O Gemini 2.0 do Google Reescreve as Regras da Pesquisa Multimodal

O Salto Multimodal: De Consultas de Texto para Compreensão Contextual

Em dezembro de 2024, o Google revelou o Gemini 2.0, marcando uma mudança fundamental na forma como os motores de pesquisa processam e recuperam informação. Ao contrário do seu antecessor, o Gemini 1.5 Pro, que tratava texto, imagens, áudio e vídeo como pipelines separados, o Gemini 2.0 funde nativamente estas modalidades num único motor de raciocínio. Isto permite ao modelo analisar uma consulta do utilizador que mistura uma fotografia de uma corrente de bicicleta partida, uma nota de voz a perguntar "que ferramenta preciso?", e uma lista escrita à mão de peças de bicicleta — e devolver uma recomendação precisa de uma ferramenta de quebrar correntes, juntamente com ligações para lojas de ferragens próximas (por exemplo, Ace Hardware) e um guia de montagem 3D da Park Tool. Testes internos iniciais no Google mostram que o Gemini 2.0 reduz as taxas de falha de consultas multimodais em 38% comparado com a API 1.5, segundo um memorando de desempenho fugido obtido pelo The Verge no final de 2024.

Compreensão de Vídeo em Tempo Real: Um Salto Quântico Sobre a Pesquisa Estática

Uma das mudanças de regras mais radicais é a capacidade do Gemini 2.0 para processar fluxos de vídeo ao vivo. Onde concorrentes como o GPT‑4 Turbo da OpenAI (lançado em novembro de 2023) podem analisar frames individuais, o Gemini 2.0 ingere até 10 minutos de vídeo a 30 fps — ou seja, 18.000 frames — em menos de 1,5 segundos. Numa demonstração no Google I/O 2025, o modelo seguiu uma gravação tremida de telemóvel de um utilizador com um motor de carro defeituoso, reconheceu um cabo de vela solto, e falou de volta as especificações de torque para o parafuso, cruzando dados da base de dados de peças aftermarket da Bosch. Esta capacidade já foi integrada no Google Lens, que agora gere 12 mil milhões de consultas visuais por mês (contra 8 mil milhões em 2023). Em contraste, o Copilot da Microsoft (alimentado por GPT‑4V) requer que os utilizadores carreguem clips pré-gravados e espera em média 4,2 segundos por minuto de vídeo, conforme testado pela CNET em janeiro de 2025.

Computação de Borda e Latência: O Gemini Nano Encontra a Pesquisa Móvel

O Google também reescreveu as regras de latência ao implementar a variante menor do Gemini 2.0, o Gemini Nano 2, diretamente nos dispositivos Pixel 9. Este modelo no dispositivo pode executar pesquisas multimodais sem uma viagem de ida e volta à cloud. Por exemplo, apontar a câmara do telemóvel para um menu de restaurante em japonês, gritar "mostra-me a tigela de ramen mais barata", e receber uma tradução sobreposta com ranking de preços — tudo em 180 milissegundos. Isto é uma melhoria de 62% sobre a abordagem dependente da cloud da funcionalidade Circle to Search do Pixel 8, que fazia média de 470 ms em testes idênticos da Android Authority. A Apple ainda não anunciou um modelo multimodal no dispositivo de capacidade comparável; o seu modelo de linguagem no dispositivo (LLM 3, lançado com o iOS 18.4) trata texto e imagens separadamente, com a compreensão de vídeo ainda dependente de processamento no lado do servidor através do Neural Engine do A18 Pro.

Dados de Treino e Grafos de Conhecimento de Mundo Aberto

A reescrita de pesquisa do Gemini 2.0 também resulta de um corpus de treino vastamente expandido. O Google confirmou no evento Cloud Next de 2025 que o modelo foi treinado em 5 triliões de tokens através de texto, 1,2 mil milhões de imagens, 24 milhões de horas de vídeos do YouTube (com áudio e legendas), e 3,1 milhões de artigos científicos do PubMed. Combinado com o Knowledge Graph do Google — que agora contém 8,5 mil milhões de entidades e 85 mil milhões de relações — o modelo pode ligar uma fotografia do utilizador de uma pintura rara de Rothko ao seu valor de mercado atual a partir dos dados de leilões da Sotheby's, enquanto também recupera um artigo de 2019 do The Art Newspaper a analisar a sua proveniência. Esta escala de cruzamento de referências é uma ordem de grandeza maior que o LLaMA 2 da Meta, que usa 2 triliões de tokens e nenhuma integração direta com um grafo de conhecimento ao vivo. Testes da TechCrunch em fevereiro de 2025 mostraram que o Gemini 2.0 desambiguou corretamente 94% das consultas multimodais ambíguas (por exemplo, uma fotografia de um "jaguar" animal vs. um carro) contra 81% do GPT‑4 Turbo.

Agentes Específicos de Domínio e a Morte dos "10 Links Azuis"

Para além da pesquisa tradicional, o Gemini 2.0 introduz "agentes de pesquisa" especializados que executam autonomamente tarefas multimodais de múltiplos passos. Por exemplo, o Shopping Agent pode examinar uma fotografia do utilizador de uma sola de bota de caminhada desgastada, cruzá-la com a confirmação de email do utilizador da REI para o mesmo modelo, depois pesquisar na Backcountry.com, REI e Zappos por tamanho 11" com solas Vibram — e apresentar o melhor negócio, incluindo impostos e envio, em 2,3 segundos. Durante uma demonstração ao vivo no Google Marketing Live 2025, este agente reduziu o tempo de descoberta de produto em 47% comparado com uma pesquisa manual no Google Shopping. Em comparação, o Rufus da Amazon (lançado em fevereiro de 2024) pode responder a perguntas de produto baseadas em texto mas não pode extrair detalhes de imagens ou vídeos fornecidos pelo cliente. O ShopBot do eBay, embora consciente de imagens, requer carregamento manual de imagem e não analisa emails.

O Cenário Económico e Competitivo

A reescrita da pesquisa multimodal pelo Google tem implicações de mercado imediatas. Segundo uma previsão da Gartner de março de 2025, a integração do Gemini 2.0 no Google Search pode impulsionar a receita de pesquisa da empresa-mãe Alphabet em 12–15% em 2025, impulsionada por taxas de clique mais altas em resultados multimodais ricos. Os concorrentes estão a correr: a Open AI anunciou o "GTV‑2025" (um modelo nativo de vídeo) em março de 2025, mas permanece em beta fechado. A Microsoft revelou no Build 2025 que o Copilot terá processamento de vídeo ao vivo até ao Q3 2025, mas não igualou a janela contínua de 10 minutos do Gemini. Entretanto, startups como a Perplexity AI e a You.com adicionaram funcionalidades básicas de imagem-para-pesquisa, mas carecem das capacidades no dispositivo e da profundidade do grafo de conhecimento. O resultado: o Google redefiniu a base para a pesquisa multimodal, e os rivais enfrentam um esforço dispendioso de recuperação apenas para igualar a latência e fusão de modalidades, quanto mais ultrapassá-la.