OpenAI e Google mostraram sua mais recente e incrível 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 concentrando seus esforços em IA que pode alternar facilmente 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 o 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 feita, parece que a ficção científica ganhou vida.
Na segunda-feira, a OpenAI apresentou o GPT-4 Omni, que lembra estranhamente o filme distópico sobre 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 do celular, enquanto um membro da equipe da OpenAI pedia verbalmente ao chatbot para explicar o problema. A OpenAI diz que está sendo lançado agora para usuários Premium.
No dia seguinte, o Google revelou o Projeto Astra, que prometia fazer mais ou menos a mesma coisa. Florence Ion, do Gizmodo, usou a IA multimodal para identificar quais flores falsas ela estava olhando, que foi corretamente identificada como tulipas. No entanto, o Projeto Astra parecia um pouco mais lento do 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 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 de blog.
Agora você pode se lembrar do vídeo de demonstração do Google Gemini de dezembro de 2023 que se revelou 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 fator 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, 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 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 capacitados com IA multimodal.
A IA multimodal é algo que você provavelmente ouvirá muito mais nos próximos meses e anos. Seu desenvolvimento e integração em produtos poderiam tornar a IA significativamente mais útil. A tecnologia acaba tirando o peso de você para transcrever o mundo para um LLM e permite que a IA “veja” e “ouça” o mundo por si só.
