Google NotebookLM acaba de receber uma grande atualização: recursos agentic e um novo nome!

Autoria: Universe of AI · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Google NotebookLM Just Got a Major Upgrade: Agentic Capabilities & a New Name! · Canal: Universe of AI · 09:24 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Dados, bancos de dados e embeddings, Ferramentas de desenvolvimento com IA, Saúde e ciência

Resumo

O vídeo apresenta a mudança de nome de NotebookLM para Gemini Notebook e destaca melhorias recentes no produto. A atualização torna o chat mais capaz de gerar arquivos como planilhas e PDFs, além de imagens, diretamente a partir das fontes do usuário. O apresentador demonstra a criação de uma planilha detalhada e de um relatório em PDF com uma imagem, e mostra como o sistema analisa dados e executa código para produzir esses resultados. Na avaliação dele, Gemini Notebook está evoluindo de uma ferramenta de pesquisa para uma plataforma de dados e analytics útil para estudantes, empresas e uso pessoal.

Pontos-chave

NotebookLM foi renomeado para Gemini Notebook, embora o apresentador prefira o nome anterior.
O chat atualizado permite interagir com os notebooks de forma mais ampla, além de apenas fazer perguntas sobre as fontes.
O usuário pode solicitar diretamente pelo chat a criação de planilhas, PDFs, imagens e outros materiais.
O recurso Agentic Research permite começar com uma ideia ou perguntas simples e deixar o sistema conduzir a pesquisa.
A demonstração mostra uma planilha com empresas de IA, produtos, datas de fundação e outros dados extraídos das fontes.
O apresentador observa que os resultados podem incluir formatação e fórmulas de Excel, além de indicadores sobre o nível de suporte dos dados.
Para gerar imagens e relatórios, o sistema analisa as fontes e pode executar código, inclusive por meio de Python.
Os exemplos de uso incluem guias de estudo, quizzes, análise de receitas, briefs de marketing e organização de recibos.
O apresentador considera que Gemini Notebook está se tornando uma plataforma de dados e analytics, não apenas uma ferramenta de pesquisa.

Capítulos

Início	Capítulo	Resumo
00:00	Mudança de nome e apresentação das novidades	O apresentador explica que Notebook LM passou a se chamar Gemini Notebook e introduz as principais melhorias.
01:02	Chat atualizado e Agentic Research	São apresentados o chat mais poderoso, a geração de novos materiais e a possibilidade de iniciar pesquisas com instruções simples.
03:06	Demonstração de planilhas geradas a partir das fontes	O apresentador solicita uma planilha sobre empresas de IA e mostra os dados, a formatação e os indicadores de suporte das informações.
05:13	Relatório em PDF, imagem e exemplos de uso	A demonstração passa pela criação de um PDF e de uma imagem, seguida por exemplos para estudantes, empresas e uso pessoal.

Citações

Vou tentar ao máximo chamar Notebook LM de Notebook LM, mas vou falar sobre Gemini Notebook, que é a mesma coisa. — 00:31

Agora, você também pode criar gráficos, PDFs, planilhas, imagens e muito mais diretamente pelo chat do notebook. — 01:33

Com Agentic Research, você pode começar com uma ideia simples e algumas perguntas, e o Gemini Notebook cuida do resto. — 02:03

Isso está se tornando mais uma plataforma de dados e analytics do que apenas uma ferramenta simples de pesquisa. — 08:52

Conceitos e entidades

NotebookLM (ferramenta): Nome anterior do produto do Google, que o apresentador continua usando durante o vídeo.
Gemini Notebook (ferramenta): Novo nome de Notebook LM apresentado no vídeo, com recursos atualizados de chat e geração de materiais.
Agentic Research (conceito): Recurso que permite iniciar uma pesquisa com uma ideia simples e deixar o sistema conduzir o restante do trabalho.
Google (empresa): Empresa responsável pelo ecossistema ao qual pertence o Gemini Notebook.
Google DeepMind (empresa): Equipe elogiada pelo apresentador pelas melhorias recentes do Gemini Notebook.
Python (ferramenta): Linguagem usada, segundo o apresentador, na execução de código para criar alguns dos resultados, como diagramas.
Excel (ferramenta): Formato e ferramenta associados à planilha gerada na demonstração, que inclui formatação e fórmulas.

Tradução completa (pt-BR)

00:00 Muitos de vocês que acompanham meu canal sabem que um dos produtos do ecossistema do Google de que eu gosto é o Notebook LM. Bem, infelizmente, o Google decidiu cancelar o Notebook LM. Estou brincando, nada mudou, exceto o nome. E isso é algo pelo qual o Google é conhecido: mudar constantemente os nomes dos produtos [música]. E parece que o Notebook LM foi a primeira vítima no ecossistema Gemini, porque foi renomeado para Gemini Notebook. Agora, não sei se gosto do nome Gemini Notebook. Gosto muito mais de Notebook LM. Então, ao longo deste vídeo, vou tentar ao máximo me referir a

00:31 Notebook LM como Notebook LM, mas vou falar do Gemini Notebook, [música] que é a mesma coisa. Espero que vocês não estejam tão confusos quanto eu deixei tudo parecer, mas hoje vamos falar do Notebook LM e do Gemini Notebook, que é o novo nome dele, e das novas atualizações que talvez vocês tenham perdido nos últimos meses. Com novos modelos de IA e muitos novos labs e desenvolvimento open source, um produto que melhorou discretamente nos bastidores é o Notebook LM, e vou mostrar exatamente o que há de novo. Em primeiro lugar, agora o Notebook LM é conhecido como Gemini Notebook. Então, há algumas

01:02 áreas em que o Gemini Notebook melhorou. A primeira é o recurso de chat. Originalmente, esse recurso de chat não era dos melhores. Na maioria das vezes, muitas pessoas importavam seus notebooks para a plataforma de chat do próprio Gemini e conversavam com o notebook por lá. Bem, eles decidiram mudar completamente essa experiência para todos os usuários, o que acho que provavelmente é a maior atualização aqui, porque agora você pode conversar diretamente com seus notebooks do Gemini como conversaria com um LLM comum, já que o recurso de chat é um pouco mais poderoso e inteligente, e há mais interações que você pode ter com

01:33 ele em comparação com antes. Antes, você ficava meio limitado a fazer perguntas sobre suas fontes. Agora, não é mais assim. Também há novas opções de saída. Você pode criar gráficos, PDFs, planilhas, imagens e muito mais diretamente pelo recurso de chat do notebook, algo que, antes desta atualização, exigia uma etapa adicional. Então, sim, é uma pequena atualização, mas acho que ela torna muito melhor toda a experiência de usar o Gemini Notebook. Depois, há também a pesquisa agentic. Antes, você meio que precisava ter um prompt bem elaborado sobre o que queria aprender ou sobre o que queria

02:03 pesquisar. Agora, com a pesquisa Agentic, você pode começar com uma ideia simples e vaga e algumas perguntas, e então o Gemini Notebook cuida do resto. E essas são algumas das maiores melhorias de usabilidade, eu diria, ou atualizações de que pessoalmente tenho gostado muito. E vou mostrar exatamente como elas são. Então, a própria plataforma não mudou muito. É praticamente a mesma plataforma. Estes são meus notebooks antigos, mas vamos abrir um novo notebook. A primeira coisa que vou fazer é fazer uma pergunta simples, como: quero aprender sobre empresas de IA que operam

02:35 pelo mundo todo. Vou usar apenas o modo de pesquisa rápida, não o modo de pesquisa aprofundada, só porque quero mostrar a vocês o que há de novo nas atualizações que eles adicionaram. Depois, vou pressionar Enter. Esse processo não mudou. A experiência em si não mudou. A maior atualização está no recurso de chat. Então, quando tivermos nossa pesquisa e importarmos nossas fontes, poderemos interagir com o chat atualizado. Olha, parece que nossa pesquisa atualizada já está pronta. Podemos ver que ele fez uma pesquisa rápida sobre todas essas empresas. Vou importar todas essas fontes para meu notebook. Uma das atualizações

03:06 que eles adicionaram é o recurso de planilha. Tecnicamente, já tínhamos algo parecido. Tínhamos uma tabela de dados, que era meio limitada. Sabe, você clicava aqui, talvez personalizasse e podia exportá-la como planilha. Mas agora posso pedir coisas mais detalhadas, como: crie uma planilha com a lista das empresas de IA, seus produtos e quando foram fundadas. Passe por todas as minhas fontes e crie algo assim. Antes, esse recurso de chat era bem limitado. O que havia na aba de fontes era tudo o que você conseguia, mas agora ele pode fazer um pouco mais por causa da

03:37 inteligência por trás do recurso de chat, que foi atualizada. Então, vou pressionar Enter. Vocês podem ver que ele está analisando os dados das empresas, compilando a planilha, estruturando a planilha, e então vamos receber a planilha atualizada aqui. Nossa saída terminou de gerar a planilha. E uma coisa que vocês vão notar é que, sempre que há uma nova saída, ela continua sendo armazenada abaixo do painel Studio. Então, este é o arquivo do Excel, e vocês podem ver que ele aplicou alguma formatação e fórmulas do Excel. É assim que este novo Gemini Notebook é poderoso, porque, antes, criar

04:09 uma planilha significava apenas criar uma tabela. Obviamente, não havia fórmulas do Excel nem coisas assim, mas agora temos todos esses outros recursos poderosos que adicionei à planilha, então ela pode realmente acelerar seu workflow. Este é um exemplo simples, mas imaginem que vocês forneçam os dados da própria empresa, os arquivos da própria empresa, seja lá o que for. Se fornecerem algo assim, ele pode entender seus dados, criar uma planilha e explicá-los para vocês, e isso pode acelerar seu workflow. Então, vamos dar uma olhada na planilha. Então, vou… Então, vou abrir isto. Vocês podem ver como esta

04:41 planilha do Excel está limpa e bem formatada. E ela foi criada a partir de um prompt simples que dei ao Gemini Notebook. Temos aqui os nomes das empresas, quando foram fundadas, suas sedes, principais produtos e modelos, algo que eu não pedi para ele incluir. E depois, destaques importantes e contatos, que eu gostei. E então o status dos dados e tudo mais. Por exemplo, de onde obtivemos as informações. Vocês também podem ver que, quando aparece “branco padrão”, significa que a informação está especificamente fundamentada nas fontes. O valor azul é totalmente respaldado pela fonte enviada. Amarelo significa que o sistema está inferindo, e claro significa que está calculando aquele KPI ou métrica. Então, vocês podem ver que

05:13 ele contou 12 Frontier Labs, 18 entidades no total e seis empresas de chips, que estão aqui: TSMC, Samsung e outras. Esse foi apenas um exemplo. Aqui vai outro. Estou pedindo ao Gemini Notebook que transforme minhas fontes em um relatório em PDF, formatado, sobre análise de mercado. No final, quero que crie uma imagem mostrando onde todas as empresas estão localizadas. Então, vou pressionar Enter. O Gemini Notebook terminou de criar nosso PDF e também a imagem que pedimos. Mais uma vez, ela está no painel Studio. Mas, desta vez,

05:44 quero mostrar a vocês o raciocínio por trás de tudo isso que estamos vendo. Por exemplo, obviamente não vou detalhar todo o processo de raciocínio, porque há bastante coisa aqui, mas vocês podem ver: análise dos dados, exame do uso global, revisão das fontes, localização das sedes, identificação dos principais participantes. Depois, ele analisa os dados geográficos porque pedi que criasse uma imagem mostrando onde todos estão localizados. E, quando está criando esses diagramas, tudo acontece por meio do Python, gerando código e coisas assim.

06:14 Então, tudo isso é como código em execução, e vocês podem até ver algumas linhas em que aparece “código executado”. Primeiro ele pensa, depois executa o código para criar a saída que vemos. Mas, aqui está a imagem, por exemplo. Esta é a imagem que podemos ver. Perguntei onde tudo está localizado. Então, é isso que vemos: todas as localizações. Provavelmente há alguns data centers, assim como algumas empresas de semicondutores, como as que vemos aqui em Tóquio. É bem legal: sabemos exatamente quais áreas são importantes, com o Vale do Silício um pouco maior que as demais, provavelmente indicando que

06:46 “Certo, a maioria das empresas está operando por aqui.” E então temos algum movimento por aqui, e também está codificado por cores. Dá para ver que algumas estão verdes, e outras são mais, acho, roxas. Eu queria ter adicionado uma legenda para entender de verdade o que está acontecendo, mas vamos deixar assim, porque talvez você entenda se estiver por dentro do que está acontecendo. Mas, se não estiver, vai ficar meio confuso. Então, uma legenda teria sido legal, mas tudo bem. Vamos dar uma olhada no PDF que ele criou. Olha só este PDF que agora recebemos do modelo. Se você estava acostumado com o

07:18 antigo notebook LM, ou melhor, Gemini notebook, o PDF ou relatório que você pedia antes não tinha esse formato. Isso é incrível. Isso também nos permite agilizar nosso workflow e garantir que, sabe, tudo seja abordado na nossa pesquisa. Às vezes, você pode fazer uma pesquisa aprofundada e ter mais de 20, 30 fontes. Criar um relatório em PDF que resuma tudo não só ajuda você a entender, mas, se estiver compartilhando com outra pessoa, isso provavelmente vai ser mais útil para ela do que a saída do seu notebook LM, aquela

07:49 saída genérica que recebemos do Studio, porque essa formatação torna o conteúdo mais agradável de ver, mais importante e mais útil em um workflow real. Então, é, esses são alguns dos exemplos que mostrei para vocês. Há outros exemplos que eles também publicaram no X. Por exemplo, se você está aprendendo algo, pode pedir para criar cinco questionários ou transformar suas anotações brutas de aula em um guia de estudos em PDF formatado, com um questionário de prática de cinco perguntas. Então, para os estudantes, essa nova atualização vai ser enorme. Depois, você pode adicionar

08:21 todos os URLs do programa desta disciplina como fontes e atualizar suas fontes instantaneamente. Para empresas, o que eu acho muito incrível, você pode pedir para calcular o crescimento da receita de cada linha de produtos e traçar as tendências. Talvez eu faça um vídeo de acompanhamento sobre como usar o recurso de planilhas e sobre o quanto ele é poderoso. Você também pode pedir coisas como a criação de um resumo de marketing. Para questões pessoais, pode pedir, por exemplo, para organizar seus recibos de uma reforma na cozinha e criar uma planilha, ou pode me ajudar a analisar a compra deste imóvel e a avaliar o desempenho recente do mercado. Então, Gemini notebook,

08:52 acho que está se tornando um espaço que muita gente vai usar, não só para aprender, que era sua intenção original, mas agora você também pode trabalhar com suas fontes, entendê-las, analisá-las e criar resultados que vão ajudar você a ser mais analítico em relação aos seus dados. Então, acho que está se tornando mais uma plataforma de dados e análise do que apenas uma simples ferramenta de pesquisa. Muito bem, equipe do Google DeepMind, porque estou gostando muito deste novo Gemini notebook. Mas é isso para o vídeo de hoje. Certifiquem-se de

09:24 se inscreverem no canal, acompanharem também nossa nova newsletter em universeofai.beehive.com, além de se inscreverem no canal principal, World of AI, e nos apoiarem no X seguindo também universeofai z. Até lá, vejo vocês no próximo vídeo.

Transcrição original

[00:00] A lot of you guys who have watched my channel know that one of the products that I love from the Google ecosystem is Notebook LM. Well, unfortunately, Google decided to cancel Notebook LM. I’m just kidding, nothing has changed except for the name. And this is something that Google is known for, changing the names to products [music] constantly and it looks like Notebook LM was the first victim in the Gemini ecosystem because they renamed it to Gemini Notebook. Now, I don’t know if I like the name Gemini Notebook. I like Notebook LM much better. So, throughout this video, I’m going to try my best to refer to

[00:31] Notebook LM as Notebook LM, but I’m going to be talking about Gemini Notebook, [music] which is the same thing. I hope you guys are not as confused as I made it all sound, but today we’re talking about Notebook LM and Gemini Notebook, which is a new name for it and the new updates that you probably have missed over the last couple of months. With new AI models and a lot of new labs and open-source development, one product that has quietly improved in the back end is Notebook LM and I’m going to show you exactly what is new. First things first, now Notebook LM is known as Gemini Notebook. So, there are a couple of

[01:02] areas where Gemini Notebook has improved. The first thing is the chat feature. Originally, this chat feature was not the best. Most of the times, a lot of people would import their notebooks into the actual Gemini chat platform and chat with the notebook in there. Well, they have decided to completely change that experience for all users, which I think is probably the biggest update here because now you can talk directly to your Gemini notebooks like you would talk to a normal LLM because the chat feature is a little bit more powerful, smarter, and there are more interactions that you can take with

[01:33] this compared to before. Before, you’re kind of limited to just ask it questions about your sources. Now, that is not the case. There’s also new outputs. You can create charts, PDFs, spreadsheets, images, and more directly through the notebook chat feature, which is something that before this update was an extra additional step. So, yeah, it’s a small update, but I think it makes the whole experience using Gemini Notebook much better. Then, there’s also agentic Research. Before you kind of had to have a pretty solid prompt about what you wanted to learn or what you wanted to

[02:03] research about. Now with Agentic Research, you can just start with a simple loose idea and some questions and then Gemini Notebook will handle the rest. And these are some of the biggest, I would say, usability features or updates that I personally have been loving. And I’m going to show you exactly what they look like. So the platform itself hasn’t changed a lot. It’s pretty much the same platform. These are my old notebooks, but we’re just going to open up a new notebook. The first thing I’m going to do is ask you a simple question like I want to learn about AI companies that operate

[02:35] across the world. I’m just going to use the fast research mode, not the deep research mode, just because I want to show you guys what’s new with the new updates that they added. Then I’m just going to press enter. So this process has not changed. The experience itself has not changed. The biggest update is the chat feature. So once we have our research and we import our sources, we can interact with the updated chat. So look, it looks like we already have our updated research. We can see that it did a quick research on all these companies. I’m going to import all these sources into my notebook. So one of the updates

[03:06] that they added is a spreadsheet feature. Well, technically we kind of had that. We had a data table, which was kind of limited. You know, you would click on this, you would maybe customize this and you could export this as a spreadsheet. But now I can ask it for more detailed things like make me a spreadsheet with the list of the AI companies their products and when they were founded. go through all my sources and kind of create this. Before this chat feature was kind of very limited. What it had in the sources tab was all you could get, but now it could do a little bit more because of the

[03:37] intelligence behind the chat feature now that has been updated. So I’m going to press enter. So you can see it’s analyzing the company data, compiling the spreadsheet, structuring the spreadsheet, and then we are going to get the updated spreadsheet over here. So our output is done generating our spreadsheet. And one thing you’ll notice is that every time there is a new output, it still gets stored underneath the studio panel. So, this is the Excel file, and then you can see that it had some formatting and Excel formulas that I applied. So, this is how powerful this new Gemini notebook is because creating

[04:09] a spreadsheet before was you just creating a table. There wasn’t obviously Excel formulas or things like that, but we have all of these other powerful features that I added to the spreadsheet, so it can really speed up your workflow. This is a simple example, but just imagine you give it your own company data, your own company files, whatever the case is. But, give it something like that, it can understand your data, give you a spreadsheet, break it down for you, and this could speed up your workflow. So, we’ll just take a look at the spreadsheet. So, I’m so So, I’m just going to open this up. So, you can see how clean and formatted this

[04:41] Excel spreadsheet is. And this is from a simple prompt that I gave Gemini notebook. We have our company names over here, when it was founded, headquarters, key products and models, which is something I didn’t ask it to do. And then notable highlights and contacts, which I liked. And then data status and everything. So, like where we got it from. You can also see that, okay, when it says standard white, it means that it is specifically grounded. Blue value is fully supported by the upload source. Yellow means that they’re inferring, and then light means that they are computing that KPI or metric. So, you can see that

[05:13] it counted 12 Frontier Labs, total 18 entities, and then six chip companies, which are over here, TSMC, Samsung, things like that. Now, that was just one example. And then here’s another example. I’m asking Gemini notebook to turn my sources into a formatted PDF report about market analysis. At the end, I wanted to create an image with where they are all located, the companies. And then I’m going to press enter. So, Gemini notebook is done creating our PDF as well the image we requested. And it’s once again in the studio panel. But, this time around I

[05:44] want to show you guys the thinking behind all of this that we are seeing. For example, I’m not going to go through obviously breakdown all of the thought process it had because there’s a lot over here, but you can see analyzing the data, examining global usage, reviewing sources, pinpointing headquarters, identifying key players, and then it’s analyzing the geographic data be because I asked it to, you know, create an image with where all of them are created. And when it’s actually creating these diagrams, it’s all happening through Python, creating code, things like that.

[06:14] So, all of this is like code that is executing and you can even see at some lines where it says executed code. It first thinks, then it executes the code to kind of create the output that we see. But, here’s the image for example. Here’s the one image that we can see. I asked it where everything is located. So, this is what we see like all of the locations. This is probably some data centers as well as some semiconductor companies we can see over here like Tokyo. It’s pretty nice like you we know exactly areas that are of important Silicon Valley being a little bit bigger than the rest probably signaling that,

[06:46] “Okay, most of the companies are operating over here.” And then we have some movement over here and it’s also color-coded. You can see that some are green, some are more, I guess, purple. I wish I added a legend to really understand what is going on, but we’ll just, you know, cuz you might understand this if you are aware of what’s happening, but if you’re not aware, then you’re just kind of confused. So, a legend would have been nice, but that’s fine. Let’s just take a look at the PDF that it created. So, look at this PDF that we get from the model now. If you were used to the

[07:18] old notebook LM or sorry, Gemini notebook, the PDF or the report output that you would request before was not formatted like this. Like this is insane. This allows us to speed up our workflow as well ensure that, you know, everything is covered in our research. Sometimes you might run deep research and you have like more than 20, 30 sources. Creating a PDF report that summarizes everything not only helps you understand it, but like if you are sharing this with somebody else, this is probably going to be more useful to them than your notebook LM output, that the

[07:49] generic output that we get from the studio, because this formatting just makes it more enjoyable to look at, more important, and more usable in actual workflow. So, yeah, these are some of the examples that I showed you guys. There are other examples that they actually posted on X as well. For example, you can if you’re learning something, you can create five quizzes by just asking it to just create five quizzes or turn your raw lecture notes into a formatted PDF study guide, complete with the five-question practice quiz. So, for students, this new update is going to be huge. Then you can add

[08:21] all of the URLs from this class syllabus as sources, update your sources instantly. For businesses, which I think is really crazy, calculate revenue growth across each product line and plot the trends, which you can request. And maybe I’ll make a follow-up video about how you can use the spreadsheet feature and how powerful it is. Then you can also ask it things like creating a marketing brief. Personal reasons, you can ask it to like organize your receipts for kitchen renovation, make a spreadsheet, or you can help me analyze this property purchase, look at recent market performance. So, Gemini notebook,

[08:52] I think is becoming a big place that a lot of people are going to use, not just for learning, which was its original intention, but now you can also work with your sources, understand your sources, analyze your sources, and create outputs that are going to help you become more analytical about your data. So, this is becoming more of a data and analytics platform, I think, rather than just a simple research tool. So, good job by the Google DeepMind team, because I am definitely enjoying this new [music] Gemini notebook. But, that’s it for today’s video. Make

[09:24] sure you guys are subscribed to the channel, follow our new newsletter as well at universeofai.beehive.com, as well subscribe to the main channel World of AI, and support us on X by following the universeofai z as well. Until then, I’ll see you guys in the next video.