به گزارش شهرآرانیوز ، هوش مصنوعی در سالهای اخیر از تولید متن، تصویر و ویدئو فراتر رفته و به سمت ساخت محیط‌هایی حرکت کرده است که کاربران می‌توانند در آنها حضور پیدا کنند و با اجزای مختلف تعامل داشته باشند. مدل Genie ۴ گوگل دیپ‌مایند با همین رویکرد توسعه یافته است؛ فناوری‌ای که به‌جای ساخت یک تصویر یا ویدئوی ثابت، محیطی قابل کاوش ایجاد می‌کند و امکان تغییر آن را در جریان اجرا در اختیار کاربر می‌گذارد.
در این محیط‌ها، کاربر می‌تواند حرکت کند، زاویه دوربین را تغییر دهد و با نوشتن دستور‌هایی به زبان طبیعی، شرایط صحنه را عوض کند. برای مثال، امکان تغییر وضعیت آب‌وهوا، اضافه‌کردن شخصیت‌ها یا اشیای تازه و ایجاد رویداد‌های جدید وجود دارد. مدل تلاش می‌کند تغییرات را به‌صورت پیوسته در محیط اعمال کند تا نتیجه، صرفاً مجموعه‌ای از تصاویر جدا از یکدیگر نباشد.
ساخت جهان‌های تعاملی با فرمان متنی
یکی از قابلیت‌های مهم Genie ۴، امکان هدایت محیط در حین شبیه‌سازی است. کاربر برای تغییر یک صحنه لازم نیست فرایند را متوقف کند و از ابتدا دستور جدیدی بدهد؛ می‌تواند در همان زمان اجرای محیط، خواسته خود را به زبان طبیعی بیان کند و تغییرات را مشاهده کند.
این رویکرد می‌تواند فرآیند طراحی محیط‌های مجازی را ساده‌تر کند. توسعه‌دهندگان بازی، طراحان و پژوهشگران می‌توانند ایده‌های خود را در یک محیط تعاملی آزمایش کنند و بدون نیاز به ساخت دستی تمام اجزای صحنه، سناریو‌های مختلف را بررسی کنند.
البته، تولید یک محیط تعاملی به‌تنهایی به معنای شبیه‌سازی کاملاً دقیق دنیای واقعی نیست. مدل باید ظاهر اشیا، حرکت شخصیت‌ها و ارتباط میان رویداد‌ها را در طول زمان حفظ کند؛ مسئله‌ای که همچنان یکی از چالش‌های اصلی مدل‌های جهان‌ساز محسوب می‌شود.
بهبود فیزیک، شخصیت‌ها و صدای محیط
در Genie ۴، توجه بیشتری به رفتار فیزیکی اجسام شده است. بهبود شبیه‌سازی برخوردها، حرکت و برخی ویژگی‌های مرتبط با آیرودینامیک، از جمله تغییراتی است که با هدف طبیعی‌ترشدن محیط‌ها دنبال می‌شود. همچنین حرکت و رفتار شخصیت‌های انسانی در مقایسه با نسل‌های پیشین طبیعی‌تر شده است.
قابلیت دیگر این مدل، تولید صوت متناسب با محیط است. صدای باد، موج، موسیقی و گفت‌وگوی شخصیت‌ها می‌تواند بخشی از تجربه تعاملی باشد. صدا‌ها نیز با رویداد‌های صحنه هماهنگ می‌شوند تا کاربر علاوه بر مشاهده محیط، بتواند آن را از نظر شنیداری نیز تجربه کند.
در صورت استفاده از شخصیت‌های دارای گفت‌و‌گو، تعامل کاربر و اتفاقات داخل محیط می‌توانند در روند پاسخ‌گویی آنها نقش داشته باشند. با این حال، طبیعی‌بودن صدا و هماهنگی کامل آن با اتفاقات محیط، همچنان از جنبه‌هایی است که باید در ارزیابی عملی مدل بررسی شود.
حفظ انسجام محیط تا دو دقیقه
یکی از معیار‌های مهم در مدل‌های جهان‌ساز، توانایی حفظ پیوستگی محیط در طول زمان است. بر اساس گزارش منتشرشده از سوی TechCrunch در ۲۷ اکتبر ۲۰۲۶، Genie ۴ می‌تواند انسجام صحنه را تا حدود دو دقیقه حفظ کند؛ زمانی که در نسل قبلی، Genie ۳، حدود یک دقیقه گزارش شده بود.
این پیشرفت به این معناست که مدل می‌تواند در بازه طولانی‌تری، محیطی نسبتاً پایدار برای تعامل کاربر فراهم کند. بااین‌حال، حفظ انسجام همچنان محدودیت دارد و ممکن است جزئیات بصری یا موقعیت برخی اشیا در طول اجرای طولانی تغییر کند؛ به‌ویژه زمانی که کاربر تغییرات زیادی اعمال می‌کند یا صحنه پیچیده می‌شود.
در نتیجه، Genie ۴ را نباید با یک شبیه‌ساز کاملاً دقیق و بدون خطا یکسان دانست. این فناوری در مرحله پژوهشی قرار دارد و پایداری بلندمدت، دقت صدا‌ها و نمایش خوانای نوشته‌ها در محیط از جمله مسائلی هستند که همچنان به بررسی بیشتر نیاز دارند.
نقش مدل‌های Gemini در هدایت محیط چیست؟
در این سامانه، مدل‌های خانواده Gemini می‌توانند نقش راهنما یا عامل هوشمند را بر عهده بگیرند. این عامل با تقسیم یک هدف به مراحل کوچک‌تر و بررسی وضعیت محیط در طول اجرا، به پیشبرد وظایف کمک می‌کند. به این ترتیب، هوش مصنوعی تنها محیط را تولید نمی‌کند، بلکه می‌تواند در برنامه‌ریزی و هدایت تعامل با آن نیز مشارکت داشته باشد.
این رویکرد برای پژوهش‌های رباتیک نیز اهمیت دارد. محیط‌های شبیه‌سازی‌شده می‌توانند بستری برای آزمایش سناریو‌هایی باشند که اجرای مستقیم آنها در دنیای واقعی پرهزینه یا دشوار است. گزارش TechCrunch همچنین به آزمایشی پژوهشی اشاره می‌کند که در آن Genie ۴ در کنار Gemini ۴ Argon برای بررسی کاربرد‌های مرتبط با رباتیک به کار گرفته شده است.
بااین‌حال، استفاده پژوهشی از این مدل‌ها در محیط شبیه‌سازی‌شده لزوماً به معنای آمادگی آنها برای کنترل قابل‌اعتماد ربات‌های واقعی نیست. برای رسیدن به چنین مرحله‌ای، دقت شبیه‌سازی، انتقال نتایج به دنیای واقعی و ارزیابی ایمنی همچنان اهمیت زیادی دارد.
از بازی‌سازی تا آموزش و نمونه‌سازی سینمایی
توانایی ساخت محیط‌های قابل تعامل می‌تواند کاربرد‌هایی فراتر از بازی‌های رایانه‌ای داشته باشد. برای نمونه، طراحان فیلم و انیمیشن می‌توانند از چنین مدل‌هایی برای ساخت اولیه صحنه‌ها و بررسی ایده‌های بصری استفاده کنند. در آموزش نیز می‌توان محیط‌هایی ساخت که فراگیران به‌جای تماشای یک محتوای ثابت، در آن حرکت کنند و با موقعیت‌های مختلف روبه‌رو شوند.
در پژوهش‌های رباتیک هم این محیط‌ها می‌توانند برای بررسی رفتار سامانه‌های هوشمند و آزمایش سناریو‌های مختلف به کار گرفته شوند. با وجود این، چنین مواردی در حال حاضر باید به‌عنوان کاربرد‌های بالقوه یا پژوهشی در نظر گرفته شوند، نه قابلیت‌هایی که لزوماً به شکل محصولی تجاری و کاملاً عملیاتی در دسترس قرار گرفته‌اند.
دسترسی محدود و چشم‌انداز توسعه
Genie ۴ در مرحله نخست به‌عنوان یک نسخه پیش‌نمایش پژوهشی در اختیار گروهی از آزمایش‌کنندگان قرار گرفته است. بر اساس گزارش TechCrunch، گوگل قصد دارد دسترسی گسترده‌تر به این فناوری را از طریق Project Genie برای مشترکان Google AI Ultra فراهم کند و دسترسی زودهنگام به رابط برنامه‌نویسی Gemini (API) و Google AI Studio را نیز برای برخی شرکای منتخب در نظر بگیرد.
عرضه محدود این مدل نشان می‌دهد که فناوری هنوز در مرحله ارزیابی و توسعه قرار دارد. یکی از پرسش‌های مهم درباره آینده آن، میزان توانایی مدل در حفظ ثبات محیط در تعامل‌های طولانی‌تر و پیچیده‌تر است؛ موضوعی که برای استفاده عملی در بازی‌سازی، آموزش و رباتیک اهمیت زیادی خواهد داشت.
در مجموع، Genie ۴ نمونه‌ای از حرکت هوش مصنوعی به سمت ساخت جهان‌های مجازی قابل تعامل است؛ محیط‌هایی که کاربر می‌تواند در آنها حرکت کند، تغییر ایجاد کند و رویداد‌های تازه‌ای بسازد. بااین‌حال، تحقق کاربرد‌های گسترده این فناوری به رفع محدودیت‌های فعلی در پایداری صحنه، دقت شبیه‌سازی و هماهنگی میان تصویر و صدا وابسته خواهد بود.
نظرات کاربران