A OpenAI e o Google apresentaram sua mais recente e avançada tecnologia de IA nesta semana. Nos últimos dois anos, empresas de tecnologia têm competido 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 perfeitamente entre sua boca, olhos e ouvidos robóticos.
“Multimodal” é a maior palavra da moda, à medida que empresas de tecnologia apostam na forma mais atraente de seus modelos de IA no seu cotidiano. Os chatbots de IA perderam seu brilho desde o lançamento do ChatGPT em 2022. Por isso, 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 a ficção científica se tornando realidade.
Na segunda-feira, a OpenAI apresentou o GPT-4 Omni, que lembrava estranhamente o filme distópico sobre a perda da conexão humana “Her”. Omni significa “omnicanal”, e a OpenAI destacou a capacidade do modelo de processar vídeo juntamente 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. A OpenAI diz que está sendo lançado agora para usuários Premium.
No dia seguinte, o Google revelou o Project Astra, que prometia fazer praticamente a mesma coisa. Florence Ion, do Gizmodo, usou a IA multimodal para identificar que flores falsas ela estava olhando, que foram corretamente identificadas como tulipas. No entanto, o Project Astra parecia um pouco mais lento do que o GPT-4o, e a voz parecia mais robótica. Mais Siri do que “Her”, mas deixo você decidir se isso é uma coisa boa. O Google diz que isso está em estágios iniciais, no entanto, e até destaca alguns desafios atuais que a OpenAI superou.
“Enquanto fizemos 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 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 rapidamente 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 crucial 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 vários modelos de IA para realizar essas tarefas, dada a lentidão na resposta.
Também vimos uma adoção mais ampla de dispositivos vestíveis de IA à medida que 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 dos smartphones, embora seja possível que a Siri e o Google Assistant também sejam em breve potencializados com IA multimodal.
A IA multimodal é algo sobre o qual você provavelmente ouvirá muito mais nos meses e anos futuros. Seu desenvolvimento e integração em produtos podem tornar a IA significativamente mais útil. A tecnologia, em última análise, tira de você o peso de transcrever o mundo para um LLM e permite que a IA “veja” e “ouça” o mundo por si mesma.
