OpenAI e Google exibiram sua tecnologia de IA mais recente nesta semana. Nos últimos dois anos, as empresas de tecnologia correram para tornar os modelos de IA mais inteligentes, mas agora um novo foco surgiu: torná-los multimodais. OpenAI e Google estão focando em IA que pode alternar perfeitamente entre sua boca, olhos e ouvidos robóticos.
“Multimodal” é a palavra da moda, já 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. Assim, as empresas esperam 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 estranhamente 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 analisando um problema matemático através da câmera do telefone, enquanto um membro da equipe da OpenAI pedia verbalmente ao chatbot para guiá-los. A OpenAI diz que está sendo lançado agora para os usuários Premium.
No dia seguinte, o Google revelou o Projeto Astra, que prometeu fazer basicamente 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 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. No entanto, o Google diz que isso está em estágios iniciais e até menciona alguns desafios atuais que a OpenAI superou.
“Ainda estamos fazendo progressos incríveis no desenvolvimento de sistemas de IA que podem entender informações multimodais, mas 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 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 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, baseado em linguagem, pudesse entender esses diferentes meios. Parece que o Google ainda pode estar usando modelos de IA múltiplos para realizar essas tarefas, dado os tempos de resposta mais lentos.
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, o Rabbit R1 e os Meta Ray-Bans são exemplos de dispositivos habilitados para IA que utilizam esses diversos 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 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 finalmente tira o peso de você para transcrever o mundo para um LLM e permite que a IA “veja” e “ouça” o mundo por si mesma.
