Google vén de presentar Gemini 2.0, a nova versión do seu modelo de intelixencia artificial (IA), marcando un paso adiante cara a unha era de axentes máis avanzados e interactivos. Esta actualización é a máis completa até o momento, introducindo melloras significativas en multimodalidade, capacidades de axentes e integración de ferramentas. A continuación, detallamos as novidades máis destacadas deste avance tecnolóxico.
Un modelo máis intelixente e versátil
Gemini 2.0 expándese sobre os éxitos das súas versións anteriores, incluíndo Gemini 1.0 e 1.5, pioneiras na multimodalidade nativa. Esta nova versión vai máis aló, ofrecendo:
- Entradas e saídas multimodais: agora é posíbel non só procesar texto, imaxes, audio e vídeo, senón tamén xerar saídas en forma de imaxes e audio multilingües sintetizados a partir de texto.
- Integración con ferramentas nativas e de terceiros: desde a execución de código até o uso da Busca de Google, esta capacidade reforza o modelo como unha ferramenta interactiva e práctica.
- Mellora na latencia e na comprensión de contextos longos: estas actualizacións fan que Gemini 2.0 sexa ideal para tarefas complexas que requiren múltiples pasos, como resolución de ecuacións avanzadas ou consultas multimodais.
Gemini 2.0 Flash: velocidade e eficiencia para desenvolvedores
A versión experimental Gemini 2.0 Flash xa está dispoñíbel para desenvolvedores a través da API Gemini en Google AI Studio e Vertex AI. Este modelo duplica a velocidade de Gemini 1.5 Pro e é compatíbel con aplicacións dinámicas e interactivas grazas á nova API Multimodal Live, que admite entrada de audio e vídeo en tempo real.
Ademais, Gemini 2.0 estará dispoñíbel para usuarias finais a través da aplicación Gemini, ofrecendo melloras significativas no chat e na capacidade de asistencia virtual.
Axentes de IA: unha nova fronteira de interacción
Google está explorando o potencial de Gemini 2.0 para crear axentes de intelixencia artificial que poidan realizar tarefas complexas. Entre estes, destacan tres proxectos innovadores:
- Proxecto Astra: este prototipo mellora a experiencia dun asistente universal de IA, integrando ferramentas como Google Maps, Lens e Busca. Inclúe capacidade de memoria temporal para personalización e melloras en latencia para interaccións máis naturais.
- Proxecto Mariner: explora a interacción entre humanos e axentes no navegador, permitindo que estes entendan e actúen sobre información da pantalla, como texto e código, a través dunha extensión experimental de Chrome.
- Jules: un axente deseñado para desenvolvedores que axuda na codificación, planificando e executando tarefas en colaboración directa con fluxos de traballo de GitHub.
Aplicacións no mundo virtual e físico
Gemini 2.0 tamén está sendo probado en escenarios de xogos e robótica. En xogos, pode analizar accións na pantalla en tempo real e ofrecer suxestións tácticas. No ámbito físico, as súas capacidades de razoamento espacial están sendo aplicadas á robótica, cun potencial prometedor para tarefas prácticas no mundo real.
Con Gemini 2.0, Google redefine o que é posíbel na intelixencia artificial. Este modelo non só organiza e comprende información; faina útil de formas nunca antes vistas. Mentres continúa o desenvolvemento de aplicacións e prototipos baseados en Gemini 2.0, é evidente que estamos ás portas dunha nova era onde a IA será un axente esencial nas nosas vidas, tanto no ámbito persoal como profesional.
