বিশ্ব মডেল রেসট্র্যাকটির জন্য ভাস্ট এমন একটি পথ বেছে নিয়েছিল, যা আগে কেউ কখনো অনুসরণ করেনি।

এই বছর, এজেন্ট ট্র্যাকের পাশাপাশি ওয়ার্ল্ড মডেলও এআই ইন্ডাস্ট্রিতে একটি নতুন যুদ্ধক্ষেত্রে পরিণত হয়েছে। সম্প্রতি, ফেই-ফেই লি এবং লি-কুন ইয়াং ১ বিলিয়ন ডলারের তহবিল প্রাপ্তির ঘোষণা দিয়েছেন এবং ওয়ার্ল্ড মডেলও একটি সন্ধিক্ষণে এসে দাঁড়িয়েছে।

APPSO বর্তমান বিশ্ব মডেলগুলিতে পাঁচটি প্রধান চিন্তাধারা বিশ্লেষণ করেছে, যেগুলির প্রতিটির প্রযুক্তিগত পদ্ধতি ভিন্ন। উদাহরণস্বরূপ, ইয়াং লিকুনের JEPA ধারাটি বিমূর্ত উপস্থাপনা পূর্বাভাসের উপর মনোযোগ দেয়; ফেই-ফেই লি-র স্থানিক বুদ্ধিমত্তা ধারাটি সুস্পষ্ট ত্রিমাত্রিক পুনর্গঠনের জন্য ওয়ার্ল্ড ল্যাবসের Marble ব্যবহার করে; এবং ডিপমাইন্ডের লার্নিং সিমুলেশন ধারাটি ইন্টারেক্টিভ ভার্চুয়াল পরিবেশ তৈরি করতে Genie চালু করেছে।

চ্যাটজিপিটি-র আগে আসা এই এআই পণ্ডিতরা, এমনকি এআই-এর জনক-জননীরাও, সকলেই বলেছিলেন যে বৃহৎ ভাষা মডেলের টেক্সট প্রশিক্ষণ পদ্ধতি একটি প্রতিবন্ধকতায় পৌঁছেছে। ভৌত জগৎকে বোঝার জন্য এআই-কে অবশ্যই ওয়ার্ল্ড মডেলের উপর নির্ভর করতে হবে, কিন্তু কী ধরনের 'ওয়ার্ল্ড মডেল' তৈরি করা হবে, তা নিয়ে কোনো ঐকমত্য নেই ।

সাম্প্রতিক দিনগুলোতে, এআই কোম্পানি ভাস্ট (VAST) তাদের সিরিজ এ+ এবং এ++ অর্থায়ন পর্ব সম্পন্ন করেছে এবং মোট প্রায় ২০০ মিলিয়ন ডলার সংগ্রহ করেছে। এই বছরের মার্চের শুরুতে ভাস্ট তাদের ৫০ মিলিয়ন ডলারের সিরিজ এ অর্থায়ন পর্ব সম্পন্ন করার ঠিক পরেই এই পদক্ষেপটি নেওয়া হলো।

আপনি হয়তো VAST-এর সাথে পরিচিত নন, কিন্তু Tripo 3D জেনারেশন নামটি কি পরিচিত মনে হচ্ছে? Seedance 2.0 এবং GPT Image 2 মডেলের সমন্বয় নিয়ে আমাদের পূর্ববর্তী আলোচনায় আমরা একাধিকবার উল্লেখ করেছি যে, কীভাবে GPT Image 2 দ্বারা জেনারেট করা মাল্টি-ভিউ ইমেজকে একটি 3D মডেলে রূপান্তর করতে Tripo AI ব্যবহার করা যেতে পারে ।

VAST-এর প্রধান বিজ্ঞানী কাও ইয়ানপেই বলেছেন যে, প্রথম দিন থেকেই VAST প্রকৃতপক্ষে যা করে আসছে তা হলো পরবর্তী প্রজন্মের ইন্টারেক্টিভ কন্টেন্টের জন্য অন্তর্নিহিত অবকাঠামো উন্মোচন করা এবং সাধারণ কৃত্রিম বুদ্ধিমত্তার জন্য একটি নিবেদিত বিশ্বব্যাপী ভিত্তি তৈরি করা।

এই কাজটি দুটি ধাপে বিভক্ত করা হয়েছিল: প্রথম ধাপটি ছিল " সবকিছু তৈরি করা "; দ্বিতীয় ধাপটি ছিল গতিশীলভাবে " জগৎ তৈরি করা ", যার মাধ্যমে ব্যবহারকারী এবং বুদ্ধিমান এজেন্টদের একটি ক্রমবিকাশমান এবং পরীক্ষা-নিরীক্ষা-সক্ষম সম্পূর্ণ ভার্চুয়াল পরিবেশ প্রদান করা হয়।

সবকিছু তৈরি করার জন্য এআই থ্রিডি (AI 3D) ব্যবহার করে এমন অ্যাসেট তৈরি করা হয় যা পাইপলাইন স্ট্যান্ডার্ড পূরণ করে; অন্যদিকে, একটি জগৎ তৈরি করার কাজটিই হলো ওয়ার্ল্ড মডেলের কাজ—বহু-ব্যবহারকারীর মিথস্ক্রিয়াকে সমর্থন করার জন্য স্থানিক স্কেল এবং অবস্থার বিবর্তন বোঝা।

কাও ইয়ানপেই বিশ্বাস করেন যে সাধারণ ত্রিমাত্রিক স্থির উপাদান একটি মিথস্ক্রিয়ামূলক বিশ্বকে সমর্থন করতে পারে না। উপাদানসমূহ কেবল "বিশ্বের অন্তর্নিহিত অবস্থা" এবং একটি বিশ্বকে কার্যকর করার জন্য প্রয়োজনীয় একগুচ্ছ নিয়মের এখনও অভাব রয়েছে।

পাঁচটি প্রধান স্কুলের বিপরীতে, অতীতের ওয়ার্ল্ড মডেলটি ভবিষ্যদ্বাণীর জন্য স্টেট এবং সিনকে একটি মডেলে একত্রিত করে। VAST এই দুটি জিনিসকে আলাদা করে, যেখানে নিচের স্তরটি একটি পৃথক ওয়ার্ল্ড স্টেট বজায় রাখে এবং উপরের স্তরটি চাহিদা অনুযায়ী সিন রেন্ডার করে ।

এর সুবিধাগুলো হলো: স্টেটটি স্বাধীনভাবে বিদ্যমান থাকে এবং ক্যামেরা থেকে বেরিয়ে গেলেও বস্তুগুলো অদৃশ্য হয়ে যায় না; একটি স্টেট একই সময়ে একাধিক ব্যক্তির জন্য ভিন্ন ভিন্ন দৃষ্টিকোণ উপস্থাপন করতে পারে এবং যুগপৎ বহু-ব্যক্তি মিথস্ক্রিয়া স্বাভাবিকভাবেই সম্ভব হয় ; ব্যবহারকারীদের দ্বারা জগতে করা পরিবর্তনগুলো স্টেটে সত্যিই থেকে যাবে এবং পরবর্তীতে প্রবেশকারী ব্যক্তি একই ফলাফল দেখতে পাবে।

VAST-এর প্রজেক্ট ইডেন এই যুক্তি ব্যবহার করে বিশ্ব মডেলটি পুনর্নির্মাণ করেছে। এটি বিশ্বের প্রথম বিশ্ব মডেলে পরিণত হয়েছে যা বিশ্বের অবস্থার স্বাধীন রক্ষণাবেক্ষণ এবং নিয়ততান্ত্রিক নিয়ন্ত্রণের সুযোগ দেয়।

তাহলে প্রশ্ন ওঠে: কেন বিশ্ব মডেলের অবস্থাকে ভিজ্যুয়াল থেকে আলাদা করা হলো, এবং কেন VAST সর্বপ্রথম এই পদ্ধতি গ্রহণ করলো?

মসৃণ দৃশ্য মানেই এই নয় যে পৃথিবী ঠিকঠাক চলছে।

একটি মসৃণ ভিডিও তৈরির প্রক্রিয়াকে ওয়ার্ল্ড মডেল বলা যেতে পারে। একটি স্থির ত্রিমাত্রিক দৃশ্য, যাতে নড়াচড়া করা যায়, তাকেও ওয়ার্ল্ড মডেল বলা যেতে পারে। নিয়ন্ত্রণযোগ্য দৃষ্টিকোণযুক্ত একটি দৃশ্যকেও ওয়ার্ল্ড মডেল বলা যেতে পারে।

‘বিশ্ব মডেল’ পরিভাষাটি প্রায় সবকিছুকেই অন্তর্ভুক্ত করে বলে মনে হয়।

গুগল জিনি-র ডেমো ভিডিওতে, খেলোয়াড়রা একটি চরিত্রকে নিয়ন্ত্রণ করে সামনে হাঁটে এবং সেই অনুযায়ী দৃশ্যটি তৈরি হয়। কিন্তু আপনি যদি ঘুরে দাঁড়ান, তাহলে আপনার পেছনের দৃশ্যটি বদলে যেতে পারে, অথবা এমন কিছু দেখা যেতে পারে যা আগে কখনও ছিল না, কারণ জিনি তার শেষ কয়েকটি ফ্রেমের স্মৃতির উপর ভিত্তি করে আমাদের পেছনে কী আছে তা অনুমান করে।

আমরা এই ধরনের ভিডিও জেনারেশনকে বলি। এর প্রযুক্তিগত বাস্তবায়নে, ওয়ার্ল্ড মডেলটি পরবর্তী ফ্রেমের পূর্বাভাস দেয়, মডেলটিতে মোশন ইনপুট দেওয়া হয় এবং এটিকে পরবর্তী দৃশ্য তৈরি করতে দেওয়া হয়। এই প্রক্রিয়াটির পুনরাবৃত্তির মাধ্যমে একটি বিশ্বকে সিমুলেট করা যায়।

কাও ইয়ানপেই একে "ওয়ান-শট" বলেন, যেখানে স্থান, ঘটনা, দৃষ্টিকোণ এবং বাহ্যিক রূপ—সবকিছু একটিমাত্র অটোরিগ্রেসিভ ভিডিও ফ্রেমে সংকুচিত করা হয়। ক্যামেরাটি একবার সরে গেলে, সেই স্থানের অবস্থা আর সংরক্ষিত থাকে না; যখন আপনি ফিরে তাকান, তখন মডেলটিকে শুধুমাত্র ট্রান্সফর্মারে থাকা কেভি ক্যাশে ব্যবহার করে পুনর্গঠন করা যায়।

সোজাসুজি বলতে গেলে, এটি বিশ্বকে মনে রাখে না, বরং কয়েকটি ছবির ফ্রেম মনে রাখে।

আরেক ধরনের মডেল হলো ফেই-ফেই লি-র ওয়ার্ল্ড ল্যাবস এবং টেনসেন্ট-এর এইচওয়াই ওয়ার্ল্ড, যেগুলোকে স্পেশিয়াল ইন্টেলিজেন্স ধারা বলা যেতে পারে। এই ধরনের মডেলের সবচেয়ে সাধারণ বৈশিষ্ট্য হলো এটি পুনঃব্যবহারযোগ্য ৩ডি অ্যাসেট রপ্তানি করতে পারে।

অন্য কিছু আলোচনা করার আগে, তারা প্রথমে একটি ত্রিমাত্রিক স্থান তৈরি করার চেষ্টা করেছিল, যাতে এআই জ্যামিতিক এবং ভৌত সম্পর্কগুলো সঠিকভাবে বুঝতে পারে।

উদাহরণস্বরূপ, ওয়ার্ল্ড ল্যাবস-এর মার্বেল একটি সসীম জগৎ তৈরি করতে পারে যা আমরা অবাধে অন্বেষণ করতে পারি। এই সৃষ্ট, স্থির জগতের মধ্যে দৃষ্টিকোণের সামঞ্জস্য বজায় থাকে, কারণ এর ৩ডি উপাদানগুলো স্থির থাকে। তবে, এই জগৎটি তার কালিক মাত্রাও হারিয়ে ফেলে; দৃশ্যটি তৈরির মুহূর্তেই স্থির হয়ে থাকে, যেখানে কোনো ভৌত পরিবর্তন, ঘটনা বা কার্যকারণ সম্পর্ক থাকে না।

আমরা প্রবেশ করতে পারি, কিন্তু কিছুই পরিবর্তন করতে পারি না, এবং আমাদের কাজের ফলে কোনো কিছুই বদলাবে না।

VAST-এর ক্ষেত্রে, ওয়ার্ল্ড মডেল কেবল পিক্সেল তৈরি করতে পারে না, কিংবা এটি শুধু একটি স্থির স্থানও হতে পারে না।

একটি ইন্টারেক্টিভ ওয়ার্ল্ড মডেলের অবশ্যই একটি অন্তর্নিহিত অবস্থা থাকতে হবে যা সময়ের সাথে সাথে টিকে থাকে, একই সাথে একাধিক দৃষ্টিকোণ থেকে পর্যবেক্ষণ ও জিজ্ঞাসা করা যায় এবং এই অবস্থাটি ক্রমাগত আপডেট হতে থাকে।

একটি বৃহৎ আকারের গেম তৈরি করার মতোই ওয়ার্ল্ড মডেল তৈরি করুন।

যেহেতু স্থান, ঘটনা এবং দৃষ্টিকোণের মতো অবস্থাগুলোকে একটিমাত্র দৃশ্যমান তথ্যে সংকুচিত করা অসম্ভব, তাই আসুন আমরা সেগুলোকে সম্পূর্ণরূপে আলাদা করে ফেলি।

আমরা যে ওপেন-ওয়ার্ল্ড গেমগুলো খেলি, ঠিক সেগুলোর মতোই গেম সার্ভার একটি ওয়ার্ল্ড স্টেট বজায় রাখে: কে কোথায় আছে, কী ধ্বংস হয়েছে, কোন ট্রেজার চেস্ট খোলা হয়েছে। আমাদের লোকাল ফোল্ডারে থাকা শত শত গিগাবাইট গেম ফাইলের সাথে এই স্টেটকে একত্রিত করে আমাদের কম্পিউটার স্ক্রিনটি কেবল রিয়েল-টাইম রেন্ডারিং করে।

মানচিত্রের ডেটা এবং স্ক্রিন রেন্ডারিং দুটি সম্পূর্ণ আলাদা সিস্টেম। যখন কেউ আমাদের জগতে প্রবেশ করে, তখনও সবাই স্ট্যাটিক ফাইলের একই অন্তর্নিহিত জগৎ ভাগ করে নেয়, এবং প্রত্যেকের স্ক্রিন হলো ভিন্ন ভিন্ন দৃষ্টিকোণ থেকে করা একটি রেন্ডারিং ফলাফল মাত্র।

VAST প্রজেক্ট ইডেন জেনারেটিভ এআই ব্যবহার করে এই লজিকটিকে নতুন করে লিখেছে। তারা মডেলের প্রচলিত, একক ব্ল্যাক-বক্স লজিক পরিত্যাগ করে একটি তিন-স্তরীয় অ্যালগরিদম কাঠামো ডিজাইন করেছে যা "স্টেট এবং রেন্ডারিংয়ের মধ্যে স্বাভাবিকভাবেই বিচ্ছিন্ন"।

অন্তর্নিহিত স্তরটি হলো একটি কাঠামোগত অবস্থা যা যেকোনো ক্যামেরা দৃষ্টিকোণ থেকে সম্পূর্ণ স্বাধীনভাবে এই জগতে কী বিদ্যমান এবং কী ঘটে—যেমন দৃশ্যের জ্যামিতি, বস্তুর পরিচয় এবং ঘটনার যুক্তি—তা নিয়ন্ত্রণ করে। যখন কোনো খেলোয়াড় ওয়ার্ল্ড মডেলের মধ্যে কোনো কাজ সম্পাদন করে, তখন সিস্টেমটি প্রথমে এই অন্তর্নিহিত অবস্থাটিকে হালনাগাদ করে।

মাঝখানে রয়েছে রূপান্তর স্তর, যা "বর্তমানে কে এবং কোন দৃষ্টিকোণ থেকে পর্যবেক্ষণ করছে"-এর উপর ভিত্তি করে বিশ্বের অবস্থাকে একগুচ্ছ স্থানীয় শর্তাধীন তথ্যে রূপান্তরিত করে। উদাহরণস্বরূপ, এই কাজটি সম্পাদন করার পর, এই দৃষ্টিকোণ থেকে কোন বস্তুগুলো দেখা যাবে, তাদের আনুমানিক স্থানিক সম্পর্ক কী এবং কী কী ঘটনা ঘটেছে ও পরিবর্তিত হয়েছে।

উপরের স্তরটি হলো জেনারেটিভ রেন্ডারিং, যা এই শর্তগুলোর ওপর ভিত্তি করে আলো, উপাদান এবং গতিশীল বিবরণ যোগ করে ছবিটিকে সত্যিকার অর্থে "অঙ্কন" করে।

এই বিভাজনের ফলে, ভিডিও মডেলের দায়িত্ব কেবল একটি কাজেই সীমাবদ্ধ হয়ে যায়: একটি উচ্চ-মানের রেন্ডারার হিসেবে কাজ করা । এটিকে আর পুরো জগৎ মনে রাখতে হয় না বা কোনো নির্দিষ্ট বস্তু এখনও সেখানে আছে কি না, তা অনুমান করতে হয় না; এই সবকিছুই অন্তর্নিহিত স্টেট দ্বারা পরিচালিত হয়। এর শক্তি নিহিত রয়েছে সুন্দরভাবে অঙ্কন করার মধ্যে, তাই এখন এটি সুন্দরভাবে অঙ্কন করার কাজেই মনোযোগ দিতে পারে।

একবার ওয়ার্ল্ড মডেলটি একটি স্থায়ী অন্তর্নিহিত অবস্থা বজায় রাখতে শুরু করলে, ট্রেনিং ডেটাও পরিবর্তিত হয়।

প্রজেক্ট ইডেনের সংজ্ঞা অনুসারে, ওয়ার্ল্ড মডেল প্রশিক্ষণের জন্য প্রকৃত উপযুক্ত ডেটাতে তথ্যের দুটি স্তর থাকতে হবে: অন্তর্নিহিত ইনফারেন্স অবস্থা এবং উচ্চ-মানের ভিজ্যুয়াল চিত্র। যদি এই দুটি স্তরের মধ্যে সামঞ্জস্য না থাকে, তবে এটিকে "নেটিভ ডেটা" হিসাবে বিবেচনা করা হয় না।

ডেটা কোথা থেকে আসে?

VAST, Tripo-র দীর্ঘদিনের সঞ্চিত 3D বেসিক মডেলের সক্ষমতাকে কাজে লাগিয়ে বিপুল পরিমাণ 2D ইন্টারনেট ভিডিওকে রিভার্স-ইঞ্জিনিয়ারিং করে, যার মাধ্যমে গভীরতা, ক্যামেরার অবস্থান এবং জ্যামিতিক গতিপথের মতো তথ্য পুনরুদ্ধার করা হয় এবং অন্তর্নিহিত স্থানিক অবস্থা পুনর্গঠন করা হয়।

কাও ইয়ানপেই অকপটে বলেছেন যে, এই ত্রিমাত্রিক উপলব্ধি ও তৈরির ক্ষমতা ছাড়া, "আমরা হয়তো বিশ্বের মডেল তৈরি করা শুরুও করতে পারব না।"

অন্যদিকে, গেম ইঞ্জিন থেকে অবজেক্টের স্থানাঙ্ক, সংঘর্ষের সম্পর্ক এবং অ্যাকশন ইনপুটের মতো কৃত্রিম ডেটা খুঁজে বের করে "অবস্থা ও ফলাফলের" মধ্যে একটি সম্পূর্ণ সামঞ্জস্য তৈরি করার মাধ্যমে, মডেলটি শিখতে পারে যে কোনো একটি অ্যাকশন ঘটার পর ওয়ার্ল্ড স্টেট কীভাবে পরিবর্তিত হবে।

ইন্টারনেট ভিডিও সাধারণীকরণ ও ব্যাপকতার জন্য দায়ী, অন্যদিকে ইঞ্জিন ডেটা নির্ভুলতা ও নিয়ন্ত্রণের জন্য দায়ী; একটি ছাড়া অন্যটি কাজ করতে পারে না।

এটাই হয়তো এআই জগতের ভবিষ্যৎ।

যখন বিশ্বের অবস্থা একটি স্থায়ী ও স্বাধীন ব্যবস্থায় পরিণত হয়, তখন এই স্থাপত্যগত পার্থক্যগুলো সক্ষমতার স্তরে সরাসরি প্রতিফলিত হয়।

সবচেয়ে সুস্পষ্ট পরিবর্তনটি হলো পরিবেশের স্থায়িত্ব। যখন কোনো ব্যবহারকারী প্রজেক্ট ইডেনে কোনো দৃশ্যে প্রবেশ করেন, সামনে অগ্রসর হন বা অন্য কোনো কাজ করেন, তখন তিনি তা বিদ্যমান দৃশ্যের মধ্যেই করেন। এর অন্তর্নিহিত অবস্থা অপরিবর্তিত থাকে এবং কখনো অদৃশ্য হয় না, ফলে পূর্ববর্তী ফ্রেমগুলো থেকে এটিকে পুনর্গঠন করার প্রয়োজন হয় না।

বিষয়টি হয়তো তুচ্ছ মনে হতে পারে, কিন্তু ভিডিও তৈরির প্রক্রিয়ায় এটি একটি উল্লেখযোগ্য বাধা, যা অতিক্রম করা এখনও কঠিন।

একই নীতি একাধিক খেলোয়াড়ের ক্ষেত্রেও প্রযোজ্য যারা একই জগৎ ব্যবহার করে। যখন দুইজন খেলোয়াড় একই অন্তর্নিহিত অবস্থায় প্রবেশ করে, তখন যদি খেলোয়াড় A একটি বাক্সকে একটি নির্দিষ্ট বিন্দুতে ঠেলে দেয়, তবে খেলোয়াড় B-ও বাক্সটির একই অবস্থান দেখতে পাবে। এই বিচ্ছিন্ন কাঠামোতে, একাধিক খেলোয়াড় একই জগৎ ব্যবহার করে, অবস্থার সেট থাকে মাত্র একটি, এবং প্রত্যেক খেলোয়াড় তার নিজস্ব সংস্করণ রেন্ডার করে।

কিছু ডেমোর উপর ভিত্তি করে, VAST সফলভাবে এমন দৃশ্যপট তৈরি করেছে যেখানে দুজন খেলোয়াড় একসাথে বাক্স ঠেলতে কাজ করে এবং দুটি গাড়ি একই ট্র্যাকে (ভিন্ন ভিন্ন স্ক্রিনে) দৌড় প্রতিযোগিতা করে। একটি বিশুদ্ধ ভিডিও ফ্রেমওয়ার্কের মধ্যে এটি করা কার্যত অসম্ভব; এর জন্য একটিমাত্র, গ্লোবাল স্টেটের প্রয়োজন হবে।

লক্ষ্যভেদের উদাহরণটি বিষয়টি আরও ভালোভাবে ব্যাখ্যা করে। যখন একজন খেলোয়াড় ওয়াটার গান দিয়ে গুলি ছোড়ে, তখন সিস্টেমটি লক্ষ্যের বর্তমান অভিমুখ ও আপেক্ষিক অবস্থান নিশ্চিতভাবে নির্ণয় করতে পারে, লক্ষ্যে লেগেছে কি না তা নির্ভুলভাবে গণনা করতে পারে, স্কোর রেকর্ড করতে পারে এবং এই ফলাফলটি সিস্টেমের স্টেটে স্থায়ীভাবে সংরক্ষিত থাকে।

একই ঘটনা ভিডিও জেনারেটরে দিলে ‘লক্ষ্যে জলের ঝাপটা আঘাত করার’ মতো একটি ভিডিও তৈরি হতে পারে, কিন্তু এটি নির্ভরযোগ্যভাবে ফলাফলটি সংরক্ষণ করতে পারে না।

ভিডিও জেনারেশন মডেলগুলো সাদৃশ্যের ক্ষেত্রে পারদর্শী, নির্ভুলতার ক্ষেত্রে নয়। অপরদিকে, ওয়ার্ল্ড মডেলের জন্য নির্ভুলতা প্রয়োজন। কাও ইয়ানপেই বলেছেন যে , যদি কোনো মডেল কর্ম সম্পর্কে নির্ভুল ভবিষ্যদ্বাণী ও সিদ্ধান্ত নিতে না পারে, “তবে তাকে ওয়ার্ল্ড মডেল বলা কঠিন।”

এছাড়াও রয়েছে বিভিন্ন ধরনের কাজের সাধারণীকরণ। অতীতে, বেশিরভাগ ওয়ার্ল্ড মডেল কেবল কয়েকটি কাজই সমর্থন করতে পারত—মূলত উপরে, নিচে, বামে, ডানে, এবং লাফানো, যা ডিরেকশনাল কী-গুলোর মাধ্যমে করা যেত।

প্রজেক্ট ইডেন ডেমোতে ভেড়া চরানো, আগুন নেভানো এবং নৌকা চালানোর মতো কাজও অন্তর্ভুক্ত রয়েছে। এর কারণ হলো ডিকাপলড আর্কিটেকচারের মাধ্যমে প্রাপ্ত ট্রেনিং দক্ষতার সুবিধা। স্টেট ইনফারেন্সকে একই সাথে "এই প্রক্রিয়াটি দেখতে কেমন" তা না শিখে, শুধুমাত্র "এই কাজটি করা হলে, পরবর্তী স্টেট কী হবে" তা শিখতে হয়, যা একবারে সবকিছু শেখার চেয়ে অনেক কম শ্রমসাধ্য।

যখন এই সক্ষমতাগুলো একত্রিত করা হয়, তখন এটিকে শুধু একটি হাই-ডেফিনিশন ডাইনামিক ভিডিও না হয়ে, একটি সত্যিকারের কার্যকরী বিশ্ব বলে মনে হয়।

ইডেনের স্থাপত্যশৈলী বিশ্ব মডেলের জন্য নতুন সম্ভাবনা উন্মোচন করে।

যদিও প্রজেক্ট ইডেন হলো VAST দলের প্রস্তাবিত একটি বিশ্ব মডেল গবেষণার কেবল একটি পূর্বরূপ, এর পেছনের স্থাপত্যগত সিদ্ধান্তগুলো শিল্পজগতকে দীর্ঘমেয়াদে অন্বেষণযোগ্য একটি দিকনির্দেশনা প্রদান করে।

আজকাল সবাই 'ওয়ার্ল্ড মডেল' পরিভাষাটি নিয়ে কথা বলছে, কিন্তু তারা সবাই একই জিনিসকে বোঝাচ্ছে না। কম্পিউটিং শক্তি এবং তহবিলের মতো বিষয়গুলোর পাশাপাশি, কারা স্থায়িত্ব অর্জন করতে পারে, কারা একাধিক ব্যবহারকারীকে সমর্থন করতে পারে এবং কারা দক্ষতার সাথে পরিধি বাড়াতে পারে—এইসব বিষয় ছাড়াও অংশগ্রহণকারী বাছাইয়ের ক্ষেত্রে গৃহীত পথটিও একটি ভূমিকা পালন করে।

শুধুমাত্র ভিডিওর উপর ভিত্তি করে তৈরি একটি বিশ্ব মডেল একটি সোরা ভিডিও তৈরি করতে প্রয়োজনীয় কম্পিউটিং শক্তির চেয়ে শত শত গুণ বেশি শক্তি খরচ করতে পারে, এবং সোরার মতোই, এটি বাণিজ্যিকভাবে লাভজনক পথ নাও হতে পারে।

তবে, যদি স্টেট মেইনটেন্যান্স ক্লাউডে এবং ইমেজ রেন্ডারিং লোকাল গ্রাফিক্স রেন্ডারিংয়ের মতোই ডিভাইসে করা হয়, তাহলে ব্যবহারকারীদের প্রতিটি ফ্রেমের জন্য অর্থ প্রদান করতে হবে না এবং পরিস্থিতি ভিন্ন হবে।

VAST উল্লেখ করেছে যে তাদের বিদ্যমান ৩ডি জেনারেশন প্রযুক্তিই হলো ওয়ার্ল্ড মডেল প্রশিক্ষণের জন্য ডেটার মূল উৎস। তারা তাদের ৩ডি ফাউন্ডেশনাল মডেলের সক্ষমতা ব্যবহার করে বিপুল পরিমাণ ইন্টারনেট ভিডিও রিভার্স ইঞ্জিনিয়ারিং করে, যার মাধ্যমে গভীরতা ও জ্যামিতিক গতিপথ বের করা হয় এবং সাধারণ ভিডিওকে স্টেট-অ্যানোটেড ট্রেনিং ডেটাতে রূপান্তরিত করা হয়।

প্রজেক্ট ইডেন যত অগ্রসর হবে, এবং ইঞ্জিনিয়ারিং পর্যায়ে একাধিক ব্যবহারকারীর যুগপৎ কার্যকলাপের সমস্যাগুলো আরও সমাধান হলে, এটি ব্লেন্ডারের মতো বিদ্যমান প্রচলিত ডিসিসি টুল এবং ইউই ও ইউনিটির মতো গেম ইঞ্জিনগুলোকেও ব্যাহত করতে পারে।

ওয়ার্ল্ড মডেলের জন্য আর প্রতি জেনারেশনে চার্জ করা হবে না, বরং এটি গেম ইঞ্জিন বা ক্লাউড সার্ভিস প্রোভাইডারদের সিট মডেলের মতোই কন্টেন্ট ডিস্ট্রিবিউশন এবং রানটাইমের জন্য অবকাঠামো হিসেবে ব্যবহৃত হবে।

একদিকে, এটি একটি এআই-ভিত্তিক স্যান্ডবক্স প্ল্যাটফর্ম যেখানে ব্যবহারকারীরা বাস্তব যুক্তি ব্যবহার করে ইন্টারেক্টিভ ডিজিটাল জগৎ তৈরি করতে পারেন, যা স্বাভাবিক ভাষা বা সাধারণ কার্যকলাপের মাধ্যমে মাত্র এক ক্লিকে একাধিক ব্যক্তি শেয়ার করতে পারেন, ফলে কন্টেন্ট তৈরির বাধা অনেকটাই কমে যায়।

VAST-এর লক্ষ্য হলো জগৎ তৈরির প্রবেশে বাধা কমিয়ে ছবি তোলার পর্যায়ে নিয়ে আসা। UGC ইন্টারেক্টিভ কন্টেন্ট প্ল্যাটফর্মগুলোর মতোই, এর মাধ্যমে তৈরি হওয়া জগৎগুলো ছোট ভিডিওর মতো আমাদের জীবনে প্রবেশ করে একটি নতুন ইন্টারেক্টিভ বিনোদন ইকোসিস্টেম হয়ে উঠতে পারে।

অন্যদিকে, বৈজ্ঞানিক গবেষণা এবং শিল্পের জন্য, এটি সম্পূর্ণ ভৌত নিয়ম, দীর্ঘমেয়াদী কালিক সামঞ্জস্য এবং অবাধ হস্তক্ষেপ সহ একটি সিমুলেশন পরিবেশ প্রদান করতে পারে এবং মূর্ত বুদ্ধিমত্তা প্রশিক্ষণ ও কর্মক্ষমতা মূল্যায়নের জন্য উপযোগী একটি উচ্চ-মানের সিমুলেশন বেস হয়ে উঠতে পারে।

এইভাবে বিশ্ব মডেলটি বিশ্বের জন্য একটি সত্যিকারের টেকসই ভিত্তির ক্রমশ কাছাকাছি চলে আসছে।

কাও ইয়ানপেই অভ্যন্তরীণভাবে রোডম্যাপটিকে তিনটি মাইলফলকে বিভক্ত করেছিলেন:

প্রথম ধাপ হলো স্টেট সিমুলেশন এবং ভিজ্যুয়াল প্রেজেন্টেশনকে নিখুঁতভাবে বিচ্ছিন্ন করা যায় কিনা তা যাচাই করা। প্রজেক্ট ইডেন কর্তৃক প্রকাশিত ডেমোটিই এই প্রশ্নের উত্তর।

দ্বিতীয় ধাপটি হলো অবস্থা পূর্বাভাসের সাধারণীকরণকে অতিক্রম করা, যাতে মডেলটি 'আঙুলের এক টোকায় দেয়াল ভেঙে ফেলার' মতো সাধারণীকৃত ক্রিয়াকলাপের জন্য স্ব-সামঞ্জস্যপূর্ণ ফলাফল অনুমান করতে পারে।

তৃতীয় ধাপে একাধিক ব্যবহারকারীর যুগপৎ কার্যসম্পাদন এবং অনুমান ব্যয়ের মতো কঠিন প্রকৌশলগত চ্যালেঞ্জগুলো মোকাবেলা করতে হবে। তিনি মনে করেন যে, প্রকৃত বাণিজ্যিকীকরণ একটি মধ্যম থেকে দীর্ঘমেয়াদী প্রক্রিয়া হবে।

একসময় যেমন মানুষ এআই-নির্মিত ছবি বা ভিডিও বাস্তবসম্মত কি না তা নিয়ে বিতর্ক করত, এখন এআই একবারে পোস্টার এবং প্রচারমূলক ভিডিও তৈরি করতে পারে। বিশ্ব মডেলটিও সম্ভবত একই পথে এগোচ্ছে; কার চিত্র বেশি বাস্তবসম্মত, সেই প্রশ্ন থেকে সরে এসে এখন প্রশ্ন উঠছে কার বিশ্ব নিরবচ্ছিন্নভাবে চলতে পারে, আরও স্থিতিশীলভাবে বহু-ব্যক্তির মিথস্ক্রিয়াকে সমর্থন করতে পারে এবং আরও বেশি বেশি ব্যবহারকারী-সৃষ্ট বিষয়বস্তু সঞ্চয় করতে পারে।

পরবর্তী ফ্রেমের পিক্সেলগুলোর পূর্বাভাস দেওয়া থেকে শুরু করে পরবর্তী অবস্থার অনুমান করা পর্যন্ত, ওয়ার্ল্ড মডেলের শেষ বিন্দুটি স্পষ্ট হতে শুরু করে।

iFanr-এর অফিসিয়াল WeChat অ্যাকাউন্ট iFanr (WeChat ID: ifanr) ফলো করুন, যেখানে যত তাড়াতাড়ি সম্ভব আপনার জন্য আরও আকর্ষণীয় কন্টেন্ট উপস্থাপন করা হবে।