Glimpse.. نموذج ذكاء اصطناعي يساعد الروبوتات على فهم العالم بصرياً

أطلقت شركة Elorian الأميركية الناشئة نموذجها الأول للذكاء الاصطناعي "Glimpse"، الذي يستهدف تحسين فهم الصور ومقاطع الفيديو، من خلال العودة إلى تفاصيلها أثناء التحليل، وتكبير أجزاء منها، وتتبع حركة العناصر، بدلاً من الاكتفاء بوصف نصي أولي للمشهد يبني عليه إجابته.

ويتوفر النموذج في نسخة بحثية تجريبية عبر واجهة للدردشة وواجهة برمجة تطبيقات، تتيح للمطورين دمجه في خدماتهم.

وتراهن الشركة على استخدام نموذجها الجديد  في الروبوتات والأبحاث العلمية والإعلام والصناعات الإبداعية، خصوصاً لدى المؤسسات التي تمتلك أرشيفاً كبيراً من الفيديو، وتحتاج إلى تحليل محتواها.

وبحسب موقع Techcrunch، يأتي الإطلاق بعدما جمعت الشركة  55 مليون دولار في جولة تمويل تأسيسية، عند تقييم بلغ 300 مليون دولار، قبل طرح أي منتج.

Glimpse.. نموذج ذكي للإدراك البصري

قالت Elorian في الإعلان الرسمي إن النموذج يستطيع تتبع الأجسام أثناء حركتها وتغير زوايا رؤيتها، وفهم العلاقات المكانية بين العناصر، والربط بين ما يظهر في المشهد وما يمكن أن يحدث لاحقاً، مع تحقيق نتائج تنافس نماذج أكبر وأعلى سعراً في مجموعة من الاختبارات.

تنطلق رؤية الشركة من أن تقدم نماذج الذكاء الاصطناعي في اللغة والبرمجة لا يعني أنها أصبحت قادرة بالدرجة نفسها على فهم العالم المرئي.

وذكر تقرير Techcrunch أن كثيراً من النماذج متعددة الوسائط تعالج الصورة أولاً، وتحول محتواها إلى وحدات رقمية تسمى "توكنز"، ثم تعتمد على الاستدلال النصي لتحليلها، في عملية يشبهها التقرير بوصف صورة من الذاكرة، بدلاً من مواصلة فحصها بصرياً.

أما Glimpse، فيستطيع العودة إلى المادة الأصلية خلال التفكير، لاقتصاص منطقة محددة، أو تكبيرها، واستخراج إطارات بعينها من فيديو، أو تشغيل شيفرة برمجية لتحليل عناصر المشهد والمقارنة بينها.

وأطلقت الشركة على هذه الآلية اسم "مساحة عمل بصرية" (Visual Scratch Space)، يمكن للمستخدم متابعتها عبر منصتها، وتشبه الفكرة شخصاً يكبّر صورة على هاتفه ليتحقق من تفاصيل معينة، ليتمكن من إدراك المشهد بالكامل بوضوح.

كتابة الشفرات ومعالجة الصور

وبحسب الإعلان الرسمي، لا يقتصر ذلك على استخدام أدوات لمعالجة الصور، بل يشمل مراجعة التمثيلات البصرية الداخلية، وتنقيحها أثناء الاستدلال.

ودرَّبت الشركة نموذجها الجديد على كتابة الشفرات ومعالجة الصور، ومشاهدة الفيديو، ويمكنه إنشاء وكلاء فرعيين، وتنسيق عملهم، بحيث يتبادلون النصوص والمحتوى والتمثيلات البصرية لحل مهمة مشتركة.

ولا تُعد العودة إلى الصور أثناء الاستدلال فكرة جديدة بالكامل؛ إذ أتاحت OpenAI في أبريل 2025 لنموذجي "o3" و"o4-mini" استخدام أدوات لقص الصور وتكبيرها وتدويرها خلال التحليل، لكن Elorian تقول إن رهانها يقوم على جعل التفكير البصري محور تطوير النموذج، مع تقليل الموارد اللازمة لتدريبه وتكلفة استخدامه.

نتائج تنافسية وتفاوت بين الاختبارات

وفقاً للتقييمات التي نشرتها Elorian، تفوق Glimpse على GPT-6 Astra في 4 اختبارات تشمل تحليل الرسوم البيانية العلمية، وعدّ الأجسام وفق فئات متنوعة، ووصف مقاطع الفيديو القصيرة، وفهم أحداث مناولة الأجسام، وتعادل معه في اختبار للاستدلال المكاني المرتبط بالمهام الروبوتية.

وسجل النموذج 92.90 نقطة في اختبار "CharXiv-R" لتحليل الرسوم العلمية، مقابل 92.10 لـ"Astra"، فيما بلغ تقييمه 82.66 في اختبار "UGC-VideoCap" لوصف الفيديو القصير، مقارنة بـ80.32 للنموذج المنافس.

وفي اختبار "WGO Bench" لفهم أحداث مناولة الأجسام، سجل Glimpse نتيجة بواقع 42.70 نقطة، مقابل 39.42 لـ"Astra"، بينما تعادلا عند 83.75 في اختبار "ERQA".

تقول Elorian إن فريقاً صغيراً طوّر Glimpse باستخدام بضع مئات من وحدات معالجة الرسومات، عبر تدريب لاحق لنموذج أساسي مفتوح الأوزان، وإن حجمه أصغر بكثير من النماذج المتقدمة التي قارنته بها.

وتبلغ تكلفة استخدامه عبر واجهة البرمجة 0.60 دولار لكل مليون توكن من المدخلات، و3 دولارات لكل مليون توكن من المخرجات؛ أي الوحدات الرقمية المستخدمة لمعالجة المحتوى الوارد وتوليد الإجابات.

وبحسب الأسعار المقارنة الواردة في إعلان الشركة، يقل سعر كل من المدخلات والمخرجات بنسبة 94% عن GPT-6 Astra، و85% عن Claude Opus 5.5، و70% عن GPT-6.1 Sol، و20% عن الأسعار التمهيدية لـGemini 3.8 Flash.

روبوتات تفهم العالم

تستهدف الشركة في البداية شركات الروبوتات والمختبرات العلمية والمؤسسات الإعلامية والإبداعية، مع تطبيقات تشمل تحليل بيانات التجارب، ووصف الفيديو وفهرسته، وإعداد بيانات لتدريب الروبوتات.

وفي تجربة نشرتها، استُخدم Glimpse مخططاً لمهمة روبوتية تتضمن وضع جبن كريمي داخل وعاء، ثم رفع الوعاء إلى أعلى خزانة، وقسّم النموذج الطلب إلى خطوات، وتابع كاميرات الروبوت لتحديد اكتمال كل خطوة وما ينبغي تنفيذه بعدها.

وجرت المقارنة باستخدام نظام الرؤية واللغة والفعل نفسه، "π0.5" من شركة Physical Intelligence، على مهمة من بيئة "LIBERO"، وبحسب الشركة، نجح كل من Glimpse وAstra في إتمام المهمة، وبلغت تكلفة التخطيط 0.035 دولار للأول، مقابل 0.249 دولار للثاني.

ويمثل ذلك استخداماً للنموذج في التخطيط ومتابعة التنفيذ عبر نظام روبوتي آخر، بينما تقول Elorian إن توليد أوامر فعل مباشرة للروبوتات لا يزال ضمن العمل المستقبلي.

على المدى الطويل، تسعى الشركة إلى تطوير نماذج تستطيع إعادة بناء المشهد، وتوقع أثر حركة عناصره، واستخدام هذا الفهم لاختيار الأفعال التالية، مع تطبيقات محتملة في الهندسة والدفاع وإنتاج الفيديو وتطوير الألعاب.

وتستهدف الشركة، خلال 2027، بناء نموذج يتصدر جميع اختبارات الاستدلال البصري، وهو طموح يتجاوز النتائج التي حققتها النسخة البحثية الحالية.