El chatbot de inteligencia artificial generativa Grok, creado por xAI, ha recibido una actualización trascendental con mejoras significativas en sus funciones. Ahora incluye procesamiento visual, procesamiento de audio multilingüe y búsqueda en tiempo real en modo voz. Esta actualización representa un gran avance de Grok en el campo de la IA multimodal, ofreciendo a los usuarios una experiencia de interacción más inteligente y conveniente. A continuación, AIbase analizará detalladamente los aspectos más destacados y el significado de esta actualización.
Avance en la capacidad visual
La capacidad de procesamiento visual de Grok es uno de los aspectos más destacados de esta actualización. Aunque en abril de 2024, xAI anunció que Grok-1.5Vision (Grok-1.5V) podía procesar información visual como documentos, gráficos, capturas de pantalla y fotos, esta versión nunca estuvo disponible públicamente. Ahora, la función visual de Grok se ha lanzado oficialmente. Los usuarios pueden cargar imágenes para que Grok analice contenido visual complejo, como interpretar gráficos de datos, identificar objetos o convertir información visual en código ejecutable. Esto no solo mejora el valor práctico de Grok, sino que también lo hace destacar en tareas de comprensión espacial y razonamiento visual, mostrando una ventaja significativa en las pruebas de referencia de RealWorldQA.
Cabe destacar que la capacidad visual de Grok, combinada con su función de obtención de datos en tiempo real, puede mejorar aún más su rendimiento en el análisis de noticias y la interpretación de contenido de redes sociales. Por ejemplo, un usuario puede cargar una imagen de noticias y Grok, utilizando información en tiempo real de la plataforma X, puede proporcionar un análisis contextual y una interpretación del evento.
Procesamiento de audio multilingüe: Nueva experiencia de interacción de voz en más de 145 idiomas
La función de procesamiento de audio multilingüe de Grok también es impresionante. Gracias a la integración de la extensión "VoiceWave", Grok ahora admite la interacción de voz en tiempo real en más de 145 idiomas, incluyendo inglés, español, francés, japonés, chino, turco e hindi, entre otros idiomas principales a nivel mundial. Esta función no solo permite conversaciones de voz naturales y fluidas, sino que también admite la conversión de voz a texto, la reproducción de voz y el resaltado de texto sincronizado, lo que mejora enormemente la experiencia del usuario.
Para los usuarios que necesitan comunicarse en varios idiomas, el procesamiento de audio multilingüe de Grok es una gran ventaja. Ya sea para aprender un nuevo idioma, gestionar el servicio al cliente multilingüe o crear contenido internacional, Grok puede proporcionar respuestas de voz personalizadas con pronunciación nativa y velocidad y tono ajustables. Esta función se implementa a través de una extensión de Chrome Web Store, y los usuarios pueden activarla y personalizar la configuración de interacción con sencillos comandos de voz.
Búsqueda en tiempo real en modo voz: DeepSearch permite la obtención inmediata de información
La nueva función de búsqueda en tiempo real en modo voz de Grok refuerza su posición como "buscador de la verdad". Gracias a la tecnología DeepSearch, Grok puede obtener información actualizada de Internet y la plataforma X mediante comandos de voz, generando respuestas precisas y completas. En comparación con la entrada de texto tradicional, la búsqueda por voz permite a los usuarios obtener tendencias, noticias o información sobre temas de actualidad de forma más rápida.
Por ejemplo, si un usuario pregunta "¿Cuáles son las últimas noticias de tecnología?", Grok no solo responderá rápidamente por voz, sino que también citará las publicaciones más recientes de la plataforma X y los recursos de Internet, garantizando la actualidad y la fiabilidad de la información. Además, el proceso de razonamiento transparente de DeepSearch permite a los usuarios ver los pasos de deducción lógica y los documentos de origen de Grok, lo que aumenta aún más la credibilidad de la información.
El soporte técnico detrás de las funciones: Súper computadora Colossus y aprendizaje por refuerzo
El éxito de esta actualización se debe a la continua inversión de xAI en tecnología. El entrenamiento de Grok3 se basa en la supercomputadora Colossus, equipada con 200.000 GPU NVIDIA H100, con una capacidad de cálculo 10 veces superior a la del modelo anterior. Esto permite que Grok procese tareas complejas con mayor velocidad y precisión, especialmente en escenarios que requieren la fusión multimodal.
Además, Grok3 ha optimizado su capacidad de razonamiento mediante el aprendizaje por refuerzo a gran escala (RL), pudiendo corregir errores, explorar soluciones y generar respuestas en segundos o minutos. Esta capacidad de "pensar como un humano" permite a Grok superar a varios modelos de la competencia, incluyendo GPT-4o, Gemini 1.5 y Claude 3.5 Sonnet, en pruebas de referencia en matemáticas, ciencias y codificación.
