گوگل دیپ‌مایند از مدل جهان‌ساز Genie 4 رونمایی اولیه کرد
گوگل دیپ‌مایند روز سه‌شنبه نسخه آزمایشی پژوهشی Genie 4 را منتشر کرد. این مدل جهان‌ساز می‌تواند محیط‌های تعاملی همراه با صدای بلادرنگ تولید کند و به کاربران اجازه دهد در میانه شبیه‌سازی، صحنه‌ها را تغییر دهند.
آزمایش‌کنندگان مورد اعتماد گوگل از همین حالا به این مدل دسترسی دارند. قرار است Genie 4 طی هفته‌های آینده از طریق Project Genie در اختیار مشترکان Google AI Ultra قرار بگیرد؛ سرویسی که با استفاده از دستورهای متنی یا تصویری، جهان‌های تعاملی می‌سازد. شرکای دارای دسترسی زودهنگام به رابط برنامه‌نویسی کاربردی Gemini (API) و محیط Google AI Studio نیز به این مدل دسترسی خواهند یافت.
Genie 4 می‌تواند موسیقی، صداهای محیطی و گفت‌وگوهای تعاملی تولید کند. کاربران همچنین می‌توانند هنگام اجرای شبیه‌سازی، با وارد کردن دستورهای متنی، وضعیت آب‌وهوا یا زاویه دوربین را تغییر دهند و افراد یا اشیای جدیدی به صحنه اضافه کنند.
این مدل می‌تواند یک صحنه منسجم را تا دو دقیقه حفظ کند؛ یعنی دو برابر محدودیت Genie 3 که کمی بیش از یک سال پیش در قالب نسخه آزمایشی پژوهشی منتشر شد. Genie 4 همچنین تصاویر واقع‌گرایانه‌تری تولید می‌کند، از شبیه‌سازی فیزیکی بهتری برخوردار است و شخصیت‌هایی با رفتارهای انسانی‌تر ارائه می‌دهد.
مدل هوش مصنوعی Gemini گوگل نیز ارتباط نزدیک‌تری با Genie 4 پیدا کرده است. Gemini می‌تواند مراحل کار را برنامه‌ریزی کند و هم‌زمان با تولید تصاویر توسط Genie، فریم‌ها را بررسی کند. در یکی از آزمایش‌های پژوهشی حوزه رباتیک Gemini، مدلی با نام Gemini 4 Argon وظایف را به مراحل کوچک‌تر تقسیم کرد و Genie 4 آن‌ها را به‌صورت بلادرنگ شبیه‌سازی کرد. این آزمایش رویکردی بالقوه را برای آزمودن سناریوهای رباتیک پیش از اجرای آن‌ها در دنیای واقعی نشان داد.
تجاس کولکارنی، مدیر پژوهش گوگل، در یک جلسه توجیهی گفت مدل‌های جهان‌ساز ترکیبی در آینده می‌توانند توانایی Gemini در تولید کد و متن را با قابلیت Genie برای شبیه‌سازی بلادرنگ واقعیت در سطوح مختلف انتزاع ترکیب کنند.
از کاربردهای تجاری احتمالی این فناوری می‌توان به بازی‌سازی، رباتیک و آموزش تعاملی اشاره کرد. برای نمونه، در یکی از سناریوهای فرضی آموزشی، کاربر می‌تواند وارد یک نقاشی از رویدادی تاریخی شود و با شخصیت‌های حاضر در آن درباره صحنه گفت‌وگو کند.
آزمایش‌کنندگان مورد اعتماد گوگل، ساخت نمونه‌های اولیه فیلم را نیز یکی دیگر از کاربردهای بالقوه این فناوری دانسته‌اند. دیه‌گو ریواس، مهندس دیپ‌مایند، در یک نشست خبری گفت قابلیت‌های بلادرنگ این مدل به‌ویژه برای حفظ جریان خلاقیت هنگام ایده‌پردازی و طراحی اولیه صحنه‌ها و روایت فیلم مفید است.
گوگل همچنین مدل Veo را عرضه می‌کند که با دریافت دستورهای متنی، تصویری یا ویدئویی، کلیپ‌های ویدئویی با وضوح بالا و صدای همگام‌شده تولید می‌کند. این ابزار در میان فیلم‌سازان نیز محبوبیت بیشتری پیدا کرده است.
ریواس گفت کاربران ممکن است در آینده بتوانند نمونه‌های اولیه ساخته‌شده با Genie 4 را از طریق Gemini Omni به دارایی‌های خلاقانه تبدیل کنند. Gemini Omni یک مدل زبانی بزرگ چندوجهی است که با استفاده از تصویر، صدا و متن ویدئو تولید می‌کند. به گفته او، تحقق این قابلیت‌ها هنوز به زمان نیاز دارد.
عرضه Genie 4 پس از آن صورت می‌گیرد که شرکت Runway چند ماه پیش GWM Worlds 2، دومین مدل جهان‌ساز خود، را معرفی کرد. این مدل امکان بازی تعاملی دارد، به ورودی‌های کاربر واکنش پویا نشان می‌دهد و صدا تولید می‌کند.
شرکت AMD در حال خرید World Labs، شرکت متعلق به فی‌فی لی، است و آمازون نیز در حال مذاکره برای خرید Decart قرار دارد. شرکت خودروسازی ریویان هم Third Dimension را خریداری کرده است تا قابلیت‌های شبیه‌سازی را برای آزمایش فناوری رانندگی خودران در داخل شرکت توسعه دهد.
ریواس تأکید کرد که Genie 4 هنوز در مراحل اولیه توسعه قرار دارد و مشخص نیست محصول نهایی و یکپارچه آن در نهایت چه تجربه‌ای برای کاربران فراهم خواهد کرد. تیم سازنده همچنین پذیرفت که در شبیه‌سازی‌های طولانی‌تر، جزئیات و اشیا ممکن است به‌تدریج از حالت اولیه خود فاصله بگیرند. دقت تولید صدا همچنان مسئله‌ای حل‌نشده است و نوشته‌های موجود در جهان‌های تولیدشده نیز ممکن است خوانا نباشند.