خلاصه
Genie 4 مدل جهان Google DeepMind است که در ۲۷ اکتبر ۲۰۲۶ معرفی شد و جهان‌های تعاملی را به‌صورت بلادرنگ شبیهسازی میکند، همراه با تصویر صدا و گفت‌وگو تولید میکند و به کنترل‌های صفحه‌کلید و فرمان‌های متنی پاسخ میدهد. این مدل پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد است و مشترکان Google AI Ultra در میان نخستین کاربران مصرفکنندهی مورد نظر هستند. [1][2]
نکته‌های کلیدی
- Google DeepMind در ۲۷ اکتبر ۲۰۲۶ Genie 4 را به‌عنوان مدل جهان تعاملی بلادرنگ معرفی کرد و آن را نخستین مدل خود می‌داند که صدا را به‌صورت بومی تولید میکند.
- TechCrunch گزارش میدهد Genie 4 میتواند صحنهای پایدار را تا دو دقیقه نگه دارد، دو برابر حد Genie 3، در حالی که پست خود DeepMind در بخشهای بررسیشده عددی نمیدهد.
- Genie 4 پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد است؛ DeepMind قصد دارد آن را با مشترکان Google AI Ultra و شرکای API برای مصرفکنندگان و توسعهدهندگان عرضه کند، و تا ۳ نوامبر ۲۰۲۶ قیمت یا تاریخ دسترسی عمومی یافت نشد.
- TechCrunch گزارش میدهد تیم Genie 4 می‌پذیرد که جزئیات و اشیا در اجراهای طولانیتر میتوانند منحرف شوند و صدای دقیق و متن خوانا درون جهان هنوز حل‌نشده‌اند.
- Stanford HAI میگوید هیچ سنجه‌ی ارزیابی موجودی مبنای کافی برای سیاست‌گذاران فراهم نمی‌کند تا مدل جهان را برای کاربرد حساس به ایمنی بسنجند.
- رقبا مسیرهای متفاوتی می‌روند: Marble از World Labs جهان‌های 3D پایدار می‌سازد و AMI Labs به رهبری Yann LeCun برای مدلهای مبتنی بر JEPA مبلغ ۱٫۰۳ میلیارد دلار جذب کرده است.
در این صفحه ۱۴ بخش
- Genie 4 چیست؟
- مدل جهان در هوش مصنوعی چیست؟
- Genie 4 چگونه کار میکند؟
- Genie 4 نسبت به Genie 3 چه چیز تازه‌ای دارد؟
- آیا امروز می‌توان از Genie 4 استفاده کرد و هزینه‌اش چقدر است؟
- مدلهای جهانی مانند Genie 4 چه کاربردهایی دارند؟
- وعده‌ها و محدودیت‌های Genie 4 چیست؟
- آیا مدل جهان همان مدل زبانی بزرگ است؟
- چه کسان دیگری مدل جهان میسازند؟
- درباره‌ی Genie 4 چه چیزهایی هنوز نامشخص است؟
- اشتباه‌های رایج
- پرسش‌های پرتکرار
- واژه‌نامه
- منابع
Genie 4 چیست؟
Genie 4 مدل جهانی از Google DeepMind است که در ۲۷ اکتبر ۲۰۲۶ معرفی شد و برای شبیهسازی تعاملی بلادرنگ طراحی شده است. کاربر با کنترل‌های استاندارد صفحه‌کلید در جهانی تولیدشده حرکت میکند [1] و هنگام اجرا با فرمان‌های متنی آن را تغییر میدهد. [1][2]
Genie خانواده‌ی مدلهای DeepMind برای تولید محیط‌های تعاملی است. Genie 3 که در ۵ اوت ۲۰۲۵ معرفی شد، مدل جهان همه‌منظوره‌ای بود که می‌شد جهان‌هایش را به‌صورت بلادرنگ پیمایش کرد. [3] Google بعدها Genie 3 را در Project Genie به کار گرفت؛ برنامهی وبی در Google Labs که در ۲۹ ژانویه ۲۰۲۶ راهاندازی شد. [4]
مهم‌ترین تغییر Genie 4 صداست. DeepMind این مدل را بومی چندوجهی (multimodal) توصیف میکند: موسیقی، صدای محیط و گفت‌وگوی تعاملی هم‌زمان با جهان تولید می‌شوند. [1][2] DeepMind آن را نخستین مدل جهان بلادرنگ خود مینامد که صدا را به‌صورت بومی تولید میکند. هر جهان صدای محیط خود را دارد و شخصیت‌ها میتوانند گفتوگویی داشته باشند که با ورودی کاربر و رویدادهای جهان سازگار میشود. [1]
«مدل جهان» در بیان Google به چه معناست؟
اعلام Project Genie از سوی Google میگوید مدل جهان پویایی‌های یک محیط را شبیهسازی میکند و پیشبینی میکند محیط چگونه تحول می‌یابد و کنش‌ها چگونه بر آن اثر می‌گذارند. Google این را با تجربه‌های قابل کاوش مبتنی بر تصاویر ایستای 3D مقایسه میکند، زیرا Genie با حرکت شما مسیر پیش‌رو را به‌صورت بلادرنگ تولید میکند. [4]
چه کسانی میتوانند از آن استفاده کنند؟
Genie 4 پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد است و DeepMind آن را مدلی زودهنگام و آزمایشی توصیف میکند. [1][2] بخش دسترسی در ادامه، آنچه را درباره‌ی در دسترس‌بودن گستردهتر می‌دانیم بررسی میکند.
مدل جهان در هوش مصنوعی چیست؟
مدل جهان سامانهای هوش مصنوعی است که بازنمایی کارآمدی از یک محیط می‌سازد تا بتواند پیشبینی کند آن محیط در پاسخ به کنش چگونه تغییر میکند. این تعریف در گزارش سیاستی Stanford HAI به تاریخ ۲۷ ژوئیه ۲۰۲۶ آمده است. [5] بیان DeepMind نزدیک به آن است: مدلهای جهان از درک خود از جهان برای شبیهسازی جنبه‌هایی از آن استفاده می‌کنند تا عامل‌ها بتوانند پیشبینی کنند محیط چگونه تحول می‌یابد و کنش‌هایشان چه اثری دارد. [3] TechCrunch گزارش داد که DeepMind مدلهای جهان را گامی به‌سوی هوش عمومی مصنوعی (AGI) می‌داند. [6]
این ایده از کجا آمده است؟
Quanta Magazine ریشه‌ی آن را به تک‌نگاری ۱۹۴۳ کنت کریک، روان‌شناس، می‌رساند که ذهن را دارنده‌ی «مدلی در مقیاس کوچک» از واقعیت توصیف کرد. Quanta گزارش میدهد که Yann LeCun، Demis Hassabis و Yoshua Bengio همگی مدلهای جهان را برای هوش مصنوعی هوشمندتر و ایمن‌تر ضروری می‌دانند. [7]
چرا آزمایشگاه‌ها آنها را می‌خواهند؟
جذابیت کار این است که عامل میتواند به‌جای دنیای واقعی، درون یک شبیهسازی تمرین و برنامهریزی کند. گزارش Stanford HAI به کاربردهایی مانند برنامهریزی زیرساخت، واکنش به بحران و آزمون‌های تولید اشاره میکند. [5] DeepMind عامل SIMA خود، عاملی همه‌منظوره برای محیط‌های مجازی 3D، را در جهان‌های Genie 3 آزمود. [6]
آیا درباره‌ی اینکه چه چیزی مدل جهان محسوب میشود توافق وجود دارد؟
خیر. Quanta گزارش میدهد که «هیچ‌کس درباره‌ی جزئیات توافق ندارد»: چه چیزی بازنمایی میشود، با چه دقتی، آیا آموخته میشود یا از پیش در مدل تعبیه شده، و چگونه می‌توان آن را تشخیص داد. [7] Stanford HAI میگوید کمیاب‌ترین ورودی برای مدلهای جهان داده‌های تعاملی دارای برچسب کنش است، مانند مسیرهای ربات‌ها و گزارش‌های ناوگان، که نمی‌توان آنها را از وب گردآوری کرد. [5]
Genie 4 چگونه کار میکند؟
اعلام DeepMind و پوشش خبری، اجزای اصلی را توصیف می‌کنند که در ادامه آمده است.
چه چیزی جهان را کنترل میکند؟
کاربران با کنترل‌های استاندارد صفحه‌کلید برای حرکت و دوربین هدایت می‌کنند. [1] فرمان‌های متنی صحنه را هنگام اجرا تغییر میدهند، مثلاً تغییر آب‌وهوا، جابه‌جایی دوربین یا افزودن فرد یا شیء. [1][2]
مدلهای Gemini چه نقشی دارند؟
Genie 4 بر توانایی‌های خانواده‌ی Gemini ساخته شده است. DeepMind میگوید Gemini Omni شبیهسازی را به ظاهر و رفتار دنیای واقعی لنگر می‌اندازد و مدلهای دیگر Gemini استدلالی را فراهم می‌کنند که شبیهسازی را منسجم نگه می‌دارد. [1] در این حلقه، Gemini 3.8 Flash نقش عامل راهنما را دارد: صحنه‌ی تولیدشده را می‌بیند، هدف‌ها را به گام‌ها تقسیم میکند و فریم‌های ورودی را بررسی میکند تا مطمئن شود هر گام موفق بوده است. [1]
TechCrunch این طراحی را مدل جهان ترکیبی توصیف میکند. به گفته‌ی Tejas Kulkarni، مدیر پژوهش Google، که TechCrunch نقل کرده است، در مدلهای جهان ترکیبی Gemini کد و متن مینویسد، در حالی که Genie واقعیت را در سطوح مختلف انتزاع شبیهسازی میکند. [2] Kulkarni به خبرنگاران گفت مدلهای جهان ترکیبی رایج‌تر خواهند شد. [2]
طراحی از کجا آمده است؟
مقاله‌ی Genie اصلی (arXiv، ۲۳ فوریه ۲۰۲۴، Bruce و همکاران، Google DeepMind) محیطی تعاملی و مولد را توصیف کرد که بدون برچسب کنش از ویدیوهای بدون برچسب اینترنت آموزش دیده بود. این مدل با ۱۱ میلیارد پارامتر یک مدل جهان بنیادین توصیف شد و از یک توکن‌ساز ویدیو، یک مدل پویایی خودبازگشتی و یک مدل کنش نهفته تشکیل می‌شد. [8]
Genie 2 که در دسامبر ۲۰۲۴ معرفی شد، یک تصویر ورودی را به محیط‌های 3D قابل بازی تبدیل می‌کرد که تا یک دقیقه پایدار می‌ماندند و بیشتر نمونه‌ها ۱۰ تا ۲۰ ثانیه دوام داشتند. [9] Genie 3 در اوت ۲۰۲۵ از پی آمد و جهان‌های بلادرنگ را از یک فرمان متنی با ۲۴ فریم در ثانیه و وضوح ۷۲۰p تولید می‌کرد. [3][6]
Genie 4 نسبت به Genie 3 چه چیز تازه‌ای دارد؟
پست خود DeepMind سه تغییر را تأیید میکند و TechCrunch تغییر چهارمی را گزارش میدهد. [1][2]
- صدا و گفتار. TechCrunch گزارش میدهد Genie 4 نسبت به Genie 3 صدا اضافه کرده است. DeepMind میگوید صدای محیط، موسیقی و گفت‌وگو را همراه با جهان تولید میکند. [1][2]
- Gemini در حلقه. یک مدل Gemini صحنه را هنگام اجرا برنامهریزی و بررسی میکند. [1]
- هدایت متنی هنگام اجرا. فرمان‌ها میتوانند آب‌وهوا، دوربین یا اشیا را در طول یک جلسه تغییر دهند. [1][2]
- مدت. TechCrunch گزارش میدهد Genie 4 میتواند صحنهای پایدار را تا دو دقیقه نگه دارد، دو برابر حد Genie 3. این رقم از TechCrunch آمده است، نه از DeepMind. [2]
چرا اعداد مدت جلسه با هم فرق دارند؟
آنها از منابع و محصولات متفاوت آمده‌اند. DeepMind پایداری Genie 3 را «چند دقیقه» توصیف کرد و حافظه‌ی بصری آن حدود یک دقیقه به عقب می‌رسید. [3] Project Genie، نمونهی آزمایشی مصرف‌کننده، تولیدها را به ۶۰ ثانیه محدود می‌کرد. [4] پست Genie 4 از DeepMind در بخشهای بررسیشده عددی نمیدهد. [1] مقایسه‌ی «دو برابر» در TechCrunch را تنها بر پایهی متن با «چند دقیقه»ی DeepMind برای Genie 3 دشوار می‌توان سازگار کرد؛ پس دو دقیقه را رقم گزارش‌شده‌ی TechCrunch بدانید، نه مشخصه‌ی فنی DeepMind. [2][3]
جدول زیر دودمان Genie را با بیان خود هر منبع کنار هم می‌گذارد.
آیا امروز می‌توان از Genie 4 استفاده کرد و هزینه‌اش چقدر است؟
تا ۳ نوامبر ۲۰۲۶، Genie 4 پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد است. DeepMind میگوید پیش از عرضه‌ی مدل برای مصرفکنندگان و توسعهدهندگان بازخورد جمع میکند؛ آغاز کار با مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio است. فهرست انتظار باز است. [1] TechCrunch میگوید عرضه‌ی گستردهتر در هفتههای آینده انتظار می‌رود. [2]
در منابع بررسیشده قیمت یا تاریخ دسترسی عمومی دیده نشد. شرایط جاری را در صفحههای رسمی Google بررسی کنید.
Project Genie هنگام راهاندازی چگونه بود؟
Project Genie در ۲۹ ژانویه ۲۰۲۶ به‌عنوان برنامهی وب نمونهی آزمایشی در Google Labs راهاندازی شد و بر پایهی Genie 3، Nano Banana Pro و Gemini کار می‌کرد. [4] 9to5Google همین تاریخ راهاندازی و اجزای Genie 3 و Nano Banana Pro را گزارش کرد. [10] این برنامه برای مشترکان Google AI Ultra در ایالات متحده با سن ۱۸ سال به بالا باز بود و «در زمان مقتضی به قلمروهای بیشتری گسترش می‌یافت». [10] اعلام خود Google یادآور میشود که برای کاربران Google AI Ultra for Business در دسترس نبود. [4]
سه توانایی اصلی آن عبارت بود از طراحی جهان با متن و تصویر، کاوش جهان و بازآفرینی جهان. تولیدها به ۶۰ ثانیه محدود بود و رویدادهای فرمان‌پذیر جهان در Genie 3 در این نمونهی آزمایشی گنجانده نشده بود. [4]
آیا Genie 4 در ایران در دسترس است؟
هیچ‌یک از منابع بررسیشده به ایران نمی‌پردازد، پس نمی‌توان چیزی ویژه‌ی ایران را به‌عنوان واقعیت بیان کرد. پایهی مستند این است که Project Genie به‌صورت عرضه‌ای فقط برای مشترکان Ultra در ایالات متحده آغاز شد و DeepMind مشترکان Ultra را در میان نخستین کاربران مصرفکنندهی مورد نظر Genie 4 نام میبرد. [1][4][10] خوانندگان در ایران باید صفحههای رسمی دسترسی و پرداخت Google را بررسی کنند و به ادعاهای منابع ثالث درباره‌ی دسترسی تکیه نکنند.
مدلهای جهانی مانند Genie 4 چه کاربردهایی دارند؟
کاربردها در کار خلاقانه، آموزش عامل و ربات، و برنامهریزی دسته‌بندی می‌شوند.
آزمایشگران با Genie 4 چه می‌کنند؟
DeepMind میگوید آزمایشگران مورد اعتماد در صنایع خلاق، روزنامه‌نگاری، آموزش، بازی و مهندسی در حال امتحان Genie 4 هستند، مثلاً برای پیش‌تجسم و ایده‌پردازی و برای تبدیل عکس‌های آرشیوی به شبیهسازی. [1] پوشش TechCrunch از نمونه‌سازی فیلم، ایده‌پردازی و استوری‌بُرد نام میبرد. [2]
مدلهای جهان چگونه به آموزش عامل‌ها و ربات‌ها کمک می‌کنند؟
ایده این است که به عامل جایی داده شود تا با هزینه‌ی کم عمل کند و شکست بخورد. DeepMind نسخه‌ای از عامل SIMA خود را در جهان‌های Genie 3 آزمود. در نشست خبری‌ای که TechCrunch گزارش کرد، Jack Parker-Holder، پژوهشگر DeepMind، گفت مدل «فقط کنش‌ها را از عامل دریافت میکند» و عامل سپس جهان شبیه‌سازی‌شده را پیرامون خود می‌بیند. [6]
برای Genie 4، TechCrunch آزمایشی را توصیف میکند که در آن Gemini 4 Argon با همکاری Gemini Robotics یک وظیفه را به گام‌هایی تقسیم کرد که Genie 4 به‌صورت بلادرنگ شبیهسازی کرد. [2] پست DeepMind میگوید این نمایش، ربات انسان‌نمای Apollo از Apptronik را در حال بازی چکرز شبیهسازی کرد. [1] این نشان‌دهنده‌ی برنامهریزی درون شبیهسازی است، نه انجام وظیفه توسط ربات در دنیای فیزیکی.
پژوهشگران سیاستی چه انتظاری دارند؟
Stanford HAI برنامهریزی زیرساخت، واکنش به بحران و آزمون‌های تولید را نمونه می‌شمارد و یادآور میشود که مسیرهای ربات‌ها و گزارش‌های ناوگان، که به‌سختی به دست می‌آیند، کمیاب‌ترین ورودی آموزشی هستند. [5]
وعده‌ها و محدودیت‌های Genie 4 چیست؟
چه چیزی عرضه میکند؟
- جهان‌های تعاملی با صدا و گفت‌وگوی سازگار که در یک سامانه تولید می‌شوند. [1]
- هدایت متنی در طول جلسه، قابلیتی که آزمایشگران میتوانند برای ایده‌پردازی و تغییر سریع سناریو به کار ببرند. [1][2]
- حلقه‌ی برنامهریزی و بررسی که در آن یک مدل Gemini تأیید میکند هر گام موفق بوده است. [1]
محدودیت‌ها چیست؟
TechCrunch گزارش میدهد تیم Genie 4 پذیرفته است که هرچه شبیهسازی طولانیتر اجرا شود، جزئیات و اشیا میتوانند منحرف شوند و تیم هنوز راهی برای تضمین صدای دقیق و متن خوانا درون جهان نیافته است. [2] برای Genie 3، TechCrunch دامنه‌ی محدود کنش‌ها و دشواری مدلسازی تعامل چند عامل را گزارش کرده بود. [6]
نگرانی‌های حکمرانی چیست؟
Stanford HAI میگوید هیچ سنجه‌ی ارزیابی موجودی مبنای کافی برای داوری سیاست‌گذاران درباره‌ی به‌کارگیری مدل جهان در کاربردهای حساس به ایمنی فراهم نمی‌کند. همچنین مدلهای جهان را فناوری دومنظوره با پیامدهای امنیت ملی می‌خواند. [5]
هم DeepMind و هم TechCrunch پیش‌نمایشی را توصیف می‌کنند که به آزمایشگران مورد اعتماد محدود است. [1][2] از این می‌توان بهطور معقول نتیجه گرفت که هنوز ارزیابی مستقلی از Genie 4 وجود ندارد، هرچند هیچ‌یک از دو منبع این را مستقیم نمی‌گوید.
آیا مدل جهان همان مدل زبانی بزرگ است؟
خیر، هرچند این دو هم‌پوشانی دارند. Stanford HAI مدل جهان را بر پایهی کارکردی که از آن انتظار می‌رود تعریف میکند: پیشبینی اینکه محیط در پاسخ به کنش چگونه تغییر میکند. [5] گزارش Quanta این را با مدلهای زبانی بزرگ (LLM) مقایسه میکند که ممکن است به‌جای آن، میانبرهای ابتکاری بی‌ارتباط یاد بگیرند. [7]
آیا مدلهای زبانی بزرگ از پیش مدل جهان دارند؟
برخی پژوهشگران توانایی‌های پدیدارشونده، مانند بازی Othello، را نشانه‌ی مدلهای جهان درونی می‌دانند. [7] Quanta گزارش میدهد پژوهشگران Harvard و MIT مدل زبانی‌ای آموزش دادند که مسیرهای تقریباً بی‌نقصی در منهتن میداد، بی‌آنکه نقشه‌ی منسجمی از خیابان‌ها یاد بگیرد. وقتی ۱٪ از خیابان‌ها بهطور تصادفی مسدود شد، عملکرد آن فروریخت. Quanta نتایجی از این دست را نشانه‌ی آن می‌داند که مدلهای زبانی بزرگ «مجموعهای از میانبرهای ابتکاری» یاد می‌گیرند. [7]
کدام مسیر به مدلهای جهان بهتر میرسد؟
Quanta میگوید Google DeepMind و OpenAI شرط بسته‌اند که داده‌های چندوجهی کافی، مانند ویدیو و شبیهسازی 3D، باعث میشود مدل جهان درون یک شبکه‌ی عصبی پدیدار شود. Yann LeCun از Meta معتقد است به معماری تازه و غیرمولد نیاز است. [7] رویکرد LeCun، یعنی JEPA، بازنمایی‌های انتزاعی از داده‌های دنیای واقعی می‌آموزد و در فضای بازنمایی پیشبینی میکند و جزئیات غیرقابل‌پیش‌بینی را نادیده می‌گیرد. این با مدلهای مولدی که پیکسل ترسیم می‌کنند تفاوت دارد. [11]
Genie 4 در مسیر مولد قرار دارد و TechCrunch گزارش میدهد تیم می‌پذیرد که جزئیات و اشیا میتوانند منحرف شوند. [2] Kulkarni رویکرد ترکیبی را چنین توصیف میکند: Gemini کد و متن مینویسد و Genie واقعیت را در سطوح مختلف انتزاع شبیهسازی میکند. [2]
چه کسان دیگری مدل جهان میسازند؟
چند شرکت با مسیرهای متفاوت مدل جهان را دنبال می‌کنند. جدول زیر آنچه را منابع گزارش میدهند خلاصه میکند.
AMI Labs
AMI Labs از Yann LeCun مبلغ ۱٫۰۳ میلیارد دلار با ارزش‌گذاری پیش از سرمایه‌گذاری ۳٫۵ میلیارد دلار جذب کرد، که در ۹ مارس ۲۰۲۶ اعلام شد، تا مدلهای جهان مبتنی بر JEPA را بسازد؛ رویکردی که LeCun در ۲۰۲۲ پیشنهاد کرد. [12][11] مدیرعامل آن، Alexandre LeBrun، پیشبینی کرد که «مدلهای جهان» واژه‌ی پرطمطراق بعدی خواهد بود و هر شرکتی برای جذب سرمایه خود را مدل جهان خواهد نامید. او همچنین گفت ممکن است سال‌ها طول بکشد تا از نظریه به کاربردهای تجاری برسند. [12]
World Labs
World Labs که فیفی لی از هم‌بنیان‌گذاران آن است، Marble را در ۱۲ نوامبر ۲۰۲۵ بهطور عمومی عرضه کرد. Marble از متن، تصویر یا ویدیوی کوتاه جهان‌های 3D پایدار و قابل دانلود می‌سازد، نه اینکه مانند Genie فریم‌ها را در لحظه تولید کند. [13][14] مقاله‌ی TechCrunch در ۹ مارس ۲۰۲۶ درباره‌ی AMI Labs گزارش داد که World Labs در ماه پیش از آن ۱ میلیارد دلار جذب کرده بود. [12]
Runway و تحولات بازار
TechCrunch میگوید عرضه‌ی Genie 4 چند ماه پس از آن آمد که Runway دومین مدل جهان خود، GWM Worlds 2، را که تولید صدا را در بر دارد منتشر کرد. همچنین گزارش میدهد که World Labs در حال خریداری‌شدن توسط AMD است، Amazon در گفت‌وگو برای خرید Decart است و Rivian شرکت Third Dimension را خریده است. [2] این‌ها گزارش‌های TechCrunch هستند و منابع بررسیشده آنها را مستقل تأیید نمی‌کنند.
درباره‌ی Genie 4 چه چیزهایی هنوز نامشخص است؟
بسیاری از مسائل هنوز تعیین‌تکلیف نشده‌اند و گام‌های بعدی محتمل بیشتر درباره‌ی دسترسی و ارزیابی‌اند.
- دسترسی. DeepMind قصد دارد پس از جمع‌آوری بازخورد Genie 4 را برای مصرفکنندگان و توسعهدهندگان عرضه کند؛ TechCrunch میگوید «در هفتههای آینده»، و در منابع بررسیشده قیمت یا تاریخ دسترسی عمومی منتشر نشده است. [1][2]
- شواهد مستقل. پیشنمایش به آزمایشگران مورد اعتماد محدود است؛ پس ادعاهای مربوط به کیفیت از DeepMind و پوشش خبری می‌آیند. [1][2]
- سنجه‌های ارزیابی. Stanford HAI میگوید هیچ سنجه‌ی موجودی مبنای کافی برای داوری سیاست‌گذاران درباره‌ی مدلهای جهان در کاربردهای حساس به ایمنی فراهم نمی‌کند. [5]
- تعریف‌ها و معماری. میان پژوهشگران درباره‌ی آنچه مدل جهان محسوب میشود و اینکه تولید پیکسل یا پیشبینی انتزاعی مسیر بهتری است اختلاف هست. [7][11]
- هیاهو. مدیرعامل خود AMI انتظار دارد این اصطلاح برای جذب سرمایه بسیار بیش از حد به کار رود. [12]
در ادامه چه چیزی را باید دنبال کرد؟
نخستین نشانه‌ها عرضه برای مشترکان Google AI Ultra در Project Genie و دسترسی زودهنگام از طریق Gemini API و Google AI Studio خواهد بود. [1][2] تیم مشکلات انحراف، صدا و متن درون جهان را می‌پذیرد. [2] از نگاه این راهنما، آزمون مستقل در برابر همین مشکلات نشان خواهد داد که آیا مدلهای جهان ترکیبی فراتر از جلسه‌های کوتاه پایدار می‌مانند یا نه. Tejas Kulkarni از Google پیشبینی میکند مدلهای ترکیبی رایج‌تر شوند، اما این همچنان پیشبینی است، نه نتیجه‌ای قطعی. [2]
| مدل | زمان معرفی | آنچه منابع می‌گویند |
|---|---|---|
| Genie (مقاله‌ی اصلی) | ۲۳ فوریه ۲۰۲۴ | محیط تعاملی و مولد که بدون برچسب کنش از ویدیوهای بدون برچسب اینترنت آموزش دیده است؛ ۱۱ میلیارد پارامتر. [8] |
| Genie 2 | دسامبر ۲۰۲۴ | یک تصویر ورودی را به جهان‌های 3D قابل بازی تبدیل میکند؛ تا یک دقیقه پایدار، بیشتر نمونه‌ها ۱۰ تا ۲۰ ثانیه. [9] |
| Genie 3 | ۵ اوت ۲۰۲۵ | جهان‌های بلادرنگ از متن با ۲۴ فریم در ثانیه و ۷۲۰p؛ پایداری برای چند دقیقه؛ TechCrunch آن را پیشنمایش پژوهشی توصیف کرده است. [3][6] |
| Project Genie (دارای Genie 3) | ۲۹ ژانویه ۲۰۲۶ | برنامهی وب آزمایشی Google Labs برای مشترکان Google AI Ultra در ایالات متحده با سن ۱۸ سال به بالا؛ تولیدها محدود به ۶۰ ثانیه. [4][10] |
| Genie 4 | ۲۷ اکتبر ۲۰۲۶ | صدا و گفت‌وگوی بومی، مدلهای Gemini در حلقه؛ TechCrunch تا دو دقیقه پایداری گزارش میکند؛ پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد. [1][2] |
| توسعه‌دهنده | رویکرد | جزئیات گزارش‌شده |
|---|---|---|
| Google DeepMind (Genie 4) | تولید فریم، صدا و گفت‌وگو به‌صورت بلادرنگ، با مدلهای Gemini که برنامهریزی و بررسی می‌کنند | معرفی در ۲۷ اکتبر ۲۰۲۶؛ پیشنمایش پژوهشی. [1] |
| World Labs (Marble) | جهان‌های 3D پایدار و قابل دانلود از متن، تصویر یا ویدیوی کوتاه | عرضه‌ی عمومی در ۱۲ نوامبر ۲۰۲۵. [13][14] |
| AMI Labs | JEPA: پیشبینی در فضای بازنمایی انتزاعی به‌جای ترسیم پیکسل‌ها | جذب ۱٫۰۳ میلیارد دلار، اعلام‌شده در ۹ مارس ۲۰۲۶. [12][11] |
| Runway (GWM Worlds 2) | دومین مدل جهان، که تولید صدا را در بر دارد | به گزارش TechCrunch، چند ماه پیش از Genie 4 منتشر شد. [2] |
اشتباه‌های رایج
فرض اینکه Genie 4 هم‌اکنون محصولی عمومی است که می‌توان مشترکش شد و از آن استفاده کرد.
راه درست: تاریخ و وضعیت را بررسی کنید. Genie 4 پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد است. DeepMind میگوید پیش از عرضه برای مصرفکنندگان و توسعهدهندگان، که با مشترکان Google AI Ultra و شرکای دسترسی زودهنگام آغاز میشود، بازخورد جمع میکند. فهرست انتظار باز است، اما تا ۳ نوامبر ۲۰۲۶ در منابع بررسیشده قیمت یا تاریخ دسترسی عمومی دیده نشد.
تکرار این ادعا که Genie 4 نخستین مدل جهان دارای صداست.
راه درست: بنویسید «نخستین مدل جهان بلادرنگ DeepMind با صدای بومی». TechCrunch یادآور میشود که GWM Worlds 2 از Runway، که چند ماه زودتر منتشر شد، نیز صدا تولید میکند.
درآمیختن اعداد مدت جلسه از محصولات و منابع مختلف در یک ادعا.
راه درست: هر عدد را همراه منبعش نقل کنید. TechCrunch تا دو دقیقه را برای Genie 4 گزارش میکند، DeepMind پایداری Genie 3 را «چند دقیقه» توصیف کرده و Project Genie تولید را به ۶۰ ثانیه محدود کرده بود.
یکی دانستن مدل جهان و مدل زبانی بزرگ.
راه درست: مدل جهان را سامانهای بدانید که قرار است پیشبینی کند محیط با انجام کنش‌ها چگونه تغییر میکند. Quanta از آزمایشهایی، از جمله آزمون مسیریابی در منهتن، گزارش میدهد که نشان میدهند مدلهای زبانی شاید فقط میانبرهای ابتکاری پراکنده یاد بگیرند.
فرض اینکه یک جهان تولیدی متقاعدکننده از فیزیک واقعی پیروی میکند و برای تصمیم‌های مهندسی یا ایمنی قابل اعتماد است.
راه درست: مدل را شبیه‌ساز ظاهر و رفتار بدانید. TechCrunch گزارش میدهد که تیم Genie 4 می‌پذیرد جزئیات و اشیا در اجراهای طولانیتر میتوانند دچار انحراف شوند. Stanford HAI میگوید هیچ سنجه‌ی ارزیابی موجودی برای داوری درباره‌ی مدلهای جهان در کاربردهای حساس به ایمنی کافی نیست.
پذیرفتن ویدیوهای نمایشی و ادعاهای شرکت به‌عنوان نتایج راستی‌آزمایی‌شده‌ی مستقل.
راه درست: ادعاهای DeepMind را از ارزیابی مستقل جدا کنید. منابع بررسیشده پیش‌نمایشی را توصیف می‌کنند که فقط در اختیار آزمایشگران مورد اعتماد است؛ بنابراین احتمالاً راستی‌آزمایی بیرونی هنوز وجود ندارد.
پرسش‌های پرتکرار
Genie 4 چیست؟
Genie 4 مدل جهان Google DeepMind است که در ۲۷ اکتبر ۲۰۲۶ معرفی شد. این مدل جهان‌های تعاملی را به‌صورت بلادرنگ شبیهسازی میکند، همراه با تصویر صدای محیط و گفت‌وگوی سازگار شخصیت‌ها را تولید میکند و کنترل‌های صفحه‌کلید و فرمان‌های متنی را می‌پذیرد که صحنه را هنگام اجرا تغییر میدهند. اکنون پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد است. [1][2]
آیا Genie 4 در دسترس عموم است؟
هنوز بهطور عمومی نه. DeepMind، Genie 4 را پیشنمایش پژوهشی برای آزمایشگران مورد اعتماد مینامد و میگوید پیش از عرضه برای مصرفکنندگان و توسعهدهندگان بازخورد جمع میکند؛ آغاز کار با مشترکان Google AI Ultra در Project Genie و شرکای دسترسی زودهنگام Gemini API و Google AI Studio است. فهرست انتظار باز است. TechCrunch عرضه گستردهتر را در هفتههای آینده انتظار دارد. [1][2]
Genie 4 چقدر هزینه دارد؟
تا ۳ نوامبر ۲۰۲۶ در منابع بررسیشده قیمت یا تاریخ دسترسی عمومی دیده نشد. DeepMind مشترکان Google AI Ultra را در میان نخستین کاربران مصرفکنندهی مورد نظر نام میبرد. Project Genie، برنامهی وب پیشین مبتنی بر Genie 3، برای مشترکان Ultra راهاندازی شد؛ بنابراین Ultra مسیر محتمل به نظر میرسد. شرایط جاری را در صفحههای رسمی Google بررسی کنید. [1][4]
Genie 4 با Genie 3 چه تفاوتی دارد؟
TechCrunch گزارش میدهد Genie 4 نسبت به Genie 3 صدا اضافه کرده است. DeepMind از صدای محیط، موسیقی و گفتوگویی سخن میگوید که با رویدادها سازگار میشود، و مدلهای Gemini را برای برنامهریزی و بررسی در حلقه قرار داده است. TechCrunch همچنین از صحنهای پایدار تا دو دقیقه خبر میدهد، دو برابر حد Genie 3؛ عددی که پست DeepMind در بخشهای بررسیشده نمیدهد. [1][2]
آیا مدل جهان همان مدل زبانی بزرگ است؟
خیر. Quanta از آزمایشهایی گزارش میدهد که نشان میدهند مدلهای زبانی شاید «مجموعهای از میانبرهای ابتکاری» یاد بگیرند، نه مدلهای جهان منسجم. Stanford HAI مدل جهان را سامانهای تعریف میکند که پیشبینی میکند محیط در پاسخ به کنش چگونه تغییر میکند. TechCrunch از Tejas Kulkarni (Google) مدلهای جهان ترکیبی را نقل میکند که در آنها Gemini کد و متن مینویسد و Genie واقعیت را شبیهسازی میکند. [7][5][2]
Project Genie چیست؟
Project Genie برنامهی وب نمونهی آزمایشی در Google Labs است که در ۲۹ ژانویه ۲۰۲۶ راهاندازی شد و بر پایهی Genie 3، Nano Banana Pro و Gemini کار میکند. [4] این برنامه برای مشترکان Google AI Ultra در ایالات متحده با سن ۱۸ سال یا بیشتر باز شد [10] و به آنها اجازه میداد جهانها را طراحی، کاوش و بازآفرینی کنند؛ تولیدها به ۶۰ ثانیه محدود بود. [4]
Genie 4 تا چه مدت میتواند یک جهان را پایدار نگه دارد؟
TechCrunch تا دو دقیقه گزارش میکند و میگوید این رقم دو برابر حد Genie 3 است. پست Genie 4 از DeepMind در بخشهای بررسیشده عددی نمیدهد و Genie 3 را برای «چند دقیقه» پایدار توصیف کرده بود. TechCrunch همچنین میگوید تیم Genie 4 پذیرفته است که هرچه شبیهسازی طولانیتر شود، جزئیات و اشیا میتوانند دچار انحراف شوند. [1][2][3]
چه کسان دیگری مدل جهان میسازند؟
جدا از Google DeepMind، World Labs که فیفی لی از بنیانگذاران آن است، مدل Marble را در نوامبر ۲۰۲۵ بهطور عمومی عرضه کرد. AMI Labs به رهبری Yann LeCun در مارس ۲۰۲۶ برای مدلهای مبتنی بر JEPA مبلغ ۱٫۰۳ میلیارد دلار جذب کرد. TechCrunch از GWM Worlds 2 از Runway نیز خبر میدهد. هر کدام مسیر فنی متفاوتی برای مدلسازی جهان برگزیدهاند. [2][12][13]
واژه‌نامه
- مدل جهان (World model)
- مدل جهان سامانهای هوش مصنوعی است که بازنمایی کارآمدی از یک محیط می‌سازد تا بتواند پیشبینی کند آن محیط در پاسخ به کنش چگونه تغییر میکند.
- Genie
- Genie خانواده‌ی مدلهای Google DeepMind برای تولید محیط‌های تعاملی است، از مقاله‌ی پژوهشی ۲۰۲۴ تا Genie 4 در اکتبر ۲۰۲۶.
- Project Genie
- Project Genie برنامهی وب نمونهی آزمایشی در Google Labs است که در ۲۹ ژانویه ۲۰۲۶ راهاندازی شد و به مشترکان Google AI Ultra در ایالات متحده اجازه میداد جهان‌هایی مبتنی بر Genie 3 بسازند و کاوش کنند.
- مدل کنش نهفته (Latent action model)
- مدل کنش نهفته بخشی از Genie اصلی است که بدون برچسب کنش یاد می‌گیرد میان فریم‌های ویدیو چه کنشی انجام شده است.
- مدل خودبازگشتی (Autoregressive model)
- مدل خودبازگشتی خروجی را گام‌به‌گام تولید میکند و هر گام جدید به گام‌های پیشین وابسته است.
- مدل جهان ترکیبی (Hybrid world model)
- مدل جهان ترکیبی، به توصیف Tejas Kulkarni از Google، مدل زبانی‌ای مانند Gemini را که کد و متن مینویسد با شبیهسازی مانند Genie که واقعیت را در سطوح مختلف انتزاع شبیهسازی میکند، جفت میکند.
- JEPA
- JEPA یا Joint Embedding Predictive Architecture رویکردی است که Yann LeCun در ۲۰۲۲ پیشنهاد کرد و به‌جای ترسیم پیکسل‌ها، در فضای بازنمایی انتزاعی پیشبینی میکند.
- پیشنمایش پژوهشی (Research preview)
- پیشنمایش پژوهشی عرضه‌ی زودهنگام برای گروهی محدود، مانند آزمایشگران مورد اعتماد، است تا توسعه‌دهنده پیش از عرضه‌ی گستردهتر بازخورد جمع کند.
منابع
- Genie 4: A new generation of world simulation Google DeepMind · 2026-10-27
- Google's Genie 4 world model adds audio, more realistic worlds, and real-time steering TechCrunch · 2026-10-27
- Genie 3: A new frontier for world models Google DeepMind · 2025-08-05
- Project Genie: Experimenting with infinite, interactive worlds Google (The Keyword) · 2026-01-29
- The World Model and Spatial Intelligence Era: Governing AI Beyond Language Stanford Institute for Human-Centered AI (HAI) · 2026-07-27
- DeepMind thinks its new Genie 3 world model presents a stepping stone toward AGI TechCrunch · 2025-08-05
- 'World Models,' an Old Idea in AI, Mount a Comeback Quanta Magazine (Simons Foundation) · 2025-09-02
- Genie: Generative Interactive Environments (arXiv:2402.15391) arXiv (Google DeepMind authors: Bruce et al.) · 2024-02-23
- Genie 2: A large-scale foundation world model Google DeepMind · 2024-12-04
- Google rolling out 'Project Genie' to generate playable worlds 9to5Google · 2026-01-29
- Yann LeCun's AMI Secures $1B Seed to Develop AI World Models HPCwire (AIwire) · 2026-03-11
- Yann LeCun's AMI Labs raises $1.03B to build world models TechCrunch · 2026-03-09
- Marble: A Multimodal World Model World Labs · 2025-11-12
- Fei-Fei Li's World Labs unveils its world-generating AI model Fast Company
