OpenAI e Google apresentaram sua mais recente e poderosa tecnologia de IA nesta semana. Nos últimos dois anos, empresas de tecnologia competiram para tornar os modelos de IA mais inteligentes, mas agora surgiu um novo foco: 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 fazem apostas na forma mais atraente de seus modelos de IA no seu dia a dia. Os chatbots de IA perderam o brilho desde o lançamento do ChatGPT em 2022. Assim, as empresas estão esperando que conversar e compartilhar visualmente coisas com um assistente de IA seja 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 lembrava estranhamente o filme distópico sobre a perda de conexão humana “Her”. Omni significa “omnicanal”, e a OpenAI elogiou 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 explicar. A OpenAI diz que está lançando agora para os usuários Premium.
No dia seguinte, o Google revelou o Projeto Astra, que prometia fazer algo semelhante. Florence Ion, do Gizmodo, usou a IA multimodal para identificar que flores falsas estava olhando, sendo corretamente identificadas 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 observa alguns desafios atuais superados pela OpenAI.
“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 de engenharia difícil”, disse o Google em uma postagem 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 vencendo.
Um diferencial importante 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 subjacente, que é 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 a lentidão das respostas.
Também vimos uma adoção mais ampla de dispositivos vestíveis de IA, à medida que as empresas de tecnologia abraçam a IA multimodal. O Humane AI Pin, Rabbit R1 e Meta Ray-Bans são todos exemplos de dispositivos habilitados para AI que utilizam esses vários meios. Esses dispositivos prometem nos tornar menos dependentes de smartphones, embora seja possível que Siri e Google Assistant em breve também sejam potencializados com IA multimodal.
A IA multimodal é provavelmente algo que você ouvirá muito mais nos próximos meses e anos. Seu desenvolvimento e integração em produtos poderiam tornar significativamente mais útil a IA. A tecnologia, em última análise, retira de você o peso de transcrever o mundo para um LLM e permite à IA “ver” e “ouvir” o mundo por si mesma.
