الذكاء الاصطناعي متعدد الوسائط يشير إلى نماذج يمكنها معالجة وتوليد أنواع متعددة من البيانات — نصوص وصور وأحياناً صوت — ضمن نظام واحد. يمكن لـ GPT-4V تحليل الصور والإجابة عن أسئلة عنها، و Gemini يعالج النصوص والصور والصوت معاً. هذا يكسر الحواجز بين أنواع البيانات: يمكن لمصنع عرض صورة كاميرا على نموذج متعدد الوسائط وسؤاله بالنص عن العيب الظاهر فيه، والحصول على إجابة نصية تشير إلى الصورة.