گزارش ICTNews – گوگل در تاریخ ۶ اکتبر ۲۰۲۶ (۱۴ مهر ۱۴۰۵) در یک حرکت هماهنگ، چهار محصول جدید در حوزه هوش مصنوعی معرفی کرد. این محصولات که از مدل تصویرساز Nano Banana 2.1 تا پلتفرم بازی‌سازی Playground و ابزار تشخیص محتوای SynthID Detector را شامل می‌شوند، نشان‌دهنده استراتژی گوگل برای تسخیر هرچه بیشتر اکوسیستم هوش مصنوعی در سطوح مصرف‌کننده، توسعه‌دهنده و سازمانی است.
Nano Banana 2.1؛ تصویرساز نیم‌قیمت با ثبات سوژه
گوگل نسخه جدید مدل تصویرسازی و ویرایش تصویر خود را با نام Nano Banana 2.1 معرفی کرد. این مدل که بر پایه Gemini 3.6 Image ساخته شده، در سه حوزه اصلی پیشرفت کرده است: طراحی بصری، ویرایش ماسک‌محور و ثبات سوژه .
قابلیت‌های کلیدی: Nano Banana 2.1 می‌تواند به‌صورت همزمان حداکثر ۱۴ تصویر مرجع دریافت کند و در فرآیند ویرایش، تا ۴ کاراکتر و ۱۰ شیء مختلف را دنبال و حفظ کند. این ویژگی برای پروژه‌هایی که نیازمند چندین مرحله اصلاح تصویر هستند، اهمیت زیادی دارد، زیرا احتمال تغییر چهره شخصیت یا تغییر فرم اشیا با هر پرامپت جدید کاهش پیدا می‌کند .
عملکرد در بنچمارک: در آزمون ترجیح تولید تصویر از متن، Nano Banana 2.1 امتیاز ۱,۰۵۰ ELO را کسب کرد. این در حالی است که Nano Banana 2 امتیاز ۹۹۰ و Nano Banana Pro امتیاز ۹۳۵ را ثبت کرده بودند. در ارزیابی دقت اینفوگرافیک، Nano Banana 2.1 امتیاز ۰.۵۲۱ را کسب کرد که بسیار بالاتر از Nano Banana 2 با ۰.۱۷۹ است .
قیمت‌گذاری: یکی از مهم‌ترین تغییرات این نسخه، کاهش شدید قیمت است. هزینه توکن‌های تصویری از ۶۰ دلار به ۳۰ دلار به ازای هر ۱ میلیون توکن رسیده که کاهش ۵۰ درصدی را نشان می‌دهد. بر این اساس، تولید یک تصویر ۱K حدود ۰.۰۳۳۶ دلار، تصویر ۲K حدود ۰.۰۵۰۴ دلار و تصویر ۴K حدود ۰.۰۷۵۶ دلار هزینه خواهد داشت. در پردازش‌های دسته‌ای، هزینه تولید تصویر ۱K می‌تواند به ۰.۰۱۶۸ دلار کاهش پیدا کند .
دسترسی: Nano Banana 2.1 هم‌اکنون به‌صورت مرحله‌ای در اپلیکیشن Gemini، حالت AI Mode جستجوی گوگل، Google AI Studio، Flow، Stitch، Google Ads و Gemini Enterprise در حال انتشار است. گوگل همچنین اعلام کرده که پشتیبانی از Nano Banana 2 در تاریخ ۲۹ اکتبر متوقف خواهد شد و توسعه‌دهندگان باید تا آن تاریخ به نسخه جدید مهاجرت کنند .
قابلیت‌های کلیدی: Nano Banana 2.1 می‌تواند به‌صورت همزمان حداکثر ۱۴ تصویر مرجع دریافت کند و در فرآیند ویرایش، تا ۴ کاراکتر و ۱۰ شیء مختلف را دنبال و حفظ کند. این ویژگی برای پروژه‌هایی که نیازمند چندین مرحله اصلاح تصویر هستند، اهمیت زیادی دارد، زیرا احتمال تغییر چهره شخصیت یا تغییر فرم اشیا با هر پرامپت جدید کاهش پیدا می‌کند .
عملکرد در بنچمارک: در آزمون ترجیح تولید تصویر از متن، Nano Banana 2.1 امتیاز ۱,۰۵۰ ELO را کسب کرد. این در حالی است که Nano Banana 2 امتیاز ۹۹۰ و Nano Banana Pro امتیاز ۹۳۵ را ثبت کرده بودند. در ارزیابی دقت اینفوگرافیک، Nano Banana 2.1 امتیاز ۰.۵۲۱ را کسب کرد که بسیار بالاتر از Nano Banana 2 با ۰.۱۷۹ است .
قیمت‌گذاری: یکی از مهم‌ترین تغییرات این نسخه، کاهش شدید قیمت است. هزینه توکن‌های تصویری از ۶۰ دلار به ۳۰ دلار به ازای هر ۱ میلیون توکن رسیده که کاهش ۵۰ درصدی را نشان می‌دهد. بر این اساس، تولید یک تصویر ۱K حدود ۰.۰۳۳۶ دلار، تصویر ۲K حدود ۰.۰۵۰۴ دلار و تصویر ۴K حدود ۰.۰۷۵۶ دلار هزینه خواهد داشت. در پردازش‌های دسته‌ای، هزینه تولید تصویر ۱K می‌تواند به ۰.۰۱۶۸ دلار کاهش پیدا کند .
دسترسی: Nano Banana 2.1 هم‌اکنون به‌صورت مرحله‌ای در اپلیکیشن Gemini، حالت AI Mode جستجوی گوگل، Google AI Studio، Flow، Stitch، Google Ads و Gemini Enterprise در حال انتشار است. گوگل همچنین اعلام کرده که پشتیبانی از Nano Banana 2 در تاریخ ۲۹ اکتبر متوقف خواهد شد و توسعه‌دهندگان باید تا آن تاریخ به نسخه جدید مهاجرت کنند .
EmbeddingGemma 2؛ جستجوی چندوجهی آفلاین روی دستگاه
گوگل از EmbeddingGemma 2، مدل چندوجهی و متن‌باز جدیدی با ۷۴۰ میلیون پارامتر رونمایی کرد که قادر است متن، کد، تصویر، ویدیو و صدا را در یک فضای مشترک به بردارهای معنایی تبدیل کند و به‌صورت آفلاین روی گوشی، لپ‌تاپ و دستگاه‌های مختلف اجرا شود .
معماری ماژولار: این مدل با معماری Gemma 4 ساخته شده و از طراحی ماژولار بهره می‌برد. توسعه‌دهندگان می‌توانند بر اساس نیاز خود، فقط بخش‌های موردنیاز را بارگذاری کنند: ۲۷۰ میلیون پارامتر برای متن و کد، ۴۴۰ میلیون پارامتر برای متن و تصویر، ۵۷۰ میلیون پارامتر برای متن و صدا، یا ۷۴۰ میلیون پارامتر برای حالت کامل چندوجهی .
ظرفیت پردازش: این مدل از یک پنجره متنی ۸,۱۹۲ توکن پشتیبانی می‌کند که چهار برابر نسل قبلی است. این ظرفیت برای حدود ۵.۵ دقیقه صوت پیوسته، ۲۹ تصویر یا ۵۸ فریم ویدیو کافی است. مدل می‌تواند با یک پیام صوتی به دنبال بخش خاصی از یک ویدیو بگردد یا با یک عبارت متنی میان ساعت‌ها فایل صوتی جستجو کند .
عملکرد در بنچمارک: امتیاز این مدل در بنچمارک MTEB Code با رشد ۹.۹۲ امتیازی به ۷۸.۶۸ رسید که نشان‌دهنده پیشرفت قابل‌توجه در درک کد است .
مصرف حافظه: بر اساس اعلام گوگل، نسخه کوانتیزه‌شده EmbeddingGemma 2 برای پردازش فقط متن حدود ۱۹۱ مگابایت رم فعال و برای حالت کامل چندوجهی حدود ۵۶۷ مگابایت رم مصرف می‌کند. این مدل از فناوری Matryoshka Representation Learning استفاده می‌کند که امکان کاهش ابعاد بردار از ۷۶۸ به ۵۱۲، ۲۵۶ یا ۱۲۸ را فراهم کرده و نیاز به فضای ذخیره‌سازی را تا ۶ برابر کاهش می‌دهد .
دسترسی: توسعه‌دهندگان از همین حالا می‌توانند وزن‌های مدل را از Hugging Face و Kaggle دریافت کنند. گوگل همچنین اعلام کرده که EmbeddingGemma 2 به‌زودی از طریق ML Kit برای اندروید و MediaPipe Tasks برای پلتفرم‌های مختلف در دسترس قرار می‌گیرد .
معماری ماژولار: این مدل با معماری Gemma 4 ساخته شده و از طراحی ماژولار بهره می‌برد. توسعه‌دهندگان می‌توانند بر اساس نیاز خود، فقط بخش‌های موردنیاز را بارگذاری کنند: ۲۷۰ میلیون پارامتر برای متن و کد، ۴۴۰ میلیون پارامتر برای متن و تصویر، ۵۷۰ میلیون پارامتر برای متن و صدا، یا ۷۴۰ میلیون پارامتر برای حالت کامل چندوجهی .
ظرفیت پردازش: این مدل از یک پنجره متنی ۸,۱۹۲ توکن پشتیبانی می‌کند که چهار برابر نسل قبلی است. این ظرفیت برای حدود ۵.۵ دقیقه صوت پیوسته، ۲۹ تصویر یا ۵۸ فریم ویدیو کافی است. مدل می‌تواند با یک پیام صوتی به دنبال بخش خاصی از یک ویدیو بگردد یا با یک عبارت متنی میان ساعت‌ها فایل صوتی جستجو کند .
عملکرد در بنچمارک: امتیاز این مدل در بنچمارک MTEB Code با رشد ۹.۹۲ امتیازی به ۷۸.۶۸ رسید که نشان‌دهنده پیشرفت قابل‌توجه در درک کد است .
مصرف حافظه: بر اساس اعلام گوگل، نسخه کوانتیزه‌شده EmbeddingGemma 2 برای پردازش فقط متن حدود ۱۹۱ مگابایت رم فعال و برای حالت کامل چندوجهی حدود ۵۶۷ مگابایت رم مصرف می‌کند. این مدل از فناوری Matryoshka Representation Learning استفاده می‌کند که امکان کاهش ابعاد بردار از ۷۶۸ به ۵۱۲، ۲۵۶ یا ۱۲۸ را فراهم کرده و نیاز به فضای ذخیره‌سازی را تا ۶ برابر کاهش می‌دهد .
دسترسی: توسعه‌دهندگان از همین حالا می‌توانند وزن‌های مدل را از Hugging Face و Kaggle دریافت کنند. گوگل همچنین اعلام کرده که EmbeddingGemma 2 به‌زودی از طریق ML Kit برای اندروید و MediaPipe Tasks برای پلتفرم‌های مختلف در دسترس قرار می‌گیرد .
Playground؛ ساخت بازی با پرامپت متنی
گوگل از پلتفرم تحت وب Playground رونمایی کرد که به کاربران امکان می‌دهد تنها با وارد کردن دستورهای متنی و به کمک هوش مصنوعی، بازی‌های ویدیویی بسازند. دسترسی به این ابزار برای کاربران بالای ۱۸ سال در آمریکا از طریق نشانی وب اختصاصی آن فراهم است .
قابلیت‌ها: کاربران می‌توانند کار خود را از یک بوم خالی آغاز کنند، از پرامپت‌های آماده استفاده کنند یا با
قابلیت‌ها: کاربران می‌توانند کار خود را از یک بوم خالی آغاز کنند، از پرامپت‌های آماده استفاده کنند یا با
کمک قابلیت راهنمای توسعه، ایده خود را شکل دهند. امکان تغییر فیزیک، قوانین، شخصیت‌ها و محیط با استفاده از دستورات متنی وجود دارد. بازی‌های تولیدشده از طریق لینک مستقیم یا انتشار در گالری Playground Explore با دیگران به اشتراک گذاشته می‌شوند و بخش‌هایی از آنها از جدول امتیازات و حالت چندنفره پشتیبانی می‌کنند .
فناوری پایه: نیا کارتر، سخنگوی گوگل، در این باره گفت: «پلتفرم پلی‌گراند از مدل‌های پایه موجود گوگل شامل Gemini، Nano Banana و Lyria همراه با یک ساختار اختصاصی بهینه‌شده بهره می‌برد.» استفاده از Playground رایگان است، اما دارندگان اشتراک Google One سقف توکن هفتگی بالاتری دریافت خواهند کرد .
همکاری با یونیتی: همزمان با این رویداد، همکاری مشترک با موتور بازی‌سازی یونیتی در قالب پروژه Unity Spark معرفی شد که امکان طراحی تیمی و نیمه‌حرفه‌ای بازی‌ها را با هوش مصنوعی فراهم می‌کند. نسخه آزمایشی آن تا پایان ۲۰۲۶ منتشر می‌شود .
فناوری پایه: نیا کارتر، سخنگوی گوگل، در این باره گفت: «پلتفرم پلی‌گراند از مدل‌های پایه موجود گوگل شامل Gemini، Nano Banana و Lyria همراه با یک ساختار اختصاصی بهینه‌شده بهره می‌برد.» استفاده از Playground رایگان است، اما دارندگان اشتراک Google One سقف توکن هفتگی بالاتری دریافت خواهند کرد .
همکاری با یونیتی: همزمان با این رویداد، همکاری مشترک با موتور بازی‌سازی یونیتی در قالب پروژه Unity Spark معرفی شد که امکان طراحی تیمی و نیمه‌حرفه‌ای بازی‌ها را با هوش مصنوعی فراهم می‌کند. نسخه آزمایشی آن تا پایان ۲۰۲۶ منتشر می‌شود .
SynthID Detector؛ ابزار تشخیص محتوای هوش مصنوعی برای عموم
گوگل وب‌سایتی عمومی برای تشخیص تصاویر، ویدیوها و فایل‌های صوتی تولید شده با هوش مصنوعی راه‌اندازی کرده است. کاربران می‌توانند با بارگذاری فایل در این پایگاه اینترنتی، اصالت محتوا و استفاده از ابزارهای تولید محتوا را ارزیابی کنند .
فناوری زیربنایی: SynthID نام دارد که گوگل نخستین بار در سال ۲۰۲۳ از آن رونمایی کرد. مدل‌هایی مانند Veo، Nano Banana و Lyria از این شیوه برای ثبت واترمارک نامرئی روی محتوای تولیدی استفاده می‌کنند. تاکنون گوگل بیش از ۱۸۰ میلیارد تصویر و ویدیو و محتوای صوتی معادل ۲۴۰,۰۰۰ سال را واترمارک کرده است .
همکاری‌ها: OpenAI، NVIDIA و Kakao با این استاندارد همکاری می‌کنند و Apple به‌زودی پشتیبانی از آن را آغاز خواهد کرد .
دسترسی: بررسی واترمارک به مرورگر کروم و نرم‌افزار Gemini راه یافته و کاربران روزانه بیش از یک میلیون درخواست بررسی محتوا ثبت می‌کنند. SynthID Detector از امروز به‌صورت جهانی و به زبان انگلیسی در دسترس قرار گرفته است .
فناوری زیربنایی: SynthID نام دارد که گوگل نخستین بار در سال ۲۰۲۳ از آن رونمایی کرد. مدل‌هایی مانند Veo، Nano Banana و Lyria از این شیوه برای ثبت واترمارک نامرئی روی محتوای تولیدی استفاده می‌کنند. تاکنون گوگل بیش از ۱۸۰ میلیارد تصویر و ویدیو و محتوای صوتی معادل ۲۴۰,۰۰۰ سال را واترمارک کرده است .
همکاری‌ها: OpenAI، NVIDIA و Kakao با این استاندارد همکاری می‌کنند و Apple به‌زودی پشتیبانی از آن را آغاز خواهد کرد .
دسترسی: بررسی واترمارک به مرورگر کروم و نرم‌افزار Gemini راه یافته و کاربران روزانه بیش از یک میلیون درخواست بررسی محتوا ثبت می‌کنند. SynthID Detector از امروز به‌صورت جهانی و به زبان انگلیسی در دسترس قرار گرفته است .
تحلیل ICTNews
معرفی همزمان چهار محصول در یک روز، نشان‌دهنده یک استراتژی هماهنگ از سوی گوگل برای تسخیر لایه‌های مختلف اکوسیستم هوش مصنوعی است. Nano Banana 2.1 با کاهش ۵۰ درصدی قیمت، مستقیماً به جنگ OpenAI و مدل‌های تصویرساز رقیب رفته و تلاش می‌کند هزینه تولید تصویر را به سطحی برساند که برای استارتاپ‌ها و کسب‌وکارهای کوچک نیز مقرون‌به‌صرفه باشد.
EmbeddingGemma 2 نیز یک حرکت استراتژیک در جهت «هوش مصنوعی آفلاین» است. با افزایش نگرانی‌ها درباره حریم خصوصی و هزینه‌های ابری، مدل‌هایی که می‌توانند به‌صورت محلی روی دستگاه اجرا شوند، مزیت رقابتی قابل‌توجهی دارند. پشتیبانی از بیش از ۱۰۰ زبان و قابلیت جستجوی بین‌وجهی، این مدل را به گزینه‌ای جذاب برای توسعه‌دهندگان اپلیکیشن‌های موبایل تبدیل می‌کند .
Playground اما رویکرد متفاوتی دارد. گوگل با این پلتفرم، نه‌تنها به دنبال جذب توسعه‌دهندگان حرفه‌ای است، بلکه کاربران عادی را نیز هدف گرفته است. همکاری با یونیتی نیز نشان می‌دهد که گوگل قصد دارد Playground را از یک ابزار سرگرمی به یک پلتفرم نیمه‌حرفه‌ای ارتقا دهد.
SynthID Detector نیز پاسخی به نگرانی‌های فزاینده درباره محتوای جعلی و دیپ‌فیک است. با گسترش ابزارهای تولید محتوا با هوش مصنوعی، توانایی تشخیص محتوای اصیل از جعلی به یک ضرورت تبدیل شده است. همکاری با OpenAI، NVIDIA و Apple نشان می‌دهد که این استاندارد در حال تبدیل شدن به یک استاندارد صنعتی است.
در مجموع، گوگل با این چهار محصول، یک پیام روشن ارسال می‌کند: این شرکت نه‌تنها در رقابت مدل‌های پایه پیشتاز است، بلکه در حال ساخت یک اکوسیستم کامل از ابزارهای تولید، جستجو، سرگرمی و اعتبارسنجی است. موفقیت این استراتژی به پذیرش توسعه‌دهندگان و کاربران بستگی دارد، اما گوگل با کاهش قیمت و افزایش دسترسی، شانس خود را برای تسخیر این بازار افزایش داده است.
EmbeddingGemma 2 نیز یک حرکت استراتژیک در جهت «هوش مصنوعی آفلاین» است. با افزایش نگرانی‌ها درباره حریم خصوصی و هزینه‌های ابری، مدل‌هایی که می‌توانند به‌صورت محلی روی دستگاه اجرا شوند، مزیت رقابتی قابل‌توجهی دارند. پشتیبانی از بیش از ۱۰۰ زبان و قابلیت جستجوی بین‌وجهی، این مدل را به گزینه‌ای جذاب برای توسعه‌دهندگان اپلیکیشن‌های موبایل تبدیل می‌کند .
Playground اما رویکرد متفاوتی دارد. گوگل با این پلتفرم، نه‌تنها به دنبال جذب توسعه‌دهندگان حرفه‌ای است، بلکه کاربران عادی را نیز هدف گرفته است. همکاری با یونیتی نیز نشان می‌دهد که گوگل قصد دارد Playground را از یک ابزار سرگرمی به یک پلتفرم نیمه‌حرفه‌ای ارتقا دهد.
SynthID Detector نیز پاسخی به نگرانی‌های فزاینده درباره محتوای جعلی و دیپ‌فیک است. با گسترش ابزارهای تولید محتوا با هوش مصنوعی، توانایی تشخیص محتوای اصیل از جعلی به یک ضرورت تبدیل شده است. همکاری با OpenAI، NVIDIA و Apple نشان می‌دهد که این استاندارد در حال تبدیل شدن به یک استاندارد صنعتی است.
در مجموع، گوگل با این چهار محصول، یک پیام روشن ارسال می‌کند: این شرکت نه‌تنها در رقابت مدل‌های پایه پیشتاز است، بلکه در حال ساخت یک اکوسیستم کامل از ابزارهای تولید، جستجو، سرگرمی و اعتبارسنجی است. موفقیت این استراتژی به پذیرش توسعه‌دهندگان و کاربران بستگی دارد، اما گوگل با کاهش قیمت و افزایش دسترسی، شانس خود را برای تسخیر این بازار افزایش داده است.
