OpenAI e Google apresentaram esta semana suas mais recentes e avançadas tecnologias de IA. 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 trabalhando em IA que pode alternar perfeitamente entre sua boca, olhos e ouvidos robóticos.
“Multimodal” é a palavra da moda no momento, pois as empresas de tecnologia fazem apostas na forma mais envolvente de seus modelos de IA em sua vida cotidiana. Os chatbots de IA perderam o brilho desde o lançamento do ChatGPT em 2022. Portanto, 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 sendo feita de forma eficaz, 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 divulgou a capacidade do modelo de processar vídeo juntamente com áudio. A demonstração mostrou o ChatGPT olhando para um problema de matemática através de uma câmera de telefone, enquanto um membro da equipe da OpenAI verbalmente pedia para o chatbot explicar passo a passo. A OpenAI diz que está lançando agora para usuários Premium.
No dia seguinte, o Google lançou o Projeto Astra, que prometia fazer algo semelhante. Florence Ion, do Gizmodo, utilizou a IA multimodal para identificar corretamente que flores de mentira ela estava olhando, identificando-as 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 está em estágios iniciais, no entanto, e até aponta alguns desafios atuais que a OpenAI superou.
“Ao mesmo tempo em que fizemos progressos incríveis desenvolvendo sistemas de IA que podem entender informações multimodais, reduzir o tempo de resposta para algo mais 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 se mostrou 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 na liderança.
Um diferencial chave para o GPT-4o é que o único modelo de IA pode processar áudio, vídeo e texto nativamente. 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 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 abraçam a IA multimodal. O Humane AI Pin, Rabbit R1 e Meta Ray-Bans são exemplos de dispositivos habilitados para IA que utilizam esses vários meios. Esses dispositivos prometem nos tornar menos dependentes de smartphones, embora seja possível que a Siri e o Google Assistant também sejam em breve potencializados com IA multimodal.
A IA multimodal provavelmente é algo que você ouvirá muito mais nos próximos meses e anos. Seu desenvolvimento e integração em produtos poderiam tornar a IA significativamente mais útil. A tecnologia, por fim, 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.
