گوگل دیپ‌مایند روز ۵ آبان ۱۴۰۵ (۲۷ اکتبر ۲۰۲۶) از Genie 4 رونمایی کرد؛ مدلِ «جهان‌ساز»ی که به‌صورت زنده تصویر، صدا، موسیقی و گفتگو را با هم می‌سازد و کاربر می‌تواند وسطِ اجرا با نوشتنِ یک جمله صحنه را عوض کند. طبق پستِ رسمی دیپ‌مایند فعلاً پیش‌نمایشِ پژوهشی برای آزمون‌گرانِ مورد اعتماد است و به‌زودی به مشترکانِ Google AI Ultra می‌رسد.
Genie 4 چه می‌کند؟
مدل جهانی (World Model) یعنی مدلی که به‌جای ساختنِ یک ویدیوی ثابت، دنیایی می‌سازد که می‌شود در آن گشت و روی آن اثر گذاشت. گوگل Genie 4 را «ذاتاً چندرسانه‌ای» می‌نامد. ویژگی‌هایی که در منبع‌ها آمده:
- تصویر و صدا با هم: نماها، صدای محیط، موسیقی و دیالوگِ تعاملی هم‌زمان ساخته می‌شوند.
- هدایتِ زنده: با دستورِ متنی می‌شود آب‌وهوا را عوض کرد، دوربین را جابه‌جا کرد یا آدم و شیء اضافه کرد؛ Gemini دستور را با صحنه هماهنگ می‌کند.
- فیزیک و شخصیت: مدل برخورد و آیرودینامیک را شبیه‌سازی می‌کند و شخصیت‌ها طبیعی‌تر به محیط واکنش نشان می‌دهند.
- ثباتِ بیشتر: به نوشته‌ی TechCrunch صحنه تا دو دقیقه پایدار می‌ماند، دو برابرِ Genie 3.
- همکاری با Gemini: Gemini Omni ظاهر و رفتار را پایه‌گذاری می‌کند و یک ایجنتِ Gemini 3.8 Flash پیشرفت به‌سوی هدف را در طولِ شبیه‌سازی دنبال می‌کند.
چه کسانی و کِی به آن دسترسی دارند؟
اکنون فقط آزمون‌گرانِ مورد اعتماد. طبق پستِ گوگل، در هفته‌های آینده به مشترکانِ Google AI Ultra در Project Genie و شریکانِ زودهنگامِ Gemini API و Google AI Studio می‌رسد و فهرستِ انتظار باز است. قیمتی اعلام نشده است. آزمون‌گران آن را برای پیش‌تجسمِ فیلم، نمونه‌سازیِ سریعِ بازی، تبدیلِ عکس‌های آرشیوی به شبیه‌سازی و ساختنِ سناریو برای سازمان‌ها امتحان می‌کنند.
محدودیت‌ها و ایمنی
خودِ گوگل می‌گوید جزئیاتِ دیداری و پایداریِ اشیا در جلسه‌های طولانی یا بعد از ویرایش‌های زیاد ممکن است جابه‌جا شود. متنِ خوانا، دقتِ مکانی، دقتِ صدا و ثباتِ بلندمدت هنوز موضوع پژوهش‌اند. گوگل از ارزیابی‌های ایمنیِ داخلی و نشانِ SynthID روی همه‌ی تصویر و صدای تولیدشده خبر داده است. در مقایسه، Genie 3 حدود یک سال پیش به‌صورت پیش‌نمایش آمد و نسخه‌ی مصرفی‌اش، Project Genie، جلسه‌های کوتاه داشت.
این یعنی چه برای کاربر فارسی‌زبان؟
فعلاً نمی‌شود Genie 4 را امتحان کرد، پس لازم نیست منتظرش بمانید؛ اما جهتِ حرکت را نشان می‌دهد: ویدیوی هوش مصنوعی از «کلیپِ آماده» به «دنیای قابل‌کنترل» می‌رود. فعلاً برای کارهای عملی ابزارهای ساخت عکس و ویدیو کافی‌اند؛ مثلاً درباره‌ی مدلِ جهانیِ Odyssey 3 و رندر زنده‌ی EdenLive هم نوشته‌ایم. اگر می‌خواهید خودتان تصویر و ویدیو بسازید، در ابزارهای هوش‌نو می‌توانید عکس و ویدیو بسازید و صدای فارسی اضافه کنید. تفاوتِ مدل‌های امروز را هم در مقایسه‌ی مدل‌های ساخت عکس و ویدیو ببینید. توجه کنید که دسترسی رسمیِ سرویس‌های گوگل از ایران محدود است.
چرا مدل‌های جهانی مهم‌اند؟
گوگل می‌گوید آینده در «مدل‌های جهانیِ ترکیبی» است: مدلی که هم با زبان و کد استدلال می‌کند و هم تصویر را در سطحِ پیکسل شبیه‌سازی می‌کند. دلیلش ساده است. اگر ربات یا ایجنتی بخواهد کاری را در دنیای واقعی انجام دهد، بهتر است اول آن را در یک شبیه‌سازیِ باورپذیر امتحان کند. در آزمایشی که TechCrunch شرح داده، یک مدل Gemini کار را به گام‌ها تقسیم می‌کند و Genie 4 هر گام را زنده شبیه‌سازی می‌کند. برای بازی‌سازان و فیلم‌سازان هم یعنی ساختنِ نمونه‌ی اولیه ارزان‌تر و سریع‌تر می‌شود، هرچند هنوز با کیفیتِ نهایی فاصله دارد.
نکته‌های احتیاط
همه‌ی ادعاهای قابلیت از خودِ گوگل و گزارش‌های پیش‌نمایش است و مستقل آزمایش نشده. نمونه‌های منتخب معمولاً بهترین حالتِ مدل را نشان می‌دهند. برای مثال، همکاریِ Genie 4 با مدل رباتیکِ Gemini هنوز آزمایشِ پژوهشی است، نه محصول. پیش از هر نتیجه‌گیری باید ببینیم کاربران عادی چه می‌سازند.
سؤالات متداول
Genie 4 چه فرقی با یک مدل ویدیو مثل Veo دارد؟
مدل ویدیو یک کلیپ می‌سازد؛ Genie 4 دنیایی می‌سازد که حین اجرا با دستورِ متنی عوض می‌شود. اما فعلاً صحنه فقط تا حدود دو دقیقه پایدار می‌ماند.
چه زمانی در دسترس عموم است؟
تاریخِ عمومی اعلام نشده. گوگل گفته در هفته‌های آینده به مشترکان Google AI Ultra و برخی شرکای API می‌رسد.
آیا صدا هم می‌سازد؟
بله؛ موسیقی، صدای محیط و دیالوگ. دقتِ صدا هنوز بخشی از مسائلِ باز است.
