دخلت شركة إليوريان، الناشئة العاملة في مجال الذكاء الاصطناعي البصري، سوق النماذج متعددة الوسائط بإطلاق Glimpse، وهو نموذج متاح في صورة معاينة بحثية عبر واجهة برمجية، مع واجهة محادثة ما تزال محدودة الوصول. وتتمحور الفكرة حول جعل النموذج يتعامل مع الصورة أو مقطع الفيديو كمصدر يمكن الرجوع إليه أثناء الاستدلال، بدل قراءته مرة واحدة ثم الاعتماد على تمثيل لغوي قد يفقد تفاصيل مهمة.
تفاصيل الخبر
تختلف هذه المقاربة عن النمط الشائع في كثير من نماذج الرؤية واللغة، إذ تبدأ تلك النماذج عادة بتحويل المحتوى المرئي إلى رموز أو وصف نصي، ثم تنفذ معظم عملية التفكير اعتمادًا على ذلك التمثيل. أما Glimpse فيستطيع، بحسب الوصف المنشور عنه، إعادة فحص أجزاء محددة من الصورة، وتكبير مناطق بعينها، واختيار إطارات من الفيديو، إلى جانب استخدام التعليمات البرمجية للقياس أو المقارنة عند الحاجة.
تطلق إليوريان على هذه الآلية اسم مساحة العمل البصرية، في إشارة إلى منطقة مؤقتة يحتفظ فيها النموذج بملاحظاته البصرية ويستخدمها للتحقق من استنتاجاته. وقد يكون لهذا الأسلوب أثر خاص في المهام التي تعتمد على علاقة مكانية دقيقة أو تفصيل صغير داخل رسم بياني أو تسلسل زمني قصير في مقطع فيديو، وهي حالات قد لا يكفي فيها الوصف العام للمشهد.
وتقول الشركة إن Glimpse أظهر نتائج تتفوق على نموذج GPT-6 Astra في اختبارات تتعلق بالاستدلال على الرسوم العلمية ووصف مقاطع الفيديو القصيرة، مع نتائج تنافسية في مهام أخرى للفهم البصري. غير أن هذه النتائج تستند إلى تقييمات أعلنتها إليوريان نفسها، ولم تُعرض في المعلومات المتاحة تفاصيل كافية عن مجموعات البيانات أو شروط الاختبار أو المقاييس المستخدمة، لذلك لا يمكن اعتبارها حكمًا مستقلًا على أداء النموذج.
ترتبط طموحات المنتج أيضًا بكفاءة التشغيل. فبحسب المعلومات المنشورة، طُوّر النموذج بواسطة فريق صغير وباستخدام بضع مئات من وحدات معالجة الرسوميات، كما تصفه الشركة بأنه أصغر بكثير من بعض الأنظمة الرائدة التي تقارنه بها. وتقدم إليوريان الخدمة بسعر 0.60 دولار لكل مليون رمز إدخال و3 دولارات لكل مليون رمز إخراج، وهي تكلفة تضعه بين نماذج أكبر وأخرى أخف وزنًا من حيث التسعير.
وتستهدف الشركة في مرحلتها الأولى المؤسسات التي تتعامل مع كميات كبيرة من المواد المرئية، بما في ذلك شركات الروبوتات والمختبرات العلمية والمؤسسات الإعلامية والفرق الإبداعية. بالنسبة لهذه الجهات، قد تكون القدرة على فحص لحظة محددة من فيديو أو استخراج علاقة من مخطط علمي أكثر فائدة من مجرد إنشاء تعليق وصفي للمحتوى.
يأتي الإطلاق ضمن رهان أوسع على أن التقدم في الذكاء الاصطناعي متعدد الوسائط لا يعتمد فقط على زيادة حجم النموذج، بل أيضًا على تغيير طريقة تعامله مع المدخلات البصرية. ويشير هذا الاتجاه إلى اهتمام متزايد بآليات تسمح للنماذج بالعودة إلى الدليل المرئي والتحقق منه، وهي خطوة يمكن أن تقلل بعض الأخطاء الناتجة عن التخمين أو عن فقدان التفاصيل أثناء تحويل الصورة إلى نص.
وتقول إليوريان إن هدفها اللاحق يتجاوز الفهم والوصف إلى استخدام التمثيل البصري في اختيار الأفعال وتنفيذها، بما في ذلك التحكم في الروبوتات. لكن الانتقال من تحليل الصور والفيديو إلى اتخاذ قرارات آمنة في العالم الحقيقي يتطلب اختبارات مستقلة على الدقة والثبات والتعامل مع الحالات غير المتوقعة، وهي جوانب لم يحسمها الإطلاق البحثي الحالي.
كما أن توفر النموذج عبر واجهة برمجية لا يعني تلقائيًا جاهزيته للاستخدام في البيئات الحساسة أو واسعة النطاق. وستحتاج الشركات الراغبة في دمجه إلى تقييم زمن الاستجابة والتكلفة وخصوصية البيانات، إضافة إلى مقارنة نتائجه على بياناتها الفعلية بدل الاكتفاء بنتائج الاختبارات التي تقدمها الجهة المطورة. ومن المرجح أن تحدد هذه المقارنات ما إذا كانت ميزة الفحص البصري المتكرر ستتحول إلى فارق عملي أم ستظل ميزة بحثية واعدة.
بهذا الإطلاق، تقدم إليوريان Glimpse بوصفه محاولة لإعادة تعريف معنى الرؤية في النماذج متعددة الوسائط: ليس مجرد وصف لما يظهر في الصورة، بل الاستمرار في النظر إليها أثناء التفكير. وتبقى قيمة هذا النهج مرتبطة بما ستكشفه الاختبارات المستقلة وتجارب المستخدمين عن قدرته على تحسين الدقة من دون رفع التعقيد والتكلفة إلى مستويات تحد من استخدامه.
العودة إلى جميع الأخبار
