যদি স্মার্টফোন অপারেটিং সিস্টেমের প্রথমার্ধে বোতাম এবং অ্যাপে ফাংশন প্যাক করার বিষয়ে হয়, তাহলে OriginOS 6, যা এই বছরের ভিভো ডেভেলপার কনফারেন্সে আত্মপ্রকাশ করেছিল, আবারও AI এবং OS-এর মধ্যে একীকরণের অপরিবর্তনীয় প্রবণতা নিশ্চিত করেছে।
পিপিটি-তে বাজওয়ার্ডগুলি যেমন মাল্টিমোডালিটি, রিজনিং ক্ষমতা এবং দীর্ঘ টেক্সট প্রসেসিং ছাড়াও, এআই এখন আর মোবাইল ফোন সিস্টেমের একটি "ফিচার লিস্ট" হওয়ার মতো বিষয় নয়।
vivo একটি UI এজেন্ট তৈরি করার প্রস্তাব করেছে, AI কে সত্যিকার অর্থে ব্যবহারকারীর উদ্দেশ্য বোঝার চেষ্টা করছে এবং একটি স্বাভাবিক অনুরোধের সাথে সমগ্র ক্রস-অ্যাপ সহযোগিতা সম্পূর্ণ করতে পারে।
কাকতালীয়ভাবে, কিছু দিন আগে OpenAI DevDay-এ, তারা একই জিনিস নিয়ে আলোচনা করছিল: ChatGPT-কে "অপারেটিং সিস্টেম" হিসেবে ঘোষণা করা। সংক্ষেপে, Spotify এবং Canva কথোপকথনে স্বয়ংক্রিয়ভাবে চালু হয়; একটি একক ড্যাশবোর্ড অন-দ্য-স্পট ইন্টারঅ্যাকশনের অনুমতি দেয়। কথোপকথনটি অ্যাপ্লিকেশন হয়ে যায় এবং অ্যাপ্লিকেশনটি হয়ে ওঠে ইন্টারফেস।
ওএস যখন মানুষকে বুঝতে শেখে এবং যখন মডেলটি অ্যাপ্লিকেশনগুলি নির্ধারণ করতে শেখে, তখন এআই এবং ওএসের মধ্যে সীমানা অপ্রয়োজনীয় হতে শুরু করে। তারা কি একই জায়গায় শেষ হবে, নাকি তারা একটি সম্পূর্ণ নতুন বাস্তুতন্ত্রের মধ্যে শাখা তৈরি করবে?
ডেভেলপার কনফারেন্সে বক্তৃতার পরে, iFanr এবং মিডিয়া ভিভো ওএস পণ্যের ভাইস প্রেসিডেন্ট এবং এআই গ্লোবাল রিসার্চ ইনস্টিটিউটের ডিন ঝো ওয়েই, সেইসাথে ভিভো এআই পণ্যের মহাব্যবস্থাপক গুয়ান ইয়ানবিং এবং এআই ওএস পণ্যের পরিচালক হুয়াং জিক্সুন-এর সাক্ষাতকার নেন।
এআই এবং অপারেটিং সিস্টেম: প্রবণতা এবং ভিন্নতা
প্রশ্ন: এই বছর, বিভিন্ন নির্মাতারা "এআই ফোন" সম্পর্কে কথা বলছে, তবে ধারণাগুলি বৈচিত্র্যময়—এআই নেটিভ, বুদ্ধিমান এজেন্ট এবং এআই অপারেটিং সিস্টেম। শিল্পের এআই ফোনের অনুসন্ধানের বর্তমান পর্যায়ে আপনার চিন্তাভাবনা কী?
Zhou Wei: আসলে, AI এবং মোবাইল ফোন সব সময়ই তিনটি সমস্যা হয়েছে যার সমাধান করা দরকার।
প্রথমত, আমাদের অবশ্যই বড় মাপের মডেলের ক্ষমতা থাকতে হবে। তদুপরি, শিল্প নেতাদের তুলনায় আমাদের আরও একটি সুবিধা রয়েছে: আমাদের অবশ্যই অন-ডিভাইস সক্ষমতা লাভ করতে সক্ষম হতে হবে। এটি ছাড়া, আমরা শিল্পে ক্লাউড পরিষেবাগুলি ব্যবহার করার থেকে আলাদা নই। উপরন্তু, ক্লাউড বা অন-ডিভাইস ক্ষমতা ব্যক্তিগতকৃত হতে হবে। এটি ছাড়া, তারা কেবল সাধারণ-উদ্দেশ্যের ক্ষমতা। ব্যক্তিগতকরণ এবং ব্যক্তিকরণ মূল্যবান, কারণ আমরা সকলেই চাই যে আমাদের ফোনগুলি সহকারী হিসাবে কাজ করুক এবং আমাদের সময়সূচী পরিচালনা করুক। অতএব, আপনি দেখতে পাবেন যে মডেল-সম্পর্কিত ক্ষমতা তৈরি করা অপরিহার্য। এটি প্রথম স্তর, এবং ভিভো এই ক্ষেত্রে একটি কঠিন কাজ করেছে।
দ্বিতীয়ত, AI এবং মোবাইল ফোনের একীকরণের বিষয়ে, আমার দৃষ্টিকোণ থেকে একজন "বিজ্ঞান এবং প্রকৌশলী" হিসাবে, আমি দুটি বিষয়ের উপর ফোকাস করছি: 1. AI-বর্ধিত মোবাইল ফোন সিস্টেমের ক্ষমতা । গত বছর, আমরা "জিজ্ঞাসা করার জন্য লেখা" এবং "চিত্র" এর মতো সাধারণ ক্ষমতা (সিস্টেম ক্ষমতা) তৈরি করেছি। এই ক্ষমতাগুলি অ্যাপ্লিকেশন বিকাশের জন্য অপরিহার্য। 2. এই ক্ষমতার বাইরে, নির্মাতারা অন্যান্য অনেক ক্ষেত্রে অবদান রাখতে পারে। মোবাইল ফোন ব্যবহারকারীরা 100 টিরও বেশি মডিউলের অভিজ্ঞতা লাভ করে এবং আমাদের প্রথমে এই ক্ষমতাগুলি নিজেদের বিকাশ করতে হবে। আমরা তাদের একটি "যোগাযোগ এবং নিয়ন্ত্রণ পরিকাঠামো গোষ্ঠী" (বিজ্ঞপ্তি কেন্দ্র, নিয়ন্ত্রণ কেন্দ্র) এ সংগঠিত করেছি এবং আমাদের নিজস্ব নীতিবাক্য রয়েছে। যাইহোক, যখন ব্যবহারকারীরা তাদের ফোন ব্যবহার করেন, তখন মোবাইল ফোন নির্মাতারা তাদের সময়ের শুধুমাত্র 15%ই ব্যবহার করেন। অবশিষ্ট 85% ডেভেলপারদের দ্বারা প্রদত্ত পরিষেবা এবং ক্ষমতা থেকে আসে। নেতৃস্থানীয় ইন্টারনেট কোম্পানি, বিশেষ করে, এই 85% এর মধ্যে 80% বা 70% এর জন্য দায়ী, তাই তাদের সম্পৃক্ততা এখনও খুব গুরুত্বপূর্ণ।
সুতরাং, তৃতীয় প্রশ্ন হল, উপরের স্তরে অবশিষ্ট 85% পরিষেবার বিষয়ে আমাদের কী করা উচিত? আমাদের এখানে দুটি জিনিস করতে হবে: প্রথমত, যদি তারা আমাদের সাথে কাজ করতে ইচ্ছুক হয়, তাহলে আমরা বসে সমাধান নিয়ে আলোচনা করতে পারি। দ্বিতীয়ত, এআই যুগের আবির্ভাবের সাথে, এটির কি নতুন স্তরের মর্যাদা এবং প্রভাব প্রয়োজন? এই প্রশ্নের উত্তর আমরা কিছুক্ষণের জন্য ছেড়ে দিতে পারি।
আমরা AI এবং মোবাইল ফোনের একীকরণকে মোটামুটি তিনটি স্তর হিসাবে মনে করি: নীচের স্তরটি হল বড় আকারের মডেল এবং ক্ষমতা, মধ্যম স্তরটি মৌলিক সিস্টেমের ক্ষমতা এবং ভিত্তিগত ক্ষমতা তৈরি করছে৷ যখন এটি উচ্চ-স্তরের অ্যাপ্লিকেশনের ক্ষেত্রে আসে, আমরা, নির্মাতা এবং তৃতীয় পক্ষ হিসাবে, দুটি গ্রুপে বিভক্ত। যারা অংশগ্রহণ করতে ইচ্ছুক, আলিবাবার মতো, তারা উদ্যোগ নেবে, আর যারা অংশগ্রহণ করতে ইচ্ছুক তারা সময়ের জন্য ছেড়ে দেওয়া হবে। এইভাবে আমরা এআই এবং মোবাইল ফোন এবং এজেন্টগুলির একীকরণ সম্পর্কিত সমস্যাগুলির সাথে যোগাযোগ করি এবং পরিচালনা করি।
প্রশ্ন: কিছু দিন আগে, OpenAI একটি অপারেটিং সিস্টেম তৈরির পরিকল্পনা ঘোষণা করেছে। একটি প্রধান উন্নয়ন হল এটির "অ্যাপ্লিকেশন হিসাবে কথোপকথন" পদ্ধতি, যা আমাদেরকে ChatGPT-এর মধ্যে Figma এবং Spotify-এর মতো অ্যাপগুলির কার্যকারিতা সরাসরি অ্যাক্সেস করতে সক্ষম করে। আমরা জানি যে মোবাইল ফোনগুলি ইন্টারনেট যুগের একটি গুরুত্বপূর্ণ প্রবেশদ্বার, এবং অনেকেই ভাবছেন যে তারা ভবিষ্যতের বিশাল AI কথোপকথনের মূল এন্ট্রি পয়েন্ট হয়ে উঠবে কিনা। একটি মোবাইল ফোন প্রস্তুতকারক হিসাবে, এই প্রবণতা সম্পর্কে আপনার চিন্তা কি, Vivo?
Huang Zixun: একজন মোবাইল ফোন প্রস্তুতকারক হিসেবে, ChatGPT-এর মতো কোম্পানি থেকে আমাদের আলাদা দৃষ্টিভঙ্গি আছে। একদিকে, আমাদের ব্লু হার্ট Xiao V-এর মতো এআই সহকারী রয়েছে, যা প্রকৃতপক্ষে কথোপকথনমূলক অ্যাপ্লিকেশন এবং ক্ষমতা এবং আমাদের এই দিকটি তৈরি করা চালিয়ে যেতে হবে।
অন্যদিকে, ব্যবহারকারীরা যখন তাদের মোবাইল ফোন ব্যবহার করেন, উদাহরণস্বরূপ, যখন তাদের একটি কল করার প্রয়োজন হয় তখন তারা ফোন অ্যাপ্লিকেশনটি খুলবে এবং যখন তাদের একটি ট্যাক্সি নিতে হবে তখন ট্যাক্সি অ্যাপ্লিকেশনটি খুলবে৷ এই বিষয়ে, এটি সমাধানের জন্য সংলাপ ব্যবহার করার কোন প্রয়োজন নেই। উদাহরণস্বরূপ, সমগ্র সিস্টেমের উদ্দেশ্য ফ্রেমওয়ার্ক অ্যাপ্লিকেশনের জন্য ব্যবহারকারীর কল বা এমনকি তৃতীয় পক্ষের এজেন্টের কলটি আরও দ্রুত পূরণ করতে পারে। এটাই আমরা সবচেয়ে উপযুক্ত পন্থা বলে মনে করি।
উদাহরণস্বরূপ, বর্তমানে পরমাণু দ্বীপের মাধ্যমে প্রস্তাবিত পরিষেবাগুলি পরিষেবা ইন্টারফেস বা পোর্টাল হতে পারে, তবে তারা ধীরে ধীরে তৃতীয় পক্ষের এজেন্ট হতে পারে। এই এজেন্টদের সুবিধার্থে আপনার কি সংলাপ ব্যবহার করা দরকার? অপ্রয়োজনীয় নয়, যেহেতু ব্যবহারকারীরা বর্তমানে অপারেটিং সিস্টেম ব্যবহার করার সময় GUI-ভিত্তিক অঙ্গভঙ্গি মিথস্ক্রিয়াতে খুব বেশি নির্ভর করে। অতএব, একটি OS দৃষ্টিকোণ থেকে, মূল বিবেচনা হল কীভাবে ব্যবহারকারীরা বিভিন্ন পরিস্থিতিতে আরও দ্রুত এবং সুবিধাজনকভাবে পরিষেবাগুলি অ্যাক্সেস করতে পারে, এই পরিষেবাটি সরাসরি ইন্টারফেস হোক বা কোনও এজেন্টের মাধ্যমে পুশ করা হোক।
প্রকৃতপক্ষে, আমরা ব্লু হার্ট V-এ কথোপকথন পদ্ধতিকে আরও শক্তিশালী করব, এবং এমনকি ব্যবহারকারীদের দ্রুত এটি পেতে সক্ষম করার জন্য ইন্টারফেসের সাথে সক্রিয় মিথস্ক্রিয়াকে একত্রিত করব।
গুয়ান ইয়ানবিং: আমি মনে করি দেশীয় এবং বিদেশী বাস্তুতন্ত্রের মধ্যে কিছু পার্থক্য রয়েছে। ChatGPT COS, Spotify এবং Figma এর মতো অঙ্কন সফ্টওয়্যার সমর্থন করে। বিদেশে এটির একটি পরিবেশগত ভিত্তি রয়েছে এবং এটি প্রকৃতপক্ষে চীনে একটু ভিন্ন।
দ্বিতীয়ত, আমি মনে করি না এটি একটি বাইনারি, 0-বা-1 প্রশ্ন। উদাহরণস্বরূপ, ব্লু হার্ট জিয়াও ভি-এর মতো এআই সহকারীরা, যেমনটি আজ সকালের প্রেস কনফারেন্সে উল্লেখ করা হয়েছে, ব্যক্তিগতকৃত ব্যবহারকারীর চাহিদা পূরণে দক্ষতা অর্জন করে। প্রথাগত অ্যাপ বা ইন্টারনেট ইকোসিস্টেমে, উদাহরণস্বরূপ, একটি প্রথাগত অ্যাপ ইন্টারফেস হল একটি ফোনের আকার, যেখানে 10 বা 15 বোতামের জন্য স্থান রয়েছে। যাইহোক, সর্বদা প্রচুর সংখ্যক ব্যবহারকারী রয়েছে যাদের শুধুমাত্র সেই 10 বা 15 বোতামের চেয়ে বেশি প্রয়োজন এবং এই চাহিদাগুলিকে সমাধান করা যায় না। প্রকৃতপক্ষে, এই চাহিদাগুলি খুব লম্বা-টেইল এবং ব্যক্তিগতকৃত, এগুলি এআই সহকারীদের দ্বারা সমাধান করার জন্য উপযুক্ত করে তোলে।
আজ সকালে "আপনি এই ছবিটিকে পিক্সার স্টাইলে রূপান্তর করুন এবং ওয়ালপেপার হিসাবে সেট করুন" এর একটি ডেমো উদাহরণ ছিল। এই ধরনের লং-টেইল চাহিদা গতানুগতিক অ্যাপ দ্বারা মেটানো হবে না, তবে এটি এআই সহকারীর জন্য খুবই উপযুক্ত কারণ এটি খুবই ব্যক্তিগত এবং ব্যক্তিগত।
আমরা বিশ্বাস করি যে এই ইকোসিস্টেমটি ভবিষ্যতে এমন একটি পর্যায়ে পৌঁছাতে পারে যেখানে এটি শুধুমাত্র অ্যাপ ইকোসিস্টেম বা ট্রাফিক এন্ট্রির বিষয়ে নয়। এটা পরম নয়. এটা সব ব্যবহারকারীর চাহিদা নিচে আসে. এই পর্যায়ে, কিছু ব্যবহারকারীর চাহিদা এআই সহকারী এবং চ্যাটবট দ্বারা আরও ভালভাবে সমাধান করা হয়, যা ব্যবহারকারীর চাহিদাগুলি আরও ভালভাবে পূরণ করবে।
Zhou Wei: বড় মডেল ব্যবহার করে অ্যাপ্লিকেশন সমৃদ্ধ হয়. আমরা এই পরিস্থিতিতে সামর্থ্য বৃদ্ধি এবং সংযম অনুশীলন উভয়ের দিকেই মনোনিবেশ করছি। আমরা ব্যবহারকারীর অভ্যাস বিকাশ এবং পরিষেবা বিতরণ এড়াতে পারি না। আমাদের এগিয়ে যাওয়ার কৌশল সম্ভবত প্রথমে সক্ষমতা তৈরি করা এবং তারপর এই প্রচেষ্টায় সহযোগিতা করার জন্য অংশীদারদের সাথে কাজ করা। উদ্বেগের সাথে পরিষেবা প্রদানকারীদের জন্য, আমরা তাদের অপেক্ষা করতে এবং দেখতে এবং সংযম অনুশীলন করতে উত্সাহিত করি।
এন্ড-টু-এন্ড মডেল এবং সক্ষমতা বিল্ডিং
প্রশ্ন: প্রতিটি প্রস্তুতকারক আজকাল বড় আকারের ডিভাইস-সাইড মডেলগুলি বিকাশ করছে এবং প্রায় প্রতিটি প্রস্তুতকারক ব্যক্তিগত সহকারী তৈরির কথাও বলছেন। কীভাবে ভিভোর "ইউআই এজেন্ট" ধারণাটি অন্যান্য নির্মাতাদের এআই সহকারীর থেকে আলাদা?
গুয়ান ইয়ানবিং: আজ সকালে আমরা উল্লেখ করেছি যে আমরা ব্যক্তিগতকৃত বুদ্ধিমত্তা বেছে নিয়েছি। সমস্ত বিক্রেতা ব্যক্তিগতকৃত বুদ্ধিমত্তা অফার করে না। আমরা বিশ্বাস করি ব্যক্তিগতকৃত বুদ্ধিমত্তার বেশ কিছু বৈশিষ্ট্য রয়েছে:
প্রথমত, এটি একটি বন্ধু বা অংশীদারের মতো । অতএব, আমাদের একটি মূল ক্ষমতা হল ডিভাইস সাইড, কারণ শুধুমাত্র ডিভাইস সাইডই ক্রমাগত আপনার ডেটা বিশ্লেষণ করতে পারে, আপনার চাহিদা বুঝতে পারে, ফোনের স্ক্রীন বুঝতে পারে এবং আরও অনেক কিছু করতে পারে। প্রকৃতপক্ষে, সমস্ত মোবাইল ফোন নির্মাতাদের ডিভাইসের পার্শ্ব ক্ষমতা নেই। সবাই যেমন উল্লেখ করেছে, আমরা এই এলাকায় তুলনামূলকভাবে শক্তিশালী।
দ্বিতীয়ত, আমরা সত্যিকারের মাল্টিমডাল প্রাকৃতিক মিথস্ক্রিয়া অফার করি, যার মধ্যে ভয়েস ইন্টারঅ্যাকশন, UI এজেন্টদের দ্বারা সক্ষম স্ক্রীন এবং চিত্র উপলব্ধি এবং পাঠ্য মিথস্ক্রিয়া। মাল্টিমোডাল মিথস্ক্রিয়া আরও স্বাভাবিক মিথস্ক্রিয়া নিশ্চিত করে, যেমন একজন প্রকৃত ব্যক্তি আপনার সাথে যোগাযোগ করে। এগুলি হল আমাদের দুটি মূল পার্থক্যকারী এবং অন্যান্য বিক্রেতাদের তুলনায় সুবিধা৷ এই দুটি সুবিধা নিশ্চিত করে যে আমাদের পণ্যগুলি সর্বদা আপনার ফোনে উপলব্ধ থাকে, আপনাকে ব্যক্তিগতকৃত পরিষেবা প্রদান করে যা আপনার প্রয়োজন অনুসারে তৈরি করা হয়।
প্রশ্ন: একটি আদর্শ এআই এজেন্টের জন্য কী শর্ত প্রয়োজন? কোনটি ইতিমধ্যে বিদ্যমান?
Zhou Wei: মোবাইল ফোন ঐতিহ্যগতভাবে অ্যাপের জন্য প্রাথমিক বিতরণ চ্যানেল। সমগ্র শিল্প সফ্টওয়্যার স্টোরের সীমানা এবং কর্তৃত্বের প্রতি অত্যন্ত সংবেদনশীল। বুদ্ধিমান এজেন্ট যুগে বন্টন একইভাবে সংবেদনশীল সমস্যা। Vivo-এর কর্পোরেট সংস্কৃতির মানগুলি সাফল্য এবং ভাগ করা উন্নয়নকে ভাগ করেছে, তাই মোবাইল ফোন চ্যানেল হিসাবে, আমরা আশা করি সংযম অনুশীলন করব এবং ভবিষ্যতে AI বুদ্ধিমান এজেন্টদের বিতরণে সহযোগিতা করব।
কি করা যায় এবং কি করা যায় না? প্রথমত, আমরা আশা করি যে বুদ্ধিমান এজেন্টরা নেটিভ ফোনের ফাংশন এবং সিস্টেম যা করতে পারে তার সবকিছুই বাস্তবায়ন করবে। দ্বিতীয়ত, ব্যক্তিগতকৃত বুদ্ধিমত্তার কাঠামো সহ এই বুদ্ধিমান এজেন্টদের জন্য এজেন্ট স্টোর প্ল্যাটফর্ম নির্মাতাদের দায়িত্ব। তাই এই সব কাজ ইতিমধ্যে জায়গায় আছে.
যাইহোক, ক্রস-এজেন্ট এবং আন্তঃ-এজেন্ট যোগাযোগ হল সমগ্র শিল্প জুড়ে একটি সহযোগিতামূলক প্রচেষ্টা, যেখানে বিকাশকারীরা, প্রাথমিকভাবে ইন্টারনেট বিক্রেতারা, একটি মূল অংশগ্রহণকারী। এই চ্যালেঞ্জের মুখোমুখি হলে, আমরা এই উন্নয়নে সহযোগিতা করার আশা করি। ইন্টারনেট অ্যাপ্লিকেশন এজেন্ট বিতরণ সম্পর্কে, আমরা এই বিষয়ে সহযোগিতা এবং সহযোগিতা আশা করি। এটা এমন নয় যে আমরা এটি করতে পারি না, বরং এটি শিল্পের জন্য ভাগ করা সুবিধার বিষয় এবং ভিভোকে অবশ্যই তার দায়িত্ব পালন করতে হবে।
প্রশ্ন: বর্তমান স্মার্টফোনের তথাকথিত AI এজেন্ট ক্ষমতা আসলে ক্ষমতার বিস্তৃত সংজ্ঞা থেকে কিছুটা দূরে। এর কারণ হল প্রতিটি অ্যাপ সাইলোতে কাজ করতে পারে, ফোন নির্মাতাদের সাথে অন্তর্নিহিত ডেটা ভাগ করে না। কিছু নির্মাতারা স্ক্রিন শনাক্ত করার জন্য অ্যাক্সেসিবিলিটি বৈশিষ্ট্যের মতো রাউন্ডঅবাউট পদ্ধতি অবলম্বন করে। এটি কি একটি প্রধান বাধা?
Zhou Wei: তোমার অনুভূতি আজ আমাদের মতই। যখন বুদ্ধিমান সংস্থাগুলি, বিশেষত মোবাইল ফোনে স্বয়ংক্রিয় বুদ্ধিমান সংস্থাগুলিকে কার্য সম্পাদনের প্রয়োজন হয়, তখন আমরা কেবলমাত্র প্রস্তুতকারকের নিজস্ব ফাংশন এবং অ্যাপ্লিকেশনগুলি সম্পাদন করতে পারি৷ উদাহরণস্বরূপ, এটি মসৃণ কিনা তা দেখানো, উজ্জ্বলতা সামঞ্জস্য করা এবং Wi-Fi এর সাথে সংযোগ করাতে কোনও সমস্যা নেই। যাইহোক, আপনি যদি অ্যাপ্লিকেশনগুলি অতিক্রম করতে চান, অন্য পক্ষ বর্তমানে টার্মিনাল নির্মাতাদের সাথে নিরাপত্তা অনুমোদনের মান নিয়ে আলোচনা করছে।
একটি ডিভাইস প্রস্তুতকারক হিসাবে, আমরা বিশ্বাস করি যে, প্রথমে, আমাদের অবশ্যই সক্রিয়ভাবে শিল্পের মান প্রতিষ্ঠার প্রচার করতে হবে। দ্বিতীয়ত, AI প্রযুক্তির পরিপক্ক হতে এখনও বেশ কয়েক বছর বাকি। এই বছর, আমরা উদারভাবে মোবাইল UI এর উপর ভিত্তি করে স্বয়ংক্রিয় স্বীকৃতি এবং অপারেশন ঘোষণা করেছি। এই ক্ষমতা প্রতি বছর আরো এবং আরো পরিপক্ক হবে. যদি ইন্টারনেট শিল্পের ব্যবহারকারীদের সাথে সহযোগিতা করার জন্য নির্মাতাদের কখনও প্রয়োজন হয়, আমরা স্বাভাবিকভাবেই স্বাভাবিকভাবে উপযুক্ত হব।
আমি বিশ্বাস করি ইন্টারনেট শিল্পে অনেক কোম্পানি আছে যারা উদারভাবে এই পদ্ধতির অনুসরণ করছে, এবং তারা সবাই এই বিষয়ে আমাদের সাথে কাজ করছে। এমনও অনেকে আছেন যারা ভবিষ্যতে সীমানা কোথায় থাকবে তা নিয়ে উদ্বিগ্ন। এই কোম্পানিগুলির অনেকের জন্য, আমরা বিশ্বাস করি যে সময়ই বলবে।
প্রশ্ন: এজেন্টে প্রধান দেশীয় নির্মাতাদের সাথে ভিভোর সহযোগিতার বর্তমান অবস্থা কী?
গুয়ান ইয়ানবিং: ভিভো এখন তুলনামূলকভাবে খোলা মনে অনেক বড় নির্মাতাদের সাথে সহযোগিতা করছে, যার মধ্যে রয়েছে AutoNavi, Baidu এবং Ant's Alipay। আমরা ইতিমধ্যে আজ অনেক সহযোগিতা আছে. ভবিষ্যতে, OS6 পরের মাসে অনেক এজেন্টে ধীরে ধীরে চালু হবে। আমরা এটাকে খোলা মনে মেনে নিই। আমরা বিশ্বাস করি যে এটি কালো বা সাদা নয়। এর মানে এই নয় যে এজেন্ট হওয়ার পর ঐতিহ্যবাহী ব্যবসা করা যাবে না।
প্রশ্ন: গত বছর, ভিভো এখনও 175B সুপার-লার্জ মডেল নিয়ে আলোচনা করছিল, কিন্তু এখন ফোকাস 3B প্রান্ত AI-তে স্থানান্তরিত হয়েছে। কেন?
Zhou Wei: গত বছর, আমরা 13B এবং 7B ক্লায়েন্ট-সাইড মডেল বাস্তবায়ন করেছি। শেষ পর্যন্ত, আমরা দেখতে পেলাম যে শুধুমাত্র 7B মডেলটি উৎপাদনের জন্য প্রস্তুত। যাইহোক, 7B মডেলটি মোবাইল ফোনে ভালভাবে চলে না, কারণ এটি প্রচুর মেমরি গ্রহণ করে। এই বছর, আমরা আবিষ্কার করেছি যে 3B মডেলটি অনেক ভালো পারফর্ম করেছে।
কেন আমরা এই পছন্দ আছে? কারণ আমরা এখনও বাক্সটি খুলিনি। ক্লায়েন্ট-সাইড মডেল ফোনে কী করছে তা বোঝার জন্য, আমাদের প্রথমে ফোনে কী ঘটছে তা সনাক্ত করতে হবে।
প্রথমত, এটি ক্রমাগতভাবে লোকেরা তাদের ফোনে সঞ্চালিত বিভিন্ন ক্রিয়াকে স্বীকৃতি দেয়। উদাহরণস্বরূপ, শুধুমাত্র Vivo ফোন এটি করতে পারে। আপনি যদি একটি আইকন অনুসন্ধান করেন, পাঠ্যের একটি লাইন নির্বাচন করতে সোয়াইপ করেন বা একটি পৃষ্ঠায় সমস্ত নির্বাচন করেন, আপনি প্রতিক্রিয়া জানাতে ভিভো অ্যাটমিক দ্বীপে কিছু উপস্থিত দেখতে পাবেন। এটি অভিপ্রায় স্বীকৃতি, এবং এটি ডিভাইসের দিক থেকে সম্ভব। এবং আমরাই একমাত্র এটি করতে সক্ষম, কারণ আমাদের কাছে একটি অন-ডিভাইস মডেল রয়েছে যা রিয়েল টাইমে আপনার ক্রিয়াগুলি বিশ্লেষণ করে৷ উদাহরণস্বরূপ, এই ঠিকানাটি একটি নোটে নেভিগেশন বা এটি একটি ক্যালেন্ডারে যোগ করার জন্য বোঝানো হয়েছে? আমাদের অন-ডিভাইস মডেল রিয়েল টাইমে আপনার অভিপ্রায় শনাক্ত করে। এর মানে হল ফোনটি সম্পূর্ণরূপে কাজগুলির একটি বিস্তৃত পরিসরের সাথে সমন্বিত, যার মধ্যে অভিপ্রায় সনাক্ত করা এবং কাজগুলি ভেঙে দেওয়া। আমরা 2024 সালে শিল্পে এই বৈশিষ্ট্যটি প্রকাশ করার পরিকল্পনা করছি। আমরা আশা করি যে কিছু বিষয়ে অন্তর্দৃষ্টি পেতে এবং সঠিক পছন্দ করতে অভিজ্ঞতা প্রয়োজন।
আমরা যখন এই বছর একটি পরিষ্কার পছন্দ করেছি, তখন এর মানে এই নয় যে আমরা শুধুমাত্র 3B-তে মনোনিবেশ করেছি। আসলে, আমরা অনেক 1B মডেলে কাজ করছি। আপনার প্রশ্ন আগে জিজ্ঞাসা করেছিল যে আমরা 17.5 বিলিয়ন, 100 বিলিয়ন, বা 70 বিলিয়ন মডেলগুলিতে কাজ করা বন্ধ করতে যাচ্ছি। না, এর কারণ এই বছরের বড় মডেলগুলি গত বছরের তুলনায় আরও শক্তিশালী, যা আগের বছরের তুলনায় আরও শক্তিশালী ছিল। আমরা দেখতে পেয়েছি যে ক্লাউড-ভিত্তিক বৈশিষ্ট্যগুলি বিকাশ করা তুলনামূলকভাবে সহজ; আসল চ্যালেঞ্জটি ডিভাইস-সাইড ক্ষমতা বিকাশের মধ্যে রয়েছে।
70B (70 বিলিয়ন) প্যারামিটার সহ এই বছরের বড় মডেলটি গত বছরের 175B (175 বিলিয়ন) প্যারামিটারের চেয়ে শক্তিশালী। আমাদের 3B মডেলটি আগের 10B মডেলের চেয়ে শক্তিশালী, এবং 2023 সালে 100 বিলিয়নেরও বেশি প্যারামিটার সহ মডেলের তুলনায় ইতিমধ্যেই শক্তিশালী৷ এটি ইতিমধ্যেই আজকের শেষ দিকের কাজ এবং জটিল কাজগুলির পচন মেটাতে পারে৷ আমরা মেঘের উপর ছেড়ে দিয়েছি বলে নয়, কিন্তু কারণ এটি দুটি পর্যায়ে বিভক্ত: মেঘ হল মেঘ, এবং শেষ হল শেষ। মেঘের ক্ষমতা স্থাপন করা তুলনামূলকভাবে সহজ।
এখন বড় মডেল সম্পর্কে দুটি বিষয় আছে. একটি হল দৈনন্দিন যুক্তি এবং জটিল কাজের পচন; অন্যটি সাধারণ কৃত্রিম বুদ্ধিমত্তা । মিডিয়া এখন যুক্তি দিচ্ছে যে সাধারণ কৃত্রিম বুদ্ধিমত্তার যুগ এখনও আসেনি। প্রকৃতপক্ষে, জটিল কাজগুলির পচন, জ্ঞান অর্জন এবং পরিমার্জন ইতিমধ্যেই আমাদের চাহিদা পূরণ করতে পারে।
মোবাইল ফোন নির্মাতা হিসেবে, এআই-এর জন্য আমাদের অনুসন্ধান এবং চাহিদা আরও সক্রিয় হতে হবে। এর অর্থ হল B2B এবং B3B উভয় ক্ষেত্রেই ব্যবহারকারীর অভিপ্রায় এবং দৈনন্দিন কাজগুলি ভেঙে দেওয়া। মিডলওয়্যার, উপলব্ধি এবং কার্যকর করার জন্য আমাদের ডিভাইস-সাইড মডেলের সুবিধা নেওয়া উচিত। যাইহোক, এটা মনে হয় যে মিডিয়া খুব কমই এই শ্রেণীবিভাগকে স্পর্শ করে যখন বড় মডেল নিয়ে আলোচনা করে। সর্বোপরি, একটি ডিভাইস প্রস্তুতকারক হিসাবে, মিডিয়াতে এই ধরনের আলোচনা শুরু করা আমাদের পক্ষে কঠিন।
প্রশ্ন: 3B মডেলের মূল অগ্রগতিগুলি কী কী?
Zhou Wei: 7B-এর সাথে সবচেয়ে বড় সমস্যা ছিল যে এটির জন্য 3.5GB মেমরি প্রয়োজন। 8GB হল ফ্ল্যাগশিপ সহ মিড-রেঞ্জ এবং হাই-এন্ড ফোনের জন্য স্ট্যান্ডার্ড কনফিগারেশন। একটি বড় মডেল পাশে 4GB নেয়, শুধুমাত্র 4GB মেমরি রেখে। 4GB এখন লো-এন্ড ফোনের জন্য স্ট্যান্ডার্ড কনফিগারেশন, যা তাত্ক্ষণিকভাবে হাই-এন্ড ফোনগুলিকে লো-এন্ড ফোনে পরিণত করে। এটি আমাদের সমাধান করার জন্য প্রথম সমস্যা ছিল।
দ্বিতীয় যে সমস্যাটি আমাদের সমাধান করতে হবে তা হল যে 7B মডেলটি শুধুমাত্র সাধারণ টাস্ক পচন সম্পাদন করতে পারে এবং জটিল যুক্তি সম্পাদন করতে পারে না। উদাহরণ স্বরূপ, আপনি যদি জিজ্ঞেস করেন, "আজ বিকেল ৪টায় বেইজিং থেকে শেনজেন পর্যন্ত সবচেয়ে সস্তার ফ্লাইট খুঁজতে আমাকে সাহায্য করুন?", আপনাকে হয়তো তিন বা চারটি টিকিট বিক্রয় পরিষেবা ডাউনলোড করতে হবে এবং দামের তুলনা করতে হবে।
আপনি দেখতে পাবেন যে এটি কোন অ্যাপ, কোন অ্যাপের দাম এবং আমি কোন এয়ারলাইন ব্যবহার করি তাও বিশ্লেষণ করে। এটি একটি জটিল সমস্যা। গত বছরের 7B মডেল তা করতে পারেনি। এই বছরের 3B মডেলটি গত বছরের 7B মডেলকে ছাড়িয়ে গেছে৷ এবং সমস্ত র্যাঙ্কিংয়ে 8B মডেলের মডেলগুলিও রয়েছে, যেগুলি 7B মডেলের চেয়ে শক্তিশালী৷ আমরা বিশ্বব্যাপী খুঁজে পেতে পারি এমন প্রায় প্রতিটি 8B যুক্তি মডেলের মূল্যায়ন করেছি এবং আমাদের 3B মডেল যুক্তি, প্রবর্তক সংশ্লেষণ এবং জটিল কাজগুলিকে পচানোর ক্ষমতার ক্ষেত্রে তাদের ছাড়িয়ে গেছে।
আমরা দুটি সমস্যার সমাধান করেছি: প্রথমত, 3B এন্ড-সাইড মডেলটি শুধুমাত্র 2GB মেমরি গ্রহণ করে, যা হাই-এন্ড ডিভাইসের কর্মক্ষমতাকে প্রভাবিত করে না। আমরা এই প্রথম সমস্যাটি সমাধান করেছি। দ্বিতীয়ত, আমরা যুক্তির ক্ষমতাকে ব্যাপকভাবে উন্নত করেছি, প্রায় এটিকে মোবাইল ফোনে অভিপ্রায় নিয়ন্ত্রণ এবং টাস্ক পচনের জন্য একটি মধ্যম প্ল্যাটফর্ম হিসাবে স্থাপন করার অনুমতি দিয়েছি। উভয় সমস্যার সমাধান করা হয়েছে।
আসলে, অন্যান্য সমস্যা আছে. উদাহরণস্বরূপ, আমরা এই সময় ফাংশন সম্পর্কে খুব যত্নশীল। এই বছর আমরা 200 টোকেন অর্জন করেছি। গত বছর আমরা 80 বা তার বেশি অর্জন করেছি এবং এই বছর আমরা সরাসরি 200 টোকেন অর্জন করেছি। 200 টোকেন ইতিমধ্যেই খুব চিত্তাকর্ষক। সাধারণত যখন আমরা একটি স্ক্রীনে শব্দ উচ্চারণের দিকে তাকাই, মূলত আপনি মনে করেন যে এটির কাছাকাছি 26 থাকলে ঠিক আছে। আমরা সরাসরি 200টি টোকেন অর্জন করেছি, যা দেখায় যে টার্মিনাল সাইডে শব্দ আউটপুটের দক্ষতা সরাসরি বন্ধ হয়ে গেছে, এবং এই বিষয়ে কোন বাধা নেই।
আরও একটি বৈশিষ্ট্য রয়েছে যা আপনি লক্ষ্য করেননি, তবে এটি আসলেই বিপ্লবী। ডিপসিকের আগে, "চাঁদের অন্ধকার দিক" নামে একটি বড় মডেল ছিল, যার সবচেয়ে বড় বৈশিষ্ট্য ছিল দীর্ঘ টোকেন, যা আমরা এবারও প্রয়োগ করেছি। এটি একটি বিশাল অগ্রগতি, এবং আমরা এটিতে একটি দুর্দান্ত কাজ করেছি। যাইহোক, যেহেতু এটি খুব নতুন, ব্যবহারকারীদের সুবিধাগুলি দেখতে আরও ছয় মাস সময় লাগতে পারে। তাই আপনার প্রশ্নে কিছু উল্লেখ করা হয়েছে যা আমরা এই বছর কাজ করছি। আমরা ডিভাইসের পাশে দীর্ঘ টোকেন প্রয়োগ করেছি। আমরা 4GB থেকে 2GB পর্যন্ত মেমরি বাড়িয়েছি, এবং আমরা 200 টোকেনের শব্দ আউটপুট গতি অর্জন করেছি। আমরা আমাদের অনুমান ক্ষমতাও উন্নত করেছি, এবং আমরা এটি সব মোবাইল ফোনে প্রয়োগ করেছি। অতএব, 2025 সালে আসল সিস্টেম 6 আমাদের কার্যকারিতার ক্ষেত্রে অপ্রত্যাশিত বিস্ময় অনুভব করতে তিন থেকে ছয় মাস সময় দেয়।
প্রশ্ন: DeepSeek এর ওপেন সোর্স আপনার উপর কোন প্রভাব ফেলে?
Zhou Wei: এটা আমাদের প্রভাবিত করেছে। আমরা 2024 সালে এই সমস্যাটি উপলব্ধি করেছি, যখন আমরা 175 বিলিয়ন-স্কেল মডেলে কাজ করছিলাম। আমরা মূলত একটি ম্যাট্রিক্স মডেল ব্যবহার করে, এটি নিচে রোল করছিলাম। যাইহোক, আমরা দ্রুত বুঝতে পেরেছি যে এমনকি একটি 10,000-কার্ড ক্লাস্টারও যথেষ্ট হবে না। আমাদের 20,000 বা ততোধিক কার্ডের ক্লাস্টার তৈরি করতে হবে, এবং শুধুমাত্র এর জন্য 2 বিলিয়নেরও বেশি সরঞ্জামের প্রয়োজন হবে, এবং এটি এখনও যথেষ্ট ছিল না। এই হারে, আমি অনুভব করেছি সাধারণ কৃত্রিম বুদ্ধিমত্তা বৃদ্ধি করা অবাস্তব।
আমরা সবাই জানি, চীনের বৃহৎ আকারের মডেলিং শিল্পে অনেক স্টার্টআপ সংগ্রাম করছে। এর কারণ হল 400 বিলিয়ন প্যারামিটার মডেল তৈরি করতে কয়েক বিলিয়ন ইউয়ান সংগ্রহ করতে কম্পিউটিং পাওয়ারের জন্য 5 বিলিয়ন ইউয়ান খরচ করতে হতে পারে। এই 5 বিলিয়ন ইউয়ানের মধ্যে এক তৃতীয়াংশ বা প্রায় 1.5 বিলিয়ন ইউয়ান বিদ্যুৎ। এই খরচ বার্ষিক বিদ্যুতের বিলের সাথে বৃদ্ধি পায়, যা এটিকে অসহনীয় করে তোলে।
যখন ডিপসিক বেরিয়ে আসে, এটি অবিলম্বে তার মাল্টি-বিলিয়ন-ডলার মডেল ক্ষমতার সাথে সবাইকে নিয়ে আসে। DeepSeek অসাধারণ ফলাফল অর্জন করেছে, সম্পূর্ণরূপে ওপেন সোর্স ছিল এবং আমাদের এটি সম্পূর্ণরূপে স্থাপন করার অনুমতি দিয়েছে। ভিভোর ব্লু হার্ট ভি, যার মধ্যে রয়েছে গভীর চিন্তার মডেল, মূলত ডিপসিকের একটি সম্পূর্ণ সংস্করণ। এটি আমাদের আত্মবিশ্বাস দিয়েছে যে আমরা অবিলম্বে চমৎকার বড় আকারের মডেলগুলি অর্জন করতে পারি।
আমাদের মত কোম্পানি যারা তাদের নিজস্ব মডেল তৈরি তাদের জন্য সুবিধা কি? এটি আমাদের 7B এবং 3B পাতন শেখার সাথে সাহায্য করে। আমি বিশ্বাস করি যে ডিপসিক আমাদের মতো কোম্পানিগুলির জন্য একটি অসাধারণ সাহায্য এবং উন্নতি, যাদের মডেলগুলিকে প্রশিক্ষণ এবং অপ্টিমাইজ করতে হবে।
প্রশ্ন: কেন আমাদের এখনও 1B দরকার? ক্লায়েন্ট-সাইড সিস্টেমে এর ভূমিকা কী?
Zhou Wei: গত দুই বছরে শিল্পের যুক্তির ক্ষমতা উল্লেখযোগ্যভাবে উন্নত করার জন্য DeepSeek কে ধন্যবাদ। গত বছর, আমরা এমনকি একটি 13B মডেল তৈরি করেছি কারণ 7B মডেলটি অনেক জটিল যুক্তিযুক্ত কাজ পরিচালনা করতে পারেনি, তাই আমরা একটি 13B মডেল চালু করার আশা করেছিলাম। যাইহোক, এই বছর, আমরা আবিষ্কার করেছি যে 3B মডেলটি আমাদের 13B-এর মূল সংজ্ঞাকে ছাড়িয়ে গেছে, অনেকগুলি ভবিষ্যদ্বাণী সক্ষম করে যা আগে সামান্য বড় অন-ডিভাইস মডেলগুলিতে সীমাবদ্ধ ছিল৷ আমরা সিদ্ধান্ত নিয়েছি যে 3B মডেলের সাথে কঠোর পরিশ্রম করাই যথেষ্ট। আজ, আমি পাঠ্য সংক্ষিপ্তকরণ এবং প্রজন্ম সম্পর্কেও কথা বলেছি। 3B মডেলটি ইতিমধ্যেই ক্লাউড-ভিত্তিক ক্ষমতার প্রায় 97%-98%, পার্থক্যটিকে প্রায় অদৃশ্য করে তোলে। এটা যথেষ্ট বেশী.
কেন 1B ব্যবহার করবেন? আমরা দেখেছি যে মোবাইল ফোনে অনেক কিছু স্থায়ীভাবে সেট আপ করা দরকার। মোবাইল ফোনের জন্য শেষ দিকে বড় মডেলের প্রয়োগ আমাদের কল্পনার চেয়ে অনেক বেশি। ফোনে সবসময় একটি বড় মডেল চলছে।
কিছুক্ষণ আগে, আমি চীনের বেশ কয়েকটি সুপরিচিত হিউম্যানয়েড রোবোটিক্স ল্যাব পরিদর্শন করেছি। আমরা রোবটগুলিতেও কাজ করি এবং মূর্ত বুদ্ধিমত্তার ক্ষেত্রে আমাদের কাছে একটি বড় মডেল রয়েছে যা সর্বদা চলমান থাকে। যেমনটি আমি আজ সকালে উল্লেখ করেছি, 3B মডেলটি চালানোর সময় 750 mA খরচ করে, যা অসহনীয়। এমনকি এই শক্তি খরচ সঙ্গে, এটি এখনও নিষ্কাশন. সুতরাং, আমরা এই সম্পর্কে কি করতে পারি? আমরা একটি স্পন্দিত সিস্টেম ব্যবহার করি। আপনি কখনও কখনও এটি ব্যবহার করেন, তারপর কখনও কখনও না। যখন আপনার প্রয়োজন হয়, এটি জেগে ওঠে, কিন্তু বেশিরভাগ সময় এটি ব্যবহার করা হয় না। সামগ্রিকভাবে, এটি দিনে মাত্র কয়েক ঘন্টা খরচ করে, যা সম্পূর্ণ সাশ্রয়ী। এটি গেম খেলা বা ফটো তোলার চেয়ে অনেক বেশি শক্তি-দক্ষ।
যাইহোক , এমনও প্রয়োজনীয়তা রয়েছে যার জন্য 24/7 অনলাইন ডেটা প্রয়োজন, যেমন ঠিকানার বেড়া, আপনার আচরণ এবং সিস্টেমের পরামিতি, যা সর্বদা অনলাইন থাকে। এর জন্য 1B প্রয়োজন। এই 1B মডেলটি জটিল যুক্তির ক্ষমতা সম্পর্কে নয়, বরং স্থানীয় মেশিনের রিয়েল-টাইম পর্যবেক্ষণ এবং স্মৃতি। অতএব, আমরা 1B-তে বেশ আক্রমনাত্মক, কিন্তু এটি কঠোরভাবে মোবাইল ফোনের জন্য এবং খুব কমই "বিতরণ করা" বা বাহ্যিকভাবে যোগাযোগ করা হয়।
অভিজ্ঞতা এবং দর্শন
প্রশ্ন: X300-এর ক্লাউড-ভিত্তিক AI ফাংশনগুলির জন্য ইতিমধ্যেই চার্জ করার প্রবণতা রয়েছে। ক্লাউড-ভিত্তিক এআই চার্জিংয়ের সীমানা কীভাবে নির্ধারণ করা হবে?
Zhou Wei: আমাদের একটি নীতি আছে: Vivo অন-ডিভাইস ইন্টিগ্রেশনের উপর বেশি মনোযোগ দেয়। ছবি শনাক্তকরণ, ভয়েস স্বীকৃতি, এবং ভবিষ্যতের যুগপত ব্যাখ্যা এবং উপভাষা স্বীকৃতি সবই ডিভাইসে, এবং এই ইন্টিগ্রেশন অবশ্যই বিনামূল্যে। যাইহোক, অন-ডিভাইস ইন্টিগ্রেশনের সাথে একটি চ্যালেঞ্জ রয়েছে: প্ল্যাটফর্মে পর্যাপ্ত কম্পিউটিং শক্তি এবং মেমরি থাকতে হবে, কমপক্ষে 8GB বা তার বেশি। এটি অবিলম্বে আরেকটি সমস্যা উপস্থাপন করে: ব্যবহারকারীদের যদি শুধুমাত্র কম-এন্ড 4GB মেশিন থাকে এবং এটি ব্যবহার করার প্রয়োজন হয়, তাহলে তারা ক্লাউড-ভিত্তিক ফাংশন অবলম্বন করতে পারে। ক্লাউড-ভিত্তিক ফাংশনগুলি, এক অর্থে, উল্লেখযোগ্য খরচ বহন করে, তাই আমরা খরচ ভাগ করে নেওয়ার কথা বিবেচনা করতে পারি। আমি মনে করি এটি একটি প্রবণতা।
প্রশ্ন: মোবাইল ফোন নির্মাতারা প্রায়ই AI বিকাশ করার সময় AI বৈশিষ্ট্যগুলির একটি চেকলিস্ট তৈরি করার ফাঁদে পড়ে। ব্যবহারকারীরা সাধারণত অভিযোগ করে যে AI বৈশিষ্ট্যগুলি অনেক বেশি এবং জটিল। কিভাবে vivo নির্ধারণ করে যে একটি বৈশিষ্ট্য সত্যিই মূল্যবান কিনা?
হুয়াং জিক্সুন: আমাদের অভ্যন্তরীণভাবে এআই অভিজ্ঞতার জন্য একটি শব্দ আছে যাকে "অচেতনতা" বলা হয়। যদিও AI শক্তিশালী বলে মনে হতে পারে, তবে এর অনুপ্রবেশ এখনও ব্যাপক নয়, যা একটি নির্দিষ্ট পরিমাণে ব্যবহারকারীদের জন্য এটি কীভাবে ব্যবহার করবেন তা বোঝার জন্য উল্লেখযোগ্য চ্যালেঞ্জ তৈরি করে। অতএব, আমরা AI সক্রিয় বা ব্যবহার করার জন্য একটি বোতাম টিপতে প্রয়োজনীয়তা হ্রাস করার চেষ্টা করি। পরিবর্তে, আমরা একটি বিজোড় নকশা নিয়োগ. উদাহরণস্বরূপ, একটি ফাইল সংরক্ষণ করার সময়, যদি আমি রেকর্ডিং শুরু করি, রেকর্ডিংকে বিরতি দেওয়া বা বাধা দেওয়া স্বয়ংক্রিয়ভাবে এআই ক্ষমতাগুলি সক্রিয় করে, এটির জন্য একটি নাম তৈরি করে। আমরা এটিকে "অচেতন এআই" হিসাবে সংজ্ঞায়িত করি।
এটি প্রকৃতপক্ষে এজ-সাইড 3B মডেলটি ব্যবহার করে যা সবাই আলোচনা করছে। আমরা অনেকগুলি অপ্টিমাইজেশনও করেছি, যার মধ্যে রয়েছে ফাইন-টিউনিং অন্তর্নিহিত পারফরম্যান্স শিডিউলিং এবং অপারেশন চলাকালীন পাওয়ার খরচ। আমাদের ডিজাইন ব্যবহারকারীদের এই ক্ষমতাগুলির সাথে ইন্টারঅ্যাক্ট করার প্রয়োজনীয়তা দূর করে, তাদের স্বাভাবিকভাবে বিদ্যমান ইউজার ইন্টারফেস এবং টাস্ক প্রবাহের মধ্যে এই ক্ষমতাগুলি অ্যাক্সেস করার অনুমতি দেয়, ঐতিহ্যগত ম্যানুয়াল আহ্বান এবং এআই ক্ষমতাগুলির সাথে সম্পাদনা প্রক্রিয়াগুলি প্রতিস্থাপন করে।
গত বছর, আমরা সিস্টেমের অভিজ্ঞতা পুনর্গঠনের প্রস্তাব দিয়েছিলাম। আমরা ইচ্ছাকৃতভাবে ব্যবসায়িক যুক্তি পরিবর্তন করিনি বা ব্যবহারকারীদের পুনরায় শেখাইনি কীভাবে AI OS বা AI ফোন ব্যবহার করতে হয়। পরিবর্তে, ব্যবহারকারীর মূল টাস্ক ফ্লোতে, যখন আমরা একটি নির্দিষ্ট পয়েন্টে পৌঁছাই, আমরা বিশ্বাস করি যে AI ভবিষ্যদ্বাণী করে যে ব্যবহারকারী এই পরিস্থিতির সম্মুখীন হবে এবং এই ধরনের একটি ফাংশন ব্যবহার করতে হবে এবং আমরা স্বাভাবিকভাবেই এই ফলাফল অর্জন করতে পারি। ওএস ডিজাইন করার সময় আমরা সর্বদা এটি অনুসরণ করেছি, যা "অচেতন" এআই।
আমরা কিছু পরীক্ষাও চালিয়েছি এবং দেখেছি যে যখন একটি বোতাম একটি AI ফাংশন প্রদর্শন করে, তখন বেশিরভাগ ব্যবহারকারীই অনুমানের মুহূর্তে ধরা পড়েন: এই ফাংশনটি ঠিক কী, এটি কি তাদের ডেটা ক্যাপচার করবে, নাকি এটি অপ্রত্যাশিত পরিণতির দিকে নিয়ে যাবে? অতএব, আমরা এই প্রক্রিয়া চলাকালীন নতুন বৈশিষ্ট্য বা পরিস্থিতি তৈরি করা এড়াই। AI এবং OS-কে একীভূত করার সময়, আমরা ব্যবহারকারীর বিদ্যমান টাস্ক ফ্লো বজায় রেখে এবং সম্ভাব্য সর্বাধিক স্বাভাবিক এবং নিরবচ্ছিন্ন উপায়ে এটি সম্পূর্ণ করে বিদ্যমান ব্যবহারকারীর অভ্যাসগুলিতে ফিরে যাওয়ার চেষ্টা করি। এটি "অচেতন" এর মৌলিক নীতি যা আমরা OS অভিজ্ঞতা জুড়ে মেনে চলি।
প্রশ্নঃ কিভাবে অপারেটিং সিস্টেমের স্থিতিশীলতা এবং AI এর দ্রুত পুনরাবৃত্তির ভারসাম্য বজায় রাখা যায়?
Zhou Wei: সবাই জানে, আমাদের AI টিম বছরের পর বছর ধরে অভ্যন্তরীণ ব্যবস্থাপনা থেকে স্বাভাবিকভাবেই চ্যালেঞ্জের মুখোমুখি হয়েছে, যার মধ্যে প্রসবের সময় উল্লেখযোগ্য চাপ রয়েছে। আমি মনে করি এআই টিমের কাছে শেন ওয়েই এর নির্দেশাবলী বেশ সঠিক: এআই নতুন চাহিদা তৈরি করবে না। আমাদের জন্য, মোবাইল ফোন শিল্প, মোবাইল ফোনগুলিকে আরও ব্যবহারকারী-বান্ধব করতে আমাদের AI ব্যবহার করা উচিত। আমরা যদি এই মূল আকাঙ্খায় ফিরে যাই, তাহলে আমাদের কাজটি সম্পাদন করা সহজ হবে।
দলে ফিরে, কারণ আমাদের কাছে সফ্টওয়্যারে দুই থেকে তিন হাজার লোক এবং AI-তে এক হাজারেরও বেশি লোক রয়েছে, যাদের মধ্যে জ্ঞান এবং পরিকল্পনার জন্য দায়ী ব্যক্তিরা সহ, আমরা প্রায়শই মনে করি যে আমরা AI যুগে প্রবেশ করেছি, এবং এই যুগ-নির্মাণ যুগে, আমাদের অবশ্যই সম্পূর্ণ নতুন এবং বিপ্লবী কিছু তৈরি করতে হবে। আমাদের আশেপাশের আমার অনেক বন্ধু মনে করেন যে AI-এর আগমন অবশ্যই যুগ-নির্মাণ হবে, ঠিক বাষ্পের ইঞ্জিন এবং ঘোড়ায় টানা গাড়ির মতো।
আমি মনে করি সিস্টেমের স্থায়িত্ব এবং AI এর বিঘ্নিত প্রকৃতির সাথে সবচেয়ে বড় সমস্যা হল যে আমাদের সত্যিই অনেক দূর ভ্রমণের জন্য ঘোড়ায় টানা গাড়িতে চড়ে ফিরে যেতে হবে, যা পরিবহনের একটি মাধ্যম। আপনি একটি বাষ্প ইঞ্জিন বা একটি ঘোড়া টানা গাড়ি ব্যবহার করুন কিনা পণ্য ফর্ম.
আজকাল, আমরা AI এবং মোবাইল ফোনের সংমিশ্রণ ব্যবহার করে বেশ আরামদায়ক। কি পরিবর্তন হচ্ছে? কি একই থাকার? যা একই থাকে তা হল AI এবং অপারেটিং সিস্টেমের একীকরণ। একটি কথা আছে: "সিস্টেম ফাংশনের AIization।" আমরা ফোন কল, ফোন অ্যাসিস্ট্যান্ট, ফটো অ্যালবাম, নোট এবং অন্যান্য ফাংশন এআই-চালিত হচ্ছে দেখেছি। এই ঐতিহ্যগত ফাংশন বর্ধিত হয়. কি পরিবর্তন হচ্ছে? আমি মনে করি এটাও মূল চাহিদার একটা পরিবর্তন।
উদাহরণস্বরূপ, একটি শব্দ বা একটি অ্যাপ অনুসন্ধান করার সময়, কেন আমাদের উদ্দেশ্য অনুমান করতে হবে? এই অভিপ্রায়টি শুধুমাত্র Atom Island, AutoNavi মানচিত্র বা নোটগুলিতে প্রদর্শিত হয়৷ আমাদের কি এটি স্টোরেজের জন্য আমার কাছে পাঠাতে হবে, নাকি অনুসন্ধানের জন্য Pinduoduo বা Taobao-এ সংরক্ষণ করতে হবে? আপনি দেখতে পাবেন যে ব্যবহারকারীর চাহিদা পরিবর্তিত হয়নি। আমরা কেবল উদ্দেশ্য নির্ধারণ করতে এবং আপনার আচরণের পূর্বাভাস দিতে AI ব্যবহার করি। আপনি যদি সত্যিই একটি অ্যাপ পরিত্যাগ করতে চান, তাহলে আমরা আপনাকে এটি থেকে মুক্তি পেতে সাহায্য করতে পারি। আমরা কেবল AI ব্যবহার করি এটিকে আরও সুবিধাজনক, ব্যবহার করা সহজ এবং আরও ব্যবহারকারী-বান্ধব করতে। ফোনটি একই রয়ে গেছে, কোনো নতুন বৈশিষ্ট্য যোগ করা ছাড়াই। কি পরিবর্তিত হয়েছে যে বিদ্যমান বৈশিষ্ট্য পুনর্বিবেচনা করা হয়েছে এবং আরো ব্যবহারযোগ্য করা হয়েছে.
এইভাবে চিন্তা করার পরে, আমি অনুভব করি যে আমাদের আচরণ, চিন্তাভাবনা, জ্ঞান এবং পণ্য পরিকল্পনা গত দুই বছরে স্ব-সংগতিপূর্ণ। 2023 সালে, আমি নিজেকে সামঞ্জস্যপূর্ণ অনুভব করি এবং অনুভব করি যে একটি নতুন যুগ এসেছে। আমরা যুগ সৃষ্টিকারী এবং ধ্বংসাত্মক কিছু করতে যাচ্ছি। তখন বাহ্যিক যোগাযোগ হোক বা অভ্যন্তরীণ যোগাযোগ হোক তা অত্যন্ত বেমানান ছিল। আমরা এক বছরেরও বেশি সময় ধরে বিভ্রান্ত ছিলাম, কিন্তু এই বছর থেকে আমরা খুব স্ব-সংগত ছিলাম এবং আমরা কী করছি তা খুব স্পষ্টভাবে জানি।
প্রশ্ন: এআই যুগের জন্য আপনার সামগ্রিক কৌশল কী? আপনি শুধু বলেছেন যে কৌশলগত ফোকাস শেষ দিকে সরে যাচ্ছে। তাহলে বিদ্যমান ক্লাউড প্রশিক্ষণ ক্ষমতা কীভাবে ভেঙে ফেলা হবে?
Zhou Wei: যেহেতু আমরা একটি কোম্পানি যা স্মার্ট ডিভাইসের উপর দৃষ্টি নিবদ্ধ করে, সাধারণ কৃত্রিম বুদ্ধিমত্তা নয়, তাই আমাদের কৌশলটি একটি কোম্পানি হিসাবে আমাদের যা করা উচিত তার উপর ফোকাস করা। আমাদের AI কৌশল আমাদের কোম্পানির চাহিদার সাথে সারিবদ্ধ, এবং আমরা এখনও ব্যক্তিগত বুদ্ধিমত্তার উপর দৃষ্টি নিবদ্ধ করছি। গত বছর, একটি ব্র্যান্ড "ব্লু হার্ট ইন্টেলিজেন্স" নামে একটি বিস্তৃত বিবরণ নিয়ে এসেছিল। ব্লু হার্ট ইন্টেলিজেন্স ব্যক্তিগত বুদ্ধিমত্তার প্রতিনিধিত্ব করে, যা এখনও অস্পষ্ট এবং সাধারণ। আপনি এটি ব্যবহারকারীদের জন্য "ভিআইপি ব্যক্তিগত সহকারী" হিসাবে কল্পনা করতে পারেন।
আপনি যদি একজন সহকারী খুঁজছেন, তাহলে আপনার সময়সূচী পরিচালনা করার জন্য আপনার কাছে একজন থাকতে পারে, কিন্তু আপনি সম্ভবত আইনি সহকারী, ট্যাক্স ফাইলিং সহকারী, বা স্টক ট্রেডিং সহকারী হিসাবে কাজ করতে পারবেন না। এই লোকেরা কারা করছে? আর্থিক এবং আইনি সংস্থাগুলি এটি করছে। উদাহরণ স্বরূপ, পেটেন্ট রাইটিং-এ বিশেষজ্ঞ সহকারীরা আছেন – এরা "ডেডিকেটেড অ্যাসিস্ট্যান্ট"। আমাদের লক্ষ্য হল আপনার ফোনকে আপনার ব্যক্তিগত সহকারীতে পরিণত করা। যদিও ফোন কোম্পানি এমন জিনিসগুলি পরিচালনা করতে পারে যা ব্যক্তিগতভাবে আপনার জন্য প্রাসঙ্গিক, অন্যান্য "ডেডিকেটেড" পরিষেবাগুলির জন্য একটি ডেডিকেটেড প্ল্যাটফর্ম প্রয়োজন৷ আজ সকালে, আমি ডেডিকেটেড পরিষেবা এবং ব্যবহারকারীদের মধ্যে ব্যবধান পূরণ করার জন্য আমাদের ইচ্ছার কথাও উল্লেখ করেছি, নিবেদিত সহকারীকে ব্যবহারকারীদের কাছাকাছি নিয়ে আসা। আমরা সাধারণ সহকারী উপাদান নিয়ে কাজ করছি। এটি আমাদের ব্যাপক কৌশল।
প্রশ্ন: Vivo এছাড়াও AR এবং VR চশমা তৈরি করছে। এমআর/এআর কি মোবাইল ফোন এজেন্টের সাথে সংযুক্ত হবে?
Zhou Wei: এজেন্টদের কথা বলতে গেলে, শিল্পে আসলে অনেক পরিষেবা রয়েছে যা দীর্ঘদিন ধরে বিদ্যমান। তারা নতুন নয়। কেন হঠাৎ বড় মডেলদের আবির্ভাবের পর তাদের বুদ্ধিমান এজেন্ট বলা হয়? It is because they can perceive changes around us, understand our intentions, and help us make decisions, which allows them to automatically connect services. It is because of this change that they are called intelligent agents.
原来的服务天然还在，是因为我们加了这4 个环节的建设所以变成了智能体。但是这个智能体在整个行业目前已经很通俗化、很广泛应用了。为什么手机公司还要回答这个问题呢？因为手机公司是真正懂用户个人习惯的，把用户的这些个人化特征在用户的授权下给到三方的服务商，他们的智能体一下就会变得很强了。
所以手机厂商在这一点上是产生了价值的，我们在为行业做平台的建设和支撑框架的建设，只是手机厂商多了一个身份，既给行业提供服务，可能手机上面还有一些电话、日程、短信这样的功能，所以同时我们做这两件事情。
Q：所以咱们还会跟MR 设备做一些跨设备打通的考虑吗？
周围：其实MR 设备和手机最大的区别就是你得用摄像头看真实的物理世界，还要把物理世界识别出来之后再和数字世界关联，这个应用其实跟现在推的AR 眼镜是很类似的。看到什么要识别出来，这时候是要请求服务还是做介绍都有一个应对关系，因为也是OS 团队做这些事情，我们把它统一归总起来做的。
Q：今年AI 硬件这块很火，手机厂商在AI 硬件上有非常强大的优势，vivo 未来有没有往这个方面布局的规划？
周围：我们公司其实成立了人工智能终端事业部，他们也有新品的发布计划，但是时间不应该由我来公布，我们的确像vision 这样的产品，眼镜，包括公司也正式对外公布家庭机器人，这些是在做的。我们准备的东西肯定比对外官宣的东西要多。
今天大家也看到了我们的蓝河操作系统，其实我们蓝河操作系统已经适配了很多的芯片，包ARM 的芯片，有5-6 个芯片的适配。我们自己私下也接到了电力行业的中国企业，包括做AI 眼镜的企业也找到我们沟通。
#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。