OpenAI e Google mostraram sua mais recente e avançada tecnologia de IA esta semana. Nos últimos dois anos, as empresas de tecnologia têm competido para tornar os modelos de IA mais inteligentes, mas agora um novo foco surgiu: torná-los multimodais. OpenAI e Google estão se concentrando em IA que pode alternar perfeitamente entre sua boca robótica, seus olhos e ouvidos.
“Multimodal” é a palavra da moda à medida que as empresas de tecnologia apostam na forma mais atraente de seus modelos de IA em sua vida cotidiana. Os chatbots de IA perderam o brilho desde o lançamento do ChatGPT em 2022. Portanto, as empresas esperam que falar e compartilhar visualmente coisas com um assistente de IA seja mais natural do que digitar. Quando você vê a IA multimodal bem feita, parece que a ficção científica se tornou realidade.
Na segunda-feira, a OpenAI apresentou o GPT-4 Omni, que lembrava vagamente o filme distópico sobre a conexão humana perdida “Her”. Omni significa “omninChannel”, e a OpenAI destacou a capacidade do modelo de processar vídeo junto com áudio. A demonstração mostrou o ChatGPT olhando para um problema de matemática através da câmera do telefone, enquanto um membro da equipe da OpenAI pedia verbalmente ao chatbot para guiá-los. A OpenAI diz que está lançando agora para usuários Premium.
No dia seguinte, o Google revelou o Projeto Astra, que prometia fazer basicamente a mesma coisa. Florence Ion do Gizmodo usou a IA multimodal para identificar que flores falsas ela estava olhando, que identificou corretamente como tulipas. No entanto, o Projeto Astra parecia um pouco mais lento que o GPT-4o, e a voz era muito mais robótica. Mais Siri do que “Her”, mas deixo você decidir se isso é algo bom. O Google diz que isso está em estágios iniciais, no entanto, e até destaca alguns desafios atuais que a OpenAI superou.
“Ainda que tenhamos feito um progresso incrível no desenvolvimento de sistemas de IA que possam entender informações multimodais, reduzir o tempo de resposta para algo conversacional é um desafio de engenharia difícil,” disse o Google em um post no blog.
Agora, você pode se lembrar do vídeo de demonstração do Google Gemini de dezembro de 2023 que acabou sendo altamente manipulado. Seis meses depois, o Google ainda não está pronto para lançar o que mostrou naquele vídeo, mas a OpenAI está avançando rapidamente com o GPT-4o. A IA multimodal representa a próxima grande corrida no desenvolvimento de IA, e a OpenAI parece estar ganhando.
Um diferencial chave para o GPT-4o é que o único modelo de IA pode processar nativamente áudio, vídeo e texto. Anteriormente, a OpenAI precisava de modelos de IA separados para traduzir fala e vídeo em texto para que o GPT-4, baseado em linguagem, pudesse entender esses diferentes meios. Parece que o Google ainda pode estar usando vários modelos de IA para realizar essas tarefas, dada as respostas mais lentas.
Também vimos uma adoção mais ampla dos vestíveis de IA à medida que as empresas de tecnologia abraçam a IA multimodal. O Pin Humane AI, o Rabbit R1 e os Meta Ray-Bans são todos exemplos de dispositivos habilitados para IA que utilizam esses diversos meios. Esses dispositivos prometem nos tornar menos dependentes dos smartphones, embora seja possível que Siri e o Google Assistant também sejam capacitados com IA multimodal em breve.
É provável que você ouça muito mais sobre a IA multimodal nos próximos meses e anos. Seu desenvolvimento e integração em produtos podem tornar a IA significativamente mais útil. A tecnologia acaba tirando de você o peso de transcrever o mundo para um LLM e permite que a IA “veja” e “ouça” o mundo por si mesma.
