Genie 4 گوگل آمد؛ «مدل جهان» چیست و دنیایی که با یک جمله ساخته و عوض می‌شود به چه کاری می‌آید؟

مدل جهان به زبان ساده چیست؟

یک ابزار ساخت ویدیو با هوش مصنوعی را تصور کنید: شما متنی می‌نویسید و چند ثانیه فیلم تحویل می‌گیرید که دیگر نمی‌توانید واردش شوید. مدل جهان فرق دارد. این مدل محیطی را شبیه‌سازی می‌کند که در لحظه به کارهای شما واکنش نشان می‌دهد؛ چیزی نزدیک به یک بازی ویدیویی، با این تفاوت که هیچ‌کس از قبل آن را کدنویسی نکرده و هر فریم آن را خود مدل می‌سازد.

برای این‌که چنین دنیایی باورپذیر باشد، مدل باید بفهمد اشیا چطور حرکت می‌کنند، به هم برخورد می‌کنند و اگر از جلوی دوربین بیرون رفتند، وقتی برگشتیم باید هنوز سر جایشان باشند. به همین دلیل گوگل شبیه‌سازی جهان را گامی در مسیر ساختن هوش مصنوعی عمومی می‌داند و آن را برای آموزش ربات‌ها و عامل‌های هوش مصنوعی در محیطی امن مهم می‌شمارد.

Genie 4 چه چیزهایی اضافه کرده است؟

به گزارش TechCrunch، گوگل نسخه قبلی یعنی Genie 3 را کمی بیش از یک سال پیش به‌صورت پیش‌نمایش پژوهشی منتشر کرده بود. Genie 4 در مقایسه با آن دنیاهای بسیار واقع‌گرایانه‌تری می‌سازد و چند قابلیت تازه دارد.

• صدای بومی: صدای محیط، موسیقی و دیالوگ تعاملی هم‌زمان با تصویر ساخته می‌شوند؛ دیپ‌مایند می‌گوید این اولین مدل جهان لحظه‌ای‌اش است که صدا را خودش تولید می‌کند
• کنترل لحظه‌ای با زبان ساده: تغییر هوا، حرکت دوربین یا اضافه کردن آدم و شیء وسط اجرا
• ثبات بیشتر صحنه: به نوشته TechCrunch، صحنه تا حدود دو دقیقه یکدست می‌ماند که دو برابر Genie 3 است
• فیزیک بهتر، مثل شبیه‌سازی برخورد و آیرودینامیک، و شخصیت‌هایی که طبیعی‌تر حرکت می‌کنند

نقش جمنای: کارگردان پشت صحنه

Genie 4 تنها کار نمی‌کند. طبق پست دیپ‌مایند، مدل Gemini Omni کمک می‌کند ظاهر و رفتار دنیای ساخته‌شده به دنیای واقعی نزدیک بماند و مدل‌های دیگر جمنای کار استدلال را انجام می‌دهند تا صحنه منسجم بماند. وقتی کاربر دستوری می‌دهد، جمنای آن را با وضعیت فعلی صحنه تطبیق می‌دهد.

دیپ‌مایند از Gemini 3.8 Flash هم به‌عنوان یک عامل راهنما نام برده که هدف را به چند مرحله می‌شکند، فریم‌ها را بررسی می‌کند تا ببیند کار پیش رفته یا نه و اگر دنیا تغییر کرد یا کاربر دخالت کرد، برنامه را عوض می‌کند. TechCrunch این تقسیم کار را این‌طور توصیف کرده: جمنای مثل کارگردان برنامه‌ریزی می‌کند و Genie 4 تصویر را می‌سازد.

ایده اصلی ترکیب دو مدل است: یکی که فکر و برنامه‌ریزی می‌کند و دیگری که دنیا را لحظه به لحظه می‌سازد.

این فناوری به چه کاری می‌آید؟

گوگل چند کاربرد مشخص را مطرح کرده است. در رباتیک، دیپ‌مایند آزمایشی را نشان داده که در آن مدلی به نام Gemini 4 Argon همراه با Gemini Robotics کارها را به چند مرحله تقسیم کرده و Genie 4 آن‌ها را در لحظه شبیه‌سازی کرده است؛ از جمله یک نمایش بازی چکرز با ربات انسان‌نمای Apollo ساخت شرکت Apptronik. هدف این است که سناریوهای ربات قبل از اجرا در دنیای واقعی در شبیه‌سازی آزموده شوند.

در سینما، فیلم‌سازها می‌توانند پیش از فیلم‌برداری چند «برداشت» مختلف با دوربین، نور و دیالوگ متفاوت امتحان کنند. دیگو ریواس، مهندس دیپ‌مایند، به TechCrunch گفته ارزش اصلی حالت لحظه‌ای در کارهای خلاقانه‌ای مثل ایده‌پردازی و استوری‌بورد است که به ایده‌پردازی سریع نیاز دارند.

• بازی: رسیدن از یک ایده به نمونه‌ای قابل گشت‌وگذار پیش از نوشتن کد موتور بازی
• روزنامه‌نگاری و تاریخ: تبدیل یک عکس آرشیوی به شبیه‌سازی یا نمایش رخدادهایی مثل سیل ناگهانی و آتش‌سوزی جنگل
• آموزش: TechCrunch مثالی فرضی از ورود به یک نقاشی تاریخی و گفت‌وگو با شخصیت‌هایش را نقل کرده است
• شرکت‌ها: ساختن سریع سناریوهای شبیه‌سازی در صنایع مختلف، از جمله تولید

چه کسی می‌تواند از آن استفاده کند؟

فعلاً Genie 4 فقط در اختیار گروه محدودی از آزمایش‌کنندگان منتخب است. طبق اعلام گوگل، در هفته‌های آینده به مشترکان Google AI Ultra از طریق Project Genie می‌رسد؛ ابزاری که به نوشته TechCrunch از روی متن یا تصویر دنیای تعاملی می‌سازد. شرکای دسترسی زودهنگام Gemini API و Google AI Studio هم آن را دریافت می‌کنند و یک فهرست انتظار هم باز شده است.

گوگل هنوز درباره قیمت جداگانه و کشورهایی که این قابلیت در آن‌ها عرضه می‌شود چیزی اعلام نکرده است. پس برای کاربر عادی، Genie 4 در حال حاضر بیشتر خبری درباره مسیر آینده است تا ابزاری که امروز بتوان با آن کار کرد.

ضعف‌ها و محافظ‌ها

دیپ‌مایند خودش تأکید کرده Genie 4 هنوز حوزه‌ای پژوهشی و در حال تکامل است. جزئیات تصویر و ماندگاری اشیا ممکن است با گذشت زمان جابه‌جا شوند یا تغییر کنند، به‌ویژه در اجراهای طولانی‌تر یا بعد از چند بار ویرایش. برهم‌کنش‌های فیزیکی پیچیده، دقت صدای لحظه‌ای، خوانا بودن متن داخل صحنه، دقت فضایی و ثبات طولانی‌مدت هم هنوز موضوع پژوهش‌اند. ریواس هم به TechCrunch گفته هنوز «روزهای اول» این فناوری است.

در بخش ایمنی، گوگل می‌گوید پیش از انتشار ارزیابی‌های داخلی انجام داده، عرضه را مرحله‌ای و از آزمایش‌کنندگان منتخب شروع کرده و همه ویدیو و صدای تولیدشده با Genie 4 واترمارک نامرئی SynthID خواهد داشت تا بتوان ساختگی بودن آن را تشخیص داد.

رقابت داغ مدل‌های جهان و پیام این خبر برای ما

گوگل در این مسیر تنها نیست. TechCrunch یادآوری می‌کند که Runway چند ماه پیش مدل GWM Worlds 2 را با قابلیت تولید صدا عرضه کرد و هم‌زمان شرکت‌های بزرگ در حال خرید استارتاپ‌های این حوزه‌اند؛ از جمله خبر خرید World Labs توسط AMD و مذاکره آمازون برای خرید Decart.

برای دانشجوها، بازی‌سازها، انیمیشن‌سازها و فعالان رباتیک در ایران، پیام عملی این خبر روشن است: مرز بین ویدیو، بازی و شبیه‌سازی در حال کم‌رنگ شدن است. حتی اگر امروز به Genie 4 دسترسی نداشته باشید، آشنایی با مفهوم مدل جهان، نوشتن دستورهای دقیق برای صحنه و فکر کردن به استوری‌بورد و نمونه‌سازی سریع، مهارت‌هایی است که با رسیدن این ابزارها به دست عموم ارزشمندتر می‌شوند.