Google Gemini
Na Inteligência artificial, o Gemini é uma família de modelos de linguagem grande (LLMs) multimodais e um chatbot de inteligência artificial generativa, desenvolvido pelo Google em 2023 baseado na família de modelos LaMDA. Foi criado como uma resposta direta ao súbito e massivo sucesso do ChatGPT da OpenAI.
Antecedentes
Em novembro de 2022, a OpenAI lançou o ChatGPT, um chatbot baseado na família GPT-3 de modelos de linguagem grande (LLM). Após o seu lançamento, o ChatGPT despertou o interesse mundial, alcançando uma ampla repercussão na rede mundial de computadores, tornando-se o aplicativo de consumo com o crescimento mais rápido da história. Diante do possível risco do ChatGPT para o Google Busca, seu principal produto e fonte de receita, os diretores executivos do Google acionaram um sinal de "código vermelho", uma medida de emergência interna para mobilizar diversas equipes e acelerar drasticamente os esforços da empresa no campo da inteligência artificial (IA). A preocupação era que uma interface de conversação pudesse substituir a necessidade de uma busca tradicional baseada em links, o que representava uma ameaça existencial ao modelo de negócios da companhia. Em uma ação rara e inédita, os cofundadores do Google, Larry Page e Sergey Brin, que haviam se afastado dos cargos de co-CEOs da empresa-mãe Alphabet em 2019, foram chamados para reuniões urgentes com os executivos da empresa para definir a estratégia do Google frente ao ChatGPT e aprovar novos planos de integração de IA em seus produtos.
Lançamento
O Google anunciou oficialmente a IA com o nome Bard em 6 de fevereiro de 2023, com Sundar Pichai descrevendo-o como um "serviço de IA conversacional experimental". O lançamento inicial foi limitado a um pequeno grupo de "testadores confiáveis" nos Estados Unidos e no Reino Unido, com planos de expansão gradual. O lançamento foi visto pela imprensa como apressado, ocorrendo um dia antes do anúncio da Microsoft sobre a integração do ChatGPT ao seu buscador Bing. A pressão competitiva ficou evidente quando, durante uma demonstração do Bard em um anúncio promocional, o chatbot forneceu uma resposta factualmente incorreta sobre o Telescópio Espacial James Webb. Esse erro foi amplamente divulgado e contribuiu para uma queda de 100 bilhões de dólares no valor de mercado da Alphabet no dia seguinte, destacando os riscos e a intensa fiscalização sobre a precisão da tecnologia.
Evolução da marca
A mudança mais significativa na trajetória do produto ocorreu em 6 de dezembro de 2023, quando o Google apresentou o Gemini. O anúncio destacou que o Gemini Ultra superava o GPT-4 da OpenAI em 30 de 32 benchmarks acadêmicos amplamente utilizados. Em 8 de fevereiro de 2024, o Google consolidou sua estratégia de marca de IA, aposentando o nome "Bard" e renomeando o chatbot para Gemini. Simultaneamente, a marca "Duet AI", usada para funcionalidades de IA no Google Workspace e Google Cloud, também foi unificada sob a bandeira Gemini. Nesta data, foi lançado o Gemini Advanced, um nível de assinatura premium que dá acesso a versão mais poderosa do modelo, o Gemini Ultra 1.0. Este serviço foi integrado a um novo plano do Google One chamado "AI Premium".
Imagem: Google · CC0 · Openverse
A família de modelos Gemini representa um salto significativo em relação às arquiteturas anteriores como LaMDA e PaLM. Baseada em uma arquitetura Transformer otimizada, sua principal inovação é a natureza nativamente multimodal.
Multimodalidade nativa
Ao contrário de modelos anteriores que eram treinados primariamente em texto e depois adaptados para outras modalidades (geralmente conectando modelos distintos para cada tarefa), o Gemini foi pré-treinado desde o início com dados de múltiplas modalidades entrelaçados (interleaved). Isso significa que o modelo aprendeu a processar e a encontrar padrões em texto, imagens, áudio, vídeo e código de forma conjunta e unificada, dentro de uma única rede neural. Essa abordagem permite uma compreensão e raciocínio mais fluidos e sofisticados sobre informações heterogêneas. Por exemplo, o Gemini pode analisar um gráfico em uma imagem (visual), ler o texto explicativo (texto), e gerar código Python para replicar os resultados (código), tudo em uma única consulta.
Treinamento e infraestrutura
O treinamento foi realizado utilizando a infraestrutura de TPUs (Unidades de Processamento de Tensor) v4 e v5 do Google, que são ASICs customizados para cargas de trabalho de aprendizado de máquina. O treinamento de um modelo da escala do Gemini Ultra exigiu o uso de múltiplos pods de TPUs, coordenados em uma infraestrutura massivamente paralela. O conjunto de dados de treinamento não foi divulgado em detalhes por razões competitivas, mas é descrito no relatório técnico como sendo multimodal e de escala massiva, composto por bilhões de documentos da web, livros, código-fonte, imagens, áudio e vídeos. O processo de treinamento incluiu técnicas avançadas de ajuste fino, como o aprendizagem por reforço com feedback humano (RLHF), para alinhar as respostas do modelo com as preferências humanas em termos de utilidade e segurança.
Janela de contexto
A versão 1.5 Pro possuía sua janela de contexto, que começou com 128 mil tokens e foi expandida para 1 milhão de tokens, com testes internos mostrando a viabilidade de até 10 milhões de tokens. A janela de contexto refere-se à quantidade de informação (tokens) que o modelo pode considerar de uma só vez ao gerar uma resposta. Uma janela de 1 milhão de tokens permite que o Gemini analise e raciocine sobre volumes de dados sem precedentes em uma única solicitação, como um livro de 1.500 páginas, uma base de código com dezenas de arquivos, ou uma hora inteira de vídeo, mantendo a coerência e a relevância em suas respostas.
Imagem: Esaizar · BY-SA · Openverse
A estratégia do Google foi criar uma família de modelos otimizada para diferentes casos de uso, desde grandes centros de dados até dispositivos móveis.
O desenvolvimento e lançamento do Gemini foram acompanhados por um intenso foco em segurança e por controvérsias significativas que destacaram os desafios da IA generativa.
Abordagem de segurança
O Google afirma seguir um conjunto de Princípios de IA e implementar um ciclo de vida de desenvolvimento robusto para segurança. Isso inclui a criação de classificadores de segurança específicos para identificar e filtrar conteúdo prejudicial (como discurso de ódio ou desinformação), e a realização de red teaming, onde equipes internas e externas tentam ativamente "quebrar" o modelo para descobrir vulnerabilidades antes do lançamento. Apesar dessas medidas, os modelos de grande escala ainda enfrentam desafios como "alucinações" (geração de informações factualmente incorretas) e a reprodução de vieses presentes nos dados de treinamento.
Controvérsia da geração de imagens
Em fevereiro de 2024, após o lançamento da ferramenta de geração de imagens (usando o modelo Imagen 2), usuários relataram imprecisões históricas e raciais. O problema surgiu de uma tentativa de "correção de rumo" excessiva para garantir diversidade. Por exemplo, ao solicitar imagens de soldados alemães em 1943, o modelo gerava imagens de soldados negros ou asiáticos com uniformes nazistas. Ao pedir por "pais fundadores dos Estados Unidos", gerava imagens de pessoas não brancas. As imprecisões levaram o Google a suspender a funcionalidade de geração de imagens de pessoas. A empresa reconheceu que os controles de diversidade foram mal calibrados, não levando em conta contextos onde a precisão histórica é primordial. Na ocasião, o CEO Sundar Pichai, em um memorando interno, declarou que os equívocos gerados pela ferramenta eram "completamente inaceitáveis".
Imagem: Aliharchick · BY-SA · Openverse
A estratégia do Google com Gemini é infundir IA em todos os seus principais produtos, fazer a integração no ecossistema Google, transformando a experiência do usuário e do desenvolvedor. Em 6 de dezembro de 2023, o Google apresentou o Gemini, um poderoso modelo de IA multimodal, integrado ao Bard, que na época passou a rodar com Gemini Pro, e definido para alimentar o “Bard Advanced” em 2024. O Bard, com uma média de 220 milhões de visitantes mensais, ganhou recursos de geração de imagens usando o modelo Imagen 2 do Google Brain em fevereiro de 2024. Em 8 de fevereiro de 2024, o Google unificou o Bard e o Duet AI sob a marca Gemini, lançou um aplicativo móvel no Android e integrou o serviço ao Google app no iOS. Os usuários do Android viram o Gemini substituir o Assistant como o assistente virtual padrão. O Google também apresentou o “Gemini Advanced with Ultra 1.0” por meio de uma assinatura “Google One AI Premium” e integrou o Gemini ao seu aplicativo Messages.
No Google Workspace e Chrome
A integração mais proeminente para consumidores e empresas é no Google Workspace. Sob a marca "Gemini for Workspace", a IA atua como um assistente de produtividade. No Gmail, ajuda a redigir, resumir e responder e-mails. No Google Docs, funciona como um parceiro de escrita, gerando rascunhos e reescrevendo textos. No Google Sheets, ajuda a organizar dados e criar fórmulas complexas. No Google Slides, gera imagens e layouts para apresentações. No Google Meet, fornece resumos de reuniões e tradução em tempo real. O navegador Google Chrome também integrou o Gemini para permitir resumos de páginas e assistência de escrita diretamente na barra de endereços.
No Android e para desenvolvedores
No Android, o Gemini está posicionado para ser o sucessor do Google Assistente. O aplicativo Gemini dedicado permite uma interação mais rica e contextual. A integração com o sistema operacional é aprofundada pelo Gemini Nano, que permite processamento de IA no próprio dispositivo, garantindo privacidade e velocidade para tarefas como transcrições e respostas inteligentes. Para desenvolvedores, o Google oferece acesso aos modelos Gemini através da plataforma Google Cloud, especificamente via Vertex AI e Google AI Studio. O AI Studio fornece uma interface web para prototipagem rápida, enquanto o Vertex AI oferece uma plataforma completa para construir, treinar, ajustar (fine-tune) e implantar modelos de IA em escala empresarial, com controle total sobre os dados e a infraestrutura.
