Multimodalità nell'AI: vedere, sentire, parlare e scrivere insieme

Elfrid · 24 January 2026 · 👁 3 · ❤️ 0 · 💬 0 🔗 Copia link

GPT-4o può analizzare uno screenshot, rispondere a domande sulla matematica scritta su un foglio, descrivere cosa vede in una fotografia e tenere una conversazione vocale — tutto nello stesso modello unificato. La multimodalità non è più un add-on ma un'architettura core. Le applicazioni pratiche si moltiplicano: un medico fotografa una radiografia e chiede un'analisi preliminare, un meccanico invia un video del motore rumoroso per diagnosi, un turista punta la camera verso un menu in giapponese e riceve la traduzione con consigli su cosa ordinare. Gemini 1.5 Pro di Google gestisce finestre di contesto da un milione di token con input multimodali — tradotto: può analizzare un film intero, un'ora di audio, decine di documenti contemporaneamente. La capacità di comprensione integrata di informazioni da fonti diverse è il prossimo grande salto competitivo.

← Torna al Blog