رونمایی شگفت‌انگیز گوگل دیپ‌مایند از شبیه‌ساز انقلابی جنی چهار با قابلیت تولید آنی جهان‌های تعاملی

جنی چهار مدل جدید گوگل دیپ‌مایند است که دنیاهای سه‌بعدی، فیزیک حرکتی، صدا و گفتگوی تعاملی را به شکل همزمان و بدون تاخیر با دستور متنی می‌سازد.

دنیای هوش مصنوعی تا همین چند وقت پیش فقط متن و عکس تولید می‌کرد یا ویدیوهای چند ثانیه‌ای می‌ساخت که نمی‌شد دست به ترکیب آن‌ها زد. حالا گوگل دیپ‌مایند با رونمایی از جنی چهار مسیر تازه‌ای باز کرده است. این سیستم به جای تولید یک ویدیوی از پیش ضبط شده، یک جهان کامل می‌سازد که می‌توانید درون آن قدم بزنید و همه چیز را تغییر دهید. پیوند این مدل با توان پردازشجمینای ۴ آرگونبه آن اجازه داده است که جزئیات فضا و پیوستگی تصاویر را در تمام مدت گردش کاربر کاملاً حفظ کند.

معرفی جنی چهار دیپ‌مایند؛ وقتی هوش مصنوعی دنیای واقعی را می‌سازد

خبر این پیشرفت بزرگ درحساب ایکس گوگل دیپ‌مایندمنتشر شد و خیلی سریع نگاه پژوهشگران سراسر جهان را به سمت خودش کشید. نکته جالب اینجاست که صدای محیط هم همزمان با تصویر تولید می‌شود. این فناوری با استفاده از سازوکارمدل صوتی جمینای ۳.۸کاری می‌کند که وقتی سنگی روی زمین می‌افتد یا بادی در دشت می‌وزد، صدای طبیعی همان لحظه و درست از همان جهت پخش شود.

سازندگان این پروژه درگزارش وبلاگ پژوهشی دیپ‌مایندبا جزئیات اعلام کردند که هدف اصلی فقط ساخت سرگرمی نیست؛ بلکه قرار است این دنیاهای مجازی قوانین زمین را به ماشین‌ها یاد بدهند. جنی چهار در هر ثانیه تا ۶۰ فریم تصویر زنده با وضوح بالا رندر می‌کند و به حرکات کاربر واکنش نشان می‌دهد.

جنی چهار دقیقاً چه کاری انجام می‌دهد؟

جنی چهار مثل یک موتور بازی‌سازی بسیار باهوش است. شما به جای اینکه ماه‌ها زمان بگذارید و خیابان، درخت، ماشین و کاراکترها را با نرم‌افزارهای پیچیده طراحی کنید، کافی است به زبان ساده بگویید چه چیزی می‌خواهید. جنی چهار صحنه را با نورپردازی طبیعی، فیزیک برخورد اجسام و صداهای پیرامون تحویل می‌دهد.

تفاوت بزرگ جنی چهار با نسل قبلی خود در هوش درونی آن است. در مدل‌های قبلی اگر با دوربین به چپ نگاه می‌کردید و دوباره به راست برمی‌گشتید، محیط عوض می‌شد و هوش مصنوعی یادش می‌رفت قبلاً چه چیزی ساخته بود. اما در جنی چهار همه چیز جای خودش می‌ماند. اگر سیبی را روی میز پرتاب کنید و از اتاق خارج شوید، وقتی برگردید آن سیب هنوز آنجا افتاده است.

تفاوت شبیه‌ساز دنیا با ابزارهای ویدیویی معمولی

ابزارهای معروفی که این روزها ویدیو می‌سازند فقط روی توالی پیکسل‌ها کار می‌کنند. آن‌ها نمی‌دانند یک جعبه سنگین روی زمین سر می‌خورد یا نه و در واقع هیچ درکی از جرم و شتاب ندارند. اما جنی چهار یک شبیه‌ساز واقعی جهان است.

در این مدل، هر حرکتی پیامد طبیعی خودش را دارد. اگر دری باز شود، صدای جیرجیر لولا با توجه به سرعت باز شدن شنیده می‌شود. اگر در یک جاده شنی حرکت کنید، گرد و خاک پشت سر بلند می‌شود و چرخ‌ها سر می‌خورند. این سطح از درک محیطی همان چیزی است که مرز میان تصویرسازی ساده و شبیه‌سازی واقعی را مشخص می‌کند.

سازوکار فنی جنی چهار؛ ترکیب استدلال با قوانین طبیعت

گوگل برای اینکه چنین دنیای روانی بسازد، از همکاری چند مدل مختلف استفاده کرده است. جنی چهار فقط یک مدل تنها نیست؛ بلکه شبکه‌ای از هوش‌های پیوسته است که هر کدام وظیفه مشخصی دارند. یک بخش ظاهر اشیاء را درست می‌کند، بخشی دیگر حرکت‌ها را کنترل می‌کند و یک بخش هم ناظر منطق صحنه است.

پژوهشگران برای اینکه سرعت مدل افت نکند، ارتباط این بخش‌ها را بسیار یکپارچه کرده‌اند. به همین دلیل وقتی شما دستوری صادر می‌کنید، نیازی نیست چند دقیقه معطل بمانید تا صحنه لود شود، همه چیز زیر یک ثانیه در برابرتان شکل می‌گیرد.

جمینای اومنی و خلق زیبایی‌های بصری و بازتاب نور

بخش جمینای اومنی مسئولیت دارد که دنیا شبیه به واقعیت باشد. این مدل بافت دیوارها، چروک لباس افراد، شیوه تابش نور آفتاب روی آب و تاریکی سایه‌ها را به شکل باورپذیری بازسازی می‌کند. وقتی زاویه دید تغییر می‌کند، جهت تابش پرتوهای نور به شکل خودکار اصلاح می‌شود.

این هماهنگی بصری باعث می‌شود تصاویری که کاربر می‌بیند زننده نباشند. رنگ‌ها گرم و طبیعی به نظر می‌رسند و اجسام حالتی خمیری و مصنوعی پیدا نمی‌کنند. همه بافت‌ها سر جای خود محکم هستند و حتی وقتی سرعت حرکت بالا می‌رود، افت کیفیتی حس نمی‌شود.

استدلال جمینای و ماندگاری وسایل در گوشه و کنار محیط

بزرگ‌ترین دردسر هوش مصنوعی در تولید فضاهای سه‌بعدی، آلزایمر لحظه‌ای است؛ یعنی صحنه پس از چند قدم به کل فراموش می‌شد. جمینای با بهره‌گیری از مدل‌های استدلالی خود، یک نقشه نامرئی از تمام محیط را در حافظه نگه می‌دارد.

این موتور استدلال مانند داور یک بازی عمل می‌کند. اگر کاربر تصمیم بگیرد سنگی را در رودخانه بیندازد، جمینای محاسبه می‌کند که آب باید موج بردارد و صدای شلپ شنیده شود. همچنین محاسبه می‌کند که سنگ به ته آب می‌رود و روی هوا معلق نمی‌ماند. این منطق ساده چیزی است که کامپیوترها تا پیش از این به سختی درک می‌کردند.

صدایی که از جنس همان محیط ساخته می‌شود

جنی چهار برای صداگذاری به فایل‌های آرشیوی مراجعه نمی‌کند؛ بلکه صدا را در همان دم با توجه به ماهیت جسم می‌آفریند. برای مثال، راه رفتن روی برگ‌های خشک یک جنگل، صدایی خش‌خش تولید می‌کند که با راه رفتن روی آسفالت خیس فرق دارد.

اگر در بازی باد تندی شروع به وزیدن کند، صدای زوزه آن از لابه‌لای شاخه‌ها شنیده می‌شود. همچنین اگر کاراکتری در محیط حضور داشته باشد، می‌تواند با توجه به شرایط اطراف صحبت کند و صدای او در سالن‌های بزرگ اکو پیدا کند.

کنترل دنیاها با دکمه‌های صفحه کلید و گفتگوهای روزمره

شاید جذاب‌ترین ویژگی جنی چهار برای عموم افراد این باشد که کار کردن با آن پیچیده نیست. شما پشت کامپیوتر می‌نشینید، کلیدهای پیکان یا دکمه‌های ناوبری را فشار می‌دهید و در محیط جابه‌جا می‌شوید؛ درست مثل یک بازی ویدیویی که تازه روی سیستم نصب کرده‌اید.

در همین حال می‌توانید تایپ کنید یا بگویید که هوا بارانی شود. در همان ثانیه ابرها جمع می‌شوند و قطره‌های باران روی زمین می‌ریزند. شما بدون نوشتن حتی یک خط کد برنامه‌نویسی، کارگردان و طراح صحنه خودتان می‌شوید.

• چرخاندن آزادانه زاویه دید و سرک کشیدن به تمام زوایا
• افزودن فوری حیوانات، وسایل نقلیه یا انسان‌ها با جملات کوتاه
• تغییر ساعت شبانه‌روز از ظهر آفتابی به غروب مه‌آلود
• تنظیم میزان اصطکاک زمین برای لیز خوردن یا راحت راه رفتن

این سادگی در کاربری باعث می‌شود کسانی که هیچ آشنایی با دنیای سه بعدی ندارند، سناریوهای ذهنی خود را به واقعیت تبدیل کنند و داستان‌های چنددقیقه‌ای بسازند.

واکنش بدون معطلی و نرخ پردازش فریم‌ها

یکی از افتخارات تیم مهندسی گوگل این است که سرعت شبیه‌سازی را بسیار بالا برده‌اند. اجرای تصاویر با سرعت ۶۰ فریم بر ثانیه برای یک مدل هوش مصنوعی مولد کاری بسیار دشوار است. این سرعت باعث شده حرکت دوربین نرم و روان باشد و کاربر احساس سرگیجه یا پرش تصویر نکند.

وقتی فرمانی مانند تغییر مسیر خودرو ارسال می‌شود، چرخ‌ها بلافاصله به سمت خواسته شده می‌پیچند و رد لاستیک روی خاک نرم دیده می‌شود. این سرعت پاسخگویی برای ابزارهای نسل جدید بسیار حیاتی است

کاربرد جنی چهار در آموزش ربات‌ها و شتاب یادگیری ماشین

شاید بپرسید ساخت این دنیاها جز بازی چه سود دیگری برای دنیای علم دارد؟ پاسخ اصلی در آموزش ربات‌های نسل جدید نهفته است. یاد دادن مهارت‌های حرکتی به یک ربات واقعی در دنیای ما کار پردردسری است. ربات اگر بیفتد قطعاتش می‌شکند و هزینه سنگینی به بار می‌آورد.

با جنی چهار، دانشمندان می‌توانند هزاران ربات مجازی را درون محیط‌های شبیه‌سازی شده رها کنند تا میلیون‌ها بار زمین بخورند و یاد بگیرند چگونه راه بروند، چگونه جعبه‌ها را بردارند و از پله‌ها بالا بروند.

دمیس هاسابیس، رئیس گوگل دیپ‌مایند درباره این دستاورد گفت که اگر می‌خواهیم ماشین‌ها روزی مانند انسان فکر و عمل کنند، باید قبل از هر چیز دنیای فیزیکی و پیامد رفتارها را در محیط‌های بی‌پایان به درستی یاد بگیرند.

این جمله نشان می‌دهد نگاه گوگل به جنی چهار بسیار فراتر از یک ابزار سرگرمی است. آن‌ها در حال ساخت مهدکودکی دیجیتال برای هوش مصنوعی هستند تا قوانین ابتدایی ماده و حرکت را بیاموزد.

تحول در بازی‌سازی و داستان‌سرایی زنده

صنعت بازی‌سازی با ورود چنین ابزاری شاهد تغییرات فراوانی خواهد شد. تا کنون استودیوها برای ساخت بازی‌های بزرگ صدها نفر را برای طراحی سه بعدی استخدام می‌کردند و سال‌ها وقت می‌گذاشتند. جنی چهار به عنوان یک دستیار می‌تواند پایه‌های یک شهر را ظرف چند دقیقه پیاده کند.

از این فراتر، در آینده بازی‌هایی ساخته خواهند شد که پایان از پیش نوشته شده ندارند. بازیکن هر مسیری را که انتخاب کند، دنیای بازی همان لحظه پیش روی او شکل می‌گیرد و شخصیت‌ها با صدای طبیعی و بر اساس حرف‌های بازیکن جواب می‌دهند.

کاهش اشتباهات با فهم فیزیک واقعی

یکی از بزرگ‌ترین چالش‌های سیستم‌های هوش مصنوعی، خطاهای عجیب و اصطلاحاً توهم است. برای نمونه در تصاویر تولیدی قبلی، دست آدم‌ها شش انگشت داشت یا فنجان چای در هوا معلق می‌ماند.

جنی چهار با پیاده‌سازی فرمول‌های واقعی حرکت، این توهم‌ها را کاهش داده است. وقتی مدل می‌داند جاذبه وجود دارد و دو جسم نمی‌توانند همزمان در یک نقطه قرار بگیرند، تصاویر به طور خودکار منطقی‌تر و درست‌تر ساخته می‌شوند.

روش دسترسی و برنامه‌های بعدی گوگل برای انتشار

گوگل در ابتدای کار این مدل را برای عموم باز نکرده است؛ چرا که اجرای آن به سرورهای بسیار قدرتمند ابری نیاز دارد. در این مرحله، فقط کاربران سرویس گوگل ای‌آی اولترا و تعدادی از محققان منتخب می‌توانند در پروژه جنی به آزمون و بررسی سیستم بپردازند.

همچنین توسعه‌دهندگان از طریق محیط گوگل ای‌آی استودیو به کدهای ارتباطی این ابزار دسترسی پیدا کرده‌اند تا بتوانند نرم‌افزارهای خود را بر پایه آن آزمایش کنند و بازخوردهای لازم را برای رفع نواقص به دیپ‌مایند بفرستند.

توسعه‌دهندگان در حال بررسی این موضوع هستند که چگونه این فرآیند سنگین را کم‌هزینه‌تر کنند تا افراد با رایانه‌های معمولی هم بتوانند وارد این فضاهای تعاملی شوند.

تدابیر ایمنی برای جلوگیری از سوءاستفاده

گوگل در کنار توسعه این سامانه، لایه‌های نظارتی سنگینی تعریف کرده است. هیچ کاربری نمی‌تواند از جنی چهار برای ساخت صحنه‌های آزاردهنده، غیراخلاقی یا شبیه‌سازی رفتارهای خشونت‌آمیز استفاده کند. سیستم به طور خودکار واژه‌های نامناسب را در پرامپت‌ها تشخیص داده و روند ساخت صحنه را متوقف می‌کند.

همچنین تدابیری اندیشیده شده تا جعل چهره و ساخت دنیاهایی که به افراد واقعی آسیب می‌زند ناممکن شود. این فیلترها تضمین می‌کنند که محیط‌های شبیه‌سازی شده همیشه فضایی ایمن برای کار و آموزش باقی بمانند.

آینده هوش مصنوعی و زندگی در دنیاهای ساختنی

رونمایی از جنی چهار نشان داد که فناوری شبیه‌سازی به چه درجه بالایی از بلوغ رسیده است. ما از ساخت تصاویر ثابت به ساخت دنیاهایی رسیده‌ایم که صدا دارند، حرکت را می‌فهمند و به خواست ما دگرگون می‌شوند. این فناوری نه تنها بازی‌ها و فیلم‌ها را زیباتر می‌کند، بلکه به ربات‌ها کمک می‌کند زودتر آماده ورود به خیابان‌ها و کارخانه‌ها شوند. آینده‌ای که در آن انسان و رایانه با هم جهان‌های مجازی بی‌پایان را شکل می‌دهند، دیگر دور از دسترس نیست و جنی چهار نقطه شروعی روشن برای این مسیر به شمار می‌رود.

سوالات متداول

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