OpenAI e Google mostraram sua mais recente e avançada tecnologia de IA nesta semana. Nos últimos dois anos, as 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 concentrando esforços em IA que pode alternar perfeitamente entre sua boca robótica, olhos e ouvidos.
“Multimodal” é a palavra da moda, pois as empresas de tecnologia fazem apostas 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. Portanto, as empresas esperam que falar e compartilhar visualmente coisas com um assistente de IA pareça mais natural do que digitar. Quando você vê a IA multimodal sendo bem-sucedida, parece a ficção científica ganhando vida.
Na segunda-feira, a OpenAI apresentou o GPT-4 Omni, que lembra estranhamente o filme distópico sobre a perda de conexão humana “Her”. Omni significa “omnicanal”, e a OpenAI enfatizou 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 para o chatbot explicar. A OpenAI diz que está sendo lançado agora para usuários Premium.
No dia seguinte, o Google revelou o Projeto Astra, que prometeu fazer algo semelhante. Florence Ion, do Gizmodo, usou a IA multimodal para identificar corretamente quais flores falsas ela estava olhando, que foram identificadas 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 ainda está em estágios iniciais e aponta alguns desafios atuais que a OpenAI superou.
“Ainda que 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 um post de blog.
Agora você pode se lembrar do vídeo de demonstração do Gemini do Google em 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 vencendo.
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 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, dado os tempos de resposta mais lentos.
Também vimos uma maior adoção 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 diferentes meios. Esses dispositivos prometem nos tornar menos dependentes de smartphones, embora seja possível que Siri e Google Assistant também sejam em breve capacitados 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 o peso de você de transcrever o mundo para um LLM e permite que a IA “veja” e “ouça” o mundo por si mesma.
