گوگل دیپ‌مایند از مدل شبیه‌ساز Genie 4 رونمایی کرد؛ محیط‌های تعاملی بی‌درنگ همراه با صدای همگام

گوگل دیپ‌مایند از مدل شبیه‌سازی Genie 4 رونمایی کرد؛ سیستمی که ادعا می‌کند قادر است محیط‌های دیجیتال تعاملی را به صورت بی‌درنگ همراه با صدای همگام‌سازی‌شده تولید کند. این مدل که در اواخر اکتبر ۲۰۲۶ در دسترس گروهی از آزمایش‌کنندگان منتخب قرار گرفته، به کاربران امکان می‌دهد با دستورهای متنی جهان‌های شبیه‌سازی‌شده را تغییر دهند و درون آن‌ها جابه‌جا شوند. دیپ‌مایند این دستاورد را گامی بنیادین در ایجاد فضاهای آموزشی بی‌پایان و تجربیات تعاملی توصیف کرده است.[3][4]

برجسته‌ترین ویژگی اعلام‌شده برای Genie 4، تولید بومی صوت چندحالته است؛ یعنی هم‌زمان با رندر تصاویر، سیستم صداهای محیطی، موسیقی و دیالوگ‌های متناسب با صحنه را خلق می‌کند. دیپ‌مایند در اطلاعیه خود اشاره کرده که «Genie 4 نخستین مدل جهان‌ساز بی‌درنگ ما است که صوت را به شکل ذاتی تولید می‌کند»؛ رویکردی که مدعی است شخصیت‌ها می‌توانند متناسب با ورودی‌های کاربر واکنش نشان داده و صحبت کنند.[4]

کاربران با کلیدهای استاندارد کیبورد در این فضاها حرکت می‌کنند و صحنه را پیش می‌برند. با تایپ یک دستور متنی می‌توان زاویه دوربین یا آب‌وهوا را عوض کرد یا کاراکتر جدیدی افزود، و محیط نیز بلافاصله واکنش نشان می‌دهد. سیستم با نرخ ۲۴ تا ۳۰ فریم بر ثانیه اجرا می‌شود و تلاش اصلی آن کاهش تأخیر است تا حس حضور در یک محیط تعاملی و قابل بازی حفظ شود.[1][5]

معماری فنی این سامانه به طور کامل متکی به بستر مدل‌های جمی‌نای گوگل است. مدل Gemini Omni ظاهر بصری و رفتارهای فیزیکی شبیه‌سازی—مانند آیرودینامیک و برخورد اجسام—را بر عهده دارد. در کنار آن، مدل سبک‌تر Gemini 3.8 Flash به عنوان یک عامل هدایت‌گر در مدار قرار گرفته که مدام بر وضعیت صحنه نظارت می‌کند تا یکپارچگی وقایع پیچیده و چندمرحله‌ای از بین نرود.[3][5]

گسترش مرزهای شبیه‌سازی

بهره‌گیری از Gemini 3.8 Flash تلاشی برای حل یکی از چالش‌های اساسی مدل‌های جهان‌ساز است: پایداری اشیاء (Object Permanence). این عامل نظارتی با رهگیری فریم‌ها کمک می‌کند مدل موقعیت وسایلی را که از کادر دوربین خارج شده‌اند به خاطر بسپارد؛ قابلیتی که روی کاغذ اجازه می‌دهد شخصیت‌ها به تغییرات محیطی واکنش‌های معنادارتری نشان دهند.[1][4]

طول مدت شبیه‌سازی نیز افزایش یافته است. در حالی که نسخه پیشین یعنی Genie 3 محیط‌ها را حداکثر تا ۶۰ ثانیه پایدار نگه می‌داشت، نسخه جدید تا دو دقیقه امکان تعامل می‌دهد. البته هانگ چی، مهندس پژوهشگر دیپ‌مایند، متذکر شده که رسیدن به سقف دو دقیقه لزوماً به معنای خروجی بدون نقص نیست.[5]

دیپ‌مایند در پست فنی خود تایید کرده که «جزئیات بصری و پایداری موقعیت اشیاء با گذر زمان ممکن است دچار تغییر یا لغزش شود». این افت کیفیت هرچه زمان شبیه‌سازی بیشتر شود یا کاربر فرامین پیچیده‌تری وارد کند، محسوس‌تر بروز پیدا می‌کند.[1][4]

با وجود این محدودیت‌ها، سرعت نمونه‌سازی به خودی خود توجه فعالان صنعت را جلب کرده است. آزمایش‌کنندگان اولیه در حوزه بازی‌سازی و سینما در حال ارزیابی این مدل هستند تا ایده‌های انتزاعی را پیش از صرف هزینه‌های سنگین رندرهای سنتی، به پیش‌نمونه‌های قابل کاوش تبدیل کنند.[5]

بستر آموزشی برای سامانه‌های خودران

فراتر از سرگرمی، دیپ‌مایند مدل Genie 4 را ابزاری حیاتی در مسیر پژوهش‌های هوش عمومی مصنوعی (AGI) می‌داند. شبیه‌سازی رفتارهای دنیای واقعی، فضایی ایمن و کنترل‌پذیر برای تمرین ربات‌های خودمختار و عامل‌های هوشمند فراهم می‌سازد تا پیش از استقرار در محیط‌های واقعی، مهارت‌های حرکتی و مسیریابی را در بی‌شمار موقعیت مختلف بیاموزند.[3][4]

دیپ‌مایند مدعی است این سیستم قوانین فیزیک نظیر گرانش، آیرودینامیک و خواص مواد را با دقتی شبیه به واقعیت پیاده‌سازی می‌کند تا برخوردها و جریان آب طبیعی به نظر برسند. این پایبندی به قوانین فیزیکی برای کاربردهای رباتیک، جایی که عامل هوش مصنوعی باید یاد بگیرد بدون آسیب با محیط پیرامون تعامل کند، یک ضرورت اساسی محسوب می‌شود.[4]

در صنایع خلاق نیز توانایی تولید یک فضای قابل تعامل با وضوح 720p از روی متن، زمان مرحله پیش‌تولید را کاهش می‌دهد. فیلم‌سازان و طراحان بازی می‌توانند وضعیت نورپردازی، زوایای دوربین و جاگیری کاراکترها را در محیطی زنده بسنجند.[5]

گوگل برای مهار ریسک‌های تولید محتوای بسیار واقع‌گرایانه، فناوری واترمارک اختصاصی خود را بر خروجی‌ها اعمال می‌کند. تمامی کلیپ‌های ویدئویی و صوتی ایجادشده با Genie 4 به SynthID مجهز هستند؛ امضای دیجیتالی نامحسوسی که نشان می‌دهد این اثر با هوش مصنوعی ساخته شده و ردیابی منشأ آن را ممکن می‌سازد.[1][3]

مراحل عرضه به توسعه‌دهندگان

دسترسی به Genie 4 در حال حاضر بسیار محدود است تا دیپ‌مایند بتواند عملکرد و ایمنی آن را ارزیابی کند. این سیستم فقط به صورت پیش‌نمایش پژوهشی در اختیار گروهی محدود از آزمایش‌کنندگان معتمد قرار گرفته است تا چالش‌های مربوط به نشست‌های طولانی و خطاهای احتمالی پیش از انتشار گسترده‌تر بررسی شود.[3][5]

طبق اعلام گوگل، در هفته‌های آینده دسترسی کاربران پولی فعال خواهد شد؛ مشترکان سرویس Google AI Ultra از طریق برنامه وب Project Genie امکان کار با این ابزار را خواهند داشت و همکاران توسعه‌دهنده نیز از طریق Gemini API و Google AI Studio به آن دست می‌یابند.[1][3]

این اقدام گوگل را در رقابت مستقیم با دیگر آزمایشگاه‌های توسعه‌دهنده مدل‌های جهان قرار می‌دهد. در شرایطی که رقبا بیشتر بر تولید ویدئو تمرکز دارند، دیپ‌مایند روی تعامل بی‌درنگ و تولید هم‌زمان صدا متمرکز شده تا خود را به عنوان سازنده یک شبیه‌ساز زنده، و نه صرفاً یک موتور رندر تصویر، معرفی کند.[2][4]

با این حال، هزینه پردازشی اجرای این محاسبات همچنان مبهم است. دیپ‌مایند آماری از میزان بار پردازشی هر درخواست، پایداری نرخ فریم در سناریوهای سنگین یا سخت‌افزار لازم برای مقیاس‌پذیری تجاری منتشر نکرده است؛ متغیرهایی که نقش تعیین‌کننده‌ای در موفقیت عملی این محصول در دنیای واقعی خواهند داشت.[1]

حرکت به سوی جهان‌های دیجیتال ماندگار

توسعه مدل‌های ترکیبی که استدلال زبانی را با شبیه‌سازی بصری فریم‌به‌فریم پیوند می‌زنند، مسیر فنی جذابی برای این حوزه به شمار می‌رود. اتصال مستقیم Gemini 3.8 Flash به حلقه بازخورد تولید، در واقع نوعی حافظه موقت برای شبیه‌سازی ایجاد کرده و آن را از سطح ساخت کلیپ‌های ایزوله به محیط‌های متوالی نزدیک‌تر می‌کند.[1][4]

آینده Genie 4 به توانایی آن در حفظ ثبات بصری و ساختاری در بازه‌های طولانی‌تر بستگی خواهد داشت. اگر گوگل بتواند سقف دو دقیقه‌ای را افزایش دهد و پدیده محو شدن جزئیات را کنترل کند، رویکرد توسعه‌دهندگان به ساخت محیط‌های مجازی دگرگون خواهد شد؛ با این همه، نسخه فعلی بیشتر اثبات مفهومی موفقی از ترکیب تصویر، صدا و تعامل متنی است.[1][5]