Google DeepMind روز سه‌شنبه جدیدترین مدل جهان خود، Genie 4، را در قالب پیش‌نمایش پژوهشی منتشر کرد. این مدل جدید، واقع‌گرایانه‌ترین و تعاملی‌ترین جهان‌ها را تاکنون تولید می‌کند و به کاربران امکان می‌دهد در میانه شبیه‌سازی، با وارد کردن دستور متنی صحنه را تغییر دهند. این مدل همچنین صدای هم‌زمانی تولید می‌کند که با جهان شبیه‌سازی‌شده هماهنگ است و موسیقی، صداهای محیطی و گفت‌وگوی تعاملی را در بر می‌گیرد.

انتشار Genie 4 چند ماه پس از آن صورت می‌گیرد که استارتاپ تولید ویدئو با هوش مصنوعی Runway دومین مدل جهان خود، GWM Worlds 2 را عرضه کرد؛ مدلی قابل‌بازی که به‌طور پویا به ورودی‌های کاربر واکنش نشان می‌دهد و قابلیت تولید صدا هم دارد. هم‌زمان، صنعت مدل‌های جهان در آستانه ادغام و تمرکز بیشتر قرار دارد. شرکت World Labs متعلق به Fei-Fei Li قرار است به AMD واگذار شود، Amazon در حال مذاکره برای خرید Decart است و Rivian به‌تازگی Third Dimension را خریداری کرده است تا قابلیت‌های شبیه‌سازی را برای آزمایش خودروهای خودران به داخل شرکت بیاورد. 

Genie 4 تازه‌ترین تلاش Google برای پیشتازی در این عرصه پررقابت است. 

Google کمی بیش از یک سال پیش، نسخه پیشین این مدل، Genie 3، را در قالب پیش‌نمایش پژوهشی منتشر کرد. Genie 4 علاوه بر واقع‌گرایی بسیار بیشتر و برخورداری از صدا، امکان ویرایش آزادانه را نیز فراهم می‌کند؛ برای مثال، کاربران می‌توانند آب‌وهوا یا زاویه دوربین را در لحظه تغییر دهند یا افراد و اشیای تازه‌ای به صحنه اضافه کنند. این مدل می‌تواند صحنه‌ای یکپارچه را تا دو دقیقه حفظ کند؛ یعنی دو برابر محدودیت نسخه پیشین. همچنین فیزیک بهتری دارد و شخصیت‌های آن انسانی‌تر هستند. 

مدل هوش مصنوعی Google، یعنی Gemini، نیز با Genie 4 یکپارچگی بیشتری دارد و در نقش کارگردان، مراحل را برنامه‌ریزی می‌کند و فریم‌ها را بررسی می‌کند، درحالی‌که Genie تصاویر را می‌سازد. در آزمایشی پژوهشی مرتبط با Gemini Robotics، مدلی به نام Gemini 4 Argon وظایف را به مراحلی تقسیم کرد که Genie 4 آن‌ها را در لحظه شبیه‌سازی کرد. این آزمایش راهی احتمالی را نشان می‌دهد که با استفاده از آن می‌توان سناریوهای رباتیک را پیش از وقوع در دنیای واقعی، در محیط شبیه‌سازی‌شده آزمود.

Tejas Kulkarni، مدیر پژوهش در Google، در جلسه توجیهی گفت: «در آینده به‌تدریج شاهد مدل‌های جهان ترکیبی خواهیم بود؛ مدل‌هایی که در آن‌ها Gemini کد و متن می‌نویسد و Genie آن‌ها را در لحظه دریافت می‌کند و واقعیت را در سطوح مختلف انتزاع شبیه‌سازی می‌کند.» 

مانند دیگر مدل‌های جهان، کاربردهای تجاری احتمالی آن شامل بازی، یادگیری تعاملی و رباتیک می‌شود. یک نمونه فرضی از یادگیری تعاملی می‌تواند ورود به یک نقاشی از صحنه‌ای تاریخی و گفت‌وگو با شخصیت‌های نقاشی درباره رویدادی باشد که به تصویر کشیده شده است.

اما «آزمایش‌کنندگان مورداعتماد» — افرادی که زودتر از دیگران به محصولات پیشرفته Google دسترسی پیدا می‌کنند — به کاربرد تازه‌ای اشاره می‌کنند: نمونه‌سازی اولیه برای فیلم‌ها.

Diego Rivas، مهندس Google DeepMind، در نشست خبری گفت: «قابلیت کار در لحظه در حوزه‌هایی بیشترین ارزش را پیدا می‌کند که حفظ جریان خلاقیت در آن‌ها بسیار مفید است. برای نمونه، در مرحله ایده‌پردازی یا استوری‌بورد؛ هر زمان که به ایده‌پردازی سریع نیاز باشد.»

Google همچنین Veo را عرضه می‌کند؛ مدل تولید ویدئوی هوش مصنوعی این شرکت که با دریافت دستورهای متنی، تصویری یا ویدئویی، کلیپ‌های با وضوح بالا و صدای هم‌زمانِ هماهنگ تولید می‌کند. محبوبیت این ابزار در میان فیلم‌سازان رو به افزایش بوده است. 

Rivas افزود که کاربران ممکن است در آینده بتوانند برای تبدیل این نمونه‌های اولیه به دارایی‌های خلاقانه از Gemini Omni کمک بگیرند؛ یک مدل زبانی بزرگ چندوجهی که می‌تواند با استفاده از تصویر، صدا و متن ویدئو تولید کند. بااین‌حال، به گفته او، دستیابی به این قابلیت‌ها هنوز زمان می‌برد.  

Rivas در طول جلسه توجیهی تأکید کرد که Genie 4 هنوز در مراحل ابتدایی است و هنوز مشخص نیست تجربه نهایی محصول، از ابتدا تا انتها، چه شکلی خواهد داشت. تیم همچنین پذیرفت که Genie 4 هنوز کاستی‌هایی دارد: هرچه شبیه‌سازی طولانی‌تر شود، جزئیات و اشیا ممکن است از شکل اولیه خود فاصله بگیرند و تیم هنوز راهی برای اطمینان از دقیق بودن صدا و خوانا ماندن متن‌های داخل جهان شبیه‌سازی‌شده پیدا نکرده است. 

Genie 4 هم‌اکنون در قالب پیش‌نمایش پژوهشی در دسترس آزمایش‌کنندگان مورداعتماد قرار دارد. طی هفته‌های آینده، این مدل برای مشترکان Google AI Ultra در Project Genie، ابزار هوش مصنوعی Google برای ساخت جهان‌های تعاملی از دستورهای متنی یا تصویری، و همچنین شرکای دارای دسترسی زودهنگام به Gemini API و Google AI Studio عرضه خواهد شد.