Elorian ra mắt AI đầu tiên: Suy luận bằng hình ảnh, không chỉ mô tả chúng

Elorian, startup AI có trụ sở tại Palo Alto, vừa chính thức ra mắt mô hình đầu tiên mang tên Glimpse. Điều đáng chú ý là công ty này từng huy động được 55 triệu USD vòng hạt giống ở mức định giá 300 triệu USD ngay trước khi có bất kỳ sản phẩm nào ra mắt.

Glimpse hiện được phát hành dưới dạng bản xem trước nghiên cứu với quyền truy cập qua API, còn giao diện trò chuyện thì phải chờ trong danh sách. Vì vậy, ở thời điểm này, những gì công chúng có được chủ yếu là một bảng kết quả đánh giá và một luận điểm kỹ thuật.

Luận điểm: AI hiện tại vẫn chưa thực sự "nhìn"

Theo Elorian, các mô hình AI ngày nay dù rất giỏi ngôn ngữ và lập trình, vẫn chưa thực sự nhìn thấy như con người.

Hầu hết mô hình đa phương thức nhìn ảnh một lần, chuyển nó thành token rồi suy luận bằng văn bản — giống như đang mô tả một bức ảnh từ ký ức.

Cách làm của Glimpse khác biệt ở chỗ: trong lúc suy luận, mô hình có thể quay lại nguồn ảnh gốc, cắt phóng vào một vùng cụ thể, trích xuất khung hình từ video hoặc chạy mã để đo đạc, so sánh những gì nó đang quan sát. Elorian gọi cơ chế này là "không gian nháp thị giác" (visual scratch space).

Hãy hình dung việc bạn dùng hai ngón tay phóng to một bức ảnh trên điện thoại để kiểm tra lại điều mình vừa thoáng thấy — Glimpse cũng làm điều tương tự.

Câu chuyện đêm chơi board game

Andrew Dai, cựu nhà nghiên cứu tại Google DeepMind và hiện là CEO của Elorian, kể lại một trải nghiệm rất đời thường cho thấy AI vẫn chưa thực sự "nhìn".

Năm ngoái, ông chụp lại một ván board game vừa chơi xong với bạn bè và hỏi một mô hình hàng đầu xem ai đang thắng. Mô hình không trả lời được.

Ông giải thích với TechCrunch:

Mỗi trò board game có ngôn ngữ thị giác, biểu tượng và ký hiệu riêng. Với người lớn, chỉ cần nhìn là hiểu ngay mà gần như không cần chữ. Nhưng các mô hình này không thể suy đoán ý nghĩa của các biểu tượng đó.

Dai đặt câu hỏi thẳng thắn hơn: Con người có thể nhìn sơ đồ lắp ráp IKEA không có chữ và lắp được đồ nội thất. Tại sao AI lại không làm được?

Không hoàn toàn mới, nhưng được xây dựng một cách tiết kiệm

Cách tiếp cận này không phải hoàn toàn mới. OpenAI đã bổ sung tính năng cắt và phóng to trong quá trình suy luận cho dòng mô hình o-series vào năm 2025. Điểm khác biệt của Elorian nằm ở chỗ họ xây dựng toàn bộ mô hình xoay quanh cơ chế này — và làm với chi phí thấp.

Công ty cho biết một nhóm nhỏ đã huấn luyện Glimpse trên vài trăm GPU, và mô hình này nhỏ hơn đáng kể so với các hệ thống tiên tiến mà nó được đem ra so sánh.

Về giá, Glimpse có mức phí 0,60 USD cho mỗi triệu token đầu vào và 3 USD cho mỗi triệu token đầu ra — rẻ hơn các mô hình tầm trung như Sonnet hay Sol, nhưng đắt hơn các mô hình nhẹ như Haiku và Luna.

Theo đánh giá của chính Elorian, Glimpse vượt cả GPT-6 Astra ở các tác vụ suy luận biểu đồ khoa học và chú thích video ngắn, đồng thời đạt kết quả cạnh tranh ở những bài kiểm tra suy luận thị giác khác.

Nhà đầu tư và mục tiêu phía trước

Elorian thoát khỏi trạng thái ẩn danh cách đây sáu tháng với một vòng gọi vốn do Striker Venture Partners, Menlo Ventures và Altimeter Capital đồng dẫn dắt, cùng sự tham gia của Nvidia và nhà khoa học trưởng Google Jeff Dean.

Các mục tiêu ban đầu của công ty là những doanh nghiệp đang sở hữu lượng lớn video: công ty robot, phòng thí nghiệm khoa học, hãng truyền thông và sáng tạo nội dung.

Về dài hạn, Elorian muốn đi từ "nhìn" sang "làm" — tức là xây dựng mô hình của một cảnh vật, dùng nó để chọn hành động, bao gồm cả việc điều khiển robot trực tiếp.

Dai cho biết sang năm, công ty đặt mục tiêu xây dựng "mô hình suy luận thị giác tốt nhất thế giới", dẫn đầu ở mọi bài kiểm tra suy luận thị giác.

Góc nhìn cho thị trường Việt Nam

Với các doanh nghiệp Việt Nam đang làm về robot, tự động hóa, giám sát video bằng AI hoặc xử lý nội dung video quy mô lớn, hướng tiếp cận của Elorian là tín hiệu đáng theo dõi. Thay vì chỉ dựa vào các mô hình đa phương thức tổng quát vốn yếu ở suy luận thị giác chuyên sâu, các mô hình chuyên biệt như Glimpse có thể mở ra những ứng dụng thực tế hơn — từ kiểm tra chất lượng sản phẩm trên dây chuyền, phân tích biểu đồ trong nghiên cứu, cho tới chú thích và tìm kiếm video tự động.

Việc một startup nhỏ có thể huấn luyện mô hình trên vài trăm GPU cũng cho thấy rào cản gia nhập trong lĩnh vực AI đang dần hạ thấp, mở ra cơ hội cho các đội ngũ kỹ thuật tại Đông Nam Á nếu chọn đúng bài toán ngách.