David Sharon: “Na inteligência artificial, temos uma mudança de paradigma uma vez por mês”

No recente palco do Google I/O, David Sharon, Group Product Lead na Google DeepMind, apresentou ao mundo o Google Omni, a mais recente fronteira da geração e edição de vídeo por inteligência artificial. Assente numa arquitetura revolucionária que combina o raciocínio dos modelos de lógica e previsão contínua (como o Gemini) com uma fidelidade visual que constroi a imagem a partir do ruído, o Omni permite editar vídeos de forma conversacional e manter uma rigorosa consistência de sujeitos e movimentos a partir de um simples vídeo de referência.

Em entrevista ao DN/DV, o executivo que liderou alguns dos projetos de maior êxito do ecossistema Google — como o Nano Banana (Gemini 2.5 Flash Image) e a evolução do Veo 3 — aborda o ritmo estonteante da inovação, a democratização da criatividade para pequenos negócios, a segurança contra deepfakes através da marca de água SynthID e a vantagem estratégica dos microprocessadores TPU próprios da Google.

Durante muito tempo, o público em geral olhava para a IA como apenas uma caixa de texto onde se escreviam prompts e se obtinham respostas escritas. Hoje em dia, o Gemini processa nativamente texto, voz, imagens e vídeo em simultâneo. Na sua perspetiva, como é que esta mudança para a multimodalidade nativa altera o dia a dia do utilizador comum?

Existem muitos casos de uso diferentes onde, para o utilizador comum, esta multimodalidade nativa amplia significativamente o que o Gemini pode fazer por uma pessoa. Ao nível humano, o Gemini consegue agora ver exatamente o mesmo que o utilizador vê. Consegue agir sobre isso, entende o seu mundo, o seu contexto e também as suas interações passadas. Quanto mais o modelo o compreende, melhor consegue agir em seu nome.

Pode dar-nos um exemplo prático do feedback mais surpreendente que recebeu ou de um caso de uso real que tenha visto?

Algo que adorei ver foi quando lançámos a geração de imagem no Live. O Live é um produto onde tradicionalmente se fala para o telemóvel e ele responde de forma conversacional, permitindo manter conversas longas. Adicionámos a capacidade de abrir a câmara para que o Live veja o que estamos a ver e, recentemente, lançámos a capacidade de gerar imagens através do Live.

O que adorei ver nos utilizadores reais foi que começaram a olhar para as suas salas de estar e a perguntar: "E se eu adicionar aqui um sofá bouclé? E se mover esta lâmpada para ali? Imagina a minha sala com um determinado orçamento e num estilo medieval". Começaram a reimaginar o seu espaço tirando partido do contexto ao seu redor e usando o Gemini de forma conversacional — por voz e por imagem — para enriquecer essa experiência.

Tecnicamente falando, assistimos a um salto gigantesco. O David foi responsável pela área de imagem com o Flash Image e o projeto Nano Banana, e pela geração de vídeo com o Veo 3. Este avanço na capacidade de manter a consistência do sujeito em diferentes fundos, estilos e ângulos… qual foi o maior desafio técnico e de produto ao resolver esse problema? Como é que o resolveram?

Trabalho com muitos profissionais talentosos na Google e sou apenas uma pequena parte de uma equipa incrivelmente talentosa para fazer avançar a fronteira da IA generativa em media. Gostaria de dizer que houve uma "bala de prata" que desbloqueou estes ganhos massivos, mas foi uma contribuição incrível de muitas disciplinas.

Se olhar para o elemento que representou a maior mudança na arquitetura e na tecnologia, foi a transição dos modelos de difusão tradicionais para modelos autorregressivos combinados com difusão.

Num modelo de difusão tradicional — como o Imagen 3 ou Imagen 4 —, o sistema recebia uma imagem de um gato com a etiqueta "gato" em texto e transformava-a gradualmente em ruído branco. Quando o utilizador pedia "gato", o modelo fazia o caminho inverso do ruído até à imagem. Esses modelos eram incríveis em qualidade visual e detalhe de iluminação, mas faltava-lhes o raciocínio, a lógica e o poder dos modelos autorregressivos como o Gemini.

Assim que colocámos um modelo de difusão no topo destes modelos autorregressivos, herdámos todo o poder de raciocínio do Gemini. E isso permitiu-nos fazer coisas como a edição conversacional. A edição é uma tarefa difícil: é preciso entender o que mudar, mas também o que manter. Se eu carregar uma imagem minha a correr na rua e pedir para adaptar essa cena, o modelo precisa de entender que tem de manter a postura, as sombras e a coerência física.

E essa arquitetura estendeu-se também ao vídeo com o Google Omni...

Exatamente. O Nano Banana (Gemini 2.5 Flash Image) foi o segundo modelo em que usámos essa arquitetura. O Nano Banana Pro assentou sobre um modelo Pro; o Nano Banana 2 Lite assenta sobre um modelo Flash Lite, o que o torna incrivelmente rápido.

O Omni é a primeira vez que trouxemos isto para o vídeo. Agora temos edição conversacional em vídeo e podemos carregar um vídeo de referência. Imagine o quão difícil é pegar num vídeo de referência de alguém a dançar e pedir ao modelo para colocar outra pessoa a fazer essa mesma dança, mantendo exatamente o mesmo movimento ao longo dos fotogramas, com as sombras corretas, a música, o ritmo e sendo fisicamente credível. Esse foi um grande desbloqueio técnico.

Tudo isto aconteceu num curto espaço de tempo. Sente que a indústria criativa está a evoluir a par destas ferramentas, ou existe algum receio perante a velocidade desta transformação?

Sou gestor de produto na Google há 10 anos. Nos primeiros oito anos trabalhei no YouTube. Na altura, tínhamos um grande avanço uma vez por ano ou a cada dois anos, onde sentíamos uma mudança de paradigma. Agora, sinto que temos essa mudança de paradigma uma vez por mês, às vezes até em menos tempo.

Penso que a indústria criativa está a olhar para a tecnologia como uma ferramenta e a perguntar-se: "Como posso usar esta ferramenta para tirar o máximo partido dela para as minhas necessidades?". No final de contas, isto é uma ferramenta ao serviço da criatividade.

Existem realizadores com visões muito diferentes. Ao apresentar a proposta de uma série de televisão, antigamente criava-se o argumento, gravava-se um piloto e vendia-se esse piloto por centenas de milhares ou milhões de dólares. Agora, é possível gerar cenas-chave usando IA para dar uma ideia do pretendido e acelerar o processo. Outros preferem criar projetos inteiramente "nativos em IA", como um amigo meu realizador que usou estas ferramentas para criar uma série de animação no YouTube que sempre quis fazer, mas cuja complexidade técnica anterior o impedia. Há muitos ângulos para adotar esta ferramenta e usá-la para amplificar a visão criativa.

Como é que a Google garante a autenticidade dos conteúdos criados com o Omni e com outras ferramentas de IA, no combate aos deepfakes e à desinformação?

A abordagem da Google à IA generativa é ser simultaneamente audaz e responsável. Audaz no sentido de proporcionar valor ao utilizador; responsável no sentido de introduzir a tecnologia no mercado da forma correta. À medida que os modelos ganham fotorrealismo, a responsabilidade aumenta. Por isso, cada elemento multimédia gerado através da Google possui uma marca de água invisível chamada SynthID.

Até ao momento, não encontrámos ninguém capaz de quebrar a SynthID sem destruir completamente o ficheiro multimédia. Ou seja, enquanto esse ficheiro mantiver uma fração da mensagem original, a marca de água é detetável.

Hoje, qualquer pessoa pode ir à aplicação Gemini, carregar uma imagem, vídeo ou música, e o sistema dirá se deteta a SynthID. É uma forma simples de responder à pergunta "isto é real?". Além disso, usamos a C2PA (um manifesto de proveniência adotado pela indústria) e marcas de água visíveis. Em maio, no Google I/O, anunciámos também que a OpenAI adotou a SynthID como pilar central das suas ferramentas de proveniência. É um investimento enorme que fazemos na responsabilidade do produto.

Qual é a importância para a Google DeepMind de ter os seus próprios processadores — as TPU (Tensor Processing Units) — a alimentar esta tecnologia? Essa integração vertical dá-vos uma vantagem competitiva?

A Google é um fornecedor full-stack: desde os chips nos centros de dados, passando pela camada de segurança, até aos modelos, aos investigadores e ao produto final. Hoje, temos 13 produtos com mais de mil milhões de utilizadores (e cinco com mais de 3 mil milhões). A aplicação Gemini conta já com 950 milhões de utilizadores ativos mensais.

Ser capaz de otimizar para uma determinada topologia de chip, ser mais eficiente e ter maior qualidade no treino e na inferência — a rapidez com que a imagem ou vídeo é servido após o pedido do utilizador — é um ativo valiosíssimo. Não se trata apenas da disponibilidade do hardware, mas da arquitetura otimizada para cargas de trabalho específicas de IA. É uma parte fundamental da nossa abordagem.

Se voltarmos a falar daqui a 3 anos, como prevê a relação da pessoa comum com a Inteligência Artificial e com o Gemini?

Já aprendi que sou muito mau a prever a velocidade a que as coisas acontecem na IA! [Risos] Mas acredito que veremos a continuação da tendência em que todos se tornam criadores. As pessoas podem não se intitular "criadores", mas vão criar e usar suporte visual e multimédia para comunicar.

O que me tem fascinado é a quantidade de pessoas que agora acedem a estas ferramentas e comunicam através de media pela primeira vez. A missão da minha equipa é desbloquear a criatividade humana à escala. No passado, podia não se ter a competência técnica, o tempo ou o orçamento para criar um vídeo. Hoje, faz-se um vídeo em 10 segundos no portátil ou no smartphone. Isso é uma força democratizadora incrível. Acho que se vai aprofundar nos próximos três anos: desde enviar um meme personalizado num grupo privado de conversa, até ser usado por uma microempresa de duas ou três pessoas para promover o seu negócio no mercado.

PERFIL

Do YouTube à IA generativa

David Sharon é Group Product Lead na Google DeepMind, onde lidera as equipas responsáveis pelo desenvolvimento das ferramentas de media generativo do ecossistema Gemini (como o Flash Image, Veo 3 e Omni). Com dez anos de percurso na Google, trabalhou durante oito anos no YouTube em inovação de experiência do utilizador (UX) e aprendizagem automática (machine learning), sendo hoje um dos rostos centrais na criação de produtos de inteligência artificial multimodal à escala global.