2024 começa com uma onda de IA generativa

A comunidade de IA parece aparecer nas manchetes quase todos os dias. Os primeiros meses de 2024 foram empolgantes e repletos de novas inovações em IA. De novos modelos de linguagem grandes e poderosos a implantes cerebrais em humanos, 2024 está se tornando um ano marcante para a IA.

Estamos a ver a IA transformar setores, tornar a informação mais acessível e até dar os primeiros passos rumo à fusão entre as nossas mentes e as máquinas. Vamos recuar ao primeiro trimestre de 2024 e analisar mais de perto os progressos alcançados em IA em apenas alguns meses.

Os LLM estão em alta#

Os modelos de linguagem grandes (LLMs), desenvolvidos para compreender, gerar e manipular a linguagem humana com base em grandes quantidades de dados textuais, foram o destaque do primeiro trimestre de 2024. Muitas grandes empresas de tecnologia lançaram seus próprios LLMs, cada um com recursos exclusivos. O sucesso de LLMs anteriores, como o GPT-3, inspirou essa tendência. Veja alguns dos lançamentos de LLMs mais notáveis do início de 2024.

Claude 3 da Anthropic#

A Anthropic lançou o Claude 3 em 4 de março de 2024. O modelo Claude 3 está disponível em três versões: Opus, Sonnet e Haiku, cada uma voltada a mercados e finalidades diferentes. Haiku, o modelo mais rápido, é otimizado para respostas básicas e ágeis. Sonnet equilibra velocidade e inteligência e é voltado a aplicações empresariais. Opus, a versão mais capaz, foi projetado para tarefas de raciocínio complexas e liderou muitos benchmarks no lançamento.

Como explicamos em nossa análise do cartão do modelo Claude 3, o Claude 3 oferece vários recursos e melhorias:

• Conversas multilingues melhoradas: capacidades reforçadas em idiomas como espanhol, japonês e francês.
• Funcionalidades avançadas de visão: capacidade para processar vários formatos visuais.
• Menos recusas: demonstra maior compreensão e menos recusas desnecessárias, o que indica uma melhor compreensão do contexto.
• Janela de contexto alargada: oferece uma janela de contexto de 200K, mas consegue processar entradas com mais de 1 milhão de tokens, consoante as necessidades dos clientes.

Fig. 1. O Claude 3 compreende melhor o contexto do que as versões anteriores.

DBRX da Databricks#

O Databricks DBRX é um LLM aberto e de uso geral lançado pela Databricks em 27 de março de 2024. O DBRX apresenta bom desempenho em vários benchmarks, incluindo compreensão de linguagem, programação e matemática. Ele supera outros modelos estabelecidos, embora seja aproximadamente 40% menor do que modelos semelhantes.

Fig. 2. Comparação do DBRX com outros modelos.

O DBRX foi treinado usando previsão do próximo token com uma arquitetura de mistura de especialistas (MoE) refinada, que melhora significativamente a eficiência do treinamento e da inferência. A arquitetura permite que o modelo preveja com mais precisão a próxima palavra de uma sequência, consultando um conjunto diversificado de submodelos especializados (os “especialistas”). Esses submodelos são bons em lidar com diferentes tipos de informação ou tarefas.

Gemini 1.5 do Google#

Em 15 de fevereiro de 2024, o Google apresentou o Gemini 1.5, um modelo de IA multimodal e eficiente em termos computacionais, capaz de analisar grandes volumes de dados de texto, vídeo e áudio. O modelo mais recente é mais avançado em termos de desempenho, eficiência e recursos. Um dos principais destaques do Gemini 1.5 é seu avanço na compreensão de contextos longos. O modelo é capaz de processar consistentemente até 1 milhão de tokens. Os recursos do Gemini 1.5 também se devem a uma nova arquitetura baseada em MoE.

Fig. 3 Comparação dos comprimentos de contexto de LLMs populares

Veja alguns dos recursos mais interessantes do Gemini 1.5:

• Manipulação de dados aprimorada: permite carregar diretamente PDFs grandes, repositórios de código ou vídeos longos como prompts. O modelo consegue raciocinar entre modalidades e gerar texto.
• Carregamento e consulta de vários arquivos: agora, os desenvolvedores podem carregar vários arquivos e fazer perguntas.
• Pode ser usado para diferentes tarefas: foi otimizado para se adaptar a diversas tarefas e apresenta melhorias em áreas como matemática, ciências, raciocínio, multilinguismo, compreensão de vídeos e código.

Imagens impressionantes geradas por IA#

O primeiro trimestre de 2024 revelou modelos de IA generativa capazes de criar imagens tão realistas que provocaram debates sobre o futuro das redes sociais e o avanço da IA. Estes são os modelos que estão impulsionando a discussão.

Sora, da OpenAI#

A OpenAI, criadora do ChatGPT, anunciou em 15 de fevereiro de 2024 o Sora, um modelo de deep learning de texto para vídeo de última geração. O Sora é um gerador de texto para vídeo capaz de criar vídeos de até um minuto com alta qualidade visual a partir de prompts de texto fornecidos pelo usuário.

Por exemplo, veja o prompt a seguir.

“Um mundo de recifes de coral feito de papel, renderizado com beleza e repleto de peixes coloridos e criaturas marinhas.”

E aqui está um quadro do vídeo gerado.

Fig. 4 Um quadro de um vídeo gerado pelo Sora.

A arquitetura do Sora torna isso possível ao combinar modelos de difusão para gerar texturas e modelos Transformer para garantir coerência estrutural. Até agora, o acesso ao Sora foi concedido a equipes de red team e a um grupo seleto de artistas visuais, designers e cineastas, para entender os riscos e receber feedback.

Stable Diffusion 3, da Stability AI#

A Stability AI anunciou o lançamento do Stable Diffusion 3, um modelo de geração de imagens a partir de texto, em 22 de fevereiro de 2024. O modelo combina uma arquitetura de Transformer de difusão com correspondência de fluxo. A empresa ainda não publicou um artigo técnico, mas há alguns recursos importantes a observar.

Fig. 5. Imagem gerada com base no prompt: “Arte épica de anime de um mago no alto de uma montanha à noite, lançando um feitiço cósmico no céu escuro, que diz "Stable Diffusion 3" escrito com energia colorida” (Fonte)

O modelo mais recente do Stable Diffusion oferece melhor desempenho, qualidade de imagem e precisão ao criar imagens com vários elementos. O Stable Diffusion 3 também oferecerá diversos modelos, que vão de 800 milhões a 8 bilhões de parâmetros. Assim, os usuários poderão escolher de acordo com suas necessidades específicas de escalabilidade e nível de detalhe.

Lumiere, do Google#

Em 23 de janeiro de 2024, pesquisadores do Google apresentaram o Lumiere, um modelo de difusão que gera vídeos a partir de texto. O Lumiere usa uma arquitetura chamada Space-Time-U-Net, ou STUNet. Ela ajuda o Lumiere a entender onde as coisas estão e como se movem em um vídeo. Assim, ele consegue gerar vídeos fluidos e realistas.

Fig. 6 Um quadro de um vídeo gerado com base no prompt: “Panda tocando ukulele em casa.”

Com a capacidade de gerar 80 quadros por vídeo, o Lumiere representa um avanço notável na qualidade de vídeos gerados por IA. Veja alguns dos recursos do Lumiere:

• Imagem para vídeo: a partir de uma imagem e de um prompt, o Lumiere pode animar imagens e transformá-las em vídeos.
• Geração estilizada: o Lumiere pode criar vídeos em estilos específicos usando uma única imagem de referência.
• Cinemagrafias: o Lumiere pode animar regiões específicas de uma imagem para criar cenas dinâmicas, como um objeto específico em movimento enquanto o restante da cena permanece estático.
• Preenchimento de vídeo: o modelo pode modificar partes de um vídeo, como trocar as roupas das pessoas ou alterar detalhes do plano de fundo.

O futuro parece ter chegado#

O início de 2024 também trouxe muitas inovações em IA que parecem saídas de um filme de ficção científica. Coisas que antes consideraríamos impossíveis estão sendo desenvolvidas agora. Com as descobertas a seguir, o futuro parece estar mais próximo.

Neuralink, de Elon Musk#

A Neuralink, de Elon Musk, implantou com sucesso seu chip cerebral sem fio em uma pessoa em 29 de janeiro de 2024. Esse é um grande passo para conectar cérebros humanos a computadores. Elon Musk compartilhou que o primeiro produto da Neuralink, chamado ‘Telepathy’, está em desenvolvimento.

Fig. 7 O implante da Neuralink

O objetivo é permitir que os usuários, especialmente aqueles que perderam a funcionalidade de algum membro, controlem dispositivos sem esforço usando apenas os pensamentos. As possíveis aplicações vão além da conveniência. Elon Musk imagina um futuro em que pessoas com paralisia consigam se comunicar facilmente.

Piso HoloTile, da Disney#

Em 18 de janeiro de 2024, a Walt Disney Imagineering apresentou o HoloTile Floor. Ele foi descrito como o primeiro piso de esteira omnidirecional do mundo para várias pessoas.

Fig. 8. Lanny Smoot, engenheiro da Disney Imagineering, posa sobre sua mais recente inovação, o piso HoloTile.

O piso pode se mover sob qualquer pessoa ou objeto, como se fosse telecinese, para proporcionar uma experiência imersiva de realidade virtual e aumentada. É possível caminhar em qualquer direção e evitar colisões enquanto se está sobre ele. O piso HoloTile da Disney também pode ser instalado em palcos teatrais para dançar e se mover de maneiras criativas.

Vision Pro, da Apple#

Em 2 de fevereiro de 2024, o aguardado headset Vision Pro da Apple chegou ao mercado. Ele oferece uma série de recursos e aplicativos projetados para redefinir a experiência de realidade virtual e aumentada. O headset Vision Pro atende a um público diversificado ao combinar entretenimento, produtividade e computação espacial. A Apple anunciou com orgulho que, no lançamento do Vision Pro, mais de 600 aplicativos, desde ferramentas de produtividade até serviços de jogos e entretenimento, estavam otimizados para o dispositivo.

Devin, da Cognition#

Em 12 de março de 2024, a Cognition lançou um assistente de engenharia de software chamado Devin. Devin é a primeira tentativa do mundo de criar um engenheiro de software autônomo com IA. Ao contrário dos assistentes de programação tradicionais, que oferecem sugestões ou concluem tarefas específicas, Devin foi desenvolvido para gerenciar projetos inteiros de desenvolvimento de software, do conceito inicial à conclusão.

Ele pode aprender novas tecnologias, criar e implantar aplicativos completos, encontrar e corrigir bugs, treinar seus próprios modelos, contribuir com bases de código de código aberto e de produção e até mesmo assumir trabalhos reais de desenvolvimento em sites como o Upwork.

Fig. 9 Comparação entre Devin e outros modelos.

Devin foi avaliado no SWE-bench, um benchmark desafiador que pede aos agentes que resolvam problemas reais do GitHub encontrados em projetos de código aberto, como Django e scikit-learn. Ele resolveu corretamente 13,86% dos problemas de ponta a ponta, em comparação com os 1,96% do melhor resultado anterior.

Menções honrosas#

Aconteceu tanta coisa que não é possível abordar tudo neste artigo, mas aqui ficam mais algumas menções honrosas.

• O LATTE3D da NVIDIA, anunciado em 21 de março de 2024, é um modelo de IA de texto para 3D que cria representações 3D instantaneamente a partir de prompts de texto.
• O novo gerador de texto para vídeo da Midjourney, anunciado pelo CEO David Holz, começou a ser treinado em janeiro e deve ser lançado em breve.
• Impulsionando a revolução dos PCs com IA, a Lenovo lançou o ThinkBook 13x com tecnologia E Ink Prism e laptops de alto desempenho com IA em 8 de janeiro de 2024.

Acompanha as tendências de IA com a gente!#

O início de 2024 trouxe grandes avanços em IA e vários marcos tecnológicos. Mas isto é apenas o começo do que a IA pode fazer. Se quiseres saber mais sobre os mais recentes desenvolvimentos em IA, a Ultralytics tem tudo o que precisas.

Acede ao nosso repositório do GitHub para ver nossas contribuições mais recentes em visão computacional e IA. Também podes consultar nossas páginas de soluções para ver como a IA está sendo usada em setores como manufatura e saúde.