OpenAI e Google apresentaram esta semana suas mais recentes e avançadas tecnologias de inteligência artificial. 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 uma IA que pode alternar facilmente entre sua boca robótica, olhos e ouvidos.
“Multimodal” é a palavra da moda à medida que as empresas de tecnologia fazem apostas 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. Por isso, as empresas estão esperando que falar e compartilhar visualmente coisas com um assistente de IA pareça mais natural do que digitar. Quando você vê uma IA multimodal bem feita, parece que a ficção científica se tornou realidade.
Na segunda-feira, a OpenAI apresentou o GPT-4 Omni, que lembrava de forma estranha 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 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 apresentou o Projeto Astra, que prometeu fazer aproximadamente a mesma coisa. Florence Ion, do Gizmodo, usou a IA multimodal para identificar quais flores falsas estava olhando, que identificou 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 para 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.
“Ainda que 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 mostrou 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, baseado em linguagem, pudesse entender esses diferentes meios. Parece que o Google ainda pode estar usando múltiplos modelos de IA para realizar essas tarefas, dada a lentidão das respostas.
Também vimos uma adoção mais ampla de dispositivos vestíveis de IA, conforme 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 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 você ouvirá muito mais nos próximos meses e anos. Seu desenvolvimento e integração em produtos poderiam tornar a IA significativamente mais útil. A tecnologia, em última instância, 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.
