گوگل دیپ‌مایند (Google DeepMind) در ۲۷ اکتبر ۲۰۲۶ پیش‌نمایش پژوهشی جینی ۴ (Genie 4) را منتشر کرد. جینی ۴ نخستین مدل جهان (world model) واقعی‌زمان این شرکت است که صدا، صدای محیط و گفت‌وگوی تعاملی را به‌صورت بومی و هم‌زمان با شبیه‌سازی تصویری تولید می‌کند.
از جینی ۳ بی‌صدا تا جینی ۴
دیپ‌مایند مدل‌های جهان را مسیری مهم به سوی هوش مصنوعی عمومی (AGI) می‌داند. این شرکت شبیه‌سازی را پایه‌ای برای آموزش ربات‌ها و ساخت تجربه‌های تعاملی معرفی می‌کند.
جینی ۳ در ۵ اوت ۲۰۲۵ معرفی شد. این مدل امکان حرکت واقعی‌زمان در جهان‌های ساخته‌شده را با سرعت ۲۴ فریم در ثانیه و وضوح ۷۲۰p فراهم کرد، اما صدا نداشت و انسجامش در زمان طولانی حفظ نمی‌شد. جینی ۴ از خانوادهٔ مدل‌های جمنای (Gemini) کمک می‌گیرد تا استدلال، درک و تولید را در یک چرخه کنار هم بگذارد.
رقابت بر سر شبیه‌سازی پویا
جینی ۴ در زمانی معرفی شد که آزمایشگاه‌های بزرگ می‌کوشند فاصلهٔ تولید محتوای ثابت و شبیه‌سازی پویا را کم کنند. مدل‌های ویدیویی مانند Sora و Veo کلیپ می‌سازند. اما مدل جهان باید علیت، فیزیک و رفتار عامل‌ها را در تعامل‌های بی‌پایان حفظ کند.
دیپ‌مایند برای این کار دو مدل را ترکیب کرده است: Gemini Omni برای مبنی‌سازی شبیه‌سازی در ظاهر و رفتار جهان واقعی، و Gemini 3.8 Flash برای برنامه‌ریزی چندمرحله‌ای. این شرکت چنین معماری ترکیبی را «مسیری امیدوارکننده» برای پیشرفت می‌داند.
چهار قابلیت اصلی جینی ۴
دیپ‌مایند قابلیت‌های جینی ۴ را با ضبط تعامل‌های واقعی‌زمان نشان داده است. در این نمونه‌ها کاربر با صفحه‌کلید و دوربین در جهان حرکت می‌کند و صحنه را با پرامپت متنی تغییر می‌دهد.
کنترل واقعی‌زمان
کاربر می‌تواند شبیه‌سازی در حال اجرا را با زبان طبیعی تغییر دهد؛ مثلاً آب‌وهوا را عوض کند، دوربین را جابه‌جا کند یا شیء تازه‌ای وارد صحنه کند. جمنای پرامپت را با توجه به صحنه تنظیم می‌کند. در فاصلهٔ ورودی‌ها هم جمنای جهان را زیر نظر دارد و آن را هدایت می‌کند تا روند صحنه منسجم بماند.
فیزیک و حرکت انسان
به گفتهٔ دیپ‌مایند، جینی ۴ واقع‌گرایی تازه‌ای به شبیه‌سازی واقعی‌زمان آورده است. این مدل آیرودینامیک، برخورد اجسام و حرکت شخصیت‌ها را شبیه‌سازی می‌کند. دیپ‌مایند بزرگ‌ترین پیشرفت را در شبیه‌سازی انسان می‌داند: شخصیت‌ها طبیعی حرکت می‌کنند، به محیط واکنش نشان می‌دهند و کاربر می‌تواند آن‌ها را در لحظه هدایت کند.
تولید صدای بومی
جینی ۴ نخستین مدل جهان دیپ‌مایند است که صدا را خودش تولید می‌کند. هر محیط صدای خاص خودش را دارد؛ از باد و موج تا شلوغی شهر. شخصیت‌ها هم با هم گفت‌وگو می‌کنند و در لحظه به ورودی کاربر یا رویدادهای جهان واکنش نشان می‌دهند.
رویدادهای چندمرحله‌ای پیچیده
در این بخش، Gemini 3.8 Flash نقش عامل راهنما را در چرخهٔ شبیه‌سازی دارد. هم‌زمان با ساخت تصویر در جینی ۴، جمنای فریم‌ها را می‌بیند، هدف را به چند مرحله تقسیم می‌کند، انجام هر مرحله را بررسی می‌کند و با تغییر جهان برنامه‌اش را به‌روز می‌کند. به گفتهٔ دیپ‌مایند، نتیجه علیت قابل اعتماد، رفتارهای رویه‌ای و استدلال چندمرحله‌ای است.
آزمایش رباتیک با Gemini 4 Argon
دیپ‌مایند جینی ۴ را همراه با Gemini 4 Argon و Gemini Robotics هم آزمایش کرده است. در یک نمونه، Argon وظیفهٔ بازی چکرز (دام) را به چند مرحله تقسیم می‌کند و این مراحل به شکل زیرنویس متنی روی شبیه‌سازی نمایش داده می‌شوند. هم‌زمان، شبیه‌سازی ربات انسان‌نمای Apollo ساخت شرکت Apptronik را در حال بازی نشان می‌دهد و با پیشرفت کار تغییر می‌کند. این مدل در ادامه‌ی توسعه‌ی Gemini 4 Argon است که پیش‌تر با خروجی یک میلیون توکنی برای گردش‌کارهای سازمانی معرفی شد. گوگل دسترسی محدود به مدل Argon را برای کاربران معتبر اولویت داده است تا از تزریق پرامپت جلوگیری شود.
چه کسانی جینی ۴ را آزمایش می‌کنند
آزمایش‌کنندگان منتخب از صنایع خلاق، روزنامه‌نگاری، آموزش، بازی‌سازی و مهندسی هستند:
- فیلم‌سازان از جینی ۴ به‌عنوان «حالت پیش‌نویس» سریع برای پیش‌تجسم صحنه استفاده می‌کنند و با تغییر دوربین، نور، دیالوگ و حرکت، چند برداشت پشت سر هم می‌گیرند.
- عکاسان خبری بررسی می‌کنند که چطور یک عکس آرشیوی دوبعدی در چند ثانیه به شبیه‌سازی مستند آن محیط تبدیل شود.
- بازی‌سازان پیش از نوشتن کد موتور بازی، مسیر ایده تا نمونهٔ اولیه را با زبان طبیعی آزمایش می‌کنند.
ایمنی و محدودیت‌ها
به گفتهٔ دیپ‌مایند، حفاظ‌های ایمنی جینی ۴ با سیاست‌های این شرکت هم‌خوان است و مدل پیش از انتشار ارزیابی‌های ایمنی داخلی را گذرانده است. همهٔ خروجی‌ها نشان‌گذاری (واترمارک) نامحسوس SynthID را دارند. این فناوری دیپ‌مایند محتوای ساخت هوش مصنوعی را در تصویر و صدا شناسایی می‌کند.
محدودیت‌ها هنوز سر جایشان هستند. جزئیات تصویر و ماندگاری اشیا در جلسه‌های طولانی، پس از ویرایش‌های پیچیده یا هنگام حرکت در صحنه تغییر می‌کنند. فیزیک پیچیده، صحت صدا در زمان واقعی، متن خوانا، دقت فضایی و ثبات بلندمدت هنوز موضوع پژوهش‌اند.
اهمیت چندوجهی بودن جینی ۴
جینی ۴ مدل جهان را از پیش‌بینی تصویری بی‌صدا به شبیه‌سازی کامل حسی می‌برد. مدل‌های قبلی برای صدا به سیستم جداگانه نیاز داشتند و همین غوطه‌وری و علیت را به هم می‌زد. تولید هم‌زمان صدا، گفت‌وگو و تصویر این شکاف را پر می‌کند. افزودن Gemini 3.8 Flash به‌عنوان لایهٔ دائمی استدلال هم به سراغ مشکل انسجام رفته است؛ مشکلی که شبیه‌سازهای واقعی‌زمان قبلی را درگیر کرده بود.
پیامد برای رباتیک
ترکیب Gemini 4 Argon با جینی ۴ مسیری مستقیم از شبیه‌سازی به استفادهٔ فیزیکی را نشان می‌دهد. نمونهٔ چکرز با ربات Apollo، برنامه‌ریزی وظیفه، شبیه‌سازی و کنترل ربات را در یک چرخه کنار هم می‌گذارد. این الگو می‌تواند به انتقال از شبیه‌سازی به واقعیت (sim-to-real transfer) کمک کند و توسعهٔ هوش مصنوعی بدنمند (embodied AI) را سرعت دهد.
اولویت‌های تجاری دیپ‌مایند
انتخاب آزمایش‌کنندگان اولویت‌های تجاری دیپ‌مایند را نشان می‌دهد: پیش‌تجسم در فیلم، بازسازی خبری و نمونه‌سازی بازی. در این حوزه‌ها سرعت تکرار مهم‌تر از دقت کامل است و این با نقاط قوت و ضعف فعلی جینی ۴ جور درمی‌آید. ارزیابی مدل برای تولید سناریو در شرکت‌ها هم از احتمال یک محصول سازمانی (B2B) برای شبیه‌سازی صنعتی خبر می‌دهد.
با این حال، مشکل تغییر جزئیات و ناپایداری یعنی جینی ۴ فعلاً ابزاری پژوهشی است، نه موتوری برای تولید نهایی. دیپ‌مایند صریحاً پذیرفته که ماندگاری اشیا با گذشت زمان از بین می‌رود و متن هنوز خوانا نیست. نقشهٔ راه ترکیبی این شرکت، که در آن جمنای ساختار و روایت را برنامه‌ریزی می‌کند و جینی پیکسل‌ها را می‌سازد، نشان می‌دهد شبیه‌سازی صرفاً پیکسلی به‌تنهایی برای استدلال بلندمدت کافی نیست.
دسترسی به جینی ۴ و Project Genie
به گفتهٔ دیپ‌مایند، جینی ۴ به‌زودی برای مشترکان Google AI Ultra در Project Genie و شرکای دسترسی اولیه در Gemini API و Google AI Studio عرضه می‌شود. این عرضه نشان می‌دهد عملکرد واقعی‌زمان مدل در مقیاس بزرگ حفظ می‌شود یا نه. لیست انتظار جینی ۴ در Project Genie هم‌اکنون باز است.
گام بعدی شما
- اگر در پیش‌تجسم فیلم یا بازی‌سازی کار می‌کنید، در لیست انتظار Project Genie ثبت‌نام کنید و ساخت سریع صحنه با زبان طبیعی را امتحان کنید.
- تیم‌های رباتیک می‌توانند چرخهٔ مشترک Gemini 4 Argon، جینی ۴ و Gemini Robotics را الگویی برای مسیر sim-to-real خود بررسی کنند.
- پژوهشگران مدل جهان بهتر است محدودیت‌های اعلام‌شده، یعنی ماندگاری اشیا، متن خوانا و صحت صدا، را در نسخه‌های بعدی دنبال کنند.
گفتگو