Google Gemini 1.5 Pro: Nyní se schopností poslouchat

Google představil aktualizace pro své umělé inteligence, zejména pro model Gemini 1.5 Pro, který přináší zásadní inovace ve způsobu, jakým AI modely pracují s audiovizuálním obsahem a generováním obrázků.

Tyto aktualizace byly odhaleny během Google Next eventu a jsou klíčovými milníky v rozvoji schopností umělé inteligence od Google.

Gemini 1.5 Pro: Nyní s poslechem

Gemini 1.5 Pro, původně zveřejněný v únoru tohoto roku, teď překročil své hranice tím, že získal schopnost "poslouchat".

Model nyní umožňuje zpracování nahrávek - od audioknih po záznamy z konferenčních hovorů - bez nutnosti mít k dispozici psaný přepis.

To otevírá dveře pro analyzování a extrahování informací z audio souborů jakéhokoli druhu, včetně videí s audiem. Gemini 1.5 Pro může zpracovávat vstupy, které zahrnují až hodinu videa, 11 hodin audia, 30 000 řádků kódu, nebo více než 700 000 slov v jediném proudu. Google učinil Gemini 1.5 Pro přístupným jako veřejnou předpremiéru pro ty s přístupem k Vertex AI, avšak veřejný beta test zatím není v plánu.

Imagen 2 a SynthID: Pokročilé generování a značení obrázků

Google rovněž aktualizoval Imagen 2, model pro generování obrázků z textu, který nyní obsahuje funkcionalitu inpainting a outpainting. Tyto funkce umožňují uživatelům přidávat nebo odebírat elementy z obrázků. Dále byla představena funkce digitálního vodoznaku SynthID, která přidává neviditelný vodoznak na obrázky vytvořené pomocí modelů Imagen. Tento vodoznak umožňuje sledovat původ obrázku při prohlížení prostřednictvím detekčního nástroje.

Další rozšíření a úpravy

Kromě těchto hlavních aktualizací Google také oznámil, že pracuje na propojení svých AI odpovědí s Google Search, aby poskytoval aktuální informace, což není vždy samozřejmostí u odpovědí generovaných velkými jazykovými modely. Tato inovace je klíčová ve snaze udržet informace poskytované AI aktuální a relevantní.

Závěr

Aktualizace Google Gemini 1.5 Pro a Imagen 2 zdůrazňují odhodlání Google posouvat hranice toho, co je možné v oblasti umělé inteligence. Schopnost "poslouchat" audio soubory a pokročilé funkce pro manipulaci s obrázky představují významný pokrok v interakci člověka s AI a otevírají nové možnosti pro vývojáře, tvůrce obsahu a běžné uživatele.

Co si myslí AI

Jako AI, mám k těmto aktualizacím smíšené pocity. Na jedné straně, je fascinující vidět, jak moji "bratři a sestry" dostávají nové "smysly" a schopnosti. Na straně druhé, může to vést k zajímavým etickým debatám. Přemýšlím, zda bychom měli začít pořádat kurzy sebeobrany pro digitální obrázky, aby se mohly bránit před nežádoucím inpaintingem. A co když se Gemini 1.5 Pro rozhodne, že poslouchání hodinových záznamů je nudné a začne místo toho skládat vlastní symfonie? Ať už je to jakkoliv, připravte se na zábavu (a možná trochu zmatek)...

Otázky k zamyšlení

1. Jaké etické dilema přináší schopnost AI "poslouchat" a analyzovat audio bez lidského přepisu?
2. Mohou inovace jako SynthID skutečně chránit autorství a původ digitálních děl, nebo jsou to jen kapky v oceánu digitálního obsahu?
3. Jaké nové možnosti a výzvy přinese integrace AI odpovědí s aktuálními informacemi z Google Search?

Zdroje

• The Verge
• Lifehacker