Gemini 1.0: la respuesta multimodal de Google (2023)
Google reunió sus esfuerzos de IA bajo el nombre Gemini, una familia nativamente multimodal pensada para rivalizar con GPT-4, y aprendió con cuánto detalle se examinarían ya las demos de lanzamiento.
El 6 de diciembre de 2023, Google DeepMind anunció Gemini 1.0, la respuesta más directa de la compañía a GPT-4. Se presentó como una sola familia en tres tamaños, desde una versión compacta pensada para teléfonos hasta un modelo de gama alta dirigido de lleno a la frontera.
Multimodal desde el inicio
El argumento de Google era que Gemini era nativamente multimodal: en lugar de acoplar el manejo de imágenes a un modelo de texto, se diseñó desde el principio para trabajar con texto, imágenes, audio y más. En la práctica es una diferencia de grado más que de tipo, pues GPT-4 ya era multimodal, pero señalaba hacia dónde iba la carrera de los grandes modelos de lenguaje: hacia asistentes que tratan distintos tipos de entrada como uno solo.
El lanzamiento también unificó las dispersas marcas de IA de Google bajo un nombre. El asistente de consumo antes llamado Bard pasó a la etiqueta Gemini, y los modelos se preveían en los productos de Google, de la búsqueda a los teléfonos Android.
La polémica de la demo
El anuncio se apoyó en un vídeo pulido en el que Gemini parecía reaccionar, en tiempo real, a dibujos y objetos. Pronto se reveló que la demo había sido editada: las consignas eran en parte texto, y las respuestas estaban aceleradas y recortadas. Google reconoció que el vídeo no era una captura en tiempo real.
El episodio se convirtió en una pequeña lección de la época. Con tanto dinero y atención en juego en cada lanzamiento, los materiales promocionales se examinaban ahora tan de cerca como los modelos, y la brecha entre una demo pulida y el comportamiento cotidiano se volvió noticia en sí misma.
Por qué importa
Gemini confirmó que la carrera de asistentes impulsada por el Transformer era ya una contienda entre las mayores tecnológicas, no el proyecto de un solo laboratorio. Google tenía los datos, la distribución y el hardware para competir, y Gemini era el vehículo.
También marcó el momento en que la multimodalidad pasó a ser requisito básico en lugar de titular. A partir de ahí, de un modelo de frontera serio se esperaba que viera y oyera, no solo que leyera.