ایٹ ہوم 28 اکتوبر کی خبر، گوگل ڈیپ مائنڈ نے منگل کو اپنا نئے ترین عالمی ماڈل جینی 4 جاری کیا، جو اب تک تحقیقی پیش خدمت مرحلے میں ہے۔ یہ نئے ماڈل اب تک کے سب سے زیادہ واقعی، انٹرایکٹو ورچوئل دنیاں بنانے میں کامیاب ہوا ہے، جہاں صارفین محاکمہ کے دوران تجاویز درج کرکے مناظر تبدیل کر سکتے ہیں۔ یہ ماڈل ورچوئل دنیا کے ساتھ مطابقت رکھنے والی ریل ٹائم آڈیو بھی پیدا کر سکتا ہے، جس میں موسیقی، ماحولیاتی آوازیں اور انٹرایکٹو مکالمے شamil ہیں۔

ایٹ آئی ہوم نوٹ کیا کہ جینی 4 کے جاری ہونے کے کچھ مہینوں پہلے، AI ویڈیو اسٹارٹ اپ کمپنی Runway نے اپنا دوسرا عالمی ماڈل GWM Worlds 2 جاری کیا، جو ایک انٹرایکٹو چلنے والا ماڈل ہے جو صارف کے ان پٹ کے جواب میں ڈائنانک طور پر ردعمل دیتا ہے اور آڈیو جنریشن کو بھی سپورٹ کرتا ہے۔ اسی دوران، عالمی ماڈل کے شعبے میں ادغام کا رجحان شروع ہو گیا ہے۔ فی فی لی نے قائم کیا世界实验室 (World Labs) کو AMD نے خرید لیا، ایمیزون Decart کو خریدنے پر مذاکرات کر رہا ہے، اور Rivian نے تھرڈ ڈائمنشن کو خرید لیا ہے تاکہ وہ خود کو ڈرائیونگ ٹیسٹنگ کے لیے سیمولیشن کابیلیٹیز تعمیر کر سکے۔
Genie 4 کو گوگل کی طرف سے مقابلہ خیز شعبے میں آگے رہنے کے لیے اختراع کیا گیا ہے۔
ایک سے زیادہ سال پہلے، گوگل نے اپنے پچھلے ماڈل جینی 3 کو ریسرچ پریویو کے طور پر جاری کیا تھا۔ جینی 4 کے ساتھ، تصویر کی حقیقت پسندیدگی میں کافی اضافہ ہوا ہے اور آواز کی صلاحیت شامل کی گئی ہے، ساتھ ہی یہ آزادانہ ایڈٹنگ آپریشنز جیسے موسم، کیمرہ زاویہ کو ریل ٹائم میں تبدیل کرنا، یا نئے کردار اور اشیاء شامل کرنا بھی سپورٹ کرتا ہے۔ اس کی لمبائی دو منٹ تک مسلسل اور مستقل منظر کو برقرار رکھ سکتی ہے، جو پچھلے ماڈل کا دوگنا ہے، فزکل اثرات بہتر ہیں اور ورچوئل کردار زیادہ حقیقی لگتے ہیں۔
گوگل کے بڑے ماڈلز جیمینی اور جینی 4 کی اندرونی ایکیکشن بھی مزید بہتر ہو گئی ہے، جہاں جیمینی ڈائریکٹر کے طور پر کام کرتا ہے اور اسٹیپس کی منصوبہ بندی اور فریمز کی تصدیق کرتا ہے، جبکہ جینی 4 ویژول مواد کی تخلیق کرتا ہے۔ جیمینی روبوٹس پروجیکٹ سے متعلق ایک تجرباتی مطالعہ میں، جیمینی 4 آرگن ماڈل نے کام کو متعدد مراحل میں تقسیم کیا اور پھر جینی 4 نے ریل ٹائم سیمولیشن کی۔ اس تجربے نے ایک عملی حل پیش کیا: حقیقی دنیا میں روبوٹ ٹیسٹنگ سے پہلے، متعلقہ سیناریوز کو سیمولیشن ماحول میں تصدیق کرنا۔
گوگل کے ریسرچ ڈائریکٹر تیجاس کولکرنی نے ایک بریفنگ میں کہا: "مستقبل میں ہم ایسے مخلوط عالمی ماڈلز کو زیادہ سے زیادہ دیکھیں گے، جن میں جیمینی کوڈ اور ٹیکسٹ لکھے گا، جبکہ جینی 4 ان مواد کو ریل ٹائم میں پڑھے گا اور مختلف اbstract لیولز پر حقیقت کا شبیہہ بنائے گا۔"
دیگر عالمی ماڈلز کی طرح، اس کے مرکزی تجارتی اطلاقات کھیل، تعاملی سیکھنا اور روبوٹکس کے شعبوں پر مشتمل ہیں۔ تعاملی سیکھنا کا ایک خیالی مثال یہ ہے کہ صارف ایک تاریخی منظر کو ظاہر کرنے والی تصویر میں داخل ہو جائے اور تصویر میں موجود افراد کے ساتھ تصویر میں درج واقعات پر بات چیت کرے۔
تاہم، "قابل اعتماد ٹیسٹر" جو گوگل کے سب سے اگلے مصنوعات کا تجربہ کرنے والے پہلے صارفین ہیں، نے ایک ممکنہ نیا استعمال دریافت کیا: فلم پروٹوٹائپنگ۔
گوگل ڈیپ مائنڈ انجینئر ڈیگو ریواس نے میڈیا بریفنگ میں کہا: "ریل ٹائم خصوصیات کی قیمت وہاں خاص طور پر واضح ہوتی ہے جہاں مسلسل تخلیقی سوچ کو برقرار رکھنا ضروری ہو۔ جیسے کہ تخلیقی سوچ کے مراحل، اسکیٹچ اسکرپٹ کے مراحل، اور تمام ایسے مراحل جہاں تخلیقی خیالات جلدی سے پیدا ہونے چاہئیں۔"
گوگل نے ویو نامی ایک AI ویڈیو جنریشن ماڈل بھی لانچ کیا ہے، جو متن، تصاویر یا ویڈیو کے حوالے سے ہائی ڈیفینیشن شارٹ فلمیں تخلیق کر سکتا ہے اور اس میں سینکرونائزڈ آڈیو بھی شامل ہے، اس ٹول کی شہرت فلم سازوں کے درمیان لگاتار بڑھ رہی ہے۔
ریواس نے مزید کہا کہ مستقبل میں صارفین Gemini Omni کے ذریعے پروٹوٹائپ مواد کو مکمل تخلیقی اثاثوں میں تبدیل کرنے کی امید کر سکتے ہیں، جو تصویر، آواز اور متن کے بنیاد پر ویڈیو جنریٹ کر سکتا ہے۔ تاہم، انہوں نے یہ بھی کہا کہ ان صلاحیتوں کو عملی شکل دینے میں اب بھی کچھ فاصلہ باقی ہے۔
پورے بريفنگ کے دوران، ریواس نے بار بار زور دیا کہ جینی 4 ابھی ترقی کے ابتدائی مراحل میں ہے، اور مکمل پروڈکٹ کا آخری تجربہ ابھی تک طے نہیں ہوا۔ ٹیم نے تسلیم بھی کیا ہے کہ جینی 4 میں اب بھی کچھ کمیاں ہیں: جتنا لمبا وقت سیمیولیشن چلتا ہے، اتنے ہی زیادہ تفصیلات اور اشیاء میں انحراف ہوتا جاتا ہے، اور ٹیم اب تک کوئی مستحکم طریقہ نہیں تلاش کر پائی ہے جس سے آڈیو درست ہو سکے اور ورچوئل دنیا میں متن واضح طور پر پڑھا جا سکے۔
ابھی Genie 4 کو قابل اعتماد ٹیسٹرز کے لیے ریسرچ پریویو کے طور پر دستیاب کر دیا گیا ہے۔ اگلے کچھ ہفتہ جس میں یہ ماڈل گوگل AI Ultra سبسکرائب کرنے والوں، Genie پروجیکٹ، Gemini ایپلیکیشن پروگرامنگ انٹرفیس (API) اور گوگل AI اسٹوڈیو کے ابتدائی شراکت داروں کو بھی دستیاب ہو جائے گا، جو گوگل کی طرف سے متن یا تصویر کے حوالے سے انٹرایکٹو ورچوئل دنیا بنانے والے AI ٹولز ہیں۔
