GeminiやApple MM-1の開発陣、視覚推論AIモデル「Glimpse」を公開

ボートゲームを終えた盤面をスマートフォンで撮影し、最先端のAIに「どちらが勝っているか」と尋ねても、まともな答えはまず返ってきません。大人なら一目でわかるアイコンやコマの配置を、現代のマルチモーダルAIは正しく読み取れないからです。

元Google DeepMindの研究者らが設立したAIスタートアップElorianが、初の視覚推論モデル「Glimpse」を発表しました。研究プレビューとしてAPIおよびチャット画面の提供を開始しています。

同社は製品公開前のシードラウンドで、Striker Venture Partners、Menlo Ventures、Altimeter Capitalが主導し、NvidiaやGoogleのチーフサイエンティストであるジェフ・ディーン氏も参加して5500万ドルを調達、評価額は3億ドルに達していました。

推論中に画像を「二度見」する仕組み

従来のマルチモーダルモデルの多くは、画像を最初に一度だけトークン化し、あとはテキストの記憶だけで推論を進めます。これでは写真をチラ見しただけで現場の状況を言い当てるようなものです。

ElorianのチームにはGoogle GeminiやAppleのMM-1プロジェクトを手掛けた研究者が名を連ねています。彼らが開発したGlimpseは「ビジュアル・スクラッチ・スペース」と呼ばれる仕組みを備えています。

推論の途中で疑わしい部分があれば、モデル自ら元画像に戻り、気になった領域を拡大クロップしたり、動画から特定のフレームを抜き出したり、コードを実行してサイズを測ったりできます。人がスマホの写真を見て、指でピンチアウトして細部を確かめる動作そのものです。

ElorianのCEOであるアンドリュー・ダイ氏は、文字のないイケアの説明書を見て人間が家具を組み立てられるなら、AIにも同じことができるはずだと語ります。

数百基のGPUで大手に対抗する高効率設計

推論時の拡大機能自体はOpenAIが2025年にoシリーズで採用していますが、Glimpseはこの機構を前提にゼロから設計された点が異なります。

開発チームはわずか数百基のGPUを使ってGlimpseを訓練したと説明しており、モデルサイズは比較対象のフロンティアモデルより大幅に小型です。

API料金は入力が100万トークンあたり0.60ドル、出力が3.00ドルに設定されています。Claude Sonnetなどのミドルレンジより安価で、軽量モデルよりは上の価格帯です。社内評価によると、科学チャートの推論やショート動画のキャプション生成において、GPT-6 Astraを上回るスコアを記録したとしています。

なぜ重要か

私たちは、Glimpseのアプローチが今後のビジョンAIにおける重要な転換点になると考えています。超高解像度の画像をすべてトークン化して巨大モデルに丸呑みさせる手法は、計算資源の観点からあまりに非効率です。

必要な部分だけを自発的に拡大して確認させる仕組みに特化することで、小規模なGPU環境でもフロンティア級の視覚精度を出せることを示しました。図面やグラフ、基板チェック、動画解析などを扱う開発者にとって、即戦力になり得る選択肢です。

同社が最初のターゲットとしてロボティクス企業や研究機関を挙げている点も合理的です。視覚情報を正確に把握できなければ、現実世界でロボットを自律動作させることはできません。実環境での検証はこれからですが、力任せのスケール競争とは異なる賢い戦い方として注目に値します。