پرش به محتوای اصلی
اخبار هوش مصنوعی

Genie 4 گوگل چیست؟ مدل تازه‌ای که دنیای زنده و صدادار می‌سازد

گوگل دیپ‌مایند از Genie 4 رونمایی کرد؛ مدل جهانی که با یک جمله دنیای تعاملی واقعی‌تر، همراه با صدا و گفت‌وگو می‌سازد. توضیح ساده دربارهٔ تغییرها، نقش جمینای، کاربردها، محدودیت‌ها و زمان دسترسی.

۱۲ دقیقه مطالعه
اشتراک‌گذاری:
تصویر رسمی Genie 4 از گوگل دیپ‌مایند: مرغ مگس‌خوار در حال نوشیدن شهد گل نارنجی درون یک حباب شیشه‌ای
تصویر رسمی Genie 4 از گوگل دیپ‌مایند: مرغ مگس‌خوار در حال نوشیدن شهد گل نارنجی درون یک حباب شیشه‌ای
فهرست مطالب

گوگل دیپ‌مایند سه‌شنبه ۵ آبان ۱۴۰۵ (۲۷ اکتبر ۲۰۲۶) از Genie 4 (جنی ۴) رونمایی کرد؛ مدلی که با یک جمله یا یک عکس، دنیایی زنده و قابل گشت‌وگذار می‌سازد. خلاصه‌اش این است: تصویرها خیلی واقعی‌تر از نسل قبل شده‌اند، دنیا برای اولین بار صدای خودش را هم دارد (از صدای باد و موج تا گفت‌وگوی آدم‌ها) و می‌توانید وسط کار با نوشتن یک جمله، هوا را بارانی کنید یا آدم تازه‌ای وارد صحنه کنید.

اما هنوز نمی‌شود همین امروز امتحانش کرد. Genie 4 فعلاً فقط در اختیار گروه کوچکی از آزمایش‌کننده‌های منتخب است و گوگل گفته به‌زودی به مشترکان Google AI Ultra و بعد به برخی توسعه‌دهنده‌ها می‌رسد. در این مطلب ساده توضیح می‌دهیم «مدل جهان» یعنی چه، Genie 4 چه چیزهایی را عوض کرده، به چه دردی می‌خورد و چه محدودیت‌هایی دارد.

خلاصهٔ خبر در چند خط

  • چه چیزی معرفی شد؟ نسل چهارم مدل Genie، که دنیاهای تعاملی را لحظه‌به‌لحظه می‌سازد.

  • مهم‌ترین تازگی‌ها: تصویر واقعی‌تر، صدای هم‌زمان با صحنه، تغییر دادن صحنه با متن در همان لحظه و حرکت طبیعی‌تر آدم‌ها.

  • مدت هر تجربه: به گزارش ورج و تک‌کرانچ حدود دو دقیقهٔ پیوسته؛ دو برابر Genie 3.

  • نقش جمینای: مدل Gemini 3.8 Flash مثل یک کارگردان پشت صحنه، کار را مرحله‌بندی می‌کند و پیشرفت را زیر نظر دارد.

  • دسترسی: فعلاً پیش‌نمایش پژوهشی برای آزمایش‌کننده‌های منتخب؛ به‌زودی برای مشترکان Google AI Ultra در Project Genie و شرکای اولیهٔ Gemini API و AI Studio.

اول بدانیم: «مدل جهان» یعنی چه؟

بیشتر ابزارهای هوش مصنوعی که می‌شناسیم یا متن می‌نویسند یا عکس و ویدیو می‌سازند. ویدیوسازها یک کلیپ آماده تحویل می‌دهند و شما فقط تماشاگرید. مدل جهان (World Model) فرق دارد: به‌جای یک فیلم ثابت، یک فضای زنده می‌سازد که می‌توانید داخلش راه بروید، دوربین را بچرخانید و ببینید دنیا به کار شما چه واکنشی نشان می‌دهد.

شبیه بازی‌های ویدیویی است، با یک فرق مهم: در بازی‌ها همه‌چیز از قبل طراحی و کدنویسی شده، اما مدل جهان هر تصویر را همان لحظه که جلو می‌روید «حدس می‌زند» و می‌سازد. یعنی هیچ نقشه و مرحلهٔ آماده‌ای پشتش نیست؛ مدل از روی چیزهایی که در آموزش دیده یاد گرفته که دنیا معمولاً چطور رفتار می‌کند.

چرا گوگل این‌قدر روی این موضوع کار می‌کند؟

دیپ‌مایند می‌گوید فهمیدن و شبیه‌سازی دنیا قدم مهمی در راه رسیدن به هوش مصنوعی عمومی است. کاربرد عملی‌اش هم روشن است: می‌شود ربات‌ها و دستیارهای هوشمند را اول در یک دنیای مجازی امن آموزش داد و آزمایش کرد، بعد سراغ دنیای واقعی رفت. اگر می‌خواهید بیشتر با این دسته از مدل‌ها آشنا شوید، مطلب Odyssey 3 چیست؟ را هم بخوانید.

Genie 4 چیست و چه کسی آن را ساخته؟

Genie نام خانوادهٔ مدل‌های جهان‌ساز گوگل دیپ‌مایند است. نسخهٔ قبلی، Genie 3، کمی بیش از یک سال پیش به‌صورت پیش‌نمایش پژوهشی معرفی شد و بعدها پایهٔ ابزار Project Genie شد؛ ابزاری که از روی متن یا تصویر، دنیای تعاملی می‌سازد.

Genie 4 روی توانایی‌های خانوادهٔ جمینای بنا شده است. به گفتهٔ دیپ‌مایند، مدل Gemini Omni کمک می‌کند ظاهر و رفتار چیزها به دنیای واقعی نزدیک بماند و مدل‌های دیگر جمینای، استدلال لازم برای منسجم ماندن داستان و صحنه را فراهم می‌کنند. به زبان ساده: Genie تصویر و صدا را می‌سازد و جمینای حواسش هست که اتفاق‌ها منطقی و پشت‌سرهم پیش بروند.

چه چیزهایی نسبت به Genie 3 تغییر کرده؟

گوگل و رسانه‌هایی که در جلسهٔ معرفی حضور داشتند، چهار تغییر اصلی را برجسته کرده‌اند. جدول زیر خلاصهٔ آن‌هاست:

ویژگی

Genie 3

Genie 4

کیفیت تصویر

دنیای قابل گشت‌وگذار، با ظاهر کمتر واقعی

بسیار واقعی‌تر؛ به ادعای گوگل در حد فیلم مستند

صدا

نداشت

صدای محیط، موسیقی و گفت‌وگوی شخصیت‌ها، هم‌زمان با تصویر

تغییر صحنه وسط کار

محدود

آزاد، با نوشتن متن: تغییر هوا، زاویهٔ دوربین، آوردن آدم یا شیء تازه

مدت تجربهٔ پیوسته

حدود یک دقیقه

حدود دو دقیقه

نقش جمینای

به این شکل اعلام نشده بود

Gemini 3.8 Flash به‌عنوان «کارگردان» صحنه را برنامه‌ریزی و بررسی می‌کند

دسترسی

پیش‌نمایش پژوهشی و بعد Project Genie

فعلاً آزمایش‌کننده‌های منتخب؛ به‌زودی Ultra، Gemini API و AI Studio

عددهای مدت تجربه از گزارش ورج و تک‌کرانچ آمده و خود گوگل در پست رسمی‌اش فقط از «چند دقیقه تعامل پیوسته» حرف زده است.

چهار توانایی اصلی Genie 4، به زبان ساده

۱. دنیاهایی که خیلی واقعی‌ترند

نمونه‌هایی که دیپ‌مایند منتشر کرده، از ایستگاه قطار شلوغی در ژاپنِ دههٔ ۱۹۸۰ میلادی تا پرواز با بالن روی یخ‌های قطب جنوب را نشان می‌دهند. گوگل می‌گوید مدل فیزیک را بهتر فهمیده؛ مثلاً حرکت در هوا یا برخورد اجسام به هم. بزرگ‌ترین جهش هم در شبیه‌سازی آدم‌هاست: شخصیت‌ها طبیعی‌تر راه می‌روند و به اتفاق‌های اطرافشان واکنش نشان می‌دهند.

۲. صدایی که همراه خود دنیا ساخته می‌شود

Genie 4 اولین مدل جهان بلادرنگ گوگل است که صدا را خودش می‌سازد. «بلادرنگ» یعنی همان لحظه که شما حرکت می‌کنید، نه این‌که اول بسازد و بعد پخش کند. هر دنیا صدای محیط خودش را دارد، مثل خش‌خش برگ‌ها یا صدای موج. مهم‌تر از آن، شخصیت‌ها می‌توانند حرف بزنند و به حرف‌ها یا کارهای شما جواب بدهند.

۳. فرمان دادن به صحنه با یک جمله

در Genie 4 با کلیدهای معمولی صفحه‌کلید راه می‌روید و دوربین را می‌چرخانید، و هر وقت خواستید با تایپ یک جمله صحنه را عوض می‌کنید؛ مثلاً «باران بگیرد» یا «یک نفر از در وارد شود». جمینای جملهٔ شما را با حال‌وهوای صحنه هماهنگ می‌کند تا تغییر، ناگهانی و بی‌ربط به نظر نرسد.

۴. جمینای در نقش کارگردان

این‌جا Gemini 3.8 Flash وارد می‌شود. وقتی Genie 4 دنیا را می‌سازد، جمینای مدام صحنه را تماشا می‌کند، هدف را به چند قدم کوچک تقسیم می‌کند و بررسی می‌کند که هر قدم درست انجام شده یا نه. اگر شما وسط کار چیزی را عوض کنید، برنامه‌اش را همان لحظه به‌روز می‌کند. نتیجه این است که اتفاق‌ها علت و معلول منطقی‌تری دارند. دربارهٔ خود این مدل در مطلب جمینای ۳.۸ فلش چیست؟ مفصل نوشته‌ایم.

Genie 4 و ربات‌ها: آزمایش قبل از دنیای واقعی

یکی از جالب‌ترین آزمایش‌های دیپ‌مایند، ترکیب Genie 4 با مدل Gemini 4 Argon است. در نمونه‌ای که منتشر شده، Argon کار «بازی چکرز (دام)» را برای ربات انسان‌نمای Apollo ساخت شرکت Apptronik قدم‌به‌قدم برنامه‌ریزی می‌کند و این قدم‌ها به‌صورت متن به Genie 4 داده می‌شود تا همان لحظه شبیه‌سازی شوند.

چرا این مهم است؟ آموزش ربات در دنیای واقعی گران، کند و گاهی خطرناک است. اگر بتوان هزاران موقعیت مختلف را در یک دنیای مجازی باورپذیر امتحان کرد، ربات‌ها قبل از ورود به کارخانه یا خانه، تجربهٔ زیادی جمع می‌کنند. البته این فعلاً در حد پژوهش است و گوگل ادعا نکرده که ربات‌های واقعی را با Genie 4 آموزش داده باشد.

چه کسانی از Genie 4 استفاده می‌کنند؟

گوگل می‌گوید Genie 4 را با گروه‌هایی از آزمایش‌کننده‌ها در صنایع خلاق، روزنامه‌نگاری، آموزش، بازی‌سازی و مهندسی امتحان کرده است. کاربردهایی که تا امروز مطرح شده:

  • فیلم‌سازی: کارگردان وارد یک نسخهٔ زندهٔ صحنه می‌شود و چند «برداشت» مختلف را امتحان می‌کند؛ با زاویهٔ دوربین، نور و دیالوگ متفاوت. به این مرحله «پیش‌تجسم» می‌گویند، یعنی دیدن صحنه قبل از فیلم‌برداری واقعی.

  • روزنامه‌نگاری و تاریخ: تبدیل یک عکس قدیمی آرشیوی به فضایی که بشود در آن قدم زد، یا نشان دادن این‌که یک سیل ناگهانی یا آتش‌سوزی چطور پیش می‌رود.

  • بازی‌سازی: رسیدن از یک ایدهٔ اولیه به نمونه‌ای قابل گشت‌وگذار در چند ثانیه، پیش از نوشتن حتی یک خط کد.

  • آموزش: تک‌کرانچ مثالی آورده که شاید روزی بتوان وارد یک نقاشی تاریخی شد و با آدم‌های داخل آن دربارهٔ آن رویداد گپ زد.

به گفتهٔ دیگو ریواس، از مهندسان دیپ‌مایند، بیشترین ارزش این حالت زنده در مرحلهٔ ایده‌پردازی و استوری‌بورد است؛ جایی که سرعت و حفظ تمرکز ذهنی مهم است. ابزارهای ویدیوسازی گوگل مثل Veo برای ساخت کلیپ نهایی هستند؛ اگر با آن‌ها کار می‌کنید، آموزش Google Flow و Veo 3.1 به کارتان می‌آید.

محدودیت‌ها: Genie 4 هنوز کجا می‌لنگد؟

خود گوگل صریح گفته که Genie 4 مدلی آزمایشی و در حال تکامل است. مشکلاتی که اعلام کرده:

  • ثابت نماندن جزئیات: هرچه تجربه طولانی‌تر شود یا دستورهای پیچیده‌تری بدهید، ممکن است چیزها کم‌کم تغییر کنند یا اشیا ناپدید شوند.

  • مدت کوتاه: فقط چند دقیقه تعامل پیوسته، نه جلسه‌های طولانی.

  • نوشته‌ها: متن خوانا معمولاً فقط وقتی ساخته می‌شود که در توضیح اولیهٔ دنیا آمده باشد.

  • مکان‌های واقعی: نمی‌تواند مکان‌های واقعی را با دقت کامل بازسازی کند.

  • صدا و فیزیک پیچیده: دقت صدا در لحظه و برخوردهای فیزیکی پیچیده هنوز جای کار دارد.

  • چند شخصیت هم‌زمان: شبیه‌سازی دقیق تعامل چند عامل مستقل با هم و با محیط هنوز چالش پژوهشی است.

ایمنی و واترمارک: از کجا بفهمیم صحنه ساختگی است؟

دنیایی که این‌قدر واقعی به نظر می‌رسد، نگرانی دربارهٔ محتوای جعلی را هم بیشتر می‌کند. گوگل می‌گوید پیش از انتشار، Genie 4 را با ارزیابی‌های ایمنی داخلی سنجیده تا جلوی ساخت محتوای مضر یا مخرب گرفته شود و دقیقاً به همین دلیل اول آن را به گروه محدودی داده است.

همهٔ تصویرها و صداهایی که Genie 4 می‌سازد، SynthID دارند؛ نوعی امضای دیجیتال نامرئی که چشم و گوش متوجهش نمی‌شود، اما ابزارهای مخصوص می‌توانند تشخیص دهند محتوا را هوش مصنوعی ساخته است. دربارهٔ این فناوری در مطلب SynthID Detector چیست؟ توضیح داده‌ایم.

چطور و کی می‌شود Genie 4 را امتحان کرد؟

  1. امروز: فقط آزمایش‌کننده‌های منتخب گوگل به آن دسترسی دارند.

  2. به‌زودی (به گفتهٔ تک‌کرانچ، در هفته‌های آینده): مشترکان طرح Google AI Ultra از طریق Project Genie.

  3. بعد از آن: شرکای دسترسی زودهنگام Gemini API و Google AI Studio؛ یعنی توسعه‌دهنده‌هایی که می‌خواهند Genie را در محصول خودشان به کار ببرند.

گوگل یک فهرست انتظار هم برای Project Genie باز کرده است. قیمت جداگانه‌ای برای Genie 4 اعلام نشده و فعلاً فقط از مسیر اشتراک Ultra در دسترس قرار می‌گیرد. برای کاربران ایرانی هم مثل بیشتر سرویس‌های گوگل، محدودیت‌های تحریم و پرداخت ارزی را باید در نظر گرفت.

Genie 4 در رقابت مدل‌های جهان کجا ایستاده؟

بازار مدل‌های جهان این روزها شلوغ شده است. چند ماه پیش Runway دومین مدل جهانش را با پشتیبانی از صدا معرفی کرد و استارتاپ‌های دیگری هم در این حوزه کار می‌کنند؛ تازه‌ترین محصول Runway را در Runway App Studio چیست؟ معرفی کرده‌ایم. برگ برندهٔ گوگل در این رقابت، اتصال نزدیک Genie به خانوادهٔ جمینای است.

تجس کولکارنی، مدیر پژوهش گوگل، در جلسهٔ معرفی گفت آینده از آنِ «مدل‌های جهان ترکیبی» است؛ یعنی جمینای کد و متن بنویسد و Genie همان را در لحظه به دنیایی دیدنی و شنیدنی تبدیل کند. هنوز معلوم نیست محصول نهایی دقیقاً چه شکلی خواهد داشت و خود تیم گوگل هم گفته کار در مراحل اولیه است.

جمع‌بندی

Genie 4 نشان می‌دهد ساخت دنیای مجازی با چند جمله دیگر فقط یک نمایش جذاب نیست و دارد به ابزاری برای فیلم‌سازی، بازی‌سازی، آموزش و آزمایش ربات‌ها نزدیک می‌شود. تصویر واقعی‌تر، صدای همراه صحنه و کنترل زنده با متن، جهش بزرگی نسبت به نسل قبل است. اما این مدل هنوز پیش‌نمایش پژوهشی است، جلسه‌هایش چند دقیقه بیشتر طول نمی‌کشد و جزئیات صحنه گاهی از دست می‌رود. فعلاً بیشتر باید آن را نشانه‌ای از مسیر آینده دید تا ابزاری که فردا صبح در کارتان استفاده کنید.

سؤال‌های پرتکرار

Genie 4 دقیقاً چه کاری می‌کند؟

از روی متن یا تصویر، یک دنیای سه‌بعدی زنده می‌سازد که می‌توانید در آن حرکت کنید، دوربین را بچرخانید و با نوشتن جمله، صحنه را تغییر دهید. صدای محیط و گفت‌وگوی شخصیت‌ها را هم هم‌زمان می‌سازد.

فرق Genie 4 با ویدیوسازهایی مثل Veo چیست؟

Veo یک کلیپ آماده می‌سازد که فقط تماشایش می‌کنید. Genie 4 دنیایی تعاملی می‌سازد که همان لحظه به حرکت و دستور شما واکنش نشان می‌دهد؛ چیزی شبیه بازی، اما بدون طراحی و کدنویسی از قبل.

آیا Genie 4 رایگان است؟

نه. فعلاً فقط آزمایش‌کننده‌های منتخب به آن دسترسی دارند و قرار است اول برای مشترکان طرح پولی Google AI Ultra در Project Genie عرضه شود. قیمت جداگانه‌ای اعلام نشده است.

هر تجربه در Genie 4 چقدر طول می‌کشد؟

طبق گزارش ورج و تک‌کرانچ، حدود دو دقیقهٔ پیوسته؛ دو برابر Genie 3. گوگل خودش از «چند دقیقه» حرف زده و گفته جلسه‌های طولانی هنوز ممکن نیست.

آیا Genie 4 فارسی می‌فهمد؟

گوگل دربارهٔ زبان‌های پشتیبانی‌شده چیزی اعلام نکرده و همهٔ نمونه‌های منتشرشده به انگلیسی‌اند. تا عرضهٔ عمومی، بهتر است فرض کنید زبان اصلی آن انگلیسی است.

از کجا بفهمیم یک صحنه را Genie 4 ساخته است؟

همهٔ تصویرها و صداهای Genie 4 واترمارک نامرئی SynthID دارند که با ابزارهای تشخیص گوگل قابل شناسایی است، حتی اگر با چشم چیزی معلوم نباشد.

Genie 4 چه ربطی به ربات‌ها دارد؟

می‌شود از آن برای ساخت محیط‌های آزمایشی بی‌پایان استفاده کرد تا ربات‌ها و عامل‌های هوشمند قبل از دنیای واقعی، در فضای مجازی تمرین کنند. دیپ‌مایند در یک آزمایش، Genie 4 را با Gemini 4 Argon برای شبیه‌سازی ربات انسان‌نمای Apollo به کار برده است.

منابع

برچسب‌ها:هوش مصنوعیگوگلجمینایهوش مصنوعی مولد
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.