جینی ۴؛ هوش مصنوعی شگفت‌انگیز گوگل برای خلق جهان‌های تعاملی رونمایی شد
🔹گوگل دیپ‌مایند از Genie ۴ رونمایی کرد؛ مدلی که محیط‌های تعاملی را به‌صورت لحظه‌به‌لحظه تولید می‌کند و کاربران می‌توانند در آن حرکت کنند، زاویه دوربین را تغییر دهند و با زبان طبیعی بر رویدادها اثر بگذارند. هدف این سامانه تنها خلق نمایش بصری نیست، بلکه برای شبیه‌سازی پیوسته‌ی ظاهر، رفتار، صدا و زنجیره‌ی علت و معلول طراحی شده است.
🔹عرضه‌ی این مدل در حال حاضر به‌صورت پیش‌نمایش پژوهشی برای گروهی از آزمایش‌کنندگان مورد اعتماد آغاز شده است. دسترسی بعدی به مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio خواهد رسید. دیپ‌مایند اعلام کرد که بازخورد این گروه‌ها مسیر انتشار گسترده‌تر برای مصرف‌کنندگان و توسعه‌دهندگان را مشخص خواهد کرد.
🔹معماری جینی ۴ قابلیت‌های چند مدل خانواده‌ی جمنای را در خود دارد. Gemini Omni ظاهر و رفتار شبیه‌سازی را به الگوهای جهان واقعی نزدیک نگه می‌دارد و مدل‌های دیگر جمنای استدلال لازم برای حفظ انسجام و تداوم محیط را فراهم می‌کنند. جینی ۴ نیز فضای فیزیکی لحظه‌ای را پیکسل‌به‌پیکسل می‌سازد.
🔹تعامل با نمونه‌های نمایشی از طریق کنترل‌های معمول صفحه‌کلید برای حرکت و هدایت دوربین انجام می‌شود. هم‌زمان، فرمان‌های متنی مسیر صحنه را تغییر می‌دهند. کاربران می‌توانند آب‌وهوا را عوض کنند، دوربین را جابه‌جا سازند یا شخصیت و شیء تازه‌ای وارد محیط کنند. جمنای فرمان را با زمینه‌ی موجود تطبیق می‌دهد تا عنصر جدید تا حد ممکن با فضای پیرامون سازگار بماند. مدل صحنه را زیر نظر می‌گیرد و روند شبیه‌سازی را هدایت می‌کند تا جهان از مسیر منطقی خود خارج نشود.
چهار پیشرفت محوری جینی ۴ به این ترتیب اعلام شده است:
🔹نخست، هدایت هم‌زمان شبیه‌سازی با زبان طبیعی؛ تغییر نور، وضعیت جوی، ترکیب صحنه، حرکت دوربین یا ورود یک شخصیت می‌تواند هنگام اجرای محیط رخ دهد. دوم، درک پیشرفته‌تر از رفتار فیزیکی جهان و شبیه‌سازی سناریوهایی شامل آیرودینامیک و برخورد. سوم، بازنمایی طبیعی انسان‌ها که باید حرکت کنند، به محیط واکنش نشان دهند و به‌صورت آنی هدایت‌پذیر باقی بمانند. چهارم، تولید بومی صدا در نخستین مدل بلادرنگ دیپ‌مایند؛ از وزش باد میان درختان تا برخورد موج‌ها با ساحل و گفت‌وگوی شخصیت‌ها.
🔹بخش پیچیده‌تر به گفتار انسان مربوط می‌شود. شخصیت‌ها در لحظه با کاربر گفت‌وگو می‌کنند و پاسخشان با فرمان‌ها یا حوادث داخل جهان تغییر می‌یابد. صدا در چنین ساختاری لایه‌ای جداگانه روی ویدئو نیست و باید با زمان‌بندی کنش‌ها، هویت شخصیت و تحول محیط هماهنگ بماند.
🔹ترکیب جمنای و جینی امکان مدل‌سازی رویدادهای پیچیده و چندمرحله‌ای را فراهم می‌کند. در سازوکار توضیح‌داده‌شده، Gemini ۳.۸ Flash مانند یک عامل راهنما داخل حلقه عمل می‌کند؛ هم‌زمان با تولید جهان، صحنه را پیوسته می‌بیند، هدف را به چند مرحله تقسیم می‌کند و فریم‌های ورودی را برای سنجش پیشرفت و موفقیت هر گام بازبینی می‌کند. اگر محیط تغییر کند یا کاربر دخالت تازه‌ای داشته باشد، جمنای برنامه را همان لحظه اصلاح می‌کند. پژوهشگران همچنین ترکیب جمنای ۴ و جینی ۴ را در ارتباط با Gemini Robotics آزمایش کرده‌اند؛ جمنای ۴ وظیفه‌ی تعیین‌شده از سوی کاربر را به چند گام می‌شکند و توضیح متنی هر مرحله هنگام رندر به جینی ۴ می‌رسد.
🔹دیپ‌مایند جینی ۴ را مدلی اولیه و آزمایشی معرفی می‌کند. محیط طی نشست‌های کوتاه انسجام خود را حفظ می‌کند، ولی جزئیات بصری و ماندگاری اشیا ممکن است به‌مرور تغییر کنند. اجرای طولانی‌تر، ویرایش‌های پیچیده و متعدد با فرمان متنی یا حرکت گسترده در صحنه احتمال لغزش را افزایش می‌دهد. دیپ‌مایند اعلام کرد که جینی ۴ از محافظ‌های ایمنی هماهنگ با سیاست‌های دیگر مدل‌هایش بهره می‌گیرد و پیش از عرضه‌ی پیش‌نمایش، ارزیابی‌های داخلی سخت‌گیرانه‌ای برای جلوگیری از محتوای زیان‌بار یا مخرب پشت سر گذاشته است. علاقه‌مندان Project Genie نیز می‌توانند به فهرست انتظار بپیوندند.
@ITSecurityComputer
11
1۶ آبان ۱۴۰۵ ۶٫۸ هزار ۳۶
