1. 从谷歌到创业:两位AI科学家的AGI征程
硅谷的AI创业版图正在经历一场前所未有的洗牌。2023年底,谷歌Gemini项目的核心人物Andrew Dai与苹果首席研究科学家Yinfei Yang悄然离职,共同创立了一家名为Elorian的AI初创公司。这个组合堪称梦幻——一位是深耕预训练领域14年的谷歌老兵,另一位是精通多模态学习的苹果系专家。他们瞄准的不是当下火热的大语言模型赛道,而是更具挑战性的"视觉推理"领域。
视觉推理被认为是实现通用人工智能(AGI)的关键突破口,它要求AI不仅能识别图像内容,还要理解其中的逻辑关系和物理规律。
Andrew Dai在谷歌的履历令人瞩目。作为Gemini预训练数据的联合负责人,他直接参与了谷歌最核心的大模型研发工作。更早之前,他与Jeff Dean等人合作的半监督序列学习研究,甚至为后来的GPT系列模型提供了重要启发。这种级别的专家选择离开科技巨头自立门户,往往意味着看到了某个技术方向上的重大机遇。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 视觉推理:下一代AI的核心战场
2.1 当前大模型的视觉短板
目前主流的大语言模型(如GPT-4、Gemini)本质上都是文本模型,它们的视觉能力是通过后期"嫁接"实现的。典型的做法是先将图像转换为文本描述,再交由语言模型处理。这种间接的方式存在明显局限:
- 信息丢失:将丰富的视觉信息压缩为文字描述时,大量细节和空间关系无法保留
- 理解肤浅:模型无法真正理解图像中的物理规律和因果关系
- 交互困难:难以实现与视觉世界的实时、动态交互
2.2 Elorian的技术路线
Elorian计划构建的是原生多模态模型,从一开始就将视觉、听觉与语言理解能力深度融合。这种架构的优势在于:
- 统一表征学习:在预训练阶段就建立跨模态的共享表征空间,避免后期拼接带来的信息损失
- 物理常识建模:通过大规模视频数据学习物体运动规律和物理约束
- 主动感知机制:模仿人类视觉系统的注意力机制,实现动态焦点切换
据内部人士透露,他们的早期实验已经展示出令人惊讶的能力——模型不仅能描述图像内容,还能预测场景中可能发生的后续事件,甚至推断出画面之外的隐藏信息。
3. 创业团队的独特优势
3.1 Andrew Dai的数据工程专长
在谷歌的1
