«جینی ۴» رونمایی شد؛ هوش مصنوعی شگفت‌انگیز گوگل برای خلق جهان‌های تعاملی
جینی ۴ جهان‌هایی تعاملی با صدای واقعی و فیزیک دقیق می‌سازد، اما پایداری اشیا و انسجام بلندمدت هنوز حل نشده‌اند.
جینی ۴ جهان‌هایی تعاملی با صدای واقعی و فیزیک دقیق می‌سازد، اما پایداری اشیا و انسجام بلندمدت هنوز حل نشده‌اند.
گوگل با معرفی Genie 4 می‌خواهد مدل‌های تولید ویدیو را وارد فاز کاملا جدیدی کند. مدل تازه‌ی گوگل دیپ‌مایند محیطی را به‌صورت لحظه‌به‌لحظه تولید می‌کند که کاربر می‌تواند در آن حرکت کند، زاویه‌ی دوربین را تغییر دهد، با زبان طبیعی بر رویدادها اثر بگذارد و واکنش شخصیت‌ها را همراه با صدا بشنود. هدف فقط خلق یک نمایش بصری نیست؛ Genie 4 برای شبیه‌سازی پیوسته‌ی ظاهر، رفتار، صدا و زنجیره‌ی علت و معلول طراحی شده است.
بر اساس بیانیه‌ی مطبوعاتی گوگل ، عرضه‌ی مدل فعلا در قالب پیش‌نمایش پژوهشی برای گروهی از آزمایش‌کنندگان مورداعتماد آغاز شده و دسترسی بعدی به مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio می‌رسد. دیپ‌مایند می‌گوید بازخورد همین گروه‌ها، مسیر انتشار گسترده‌تر برای مصرف‌کنندگان و توسعه‌دهندگان را مشخص خواهد کرد.
گوگل می‌گوید سامانه‌ای توسعه داده است که صرفا یک قاب زیبا تولید نمی‌کند، بلکه می‌کوشد وضعیت محیط، اشیا، شخصیت‌ها و پیامد کنش‌ها را در طول زمان بازنمایی کند. کاربر رویدادی را آغاز می‌کند و Genie 4 ادامه‌ی احتمالی آن را می‌سازد؛ جهان واکنش نشان می‌دهد، صداهای متناسب شکل می‌گیرند و افراد حاضر در صحنه حرکت می‌کنند، حرف می‌زنند یا رفتارشان را با اتفاقات پیرامون تطبیق می‌دهند.
دیپ‌مایند توانایی فهم و شبیه‌سازی جهان را بخشی مهم از مسیر توسعه‌ی هوش جامع مصنوعی می‌داند. کاربرد موردنظر فقط سرگرمی نیست. محیط‌های متغیر و کنترل‌شده می‌توانند برای آموزش ربات‌ها و عامل‌های هوشمند، آزمایش رفتار سامانه‌ها پیش از ورود به دنیای واقعی و طراحی تجربه‌های تعاملی تازه به کار روند.
معماری معرفی‌شده در نسخه‌ی جدید جینی، قابلیت‌های چند مدل خانواده‌ی جمنای را در خود دارد. Gemini Omni ظاهر و رفتار شبیه‌سازی را به الگوهای جهان واقعی نزدیک نگه می‌دارد و مدل‌های دیگر جمنای استدلال لازم برای حفظ انسجام و تداوم محیط را فراهم می‌کنند. جینی ۴ نیز واقعیت فیزیکی فوری را پیکسل‌به‌پیکسل می‌سازد.
تعامل با نمونه‌های نمایشی از راه کنترل‌های معمول صفحه‌کلید برای حرکت و هدایت دوربین انجام می‌شود. هم‌زمان، فرمان‌های متنی مسیر صحنه را تغییر می‌دهند. کاربر می‌تواند آب‌وهوا را عوض کند، دوربین را جابه‌جا سازد یا شخص و شیء تازه‌ای وارد محیط کند. جمنای فرمان را با زمینه‌ی موجود تطبیق می‌دهد تا عنصر جدید تا حد ممکن با فضای پیرامون سازگار بماند.
نقش جمنای میان فرمان‌های مستقیم نیز ادامه پیدا می‌کند. مدل صحنه را زیر نظر می‌گیرد و روند شبیه‌سازی را هدایت می‌کند تا جهان از مسیر منطقی خود خارج نشود. بنابراین، سامانه فقط منتظر ورودی بعدی کاربر نمی‌ماند و برای پیوستگی رویدادها مداخله می‌کند.
نخستین قابلیت کلیدی، هدایت هم‌زمان شبیه‌سازی با زبان طبیعی به شمار می‌رود. تغییر نور، وضعیت جوی، ترکیب صحنه، حرکت دوربین یا ورود یک شخصیت می‌تواند هنگام اجرای محیط رخ دهد. تفاوت مهم با تولید ویدئو آنجا است که نتیجه از ابتدا بسته و قطعی نیست؛ هر پرامپت تازه باید با وضعیت جاری جهان ترکیب شود و ادامه‌ی متفاوتی بسازد.
جینی ۴ بر پایه‌ی درکی پیشرفته‌تر از رفتار فیزیکی جهان طراحی شده و سناریوهایی شامل آیرودینامیک و برخورد را شبیه‌سازی می‌کند. بااین‌حال، دیپ‌مایند بزرگ‌ترین جهش را در بازنمایی انسان‌ها می‌بیند. شخصیت‌ها باید طبیعی حرکت کنند، نسبت به محیط واکنش نشان دهند و به‌صورت آنی هدایت‌پذیر باقی بمانند.
ترکیب سه نیاز، مسئله را دشوار می‌کند. حرکت یک فرد باید از نظر بصری باورپذیر باشد، واکنش او با اتفاق قبلی تناسب داشته باشد و فرمان تازه‌ی کاربر نیز بدون گسستن جریان صحنه اعمال شود. لغزش در هرکدام می‌تواند انسجام کل تجربه را از بین ببرد.
جینی ۴ نخستین مدل بلادرنگ دیپ‌مایند محسوب می‌شود که صدا را به‌صورت بومی تولید می‌کند. هر محیط صدای متناسب با فضای خود را دارد؛ از وزش باد میان درختان گرفته تا برخورد موج‌ها با ساحل. موسیقی شبیه‌سازی‌شده، صدای محیط و گفت‌وگو می‌توانند همراه با تصویر شکل بگیرند.
بخش پیچیده‌تر به گفتار انسان مربوط می‌شود. شخصیت‌ها در لحظه با کاربر گفت‌وگو می‌کنند و پاسخشان با فرمان‌ها یا حوادث داخل جهان تغییر می‌یابد. صدا در چنین ساختاری لایه‌ای جداگانه روی ویدئو نیست، بلکه باید با زمان‌بندی کنش‌ها، هویت شخصیت و تحول محیط هماهنگ بماند.
ترکیب جمنای و جینی امکان مدل‌سازی رویدادهای پیچیده و چندمرحله‌ای را فراهم می‌کند. در سازوکار توضیح‌داده‌شده، Gemini 3.8 Flash مانند یک عامل راهنما داخل حلقه عمل می‌کند. هم‌زمان با تولید جهان، صحنه را پیوسته می‌بیند، هدف را به چند مرحله تقسیم می‌کند و فریم‌های ورودی را برای سنجش پیشرفت و موفقیت هر گام بازبینی می‌کند.
اگر محیط تغییر کند یا کاربر دخالت تازه‌ای داشته باشد، جمنای برنامه را همان لحظه اصلاح می‌کند. دیپ‌مایند انتظار دارد چنین همکاری‌ای به رفتارهای رویه‌ای و استدلال چندمرحله‌ای منجر شود؛ ویژگی‌هایی که برای آزمودن عامل‌های هوشمند پیش از استقرار در محیط واقعی اهمیت دارند.
پژوهشگران همچنین ترکیب جمنای ۴ و جینی ۴ را در ارتباط با Gemini Robotics آزمایش کرده‌اند. جمنای ۴ وظیفه‌ی تعیین‌شده از سوی کاربر را به چند گام می‌شکند و توضیح متنی هر مرحله هنگام رندر به جینی ۴ می‌رسد. قابلیت هدایت زنده با متن اجازه می‌دهد شبیه‌سازی در مسیر انجام وظیفه اصلاح شود، نه آنکه پس از هر خطا کاملا از ابتدا ساخته شود.
دیپ‌مایند آینده‌ی حوزه را در مدل‌های فراگیر ترکیبی جست‌وجو می‌کند. چنین سامانه‌ای استدلال منطقی و ساختاریافته‌ی کد و مدل‌های زبانی را با بازنمایی حسی شبیه‌سازی پیکسلی پیوند می‌دهد. یک بخش ساختار، اهداف و خط زمانی روایت را می‌چیند و بخش دیگر ظاهر، صدا و واکنش فیزیکی جهان را تولید می‌کند.
همکاری نزدیک‌تر جینی و جمنای گامی ابتدایی در همان جهت به شمار می‌آید. جمنای پشت صحنه نقشه و توالی رویدادها را تنظیم می‌کند؛ جینی واقعیت فوری را می‌سازد. حاصل مطلوب، مدلی کنترل‌پذیرتر و منسجم‌تر خواهد بود که اتکای بیشتری به روابط جهان دارد، هرچند نمونه‌ی کنونی هنوز به آن نقطه نرسیده است.
دیپ‌مایند صریحا جینی ۴ را مدلی اولیه و آزمایشی معرفی می‌کند. محیط طی نشست‌های کوتاه انسجام خود را حفظ می‌کند، ولی جزئیات بصری و ماندگاری اشیا ممکن است به‌مرور تغییر کنند. اجرای طولانی‌تر، ویرایش‌های پیچیده و متعدد با فرمان متنی یا حرکت گسترده در صحنه احتمال لغزش را افزایش می‌دهد.
ادغام سیستم تولید بلادرنگ با تصویر واقع‌گرایانه، مجموعه‌ی تازه‌ای از خطرها را ایجاد می‌کند. دیپ‌مایند می‌گوید جینی ۴ از محافظ‌های ایمنی هماهنگ با سیاست‌های دیگر مدل‌هایش بهره می‌گیرد و پیش از عرضه‌ی پیش‌نمایش، ارزیابی‌های داخلی سخت‌گیرانه‌ای برای جلوگیری از محتوای زیان‌بار یا مخرب پشت سر گذاشته است.
جینی ۴ اکنون یک محصول عمومی کامل نیست. مدل در مرحله‌ی پیش‌نمایش پژوهشی به آزمایش‌کنندگان مورداعتماد رسیده و قرار است به‌زودی برای مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio ارائه شود. علاقه‌مندان Project Genie نیز می‌توانند به فهرست انتظار بپیوندند.