جینی ۴؛ مدل جهان تازهی گوگل دیپمایند با صدا و کنترل بلادرنگ
خلاصه خبر
گوگل دیپمایند از جینی ۴ گوگل، تازهترین نسخهی مدل جهان (World Model) خود، بهصورت پیشنمایش پژوهشی رونمایی کرد. این مدل جدید میتواند واقعیترین و تعاملیترین دنیاهای شبیهسازیشده تا امروز را بسازد، صدای هماهنگ با صحنه – از موسیقی تا صدای محیط و دیالوگ – تولید کند، و به کاربران اجازه دهد حتی در میانهی شبیهسازی با نوشتن یک دستور، صحنه را تغییر دهند.
زمینه و پسزمینه
مدلهای جهان، دستهای از مدلهای هوش مصنوعی هستند که بهجای صرفاً تولید یک ویدئوی از پیش تعیینشده، محیطی قابلتعامل و پویا میسازند که کاربر میتواند درون آن حرکت کند و تصمیماتش روی ادامهی شبیهسازی اثر بگذارد. گوگل دیپمایند نسخهی قبلی این مدل، جینی ۳، را حدود یک سال پیش بهصورت پیشنمایش پژوهشی منتشر کرده بود. جینی ۴ گوگل در مقایسه با نسخهی قبلی، واقعگرایی بسیار بیشتری دارد، صدا را هم بهطور کامل به شبیهسازی اضافه کرده، و امکان ویرایش آزاد صحنه – مثل تغییر آبوهوا یا زاویهی دوربین در لحظه، یا افزودن افراد و اشیای جدید – را فراهم کرده است.
از نظر فنی، جینی ۴ میتواند یک صحنهی ثابت و پایدار را تا دو دقیقه حفظ کند؛ یعنی دو برابر محدودیت نسخهی قبلی. همچنین فیزیک شبیهسازیشده و شخصیتهای انساننماتر، از دیگر بهبودهای کلیدی این نسخه هستند. گوگل اعلام کرده جمینای، مدل اصلی هوش مصنوعی این شرکت، اکنون بهشکل نزدیکتری با جینی ۴ یکپارچه شده است؛ به این صورت که جمینای نقش «کارگردان» را بازی میکند – یعنی مراحل را برنامهریزی میکند و فریمها را بررسی میکند – در حالی که جینی مسئول تولید بصری صحنه است.
تحلیل: رقابت داغ بازار مدلهای جهان
رونمایی از جینی ۴ گوگل در بستری از رقابت شدید در صنعت مدلهای جهان رخ میدهد. چند ماه پیش، استارتاپ ویدئوی هوش مصنوعی Runway نسخهی دوم مدل جهان خودش به نام GWM Worlds 2 را منتشر کرد؛ مدلی قابلبازی که بهصورت دینامیک به ورودی کاربر پاسخ میدهد و صدا هم تولید میکند. همزمان، صنعت مدلهای جهان وارد فاز تحکیم و ادغام شده است: شرکت ورلد لبز (World Labs) متعلق به فی-فی لی توسط AMD در حال خریداریشدن است، آمازون هم مذاکراتی برای خرید دیکارت (Decart) دارد، و شرکت خودروسازی ریویان هم بهتازگی Third Dimension را خریده تا قابلیتهای شبیهسازی را برای تست خودروهای خودران درونسازمانی کند.
تجاس کولکارنی، مدیر پژوهشی گوگل، در یک جلسهی توجیهی خبری گفت که آینده، ترکیبی از این مدلهای جهان خواهد بود: «آنچه در آینده بیش از پیش خواهیم دید، این مدلهای جهان ترکیبی هستند، جایی که جمینای کد و متن مینویسد و جینی آن را در لحظه دریافت کرده و واقعیت را در سطوح مختلف انتزاع شبیهسازی میکند.» این توصیف نشان میدهد گوگل استراتژی بلندمدتی برای تبدیل جینی به یک ابزار شبیهسازی عمومی – نه فقط برای بازی یا سرگرمی – دارد.
یکی از کاربردهای جالبتوجهی که در این رونمایی معرفی شد، ارتباط جینی ۴ با جمینای روباتیکس (Gemini Robotics) بود. در یک آزمایش پژوهشی، مدلی به نام جمینای ۴ آرگون وظایف را به مراحل کوچکتر تقسیم کرد و جینی ۴ این مراحل را در لحظه شبیهسازی کرد. این آزمایش راهی ممکن برای تست سناریوهای رباتیک در محیط شبیهسازیشده، پیش از اجرای واقعی آنها در دنیای فیزیکی نشان میدهد – رویکردی که میتواند هزینه و ریسک توسعهی رباتیک را بهطور چشمگیری کاهش دهد.
کاربردهای تجاری پیشنهادی برای این فناوری، شامل بازیسازی، آموزش تعاملی و رباتیک است. یک مثال خیالی که در این زمینه مطرح شد، امکان ورود به یک نقاشی از یک صحنهی تاریخی و گفتوگو با شخصیتهای همان نقاشی دربارهی رویدادی است که به تصویر کشیده شده. اما به گفتهی «آزمونکنندگان معتمد» – کاربرانی که زودتر از دیگران به محصولات پیشرفتهی گوگل دسترسی پیدا میکنند – یک کاربرد جدید و غیرمنتظره هم در حال شکلگیری است: پیشتولید فیلم (Prototyping Films).
دیهگو ریواس، مهندس گوگل دیپمایند، در یک نشست خبری گفت: «بُعد بلادرنگ این فناوری دقیقاً در جاهایی ارزشمند میشود که حفظ حالت جریان خلاقانه (Flow) اهمیت زیادی دارد. مثلاً در مرحلهی ایدهپردازی، در مرحلهی استوریبوردسازی – هر جایی که به ایدهپردازی سریع نیاز دارید.» این یعنی کارگردانها و طراحان میتوانند بدون نیاز به تولید واقعی صحنه، ایدههای خود را بهسریعترین شکل ممکن آزمایش کنند.
گوگل همچنین Veo را دارد؛ مدل تولید ویدئوی هوش مصنوعی این شرکت که کلیپهای باکیفیت بالا با صدای همگامسازیشده از روی متن، تصویر یا ویدئو تولید میکند و در میان فیلمسازان محبوبیت رو به رشدی پیدا کرده است. به گفتهی ریواس، در آینده کاربران میتوانند با استفاده از جمینای اومنی (Gemini Omni) – مدل زبانی چندوجهی بزرگی که میتواند از تصویر، صدا و متن ویدئو بسازد – این پیشنمونههای اولیه را به داراییهای خلاقانهی نهایی تبدیل کنند، هرچند او تأکید کرده این قابلیتها هنوز فاصلهی زیادی تا آمادهشدن دارند.
در طول کل نشست خبری، ریواس بر این نکته تأکید داشت که هنوز روزهای ابتدایی توسعهی جینی ۴ است و هنوز روشن نیست تجربهی نهایی محصول برای کاربران عادی چگونه خواهد بود. تیم گوگل هم اذعان کرد که جینی ۴ همچنان محدودیتهایی دارد. این صراحت نسبی گوگل دربارهی مرحلهی فعلی توسعه، نشان میدهد شرکت میخواهد انتظارات بازار را واقعبینانه نگه دارد، در حالی که همزمان جایگاه خود را در میان رقبایی مثل Runway، AMD/World Labs و دیگران حفظ کند. برای فعالان حوزهی بازیسازی، آموزش و رباتیک در ایران، این یعنی باید رصد دقیقی روی توسعهی این ابزارها داشته باشند، چون احتمالاً در یک تا دو سال آینده، دسترسی گستردهتری به این فناوریها ممکن خواهد شد و فضای رقابتی جدیدی در حوزهی تولید محتوای بصری و تعاملی شکل خواهد گرفت.
از منظر کسبوکار، ادغام و تحکیم بازار مدلهای جهان – از خرید ورلد لبز توسط AMD تا مذاکرات آمازون برای دیکارت – نشان میدهد غولهای فناوری این حوزه را یکی از جبهههای اصلی رقابت آیندهی هوش مصنوعی میدانند. برخلاف چتباتهای متنی که عمدتاً روی پاسخگویی به پرسشها تمرکز دارند، مدلهای جهان مثل جینی ۴ گوگل میتوانند پایهی نسل بعدی بازیهای ویدئویی، شبیهسازهای آموزشی و حتی سیستمهای آزمایش خودروهای خودران باشند؛ بازاری که تحلیلگران آن را بهاندازهی بازار مدلهای زبانی بزرگ (LLM) مهم میدانند، اگر نه مهمتر. دلیل این اهمیت، توانایی این مدلها در تولید دادههای آموزشی مصنوعی و بیپایان برای آموزش سیستمهای رباتیک و خودران است؛ موضوعی که هزینهی جمعآوری دادهی واقعی را بهشدت کاهش میدهد.
برای توسعهدهندگان و استارتاپهای ایرانی فعال در حوزهی بازیسازی و واقعیت مجازی، رصد پیشرفتهای جینی ۴ گوگل اهمیت راهبردی دارد؛ چرا که اگر گوگل این فناوری را از مرحلهی پیشنمایش پژوهشی به یک API عمومی و قابلدسترس تبدیل کند، میتواند هزینهی تولید محیطهای بازی و شبیهسازی را برای تیمهای کوچک بهشدت پایین بیاورد و فضای رقابتی کاملاً جدیدی برای استودیوهای کوچکتر در برابر استودیوهای بزرگ ایجاد کند.
منبع: TechCrunch