آبان
اخبار
جنی ۴ (Genie 4) گوگل دیپ‌مایند چیست؟ مدل جهان با صدای بومی و برنامه‌ریز Gemini
گوگل دیپ‌مایند نسل تازه‌ی مدل جهان خود را معرفی کرد؛ مدلی که از یک متن یا یک تصویر، دنیایی قابل گشت‌وگذار می‌سازد و برای نخستین بار صدا را هم‌زمان با صحنه تولید می‌کند.
لیست مطالب
۱. جنی ۴ چیست و چه زمانی معرفی شد؟
شرکت Google DeepMind روز ۲۷ اکتبر ۲۰۲۶ از جنی ۴ رونمایی کرد. جنی یک «مدل جهان» (World Model) است؛ یعنی مدلی که به‌جای تولید یک ویدیوی ثابت و از پیش تعیین‌شده، یک محیط زنده می‌سازد و هر لحظه به حرکت و دستور کاربر واکنش نشان می‌دهد. کاربر یک توضیح متنی یا یک تصویر مرجع می‌دهد و مدل دنیایی را تولید می‌کند که می‌شود در آن راه رفت و اطرافش را کاوید.
این خبر برای کسانی که تولید محتوا، بازی‌سازی یا پژوهش هوش مصنوعی دنبال می‌کنند مهم است، چون مدل‌های جهان یکی از داغ‌ترین مسیرهای رقابت شرکت‌های بزرگ هستند. اگر هنوز با مفهوم هوش مصنوعی و کاربردهای واقعی آن آشنا نیستید، مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی نقطه‌ی شروع خوبی است.
۲. جنی ۴ چطور کار می‌کند؟
ورودی جنی ۴ یک متن یا یک عکس است و خروجی آن یک جهان تعاملی که با کلیدهای کیبورد کنترل می‌شود. مهم‌تر اینکه می‌شود هنگام اجرای صحنه هم با متن آن را هدایت کرد؛ مثلاً هوا را تغییر داد یا رویدادی تازه به صحنه اضافه کرد. البته رویدادهای متنی در نسخه‌ی قبلی هم وجود داشتند و تازگی اصلی جنی ۴ جای دیگری است.
برنامه‌ریز Gemini در حلقه
بر اساس گزارش‌های منتشرشده، یک مدل از خانواده‌ی Gemini در حلقه‌ی کار قرار دارد؛ گام‌ها را برنامه‌ریزی می‌کند و کادرهایی را که تولید می‌شوند بررسی می‌کند. مدل دیگری با نام Gemini Omni نیز برای نگه‌داشتن واقع‌نمایی صحنه معرفی شده است. این ترکیب یعنی جنی دیگر یک مدل تنها نیست و بخشی از اکوسیستم Gemini شده است. برای آشنایی با رقبای این اکوسیستم می‌توانید مقاله‌ی OpenAI چیست را بخوانید.
گشت‌وگذار با کیبورد
کنترل با کیبورد باعث می‌شود تجربه به بازی‌های ویدیویی نزدیک باشد، اما هیچ موتور بازی سنتی پشت آن نیست. هر فریم را خود مدل پیش‌بینی می‌کند و همین موضوع هم نقطه‌ی قوت و هم منبع محدودیت‌های آن است.
۳. صدای بومی؛ مهم‌ترین تازگی جنی ۴
جنی ۴ نخستین نسخه‌ای است که صدا را به‌صورت بومی و هم‌زمان با تصویر تولید می‌کند. این صدا سه لایه دارد: صدای محیط مثل باد و گام‌ها، موسیقی متناسب با فضا، و دیالوگ تعاملی. تا پیش از این، کاربر مجبور بود صدا را جداگانه روی تصویر بگذارد و هماهنگی آن با رویدادهای صحنه کار دستی بود.
برای فیلم‌سازان و بازی‌سازان، صدای هم‌زمان یعنی پیش‌نمایش سریع‌تر ایده‌ها: یک صحنه‌ی ماجراجویی را توصیف می‌کنید و هم تصویر و هم فضای صوتی آن را می‌بینید و می‌شنوید. گوگل اعلام کرده تصویر و صدای خروجی با واترمارک SynthID علامت‌گذاری می‌شوند تا محتوای تولیدشده قابل شناسایی باشد.
۴. جنی ۴ در برابر جنی ۳؛ چه چیزی فرق کرده؟
برای مقایسه باید دقت کرد که همه‌ی ارقام فنی منتشر نشده‌اند. آنچه تا امروز روشن است این است:
- صدا: جنی ۴ صدای بومی دارد؛ در جنی ۳ چنین قابلیتی در کار نبود.
- برنامه‌ریز: جنی ۴ از مدل Gemini برای برنامه‌ریزی گام‌ها و بررسی کادرها کمک می‌گیرد.
- ثبات صحنه: گزارش‌ها از حدود دو دقیقه یکپارچگی صحنه می‌گویند که دو برابر سقف جنی ۳ است. خود گوگل از «چند دقیقه» تعامل پیوسته سخن گفته است.
- مشخصات فنی: رزولوشن، نرخ فریم، تعداد پارامتر و بنچمارک‌ها منتشر نشده‌اند. جنی ۳ با کیفیت ۷۲۰p و ۲۴ فریم در ثانیه معرفی شده بود، ولی نمی‌توان همین ارقام را به جنی ۴ نسبت داد.
به بیان ساده، جنی ۴ بیشتر یک جهش در «تجربه» است تا یک جهش اثبات‌شده در «کیفیت تصویر»، و این دقیقاً چیزی است که باید هنگام ارزیابی خبرهای مشابه در نظر داشت.
۵. چه کسی می‌تواند از جنی ۴ استفاده کند؟
در حال حاضر جنی ۴ یک پیش‌نمایش پژوهشی است و فقط به آزمایشگران مورد اعتماد داده می‌شود. می‌توان در لیست انتظار ثبت‌نام کرد، اما تاریخی اعلام نشده است.
Project Genie و اشتراک Ultra
گوگل گفته جنی ۴ به‌زودی به Project Genie برای مشترکان Google AI Ultra می‌آید. Project Genie در بیش از ۱۴۰ کشور برای مشترکان Ultra عرضه شده است، اما تا ۲۸ اکتبر ۲۰۲۶ هنوز با جنی ۳ کار می‌کرد. قیمت اشتراک Ultra در آمریکا بر اساس منابع خبری ۹۹٫۹۹ یا ۱۹۹٫۹۹ دلار در ماه است و برای جنی ۴ قیمت جداگانه‌ای اعلام نشده.
دسترسی از طریق API
شریک‌های اولیه نیز قرار است از طریق Gemini API و Google AI Studio دسترسی بگیرند. تعرفه‌ی API هنوز منتشر نشده است. اگر بازار مدل‌های رقیب برایتان مهم است، به صفحه‌ی اخبار هوش مصنوعی مستر چت‌جی‌پی‌تی سر بزنید تا تازه‌ترین خبرها را دنبال کنید.
۶. کاربردهای جنی ۴
گوگل چند حوزه را به‌عنوان کاربرد هدف معرفی کرده است: پیش‌نمایش صحنه برای فیلم‌سازی، روزنامه‌نگاری و بازسازی رویدادهای تاریخی، نمونه‌سازی سریع مفهوم بازی، و شبیه‌سازی سازمانی. در بخش رباتیک هم گزارش‌ها از استفاده‌ی جنی ۴ در آزمایشی با شبیه‌سازی Gemini Robotics خبر می‌دهند؛ ایده این است که ربات‌ها در جهان‌های شبیه‌سازی‌شده تمرین کنند.
برای تیم‌های محتوایی، این ابزار می‌تواند مرحله‌ی استوری‌بورد را سریع‌تر کند. اما به‌دلیل نبود دسترسی عمومی، هنوز نباید روی آن برنامه‌ی تولید بست. آموزش‌های کاربردی کار با ابزارهای در دسترس را در بخش آموزش‌های ChatGPT ببینید.
۷. محدودیت‌ها و ریسک‌های شناخته‌شده
دیپ‌مایند خودش چند محدودیت را پذیرفته است. جزئیات تصویر و ثبات اشیا ممکن است منحرف شود، به‌خصوص در جلسه‌های طولانی، بعد از چند بار ویرایش پرامپت یا هنگام حرکت. مدل‌سازی تعامل چند کاربر یا چند عامل هنوز مسئله‌ی پژوهشی باز است. مکان‌های واقعی نیز با دقت کامل شبیه‌سازی نمی‌شوند.
متن خوانا هم معمولاً فقط وقتی در صحنه ظاهر می‌شود که در توضیح جهان آمده باشد، و دقت صدای لحظه‌ای هنوز در حال بهبود است. این نکته‌ها نشان می‌دهد جنی ۴ ابزار تولیدی نهایی نیست، بلکه یک پیش‌نمایش پژوهشی است. همین نگاه واقع‌بینانه را در مقاله‌ی توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها یا مهندس واقعی هم می‌توانید دنبال کنید.
۸. این خبر برای کاربران فارسی‌زبان یعنی چه؟
برای کاربران ایرانی، دسترسی مستقیم به خدمات پولی و محدود گوگل ممکن است دشوار باشد، اما روند مهم است. وقتی شرکت‌های بزرگ مدل زبانی، تصویر، صدا و برنامه‌ریز را در یک مدل جهان کنار هم می‌گذارند، مرز میان ابزارهای جداگانه کم‌رنگ می‌شود. سازندگان محتوا بهتر است از حالا یاد بگیرند ایده‌های خود را دقیق توصیف کنند، چون کیفیت خروجی این مدل‌ها مستقیماً به کیفیت توضیح بستگی دارد. راهنمای نوشتن پرامپت برای مبتدی‌ها برای همین کار مفید است.
از نگاه کسب‌وکار هم هر مدلی که شبیه‌سازی و پیش‌نمایش را ارزان کند، فرایند تصمیم‌گیری و طراحی را تغییر می‌دهد. درباره‌ی اهمیت این تحول می‌توانید مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار را بخوانید.
۹. پرسش‌های متداول درباره‌ی جنی ۴
جنی ۴ چیست؟
جنی ۴ مدل جهان گوگل دیپ‌مایند است که از متن یا تصویر، یک محیط تعاملی با صدای هم‌زمان می‌سازد.
جنی ۴ رایگان است؟
خیر، فعلاً فقط برای آزمایشگران مورد اعتماد است. دسترسی مشترکان Google AI Ultra و API «به‌زودی» اعلام شده و قیمت جداگانه‌ای برایش منتشر نشده است.
تفاوت اصلی جنی ۴ با جنی ۳ چیست؟
صدای بومی، برنامه‌ریز مبتنی بر Gemini و ثبات بیشتر صحنه، مهم‌ترین تفاوت‌ها هستند.
آیا جنی ۴ جایگزین موتور بازی می‌شود؟
نه در حال حاضر. به‌دلیل انحراف جزئیات در جلسه‌های طولانی و نبود کنترل دقیق، بیشتر برای نمونه‌سازی و پیش‌نمایش مناسب است.
خروجی جنی ۴ چطور شناسایی می‌شود؟
تصویر و صدای تولیدشده با واترمارک SynthID علامت‌گذاری می‌شود.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
