تصور کنید می‌خواهید برچسب یک داروی حساس را بخوانید یا کالایی خاص را از روی قفسه فروشگاه پیدا کنید، اما چشم‌هایتان یاری نمی‌کنند. حالا با Gemini Guided Vision، گوشی شما تبدیل به چشمانی می‌شود که محیط را برایتان توصیف می‌کند. این قابلیت به کاربران اجازه می‌دهد تا تفسیرهای صوتی و بلادرنگ از محیط اطراف خود دریافت کنند.
به نقل از گوگل، این قابلیت که در ۶ اکتبر ۲۰۲۶ منتشر شد، به کاربران اندروید ۹ و نسخه‌های جدیدتر اجازه می‌دهد در حین یک مکالمه زنده، دوربین دستگاه را به اشتراک بگذارند تا اشیا شناسایی شده و متون ریز خوانده شوند. این ابزار در واقع بخشی از Gemini Live است و هدفش تبدیل هوش مصنوعی به یک دستیار دست‌رس‌پذیر برای جامعه نابینایان و کم‌بینایان است. با این ابزار، کاربر می‌تواند در حین یک گفتگوی زنده، دوربین خود را فعال کند تا هوش مصنوعی اشیاء را شناسایی کرده یا متون بسیار ریز را برای او بخواند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت زیرساخت‌های گوگل و آسیب‌پذیری‌های DNS اشاره کردیم، تمرکز این شرکت اکنون از لایه‌های فنیِ پنهان به لایه‌های تعاملی و کاربردی منتقل شده است. Guided Vision برای کسانی طراحی شده که به دنبال کمک‌های بصری بصری‌تر و شهودی‌تر در کارهای روزمره هستند. این سیستم توصیفات صوتی و راهنمایی‌های زمینه‌ای ارائه می‌دهد تا به کاربران در تفسیر آنچه در معرض دید است کمک کند.
گوگل با هدف قرار دادن اندروید ۹، یک خط پایه گسترده برای سازگاری ایجاد کرده است. این تصمیم باعث می‌شود شکل بصری‌تری از دستیارهای هوش مصنوعی موبایل بر روی طیف وسیعی از دستگاه‌های قدیمی و مدرن در دسترس باشد. با این حال، این عرضه به صورت مرحله‌ای (staged rollout) است، به این معنی که واجد شرایط بودن کاربران ممکن است با گسترش دسترسی، متفاوت باشد.
طبق اعلام رسمی گوگل، این ویژگی در حالت مکالمه‌ای اپلیکیشن Gemini فعال می‌شود. برای دسترسی به این ابزار، کاربر باید چندین پیش‌نیاز خاص را برآورده کند:
- دستگاه باید با اندروید ۹ یا بالاتر اجرا شود.
- اپلیکیشن Gemini و نرم‌افزارهای سیستمی اندروید باید به آخرین نسخه‌ها به‌روزرسانی شده باشند.
- کاربر باید در منطقه جغرافیایی و زبانی باشد که در حال حاضر از Gemini Live پشتیبانی می‌کند.
- دستگاه باید با چارچوب فنی Gemini Live سازگار باشد.
این سیستم برای یکپارچگی با TalkBack — ابزاری که صفحه نمایش را برای نابینایان می‌خواند — بهینه‌سازی شده تا مراحل فعال‌سازی کمک‌های بصری به حداقل برسد. کاربران می‌توانند این دستیار را از طریق تنظیمات اپلیکیشن Gemini یا میان‌برهای دست‌رسی‌پذیری اندروید فعال کنند.
گوگل برای شروع کار، این مسیر را توصیه می‌کند:
- تأیید نسخه اندروید (۹ یا بالاتر).
- نصب آخرین به‌روزرسانی‌های موجود برای هر دو بخش نرم‌افزار سیستم و اپلیکیشن Gemini.
- بررسی پشتیبانی منطقه‌ای و زبانی برای Gemini Live.
- شروع یک جلسه Gemini Live و اشتراک‌گذاری دوربین دستگاه در لحظه‌ای که به کمک بصری نیاز است.
بر اساس مستندات گوگل، Guided Vision یک سیستم ناوبری نیست. این ابزار برای کارهای حساس ایمنی، مثل دوری از موانع فیزیکی یا کار با ماشین‌آلات صنعتی، طراحی نشده است. شرکت هشدار داده که این فناوری نباید جایگزین قضاوت انسانی آموزش‌دیده در محیط‌های خطرناک شود. این تمایز در محیط‌های کاری که یک پاسخ اشتباه یا تأخیری در تشخیص (مانند حرکت خودروها) می‌تواند منجر به ایجاد خطر شود، بسیار حیاتی است.
برای کسب‌وکارها، ارزش این ابزار در ایجاد محیط‌های کاری دست‌رس‌پذیر است. شرکت‌هایی که برای کارکنان خود دستگاه اندرویدی فراهم می‌کنند یا فرآیندهای موبایلی مشتری‌محور دارند، می‌توانند بررسی کنند که تعاملات صوتی-تصویری چگونه اصطکاک کاری را کم می‌کند. سناریوهای کاربردی احتمالی عبارتند از:
- کمک به کارگر برای تفسیر اطلاعات فنی چاپ‌شده یا متون ریز.
- شناسایی یک کالای خاص در میدان دید برای سرعت بخشیدن به موجودی یا بازیابی کالا.
- دریافت زمینه صوتی درباره یک شیء از طریق دوربین برای کمک سریع.
این تعاملات زمانی بیشترین کاربرد را دارند که کارگر بتواند در آن لحظه به طور ایمن از تلفن استفاده کند. فرصت فعلی در مورد جایگزینی جریان‌های کاری تخصصی نیست، بلکه در مورد درک این است که چگونه تعاملات صوتی و تصویری، دسترسی به اطلاعات روتین را برای کارکنان و مشتریان آسان‌تر می‌کند.
این تغییر نشان می‌دهد که هوش مصنوعی موبایل از پرامپت‌های ایستا به سمت آگاهی محیطی و چندوجهی (Multimodal) — یعنی مدلی که مثل انسان هم‌زمان متن، عکس و صدا را می‌فهمد — حرکت می‌کند. با هدف قرار دادن اندروید ۹، گوگل دسترسی به این فناوری را برای طیف وسیعی از دستگاه‌های قدیمی و جدید فراهم کرده است، هرچند عرضه آن به‌صورت مرحله‌ای است و تاریخ دقیق برای تمام مناطق یا سیستم‌عامل iOS اعلام نشده است.
در نهایت، ما با حرکتی به سمت بهره‌وری «بدون نیاز به چشم» (eyes-free) روبرو هستیم. ترکیب پخش زنده ویدیو با یک مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — گوشی را از یک نمایشگر ساده به یک دستیار ادراکی تبدیل می‌کند. کسب‌وکارها اکنون باید جریان‌های کاری خاص خود را ترسیم کنند تا ببینند کجا تفسیر بصری می‌تواند جایگزین ورود دستی داده‌ها یا بازرسی‌های بصری شود.
مشاوره هوش مصنوعی Scalevise می‌تواند به شناسایی جریان‌های کاری مناسب، ارزیابی محدودیت‌های پیاده‌سازی و تبدیل ابزارهای امیدوارکننده به یک برنامه پذیرش متمرکز کمک کند. برای ارزیابی اینکه هوش مصنوعی موبایل کجا می‌تواند اصطکاک عملیات شما را کاهش دهد، درخواست مشاوره دهید.
گام بعدی شما
- نسخه اندروید خود را چک کنید و اپلیکیشن Gemini را به‌روزرسانی کنید تا گزینه‌های Guided Vision در تنظیمات دست‌رسی‌پذیری ظاهر شود.
- اگر مدیر عملیات هستید، بررسی کنید کدام بخش از جریان کاری شما (مانند بازرسی بصری یا ورود داده‌های دستی) می‌تواند با توصیفات صوتی جایگزین شود.
- محدودیت‌های ایمنی ابزار را به کاربران یادآور شوید تا در محیط‌های پرخطر به آن تکیه نکنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو