων σύμβουλος της εταιρείας, πρώην ερευνητής της Google DeepMind, Άντριου Ντάι, η ανάγκη αυτή έγινε εμφανής όταν ένα κορυφαίο μοντέλο απέτυχε να αναγνωρίσει τον νικητή σε ένα επιτραπέζιο παιχνίδι. «Οι άνθρωποι μπορούν να κοιτάξουν τα διαγράμματα της IKEA, χωρίς καθόλου κείμενο, και να συναρμολογήσουν ένα έπιπλο. Γιατί να μην μπορούν και τα μοντέλα τεχνητής νοημοσύνης;», τόνισε χαρακτηριστικά.

Υψηλή αποδοτικότητα με χαμηλότερο κόστος εκπαίδευσης

Παρότι τεχνικές εστίασης έχουν αξιοποιηθεί και στο παρελθόν από την OpenAI, η Elorian σχεδίασε ολόκληρη την αρχιτεκτονική της γύρω από αυτή τη λογική, επιτυγχάνοντας σημαντική εξοικονόμηση πόρων. Σύμφωνα με την εταιρεία, μια μικρή ομάδα μηχανικών εκπαίδευσε το Glimpse χρησιμοποιώντας μόλις μερικές εκατοντάδες μονάδες επεξεργασίας γραφικών (GPUs), καθιστώντας το μοντέλο αισθητά μικρότερο από τους άμεσους ανταγωνιστές του.

Το κόστος χρήσης διαμορφώνεται στα 0,60 δολάρια ανά εκατομμύριο εισερχόμενων tokens και στα 3 δολάρια ανά εκατομμύριο εξερχόμενων. Παρά το μικρότερο μέγεθός του, οι εσωτερικές αξιολογήσεις της Elorian δείχνουν ότι το Glimpse ξεπερνά ακόμη και το GPT-6 Astra στην ανάλυση επιστημονικών διαγραμμάτων και στον υποτιτλισμό σύντομων βίντεο, διατηρώντας ανταγωνιστικές επιδόσεις σε ένα ευρύ φάσμα οπτικών δοκιμών.

Από την ανάλυση εικόνας στον έλεγχο ρομπότ

Η Elorian, η οποία υποστηρίζεται από επενδυτικά σχήματα όπως οι Striker Venture Partners, Menlo Ventures και Altimeter Capital, καθώς και από τη Nvidia και τον επικεφαλής επιστήμονα της Google, Τζεφ Ντιν, στοχεύει άμεσα σε κλάδους με μεγάλο όγκο οπτικών δεδομένων, όπως τα επιστημονικά εργαστήρια, τα μέσα ενημέρωσης και η ρομποτική.

Μακροπρόθεσμα, η εταιρεία επιδιώκει να μεταβεί από την απλή κατανόηση εικόνων στη λήψη αποφάσεων για δράση στον πραγματικό κόσμο, συμπεριλαμβανομένου του άμεσου ελέγχου ρομποτικών συστημάτων, θέτοντας ως στόχο για τον επόμενο χρόνο την ανάπτυξη του κορυφαίου μοντέλου οπτικού συλλογισμού παγκοσμίως.