Стартъпът Elorian AI, основан от бивш изследовател на Google DeepMind, предлага различен подход към развитието на изкуствения интелект. Компанията е убедена, че следващата голяма технологична революция няма да бъде постигната единствено чрез усъвършенстване на езиковите модели, а чрез създаването на системи, способни да разбират, анализират и разсъждават върху визуалната информация по начин, близък до човешкото възприятие.
През последното десетилетие развитието на изкуствения интелект бе белязано от стремителния напредък на големите езикови модели (Large Language Models – LLM). Именно те стоят в основата на популярни платформи като ChatGPT, Gemini и Claude, които демонстрират впечатляващи способности да обработват, анализират и генерират текст, както и да водят естествени разговори с потребителите.
Технологичните компании инвестираха милиарди долари в развитието на тези модели, водени от убеждението, че непрекъснатото увеличаване на техния мащаб, обема на данните и изчислителната мощ постепенно ще доведе до създаването на изкуствен общ интелект (Artificial General Intelligence – AGI) – система, която може да изпълнява практически всяка интелектуална задача на нивото на човека.
Все по-голяма част от научната общност обаче започва да поставя под въпрос дали този път е достатъчен за постигането на подобна амбициозна цел.
Според публикация на Fast Company, редица водещи изследователи смятат, че езикът представлява само една част от човешката интелигентност. Истинското разбиране на света изисква не само обработка на текст, но и способност за възприемане на заобикалящата среда, пространствено мислене и анализ на визуални данни.
Именно тази идея стои зад Elorian AI – стартъп, основан от Андрю Дай, дългогодишен специалист в Google Brain и впоследствие в Google DeepMind. След години работа върху развитието на изкуствения интелект в една от най-иновативните компании в света, той решава да поеме по собствен път, убеден, че бъдещето на AI се крие отвъд традиционните езикови модели.
Според Дай съществуващите системи демонстрират впечатляващи езикови способности, но все още изпитват сериозни затруднения, когато трябва да разберат физическия свят. Те могат успешно да интерпретират огромни масиви от текстова информация, но често не успяват да осмислят пространствени взаимоотношения, движение на обекти или причинно-следствени връзки, които човек възприема интуитивно чрез зрението.
Затова Elorian AI разработва ново поколение модели, които поставят визуалната информация в центъра на обучението. Вместо да разчитат основно на текстови описания на изображения, тези системи са създадени да анализират директно визуалните данни, като изграждат собствено разбиране за съдържанието им.
Според основателя на компанията човешкият мозък изгражда знания за света преди всичко чрез наблюдение. Още от най-ранна възраст хората започват да разпознават предмети, лица, движения и пространствени отношения, много преди да овладеят езика. Именно затова визуалното възприятие е фундаментален елемент на интелигентността, който не може да бъде заменен единствено с текстова информация.
Този подход може да отвори нови възможности за развитието на автономни роботи, интелигентни производствени системи, медицинска диагностика, автономен транспорт и редица други области, в които машините трябва не само да „четат“ информация, но и реално да разбират средата, в която функционират.
Експертите отбелязват, че развитието на мултимодални модели, които комбинират текст, изображения, видео и звук, вече е сред най-динамичните направления в изследванията на изкуствения интелект. Компании като OpenAI, Google, Anthropic и Meta също инвестират значителни ресурси в технологии, способни да обработват различни видове информация едновременно.
Въпреки това Elorian AI избира още по-специализиран подход, поставяйки акцент върху задълбоченото визуално разсъждение като основа за изграждането на по-универсални интелигентни системи.
Според Андрю Дай следващият голям пробив няма да бъде резултат единствено от създаването на още по-големи езикови модели, а от способността на изкуствения интелект да възприема света така, както го правят хората – чрез наблюдение, анализ и разбиране на реалната среда.
Макар тази концепция все още да се намира в ранен етап на развитие, тя постепенно печели вниманието на научната общност и инвеститорите. Все повече специалисти са убедени, че бъдещето на изкуствения интелект ще бъде не само „разговорно“, но и истински визуално – способно да интерпретира изображения, да прави логически заключения и да разбира физическия свят с далеч по-голяма точност.
Ако тази визия се реализира успешно, следващото поколение AI системи може да надхвърли ограниченията на днешните езикови модели и да постави началото на нов етап в развитието на машинния интелект – такъв, в който машините не просто обработват информация, а действително възприемат и осмислят света около себе си.