مدل جهان‌ساز Genie 4 گوگل دیپ‌مایند با افزودن صدا، دنیاهای تعاملی می‌سازد
در تازه‌ترین مدل جهان‌ساز گوگل دیپ‌مایند، یک مدل از خانواده جمینای صحنه را فریم‌به‌فریم مشاهده می‌کند و تصمیم می‌گیرد در ادامه چه اتفاقی بیفتد. Genie 4 که روز سه‌شنبه در قالب نسخه پیش‌نمایش پژوهشی و برای آزمایشگران مورداعتماد منتشر شد، این لایه برنامه‌ریزی را با صحنه‌های واقع‌گرایانه ترکیب می‌کند؛ صحنه‌هایی که کاربران می‌توانند با تایپ دستورهای متنی مسیر رویدادهایشان را تغییر دهند و در جریان شکل‌گیری آن‌ها، صدا و گفت‌وگو نیز تولید می‌شود.
نکات کلیدی
- Genie 4 دنیاهای تعاملی را با صدای تولیدشده به‌صورت بومی می‌سازد؛ از جمله موسیقی، صداهای محیطی و گفت‌وگو. کاربران همچنین می‌توانند در میانه شبیه‌سازی، آب‌وهوا، زاویه دوربین، افراد و اشیا را تغییر دهند.
- مدل‌های جمینای رویدادهای چندمرحله‌ای را برنامه‌ریزی می‌کنند و فریم‌های دریافتی را بررسی می‌کنند. در یکی از آزمایش‌های رباتیک، مدل Gemini 4 Argon یک انسان‌نمای شبیه‌سازی‌شده را در جریان بازی چکرز هدایت کرد.
- در حال حاضر، آزمایشگران مورداعتماد به این مدل دسترسی دارند. مشترکان Google AI Ultra از طریق Project Genie و شرکای اولیه در Gemini API و Google AI Studio گروه‌های بعدی دریافت‌کننده دسترسی خواهند بود.
کارگردانی با حضور هوش مصنوعی در حلقه تصمیم‌گیری
Genie 4 جهان را پیکسل‌به‌پیکسل تولید می‌کند و مدل‌های جمینای وظیفه استدلال را بر عهده دارند. Gemini Omni ظاهر و رفتار هر صحنه را به واقعیت جهان فیزیکی پیوند می‌دهد. در طول هر جلسه، Gemini 3.8 Flash صحنه را مشاهده می‌کند، هدف را به چند مرحله تقسیم می‌کند، فریم‌ها را برای اطمینان از اجرای درست هر مرحله بررسی می‌کند و هرگاه محیط تغییر کند یا کاربر مداخله‌ای انجام دهد، برنامه خود را اصلاح می‌کند.
کاربران با کنترل‌های معمول صفحه‌کلید در محیط‌ها حرکت می‌کنند و با دستورهای متنی، رویدادها را هدایت می‌کنند. آن‌ها می‌توانند آب‌وهوا را تغییر دهند، دوربین را جابه‌جا کنند یا فرد و شیئی به صحنه بیفزایند. جمینای نیز هر دستور را با توجه به آنچه از قبل روی صفحه وجود دارد، با محیط هماهنگ می‌کند. به گفته گوگل، یک صحنه می‌تواند تا دو دقیقه انسجام خود را حفظ کند.
تجاس کولکارنی، مدیر پژوهش گوگل، در یک نشست توجیهی گفت آینده به مدل‌های جهان‌ساز ترکیبی تعلق دارد؛ مدل‌هایی که در آن‌ها «جمینای کد و متن می‌نویسد» و Genie خروجی را در لحظه به واقعیتی شبیه‌سازی‌شده تبدیل می‌کند.
صدا، فیزیک و شخصیت‌ها
Genie 4 نخستین مدل جهان‌ساز بلادرنگ دیپ‌مایند است که صدا را به‌صورت بومی تولید می‌کند. صدای باد، امواج و موسیقی هم‌زمان با تصاویر پدیدار می‌شوند و شخصیت‌ها نیز در جریان رویدادها صحبت می‌کنند و به ورودی‌های کاربر واکنش نشان می‌دهند.
این مدل همچنین می‌تواند آثار فیزیکی مانند آیرودینامیک و برخورد اجسام را شبیه‌سازی کند. دیپ‌مایند، شبیه‌سازی انسان‌ها را بزرگ‌ترین پیشرفت این نسل می‌داند: شخصیت‌ها به‌شکلی طبیعی حرکت می‌کنند، به محیط اطراف واکنش نشان می‌دهند و در لحظه، فرمان‌های کاربر را می‌پذیرند.
در آزمایشی مرتبط با پروژه Gemini Robotics، مدل Gemini 4 Argon یک وظیفه را به چند مرحله تقسیم کرد و هنگام رندر شدن صحنه، این مراحل را در قالب شرح‌های متنی به Genie 4 فرستاد. در این نمایش، ربات انسان‌نمای Apollo ساخت شرکت Apptronik بازی چکرز انجام داد؛ نمونه‌ای که نشان می‌دهد می‌توان رفتار ربات‌ها را پیش از ساخت و راه‌اندازی نمونه واقعی، در محیط شبیه‌سازی‌شده تمرین داد.
آزمایشگران از آن به‌عنوان استوری‌بورد استفاده می‌کنند
آزمایشگران مورداعتماد از حوزه‌های صنایع خلاق، روزنامه‌نگاری، آموزش، بازی‌سازی و مهندسی انتخاب شده‌اند. فیلم‌سازان از Genie 4 برای پیش‌نمایش اولیه صحنه‌ها استفاده می‌کنند و با تغییر زاویه دوربین، نورپردازی، دیالوگ و کنش شخصیت‌ها، چندین برداشت آزمایشی می‌سازند. عکاسان خبری نیز بررسی می‌کنند که چگونه می‌توان یک عکس آرشیوی را به صحنه‌ای تبدیل کرد که مخاطب بتواند در آن حرکت کند و بخش‌های مختلفش را کشف کند. توسعه‌دهندگان بازی هم می‌توانند پیش از نوشتن کد موتور بازی، ایده خود را به نمونه‌ای اولیه و قابل‌بازی تبدیل کنند.
دیگو ریواس، مهندس گوگل دیپ‌مایند، در همان نشست گفت قابلیت اجرای بلادرنگ بیش از همه به سازندگانی کمک می‌کند که برای ایده‌پردازی سریع، به‌ویژه در مراحل اولیه طراحی مفهومی و ساخت استوری‌بورد، نیاز دارند پیوسته در جریان خلاقیت باقی بمانند. او افزود که Gemini Omni شاید در آینده بتواند چنین نمونه‌های اولیه‌ای را به محصولات خلاقانه نهایی تبدیل کند؛ بااین‌حال، این مرحله هنوز فاصله زیادی دارد و شکل نهایی تجربه محصول نیز مشخص نشده است.
محدودیت‌های شناخته‌شده و روند عرضه
دیپ‌مایند آشکارا به نقاط ضعف این مدل اشاره می‌کند. با طولانی‌تر شدن جلسه، انجام ویرایش‌های پیچیده یا حرکت در محیط، ممکن است جزئیات و اشیا به‌تدریج تغییر کنند و از حالت اولیه فاصله بگیرند. دقت صدای تولیدشده در لحظه، خوانایی نوشته‌های داخل محیط، دقت مکانی و حفظ انسجام در بلندمدت نیز همچنان از مسائل حل‌نشده پژوهشی هستند.
این شرکت می‌گوید پیش از انتشار نسخه پیش‌نمایش، ارزیابی‌های ایمنی داخلی را انجام داده است و تمام خروجی‌های ویدئویی و صوتی به واترمارک SynthID مجهز هستند. دسترسی ابتدا در اختیار آزمایشگران مورداعتماد قرار می‌گیرد و پس از آن، مشترکان Google AI Ultra از طریق Project Genie و شرکای دارای دسترسی زودهنگام به Gemini API و Google AI Studio می‌توانند از آن استفاده کنند. ثبت‌نام در فهرست انتظار نیز امکان‌پذیر است.
رقابت فشرده و تمرکز روزافزون بازار
عرضه Genie 4 در زمانی صورت می‌گیرد که مدل‌های جهان‌ساز در حال عبور از مرحله نمایش‌های آزمایشی و حرکت به‌سوی محصولات تجاری هستند. شرکت Runway چند ماه پیش مدل قابل‌بازی GWM Worlds 2 را با قابلیت تولید صدا منتشر کرد. AMD در حال خرید شرکت World Labs متعلق به فی‌فی لی است، آمازون درباره خرید شرکت Decart مذاکره می‌کند و ریویان نیز شرکت Third Dimension را برای اجرای آزمایش‌های خودروهای خودران در محیط شبیه‌سازی‌شده خریداری کرده است. پیشرفت گوگل در مقایسه با نسل قبلی خود نیز چشمگیر است: Genie 3 که در اوت ۲۰۲۵ معرفی شد، با وضوح ۷۲۰ پیکسل و نرخ ۲۴ فریم بر ثانیه اجرا می‌شد و هیچ صدایی تولید نمی‌کرد.
رباتیک ممکن است بزرگ‌ترین فرصت تجاری این فناوری باشد. دنیاهای شبیه‌سازی‌شده می‌توانند بی‌نهایت موقعیت تمرینی در اختیار ربات‌ها قرار دهند؛ نیازی که در توسعه داده‌های مصنوعی برای ربات‌های انسان‌نما و دوربین‌های مکانی طراحی‌شده برای سازندگان ربات نیز دیده می‌شود. بااین‌حال، تردیدهایی درباره توانایی این مدل‌ها در پیش‌بینی آنچه واقعاً در جهان فیزیکی رخ می‌دهد همچنان وجود دارد. تا زمانی که صحنه‌ها نتوانند بیش از چند دقیقه انسجام خود را حفظ کنند، Genie 4 بیشتر به صحنه‌ای برای تمرین و بازآفرینی شباهت دارد تا شبیه‌سازی‌گری قابل‌اتکا.
نوشته علیوس نوریکا، نویسنده مقاله