گوگل دیپ‌مایند از Genie 4 رونمایی کرد؛ مدل جهان تعاملی با صدای زنده

گوگل دیپ‌مایند روز سه‌شنبه Genie 4 را معرفی کرد و آن را بی‌درنگ در دسترس آزماینده‌های مورد اعتماد قرار داد؛ انتظار می‌رود عرضه گسترده‌تر آن برای مشترکان Google AI Ultra از طریق Project Genie و نیز شرکای دسترسی زودهنگام به Gemini API و Google AI Studio در هفته‌های آینده انجام شود. Genie 4 یک مدل جهان است — یعنی محیط‌های مجازی تعاملی را از روی دستورهای متنی یا تصویری می‌سازد — و در سه حوزه کلیدی ارتقای مهمی نسبت به نسخه پیشین خود دارد. نخست، صدای بومی و هماهنگ‌شده تولید می‌کند: موسیقی، صداهای محیطی و گفت‌وگوهای واکنشی شخصیت‌ها همگی همزمان با جهان شبیه‌سازی‌شده و در زمان واقعی ظاهر می‌شوند. دوم، سقف انسجام صحنه نسخه پیشین را دو برابر کرده و فیزیک و چیدمان اشیا را تا دو دقیقه منسجم نگه می‌دارد. سوم، کاربران می‌توانند با تایپ کردن دستورها در میانه اجرا، شبیه‌سازی را هدایت کنند؛ مثلاً آب‌وهوا یا زاویه دوربین را تغییر دهند یا اشیایی اضافه کنند، که این موضوع تجربه را واقعاً تعاملی می‌سازد و نه صرفاً یک‌بار تولیدشده. Genie 4 به‌شکل نزدیکی با Gemini، مدل هوش مصنوعی گوگل، یکپارچه شده است؛ Gemini در نقش کارگردان عمل می‌کند، مراحل را برنامه‌ریزی می‌کند و فریم‌ها را بررسی می‌کند، در حالی که Genie تصاویر را می‌سازد. در آزمایشی مرتبط در حوزه رباتیک، مدل Gemini 4 Argon وظایف را به مراحلی تقسیم کرد که Genie 4 آن‌ها را در زمان واقعی شبیه‌سازی کرد؛ موضوعی که نشان می‌دهد می‌توان سناریوهای ربات را پیش از استقرار در جهان واقعی، به‌صورت مجازی آزمایش کرد. از جمله کاربردهای احتمالی که تیم سازنده به آن‌ها اشاره کرده‌اند می‌توان به نمونه‌سازی اولیه بازی‌ها، شبیه‌سازی رباتیک، طراحی استوری‌بورد فیلم و آموزش تعاملی اشاره کرد. محدودیت‌های کنونی شامل انحراف گاه‌به‌گاه در جزئیات ریز طی شبیه‌سازی‌های طولانی‌تر و نیز چالش‌هایی در تضمین دقت صدا و خوانایی متن درون جهان شبیه‌سازی‌شده است.