OpenAI e Google apresentaram esta semana suas mais recentes e melhores tecnologias de IA. Nos últimos dois anos, as empresas de tecnologia correram para tornar os modelos de IA mais inteligentes, mas agora um novo foco surgiu: torná-los multimodais. OpenAI e Google estão concentrando esforços em uma IA que pode alternar perfeitamente entre sua boca, olhos e ouvidos robóticos.
“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. Então, as empresas estão esperando que conversar e compartilhar visualmente coisas com um assistente de IA pareça mais natural do que digitar. Quando você vê uma IA multimodal bem feita, parece que a ficção científica se tornou realidade.
Na segunda-feira, a OpenAI apresentou o GPT-4 Omni, que lembrou estranhamente o filme distópico sobre conexão humana perdida “Her”. Omni significa “omnicanal”, e a OpenAI destacou a capacidade do modelo de processar vídeo junto com áudio. A demonstração mostrou o ChatGPT olhando para um problema matemático através da câmera do telefone, enquanto um membro da equipe da OpenAI pedia verbalmente ao chatbot para guiá-lo. A OpenAI diz que está lançando agora para usuários Premium.
No dia seguinte, o Google revelou o Projeto Astra, que prometia fazer aproximadamente a mesma coisa. Florence Ion, do Gizmodo, usou a IA multimodal para identificar que flores artificiais ela estava olhando, e o sistema corretamente identificou 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 permito que você decida se isso é algo bom. O Google diz que isso ainda está em estágios iniciais e até menciona alguns desafios atuais que a OpenAI superou.
“Embora tenhamos feito progressos incríveis no desenvolvimento de sistemas de IA que podem entender informações multimodais, reduzir o tempo de resposta para algo conversacional é um desafio difícil de engenharia”, disse o Google em um post de 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 com o GPT-4o. A IA multimodal representa a próxima grande corrida no desenvolvimento de IA, e a OpenAI parece estar ganhando.
Um diferencial fundamental para o GPT-4o é que o modelo de IA único 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 subjacente, baseado em linguagem, pudesse entender esses diferentes formatos. Parece que o Google ainda pode estar usando vários modelos de IA para realizar essas tarefas, dada a menor taxa de resposta.
Também vimos uma adoção mais ampla de dispositivos vestíveis de IA, à medida que as empresas de tecnologia adotam a IA multimodal. O Humane AI Pin, Rabbit R1 e Meta Ray-Bans são exemplos de dispositivos habilitados para IA que utilizam esses diversos formatos. Esses dispositivos prometem nos tornar menos dependentes de smartphones, embora seja possível que Siri e Google Assistant também sejam em breve potencializados com IA multimodal.
A IA multimodal é algo que provavelmente ouviremos muito mais 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 própria.
