Google hôm nay công bố mô hình AI mới nhất mang tên Gemini Vision Pro, một siêu mô hình đa phương tiện với 2,5 nghìn tỷ tham số. Khác với các mô hình chỉ chuyên về ngôn ngữ, Gemini Vision Pro có khả năng đồng thời hiểu và tạo ra nội dung hình ảnh, video, âm thanh và văn bản trong cùng một khung thời gian.
Mô hình được huấn luyện trên một bộ dữ liệu khổng lồ gồm 10 triệu video và 200 triệu hình ảnh kèm chú thích, cùng với 1,2 nghìn tỷ token văn bản. Nhờ kiến trúc Transformer cải tiến và bộ giải mã đa dạng, Gemini Vision Pro có thể thực hiện các tác vụ phức tạp như tạo video ngắn từ mô tả bằng tiếng Việt, nhận diện đối tượng trong thời gian thực và trả lời câu hỏi dựa trên nội dung video.
Google khẳng định mô hình sẽ được tích hợp vào các dịch vụ như Google Search, YouTube và Google Photos, giúp người dùng tìm kiếm nội dung một cách tự nhiên hơn. Ngoài ra, Google cũng sẽ cung cấp API cho các nhà phát triển, cho phép họ xây dựng các ứng dụng sáng tạo dựa trên khả năng đa phương tiện của Gemini Vision Pro.
Theo các chuyên gia, Gemini Vision Pro có thể là bước đột phá quan trọng trong việc thu hẹp khoảng cách giữa AI và trải nghiệm người dùng, đồng thời đặt ra những câu hỏi mới về bảo mật và quyền riêng tư khi AI có thể tạo ra nội dung video giả mạo chất lượng cao.