এ বছরের বসন্ত উৎসবের সময় ওপেনক্ল একটি আলোচিত বিষয় হয়ে উঠেছিল। তবে, দুই মাসেরও কম সময়ের মধ্যে এর জৌলুস আবার কমে যায়—এরপরেই এআই অ্যাপ্লিকেশনগুলোকে ঘিরে নতুন করে গুঞ্জন শুরু হয়।
উত্তেজনা কমে গেছে, এবং পরবর্তী ওপেনক্ল কে হবে, বা এই জিনিসগুলো আসলে কী কী সমস্যার সমাধান করছে, তা কেউই জানে না।
একটি ফ্ল্যাগশিপ ক্যামেরা ফোন রাতের দৃশ্যে একটি মুখচ্ছবি তোলে, যার খুঁটিনাটি এতটাই স্পষ্ট যে চোখে জমে থাকা জলও দেখা যায়। কিন্তু ফোনটি সম্ভবত জানে না যে ব্যক্তিটি এইমাত্র কাঁদছিল কি না, এবং তাই এই অনবদ্য শিল্পকর্মটির আবেগঘন প্রেক্ষাপট বুঝতে পারে না। এরপর, টেলিফোটো ব্যবহার করে শত শত মিটার দূরে থাকা কোনো পথচারীকে কাছে আনলে, তার খুঁটিনাটি হয় অসাধারণ। কিন্তু যদি ফোনটিকে জিজ্ঞাসা করা হয়: এই ব্যক্তিটি কি তাড়াহুড়ো করছে, নাকি কিছু খুঁজছে? ফোনটি তখনও জানে না।
আজকের এজেন্টরা কোড লিখতে, ওয়েব পেজ পরিচালনা করতে এবং একটি পিডিএফকে সভার কার্যবিবরণীতে সাজাতে পারে। তারা এই সমস্ত কাজই বেশ ভালোভাবে করে। কিন্তু এই কাজগুলোর মধ্যে একটি সাধারণ মিল রয়েছে: এগুলো সবই এমন তথ্য নিয়ে কাজ করে যা ইতিমধ্যেই মানুষের দ্বারা বিন্যস্ত করা হয়েছে। ফাইল, ডেটাবেস এবং ওয়েব পেজ সবই ডিজিটাল জগতের অংশ। যখনই তারা বাস্তব জগতের মুখোমুখি হয়—একটি দরজা, একটি অঙ্গভঙ্গি, একটি অভিব্যক্তি—তখন তারা অন্ধ হয়ে যায়।
আজকের বৃহৎ মডেলগুলো এবং তথাকথিত 'দেহগত বুদ্ধিমত্তা', যা ভৌত জগৎকে সত্যিকার অর্থে বুঝতে পারে, তার মধ্যে একটি ব্যবধান রয়েছে এবং কীভাবে এই ব্যবধান পূরণ করা যায়, তা কেউই নিশ্চিতভাবে বলতে পারে না।
বোয়াও ফোরাম ফর এশিয়াতে হু বাইশান এই গভীর খাদটি নিয়েই সবচেয়ে বেশি সময় ধরে আলোচনা করেছিলেন।
হু বাইশান ভিভো-র প্রেসিডেন্ট এবং চিফ অপারেটিং অফিসার। বোয়াও ফোরাম ফর এশিয়া-তে তিনি আইফ্যানআর-কে বলেন যে, তাঁর একটি অত্যন্ত স্পষ্ট মতামত রয়েছে: "একটি সুস্পষ্ট ভৌত মডেল উপলব্ধ হওয়ার আগে, একটি ভালো ব্যবহারকারীর অভিজ্ঞতা পেতে হলে, আমাদের ভৌত জগৎ থেকে তথ্যকে ডিজিটাল জগতে রূপান্তর করতে হবে।"
তিনি বিশ্বাস করেন যে, এটি এমন একটি কাজ যা শুধু মোবাইল ফোন দিয়ে করা যায় তাই নয়, বরং মোবাইল ফোন দিয়েই করা উচিত। এমনকি আগামী দশকেও অন্য কোনো ডিভাইসের পক্ষে এর জায়গা নেওয়া কঠিন হবে।
মেধাই আসল; এর কোনো সুরক্ষাকবচ নেই।
গত দুই বছর ধরে প্রায় সব মোবাইল ফোন নির্মাতা প্রতিষ্ঠানই ‘এআই ফোন’ নিয়ে কথা বলছে। বৃহৎ পরিসরে মডেলের সমন্বয়, ইন্টেলিজেন্ট অ্যাসিস্ট্যান্টের আপগ্রেড এবং ডিভাইসের অভ্যন্তরীণ কম্পিউটিং ক্ষমতার উন্নতি—এই বিষয়গুলো লক্ষণীয় গতিতে ক্রমশ সাধারণ হয়ে উঠছে।
গত বছর DeepSeek বাজারে আলোড়ন সৃষ্টি করে এবং এই বছর OpenClaw তীব্র আলোচনার জন্ম দিয়েছে, যার ফলে প্রত্যেকেই তাদের নিজস্ব পণ্যে সর্বাধুনিক মডেলিং সক্ষমতা অন্তর্ভুক্ত করতে উঠেপড়ে লেগেছে।
এই অস্ত্র প্রতিযোগিতার একটি অনিবার্য পরিণতি হলো: বৃহৎ আকারের মডেলগুলোর উচ্চ মাত্রার বাণিজ্যিকীকরণ, সমরূপতা এবং প্রতিস্থাপনযোগ্যতা।
পুরোটাই মডেল তৈরির দক্ষতার ওপর নির্ভরশীল; এর কোনো বিশেষ সুবিধা নেই।
আপনি আপনার প্রতিযোগীদের তিন মাস আগেই একটি বৃহৎ আকারের মডেল এবং এর ড্রাইভিং এজেন্ট কার্যকারিতা চালু করেছিলেন; তারা ছয় মাস পরে আরও শক্তিশালী মডেল ও এজেন্ট ব্যবহার করে আপনার সমকক্ষ হয়ে ওঠে। এই সময়ের সুবিধা, ব্যয়িত অর্থ ও শ্রম, অতিরিক্ত জনবল এবং কর্মচারীদের স্বাস্থ্যের ক্ষতির মূল্য কী?
সুতরাং, প্রকৃত পার্থক্য কেবল অন্যত্রই পাওয়া যেতে পারে।
ভিভোর উত্তর হলো "উপলব্ধি"।
পারসেপশন হলো একটি নতুন প্রযুক্তি ধারা যা ভিভো সম্প্রতি প্রতিষ্ঠা করেছে।
চীনা ও বিদেশী ইন্টারনেট কোম্পানি এবং মোবাইল ফোন ব্র্যান্ডগুলো "এআই ফোন" বাজারে তাদের প্রবেশ ত্বরান্বিত করছে। শিল্পটি একসময় মনে করত যে মডেলের সক্ষমতা মোবাইল ফোন নির্মাতাদের জন্য একটি প্রতিযোগিতামূলক সুবিধা হয়ে উঠবে।
হু বাইশানের মতে, বিষয়টি এমন নয়। "মডেলের তুলনায়, সঞ্চিত সিনারিও ডেটা সবচেয়ে বেশি পার্থক্যযুক্ত।" এরপর তিনি যোগ করেন, "অবশ্যই, আমাদের এটি করতেই হবে। যদি আমরা এটি করতে যাই, তবে আমাদের জন্য কোনটি উপযুক্ত তা খুঁজে বের করা উচিত। আমরা এটি ধীরে ধীরে বা পরে করতে পারি, তাতেও কোনো সমস্যা নেই।"
যখন তাকে জিজ্ঞাসা করা হলো, "আপনি যদি বৃহৎ ল্যাঙ্গুয়েজ মডেল নিয়ে আশাবাদী না হন, তাহলে কি ভিভো ওয়ার্ল্ড মডেলের ওপর মনোযোগ দেবে?", তার উত্তরটি ছিল আরও সংযত কিন্তু সরাসরি: "ওয়ার্ল্ড মডেলগুলোও অনেক বড়। আমরা এমন একটি প্রযুক্তিগত পথ খুঁজে নেব যা আমাদের জন্য উপযুক্ত। আমরা প্রথমে মোবাইল ফোন মডেলটিকে নিখুঁত করার দিকে মনোযোগ দেব, এবং তারপর ছোট মডেলগুলোর দিকে।"
বর্তমানে, এআই/ইন্টারনেট প্রযুক্তির শীর্ষস্থানীয় কোম্পানিগুলো এক তীব্র মেধা যুদ্ধে লিপ্ত, যেখানে সেরা গবেষকদের এনবিএ সুপারস্টারদের মতো খোঁজা হচ্ছে এবং ট্রান্সফার ফি ক্রমাগত রেকর্ড ভাঙছে। তবে, হু বাইশান মনে করেন না যে ভিভোর এই আগুনে ঘি ঢালা উচিত। তিনি আইফ্যানরকে বলেন যে, কোনো পদক্ষেপ নেওয়ার আগে কৌশল স্পষ্ট করা, দিকনির্দেশনা চিহ্নিত করা এবং প্রযুক্তি প্ল্যাটফর্ম নির্ধারণ করার জন্য কখনোই খুব দেরি হয়ে যায় না।
এমন এক সময়ে যখন সবাই মডেলের সক্ষমতা এবং এআই প্রতিভার ভান্ডার নিয়ে প্রতিযোগিতা করছে, তখন সিইও সরাসরি গণমাধ্যমের সামনে ভিভোর শক্তি ও দুর্বলতার পাশাপাশি এর কর্মপরিকল্পনাও তুলে ধরেছেন। এই অকপটতা প্রশংসার যোগ্য: ভিভোর এই স্থির ও সতর্ক পদ্ধতির পেছনের আসল উদ্দেশ্যটা কী?
হু বাইশান জবাবে বলেন যে, ভিভো কখনোই প্রতিযোগিতা থেকে পিছপা হয় না। মডেল এবং কম্পিউটিং ক্ষমতার তুলনায়, ভবিষ্যতে সবচেয়ে বড় পার্থক্য গড়ে দেবে সিনারিও ডেটা।
দৃশ্য উপাত্ত ব্যবহারের আচরণের মাধ্যমে ক্রমান্বয়ে সঞ্চিত হয়; এটি গণহারে উৎপাদন করা যায় না বা কোনো সংক্ষিপ্ত পথে অর্জন করা যায় না— বিশেষ করে চিত্র উপাত্তের ক্ষেত্রে এটি বিশেষভাবে সত্য। দশ বছর ধরে অপটিক্যাল হার্ডওয়্যার সঞ্চয়ের মাধ্যমে বিকশিত এবং বাস্তব জগতের পরিস্থিতিতে প্রশিক্ষিত উপলব্ধিমূলক বিচার-বিবেচনার কোনো সংক্ষিপ্ত পথ নেই।
এই সঞ্চিত অভিজ্ঞতা ও বিচার-বিবেচনাই ভিভোর পরবর্তী উদ্যোগ ‘উপলব্ধি’-র ভিত্তি তৈরি করে। এগুলো এমন বিষয় যা অন্যরা (প্রতিযোগী হোক বা ইন্টারনেট/এআই কোম্পানি) কেবল চাইলেই নিজেরা অর্জন করতে পারে।
এটি আমাদের কিছুক্ষণ আগে আলোচিত বিশাল ব্যবধানটির দিকে ফিরিয়ে নিয়ে আসে। বড় মডেলগুলোর প্রশিক্ষণের ডেটা হলো ইন্টারনেটের তথ্য, যা ইতোমধ্যেই ডিজিটাইজ করা হয়েছে। তবে, বাস্তব জগতের সবচেয়ে মূল্যবান তথ্য এখনও ডিজিটাইজ করা হয়নি। যে ডেটা রূপান্তর করা যায় না বা রূপান্তর করা কঠিন, অথবা রূপান্তর করতে অত্যন্ত ব্যয়বহুল, তা বাস্তব জগতে এআই-এর অন্তর্ভুক্তির পথে একটি বাধা হয়ে দাঁড়িয়েছে।
আলো, স্থান, মুখমণ্ডল, গতিবিধি এবং আবেগ—এই জিনিসগুলো ভৌত জগতে বিদ্যমান এবং একটি মডেলের প্রক্রিয়াকরণযোগ্য ইনপুটে পরিণত হওয়ার আগে এগুলোকে উপলব্ধি ও রূপান্তরিত করতে হয়। উপলব্ধিতে যে পারদর্শী, সে-ই সেই দরজাটি নিয়ন্ত্রণ করে, যার মাধ্যমে বৃহৎ মডেলগুলো বাস্তব জগতে প্রবেশ করে।
এখন, কেউ জানে না ঐ দরজার ওপারে কী আছে, আর শেষে সেখানে কে দাঁড়িয়ে থাকবে সেটাও কেউ জানে না।
'ধারণা'র উপর বাজি ধরা
ভিভো বোঝে যে, মানুষের ধারণা কেবল একটি 'উন্নত ক্যামেরা'র চেয়েও বেশি কিছু।
হু বাইশান বলেছেন যে, ক্যামেরা হলো একটি রেকর্ডিং যন্ত্র; এটি আপনার শাটার চাপার জন্য অপেক্ষা করে। কিন্তু উপলব্ধি হলো ভিন্ন বিষয়: যা ঘটছে তা ক্রমাগত পর্যবেক্ষণ ও অনুধাবন করা এবং এই তথ্যকে এমন ইনপুটে রূপান্তরিত করা যা যন্ত্রটি সরাসরি ব্যবহার করতে পারে। আপনার কোনো রকম চালনার প্রয়োজন ছাড়াই, সপ্তাহের সাত দিন, চব্বিশ ঘণ্টা।
'রেকর্ডিং' থেকে 'উপলব্ধি'-তে উত্তরণের জন্য সিস্টেম আর্কিটেকচার পুনর্গঠন করা প্রয়োজন।
হু বাইশান এই প্রকল্পটির একটি নাম দিয়েছেন: "সমন্বিত উপলব্ধি"। আক্ষরিক অর্থে এর মানে হলো, প্রাপ্ত তথ্য এবং যন্ত্রের সিদ্ধান্ত গ্রহণকারী সিস্টেমকে অবশ্যই রিয়েল টাইমে সংযুক্ত থাকতে হবে। এটি এখনও সম্ভব নয়।
চ্যালেঞ্জটি হলো এই যে, দৃশ্য থেকে প্রাপ্ত কাঁচা ডেটা, যেমন একটি ভিডিও, একটি ছবি, বা মাইক্রোফোন দ্বারা গৃহীত শব্দ, পরিমাণে বিশাল, এর বিন্যাস বিশৃঙ্খল এবং এতে বেশিরভাগই কোলাহল থাকে। এই কাঁচা সংকেতগুলোকে এমন কাঠামোগত তথ্যে রূপান্তর করার জন্য একটি বিশেষ প্রক্রিয়াকরণ পাইপলাইনের প্রয়োজন হয়, যা মোবাইল ফোন সত্যিকার অর্থে 'বুঝতে' পারে।
"সবচেয়ে কঠিন কাজ হলো সিন ডেটাকে এমন ডেটাতে রূপান্তর করার উপায় বের করা যা মোবাইল ফোন বুঝতে পারে। এই ক্ষেত্রে ওপেন-সোর্স রিসোর্স খুব কম, তাই আমাদের নিজেদেরই অনুসন্ধান করতে হবে," তিনি বলেন।
এই কারণেই ভিভো অভ্যন্তরীণভাবে উপলব্ধিকে একটি প্রাথমিক প্রযুক্তি ধারা হিসেবে বিবেচনা করে।
"স্তর ১" এর অর্থ হলো, উপলব্ধি আর প্রতিবিম্বন বিভাগের একটি উপ-বিভাগ নয়; এটি দৃষ্টি, শ্রবণ, ঘ্রাণ এবং স্পর্শ সহ বিভিন্ন সংবেদী প্রকারের পাশাপাশি উপলব্ধির দিকগুলোকেও অন্তর্ভুক্ত করে।
তবে, ভিভোর উপলব্ধি গবেষণা ও উন্নয়ন এখনও প্রাথমিক পর্যায়ে রয়েছে। হু বাইশান ভিভোর কমিউনিকেশন রিসার্চ ইনস্টিটিউটকে একটি উপমা হিসেবে ব্যবহার করেছেন: প্রায় ২০০ জনের একটি দল, যারা দশ বছরেরও বেশি সময় ধরে 4G থেকে শুরু করে 5G পর্যন্ত ক্রমাগত বিনিয়োগ করে এখন 6G নিয়ে কাজ করছে।
পারসেপশন ট্র্যাকের ক্ষেত্রেও তার প্রত্যাশা একই রকম: ছোট ছোট দল প্রথমে বোঝাপড়া তৈরির জন্য একসাথে কাজ করবে। বোঝাপড়া স্পষ্ট হয়ে গেলে, তারা গতি বাড়াতে শুরু করবে; এবং সফটওয়্যার ও হার্ডওয়্যার ইকোসিস্টেম পরিপক্ক হয়ে উঠলে, তারা আরও গতি বাড়াবে। "এটাকে একটা ধীরগতির গতিবৃদ্ধি, একটা সর্পিল আরোহণ বলে মনে হয়। আমরা এলোমেলোভাবে গতি বাড়ানো বা কমানোকে সমর্থন করি না।"
হু বাইশান চান না যে ভিভো কোনো তাড়াহুড়োর সিদ্ধান্ত নিক বা পারসেপচুয়াল কম্পিউটিং বা অন্য কোনো খাতে যত্রতত্র টাকা ঢালুক। তিনি বিশ্বাস করেন যে পারসেপশনের সম্ভাবনা অনেক বেশি, কিন্তু এর সঠিক প্রযুক্তিগত বিবর্তনের পথ আজ পর্যন্ত কেউই স্পষ্টভাবে নির্ধারণ করতে পারেনি। "আমরা পাঁচ বা দশ বছরের চক্রে ক্রমাগত বিনিয়োগ করতে প্রস্তুত। কিন্তু এই বিষয়ে আমাদের উপলব্ধি অবশ্যই ধাপে ধাপে হতে হবে। পর্যাপ্ত বোঝাপড়া ছাড়া যত্রতত্র টাকা ঢাললে তা কেবল অসম্পূর্ণ প্রকল্পেরই জন্ম দেবে।"
পথ অনুধাবন করা একটি বিচার, কিন্তু একটি বিচার বাস্তবায়নের জন্য সহজলভ্য সঞ্চয় প্রয়োজন।
ইমেজিং-এর ক্ষেত্রে ভিভোর এক দশকের অভিজ্ঞতাই হলো এর সবচেয়ে বড় শক্তি। বিশেষত, গত দশকে এটি যা অর্জন করেছে তার দুটি স্তর রয়েছে।
প্রথম স্তরটি হলো হার্ডওয়্যার। জাইস (Zeiss)-এর সাথে সহযোগিতা এখন যৌথ গবেষণা ও উন্নয়নের এক গভীর পর্যায়ে পৌঁছেছে। এক্স৩০০ আল্ট্রা (X300 Ultra)-এর প্রধান ক্যামেরার সেন্সরের আকার বাড়িয়ে ১/১.১২ ইঞ্চি করা হয়েছে। সনি (Sony)-র সাথে সহযোগিতা সেমিকন্ডাক্টর রূপান্তর দক্ষতা উন্নত করার দিকে এগোচ্ছে। তিনি সেন্সর প্রযুক্তিতে ‘অ্যাভালঞ্চ এফেক্ট’-এর কথা উল্লেখ করেছেন, যা একটি নতুন প্রযুক্তিগত পথ এবং এটি আলোক সংবেদনশীল উপাদানের আলো রূপান্তরের হারকে ৯০% থেকে ১১০% বা তারও বেশি পর্যন্ত নিয়ে যেতে পারে।
হার্ডওয়্যারের ক্ষেত্রে, হু বাইশানের মূল্যায়ন মূলত শিল্প পর্যবেক্ষক এবং গণমাধ্যমের মতামতের মতোই: সেন্সরের আকার এমন একটি পর্যায়ে পৌঁছেছে যেখানে প্রান্তিক সুবিধা ক্রমশ হ্রাস পাচ্ছে, এবং এর বৃহত্তর সম্ভাবনা নিহিত রয়েছে রূপান্তর দক্ষতা ও বাহ্যিক ফর্ম ফ্যাক্টরের মধ্যে। X300 Ultra-এর জন্য ভিভো ইতিমধ্যেই ২০০মিমি এবং ৪০০মিমি ফিক্সড-ফোকাস টেলিকনভার্টার তৈরি করেছে, এবং আরও আসছে।
দ্বিতীয় স্তরটি অ্যালগরিদম এবং জ্ঞানীয় প্রক্রিয়া নিয়ে গঠিত।
ভিভো তিন বছর আগে তাদের বড় টেলিফোটো সেন্সর বাজারে আনে, এবং দুই বছর পর পুরো ইন্ডাস্ট্রিও তাদের অনুসরণ করে। কিন্তু হার্ডওয়্যারের দিক থেকে পিছিয়ে পড়াটা সহজ; আসল চ্যালেঞ্জ হলো ‘ঠিক ওই নির্দিষ্ট সময়ে কেন তা করা হবে’—এই সিদ্ধান্ত নেওয়া। ওই নির্দিষ্ট সময়টি বেছে নেওয়ার পেছনে ভিভোর প্রেরণা ছিল ইমেজিং জগতে নেতৃত্ব দেওয়ার ক্ষেত্রে তাদের বহু বছরের অভিজ্ঞতা—এখানে এমন কোনো শর্টকাট নেই যা নকল বা অনুকরণ করা যায়।
অ্যালগরিদম বোধশক্তির সাথে নিবিড়ভাবে সম্পর্কিত—বোধশক্তি জানে কোন পথে এগোতে হবে, এবং অ্যালগরিদম তার সাথে তাল মেলায়। এটি চাহিদা ও প্রযুক্তির এক স্বাভাবিক সংমিশ্রণ, যার সাথে প্রতিযোগীদের পক্ষে দ্রুত তাল মেলানো কঠিন।
এই যুক্তি এজ এআই-এর ক্ষেত্রেও প্রযোজ্য। এক্স৩০০ আল্ট্রা-তে ভিভো সর্বপ্রথম একটি "মাল্টি-এজেন্ট" ধারণা প্রস্তাব করেছিল, যথা:
আপনি ছবি তোলার জন্য আপনার ফোনটি তোলেন, এবং একটি এজেন্ট নির্ধারণ করে দেয় যে আপনি কীসের ছবি তুলছেন, কোন ফোকাল লেংথ ব্যবহার করতে হবে এবং আলোর অবস্থা কেমন—এই প্রক্রিয়াটি আগে ব্যবহারকারীকে নিজে হাতে করতে হতো। একই সময়ে, আরেকটি এজেন্ট আপনার ফটো অ্যালবাম সাজিয়ে দেয়, আপনার অতীতের ছবি সম্পাদনার অভ্যাসের ওপর ভিত্তি করে ফিল্টারের পরামর্শ দেয় বা স্বয়ংক্রিয়ভাবে তা যোগ করে দেয়, অথবা এটি স্বয়ংক্রিয়ভাবে কয়েকটি ক্লিপ কেটে একটি ছোট ভিডিও তৈরি করতে পারে যা সরাসরি পোস্ট করা যায়।
এটি জেমিনি বা ডৌবাও মোবাইল অ্যাসিস্ট্যান্টের মতো কোনো সমন্বিত 'সুপার এজেন্ট' নয়, বরং প্রতিটি পরিস্থিতির জন্য একটি বিশেষায়িত এজেন্ট, যা রিসোর্স শেয়ার করতে এবং নিজের কাজও করতে পারে।
হু বাইশানের যুক্তি অত্যন্ত বাস্তবসম্মত: বিদ্যমান হার্ডওয়্যারের কম্পিউটিং ক্ষমতা এমন একটি বৃহৎ এজেন্টকে সমর্থন করতে পারে না যা সবকিছু পরিচালনা করতে সক্ষম, এবং হার্ডওয়্যারের সক্ষমতার সর্বোচ্চ সীমার সাথে সমন্বয় রেখেই মোবাইল এআই-এর উন্নয়নকে উৎসাহিত করতে হবে।
এই প্রচেষ্টাগুলো ভিভোর এজ এআই ইনফারেন্সে অব্যাহত বিনিয়োগের উপর নির্ভরশীল। আইফ্যানর-এর মতে, ভিভো বর্তমানে সেই মোবাইল ফোন নির্মাতা প্রতিষ্ঠান যারা কম্পিউটিং শক্তি ক্রয়ে সবচেয়ে বেশি ব্যয় করে—শুধু ক্লাউড কম্পিউটিং শক্তির জন্যই নয়, ভবিষ্যতে ফ্ল্যাগশিপ ফোনগুলোতে ডেডিকেটেড কম্পিউটিং চিপ স্থাপনের জন্যও।
ভিভোর পদ্ধতি হলো প্রথমে সেইসব এজেন্টকে নিখুঁত করা যেগুলোর জন্য রিয়েল-টাইম প্রতিক্রিয়ার প্রয়োজন হয় না, যার বর্তমান অগ্রাধিকার হলো ইমেজিং এবং ফটো অ্যালবাম; আগামী পাঁচ থেকে দশ বছরের লক্ষ্য হলো সার্বক্ষণিক সংযোগ এবং সমস্ত ইন্দ্রিয়ের সমন্বয়ের মাধ্যমে বৈশ্বিক উপলব্ধি – এটাই চূড়ান্ত দিকনির্দেশনা।
সবকিছু সময়ের ওপর ছেড়ে দিন।
আগামী দশ বছরে ভিভো কোন পথে এগোবে?
হু বাইশান একটি মোটামুটি রূপরেখা দিয়েছেন: মোবাইল ফোন এখন ব্যবহারকারীদের জন্য মূল পণ্য এবং আগামী অন্তত ১০ বছর তা-ই থাকবে; এমআর (MR) আসতে তিন থেকে চার বছর সময় লাগবে; এবং রোবট আসতে পাঁচ বছরেরও বেশি সময় লাগবে।
এই তিনটি দিক কোনো স্বতন্ত্র বিষয় নয়; বরং এগুলোর মূলে রয়েছে একই উপলব্ধি ক্ষমতার বিভিন্ন রূপের সম্প্রসারণ।
গত বছর ভিভো ‘মস্তিষ্ক ও চোখ’-এর উপর দৃষ্টি নিবদ্ধ করে একটি রোবোটিক্স ল্যাব প্রতিষ্ঠা করেছে। বর্তমান অগ্রগতি সম্পর্কে জানতে চাইলে হু বাইশান সরাসরি বলেন: “২০২৫ সালের মধ্যে আমাদের পর্যায়ক্রমিক লক্ষ্যগুলো সম্পর্কে আরও স্পষ্ট ধারণা তৈরি হবে এবং ২০২৬ সালের মধ্যে সম্পূর্ণ যাত্রাপথের জন্য আমাদের একটি সুস্পষ্ট পরিকল্পনা থাকবে।”
কিন্তু ভিভোর জন্য এটি কোনো সমস্যা নয়।
এমন এক সময়ে যখন কোম্পানিগুলো রোবটের প্রোটোটাইপ বাজারে আনছে এবং ‘দেহী বুদ্ধিমত্তার শূন্য বছর’ দাবি করার প্রতিযোগিতায় নেমেছে, তখন তারা যে এখনও হাতে তৈরি কোনো রোবট তৈরি করেনি, তা স্বীকার করা এক বিরল সততার কাজ। হু বাইশান বলেন, “হাতে রোবট তৈরি করা আমাদের লক্ষ্য নয়।”
রোবোটিক্সের ক্ষেত্রে ভিভোর যুক্তিটি পারসেপশন ট্র্যাকে বিনিয়োগের যুক্তির মতোই: প্রথমে, লক্ষ্য ব্যবহারকারী কারা তা খুঁজে বের করা, তারপর সিনারিওগুলো নির্ধারণ করা, এরপর মূল প্রযুক্তিগত নিয়ন্ত্রণের জায়গাগুলো চিহ্নিত করা, এবং তারপর প্রযুক্তিটির পরিপক্ক হওয়ার জন্য অপেক্ষা করা।
হু বাইশান আইফ্যানরকে বলেছেন যে ভিভো এখনও তাদের প্রথম পদক্ষেপ নিয়ে কাজ করছে। তারা তরুণদের লক্ষ্য করে থাকে, আর ফ্ল্যাগশিপ মডেল থেকে শুরু করে তরুণ-কেন্দ্রিক পণ্য লাইন পর্যন্ত, ভিভো ঠিক এই জনগোষ্ঠীকেই তাদের গ্রাহকদের মন জয় করার জন্য লক্ষ্য করে আসছে। ভিভোর প্রথম প্রজন্মের হোম রোবটগুলো হয়তো পোষা প্রাণীর যত্ন এবং কাপড় ধোয়ার মতো কাজ দিয়েও শুরু হতে পারে।
কিন্তু এই দৃশ্যকল্পটি কি খুব ছোট নয়? হু বাইশান মনে করেন যে, একটি সাধারণ কাজের রোবট তৈরি করে শুরু করা যায় না; একেবারে শুরু থেকেই প্রতিটি দৃশ্যকল্পকে নিখুঁত করা অসম্ভব। যদি আপনি তা করার জেদ করেন, তবে তার শেষ ফল হবে কেবল এটাই যে, প্রতিটি দৃশ্যকল্পই ব্যর্থ হবে।
স্বীকার করতেই হবে, আজকের দিনের বুদ্ধিমান রোবটগুলো হয়তো আগে থেকে রেকর্ড করা নাচ নিখুঁতভাবে পরিবেশন করতে পারে, কিন্তু অন্যান্য ক্ষেত্রে তাদের প্রয়োজনীয় বিশ্বাসযোগ্যতার অভাব রয়েছে। বিশেষ করে বাড়ির কাজের ক্ষেত্রে, যেমন ধরুন ডিম ভাঙার কথা; এতে শতভাগ সাফল্য পেতে মানুষেরও হিমশিম খেতে হয়, আর রোবটদের পক্ষে তা করতে অন্তত দশ বছরও লাগবে না।
হু বাইশান আশা করেন যে, ভিভোর রোবটগুলো প্রথমে একটি নির্দিষ্ট কাজে ৬০-৭০% স্কোর অর্জন করে দক্ষতা অর্জন করবে, তারপর প্রজন্ম থেকে প্রজন্মান্তরে সেটিকে সাধারণীকরণ করবে, বিদ্যমান পরিস্থিতিগুলোকে উন্নত করবে এবং সবশেষে নতুন সক্ষমতা অর্জন করবে।
পোষ্যটিকে খাওয়ানোর পর দৃশ্যপটের তথ্য এসে পৌঁছায়। পর্যাপ্ত দৃশ্যপটের তথ্য থাকলে, রোবটটি জানতে পারে কুকুরটি প্রতিদিন কখন খিদে পায়, এবং ফলস্বরূপ, পরিবারটি কখন ঘুম থেকে ওঠে, আর এভাবেই পরিবারটির দৈনন্দিন ছন্দটি বোঝা যায়। শুরু থেকেই এটিকে নিখুঁত হওয়ার প্রয়োজন নেই, কারণ প্রতিটি ধাপই পরবর্তী ধাপের জন্য প্রস্তুতি নেয়। হু বাইশান এটিকে ‘পথেই প্রস্তুতি নেওয়া’ বলে অভিহিত করেন।
এই যুক্তিটি মোবাইল ডিভাইসে পারসেপশন বা উপলব্ধির উপর নির্ভর করার যুক্তির সাথে সামঞ্জস্যপূর্ণ: প্রথমে, ইমেজ এজেন্টকে ভালোভাবে উন্নত করতে হবে, এবং একবার পর্যাপ্ত সিন ডেটা পাওয়া গেলে, তখন উপলব্ধির ক্ষমতাকে বাইরের দিকে প্রসারিত করা যেতে পারে।
কিন্তু রোবটের পাশাপাশি মোবাইল ফোনের ভূমিকা কী? হু বাইশান বলেন, “মোবাইল ফোন হলো আপনার সবচেয়ে জ্ঞানী ব্যক্তিগত ডিজিটাল সহকারী। আপনার অভ্যাস, পছন্দ, এমনকি আপনি কী ধরনের পোষা প্রাণী রাখতে পছন্দ করেন—এই সবকিছুই আপনার ফোনে রয়েছে।” তিনি আরও বলেন যে, প্রাথমিক পর্যায়ে রোবট যেসব ঘাটতি পূরণ করতে পারেনি, মোবাইল ফোন দূর থেকে হস্তক্ষেপ করে তা পূরণ করতে পারে।
স্বচালিত গাড়ির প্রাথমিক দিনগুলোর মতোই, মানুষ ক্রমাগত হস্তক্ষেপ করছিল। এই হস্তক্ষেপের ফলে ডেটা তৈরি হচ্ছিল, এবং সেই ডেটা সিস্টেমটিকে আরও উন্নত করে তুলছিল। "মোবাইল ফোন এবং রোবটের মধ্যেকার দৃশ্য-ডেটা পরস্পর সংযুক্ত।"
অবশ্যই, তিনি কোনো চূড়ান্ত মন্তব্য করেননি। অন্যান্য কোম্পানিও পারসেপশন ক্ষেত্রে কাজ করছে। এদের মধ্যে রয়েছে অ্যাপল এবং গুগল, যাদের প্রত্যেকেরই নিজস্ব পারসেপশন কম্পিউটিং ফ্রেমওয়ার্ক রয়েছে। এই ক্ষেত্রে ভিভোর প্রতিযোগিতামূলক সুবিধা মূলত মোবাইল ডিভাইসের জন্য ছোট আকারের পারসেপশন মডেলের বিশেষায়িত ক্ষেত্রে নিহিত। এটি এমন একটি ক্ষেত্র যেখানে অ্যাপল ছাড়া অন্য বড় কোম্পানিগুলো আপাতত মনোযোগ দেয়নি।
এই বছর রোবট ল্যাবের জন্য হু বাইশানের কাজ হলো একটি রোডম্যাপ তৈরি করা, যার মধ্যে থাকবে: লক্ষ্য ব্যবহারকারী, মূল পরিস্থিতি, প্রধান প্রযুক্তি কেন্দ্র এবং "প্রযুক্তি বাণিজ্যিকীকরণের পর্যায়ে পরিপক্ক হওয়ার" প্রত্যাশিত সময়সীমা।
ভিভো তাদের এআই গ্লাস প্রকল্পটি স্থগিত করেছে। তিনি এর খরচ হিসাব করে দেখেছেন: বছরে কয়েক লক্ষ ইউনিট বিক্রি করেও লক্ষ্যমাত্রা পূরণ হচ্ছিল না; দুই বছরের মধ্যে স্বতন্ত্র বৈশিষ্ট্য অর্জন করা সম্ভব ছিল না; এবং বর্তমান প্রযুক্তি প্ল্যাটফর্মটি ৮০-এর বেশি এক্সপেরিয়েন্স স্কোর সমর্থন করতে পারছিল না (নাকে ৩০ গ্রামের বেশি ওজনের জিনিস পরে থাকলে ক্লান্তিকর হতো) – এই তিনটি শর্তের কোনোটিই পূরণ হয়নি, তাই প্রকল্পটি বন্ধ করে দেওয়াই সঠিক সিদ্ধান্ত ছিল।
তিন বছরের মধ্যে এটি করার কোনো তাড়া নেই; এটি কোনো প্রধান পণ্য বিভাগ নয়।
তবে, আজকের প্রেক্ষাপটে এই সিদ্ধান্তটি এখনও কিছুটা প্রচলিত ধারার পরিপন্থী বলে মনে হচ্ছে। ২০২৫ সাল নাগাদ এআই চশমা যে এই শিল্পের অন্যতম জনপ্রিয় নতুন পণ্যশ্রেণীতে পরিণত হবে, তা অনস্বীকার্য। রে-ব্যান মেটা খুব দ্রুত বিক্রি হয়ে গেছে এবং একের পর এক দেশীয় অনুকরণকারী বাজারে আসছে।
বার্ষিক সভায় প্রতিষ্ঠাতা ও সিইও শেন ওয়েই বলেছেন যে, এই বছর ভিভোর কৌশল হলো "কম বাজি ধরা, কিন্তু বড় বাজি ধরা।" ভিভো তাদের এআই গ্লাস প্রকল্পটি স্থগিত করার সিদ্ধান্ত নিয়েছে, কিন্তু পারসেপশন ট্র্যাকের মর্যাদা উন্নত করছে। এটি আসলে একই মুদ্রার দুটি পিঠ, যার পেছনের যুক্তি ও নির্বাচনের মানদণ্ড একই: একটি ট্র্যাকের সর্বোচ্চ সীমা যথেষ্ট উঁচু কিনা, ভিভোর নিজস্ব স্বতন্ত্র বৈশিষ্ট্যগুলো পর্যাপ্ত কিনা, এবং প্রযুক্তি প্ল্যাটফর্মটি দীর্ঘমেয়াদী বিনিয়োগ সমর্থন করতে পারবে কিনা।
এই পদ্ধতিটি ওপেনএআই সহ সিলিকন ভ্যালির বৃহৎ সংস্থাগুলোর সাম্প্রতিক প্রবণতার সাথে সামঞ্জস্যপূর্ণ, যেখানে তারা ‘পার্শ্ব কার্যক্রম’ পরিত্যাগ করে নিজেদের প্রকৃত শক্তির উপর মনোযোগ দিচ্ছে।
২০২৬ সালে বেছে নেওয়া পথে ভিভোর গন্তব্য কোথায় হবে? হু বাইশান এখনও এর উত্তর দিতে পারেননি। সমন্বিত উপলব্ধির প্রযুক্তিগত চ্যালেঞ্জগুলো এখনও অমীমাংসিত, ডিভাইস অংশের জন্য বিশেষ চিপের বাস্তবায়ন কঠিন, এবং রোবটের পথরেখা এই বছর সবেমাত্র আঁকা শুরু হয়েছে।
হু বাইশান এসব জানতেন এবং তা বলতে দ্বিধা করেননি। তিনি বললেন, “আমি গতি বাড়ানোর গুরুত্ব বুঝি, কিন্তু তা না করলে আমি বরং আরও ধীরে যেতে চাই।”
মোবাইল ফোন শিল্প এক অদ্ভুত মুহূর্তের সম্মুখীন হচ্ছে: ফোন বদলানোর চক্র চল্লিশ মাস পর্যন্ত দীর্ঘায়িত হয়েছে, এবং চীনা বাজারে বার্ষিক বিক্রির পরিমাণ সর্বোচ্চ ৫০ কোটিরও বেশি ইউনিট থেকে কমে এখন প্রায় ২৫ কোটি ইউনিটে নেমে এসেছে, যার ফলে বর্তমান বাজারের সর্বোচ্চ সীমা স্পষ্টভাবে দৃশ্যমান; কিন্তু কৃত্রিম বুদ্ধিমত্তার (AI) কল্যাণে সক্ষমতার যে উল্লম্ফন ঘটেছে, তা সবাইকে এই অনুভূতি দিচ্ছে যে, এর মধ্যে কোথাও যেন কিছু ক্রমবর্ধমান প্রবৃদ্ধি লুকিয়ে আছে।
হু বাইশান বিশ্বাস করেন যে, বিদ্যমান বাজারকে একটি বিকাশমান বাজারে রূপান্তরিত করার সুযোগটি স্মার্টফোন থেকে এজেন্ট ফোনে স্থানান্তরের মধ্যেই নিহিত রয়েছে। এবং তার মতে, এই সুযোগের মধ্যে ধারণা বা উপলব্ধিই হলো সবচেয়ে কঠিন প্রতিযোগিতামূলক সুবিধা, যা অনুকরণ করা مشتری।
সময়ই বলে দেবে।
iFanr-এর অফিসিয়াল WeChat অ্যাকাউন্ট: iFanr (WeChat ID: ifanr) ফলো করুন, যেখানে যত তাড়াতাড়ি সম্ভব আপনার জন্য আরও আকর্ষণীয় কন্টেন্ট উপস্থাপন করা হবে।