گوگل دیپ‌مایند روز ۲۷ اکتبر ۲۰۲۶ (۵ آبان ۱۴۰۵) از Genie 4 رونمایی کرد؛ نسل تازه‌ای از «مدل‌های جهان» که می‌تواند محیط‌های تعاملی و واقع‌گرایانه را به‌صورت لحظه‌ای بسازد و کاربر بتواند درون آن‌ها حرکت کند و صحنه را تغییر دهد. این خبر به‌سرعت در رسانه‌های فناوری مثل TechCrunch، The Verge و Ars Technica بازتاب پیدا کرد و به یکی از داغ‌ترین موضوعات هوش مصنوعی این هفته تبدیل شد. در این مطلب مرور می‌کنیم Genie 4 چیست، چه قابلیت‌هایی دارد، چه کسانی فعلاً به آن دسترسی دارند و چه محدودیت‌هایی هنوز باقی مانده است.
مدل جهان یعنی چه؟
مدل‌های زبانی متن تولید می‌کنند و مدل‌های تصویری عکس یا ویدیو می‌سازند. اما مدل جهان یک قدم جلوتر می‌رود: محیطی شبیه‌سازی‌شده می‌سازد که به ورودی کاربر واکنش نشان می‌دهد. یعنی اگر با صفحه‌کلید به جلو حرکت کنید یا دستور تازه‌ای بدهید، مدل ادامه صحنه را بر اساس همان کنش تولید می‌کند. به همین دلیل این فناوری برای ساخت نمونه اولیه بازی، پیش‌تجسم صحنه‌های خلاقانه و حتی آموزش ربات‌ها و عامل‌های هوش مصنوعی در محیط‌های مجازی مورد توجه قرار گرفته است.
قابلیت‌های تازه Genie 4
بر اساس اطلاعیه رسمی گوگل و گزارش رسانه‌ها، مهم‌ترین تغییرات این نسخه عبارت‌اند از:
- صدای بومی: Genie 4 هم‌زمان با تصویر، صدای محیط، موسیقی و حتی گفت‌وگوی تطبیقی شخصیت‌ها را تولید می‌کند. این مهم‌ترین تفاوت آن با نسل قبل است.
- جهان‌های واقعی‌تر: محیط‌ها فوتورئالیستی‌تر شده‌اند و به گفته گزارش‌ها، فیزیک و انسان‌های داخل شبیه‌سازی طبیعی‌تر به نظر می‌رسند.
- هدایت لحظه‌ای با زبان طبیعی: کاربر می‌تواند در حین تجربه، با نوشتن دستور، چیزهایی مثل زاویه دوربین، آب‌وهوا یا عناصر صحنه را تغییر دهد.
- کنترل با صفحه‌کلید: حرکت در محیط با کلیدها انجام می‌شود، مانند یک بازی ویدیویی.
- برنامه‌ریزی انسجام با Gemini: طبق گزارش‌ها، از Gemini برای حفظ انسجام روایت و صحنه کمک گرفته می‌شود.
چه کسانی به Genie 4 دسترسی دارند؟
Genie 4 فعلاً یک پیش‌نمایش پژوهشی است و برای عموم عرضه نشده است. در مرحله اول، گروهی از آزمایش‌کنندگان مورد اعتماد به آن دسترسی دارند. طبق گزارش‌ها، گوگل قصد دارد دسترسی را در ادامه به مشترکان طرح AI Ultra در پروژه Genie و برخی شرکای اولیه در Gemini API و AI Studio گسترش دهد. بنابراین برای کاربران عادی، از جمله کاربران ایرانی، هنوز امکان استفاده مستقیم از آن وجود ندارد و تاریخ عرضه عمومی هم اعلام نشده است.
محدودیت‌هایی که خود گوگل پذیرفته
نکته قابل توجه این است که گوگل در معرفی Genie 4 به ضعف‌های آن هم اشاره کرده است. دقت صدا، فیزیک، خوانایی متن داخل صحنه، دقت مکانی و حفظ پیوستگی در جلسه‌های طولانی هنوز به‌طور کامل حل نشده‌اند. برخی تحلیل‌ها هم یادآوری کرده‌اند که هنوز بنچمارک رسمی، مشخصات رزولوشن و نرخ فریم، قیمت و مستندات API منتشر نشده است. پس بهتر است Genie 4 را یک گام پژوهشی مهم بدانیم، نه محصولی آماده برای استفاده روزمره.
Genie 4 برای چه کارهایی مفید است؟
- نمونه‌سازی بازی: طراحان بازی می‌توانند ایده یک محیط را پیش از صرف هزینه برای ساخت سه‌بعدی، سریع ببینند و امتحان کنند.
- پیش‌تجسم خلاقانه: فیلم‌سازان و طراحان می‌توانند فضای یک صحنه را پیش از تولید تجسم کنند.
- آموزش ربات و عامل‌های هوشمند: محیط‌های شبیه‌سازی‌شده امکان تمرین بدون خطر و هزینه دنیای واقعی را فراهم می‌کنند.
- آموزش و سرگرمی: در آینده می‌توان تجربه‌های آموزشی تعاملی ساخت که دانش‌آموز درون آن‌ها کاوش کند.
رقابت در حوزه مدل‌های جهان
معرفی Genie 4 در ماهی اتفاق افتاد که پر موبایل دوستان از عرضه مدل‌های تازه بود. در همان روز، شرکت Liquid AI خانواده مدل‌های فشرده LFM3 را معرفی کرد و مایکروسافت هم از مدل ویرایش تصویر MAI Image 2.7 رونمایی کرد. این حجم از عرضه‌ها نشان می‌دهد رقابت هوش مصنوعی از متن و تصویر فراتر رفته و به سمت شبیه‌سازی تعاملی جهان حرکت می‌کند؛ حوزه‌ای که بسیاری آن را یکی از مسیرهای مهم برای ساخت عامل‌های هوشمندتر می‌دانند.
Genie 4 نشان می‌دهد هوش مصنوعی از ساختن تصویر به ساختن تجربه رسیده است؛ هرچند این تجربه هنوز در مرحله آزمایش است.
جمع‌بندی
Genie 4 گوگل دیپ‌مایند با افزودن صدای بومی، جهان‌های واقعی‌تر و امکان هدایت لحظه‌ای با زبان طبیعی، یکی از مهم‌ترین خبرهای هوش مصنوعی این هفته است. با این حال، این مدل هنوز در پیش‌نمایش پژوهشی است، دسترسی به آن محدود است و خود سازندگانش به ضعف‌هایی مثل فیزیک و پیوستگی جلسه‌های طولانی اشاره کرده‌اند. برای کسب‌وکارها و توسعه‌دهندگان، اکنون زمان خوبی است که این حوزه را دنبال کنند و کاربردهای احتمالی آن را در کار خود بسنجند.
