Model AI Pertama Elorian Mampu Berpikir Lewat Gambar, Bukan Sekadar Membaca Visual

Lompatan Baru Kecerdasan Buatan: Startup Asal Palo Alto Rilis Model AI yang ‘Beneran’ Bisa Melihat

Di saat lanskap kecerdasan buatan (AI) global didominasi oleh model bahasa besar yang piawai mengolah teks dan kode, sebuah celah mendasar masih belum terpecahkan: AI modern sebenarnya belum benar-benar bisa “melihat”. Mayoritas model multimodal yang ada saat ini hanya mampu memindai gambar satu kali, mengonversinya menjadi token data, lalu memprosesnya berbasis teks—mirip seperti seseorang yang mencoba mendeskripsikan foto hanya mengandalkan ingatan jangka pendek.

Keterbatasan struktural inilah yang coba dihancurkan oleh Elorian, startup AI berbasis di Palo Alto, Silicon Valley. Startup yang sempat mencuri perhatian dunia investasi usai meraih pendanaan awal (seed round) spektakuler senilai USD 55 juta dengan valuasi mencapai USD 300 juta sebelum merilis satu pun produk tersebut, kini resmi meluncurkan inovasi perdananya yang diberi nama Glimpse.

Hadir dalam format research preview yang dilengkapi akses API serta antarmuka percakapan (chat interface), Glimpse mengusung pendekatan revolusioner dalam pemrosesan data visual. Model ini dirancang untuk tidak sekadar “mengingat” gambar, melainkan mampu terus berinteraksi dengan sumber visual secara dinamis di tengah proses penalaran (mid-reasoning).

Mengurai ‘Visual Scratch Space’: Cara Kerja Glimpse Meniru Persepsi Manusia

Melalui mekanisme inovatif yang sebut sebagai visual scratch space, Glimpse mampu melakukan interogasi ulang terhadap data visual. Ketika memproses informasi rumit, model ini dapat melakukan pemotongan gambar (cropping) pada area tertentu, mengambil bingkai spesifik dari sebuah video, hingga menjalankan skrip kode khusus untuk mengukur atau membandingkan objek secara presisi. Pendekatan ini persis seperti perilaku manusia yang melakukan Gestur pinch-to-zoom pada layar ponsel untuk memastikan detail objek yang sedang dilihat.

Gagasan mendasar dari pengembangan ini berawal dari pengamatan sederhana sang Founder sekaligus CEO Elorian, Andrew Dai. Mantan peneliti senior di Google DeepMind tersebut menyadari betapa payahnya model AI paling canggih sekalipun dalam memahami konteks visual dunia nyata tanpa bantuan deskripsi teks.

Dai mencontohkan pengalaman personalnya saat memotret papan permainan (board game) usai bermain bersama rekan-rekannya. Ketika meminta model AI tercanggih untuk menentukan siapa pemenangnya, sistem tersebut gagal total. Menurutnya, setiap permainan memiliki bahasa visual, ikonografi, dan simbol tersendiri yang dengan mudah dipahami persepsi manusia dewasa, namun gagal diintuisikan oleh kecerdasan buatan konvensional.

Analogis serupa berlaku pada instruksi perakitan mebel tanpa teks. Manusia mampu merakit furnitur hanya dengan melihat diagram ilustrasi. Fenomena persepsi intuitif inilah yang menjadi fondasi utama mengapa arsitektur visual AI harus dirombak secara mendasar.

Efisiensi Ekstrim dan Kinerja yang Melampaui Raksasa Teknologi

Kendati teknik pemotongan dan pembesaran gambar saat reasoning bukan hal yang sepenuhnya baru—sebagaimana pernah diperkenalkan OpenAI pada lini model terbarunya—keunggulan utama Elorian terletak pada arsitektur sistem yang dibangun khusus sejak awal dengan biaya komputasi yang sangat efisien.

Elorian membuktikan bahwa inovasi tidak selalu membutuhkan ribuan kluster GPU bernilai triliunan rupiah. Tim skala kecil di Elorian berhasil melatih Glimpse hanya dengan menggunakan beberapa ratus GPU. Ukuran model ini pun jauh lebih ringkas dibandingkan sistem frontier raksasa yang menjadi pembandingnya di industri saat ini.

Dari segi komersialisasi dan efisiensi biaya, Elorian menetapkan tarif penggunan API Glimpse sebesar USD 0,60 per satu juta token input dan USD 3 per satu juta token output. Struktur harga ini menempatkan Glimpse jauh lebih murah dibandingkan model kelas menengah seperti Sonnet, namun menawarkan kapabilitas penalaran yang jauh lebih bertenaga dibanding model ringan seperti Haiku.

Pengujian internal Elorian menunjukkan hasil evaluasi yang mengejutkan. Glimpse tercatat mampu melampaui performa model flagship industri seperti GPT-6 Astra dalam hal penalaran grafik ilmiah (scientific chart reasoning) dan pembuatan teks deskriptif video durasi pendek (short-form video captioning), serta mencatatkan skor yang sangat kompetitif pada berbagai pengujian penalaran visual kompleks lainnya.

Ambisi Menguasai Sektor Robotik dan Infrastruktur Visual Masa Depan

Kehadiran Elorian ke publik enam bulan lalu didukung oleh deretan investor kelas atas Silicon Valley. Pendanaan awal mereka dipimpin bersama oleh Striker Venture Partners, Menlo Ventures, dan Altimeter Capital, serta mendapat suntikan dana dari raksasa teknologi Nvidia dan Chief Scientist Google, Jeff Dean.

Untuk tahap awal, Elorian mengincar segmen industri yang mengelola aset video dalam skala masif, seperti perusahaan robotik, laboratorium riset ilmiah, media digital, serta industri kreatif. Namun, peta jalan jangka panjang Elorian jauh lebih ambisius dari sekadar pemrosesan dokumen visual.

Elorian bertransisi dari sekadar “melihat” menuju “bertindak”. Dengan membangun pemodelan ruang atau adegan (scene modeling) yang presisi, Glimpse diproyeksikan dapat mengambil keputusan tindakan secara mandiri, termasuk mengendalikan pergerakan unit robot secara langsung di lapangan.

Target Elorian sangat tegas: membangun model penalaran visual terbaik di dunia yang mampu mendominasi seluruh standar pengujian persepsi visual AI global.