Google ha presentato ufficialmente Gemini 2.0, il nuovo modello di intelligenza artificiale che il colosso tecnologico è pronto ad integrare nei suoi prodotti a partire dal 2025. Il modello 2.0 lanciato da Big G è il più evoluto di sempre per la casa di Mountain View. Nel corso del 2024, il gigante tech ha investito nello sviluppo di agenti AI, ovvero software avanzati di intelligenza artificiale che utilizzano LLM per prendere decisioni autonome, comprendere e interagire con l’ambiente circostante ed eseguire procedure complesse sotto la supervisione umana. L’aggiornamento punta quindi su multimodalità più estese, con un’IA agentica veloce e versatile, capace di ragionare in background e che può essere utilizzata via API per sistemi multi-agente.
Le novità di Gemini 2.0 su audio e video
Grazie all’integrazione multimodale, Gemini 2 è sviluppata come un’AI pratica, duttile e pienamente integrata nel quotidiano e nei flussi di lavoro: un agente destinato a rivoluzionare l’assistenza alla persona. Dalle demo presentate da Google DeepMind, le novità sono molteplici. La multimodalità nativa riguarda l’audio e il video, i codici e il web. Nell’interazione vocale, l’utente dice a Gemini cosa fare e l’agente AI procede direttamente a schermo.
Il nuovo modello, capace di interagire via audio nativamente, abbatte le barriere comunicative: basta un microfono per conversare in tempo reale con Gemini, in grado di parlare in diverse lingue (italiano incluso), anche cambiandole in corso d’opera. L’agente AI vede lo schermo dell’utente in tempo reale e modifica i suoi output, se per esempio sta lavorando su testi, immagini, grafici o codici.
La multimodalità video funziona anche con il live streaming senza perdere in fluidità ed efficacia: Google dichiara che la versione Flash di Gemini 2.0 è due volte più veloce della precedente 1.5 Pro nei principali benchmark. L’AI è capace di analizzare un video-streaming e di generare nativamente immagini: l’utente che utilizza un microfono e una webcam condivide lo schermo e mostra all’agente quello che sta guardando, ottenendo così un feedback immediato.
L’IA avanzata di Google intervalla testo e immagini in un solo output e può editare le immagini in maniera intelligente, come un montatore o un videomaker professionista. Il materiale da lavorare viene processato un passo alla volta in un dialogo continuo tra l’immagine precedente e la successiva: la modifica avviene soltanto al momento e nel punto richiesto dall’utente. In aggiunta, Gemini 2 utilizza modelli di grounding per riquadrare elementi nelle immagini ed etichettarli.
Cosa cambia per i codici e le ricerche sul web
Costruito come un assistente digitale universale, Gemini 2.0 non è da meno sui codici: può generare output strutturati, eseguire codice in una sandbox e lanciare e coordinare funzioni a cui l’utente gli ha permesso l’accesso. Due agenti specializzati sono destinati proprio alla programmazione e alla scienza dei dati, con capacità avanzate come quella di combinare dati per l’analisi e di verificare il codice nei repository.
La navigazione su Internet sfrutta le capacità avanzate per l’approfondimento e la pianificazione. Il modello 2.0 può cercare online ed effettuare più ricerche in parallelo. Comprendendo meglio ciò che serve veramente all’utente e quindi il senso della sua domanda, è capace di usare le sue ricerche per produrre un solo output. A tale scopo è stato sviluppato Deep Research, un assistente di ricerca per compilare rapporti complessi, disponibile su advance.
Come provare Gemini 2 e le applicazioni pratiche
Al momento, Gemini 2 è disponibile come modello sperimentale per gli sviluppatori tramite Google AI Studio e la piattaforma Vertex AI, solo con input multimodale e output testuale. Per gli utenti comuni, è possibile provare il nuovo modello andando sul sito ufficiale di Gemini, facendo l’accesso (sia da browser desktop che da mobile) e selezionando 2.0 Flash Experimental dal menu a tendina in alto a sinistra.
Nel post di lancio sul blog di Google e nelle prime dimostrazioni per la stampa, il modello 2.0 è presentato come un agente che può svolgere in modo affidabile compiti complessi in diversi ambiti. Si va dal lavoro (ad esempio per l’organizzazione di riunioni, l’assistenza clienti, le sintesi di quel che è accaduto in un meeting, l’analisi e la sistemazione di documenti) alla vita quotidiana (la prenotazione di una visita, del biglietto di un treno o della stanza di un hotel), fino al gaming e alla robotica.
DeepMind non dimentica la sicurezza delle applicazioni e sempre nel post sul suo blog sottolinea di aver fatto passi avanti significativi nel red teaming assistito dall’AI, passando dalla semplice identificazione dei rischi al supporto attivo di soluzioni mirate. Gli utenti avranno sotto controllo la protezione della loro privacy (istruzioni malevole e sessioni in memoria possono essere eliminate) e sono stati introdotti rinnovati protocolli per prevenire fenomeni di phishing e frodi.
I progetti sperimentali
Le applicazioni sperimentali che DeepMind sta esplorando per Gemini 2 sono tre. Innanzitutto Jules, un assistente per sviluppatori su GitHub. Sotto la direzione e la supervisione di uno sviluppatore, l’agente AI affronta un problema, sviluppa un piano e lo esegue. “Siamo ancora nelle prime fasi di sviluppo, ma non vediamo l’ora di scoprire come i tester di fiducia utilizzano queste nuove funzionalità e quali insegnamenti possiamo trarne”, spiegano da Google.
Un prototipo avanzato è Project Mariner, un’AI di problem solving che comprende tutte le informazioni che appaiono su uno schermo, dagli elementi del web (testi, immagini, codici, moduli) ai singoli pixel, e sfrutta questi dati tramite un’estensione del browser per navigare in modo autonomo tra i siti e automatizzare i compiti web al posto dell’utente. Nell’esempio diffuso da Google, si osserva Mariner memorizzare un elenco di nomi di società da un foglio Excel e cercare in background le informazioni di contatto delle aziende, dai siti ufficiali agli indirizzi e-mail.
Il terzo e ultimo progetto in corso è Project Astra, un assistente AI universale con memoria personalizzata: è una specie di “visore” per l’assistente che gli permette di osservare e analizzare tutto quello che lo circonda. Attraverso la fotocamera di uno smartphone o di un altro dispositivo, l’agente comprende l’ambiente circostante e dialoga con esso sfruttando strumenti come Maps e Lens. Astra potrà conversare naturalmente con una voce simile a quella umana, ricordare ciò che ha visto e ascoltato (ha fino a 10 minuti di memoria nella singola sessione) e fornire consigli dettagliati all’utente sulla base dei gusti e degli interessi personali che ha assimilato.
