مدل هوش مصنوعی جدید گوگل می‌تواند علاوه بر ویدیو، صداهای انسانی نیز تولید کند

دیپ‌مایند گوگل جدیدترین نسخه از مدل هوش مصنوعی جهان خود را معرفی کرده که به گفته این شرکت، واقع‌گرایی بی‌سابقه‌ای ارائه می‌دهد و در شبیه‌سازی انسان‌ها تخصص دارد.

این مدل جدید با نام Genie 4 امروز در قالب پیش‌نمایش پژوهشی محدود و برای گروه کوچکی از آزمایش‌کنندگان اولیه منتشر شد. Genie 4 می‌تواند ویدیوهایی با کیفیت واقع‌گرایانه تولید کند که کاربران قادرند با استفاده از دستورهای ساده به زبان طبیعی، آن‌ها را به‌صورت زنده تغییر دهند. برخلاف نسخه قبلی، Genie 3، که گوگل نخستین بار در اوت سال گذشته معرفی کرد، مدل جدید قابلیت تولید صدا را نیز دارد و به‌طور خودکار صداهای متناسب با صحنه‌های تصویری ساخته‌شده توسط کاربر را تولید می‌کند. گوگل در مطلب وبلاگی روز سه‌شنبه خود گفت

هر محیط، صداهای طبیعی مخصوص به خود را دارد؛ از وزش باد میان درختان گرفته تا برخورد موج‌ها با ساحل.

گوگل همچنین توانایی این مدل در شبیه‌سازی قوانین فیزیک دنیای واقعی را برجسته کرده است. صحنه‌های تولیدشده می‌توانند به تغییر زاویه دوربین، شرایط نورپردازی و سایر تغییرات محیطی واکنش پویا نشان دهند.

شبیه‌سازی واقع‌گرایانه انسان‌ها و تولید صدا

به گفته گوگل، مهم‌ترین تفاوت Genie 4 با نسخه‌های قبلی، توانایی آن در شبیه‌سازی انسان‌هاست. حرکات بدن و حالت‌های چهره در این نسخه روان‌تر و طبیعی‌تر به نظر می‌رسند، درحالی‌که شخصیت‌های تولیدشده با Genie 3 اغلب حرکاتی مکانیکی داشتند. گوگل در مطلب وبلاگی خود گفت

بزرگ‌ترین پیشرفت Genie 4 در نحوه شبیه‌سازی انسان‌ها دیده می‌شود؛ این مدل شخصیت‌هایی خلق می‌کند که طبیعی حرکت می‌کنند، واکنش‌های هماهنگی با محیط اطراف خود نشان می‌دهند و می‌توان حرکات آن‌ها را به‌صورت تعاملی و در لحظه هدایت کرد.

این پیشرفت به شبیه‌سازی صدای انسان نیز گسترش یافته است. کاربران می‌توانند از شخصیت‌های تولیدشده با هوش مصنوعی بخواهند با یکدیگر گفت‌وگو کنند و به رویدادهایی که در جریان ویدیو اتفاق می‌افتند، واکنش نشان دهند.

مدل‌های جهان به یکی از حوزه‌های مهم سرمایه‌گذاری آزمایشگاه‌های پیشرو هوش مصنوعی تبدیل شده‌اند. هدف این پروژه‌ها، ساخت سامانه‌هایی است که بتوانند با استفاده از داده‌های آموزشی محدود، انواع ورودی‌ها را درک کرده و به آن‌ها پاسخ دهند. چنین مدل‌هایی باید از طریق مشاهده یاد بگیرند و سازوکار واقعی جهان فیزیکی را شبیه‌سازی کنند، نه اینکه صرفاً توانایی کنار هم قرار دادن منسجم کلمات را بهبود دهند.

برخی متخصصان، از جمله یان لوکان، دانشمند علوم رایانه فرانسوی و برنده جایزه تورینگ، معتقدند مدل‌های جهان در مقایسه با مدل‌های زبانی بزرگ یا LLMها، مسیر محتمل‌تری برای دستیابی به هوش مصنوعی عمومی واقعی هستند. به نظر می‌رسد گوگل نیز با این دیدگاه موافق باشد. این شرکت در مطلب وبلاگی روز سه‌شنبه خود اعلام کرد

درک و شبیه‌سازی جهان، یکی از جنبه‌های اساسی ساخت هوش مصنوعی عمومی است.

گوگل اعلام کرده Genie 4 با سازوکارهای حفاظتی سخت‌گیرانه‌ای مشابه سایر ابزارهای هوش مصنوعی این شرکت عرضه می‌شود. این مدل همچنین تحت ارزیابی‌های امنیتی دقیق قرار گرفته تا از تولید محتوای مضر یا مخرب جلوگیری شود.

با این‌حال، Genie 4 همچنان در مراحل ابتدایی توسعه قرار دارد و گاهی در حفظ یکپارچگی بصری و دقت صدا با مشکل مواجه می‌شود؛ به‌ویژه زمانی که شبیه‌سازی‌ها طولانی‌تر و پیچیده‌تر می‌شوند. طبق اعلام گوگل، تمام ویدیوها و صداهای تولیدشده با این مدل به SynthID مجهز خواهند شد؛ فناوری واترمارک نامرئی این شرکت برای شناسایی محتوای تولیدشده با هوش مصنوعی.

گوگل با محدود کردن دسترسی اولیه به گروهی از شرکای آزمایشی، قصد دارد بازخوردها را جمع‌آوری کند و پیش از انتشار عمومی، اصلاحات ایمنی لازم را انجام دهد. عرضه گسترده‌تر قرار است ابتدا برای مشترکان سرویس Google AI Ultra انجام شود. با این‌حال، در مطلب وبلاگی زمان دقیق این انتشار مشخص نشده است.

در میان آزمایش‌کنندگان اولیه، توسعه‌دهندگان بازی‌های ویدیویی نیز حضور دارند که به گفته گوگل، از Genie 4 برای ساخت سریع نمونه‌های اولیه و قابل‌اجرا با استفاده از دستورهای زبان طبیعی بهره می‌برند؛ رویکردی که می‌توان آن را بازی‌سازی مبتنی بر ایده و حال‌وهوای خلاقانه نامید.

این نخستین بار نیست که یکی از ابزارهای هوش مصنوعی گوگل صنعت بازی‌سازی سنتی را با تغییرات اساسی روبه‌رو می‌کند. گزارش‌ها حاکی از آن هستند که انتشار اپلیکیشن تحت وب Project Genie در ژانویه، باعث افت شدید سهام شرکت‌های بازی‌سازی شده است.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.