OpenAI e Google exibiram suas mais recentes e avançadas tecnologias de IA nesta semana. 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 focando em uma 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 no seu dia a dia. Os chatbots de IA perderam seu 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 uma IA multimodal feita de forma eficaz, parece que a ficção científica se tornou realidade.
Na segunda-feira, a OpenAI mostrou o GPT-4 Omni, que lembrava estranhamente o filme distópico sobre a perda da conexão humana “Her”. Omni significa “onicanal”, e a OpenAI divulgou 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 celular, enquanto um membro da equipe da OpenAI pedia verbalmente ao chatbot para guiá-los através dele. 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 utilizou a IA multimodal para identificar quais flores falsas ela estava olhando, que identificou corretamente como tulipas. No entanto, o Projeto Astra parecia um pouco mais lento do que o GPT-4 e a voz era muito mais robótica. Mais Siri do que “Her”, mas vou deixar você decidir se isso é bom. O Google diz que isso está em estágios iniciais, no entanto, e até aponta alguns desafios atuais que a OpenAI superou.
“Embora tenhamos feito um progresso incrível 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 um post no blog.
Agora, você pode se lembrar do vídeo demo 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-4. A IA multimodal representa a próxima grande corrida no desenvolvimento de IA, e a OpenAI parece estar vencendo.
Um diferencial chave para o GPT-4 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, dadas as respostas mais lentas.
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, o Rabbit R1 e os Meta Ray-Ban são exemplos de dispositivos habilitados para IA que utilizam esses diferentes meios. Esses dispositivos prometem nos tornar menos dependentes de smartphones, embora seja possível que a Siri e o Google Assistant também sejam em breve capacitados com IA multimodal.
É provável que você ouça muito mais sobre IA multimodal nos próximos meses e anos. Seu desenvolvimento e integração em produtos podem tornar a IA significativamente mais útil. A tecnologia basicamente retira de você o peso de transcrever o mundo para um LLM e permite que a IA “veja” e “ouça” o mundo por si mesma.
