Multimodal
disebut juga: AI multimodal
Artinya
Multimodal adalah kemampuan AI untuk menerima atau menghasilkan lebih dari satu jenis data, misalnya teks, gambar, suara, dan video, dalam satu percakapan.
Diperbarui · diperiksa Syamil Jihad
Perumpamaannya
Bayangkan kamu minta tolong montir langganan lewat WhatsApp. Kalau cuma mengetik "motorku bunyi aneh", dia menebak-nebak. Kalau kamu kirim foto mesin dan rekaman suaranya, dia bisa menilai dari tiga petunjuk sekaligus.
AI multimodal mirip montir yang menerima ketikan, foto, dan suara dalam satu obrolan. Bedanya, montir benar-benar melihat dan mendengar. AI mengubah gambar dan suara jadi deretan angka yang ia olah bareng teksmu, jadi ia bisa salah menangkap hal yang buat kita jelas, atau malah terpengaruh hal yang buat kita sepele.
Contoh nyata
Peneliti Google DeepMind dan Stanford menguji ini dalam makalah pracetak di arXiv (27 Oktober 2026). Mereka memberi soal pemrograman yang bisa dikerjakan dengan dua cara, lalu menyelipkan gambar hati merah dan meminta model melihat gambarnya. Tanpa gambar, Claude Opus 4.7 dan GPT-5.4 tidak pernah memilih cara kedua. Dengan gambar hati, keduanya memilih cara kedua di semua 20 jawaban.
Artinya buat kamu: di AI multimodal, gambar yang kamu lampirkan ikut membentuk jawaban, bahkan gambar yang kelihatannya cuma hiasan. Lampirkan yang memang relevan saja.
Salah kaprah
"Multimodal artinya AI bisa bikin gambar." Belum tentu. Multimodal soal jenis data yang bisa masuk atau keluar. Menurut dokumentasi Google, Gemini 4 Argon menerima teks, gambar, video, suara, dan PDF, tapi keluarannya teks saja. Membuat gambar itu kemampuan lain, namanya text-to-image.
"AI melihat gambar seperti mata kita." Gambar dipecah dulu jadi token. Di Gemini, gambar besar dibagi jadi ubin 768×768 piksel, dan tiap ubin dihitung 258 token. Google sendiri menulis bahwa resolusi lebih tinggi membantu membaca teks halus dan detail kecil, jadi foto buram atau terlalu kecil bisa dibaca keliru.
Istilah terkait
- AI generatifAI generatif adalah jenis AI yang membuat konten baru, seperti teks, gambar, suara, video, atau kode, dari pola yang ia pelajari dari sangat banyak contoh.
- LLMLLM (large language model) adalah program AI yang dilatih dari teks dalam jumlah sangat besar sampai pandai menebak kata berikutnya, sehingga bisa menjawab, merangkum, dan menulis seperti ChatGPT, Gemini, dan Claude.
- TokenToken adalah potongan kecil teks, bisa satu kata utuh, sepotong kata, atau tanda baca, yang dibaca dan ditulis AI seperti ChatGPT, Gemini, dan Claude.
- Computer visionComputer vision adalah cabang AI yang membuat komputer bisa mengenali isi foto dan video, misalnya wajah, pelat nomor, tulisan, atau benda di jalan.
- OCROCR adalah teknologi yang mengubah tulisan di dalam gambar, misalnya foto struk, KTP, atau dokumen hasil scan, menjadi teks yang bisa disalin, dicari, dan diedit.
- Text-to-imageText-to-image adalah AI yang membuat gambar baru dari kalimat yang kamu ketik, misalnya "kucing oren naik ojek di bawah hujan, gaya cat air".
- GeminiGemini adalah nama asisten AI sekaligus keluarga model AI buatan Google, yang bisa membaca teks, gambar, dan suara, lalu membantu menulis, merangkum, mencari ide, dan membuat gambar.
- DeepfakeDeepfake adalah video, foto, atau suara palsu buatan AI yang meniru wajah atau suara orang sungguhan, sehingga orang itu tampak berkata atau berbuat sesuatu yang tidak pernah ia lakukan.
- EmbeddingEmbedding adalah cara mengubah kata, kalimat, atau gambar menjadi deretan angka, sehingga komputer bisa mengukur seberapa mirip artinya dengan teks atau gambar lain.