گوگل Genie 4 را معرفی کرد: دنیای تعاملی real-time با صدا، به کمک Gemini
دیپمایند از Genie 4 رونمایی کرد: مدل جهانی که دنیای تعاملی را real-time با صدای native میسازد، با متن کنترل میشود و Gemini در حلقهاش برنامهریزی میکند؛ فعلاً فقط برای تسترهای منتخب.
27 Oct 2026 · 2 min read · Google DeepMind · Genie 4 · World Model · هوش مصنوعی · Gemini · رباتیک
گوگل دیپمایند امروز (۲۷ اکتبر) از Genie 4 رونمایی کرد؛ نسل جدید «مدل جهان» (world model) که یک دنیای تعاملی را بهصورت real-time میسازد و شما با کیبورد داخلش حرکت میکنید و با متن، صحنه را همان لحظه عوض میکنید. بزرگترین خبر این نسخه: صدا حالا همزمان با تصویر و بهصورت native تولید میشود؛ از صدای باد و موج تا موسیقی و دیالوگ آدمهای داخل صحنه.
چه چیزهایی جدید است؟
- کنترل صحنه با زبان طبیعی در لحظه: آبوهوا را عوض کنید، دوربین را جابهجا کنید یا یک آدم یا شیء جدید وارد صحنه کنید؛ Gemini پرامپت شما را با فضای صحنه تطبیق میدهد.
- واقعگرایی بیشتر در فیزیک و حرکت انسان: شبیهسازی برخورد، آیرودینامیک و حرکت روانتر آدمها.
- صدای native: اولین مدل جهان real-time دیپمایند که خودش صدا تولید میکند.
- Gemini در حلقه: مدل Gemini 3.8 Flash مدام فریمها را میبیند، هدف را به چند مرحله میشکند و چک میکند هر مرحله واقعاً انجام شده باشد. نتیجه: علت و معلول قابلاعتمادتر و رویدادهای چندمرحلهای.
رباتیک و شبیهسازی برای ایجنتها
دیپمایند Genie 4 را صراحتاً ابزاری برای ساختن محیط آموزش رباتها و ایجنتها معرفی میکند. در یکی از دموها، مدل Gemini 4 Argon یک کار (بازی چکرز توسط ربات انساننمای Apollo از Apptronik) را به چند مرحله میشکند و این مراحل بهشکل کپشن متنی به Genie 4 داده میشوند تا شبیهسازی قدمبهقدم جلو برود.
کی و چطور در دسترس است؟
فعلاً فقط بهصورت research preview برای trusted testerها. قدم بعدی، مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio هستند و برای Project Genie لیست انتظار باز شده. همهی ویدیو و صدای خروجی هم واترمارک نامرئی SynthID دارد.
خود دیپمایند هم محدودیتها را پنهان نکرده: در جلسههای طولانی یا بعد از چند ویرایش پیچیده، جزئیات صحنه و ماندگاری اشیا هنوز «drift» دارد و فیزیک پیچیده، متن خوانا و دقت فضایی هنوز کار دارد.
نظر من
دمو خیرهکننده است، ولی هنوز دمو است. تا وقتی دسترسی فقط دست تسترهای منتخب است، عددی برای مقایسه نداریم و نمیدانیم کیفیت واقعی بیرون از ویدیوهای دستچین چقدر است.
به نظرم مهمترین بخش ماجرا صدا یا گرافیک نیست؛ ترکیب Gemini بهعنوان «مغز برنامهریز» و Genie بهعنوان «موتور رندر» است. این همان مسیری است که برای آموزش رباتها و ایجنتها در محیط شبیهسازیشده لازم داریم. برای بازیسازها هم یک ابزار جدی پروتوتایپ در راه است، اما جایگزین موتور بازی؟ با این drift و نبود ماندگاری اشیا، هنوز نه.
منبع: Google DeepMind Blog
Comments +
00No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.