الوریان، استارتاپ هوش مصنوعی مستقر در پالو آلتو که پیش از عرضه هر محصولی ۵۵ میلیون دلار سرمایه بذری با ارزشگذاری ۳۰۰ میلیون دلار جذب کرده بود، روز جمعه نخستین مدل خود را منتشر کرد. به گزارش اختصاصی تککرانچ، این مدل که Glimpse نام دارد، در قالب پیشنمایش پژوهشی با دسترسی API و یک رابط گفتوگو عرضه میشود. تز اصلی شرکت ساده و در عین حال جدی است: مدل‌های امروز، با وجود مهارت چشمگیر در زبان و کد، هنوز واقعاً نمی‌بینند.
تفاوت در روش کار است. بیشتر مدل‌های چندوجهی یک بار به تصویر نگاه می‌کنند، آن را به توکن تبدیل می‌کنند و بعد در فضای متن درباره‌اش استدلال می‌کنند؛ کاری شبیه توصیف یک عکس از حافظه. Glimpse به منبع برمی‌گردد. در میانه استدلال می‌تواند روی یک ناحیه زوم کند، فریم مشخصی از یک ویدیو بیرون بکشد، یا کدی اجرا کند تا چیزی را که می‌بیند اندازه‌گیری یا مقایسه کند. الوریان به این سازوکار «فضای خراش بصری» می‌گوید؛ مثل کسی که روی عکس گوشی دو انگشت می‌گذارد تا بزرگ کند و مطمئن شود آنچه دیده درست بوده است.
برای اندرو دای، پژوهشگر پیشین گوگل دیپ‌مایند و مدیرعامل الوریان، روشن‌ترین نشانه این‌که هوش مصنوعی هنوز واقعاً نمی‌بیند، در یک شب بازی پیدا شد. سال گذشته او از یک بازی رومیزی که تازه با دوستانش تمام کرده بود عکس گرفت و از یک مدل پیشرو پرسید چه کسی برنده است. مدل نتوانست پاسخ دهد. به گفته او، بازی‌های رومیزی «هر کدام زبان بصری خودشان را دارند، هر کدام شمایل و نمادهای خودشان را دارند. برای یک بزرگسال، فهمیدن این‌که چه چیزی در جریان است با کمترین متن کاملاً آسان است، اما این مدل‌ها نمی‌توانند معنی نمادها را حدس بزنند.»
او مثال دیگری هم می‌آورد: «انسان می‌تواند به دستورالعمل‌های مصور ایکیا نگاه کند، بدون هیچ متنی، و مبلمان ایکیا را سر هم کند، درست است؟ چرا مدل‌های هوش مصنوعی نمی‌توانند؟»
این رویکرد کاملاً تازه نیست؛ OpenAI در سال ۲۰۲۵ قابلیت برش و زوم در میانه استدلال را به مدل‌های سری o اضافه کرد. اما ادعای الوریان این است که کل مدل را حول همین ایده ساخته، و آن هم ارزان. شرکت می‌گوید تیم کوچکی Glimpse را روی چند صد پردازنده گرافیکی آموزش داده و مدل به‌طور محسوس کوچک‌تر از سامانه‌های پیشرویی است که با آن‌ها مقایسه شده است.
قیمت‌گذاری هم بخشی از استدلال شرکت است: Glimpse به ازای هر یک میلیون توکن ورودی ۰.۶۰ دلار و به ازای هر یک میلیون توکن خروجی ۳ دلار هزینه دارد؛ ارزان‌تر از مدل‌های میان‌رده‌ای مثل Sonnet و Sol، اما گران‌تر از مدل‌های سبک مثل Haiku و Luna. بر اساس ارزیابی‌های خود الوریان، Glimpse حتی در استدلال روی نمودارهای علمی و توصیف ویدیوهای کوتاه از GPT-6 Astra بهتر عمل می‌کند و در سایر وظایف استدلال بصری نتایج رقابتی دارد. طبیعتاً این ارقام از سوی خود شرکت منتشر شده و تا زمانی که ارزیابی مستقل نباشد، باید با احتیاط خوانده شود.
الوریان شش ماه پیش از حالت مخفی بیرون آمد؛ دور سرمایه‌ای که Striker Venture Partners، Menlo Ventures و Altimeter Capital مشترکاً رهبری آن را بر عهده داشتند و انویدیا و جف دین، دانشمند ارشد گوگل، در آن مشارکت داشتند.
هدف‌های اولیه، شرکت‌هایی هستند که حجم زیادی ویدیو در اختیار دارند: شرکت‌های رباتیک، آزمایشگاه‌های علمی، رسانه و شرکت‌های خلاق. در افق بلندتر، الوریان می‌خواهد از دیدن به انجام دادن برسد؛ یعنی ساختن مدلی از یک صحنه و استفاده از آن برای انتخاب کنش، از جمله کنترل مستقیم ربات‌ها. دای می‌گوید هدف سال آینده ساختن «بهترین مدل استدلال بصری جهان» است؛ مدلی که در همه آزمون‌های استدلال بصری پیشتاز باشد.
اگر این وعده محقق شود، معنایش تغییر جنس رقابت است. رقابت فعلی بر پایه مقدار متن و کد آموزش‌دیده سنجیده میشود؛ رقابتی که در آن چند شرکت با بودجه‌های چند میلیارد دلاری پیشتازند. اما اگر مزیت واقعی در «نگاه کردن دوباره» باشد، مزیت به معماری و طراحی محیط اجرا منتقل میشود؛ حوزه‌ای که تیم‌های کوچک می‌توانند در آن حرف داشته باشند. Glimpse در واقع اولین آزمون جدی برای همین فرضیه است.