视觉推理AGI新突破：ElorianAI获5500万美元融资深度解析

说起AI大模型，大家可能都有个印象：它们在编程、解数学题这些“烧脑”事上，已经能轻松超越普通人。比如，Anthropic内部据说已接近完全用AI来编程；Google的Gemini Deep Think在2025年国际数学奥林匹克竞赛中，6道题做对了5道，达到了金牌水准。

但有趣的是，一旦切换到视觉推理这个赛道，情况就大不一样了。即便是目前顶尖的Gemini 3 Pro，在测试基础视觉推理能力的BabyVision基准上，表现也只相当于一个3岁孩童的水平。

为什么会有这种“偏科”现象？根源在于当前主流模型的“思考方式”存在先天限制。现在的视觉语言模型，其工作流程本质上是“两步走”：先把视觉信息转换成文字描述，再基于这些文本进行推理。问题在于，很多视觉任务——比如空间关系、动态过程——根本无法用文字精确、完整地描述。这个“翻译”过程中的信息损耗，直接导致了模型视觉推理能力的瓶颈。

正是看到了这个根本性障碍，两位行业老兵决定联手破局。在Google DeepMind深耕14年的Andrew Dai，与苹果资深AI专家Yinfei Yang共同创立了Elorian AI。他们的目标很明确：将模型的视觉推理能力从“儿童级别”提升到“成年级别”，让AI学会在“视觉空间”里进行原生思考，从而向理解物理世界的通用人工智能（AGI）发起冲击。

这家雄心勃勃的初创公司，已获得由Striker Venture Partners、Menlo Ventures和Altimeter联合领投的5500万美元早期融资，49 Palms以及包括Jeff Dean在内的多位顶尖AI科学家也参与了投资。

多模态模型的先驱，想让视觉模型拥有推理能力

要理解Elorian AI想做什么，得先看看是谁在做。联合创始人Andrew Dai，剑桥计算机本科、爱丁堡机器学习博士，2012年加入谷歌，一待就是14年，直至创业。

图片来源：Andrew Dai的linkedin

他不仅是谷歌大模型演进的核心参与者，从PaLM到Gemini系列都有他的深度贡献，更是一位在学术上奠定过基础的研究者。他与Quoc V. Le合著的《Semi-supervised Sequence Learning》为GPT的诞生铺平了道路；另一篇关于混合专家模型（MoE）的论文《Glam: Efficient scaling of language models with mixture-of-experts》，则为如今主流的高效大模型架构扫清了障碍。2023年，在Jeff Dean的安排下，他开始领导Gemini的数据板块，团队规模达数百人，专注于包括合成数据在内的核心数据工作。

图片来源：Google

另一位联合创始人Yinfei Yang，则在多模态领域有着深厚积累。他曾在Google Research工作四年，专注于多模态表示学习，之后加入苹果负责多模态模型研发。他参与的研究《Scaling up visual and vision-language representation learning with noisy text supervision》对推动多模态学习发展起到了关键作用。

图片来源：Yinfei Yang的linkedin

图片来源：arxiv

团队还包括曾担任哈佛大学助理教授的Seth Neel，一位数据和AI领域的专家。如此阵容，意味着他们瞄准的不是简单的工程优化，而是底层架构的范式革新——让AI的智能理解从以文本为基，升级到以视觉为基。

现状是，即便最先进的多模态大模型，在面对基础的视觉对齐任务时也常常力不从心。比如，如何将一个零件精准地安装到一套机械装置中？这种涉及空间和物理关系的任务，对人类孩童来说可能都很直观，但对现有模型却异常困难。

生物学或许能给我们启示。在人类大脑中，视觉是支撑众多高级思维过程的底层基质。人类利用视觉和空间进行推理的历史，远比使用语言逻辑悠久得多。教别人走迷宫，用语言描述往往令人困惑，画张草图却一目了然。甚至候鸟也能凭借视觉识别地理特征，完成跨越大陆的迁徙。这强烈暗示，视觉才是机器实现高级推理能力更本质的路径。

那么，如果从一开始构建模型时，就将这种生物本能“编码”进去，打造一个能原生“理解”并“处理”文本、图像、视频和音频的模型，结果会怎样？Andrew Dai的团队正是想构建这样一个天生的“通感者”，让机器不仅“看到”像素，更能“看懂”世界背后的结构、关系和物理法则。在他们看来，深刻认知真实的物理世界，是实现下一代机器智能飞跃、最终触及“视觉通用人工智能”的关键钥匙。

推理后置的VLM不是通向视觉推理的正确路径

此前并非没有团队尝试突破。Andrew Dai所在的Gemini团队本身就是多模态领域的领跑者。但传统路径多以视觉语言模型（VLM）为主，其核心是“先转译，后推理”的两步法：先将图像转化为文本描述，再交由语言模型进行推理。

这种“推理后置”的模式存在天然局限。一方面，它容易产生“幻觉”，因为文本描述可能已丢失或扭曲关键视觉信息；另一方面，许多视觉概念和空间关系本就“只可意会，难以言传”，强行用文字表述本身就是个悖论。

即便是NanoBanana这类出色的视觉生成模型，其卓越的生成能力也并不等同于推理能力。它们在生成前的“构思”，本质上仍然依赖语言模型，并非原生的视觉推理。

要开发出能真正洞察视觉世界中复杂空间、结构和关系的模型，必须在底层进行碘伏性创新。Elorian AI的思路是：将多模态训练与专为多模态推理设计的新架构深度融合。他们摒弃了将图像视为静态输入的传统做法，转而训练模型去直接交互并操作视觉表征，让模型自主解析其中的结构、关系与物理约束。

当然，另一个决定性因素是数据。Andrew Dai强调，他们极其重视数据的质量、混合比例、来源及多样性，并在数据层面进行了革新——在视觉空间中重构推理链路，并大规模、深度地使用合成数据。

综合这些努力，目标是为了催生能够跨越简单“感知”、迈向高阶“推理”的全新AI系统。这个系统可以是一个视觉推理基础模型：高度通用，但在视觉推理这一特定能力集上表现卓越。

既然是通用基础模型，其应用前景自然广泛。在机器人领域，它可以作为底层“神经中枢”，赋予机器人在陌生环境中自主作业和瞬间决策的能力。例如，派机器人处理危险环境下的安全故障，它需要能推理出“在操作面板前，应先拉下某个安全拉杆”。

在灾害管理领域，此类模型可通过分析卫星图像监测和预防森林火灾；在工程领域，它能精准解读复杂的视觉图纸和系统原理图。这种能力的意义在于，物理世界的运行法则与纯代码世界截然不同，设计飞机机翼不能只靠敲代码。

当然，目前Elorian AI的模型和能力仍停留在蓝图阶段。他们计划在2026年发布一款在视觉推理领域达到业界领先水平（SOTA）的模型，届时，一切宣称都将接受现实的检验。

当AI真的具备“视觉推理”能力，它将怎么改变物理世界？

为了让AI理解和影响物理世界，技术已经历数次迭代：从传统计算机视觉时代的图像识别，到生成式AI的图像生成与多模态模型，再到试图模拟环境动态的世界模型。每一次迭代，都在加深对物理世界的理解。

而视觉推理基础模型，有望将这种理解推向更深层次。具备深度视觉推理能力，意味着AI能更本质地理解物理世界的运作机制，从而实现更高层级的机器智能。

可以想象，当具备深度理解和精细操作能力的模型，为具身智能和AI硬件行业“注入灵魂”，其应用范围将极大拓展。机器人可以从事对可靠性要求极高的精密工业生产或医疗护理；AI可穿戴设备则能进化成更聪明、更懂你的个人助理。

不过，所有这些技术的底层基石，仍然是数据。正如前文Andrew Dai所指出的，数据的质量、配比、来源和多样性，最终决定着模型的性能上限。

值得注意的是，在物理AI这个赛道，中国企业无论是在模型还是数据层面，相比文本大模型时期，都更接近世界前沿。如果能凭借在数据和应用场景方面的丰富优势，加快迭代速度，那么在具身智能、AI硬件等领域，无论是应用于工业、医疗还是家庭，都有更大的机会达到领先水平，并孕育出世界级的企业。