Google DeepMind روز سه‌شنبه Genie 4 را معرفی کرد، جدیدترین مدل جهانی خود برای شبیه‌سازی تعاملی بلادرنگ، آنچه را که این شرکت واقع‌گرایی بی‌سابقه و صدای بومی می‌نامد را به محیط‌های تولید شده توسط هوش مصنوعی که کاربران می‌توانند در پرواز با زبان طبیعی هدایت کنند، ارائه می‌کند.

با توجه به پوشش خبری TechCrunch پس از یک نشست مطبوعاتی، Genie 4 واقعی‌ترین و تعاملی‌ترین دنیایی را که DeepMind تا به امروز تولید کرده است، تولید می‌کند. کاربران می‌توانند در اواسط شبیه‌سازی، اعلان‌ها را برای تغییر یک صحنه تایپ کنند - حرکت دوربین، تغییر آب و هوا، یا معرفی افراد و اشیاء جدید - در حالی که این مدل صدای همگام‌سازی‌شده، از جمله صدای محیط، موسیقی و گفتگوهای تعاملی را در حال تولید می‌کند.

مدل‌های جهانی - سیستم‌های هوش مصنوعی که محیط‌های تعاملی را شبیه‌سازی می‌کنند نه اینکه فقط متن را پیش‌بینی کنند یا تصاویر ثابت را ارائه دهند - به یکی از بحث‌برانگیزترین مرزها در هوش مصنوعی تبدیل شده‌اند. با شتاب گرفتن مسابقه، آخرین نسخه های مدل هوش مصنوعی را در [AI Buzz Wire] (https://aibuzzwire.news) دنبال کنید.

ساخته شده بر روی جمینی، به کارگردانی جمینی

Genie 4 عمیقاً با خانواده مدل Gemini گوگل ادغام شده است. طبق اعلام DeepMind، Gemini Omni شبیه‌سازی‌ها را در ظاهر و رفتار در دنیای واقعی لنگر می‌اندازد، در حالی که سایر مدل‌های Gemini استدلال پیچیده‌ای را ارائه می‌کنند که برای حفظ یک شبیه‌سازی منسجم در طول زمان لازم است.

TechCrunch معماری را به عنوان Gemini توصیف کرد که به عنوان کارگردانی عمل می کند که مراحل را برنامه ریزی می کند و فریم ها را بررسی می کند در حالی که Genie تصاویر را خلق می کند. در یک آزمایش تحقیقاتی مرتبط با Gemini Robotics، یک مدل Gemini 4 Argon وظایف را به مراحلی تقسیم کرد که Genie 4 سپس در زمان واقعی شبیه‌سازی کرد - نمایش موقعیت‌های DeepMind به عنوان راهی ممکن برای تمرین سناریوهای ربات در شبیه‌سازی قبل از اینکه در دنیای فیزیکی اتفاق بیفتند.

به گزارش TechCrunch، تجاس کولکارنی، مدیر تحقیقات گوگل، طی یک جلسه توجیهی گفت: «آنچه در آینده به طور فزاینده‌ای شاهد آن خواهیم بود، این مدل‌های دنیای ترکیبی است 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.

پایداری را دو برابر کنید، فیزیک بهتر

جهش نسلی نسبت به Genie 3 - که به عنوان پیش نمایش تحقیقاتی کمی بیش از یک سال پیش منتشر شد - قابل توجه است. Genie 4 می‌تواند یک صحنه ثابت را تا دو دقیقه حفظ کند، محدودیت قبلی خود را دو برابر کند، و فیزیک بهتر و شخصیت‌های انسان‌مانندتری را در TechCrunch ارائه می‌دهد. همچنین از ویرایش‌های آزاد پشتیبانی می‌کند که قبلاً امکان‌پذیر نبود، مانند تغییر آب و هوا یا زاویه دوربین در زمان واقعی یا اضافه کردن افراد یا اشیاء جدید به یک شبیه‌سازی در حال اجرا.

مدل بدون شکاف نیست. تیم DeepMind در طول جلسه توجیهی اذعان کرد که جزئیات و اشیاء می‌توانند با طولانی‌تر اجرای شبیه‌سازی تغییر کنند و این شرکت هنوز راه حلی برای اطمینان از اینکه صدای تولید شده دقیق باقی می‌ماند یا خوانا بودن متن درون دنیا را حل نکرده است.

یک بازار مدل جهانی در حال تحکیم

Genie 4 در حالی از راه می رسد که صنعت مدل جهانی شروع به تحکیم می کند. TechCrunch خاطرنشان می‌کند که این انتشار چند ماه پس از راه‌اندازی بازی GWM Worlds 2، یک مدل جهانی قابل پخش با تولید صدا، توسط Runway انجام می‌شود. در همین حال، آزمایشگاه‌های جهانی Fei-Fei Li توسط AMD خریداری می‌شود، آمازون در حال مذاکره برای خرید Decart است، و Rivian بعد سوم را خریداری کرده است تا قابلیت‌های شبیه‌سازی را در داخل خود برای آزمایش رانندگی خودران ارائه دهد.

گوگل به وضوح در تلاش است تا جلوتر از این حوزه شلوغ بماند - و سرمایه گذاران متوجه شده اند. گزارش های مطبوعاتی حاکی از آن است که سهام آلفابت پس از رونمایی Genie 4 که درست قبل از گزارش سود سه ماهه شرکت در روز چهارشنبه منتشر شد، بیش از 2 درصد افزایش یافت. نسل قبلی Genie 3 در هنگام عرضه در سال گذشته، سهام بازی های ویدیویی را تحت تأثیر قرار داد، زیرا سرمایه گذاران با این مفهوم دست و پنجه نرم کردند که جهان های تولید شده در زمان واقعی می توانند در نهایت با توسعه بازی های سنتی رقابت کنند.

از بازی تا فیلم داستانی تا رباتیک

DeepMind شبیه‌سازی جهان را به‌عنوان گامی حیاتی به سوی AGI قاب‌بندی می‌کند که محیط‌های آموزشی ایمن را برای روبات‌ها و عوامل فراهم می‌کند. موارد استفاده تجاری صمیمی شامل بازی، یادگیری تعاملی و ساخت می شود. یک مثال گمانه زنی از این شرکت: وارد شدن به نقاشی از یک صحنه تاریخی و گپ زدن با سوژه های آن درباره رویداد به تصویر کشیده شده.

اما کاربران اولیه به جایی غیرمنتظره اشاره می کنند: پیش تولید فیلم. دیگو ریواس، مهندس گوگل دیپ مایند، در جریان کنفرانس مطبوعاتی، در TechCrunch گفت: «جنبه زمان واقعی در مناطقی که حفظ وضعیت جریان در فضای خلاقیت فوق‌العاده مفید است، ارزشمندتر می‌شود». به عنوان مثال، در مرحله ایده پردازی، در مرحله استوری بورد - هر زمان که به نوعی نیاز به ایده پردازی سریع دارید.

آزمایش‌کنندگان مورد اعتماد قبلاً از Genie 4 برای نمونه‌سازی فیلم‌ها استفاده می‌کردند، و ریواس پیشنهاد کرد که کاربران در نهایت می‌توانند برای تبدیل آن نمونه‌های اولیه به دارایی‌های خلاقانه نهایی به Gemini Omni تکیه کنند، اگرچه او تأکید کرد که این قابلیت‌ها همچنان دور از ذهن هستند.

در دسترس بودن

Genie 4 اکنون در پیش‌نمایش تحقیقاتی برای گروه محدودی از آزمایش‌کنندگان مورد اعتماد عرضه می‌شود. در هفته‌های آینده، از طریق Project Genie - ابزار Google برای ایجاد جهان‌های تعاملی از طریق پیام‌های متنی یا تصویری - و همچنین شرکای دسترسی اولیه در Gemini API و AI Studio به مشترکین Google AI Ultra خواهد رسید.

چه مدل‌های جهانی تبدیل به تغییر پلتفرم بعدی شوند یا یک نسخه آزمایشی تحقیقاتی چشمگیر باقی بمانند، Genie 4 یک چیز را روشن می‌کند: مرز بین تماشای ویدیوی تولید شده توسط هوش مصنوعی و پخش درون آن در حال از بین رفتن است.

از هوش مصنوعی جلوتر بمانید

با هر نسخه مرزی و پیشرفت تحقیقاتی همراه باشید — [اخبار هوش مصنوعی بیشتر را در AI Buzz Wire بخوانید] (https://aibuzzwire.news).

[آخرین پیشرفت‌های هوش مصنوعی را از اینجا دریافت کنید] (https://aibuzzwire.news).

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →