‏Genie 4 گوگل: دنیایی که می‌شه توش راه رفت

فرق اصلی یه world model با یه ویدیوساز مثل Veo اینه: Veo از یه پرامپت یه کلیپ ثابت می‌سازه که فقط نگاش می‌کنی، ولی world model (یعنی مدلی که یه محیط قابل‌کاوش رو لحظه‌به‌لحظه تولید می‌کنه) مثل Genie 4 گوگل به حرکت دوربین یا دسته‌ی بازی تو جواب می‌ده. تو این مقاله اومده که همین فرق «چیزی که تماشا می‌کنی» با «جایی که توش هستی» باعث شده world modelها یه دسته‌ی جدا حساب بشن.

طبق گزارش‌ها Genie 4 روی Gemini 3 Pro سوار شده که نقش هماهنگ‌کننده رو داره. یعنی به‌جای یه مدل ویدیویی یه‌تیکه، سیستم بیشتر شبیه یه agent کار می‌کنه: برای بافت و asset از یه مدل تصویر کمک می‌گیره، برای موسیقی و صدا از یه مدل صوتی، و همه رو هماهنگ می‌کنه. نتیجه‌ش اینه که می‌شه قوانین دنیا رو بعداً عوض کرد. تو یه دمو، یه بازی تیراندازی سبک Doom بدون دشمن و بدون شلیک ساخته شد و سازنده فقط با توضیح دادن، دشمن و شلیک با space رو بهش اضافه کرد.

نویسنده می‌گه کیفیت تصویر تو ابزارهایی مثل Veo مدتیه که داره بهتر می‌شه، ولی چیزی که کم بود اختیار بود: این‌که خودت انتخاب کنی کجا رو ببینی و چی بشه، بدون پرامپت از اول. Genie 4 نشون می‌ده یه دنیای تولیدی می‌تونه مثل game engine به ورودی جواب بده، اونم بدون هندسه‌ی دستی و منطق اسکریپتی. تأخیر ورودی هم نسبت به نسخه‌های قبلی به‌وضوح کمتر شده.

مشکل اصلی object permanence هست، یعنی این‌که اشیا وقتی روتو ازشون برمی‌گردونی سر جاشون بمونن. یه دور ۳۶۰ درجه بزنی، معمولاً چیزی که پشتت بود عوض شده. اندازه‌ها هم ثابت نیستن و یه ماشین ممکنه بعد از رد شدن دوربین شبیه یه کلاس دیگه از خودرو بشه. دیالوگ شخصیت‌ها هم کم‌جون و پراکنده‌ست. به گفته‌ی نویسنده این مشکل مخصوص Genie 4 نیست، چون نگه داشتن یه دنیای منسجم فقط با فریم‌های تولیدی و بدون یه مدل صحنه‌ی ثابت خیلی سخت‌تره.

نویسنده معتقده Genie 4 جای Veo رو نمی‌گیره؛ Veo برای کلیپ نهایی و قابل‌کارگردانی ساخته شده و Genie 4 برای کاوش و پاسخ آنی. کاربرد نزدیک‌ترش برای فیلمسازها لوکیشن‌یابی مجازیه: یه تصویر رو بدی بهش، دوربین رو توش بچرخونی و زاویه‌ها و چیدمان صحنه رو قبل از فیلمبرداری پیدا کنی. برای بازی هم فعلاً در حد دموئه و چیزی نزدیک یه بازی قابل‌انتشار ساخته نشده. گوگل هم جز رباتیک هدف مشخصی اعلام نکرده.

نکات کلیدی:

• Genie 4 یه world model آزمایشی گوگله که ویدیو رو real-time و با دوربین قابل‌کنترل تولید می‌کنه.
• هسته‌ی سیستم Gemini 3 Pro هست که مدل تصویر و مدل صدا رو هماهنگ می‌کنه، نه Veo.
• قوانین دنیای ساخته‌شده رو می‌شه با زبان طبیعی عوض کرد، مثل اضافه کردن دشمن به یه بازی سبک Doom.
• با یه چرخش ۳۶۰ درجه، چیزای پشت سر معمولاً عوض می‌شن و اندازه‌ی اشیا هم ثابت نمی‌مونه.
• بهترین عملکردش تو نمای اول‌شخصه و مکان‌های واقعی مثل استادیوم رو قابل‌تشخیص می‌سازه.
• دسترسی عمومی و قیمتش هنوز اعلام نشده.