Genie 4، مدل جهانی جدید گوگل که می تواند افراد، فیزیک و صدا را شبیه سازی کند چیست؟ | اخبار فناوری

این همچنین آخرین رقیب گوگل در زمینه شلوغ و شلوغ مدل های جهانی است که اساساً سیستم های هوش مصنوعی هستند که شبیه سازی پیش بینی کننده دنیای واقعی را ایجاد می کنند. این مدل ها قادر به یادگیری فیزیک و ویژگی های فضایی محیط هستند. آنها بر روی داده هایی آموزش می بینند که نشان می دهد چگونه اشیا با یکدیگر تعامل می کنند تا نتایج آینده را پیش بینی کنند.

اولین بازی Genie 4 ماه ها پس از آن انجام می شود راه اندازی ویدیوی هوش مصنوعی Runway دومین مدل جهانی خود، GWM Worlds 2 را منتشر کرد که به صورت پویا به ورودی های کاربر پاسخ می دهد و شامل تولید صدا می شود.

تعداد اندک اما رو به رشد عرضه‌کنندگان مدل‌های جهانی نیز شروع به تجمیع کرده‌اند، به طوری که آزمایشگاه جهانی Fei-Fei Li اخیراً توسط AMD به مبلغ 8.2 میلیارد دلار خریداری شد. علاوه بر این، آمازون در حال مذاکره برای خرید Decart است، و طبق گزارشی که توسط منتشر شده، Rivian بعد سوم را خریداری کرده است تا قابلیت‌های شبیه‌سازی خود را برای آزمایش خودران ارائه کند. TechCrunch.

Google DeepMind در یک پست وبلاگی گفت: “درک و شبیه سازی جهان یک جنبه حیاتی در ساخت AGI است. Genie 4 توانایی ما را برای ایجاد شبیه سازی های ایمن و بی نهایت متغیر که می تواند به همه چیز کمک کند، از توسعه محیط های یادگیری برای ربات ها و عوامل تا باز کردن قفل ایجاد تجربیات تعاملی جدید را بهبود می بخشد.”

مدل جهانی جدید معرفی شده در حال حاضر در پیش نمایش برای تعداد کمی از آزمایش کنندگان قابل اعتماد موجود است. در هفته‌های آینده، گوگل اعلام کرد که مدل مشترک AI Ultra خود را برای Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio منتشر خواهد کرد.

قابلیت های کلیدی

Genie 4 علاوه بر تولید تصاویر واقعی‌تر نسبت به نسخه‌های قبلی خود و شامل تولید صدای بومی، به کاربران اجازه می‌دهد تا ویرایش‌های آزاد را با تایپ کردن اعلان‌ها برای تغییر آب و هوا، تنظیم زاویه دوربین یا اضافه کردن افراد یا اشیاء جدید انجام دهند.

https://www.youtube.com/watch?v=sFfPkUJd_Jk

Genie 4 همچنین فیزیک بهتری را ارائه می دهد و می تواند یک صحنه ماندگار را تا دو دقیقه حفظ کند و محدودیت قبلی خود را دو برابر کند. به گفته Google DeepMind، از آنجایی که Genie 4 بر روی داده هایی آموزش دیده است که جنبه های فیزیکی جهان را به طور دقیق منعکس می کند، Genie 4 می تواند به طور دقیق آیرودینامیک، برخورد و موارد دیگر را شبیه سازی کند.

با این حال، چشمگیرترین جهشی که توسط آزمایشگاه تحقیقاتی مرزی برای هوش مصنوعی با Genie 4 به دست آمده است، این است که چگونه حرکات طبیعی انسان را شبیه سازی می کند که می تواند به صورت تعاملی در زمان واقعی کنترل شود. تقلید گفتار انسان نیز به عنوان یک قابلیت کلیدی برجسته شد. کاربران می‌توانند پیام‌های متنی را وارد کنند و ببینند شخصیت‌های تولید شده توسط هوش مصنوعی مکالمات خود را تطبیق می‌دهند یا رویدادها در دنیای شبیه‌سازی شده در زمان واقعی تغییر می‌کنند.

موارد استفاده کنید

موارد استفاده تجاری برای Genie 4 شامل بازی، یادگیری تعاملی و روباتیک است. برای مثال، دانش‌آموزان می‌توانند با قدم زدن در نقاشی صحنه‌ای تاریخی و صحبت با سوژه‌های نقاشی درباره رویدادی که به تصویر کشیده شده است، به صورت تعاملی یاد بگیرند.

نمونه دیگری که توسط آزمایش کنندگان مورد اعتماد گوگل برجسته شده است، نمونه سازی فیلم ها با استفاده از Genie 4 است.

ادغام با سایر مدل ها

Genie 4 بر چندین مدل هوش مصنوعی گوگل متکی است، از جمله Gemini Omni که شبیه سازی ها را بر اساس ظاهر و رفتار در دنیای واقعی استوار می کند و مدل های استدلال Gemini که به Genie 4 کمک می کند تا از طریق یک صحنه شبیه سازی شده انسجام و تداوم را حفظ کند.

ادغام Gemini با Genie 4 به مدل زبان بزرگ (LLM) اجازه می دهد تا به عنوان کارگردان عمل کند، مراحل را برنامه ریزی کند و عکس ها را بررسی کند در حالی که مدل جهانی جلوه های بصری را ایجاد می کند. به عنوان بخشی از یک آزمایش تحقیقاتی، محققان Google DeepMind از آخرین مدل هوش مصنوعی مرزی این شرکت، Gemini 4 Argon، استفاده کردند تا وظایف را به مراحلی تقسیم کنند که Genie 4 در زمان واقعی شبیه‌سازی کرد. این آزمایش برای آزمایش سناریوهای ربات در شبیه سازی قبل از وقوع در دنیای واقعی انجام شد.

Google DeepMind گفت: “یک مسیر امیدوارکننده برای پیشرفت آینده در مدل های دنیای ترکیبی نهفته است که تفکر منطقی و ساختار یافته مدل های کد و زبان را با نمایش حسی غنی و غنی شبیه سازی در سطح پیکسل ترکیب می کند. همگرایی مدل های Genie و Gemini گامی اولیه در این مسیر است.”

ایمنی و محدودیت ها

گوگل گفت Genie 4 با حصارهای ایمنی داخلی سختی ارائه می شود که با رویکرد ایمنی هوش مصنوعی آن در مدل های دیگر مطابقت دارد.

به گفته گوگل، مدل جهانی همچنین برای جلوگیری از تولید محتوای مضر یا مخرب تحت ارزیابی‌های ایمنی داخلی دقیقی قرار گرفته است. تمام ویدیوها و صداهای تولید شده توسط Genie 4 با SynthID، فناوری واترمارک دیجیتال غیرقابل کشف DeepMind که به شناسایی محتوای تولید شده توسط هوش مصنوعی در حالت‌های بصری و صوتی کمک می‌کند، برچسب‌گذاری می‌شوند.

Google DeepMind همچنین برخی از ایرادات را در Genie 4 تصدیق می‌کند. در این اطلاعیه آمده است: «اگرچه می‌تواند یک محیط منسجم را برای جلسات کوتاه حفظ کند، جزئیات بصری و ماندگاری اشیا همچنان می‌توانند در طول زمان تغییر کنند یا تغییر کنند – به‌ویژه زمانی که شبیه‌سازی طولانی‌تر انجام می‌شود، پس از چندین درخواست ویرایش پیچیده، یا هنگام پیمایش در صحنه».