Multimodale KI bezeichnet Computerprogramme, die verschiedene Arten von Informationen gleichzeitig verstehen und verarbeiten können, zum Beispiel Bilder, Texte und Töne.
Stell dir vor, ein Computer kann ein Bild sehen, eine Beschreibung lesen und ein gesprochenes Wort hören – und all diese Informationen zusammen nutzen, um eine Aufgabe zu lösen.
So kann die KI zum Beispiel ein Bild erkennen und gleichzeitig eine passende Erklärung dazu geben oder auf eine Frage antworten, die sich auf das Bild bezieht.
Multimodale KI hilft Computern, die Welt besser zu verstehen, weil sie Informationen aus verschiedenen Quellen kombiniert, ähnlich wie Menschen es tun.