Elorian AI主張直接使用圖像思考

Google DeepMind 前研究員Andrew Dai近日創立新公司Elorian AI，並公開主張目前主流的大型語言模型（LLM）已遭遇發展瓶頸，未來人工智慧應直接以「圖像思考」，而非先將視覺資訊轉化為文字後再進行推理。這條名為「視覺推理」的技術路線，在亮相前已獲得5,500萬美元資金，公司估值更達到3億美元，吸引業界高度關注。目前市面上如Google Gemini這類多模態模型，雖然表面上能「閱讀」圖像，但實際運作方式是先利用文字詳細描述畫面內容，再將這些描述按意義排列成龐大的內部「文字地圖」。模型接著透過推理這些文字，才得出對圖像的觀察、判斷乃至建議。

換句話說，整個過程本質上仍是「讀字」，而非真正「看圖」。舉例來說，當畫面是一張摩托車引擎設計圖時，多模態LLM或許能推論出引擎發熱時鋁合金活塞頂會膨脹、導致與汽缸壁之間的間隙縮小，但這種理解終究是繞了一圈靠文字轉化而來，並未直接從視覺訊號中建立認知。Elorian AI則決定反其道而行。團隊正在建構的視覺推理模型，會直接就圖像本身進行「思考」，不先轉換成文字地圖，而是在內部形成細緻的3D立體地圖，模擬人類想像與理解事物的方式。由於這些模型內建對物理定律的理解，因此能夠做出更細膩且更準確的觀察，理論上比現有方法更接近人類的視覺認知。Andrew Dai如何看待當前LLM的侷限？

他明確指出，視覺圖像與語言對模型智慧同等重要，甚至更為關鍵。他認為前沿語言模型已經觸及天花板，因為這些模型仍無法有效推理物理世界，表現「極度不穩定」。他舉例，若一個模型連桌上有幾個杯子都數不清、無法判斷物體之間的空間關係，那麼無論寫作或寫程式的能力多強，都稱不上具備通用智慧。這項觀點也與先前Bloomberg的報導吻合；Andrew Dai曾直言，大型AI實驗室的模型在處理視覺提示時，智力水準大約只相當於3歲幼童。Elorian AI由Andrew Dai與前Apple機器學習研究員楊寅飛共同創立。團隊開發的模型將使視覺資料在架構內與語言token享有同等地位，不再只是文字的附屬。

公司於2025年成立，並在2026年4月正式公開亮相。資金方面，Striker Ventures、Menlo Ventures與Altimeter共同投入5,500萬美元，Nvidia、49 Palms以及資深AI研究員Jeff Dean等也參與投資。目前團隊規模約在11至50人之間，目標是在12個月內推出首個公開銷售的模型，並已同步展開客戶洽談。值得注意的是，Elorian AI並非唯一朝此方向前進的新創企業。Google前學者李飛飛創立的World Labs同樣堅信AI需要發展空間與物理世界的理解能力，目前正在建構一種能夠處理感官資料、並從中發展出物理世界理解的「世界模型」。

從這兩家公司的布局可以清楚看到，「視覺推理」正逐漸成為業界下一個兵家必爭之地。過去數年，AI業界幾乎全力押注文字型LLM，然而Andrew Dai等資深研究員認為，單靠文字已經走到盡頭，下一步的突破在於教會機器直接「看懂」這個世界。Elorian AI現階段尚未公開實際產品或基準測試成績，未來一年能否如期交出成績單，將是業界驗證這套理論的重要指標；同時，World Labs等競爭對手的進展也同樣值得密切觀察。