Videofunktionalität in KI-Assistenten: Fortschritte bei Gemini und ChatGPT

Videofunktionalität erreicht KI-Assistenten: Gemini und ChatGPT erweitern ihre Fähigkeiten

Die Integration von visuellen Informationen in die Interaktion mit KI-Assistenten markiert einen bedeutenden Fortschritt in der Entwicklung Künstlicher Intelligenz. Sowohl Google Gemini als auch OpenAIs ChatGPT haben kürzlich ihre Fähigkeiten um die Verarbeitung von Videodaten erweitert, wodurch sich neue Anwendungsmöglichkeiten eröffnen.

Gemini: Multimodale Interaktion für vielseitige Anwendungen

Google Gemini, das als Nachfolger des Google Assistant positioniert ist, setzt von Beginn an auf multimodale Interaktion. Die Integration von Bild-, Video- und Audioverarbeitung in das Kernmodell ermöglicht komplexere Anfragen und Interaktionen. Nutzer können Gemini beispielsweise bitten, ein Bild zu erstellen oder ein Video zu analysieren. Die Fähigkeit, Informationen aus verschiedenen Quellen zu kombinieren, ermöglicht es Gemini, umfassendere und kontextbezogenere Antworten zu liefern.

Ein Beispiel hierfür ist die "Show Gemini"-Funktion, mit der Nutzer dem Assistenten die Umgebung über die Kamera ihres Smartphones zeigen können. Gemini kann Objekte erkennen, Fragen zu ihnen beantworten und kontextbezogene Informationen liefern. Diese Funktionalität wird derzeit in Google AI Studio experimentell getestet und soll zukünftig in verschiedenen Google-Produkten integriert werden.

ChatGPT Advanced Voice Mode: Visuelle Kontexte in der Konversation

Auch OpenAI hat die Videofunktionalität in den ChatGPT Advanced Voice Mode integriert. Nutzer können nun während der Konversation mit ChatGPT die Kamera ihres Geräts aktivieren und dem Modell visuelle Informationen zur Verfügung stellen. Ähnlich wie bei Gemini ermöglicht dies eine kontextbezogene Interaktion, bei der ChatGPT auf das Gesehene reagiert und es in die Konversation einbezieht.

Demonstriert wurde dies beispielsweise mit der Analyse von Pflanzen. ChatGPT konnte verschiedene Pflanzenarten anhand des Videobildes identifizieren und Empfehlungen zur Pflege geben. Besonders hervorzuheben ist die Fähigkeit von ChatGPT, visuelle Informationen im Kontext der Konversation zu speichern. So konnte das Modell im Test später auf zuvor gezeigte Pflanzen Bezug nehmen, ohne dass diese erneut gezeigt werden mussten.

Technologischer Wettlauf und zukünftige Entwicklungen

Die Integration von Videofunktionalität in KI-Assistenten ist ein Beispiel für den anhaltenden technologischen Wettlauf zwischen den führenden KI-Unternehmen. Sowohl Google als auch OpenAI arbeiten kontinuierlich an der Verbesserung ihrer Modelle und der Erweiterung ihrer Fähigkeiten. Die zunehmende Multimodalität der Modelle ermöglicht immer komplexere und natürlichere Interaktionen und eröffnet neue Möglichkeiten für die Anwendung von KI im Alltag.

Es bleibt abzuwarten, wie sich diese Technologien in Zukunft entwickeln und welche weiteren Innovationen in diesem Bereich zu erwarten sind. Die Integration von Videoverarbeitung ist jedoch ein wichtiger Schritt auf dem Weg zu noch leistungsfähigeren und vielseitigeren KI-Assistenten.

Bibliographie:

1. https://x.com/_akhaliq/status/1869042371104841866
2. https://www.reddit.com/r/OpenAI/comments/1hckz2a/some_helpful_tips_regarding_geminis_voice_and/
3. https://blog.google/technology/google-deepmind/google-gemini-ai-update-december-2024/
4. https://www.youtube.com/watch?v=-Q6hys3s848
5. https://mashable.com/article/openai-brings-video-to-chatgpt-advanced-voice-mode
6. https://gemini.google/assistant/
7. https://www.linkedin.com/posts/simonsmith_i-tried-chatgpts-advanced-voice-mode-with-activity-7273363200098619392-WuXS
8. https://venturebeat.com/ai/chatgpt-gets-screensharing-and-real-time-video-analysis-rivaling-gemini-2/