مدل جدید دنیای هوش مصنوعی گوگل می تواند صدای انسان را تولید کند، نه فقط ویدیو

Google DeepMind جدیدترین نسخه از مدل جهانی هوش مصنوعی خود را معرفی کرده است که به گفته این شرکت "واقع گرایی بی سابقه را باز می کند" و در شبیه سازی انسان ها تخصص دارد.

این مدل جدید به نام Genie 4 که امروز به عنوان یک پیش‌نمایش تحقیقاتی محدود در میان گروه کوچکی از آزمایش‌کنندگان اولیه راه‌اندازی شد، می‌تواند ویدیوهای واقعی واقعی را تولید کند که کاربران می‌توانند در زمان واقعی از طریق اعلان‌های ساده زبان طبیعی آن‌ها را تغییر دهند. برخلاف نسل قبلی خود Genie 3 - که گوگل برای اولین بار در آگوست سال گذشته از آن رونمایی کرد - مدل جدید می تواند صدا نیز تولید کند. و می تواند این کار را به صورت خودکار انجام دهد، تا با هر صحنه بصری که کاربر ساخته است مطابقت داشته باشد. گوگل در یک پست وبلاگی که روز سه شنبه منتشر شد، نوشت: «هر دنیا صدای محیط اطراف خود را دارد، از باد در درختان گرفته تا امواجی که در ساحل می‌کوبند».

گوگل همچنین توانایی مدل جدید را برای شبیه سازی فیزیک دنیای واقعی، ایجاد صحنه هایی که به طور پویا به تغییر زوایای دوربین، تغییر در نور و غیره پاسخ می دهد، برجسته می کند.

اما وجه تمایز واقعی این مدل در مقایسه با نسخه های قبلی، به گفته گوگل، توانایی آن در شبیه سازی انسان است. حرکات بدن و حالات چهره اکنون روان‌تر و واقعی‌تر هستند، در حالی که تصاویر جن 3 بیشتر مکانیکی هستند. گوگل در پست وبلاگ خود نوشت: «دراماتیک‌ترین جهش این است که Genie 4 چگونه افراد را شبیه‌سازی می‌کند، شخصیت‌هایی خلق می‌کند که به طور طبیعی حرکت می‌کنند، به محیط‌هایشان واکنش ارگانیک نشان می‌دهند و می‌توانند به صورت تعاملی در زمان واقعی هدایت شوند.

این جهش به شبیه‌سازی صدای انسان نیز ادامه می‌یابد: کاربران می‌توانند از شخصیت‌های تولید شده توسط هوش مصنوعی بخواهند با یکدیگر گفتگو کنند و به رویدادهایی که در یک ویدیو آشکار می‌شوند پاسخ دهند.

«مدل‌های جهانی» به حوزه اصلی سرمایه‌گذاری برای آزمایشگاه‌های هوش مصنوعی مرزی تبدیل شده‌اند، زیرا آنها سعی می‌کنند سیستم‌هایی بسازند که تقریبا به هر نوع ورودی از داده‌های آموزشی محدود پاسخ دهند. آنها باید بتوانند از طریق مشاهده و شبیه سازی مکانیک واقعی دنیای فیزیکی یاد بگیرند، نه اینکه فقط توانایی خود را در رشته منسجم کلمات با هم بهبود بخشند. برخی از کارشناسان، به ویژه دانشمند کامپیوتر فرانسوی و برنده جایزه تورینگ، یان لیکان، پیشنهاد کرده اند که مدل های جهانی - به جای LLM - محتمل ترین مسیر برای توسعه هوش عمومی مصنوعی واقعی هستند.

به نظر می رسد گوگل این دیدگاه را به اشتراک می گذارد: این شرکت در پست وبلاگ سه شنبه خود نوشت: "درک و شبیه سازی جهان یک جنبه حیاتی در ساختن AGI است."

گوگل می‌گوید که Genie 4 با «حفاظ‌های ایمنی سخت‌گیرانه» شبیه به ابزارهایی که این شرکت در اطراف سایر ابزارهای هوش مصنوعی خود قرار داده است، عرضه می‌شود و تحت «ارزیابی‌های ایمنی دقیق برای جلوگیری از تولید محتوای مضر یا مخرب» قرار دارد. این مدل هنوز در مراحل ابتدایی خود است و گوگل می گوید که هنوز گهگاهی برای حفظ ثبات بصری و دقت صوتی، به ویژه زمانی که شبیه سازی طولانی تر و پیچیده تر می شود، تلاش می کند. طبق پست وبلاگ، تمام ویدیوها و صداهای تولید شده توسط Genie 4 با SynthID، واترمارک نامرئی گوگل، برچسب گذاری می شوند.

با محدود کردن در دسترس بودن اولیه مدل منحصرا به گروهی از شرکای آزمایشی، گوگل می‌گوید که قصد دارد قبل از انتشار عمومی‌تر، بازخورد جمع‌آوری کند و هرگونه ارتقای ایمنی لازم را انجام دهد، که از مشترکین Google AI Ultra شروع می‌شود. (پست وبلاگ مشخص نکرده است که این انتشار گسترده‌تر چه زمانی اتفاق می‌افتد، و Google بلافاصله به درخواست Gizmodo برای اظهار نظر پاسخ نداد.)

در میان آن گروه از آزمایش‌کننده‌های اولیه، توسعه‌دهندگان بازی‌های ویدیویی هستند که به گفته گوگل به‌طور فعال در حال آزمایش Genie 4 هستند تا به سرعت نمونه‌های اولیه کار را از طریق درخواست‌های زبان طبیعی بسازند - آن را «بازی vibe» نامید. این اولین باری نیست که یکی از ابزارهای هوش مصنوعی گوگل تهدید می‌کند که گارد قدیمی بازی‌ها را از بین می‌برد: طبق گزارش‌ها، راه‌اندازی اپلیکیشن وب Project Genie در ژانویه باعث کاهش سهام بازی‌های ویدیویی شد.