گوگل از Genie 3 رونمایی کرده است؛ یک مدل جهان (World Model) با کاربردهای عمومی که میتواند تنوع بی‌سابقه‌ای از محیطهای تعاملی را تولید کند.
در این مقاله می‌خوانیم:
- شبیه‌سازی جهان؛ گامی به‌سوی هوش مصنوعی عمومی
- مدل جهان چیست و چرا برای آینده هوش مصنوعی اهمیت دارد؟
- قابلیت‌های Genie 3؛ از شبیه‌سازی فیزیک تا تعامل زنده
- شبیه‌سازی ویژگی‌های فیزیکی جهان
- عبور از مرزهای تعامل بلادرنگ
- حفظ انسجام محیط در طول زمان
- حافظه بصری چگونه به ثبات محیط کمک میکند؟
- رویدادهای قابل‌تغییر با دستور متنی
نمایش بیشتر نمایش کمتر
Genie 3 با دریافت یک دستور متنی (Text Prompt)، دنیاهایی پویا می‌سازد که می‌توان در آنها با نرخ 24 فریم بر ثانیه و به‌صورت زنده حرکت کرد. این مدل میتواند انسجام محیط تولیدشده را برای چند دقیقه و با وضوح تصویر 720p حفظ کند.
شبیه‌سازی جهان؛ گامی به‌سوی هوش مصنوعی عمومی
گوگل دیپ‌مایند (Google DeepMind) بیش از یک دهه است که در زمینه پژوهش درباره محیطهای شبیه‌سازی‌شده فعالیت میکند؛ از آموزش عاملهای هوش مصنوعی برای تسلط بر بازی‌های استراتژی هم‌زمان گرفته تا توسعه محیطهای شبیه‌سازی برای یادگیری بدون محدودیت و رباتیک. این پژوهش‌ها زمینه‌ساز توسعه مدلهای جهان شدند؛ سیستم‌هایی مبتنی بر هوش مصنوعی که میتوانند با استفاده از درک خود از جهان، بخش‌هایی از آن را شبیه‌سازی کنند. چنین قابلیتی به عاملهای هوش مصنوعی اجازه می‌دهد پیش‌بینی کنند که یک محیط چگونه تغییر خواهد کرد و اقدامات آنها چه تاثیری بر محیط می‌گذارد.
مدل جهان چیست و چرا برای آینده هوش مصنوعی اهمیت دارد؟
مدلهای جهان یکی از گام‌های مهم در مسیر دستیابی به هوش مصنوعی عمومی (AGI) محسوب می‌شوند؛ زیرا امکان آموزش عاملهای هوش مصنوعی را در مجموعه‌ای گسترده و تقریباً نامحدود از محیطهای شبیه‌سازی‌شده فراهم می‌کنند. این محیطها میتوانند سناریوهای متنوع و پیچیده‌ای را در اختیار عامل‌ها قرار دهند تا از طریق تجربه، یادگیری و تعامل، توانایی‌های خود را توسعه دهند.
سال گذشته، گوگل دیپ‌مایند نخستین مدلهای پایه جهان خود، یعنی Genie 1 و Genie 2، را معرفی کرد. این مدل‌ها می‌توانستند محیطهای جدیدی برای آموزش عاملهای هوش مصنوعی تولید کنند. این شرکت همچنین با مدلهای تولید ویدئوی Veo 2 و Veo 3 به توسعه فناوری تولید ویدئو ادامه داده است؛ مدل‌هایی که درک عمیقی از فیزیک شهودی (Intuitive Physics) نشان می‌دهند.
هر یک از این مدل‌ها قابلیت متفاوتی را در زمینه شبیه‌سازی جهان بهبود داده‌اند. Genie 3 نخستین مدل جهان گوگل دیپ‌مایند است که امکان Real-Time Interaction را فراهم میکند و در مقایسه با Genie 2، از انسجام و واقعگرایی بیشتری برخوردار است.
قابلیت‌های Genie 3؛ از شبیه‌سازی فیزیک تا تعامل زنده
نمونه‌های زیر، ضبط‌شده‌هایی از تعاملات بلادرنگ با Genie 3 هستند و توانایی این مدل را در تولید محیطهای پویا و قابل کاوش نشان می‌دهند.
شبیه‌سازی ویژگی‌های فیزیکی جهان
Genie 3 میتواند پدیده‌های طبیعی مانند حرکت آب و تغییرات نورپردازی را شبیه‌سازی کند و تعاملات پیچیده میان عناصر مختلف محیط را به نمایش بگذارد. هدف، ایجاد دنیاهایی است که تنها از نظر بصری جذاب نباشند، بلکه رفتار عناصر آنها نیز تا حد زیادی با انتظارات ما از جهان فیزیکی مطابقت داشته باشد.
عبور از مرزهای تعامل بلادرنگ
دستیابی به سطح بالایی از کنترل‌پذیری و تعامل بلادرنگ در Genie 3 به پیشرفت‌های فنی قابل‌توجهی نیاز داشته است. هنگام تولید خودرگرسیو (Autoregressive Generation) هر فریم، مدل باید مسیر تعاملات و فریم‌های قبلی را نیز در نظر بگیرد؛ اطلاعاتی که با گذشت زمان بیشتر می‌شوند.
برای مثال، اگر کاربر پس از گذشت یک دقیقه دوباره به مکانی بازگردد، مدل باید اطلاعات مرتبط با همان محیط را از یک دقیقه قبل بازیابی کند تا بتواند آن را به‌شکلی سازگار بازسازی کند.
این فرایند از نظر محاسباتی پیچیده است؛ زیرا برای حفظ تعامل بلادرنگ، مدل باید چندین بار در هر ثانیه و هم‌زمان با دریافت ورودی‌های جدید کاربر، اطلاعات قبلی را پردازش کند و فریم‌های بعدی را بسازد.
حفظ انسجام محیط در طول زمان
برای اینکه دنیاهای تولیدشده با هوش مصنوعی تجربه‌ای باورپذیر و فراگیر ایجاد کنند، باید در بازه‌های زمانی طولانی از انسجام فیزیکی و بصری برخوردار باشند. بااین‌حال، تولید خودرگرسیو یک محیط معمولاً از تولید یک ویدئوی کامل دشوارتر است؛ زیرا خطاهای کوچک میتوانند در طول زمان انباشته شوند و به تغییرات محسوس در محیط منجر شوند.
با وجود این چالش، محیطهای Genie 3 میتوانند انسجام خود را برای چند دقیقه تا حد زیادی حفظ کنند. حافظه بصری این مدل نیز به اطلاعاتی مربوط می‌شود که تا یک دقیقه قبل ایجاد شده‌اند.
حافظه بصری چگونه به ثبات محیط کمک میکند؟
انسجام محیط در Genie 3 قابلیت مهمی هست؛ یعنی از نحوه عملکرد مدل به وجود می‌آید و صرفاً به یک بازنمایی سه‌بعدی صریح و از پیش تعریف‌شده متکی نیست.
روش‌هایی مانند NeRF و Gaussian Splatting نیز امکان ساخت محیطهای سه‌بعدی قابل‌حرکت و سازگار را فراهم می‌کنند، اما برای این کار به یک بازنمایی سه‌بعدی مشخص نیاز دارند. در مقابل، دنیاهای Genie 3 پویاتر و غنی‌تر هستند؛ زیرا مدل آنها را فریم‌به‌فریم و بر اساس توصیف جهان و اقدامات کاربر تولید میکند.
به این ترتیب، محیط صرفاً یک صحنه ثابت نیست که از زوایای مختلف نمایش داده شود، بلکه در جریان تعامل کاربر به‌صورت پویا شکل می‌گیرد.
رویدادهای قابل‌تغییر با دستور متنی
Genie 3 علاوه بر دریافت ورودی‌های مربوط به حرکت و جابه‌جایی در محیط، شکل گسترده‌تری از تعامل متنی را نیز ارائه می‌دهد که گوگل دیپ‌مایند آن را «رویدادهای قابل‌تغییر با دستور متنی» (Promptable World Events) می‌نامد.
این قابلیت به کاربر اجازه می‌دهد در حین کاوش محیط، تغییراتی را در دنیای تولیدشده ایجاد کند؛ برای مثال، شرایط آبوهوایی را تغییر دهد یا اشیا و شخصیتهای جدیدی به محیط اضافه کند. در نتیجه، تعامل با جهان به کنترل حرکت و جابه‌جایی محدود نمی‌شود و کاربر میتواند مستقیماً بر شرایط و محتوای محیط نیز تاثیر بگذارد.
این ویژگی همچنین دامنه سناریوهای فرضی را گسترش می‌دهد؛ سناریوهایی که با پرسش اگر شرایط به شکل دیگری بود چه اتفاقی می‌افتاد؟ تعریف می‌شوند. عاملهای هوش مصنوعی میتوانند از این محیطها برای یادگیری از تجربه و آماده‌شدن برای مواجهه با موقعیت‌های پیش‌بینی‌نشده استفاده کنند.
یک محیط را انتخاب کنید، سپس رویدادی را مشخص کنید و ببینید Genie 3 چگونه آن را ایجاد میکند.
هنوز دیدگاهی درباره این مقاله ذکر نشده است، شما اولین دیدگاه را درباره این مقاله بنویسید