През последното десетилетие развитието на изкуствения интелект се определя от големите езикови модели, които стоят зад чатботове като ChatGPT, Gemini и Claude. Тези модели се обучават да разбират, генерират и анализират текст, а технологичната индустрия залага, че увеличаването на мащаба им ще доведе до създаването на изкуствен общ интелект.

Според Fast Company все повече изследователи поставят под съмнение дали този подход е достатъчен. Сред тях е Андрю Дай, дългогодишен специалист в Google Brain и Google DeepMind, който напуска компанията, за да създаде Elorian AI. Стартъпът се фокусира върху нов тип модели, които разбират и анализират изображения директно, без да разчитат на текстови описания.

Дай смята, че визуалната информация е поне толкова важна за интелигентността, колкото и езикът. Той посочва, че съвременните езикови модели вече срещат ограничения, тъй като не разбират достатъчно добре физическия свят.

Той дава прост пример: ако моделът не може надеждно да преброи чашите на маса или да оцени пространствените отношения между обекти, трудно може да се говори за реален общ интелект, независимо колко добре пише код или създава текст. Elorian AI излиза от т.нар. stealth режим – период, в който стартъпът работи без публичност.

Компанията е основана от Дай и бившия специалист по машинно обучение в Apple Инфей Ян. За разлика от съвременните мултимодални модели, които превеждат изображенията в текст, Elorian разработва архитектура, в която визуалната информация има същата тежест като езиковите данни.

„Залагаме на визуалните представяния за пространствени задачи, навигация и много други приложения“, казва Дай пред Fast Company.

Изследване на Техническия университет на Дания показва, че комбинирането на генеративен изкуствен интелект с квантови процесори открива по-успешни молекули за лекарства, дори при силно ограничени данни

Могат ли AI и квантовите изчисления да генерират нови пептиди?

Съвременните мултимодални модели, като Gemini на Google, първо преобразуват изображението в текстово описание и след това извършват разсъждения върху тази информация. Например, ако получат схема на двигател на мотоциклет, тези модели могат да обяснят, че при нагряване алуминиевото бутало се разширява и това намалява разстоянието между него и цилиндъра.

Elorian прилага различен подход. Вместо да изграждат вътрешна „карта“ от думи, моделите ще създават триизмерно представяне на сцената, подобно на начина, по който хората възприемат пространството. Дай смята, че това ще позволи на системите не само да описват даден обект, но и да симулират как той ще се променя във времето.

В примера с двигателя моделът би могъл да изчисли как ще се променят размерите на буталото и цилиндъра при различни обороти и температури и автоматично да предложи конструктивни промени за по-висока издръжливост. С други думи, моделът няма само да обяснява, а ще може да симулира реални физически процеси.

Според Fast Company, Elorian насочва технологията си към т.нар. „физическа икономика“ – пазар, който Дай оценява на около 80 трилиона долара. В този пазар влизат инженерното проектиране, производството, индустриалният дизайн, видеоанализът и други дейности, свързани с физически обекти.

DoorDash, Siemens и Airbnb са сред компаниите, които търсят начин да ограничат нарастващите разходи и да намалят зависимостта си от американските технологии

Бизнесът се обръща към китайските AI модели, за да намалят разходите

Например, в машинното инженерство специалистите прекарват стотици часове в създаване и редактиране на CAD модели. Моделите на Elorian са разработени по начин, който им позволява автоматично да преминават през цикъла „проектиране – симулация – откриване на дефекти – корекция“, като всяка следваща версия на проекта се оптимизира въз основа на резултатите от физическата симулация.

Дай прекарва 14 години в Google Brain и DeepMind, където участва в изследвания, поставили част от техническата основа за серията GPT, а по-късно ръководи дейности, свързани с данните за Gemini. Пред Fast Company той посочва, че една от причините да напусне Google е промяната във фокуса на компанията. По думите му все повече изчислителни ресурси се насочват към няколко приоритетни области, включително генерирането на програмен код, докато изследванията върху визуалното разсъждение получават по-малко ресурси.

Дай твърди, че специализираните модели на Elorian вече постигат по-добри резултати от Gemini 3 Pro в някои тестове за визуално разсъждение. Той обаче отказва да посочи конкретните бенчмаркове, тъй като според него това би позволило на конкурентите да оптимизират моделите си специално за тях. Изданието отбелязва, че макар Gemini да остава базиран на трансформър архитектура, DeepMind също инвестира в разработки, които позволяват на AI да разсъждава директно върху изображения, а не само чрез текстови представяния.

Elorian вече е набрала 55 млн. долара в първия си инвестиционен рунд при оценка от 300 млн. долара. Сред инвеститорите са Nvidia, фондът Menlo Ventures и главният учен на Google Джеф Дийн. По данни на PitchBook, във финансирането участват още 49 Palms Ventures, 500 Global и Altimeter Capital Management.

Въпреки това, оценката на Elorian е далеч по-ниска от тази на други стартъпи, които разработват изкуствен интелект за физическия свят.

Разходите за инфраструктура достигат рекордни нива, но търсенето на по-евтини AI модели застрашава печалбите. Анализатори предупреждават, че бавното изплащане може да предизвика рецесия и корекция на пазарите

Въпрос за 3 трилиона долара: Ще се изплатят ли рекордните инвестиции в AI?

Компанията Physical Intelligence, основана от бившия изследовател на DeepMind Карол Хаусман и професора от Станфорд Сергей Левин, достигна оценка от 5,6 млрд. долара след инвестиционен рунд от 600 млн. долара. Друг конкурент е World Labs, основана от професора от Станфорд Фей-Фей Ли. Компанията разработва системи, които разсъждават в триизмерно пространство, а продуктът ѝ Marble създава навигируеми 3D среди от текст, изображения или видео. През февруари World Labs привлече 1 млрд. долара финансиране с участието на Autodesk, Nvidia, AMD и Andreessen Horowitz.

Междувременно компанията Moonvalley, придобита тази година от Reka, също работи върху т.нар. world models – AI системи, които могат да симулират движение и физични процеси, за да подпомагат роботи при вземането на решения.

Въпреки засиления интерес към този сегмент, Elorian все още е в ранен етап от развитието си. Компанията планира до края на годината да пусне публичен API, който ще позволи на външни разработчици да създават приложения върху нейните модели за визуално разсъждение.