Google DeepMind মঙ্গলবার Genie 4 ঘোষণা করেছে, রিয়েল-টাইম ইন্টারেক্টিভ সিমুলেশনের জন্য তার নতুন বিশ্ব মডেল, কোম্পানি যাকে অভূতপূর্ব বাস্তববাদ এবং নেটিভ অডিও বলে AI-উত্পাদিত পরিবেশে যা ব্যবহারকারীরা প্রাকৃতিক ভাষা দিয়ে উড়ে যেতে পারে।
একটি প্রেস ব্রিফিংয়ের পরে টেকক্রাঞ্চের কভারেজ অনুসারে, জেনি 4 ডিপমাইন্ডের তৈরি করা সবচেয়ে আলোক-বাস্তববাদী এবং ইন্টারেক্টিভ বিশ্ব তৈরি করে। ব্যবহারকারীরা একটি দৃশ্য পরিবর্তন করার জন্য প্রম্পট মিড-সিমুলেশন টাইপ করতে পারে — ক্যামেরা সরানো, আবহাওয়া পরিবর্তন করা, বা নতুন মানুষ এবং বস্তুর সাথে পরিচয় করিয়ে দেওয়া — যখন মডেলটি পরিবেষ্টিত শব্দ, সঙ্গীত এবং ইন্টারেক্টিভ কথোপকথন সহ ফ্লাইতে সিঙ্ক্রোনাইজড অডিও তৈরি করে।
ওয়ার্ল্ড মডেল - এআই সিস্টেম যা শুধুমাত্র টেক্সট ভবিষ্যদ্বাণী বা স্ট্যাটিক ইমেজ রেন্ডার করার পরিবর্তে ইন্টারেক্টিভ পরিবেশের অনুকরণ করে - এআই-এর সবচেয়ে প্রতিদ্বন্দ্বিতাপূর্ণ সীমানায় পরিণত হয়েছে। রেস ত্বরান্বিত হওয়ার সাথে সাথে AI Buzz Wire এ সর্বশেষ AI মডেলের রিলিজগুলি অনুসরণ করুন।
মিথুনের উপর নির্মিত, মিথুন দ্বারা পরিচালিত
Genie 4 গুগলের জেমিনি মডেল পরিবারের সাথে গভীরভাবে একীভূত। ডিপমাইন্ডের ঘোষণা অনুসারে, জেমিনি ওমনি বাস্তব-বিশ্বের চেহারা এবং আচরণে সিমুলেশন অ্যাঙ্কর করে, যখন অন্যান্য জেমিনি মডেলগুলি সময়ের সাথে সাথে একটি সিমুলেশন সুসংগত রাখার জন্য প্রয়োজনীয় জটিল যুক্তি প্রদান করে।
টেকক্রাঞ্চ স্থাপত্যকে বর্ণনা করেছেন মিথুন একজন পরিচালক হিসাবে অভিনয় করছেন যেটি পদক্ষেপের পরিকল্পনা করে এবং ফ্রেম চেক করে যখন জিনি ভিজ্যুয়াল তৈরি করে। জেমিনি রোবোটিক্সের সাথে যুক্ত একটি গবেষণা পরীক্ষায়, একটি জেমিনি 4 আর্গন মডেল কাজগুলিকে ধাপে ভাগ করে দেয় যা Genie 4 তখন বাস্তব সময়ে অনুকরণ করে — একটি প্রদর্শন ডিপমাইন্ড ভৌত জগতে ঘটার আগে সিমুলেশনে রোবট পরিস্থিতিগুলিকে রিহার্সাল করার সম্ভাব্য উপায় হিসাবে অবস্থান করে৷
"ভবিষ্যতে আমরা ক্রমবর্ধমানভাবে যা দেখতে পাব তা হল এই হাইব্রিড ওয়ার্ল্ড মডেল, যেখানে আপনার কাছে জেমিনি লেখার কোড এবং পাঠ্যের সংমিশ্রণ রয়েছে এবং জিনি তা বাস্তব সময়ে গ্রহণ করে এবং বিমূর্ততার বিভিন্ন স্তরে বাস্তবতাকে অনুকরণ করে," তেজস কুলকার্নি, গুগলের গবেষণা পরিচালক, একটি ব্রিফিংয়ের সময় বলেছিলেন, টেকক্রাঞ্চ অনুসারে।
অধ্যবসায় দ্বিগুণ করুন, ভাল পদার্থবিদ্যা
জেনি 3-এর উপর জেনারেশনাল লিপ - এক বছরেরও বেশি সময় আগে একটি গবেষণা পূর্বরূপ হিসাবে প্রকাশিত - যথেষ্ট। Genie 4 দুই মিনিট পর্যন্ত একটি সামঞ্জস্যপূর্ণ দৃশ্য বজায় রাখতে পারে, এর পূর্বসূরির সীমা দ্বিগুণ করতে পারে এবং টেকক্রাঞ্চ প্রতি আরও ভাল পদার্থবিদ্যা এবং আরও মানবসদৃশ অক্ষর প্রদান করে। এটি ফ্রি-ফর্ম সম্পাদনাগুলিকেও সমর্থন করে যা আগে সম্ভব ছিল না, যেমন রিয়েল টাইমে আবহাওয়া বা ক্যামেরার কোণ পরিবর্তন করা বা চলমান সিমুলেশনে নতুন লোক বা বস্তু যুক্ত করা।
মডেল ফাঁক ছাড়া হয় না. ডিপমাইন্ডের দল ব্রিফিংয়ের সময় স্বীকার করেছে যে বিশদ এবং বস্তুগুলি যত বেশি সময় ধরে সিমুলেশন চালাতে পারে, এবং কোম্পানি এখনও সমাধান করেনি কীভাবে জেনারেট করা অডিও নির্ভুল থাকে বা বিশ্বের পাঠ্য পাঠযোগ্য থাকে তা নিশ্চিত করা যায়।
একটি একত্রীকরণ বিশ্ব মডেল বাজার
বিশ্ব মডেল শিল্প একত্রিত হতে শুরু করার সাথে সাথে জিনি 4 এর আগমন। টেকক্রাঞ্চ নোট করেছে যে রানওয়ে অডিও জেনারেশন সহ একটি প্লেযোগ্য ওয়ার্ল্ড মডেল জিডব্লিউএম ওয়ার্ল্ডস 2 চালু করার কয়েক মাস পরে রিলিজটি এসেছে। ইতিমধ্যে, Fei-Fei Li এর ওয়ার্ল্ড ল্যাবগুলি AMD দ্বারা অধিগ্রহণ করা হচ্ছে, Amazon Decart কেনার জন্য আলোচনা করছে, এবং Rivian স্ব-ড্রাইভিং পরীক্ষার জন্য ঘরে সিমুলেশন ক্ষমতা আনার জন্য তৃতীয় মাত্রা অর্জন করেছে।
গুগল স্পষ্টভাবে সেই জনাকীর্ণ ক্ষেত্রের থেকে এগিয়ে থাকার চেষ্টা করছে - এবং বিনিয়োগকারীরা লক্ষ্য করেছেন। প্রেস রিপোর্টে উল্লেখ করা হয়েছে যে জিনি 4 উন্মোচনের পর অ্যালফাবেটের শেয়ার 2% এরও বেশি বেড়েছে, যা বুধবার কোম্পানির ত্রৈমাসিক আয়ের প্রতিবেদনের ঠিক আগে অবতরণ করেছে। পূর্বসূরী Genie 3 গত বছর যখন এটি আত্মপ্রকাশ করেছিল তখন ভিডিও গেমের স্টকগুলিকে ঝাঁকুনি দেয়, কারণ বিনিয়োগকারীরা এই ধারণাটি নিয়ে ঝাঁপিয়ে পড়েছিল যে রিয়েল-টাইম জেনারেটেড ওয়ার্ল্ডগুলি শেষ পর্যন্ত ঐতিহ্যগত গেমের বিকাশের সাথে প্রতিযোগিতা করতে পারে।
গেমিং থেকে ফিল্ম স্টোরিবোর্ড থেকে রোবোটিক্স পর্যন্ত
DeepMind বিশ্ব সিমুলেশনকে AGI-এর দিকে একটি গুরুত্বপূর্ণ পদক্ষেপ হিসাবে তৈরি করে, যা রোবট এবং এজেন্টদের জন্য নিরাপদ প্রশিক্ষণ পরিবেশ সক্ষম করে। পিচ করা বাণিজ্যিক ব্যবহারের ক্ষেত্রে গেমিং, ইন্টারেক্টিভ লার্নিং এবং ম্যানুফ্যাকচারিং। কোম্পানির একটি অনুমানমূলক উদাহরণ: একটি ঐতিহাসিক দৃশ্যের একটি পেইন্টিং প্রবেশ করানো এবং ইভেন্টটি চিত্রিত করা সম্পর্কে এর বিষয়গুলির সাথে চ্যাট করা।
কিন্তু প্রাথমিক ব্যবহারকারীরা অপ্রত্যাশিত কোথাও নির্দেশ করছে: ফিল্ম প্রাক-প্রোডাকশন। টেকক্রাঞ্চ প্রতি প্রেস ব্রিফিং-এর সময় গুগল ডিপমাইন্ড ইঞ্জিনিয়ার দিয়েগো রিভাস বলেন, "সৃজনশীলতার জায়গাতে প্রবাহের অবস্থা বজায় রাখা অবিশ্বাস্যভাবে উপযোগী হয়ে উঠলে বাস্তব সময়ের দিকটি সবচেয়ে মূল্যবান হয়ে ওঠে।" "উদাহরণস্বরূপ, ধারণা পর্বে, স্টোরিবোর্ডিং পর্বে - যে কোনো সময় আপনার দ্রুত ধারণার প্রয়োজন হয়।"
বিশ্বস্ত পরীক্ষকরা ইতিমধ্যেই প্রোটোটাইপ ফিল্মগুলির জন্য জিনি 4 ব্যবহার করছেন, এবং রিভাস পরামর্শ দিয়েছেন যে ব্যবহারকারীরা শেষ পর্যন্ত জেমিনি ওমনির উপর নির্ভর করতে পারে সেই প্রোটোটাইপগুলিকে সমাপ্ত সৃজনশীল সম্পদে পরিণত করতে, যদিও তিনি জোর দিয়েছিলেন যে এই ক্ষমতাগুলি একটি উপায় বন্ধ রয়েছে৷
প্রাপ্যতা
Genie 4 এখন গবেষণা প্রিভিউতে বিশ্বস্ত পরীক্ষকদের একটি সীমিত গোষ্ঠীর কাছে নিয়ে আসছে৷ আগামী সপ্তাহগুলিতে, এটি প্রোজেক্ট জিনি-এর মাধ্যমে Google AI আল্ট্রা গ্রাহকদের কাছে পৌঁছাবে — টেক্সট বা ইমেজ প্রম্পট থেকে ইন্টারেক্টিভ ওয়ার্ল্ড তৈরি করার জন্য Google-এর টুল — সেইসাথে Gemini API এবং AI স্টুডিওতে প্রাথমিক অ্যাক্সেস অংশীদার।
বিশ্বের মডেলগুলি পরবর্তী প্ল্যাটফর্মের শিফট হয়ে উঠুক বা একটি চিত্তাকর্ষক গবেষণা ডেমো থাকুক, জিনি 4 একটি জিনিস পরিষ্কার করে: এআই-উত্পন্ন ভিডিও দেখা এবং এটির ভিতরে প্লে করার মধ্যে লাইনটি অদৃশ্য হয়ে যাচ্ছে।
এআই থেকে এগিয়ে থাকুন
প্রতিটি ফ্রন্টিয়ার মডেল রিলিজ এবং গবেষণার অগ্রগতির সাথে সাথে থাকুন — এআই বাজ ওয়্যারে আরও এআই খবর পড়ুন।
এখানে সাম্প্রতিকতম AI উন্নয়নগুলি পান।
