OpenAI e Google apresentaram sua mais recente e avançada tecnologia de IA esta semana. Nos últimos dois anos, empresas de tecnologia têm corrido 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, olhos e ouvidos.
“Multimodal” é a maior 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 seu 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 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 estranhamente o filme distópico sobre a perda de conexão humana “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 de matemática através da câmera de um celular, enquanto um membro da equipe da OpenAI pedia verbalmente ao chatbot que explicasse. A OpenAI diz que está sendo lançado agora para usuários Premium.
No dia seguinte, o Google apresentou o Project Astra, que prometia fazer praticamente a mesma coisa. A Florence Ion do Gizmodo usou a IA multimodal para identificar quais flores falsas ela estava olhando, que foram corretamente identificadas como tulipas. No entanto, o Project 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 bom. O Google diz que isso está em estágios iniciais, no entanto, e até menciona alguns desafios atuais que a OpenAI superou.
“Ainda que tenhamos feito progressos incríveis no desenvolvimento de sistemas de IA que podem entender informações multimodais, conseguir 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 acelerando com o GPT-4o. A IA multimodal representa a próxima grande corrida no desenvolvimento de IA, e a OpenAI parece estar ganhando.
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 executar essas tarefas, dadas as longas vezes 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 todos exemplos de dispositivos habilitados para IA que utilizam esses vários meios. 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 ouvirá muito mais nos próximos meses e anos. Seu desenvolvimento e integração em produtos poderiam tornar a IA significativamente mais útil. A tecnologia finalmente tira de você o peso de transcrever o mundo para um LLM e permite a IA “ver” e “ouvir” o mundo por si mesma.
