مدل جهانی Genie 4 گوگل صدا، دنیای واقعی‌تر و فرمان را در زمان واقعی اضافه می‌کند

Google DeepMind جدیدترین مدل جهانی خود، Genie 4 را در پیش نمایش تحقیقاتی روز سه شنبه منتشر کرد. جدیدترین مدل، واقعی ترین و تعاملی ترین جهان های موجود را تولید می کند و به کاربران اجازه می دهد تا درخواست ها را در اواسط شبیه سازی برای تغییر صحنه تایپ کنند. این مدل همچنین صدای بلادرنگ تولید می‌کند که با دنیای شبیه‌سازی‌شده، از جمله موسیقی، نویزهای محیطی و گفتگوهای تعاملی مطابقت دارد.

عرضه Genie 4 چند ماه پس از آن صورت می‌گیرد که استارت‌آپ ویدیویی هوش مصنوعی Runway دومین مدل جهانی خود را با نام GWM Worlds 2 منتشر کرد، مدلی قابل پخش که به ورودی‌های کاربر به صورت پویا پاسخ می‌دهد و شامل تولید صدا نیز می‌شود. در همان زمان، صنعت مدل جهانی شروع به تحکیم می کند. آزمایشگاه‌های جهانی Fei-Fei Li توسط AMD خریداری می‌شود، آمازون در حال مذاکره برای خرید Decart است، و Rivian به تازگی Third Dimension را خریداری کرده است تا قابلیت‌های شبیه‌سازی را در داخل خود برای آزمایش رانندگی خودران ارائه دهد.

Genie 4 آخرین حرکت گوگل برای پیشتاز ماندن در میدان شلوغ است.

گوگل نسخه قبلی خود، Genie 3 را به عنوان پیش نمایش تحقیقاتی کمی بیش از یک سال پیش منتشر کرد. جدا از اینکه بسیار واقعی تر و دارای صدا است، Genie 4 امکان ویرایش های آزاد مانند تغییر آب و هوا یا زاویه دوربین در زمان واقعی یا اضافه کردن افراد یا اشیاء جدید را فراهم می کند. می‌تواند یک صحنه ثابت را تا دو دقیقه حفظ کند، محدودیت قبلی خود را دو برابر کند، و فیزیک بهتر و شخصیت‌های انسان‌مانندتری را ارائه دهد.

جمینی، مدل هوش مصنوعی گوگل، نیز با Genie 4 ادغام شده است و نقش کارگردانی را ایفا می‌کند که مراحل را برنامه‌ریزی می‌کند و فریم‌ها را بررسی می‌کند در حالی که Genie تصاویر را خلق می‌کند. در یک آزمایش تحقیقاتی مرتبط با Gemini Robotics، یک مدل Gemini 4 Argon وظایف را به مراحلی تقسیم کرد که Genie 4 در زمان واقعی شبیه سازی کرد. این آزمایش یک راه ممکن برای آزمایش سناریوهای ربات در شبیه سازی قبل از وقوع در دنیای واقعی را نشان می دهد.

تجاس کولکارنی، مدیر تحقیقات گوگل، طی یک جلسه توجیهی گفت: «آنچه در آینده به طور فزاینده‌ای خواهیم دید، این مدل‌های دنیای ترکیبی هستند، که در آن ترکیبی از کد و متن Gemini را می‌نویسید، و Genie آن را در زمان واقعی دریافت می‌کند و واقعیت را در سطوح مختلف انتزاع شبیه‌سازی می‌کند.

مانند سایر مدل‌های جهان، موارد استفاده تجاری صمیمی شامل بازی، یادگیری تعاملی و روباتیک است. یکی از نمونه‌های گمانه‌زنی یادگیری تعاملی، ورود به نقاشی از یک صحنه تاریخی و گپ زدن با سوژه‌های نقاشی درباره رویدادی است که به تصویر کشیده شده است.

اما «تست‌کنندگان مورد اعتماد» - افرادی که برای اولین بار به محصولات پیشرفته Google دسترسی پیدا می‌کنند - به یک کاربرد جدید احتمالی اشاره می‌کنند: نمونه‌سازی فیلم‌ها.

دیگو ریواس، مهندس گوگل دیپ مایند، طی یک نشست مطبوعاتی گفت: «جنبه زمان واقعی در مناطقی که حفظ وضعیت جریان در فضای خلاقیت فوق‌العاده مفید است، بسیار ارزشمند می‌شود». برای مثال، در مرحله ایده‌پردازی، در مرحله استوری‌برد - هر زمان که به نوعی به ایده‌پردازی سریع نیاز دارید.»

Google همچنین Veo را ارائه می‌کند، مدل تولید ویدیوی هوش مصنوعی خود که کلیپ‌های با وضوح بالا را با صدای همگام‌سازی داخلی از متن، تصویر یا پیام‌های ویدیویی می‌سازد - ابزاری که محبوبیت آن در بین فیلمسازان رو به افزایش است.

ریواس اضافه کرد که کاربران در نهایت می‌توانند به Gemini Omni، یک مدل زبان بزرگ چندوجهی که می‌تواند ویدیو را از تصاویر، صدا و متن تولید کند، تکیه کنند تا آن نمونه‌های اولیه را به دارایی‌های خلاقانه تبدیل کنند. او می‌گوید اگرچه این قابلیت‌ها هنوز دور از دسترس هستند.

در طول جلسه توجیهی، ریواس تاکید کرد که هنوز روزهای اولیه برای Genie 4 است و هنوز مشخص نیست که تجربه محصول نهایی به چه صورت خواهد بود. این تیم همچنین اذعان کرد که Genie 4 هنوز دارای شکاف‌هایی است: جزئیات و اشیاء می‌توانند هر چقدر شبیه‌سازی طولانی‌تر اجرا شود، تغییر می‌کنند، و آنها هنوز کاملا متوجه نشده‌اند که چگونه می‌توانند از صحت صوت و خوانایی هر متنی در جهان اطمینان حاصل کنند.

Genie 4 اکنون به عنوان پیش نمایش تحقیقاتی برای آزمایش کنندگان مورد اعتماد در دسترس است. در هفته‌های آتی، این مدل برای مشترکین Google AI Ultra در Project Genie، ابزار هوش مصنوعی Google برای تولید جهان‌های تعاملی از طریق پیام‌های متنی یا تصویری، و شرکای دسترسی زودهنگام Gemini API و Google AI Studio عرضه خواهد شد.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

ربکا بلان یک گزارشگر ارشد در TechCrunch است که در آن تجارت، سیاست و روندهای نوظهور در شکل گیری هوش مصنوعی را پوشش می دهد. آثار او همچنین در فوربس، بلومبرگ، آتلانتیک، دیلی بیست و نشریات دیگر ظاهر شده است.

می‌توانید با ارسال ایمیل به [email protected] یا از طریق پیام رمزگذاری‌شده در rebeccabellan.491 در Signal با ربکا تماس بگیرید یا آن را تأیید کنید.

One Pass بخرید، جلد دوم رایگان را در بوت کمپ نهایی سال TechCrunch با آوردن هم بنیانگذار یا شریک خود به صورت کتاب رایگان قبل از انقضای قرارداد BOGO دریافت کنید.

Grok هفت دقیقه اول «Odyssey» آنتونی ها را که توسط هوش مصنوعی ساخته شده است را منتشر می کند

گورستان هوش مصنوعی: فهرستی از پروژه‌ها و استارت‌آپ‌هایی که به لورن فوریستال تبدیل نشدند

اوبر تمام 30000 کارمند خود را در ChatGPT Work Lucas Ropek قرار می دهد

Airbnb کارهای خانه را برای مهمانان محدود می‌کند و با واکنش‌های منفی میزبان لورن فوریستال مواجه می‌شود

تسلا تولید ربات Optimus را در کالیفرنیا با کاهش 43 درصدی سود Kirsten Korosec شان اوکین آغاز کرد.

اینترنت روز بسیار بدی را در زمینه امنیت سایبری سپری می کند سارا پرز