Twój smartfon przestaje błądzić po omacku i zaczyna faktycznie widzieć otoczenie. Ostatnie aktualizacje na Pikselach wskazują, że Google przygotowuje się do masowego udostępnienia funkcji, która pozwoli ich modelowi językowemu dosłownie patrzeć na świat Twoimi oczami. Mowa oczywiście o funkcji analizy obrazu z kamery w czasie rzeczywistym, co stanowi logiczne rozwinięcie zapowiadanego wcześniej projektu Astra.
Koniec z rozmowami w ciemno
Poprzednia forma Gemini Live pozwalała na prowadzenie płynnej konwersacji głosowej, jednak algorytm pozostawał ślepy na otoczenie użytkownika. Jednak po instalacji najnowszej aktualizacji w Pikselach użytkownicy mogą już udostępniać obraz na żywo bezpośrednio podczas rozmowy. Pozwala to na zadawanie pytań o przedmioty znajdujące się przed obiektywem bez konieczności robienia zdjęć i ich przesyłania. Rozwiązanie sporo zmienia, szczególnie w sytuacjach, w których potrzebujesz natychmiastowej porady technicznej lub kulinarnej.
Wspomniana nowość jest bezpośrednim wynikiem prac nad projektem Astra, który zaprezentowano na konferencji Google I/O. Podczas tamtego pokazu AI potrafiło zidentyfikować miejsce, w którym użytkownik zostawił okulary, jedynie na podstawie wcześniejszego podglądu z kamery. Skoro Google decyduje się na integrację takich możliwości w stabilnej wersji aplikacji, możemy spodziewać się, że pomoc w identyfikacji rzadkiego gatunku rośliny na spacerze czy wsparcie w naprawie laptopa stanie się codziennością. Jest to znacznie bardziej użyteczne niż klasyczne formy "pomocy".
Wartość użytkowa w codziennym życiu
Wprowadzenie analizy wizualnej w czasie rzeczywistym nie służy jedynie do popisów technologicznych przed znajomymi. Rozwiązanie znajdzie zastosowanie w setkach prozaicznych czynności, gdzie opisanie problemu słowami zajmuje zbyt dużo czasu. Zamiast tłumaczyć, że z tyłu Twojego routera miga taka mała dioda obok wejścia na kabel, po prostu skierujesz tam telefon. Model przeanalizuje schemat urządzenia i podpowie, czy wystarczy go zrestartować, czy może pora na wizytę w serwisie.
Zauważalne jest tu dążenie do pełnej integracji zmysłów maszyny. Algorytmy nie tylko słyszą, co mówisz, ale zaczynają rozumieć kontekst wizualny. Moja opinia w tej kwestii jest jasna – to właśnie w takich funkcjach drzemie największy sens rozwoju AI. Tego typu technologia powinna być solidnym wsparciem w rozwiązywaniu problemów fizycznych.
Wprowadzenie wzroku do Gemini Live sprawi, że interakcja z telefonem nie będzie przypominać dyktowania poleceń, a zacznie przypominać współpracę z kimś, kto faktycznie widzi, z czym się mierzysz.
W testach nowej funkcjonalności pytaliśmy między innymi o wskazanie, gdzie na routerze D-Link znajduje się przycisk do wyłączenia urządzenia, jak również coś bardziej trudnego, jak rozpoznanie kamieni półszlachetnych - w tym przypadku na 3 próby, 2 zakończyły się pełnym sukcesem, z prawidłowym rozpoznaniem nazw kamieni za pierwszym razem (tygrysie oko, anyolit, niestety na trzecim kamieniu Gemini poniosło klęskę).
Druga strona patrzenia w telefon
Oczywiście, dawanie sztucznej inteligencji dostępu do kamery może rodzić zabawne, a czasem lekko krępujące sytuacje. Można założyć, że Gemini Live szybko zauważy stertę nieumytych naczyń w Twoim zlewie, gdy będziesz próbował zapytać o przepis na drugie danie. Pewnie usłyszysz wtedy uprzejmą, acz rzeczową uwagę, że zanim zaczniesz gotowanie, przydałoby się trochę wolnego blatu. Lekkie przerysowanie interakcji może sprawić, że korzystanie z technologii stanie się mniej sterylne i bardziej ludzkie.
Jednakże należy pamiętać o prywatności. Google zapewnia, że analiza obrazu odbywa się pod kontrolą użytkownika, lecz zawsze warto zachować zdrowy rozsądek. Pozwalanie oprogramowaniu na podglądanie sypialni czy dokumentów na biurku może skończyć się tym, że Gemini dowie się o Tobie więcej, niż byś sobie życzył. Mimo wszystko wizja AI, która pomaga znaleźć klucze pod kanapą, jest na tyle kusząca, że wielu z nas chętnie zaryzykuje bycie ocenionym przez algorytm za bałagan w salonie.
Harmonogram wdrażania i oczekiwania
Google oficjalnie nie podało konkretnej daty premiery globalnej. Historia aktualizacji produktów giganta z Mountain View sugeruje, że udostępnienie funkcji nastąpi falami, zaczynając od użytkowników subskrypcji Gemini Advanced. Jest to standardowa procedura, która pozwala wyłapać błędy, zanim nowość trafi do milionów kieszeni na całym świecie.
Wiemy, że pierwsze osoby w Polsce korzystają już z tej funkcji, która pojawiła się wraz z niedawną aktualizacją na Pikselach 10 Pro i XL z subskrypcją Gemini Pro.
Wdrożenie opisywanej funkcjonalności jest istotne z punktu widzenia konkurencji. OpenAI ze swoim modelem GPT już wcześniej pokazało podobne możliwości, więc Google musi nadrabiać zaległości, aby nie wypaść z wyścigu o miano najprzydatniejszego pomocnika w Twoim telefonie. Rywalizacja gigantów wychodzi nam, użytkownikom, na dobre, bo zmusza firmy do dostarczania rozwiązań, które faktycznie działają, a nie tylko ładnie wyglądają na slajdach podczas konferencji prasowych.
Praktyczne korzyści dla początkujących
Jeśli dopiero zaczynasz przygodę z nowoczesnymi technologiami, wspomniana zmiana znacząco upraszcza obcowanie z technologią ale nie tylko. Zamiast uczyć się czegoś czy szukać po omacku rozwiązania, będziesz mógł po prostu pokazać telefonowi, o co Ci chodzi. Jest to najbardziej naturalna forma komunikacji, jaką znamy. Pokazywanie palcem i pytanie o dany przedmiot jest czymś, co opanowujemy w dzieciństwie, a teraz w końcu smartfony dorastają do tego poziomu.
Warto śledzić komunikaty o aktualizacjach, ponieważ nowa funkcja pojawi się u wszystkich prawdopodobnie bez wielkich fanfar, jako element szerszego pakietu usprawnień. Gdy zobaczysz ikonę kamery w interfejsie Gemini Live, będziesz wiedzieć, że nadszedł czas, aby przetestować wzrok Twojego cyfrowego kompania. Pamiętaj tylko, żeby przetrzeć obiektyw – nawet najbardziej zaawansowane algorytmy nie poradzą sobie z odciskiem palca w tonie czekolady na soczewce.
Nowa perspektywa w Twojej kieszeni
Obserwujemy moment, w którym technologia przestaje być tylko głosem w słuchawce, a staje się obserwatorem codzienności. Zamiast męczyć się z opisywaniem skomplikowanych usterek, po prostu pozwolisz AI spojrzeć na problem. Warto jednak pamiętać, że skoro Gemini zyska wzrok, przypalone ciasto czy niepościelone łóżko przestaną być słodką tajemnicą. Czas pogodzić się z faktem, że od teraz najinteligentniejszy byt w pokoju może mieć na Ciebie oko – i to całkiem dosłownie.
Źródło: Własne, Google, Android Police
