جینی ۴ گوگل دیپ‌مایند؛ ساخت جهان‌های هوش مصنوعی با قابلیت گفت‌وگو و تغییر لحظه‌ای
گوگل دیپ‌مایند مدل جینی ۴ را منتشر کرده است؛ مدلی برای شبیه‌سازی جهان که می‌تواند محیط‌هایی واقع‌گرایانه و با کیفیت تصویری بالا را به‌صورت آنی بسازد. این محیط‌ها صدا دارند و شخصیت‌های درون آن‌ها می‌توانند صحبت کنند. این آزمایشگاه پژوهشی اعلام کرد که نسخه پیش‌نمایش پژوهشی مدل از ۲۷ اکتبر در اختیار آزمایش‌کنندگان مورد اعتماد قرار گرفته است. این خبر در وبلاگ رسمی دیپ‌مایند منتشر شد.
کاربران می‌توانند هنگام اجرای شبیه‌سازی، با استفاده از دستورهای متنی مسیر آن را هدایت کنند و تغییراتی مانند عوض کردن وضعیت آب‌وهوا، جابه‌جایی دوربین یا افزودن یک فرد یا شیء را اعمال کنند. به گفته دیپ‌مایند، جینی ۴ نخستین مدل جهان‌ساز این شرکت است که صدا را به‌صورت بومی و هم‌زمان تولید می‌کند. این قابلیت شامل موسیقی، صداهای محیطی و گفت‌وگوهایی است که در واکنش به تعامل کاربر شکل می‌گیرند.
تیم دیپ‌مایند نوشت: «درک جهان و شبیه‌سازی آن، بخش مهمی از ساخت هوش مصنوعی عمومی (AGI) است.»
نقش مدل‌های جمینای در فرایند شبیه‌سازی
جینی ۴ بر پایه مدل‌های جمینای گوگل ساخته شده است. جمینای اومنی (Gemini Omni) مبنای ظاهر و رفتار جهان‌های شبیه‌سازی‌شده را فراهم می‌کند. در همین حال، جمینای ۳.۸ فلش (Gemini 3.8 Flash) به‌عنوان عامل هوشمند در جریان اجرا فعالیت می‌کند: صحنه را زیر نظر می‌گیرد، هدف را به چند مرحله تقسیم می‌کند و هر فریم جدید را بررسی می‌کند تا مطمئن شود مرحله موردنظر با موفقیت انجام شده است.
در یکی از آزمایش‌ها، جمینای ۴ آرگون (Gemini 4 Argon)، مدلی که گوگل در همین ماه به‌صورت عمومی منتشر کرد، وظیفه‌ای را برای شبیه‌سازی در جینی ۴ طراحی کرد: ربات انسان‌نمای آپولو، محصول شرکت اپترونیک (Apptronik)، باید بازی چکرز انجام می‌داد. دیپ‌مایند می‌گوید این قابلیت امکان ایجاد سناریوهای آموزشی بی‌شماری را برای ربات‌ها فراهم می‌کند.
به گزارش ربکا بلان در تک‌کرانچ، صحنه‌های شبیه‌سازی‌شده اکنون می‌توانند تا دو دقیقه پیوستگی خود را حفظ کنند؛ یعنی دو برابر محدودیت جینی ۳. این آزمایشگاه همچنین می‌گوید قوانین فیزیکی، از جمله آیرودینامیک و برخورد اجسام، واقع‌گرایانه‌تر شده‌اند و حرکات انسان‌ها طبیعی‌تر به نظر می‌رسند.
تجاس کولکارنی، مدیر پژوهش در گوگل، در یک نشست توجیهی گفت: «در آینده، به‌تدریج شاهد مدل‌های ترکیبی جهان خواهیم بود؛ مدل‌هایی که در آن‌ها جمینای کد و متن تولید می‌کند و جینی این محتوا را به‌صورت آنی دریافت می‌کند و واقعیت را در سطوح مختلف انتزاع شبیه‌سازی می‌کند.» این اظهارات به گزارش تک‌کرانچ بیان شده است.
چه کسانی و از چه زمانی به جینی ۴ دسترسی خواهند داشت؟
به گفته دیپ‌مایند، آزمایش‌کنندگان فعال در حوزه‌های فیلم‌سازی، روزنامه‌نگاری، آموزش، بازی‌سازی و مهندسی از این مدل برای پیش‌نمایش بصری پروژه‌ها و ساخت نمونه‌های اولیه بازی استفاده کرده‌اند. برخی عکاسان خبری نیز امکان تبدیل عکس‌های آرشیوی به شبیه‌سازی‌های تعاملی را آزمایش کرده‌اند. مرحله بعدی عرضه، دسترسی مشترکان طرح گوگل ای‌آی اولترا (Google AI Ultra) از طریق پروژه جینی (Project Genie) خواهد بود. شرکای اولیه نیز از طریق رابط برنامه‌نویسی کاربردی جمینای (Gemini API) و گوگل ای‌آی استودیو (Google AI Studio) به مدل دسترسی پیدا می‌کنند. دیپ‌مایند فهرست انتظار را باز کرده، اما هنوز تاریخی برای دسترسی عمومی اعلام نکرده است.
رایان ویتوام در آرس تکنیکا نوشته است که قیمت طرح‌های اولترا از ماهانه ۱۰۰ دلار آغاز می‌شود. آرس همچنین یادآوری کرده است که رونمایی از جینی ۳ در سال گذشته باعث افت شدید سهام شرکت‌های فعال در صنعت بازی شد.
دیپ‌مایند به محدودیت‌های این مدل نیز اشاره کرده است. با طولانی‌تر شدن شبیه‌سازی یا اعمال چندین تغییر با دستورهای متنی، ممکن است جزئیات صحنه و تداوم حضور اشیا دچار ناپایداری شود. قابلیت تولید متن خوانا و دقت صدا نیز همچنان در دست توسعه است. تمام ویدئوها و صداهای تولیدشده با جینی ۴ به نشان‌گذاری نامرئی سینث‌آی‌دی (SynthID) گوگل مجهز هستند.
عرضه این مدل در شرایطی انجام می‌شود که بازار مدل‌های جهان‌ساز در حال تجمیع است. شرکت ای‌ام‌دی با خرید شرکت ورلد لبز (World Labs) موافقت کرده است. آمازون نیز در حال مذاکره برای خرید شرکت دکارت (Decart) بوده و شرکت ریویان، شرکت ترد دایمنشن (Third Dimension) را با هدف استفاده از فناوری آن در شبیه‌سازی رانندگی خریداری کرده است.
منابع: گزارش مربوط به خرید ورلد لبز توسط ای‌ام‌دی، گزارش مذاکرات آمازون برای خرید دکارت و گزارش خرید ترد دایمنشن توسط ریویان.