گوگل دیپ‌مایند از جینی ۴ رونمایی کرد؛ ساخت جهان‌های تعاملی در لحظه با صدای داخلی
دیپ‌مایند می‌گوید این فناوری، با وجود نمایش قابلیت‌های خلاقانه چشمگیر، همچنان در مراحل اولیه پژوهش قرار دارد.
گوگل دیپ‌مایند از جینی ۴ رونمایی کرده است؛ جدیدترین نسخه از فناوری آزمایشی هوش مصنوعی این شرکت که به کاربران امکان می‌دهد محیط‌های سه‌بعدی کاملاً تعاملی بسازند. سوندار پیچای، مدیرعامل گوگل، در پیامی در شبکه اجتماعی ایکس (توییتر سابق)، این فناوری را «واقع‌گرایانه‌ترین و تعاملی‌ترین مدل جهان» این شرکت توصیف کرد.
پیچای توضیح داد: «عرضه آزمایشی این فناوری را برای گروهی از آزمایش‌کنندگان مورد اعتماد آغاز کرده‌ایم. این فناوری به‌زودی از طریق پروژه جینی در اختیار مشترکان سرویس Google AI Ultra و از طریق رابط برنامه‌نویسی کاربردی Gemini و محیط AI Studio در دسترس شرکای منتخبِ دارای دسترسی زودهنگام قرار می‌گیرد.»
به گفته گوگل، جینی ۴ هنگام کاوش کاربران، جهان‌های مجازی را فریم‌به‌فریم می‌سازد. کاربران می‌توانند با استفاده از صفحه‌کلید در این محیط‌ها حرکت کنند و هم‌زمان با فرمان‌های زبان طبیعی، صحنه‌ها را تغییر دهند.
گوگل در پستی در وبلاگ رسمی خود نوشت: «با جینی ۴ می‌توانید رویدادها را آغاز کنید و در لحظه، با استفاده از زبان طبیعی، مسیر تحول صحنه‌ها را هدایت کنید؛ برای مثال، دوربین را جابه‌جا کنید، آب‌وهوا را تغییر دهید یا شخصیت‌های تازه‌ای به صحنه بیفزایید. هر جهان نیز صدا را به‌صورت بومی و در لحظه تولید می‌کند؛ از صداهای محیطی و موسیقی گرفته تا گفت‌وگوهای تعاملی.»
خوشحالم که امروز جینی ۴ را معرفی می‌کنم؛ واقع‌گرایانه‌ترین و تعاملی‌ترین مدل جهان ما. این فناوری امکان هدایت محیط‌های پویا در لحظه و شکل‌دادن به رویدادها، زاویه‌های دوربین و کنش‌ها را فراهم می‌کند؛ صدای بومی متناسب با جهان می‌سازد، از صداهای پس‌زمینه واقع‌گرایانه گرفته تا شخصیت‌هایی که می‌توانند در لحظه گفت‌وگو کنند؛ صحنه‌های واقع‌گرایانه با جزئیات تصویری بالا و فیزیک دنیای واقعی را شبیه‌سازی می‌کند؛ و با بهره‌گیری از توانایی استدلال جمینای، رویدادهای چندمرحله‌ای منسجم‌تری می‌سازد. عرضه آزمایشی این فناوری را برای گروهی از آزمایش‌کنندگان مورد اعتماد آغاز کرده‌ایم. این فناوری به‌زودی از طریق پروژه جینی در اختیار مشترکان Google AI Ultra و از طریق رابط برنامه‌نویسی کاربردی Gemini و محیط AI Studio در دسترس شرکای منتخبِ دارای دسترسی زودهنگام قرار می‌گیرد.
— سوندار پیچای، ۲۷ اکتبر ۲۰۲۶
قابلیت‌های جدید جینی ۴ چیست؟
این مدل در مقایسه با نسخه‌های قبلی چندین پیشرفت مهم دارد که هم واقع‌گرایی بصری محیط‌های تولیدشده را افزایش می‌دهد و هم تعامل توسعه‌دهندگان با این فضاها را بهبود می‌بخشد.
شبیه‌سازی در لحظه: جینی ۴ نخستین مدل جهان دیپ‌مایند است که صدا را هم‌زمان با تصاویر تولید می‌کند. در مقاله دیپ‌مایند آمده است: «جمینای فرمان شما را با توجه به بافت و شرایط صحنه تفسیر و تنظیم می‌کند. در فاصله میان ورودی‌های شما نیز جمینای صحنه را زیر نظر می‌گیرد و مسیر آن را هدایت می‌کند تا جهان به شکلی منسجم به پیشروی خود ادامه دهد.»
هدایت متنی در لحظه: کاربران می‌توانند در جریان یک جلسه فعال، دستورهای تازه‌ای وارد کنند و برای تغییر محیط نیازی به شروع دوباره ندارند. یک مدل جمینای که به این سامانه متصل است، فرمان‌ها را با توجه به بافت صحنه تفسیر می‌کند تا تغییرات به شکلی طبیعی اعمال شوند.
در مقاله دیپ‌مایند آمده است: «جینی ۴ نخستین مدل جهان ماست که صدا را به‌صورت بومی و در لحظه تولید می‌کند. هر جهان صداهای محیطی متناسب با فضای خود را دارد؛ از وزش باد میان درختان گرفته تا برخورد موج‌ها با ساحل.»
در ادامه این مقاله آمده است: «بااین‌حال، مرز پیشرفت واقعی در این زمینه به گفتار انسان مربوط می‌شود. جینی ۴ گفت‌وگوهای تعاملی را معرفی می‌کند که در لحظه با شرایط سازگار می‌شوند. شخصیت‌ها می‌توانند به ورودی‌های شما یا رویدادهای داخل جهان واکنش نشان دهند و با شما گفت‌وگو کنند؛ آن هم به‌صورت کاملاً بلادرنگ.»
فیزیک و حرکت انسان: دیپ‌مایند توانایی مدل را در شبیه‌سازی برخوردها، آیرودینامیک و حرکات بدن بهبود داده است. این پیشرفت‌ها باعث می‌شوند واکنش‌ها و تعاملات انسان‌ها در محیط مجازی واقع‌گرایانه‌تر باشند.
در مقاله دیپ‌مایند آمده است: «چشمگیرترین پیشرفت جینی ۴ در نحوه شبیه‌سازی انسان‌ها دیده می‌شود. این مدل شخصیت‌هایی می‌سازد که طبیعی حرکت می‌کنند، واکنش‌های متناسب با محیط نشان می‌دهند و می‌توان رفتارشان را در لحظه و به‌صورت تعاملی هدایت کرد.»
حافظه طولانی‌تر صحنه: به گزارش تک‌کرانچ، جینی ۴ می‌تواند انسجام بصری یک صحنه را تا چند دقیقه حفظ کند؛ برخی گزارش‌ها این مدت را دو دقیقه اعلام کرده‌اند. این میزان دو برابر ظرفیت جینی ۳ است، هرچند مشکلات مربوط به تداوم و حفظ پیوستگی صحنه همچنان وجود دارند.
«گامی مهم در مسیر ساخت هوش عمومی مصنوعی»
در مقاله دیپ‌مایند آمده است: «درک و شبیه‌سازی جهان از جنبه‌های اساسی توسعه هوش عمومی مصنوعی (AGI) است. جینی ۴ توانایی ما را برای ساخت شبیه‌سازی‌های ایمن و دارای تنوع نامحدود ارتقا می‌دهد؛ شبیه‌سازی‌هایی که می‌توانند در حوزه‌هایی مانند توسعه محیط‌های آموزشی برای ربات‌ها و عامل‌های هوش مصنوعی و همچنین خلق تجربه‌های تعاملی جدید کاربرد داشته باشند.»
بااین‌حال، کاربران باید توجه داشته باشند که این فناوری، با وجود نمایش قابلیت‌های خلاقانه چشمگیر، همچنان در مرحله اولیه پژوهش قرار دارد.