Genie 4
Genie 4؛ نسل جدید مدل‌های شبیه‌سازی جهان با قابلیت تعامل صوتی بلادرنگ
سید محمدجواد فیاض
- ۶ آبان ۱۴۰۵
گوگل از Genie 4، نسل جدید مدل جهان (World Model) خود رونمایی کرد؛ مدلی که با هدف افزایش واقع‌گرایی و بهبود شبیه‌سازی‌های تعاملی بلادرنگ توسعه یافته است. این مدل به‌صورت بومی چندوجهی است و می‌تواند هم‌زمان با تولید محیط شبیه‌سازی‌شده، موسیقی، صداهای محیطی و گفت‌وگوهای تعاملی را نیز ایجاد کند.
Genie 4 از قابلیت‌های خانواده مدل‌های Gemini بهره می‌برد. مدل Gemini Omni به شبیه‌سازی ظاهر و رفتار واقع‌گرایانه محیط کمک می‌کند و سایر مدل‌های Gemini با استفاده از استدلال پیچیده، انسجام و پیوستگی شبیه‌سازی را حفظ می‌کنند. به‌این‌ترتیب، کاربر می‌تواند رویدادی را آغاز کند و Genie 4 پیامدهای آن از واکنش محیط گرفته تا حرکت، رفتار و گفتار شخصیت‌ها را شبیه‌سازی کند.
چهار قابلیت کلیدی Genie 4
- کنترل بلادرنگ محیط با زبان طبیعی: کاربران می‌توانند هنگام اجرای شبیه‌سازی، با دستورهای متنی شرایط آب‌وهوا را تغییر دهند، دوربین را جابه‌جا کنند یا شخصیت‌ها و اشیای جدیدی به محیط اضافه کنند. Gemini نیز دستورها را متناسب با زمینه صحنه تطبیق می‌دهد و به حفظ انسجام محیط کمک می‌کند.
- واقع‌گرایی در فیزیک و رفتار انسان: Genie 4 قادر به شبیه‌سازی پدیده‌های فیزیکی مانند آیرودینامیک و برخورد اجسام است. یکی از مهم‌ترین پیشرفت‌های آن، تولید شخصیت‌هایی است که حرکات طبیعی دارند، به محیط واکنش نشان می‌دهند و رفتارشان به‌صورت بلادرنگ قابل‌هدایت است.
- تولید صدا و گفت‌وگو: این مدل برای نخستین‌بار در خانواده مدل‌های جهان بلادرنگ گوگل، صدا را به‌صورت بومی تولید می‌کند. از صدای باد و امواج گرفته تا مکالمات تعاملی شخصیت‌ها، همگی متناسب با رویدادهای محیط ایجاد می‌شوند.
- شبیه‌سازی رویدادهای پیچیده با Gemini: مدل Gemini 3.8 Flash به‌عنوان عامل هدایتگر، صحنه را پیوسته بررسی می‌کند، اهداف را به مراحل کوچک‌تر تقسیم می‌کند و پیشرفت اجرای آن‌ها را می‌سنجد. همچنین، گوگل ترکیب Genie 4 با Gemini 4 Argon را برای شبیه‌سازی سناریوهای چندمرحله‌ای و پژوهش‌های مرتبط با رباتیک آزمایش کرده است.
پروژه Genie
Genie حالا با گوگل‌مپ و استریت ویو، شبیه‌سازی می‌کند
تجربه تعامل یا جهان‌هایی که هوش مصنوعی می‌سازد
کاربردها و نتایج آزمایش‌های اولیه
آزمایش‌کنندگان اولیه Genie 4 در حوزه‌های فیلم‌سازی، روزنامه‌نگاری، آموزش، بازی‌سازی و مهندسی فعالیت دارند. فیلم‌سازان می‌توانند صحنه‌های مختلف را با تغییر نور، زاویه دوربین و دیالوگ شبیه‌سازی کنند. روزنامه‌نگاران تصویری امکان تبدیل عکس‌های آرشیوی دوبعدی به محیط‌های پویا را بررسی می‌کنند. توسعه‌دهندگان بازی نیز می‌توانند پیش از کدنویسی موتور بازی، نمونه‌های اولیه تعاملی بسازند. همچنین از قابلیت‌های مدل Gemini Robotics نیز می‌توان به‌صورت تعاملی در دل مدل Genie 4 استفاده کرد.
Character prompt: Shot from a first-person POV standing inside the woven wicker basket of a flying hot air balloon, looking out over the leather-trimmed basket edge on the right side of the frame, where black padded support poles, metal rigging chains, and the dark base of the balloon canopy overhead frame the drifting polar vista.
محدودیت‌ها و مسیر آینده
با وجود پیشرفت‌ها، Genie 4 همچنان مدلی آزمایشی است. پایداری جزئیات بصری، ماندگاری اشیا، دقت تعاملات فیزیکی، صحت صدا، نمایش متن خوانا و انسجام بلندمدت از چالش‌های فعلی آن هستند. گوگل توسعه مدل‌های جهان ترکیبی (Hybrid World Models) را مسیر آینده می‌داند؛ رویکردی که استدلال ساختاریافته مدل‌های زبانی را با شبیه‌سازی حسی در سطح پیکسل ترکیب می‌کند. برای ایمنی و شفافیت، محتوای صوتی و تصویری تولیدشده با Genie 4 دارای واترمارک نامحسوس SynthID خواهد بود.
دسترسی
این مدل ابتدا به‌صورت پیش‌نمایش پژوهشی در اختیار آزمایش‌کنندگان منتخب قرار گرفته و قرار است به‌زودی برای مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio عرضه شود.
