The Pulse
Google annuncia Foresight per Mac, un assistente per le riunioni che funziona offline
Foresight, l’app sperimentale di Google, usa modelli di IA locali per aiutare a prendere appunti durante le riunioni e cercare tra trascrizioni e file personali su Mac, anche offline. L’annuncio presenta inoltre due demo di ricerca per disp
AI.info Team · Scritto con l’IA ·
Google ha annunciato Google AI Edge Foresight per Mac il 6 ottobre 2026, descrivendola come un’app sperimentale che assiste durante le riunioni elaborando le informazioni localmente. L’app si integra con l’audio di sistema e il microfono del Mac: secondo Google, questo le permette di funzionare con qualsiasi piattaforma per riunioni, anche senza una connessione Internet. Il post afferma che Foresight usa EmbeddingGemma 2 e Gemma 4.
Foresight porta su Mac un assistente locale per le riunioni
Secondo Google, Foresight può arricchire gli appunti sintetici con dettagli recuperati dalla conversazione in corso, aiutare gli utenti a trovare immagini, documenti, trascrizioni e appunti usando il linguaggio naturale e contribuire a rispondere alle domande durante le riunioni o a redigere appunti più estesi. Le ricerche interessano una libreria personale di conoscenze, in cui dati testuali, audio e visivi sono mappati in uno spazio vettoriale condiviso. Google afferma che le informazioni restano sul dispositivo, che l’app può continuare a funzionare senza connessione di rete e che non comporta costi di abbonamento al cloud.
Il post presenta l’app così:
«Siamo lieti di annunciare il lancio di Google AI Edge Foresight per Mac, un’app sperimentale che porta direttamente sul vostro dispositivo un assistente per le riunioni consapevole del contesto».
Google AI Edge Team e Android ML Team, autori del post
EmbeddingGemma 2 supporta la ricerca multimodale
Google descrive EmbeddingGemma 2 come un modello di embedding multimodale a pesi aperti con 740 milioni di parametri. Mappa testo, immagini, fotogrammi video e audio in un unico spazio vettoriale. Secondo il post, combinare queste modalità può ridurre la latenza e il sovraccarico di memoria legati all’uso in sequenza di modelli separati per la generazione di didascalie delle immagini, la trascrizione vocale e la creazione di embedding testuali. Il post non specifica quali compiti di Foresight siano affidati a EmbeddingGemma 2 e quali a Gemma 4.
I modelli di embedding rappresentano le informazioni come vettori che possono essere confrontati per somiglianza. Secondo Google, in Foresight questo approccio consente di cercare tra diversi tipi di file personali e nelle trascrizioni delle riunioni. Il post presenta l’arricchimento degli appunti e il recupero di informazioni tra modalità diverse come funzioni dell’app, senza precisare come siano ripartiti i compiti tra i due modelli.
Due nuove demo di ricerca per dispositivi mobili
L’annuncio aggiunge anche Instant Media Search e Video Moments Finder a Google AI Edge Gallery, un’app dimostrativa per provare modelli di IA sul dispositivo. Instant Media Search trova immagini e video locali tramite richieste in linguaggio naturale o immagini di esempio. Google afferma che memorizza gli embedding dei contenuti multimediali in un database SQLite locale e ordina i risultati in base alla similarità coseno, aggiornandoli mentre l’utente digita.
Video Moments Finder cerca momenti visivi nelle registrazioni video locali senza trascrivere l’audio né generare didascalie testuali intermedie. Dopo che l’utente ha selezionato un video, il motore sul dispositivo indicizza i fotogrammi chiave visivi insieme ai segmenti audio. Una richiesta come «cane che prende al volo un frisbee» può quindi essere confrontata con i fotogrammi del video per individuare i punti temporali pertinenti.
Strumenti per gli sviluppatori che realizzano funzioni di ricerca locale
Google afferma che EmbeddingGemma 2 sarà disponibile tramite ML Kit su Android nelle prossime settimane, con un’accelerazione tramite NPU pensata per migliorare le prestazioni sui dispositivi supportati. Per lo sviluppo multipiattaforma, il post descrive il supporto di MediaPipe Tasks per i componenti Embedder e Semantic Retriever del modello. Gli strumenti sono progettati per gestire passaggi come il ridimensionamento delle immagini, la normalizzazione e la tokenizzazione multimodale, e possono essere usati per app destinate a iOS, macOS, Windows, Linux o al web.
Il post descrive anche la distribuzione del modello con LiteRT, che supporta l’esecuzione su CPU, GPU e NPU. Google riferisce che, nel test descritto, la creazione degli embedding visivi ha richiesto appena 37,3 millisecondi per immagine sulla GPU di un MacBook M5 Pro. L’azienda afferma che gli sviluppatori possono provare le demo per dispositivi mobili in Google AI Edge Gallery e scaricare Foresight per Mac.