Genie 4 چیست؟ ساخت دنیاهای تعاملی با هوش مصنوعی گوگل


Genie 4 چیست؟ ساخت دنیاهای تعاملی با هوش مصنوعی گوگل #

یک خیابان بارانی پیش روی شماست. می‌نویسید: «هوا آفتابی شود و یک دوچرخه‌سوار وارد صحنه شود.» به حرکت ادامه می‌دهید؛ محیط با دستور شما تغییر می‌کند و صدای خیابان هم همراهش عوض می‌شود.

Genie 4 مدل جهان گوگل دیپ‌مایند برای ساخت چنین محیط‌های تعاملی است. می‌توانید در صحنه حرکت کنید، با متن تغییرش بدهید و صدای اتفاقاتش را بشنوید. تفاوت آن با یک ویدئوی آماده، امکان دخالت‌کردن در جریان صحنه است.

گوگل این مدل را در ۵ آبان ۱۴۰۵ (۲۷ اکتبر ۲۰۲۶) معرفی کرد.

تصویر معرفی رسمی Genie 4 گوگل دیپ‌مایند

تصویر معرفی رسمی Genie 4؛ منبع: Google DeepMind.

صحنه را هنگام اجرا تغییر بدهید #

در یک ویدئوی از پیش ساخته‌شده، اتفاقات صحنه مشخص است. می‌توانید آن را متوقف کنید یا دوباره ببینید، اما تغییر مسیر یک شخصیت به تولید یا ویرایش خروجی نیاز دارد.

در Genie 4، هنگام اجرای محیط می‌توانید جهت حرکت را عوض کنید یا دستور تازه‌ای بدهید. مثلاً بخواهید هوا مه‌آلود شود، شخصیت دیگری وارد صحنه شود یا دوربین به بخش دیگری از محیط برود.

یک طراح می‌تواند برای امتحان‌کردن ایده‌اش، نسخه‌های مختلف یک ایستگاه قطار را ببیند: ایستگاه خلوت در روشنایی صبح یا همان فضا در شب و زیر باران. تغییر نور و آب‌وهوا به او کمک می‌کند دربارهٔ حال‌وهوای صحنه تصمیم بگیرد.

طبق معرفی گوگل، قابلیت‌های اصلی Genie 4 عبارت‌اند از:

  • تغییر زندهٔ صحنه با زبان طبیعی، مانند تغییر آب‌وهوا یا اضافه‌کردن شخصیت و اشیا.
  • حرکت طبیعی‌تر شخصیت‌ها و شبیه‌سازی واقع‌گرایانه‌تر تعاملات فیزیکی نسبت به نسل‌های قبلی Genie، به‌گفتهٔ گوگل.
  • تولید هم‌زمان صدای محیط و گفت‌وگوی شخصیت‌ها.
  • اجرای رویدادهای چندمرحله‌ای با کمک مدل‌های Gemini.

صدا در این مدل بخشی از فرایند تولید جهان است؛ می‌تواند شامل صدای باد، موج دریا یا گفت‌وگویی باشد که با اتفاقات محیط تغییر می‌کند.

مدل جهان چگونه پیوستگی صحنه را حفظ می‌کند؟ #

یک توپ روی میز را تصور کنید. اگر به سمت لبه حرکت کند، انتظار داریم بیفتد. اگر دوربین را بچرخانیم و دوباره به میز نگاه کنیم، انتظار داریم میز همچنان همان‌جا باشد و شکلش عوض نشده باشد.

مدل جهان یا World Model تلاش می‌کند رفتار و تغییرات یک محیط را مدل کند. در تجربه‌ای مانند Genie، مسئله این است که با حرکت کاربر یا دریافت یک دستور تازه، ادامهٔ صحنه چگونه تولید شود.

از نظر فنی، ساختن یک فریم زیبا فقط بخشی از کار است. فریم‌های بعدی هم باید با آنچه قبلاً دیده‌ایم سازگار باشند. اگر شخصیتی پشت یک ستون برود، انتظار داریم از سمت دیگر همان شخصیت بیرون بیاید.

این انتظار به مفهومی به نام «پایداری اشیا» یا Object Permanence مربوط می‌شود: شیء با خارج‌شدن از دید، هویت و حضورش را از دست ندهد. حفظ این پیوستگی در یک محیط مولد، به‌ویژه پس از حرکت دوربین و چند دستور متوالی، یکی از چالش‌هایی است که گوگل هم در محدودیت‌های Genie 4 به آن اشاره می‌کند.

نمودار مفهومی پایداری توپ هنگام دیده‌شدن، پنهان‌شدن و آشکارشدن دوباره

تصویر آموزشی تولیدشده با هوش مصنوعی: پایداری اشیا در زمان پنهان‌شدن از دید.

نقش Gemini در کنار Genie 4 چیست؟ #

دستور «شخصیت وارد اتاق شود، به سمت میز برود و کتاب را بردارد» چند گام دارد. شخصیت باید ابتدا به میز برسد، دستش را به سمت کتاب ببرد و سپس آن را بردارد. ترتیب اتفاقات بخشی از معنای این درخواست است.

طبق توضیح گوگل، مدل‌های Gemini در تفسیر دستورها، برنامه‌ریزی و دنبال‌کردن اتفاقات نقش دارند. در سازوکار معرفی‌شده، Gemini 3.8 Flash عامل هدایت‌کننده است: صحنه را مشاهده می‌کند، هدف را به چند مرحله تقسیم می‌کند و با بررسی فریم‌های تازه، پیشرفت کار را دنبال می‌کند. اگر کاربر دخالت کند یا وضعیت محیط تغییر کند، برنامه را با شرایط تازه تطبیق می‌دهد.

تقسیم کار در این همکاری چنین است:

  1. کاربر هدف یا تغییر موردنظرش را بیان می‌کند.
  2. Gemini آن را در زمینهٔ صحنه تفسیر می‌کند و در صورت نیاز مراحل را برنامه‌ریزی می‌کند.
  3. Genie ظاهر، صدا و واکنش‌های محیط را تولید می‌کند.
  4. Gemini روند اتفاقات را دنبال می‌کند و به تغییر شرایط پاسخ می‌دهد.
نمای مفهومی همکاری Gemini و Genie 4 و بازخورد محیط

نمودار مفهومی همکاری مدل‌ها، تولیدشده با هوش مصنوعی بر اساس توضیحات گوگل.

چه تفاوتی با Unity و Unreal Engine دارد؟ #

در یک موتور بازی، توسعه‌دهنده معمولاً وضعیت اشیا، قوانین برخورد و منطق بازی را تعریف می‌کند. مثلاً برنامه می‌داند بازیکن چند امتیاز دارد و کدام در با کدام کلید باز می‌شود. چنین قواعدی را می‌توان ذخیره کرد، تغییر داد و آزمود.

در یک محیط مولد مانند Genie، بخش مهمی از تجربه با تولید خروجی مدل شکل می‌گیرد. در نتیجه، دیدن یک تعامل باورپذیر به‌تنهایی ثابت نمی‌کند که تمام قوانین و وضعیت‌های پشت آن، دقیق و قابل‌کنترل هستند.

معیار موتور بازی متعارف Genie 4
تعریف رفتار منطق برنامه و اجزای تعریف‌شدهٔ پروژه تولید مدل و هدایت زبانی صحنه
کنترل قواعد امکان تعریف و آزمودن قواعد مشخص وابسته به قابلیت‌ها و محدودیت‌های مدل
کاربرد در پروژه ساخت تجربه‌ای با منطق قابل‌کنترل پیش‌نمایش و آزمایش ایده‌های تعاملی

یک تیم بازی‌سازی می‌تواند با Genie حال‌وهوای یک مرحله یا حرکت دوربین را امتحان کند. تبدیل آن ایده به یک بازی با امتیاز، ذخیرهٔ پیشرفت و قوانین دقیق، همچنان مسئلهٔ مهندسی جداگانه‌ای است.

گوگل هم گزارش داده که آزمایش‌کنندگان اولیه از Genie 4 برای پیش‌نمایش صحنه‌های فیلم و نمونه‌سازی تجربه‌های تعاملی استفاده کرده‌اند.

پایداری محیط و محدودیت‌های فعلی #

ظاهر طبیعی یک صحنه می‌تواند تأثیرگذار باشد، اما برای ارزیابی آن باید رفتار محیط را در طول زمان هم دید.

طبق توضیحات رسمی گوگل:

  • جزئیات بصری و پایداری اشیا ممکن است در طول اجرا تغییر کنند.
  • اجرای طولانی‌تر، حرکت در محیط و ویرایش‌های پیچیده می‌توانند ناپایداری را بیشتر کنند.
  • بازسازی مکان‌های واقعی دقت کامل ندارد.
  • نمایش متن خوانا، دقت صدا و تعامل چند عامل هنوز جای پیشرفت دارند.

دربارهٔ زمان اجرا، صفحهٔ رسمی گوگل از «چند دقیقه تعامل پیوسته» صحبت می‌کند. TechCrunch در گزارش معرفی مدل، پایداری صحنه را «تا دو دقیقه» ذکر کرده است.

همچنین طبیعی‌بودن ظاهر یک برخورد، صحت محاسبات فیزیکی آن را اثبات نمی‌کند. برای استفاده در آموزش ربات یا آزمایش یک سناریوی واقعی، باید صحت رفتار شبیه‌سازی را متناسب با همان کاربرد سنجید.

واترمارک SynthID در صدا و تصویر #

گوگل اعلام کرده است که ویدئو و صدای تولیدشده با Genie 4، واترمارک دیجیتال SynthID خواهند داشت. این نشان با چشم یا گوش قابل‌تشخیص نیست؛ ابزارهای سازگار با SynthID می‌توانند وجود آن را بررسی کنند تا به شناسایی محتوای تولیدشده با هوش مصنوعی کمک شود.

وضعیت دسترسی به Genie 4 #

بر اساس صفحات رسمی بررسی‌شده در ۲۰ آبان ۱۴۰۵ (۱۱ نوامبر ۲۰۲۶)، Genie 4 در مرحلهٔ پیش‌نمایش پژوهشی برای آزمایش‌کنندگان منتخب قرار دارد.

گوگل دسترسی بعدی را برای مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio اعلام کرده است. پیوند فهرست انتظار در صفحهٔ رسمی مدل قرار دارد.

برای کسی که می‌خواهد یک ایدهٔ تعاملی را پیش از پیاده‌سازی ببیند، قابلیت‌های معرفی‌شده ارزش بررسی دارند. هنگام ارزیابی، یک صحنه را با چند تغییر متوالی امتحان کنید و بعد به نقطهٔ شروع برگردید: آیا اشیا سر جای خود هستند؟ شخصیت‌ها همان ظاهر را دارند؟ نتیجهٔ دستورهای قبلی حفظ شده است؟ این پرسش‌ها تصویر بهتری از کاربردپذیری مدل نسبت به یک نمای کوتاه و زیبا می‌دهند.

این پست چطور بود؟

پست‌های مرتبط