ওয়ার্ল্ড ল্যাবস, এআই অগ্রগামী ফেই-ফেই লি দ্বারা প্রতিষ্ঠিত স্থানিক গোয়েন্দা সংস্থা, 1 সেপ্টেম্বর, 2026-এ অ্যাটলাস প্রবর্তন করে, এটিকে তার পরবর্তী প্রজন্মের "ওমনি" বিশ্ব মডেল হিসাবে বর্ণনা করে। একটি কোম্পানির ব্লগ পোস্টে, দলটি বলেছে যে অ্যাটলাসকে স্ক্র্যাচ থেকে প্রাথমিকভাবে পাঠ্য, চিত্র, ভিডিও এবং 3D-তে কাজ করার জন্য প্রশিক্ষিত করা হয়েছে - একটি একক মডেল যা তৈরি করা, পুনর্গঠন করা এবং বিশ্বকে অনুকরণ করার জন্য তৈরি করা হয়েছে এই কাজের যে কোনও একটিতে বিশেষজ্ঞ হওয়ার পরিবর্তে৷

লঞ্চটি বিশ্ব মডেলের থিসিসের জন্য একটি মাইলফলক যা লি কোম্পানি প্রতিষ্ঠার পর থেকে চ্যাম্পিয়ন হয়েছে: যে AI এর পরবর্তী সীমানা কেবল ভাষায় নয়, এমন সিস্টেমের মধ্যে রয়েছে যা বুঝতে পারে যে কীভাবে বিশ্বগুলি উপস্থিত হয়, আচরণ করে এবং বিকশিত হয়৷ ওয়ার্ল্ড ল্যাবস প্রযুক্তিকে সৃজনশীল ব্যবহারকারীদের জন্য কাল্পনিক জগত রেন্ডার করার, উচ্চ বিশ্বস্ততার সাথে বাস্তব জগতের অনুকরণ এবং রোবটকে ক্রিয়াকলাপের পরিকল্পনা করতে সহায়তা করার ভিত্তি হিসাবে তৈরি করে। এটি এবং অন্যান্য সীমান্ত গবেষণা প্রচেষ্টা সম্পর্কে আরও জানতে, আমাদের AI শিল্প কভারেজ অন্বেষণ করুন।

একটি মডেল, একটি ভাগ করা স্থানিক প্রসঙ্গ

স্থাপত্যগতভাবে, অ্যাটলাস যাকে ওয়ার্ল্ড ল্যাবস একটি মাল্টিমডাল অটোরিগ্রেসিভ ডিফিউশন ট্রান্সফরমার বলে। একটি বৃহৎ ভাষার মডেলের মতো, এটি প্রথমে একটি প্রসঙ্গে তার ইনপুটগুলিকে এনকোড করে এবং তারপর সেই প্রসঙ্গে শর্তযুক্ত আউটপুট তৈরি করে। পার্থক্যটি স্থানিক: প্রতিটি ইনপুট চিত্র মহাকাশে একটি 3D অবস্থানে স্থাপিত হয়, যাকে কোম্পানি একটি স্থানিক প্রসঙ্গ বলে গঠন করে এবং অ্যাটলাস যা দেখেছে তার সাথে 3D-সামঞ্জস্যপূর্ণ থাকার সময় পরবর্তীতে যা আসে তা তৈরি করে — এর বাইরে কী রয়েছে তা কল্পনা করা।

এই নকশাটি এমন ক্ষমতাগুলিকে সক্ষম করে যা প্রচলিত ভিডিও জেনারেটরে বোল্ট করা বিশ্রী হবে। দুটি অসংলগ্ন রেফারেন্স ইমেজ বিভিন্ন 3D অবস্থানে প্রেক্ষাপটে স্থাপন করা যেতে পারে, এবং অ্যাটলাস এমন একটি বিশ্ব তৈরি করবে যা তাদের মধ্যে মসৃণভাবে ইন্টারপোলেট করবে, দরজা, হলওয়ে এবং ট্রানজিশন উদ্ভাবন করবে যা সম্ভবত দুটি দৃশ্যের সেতুবন্ধন করবে। কোম্পানিটি আরও বলেছে যে মডেলটি স্কেল করার জন্য তৈরি করা হয়েছে, প্রশিক্ষণের গণনা বৃদ্ধির সাথে সাথে কর্মক্ষমতা উন্নত হচ্ছে।

পিক্সেল-পারফেক্ট ক্যামেরা কন্ট্রোল এবং লং-ফর্ম ভিডিও

অ্যাটলাসের মার্কি প্রজন্মের বৈশিষ্ট্য হল ক্যামেরা-নিয়ন্ত্রিত ভিডিও। এক থেকে ছয়টি ইনপুট ছবি থেকে, মডেলটি 1440p রেজোলিউশনে এক মিনিট পর্যন্ত ভিডিও তৈরি করতে পারে, সুনির্দিষ্টভাবে নির্দিষ্ট ক্যামেরা পাথ অনুসরণ করে। ওয়ার্ল্ড ল্যাবস জোর দেয় যে ক্যামেরার জ্যামিতি হল একটি নেটিভ ইনপুট টাইপ — মোটা টেক্সট প্রম্পটের বাইরে গিয়ে — যাতে নির্মাতারা প্রতিটি শট ফ্রেম করতে এবং প্রতিটি গতি নিয়ন্ত্রণ করতে পারেন। ডেমোতে, দলটি একটি দৃশ্যের মধ্য দিয়ে একটি সুসংগত এক মিনিটের ক্লিপ তৈরি করার জন্য ক্যামেরার পাথ হাতে ডিজাইন করে, একটি স্লট মেশিনের লিভার টানার পরিবর্তে "পরিচালকের চেয়ারে" থাকার অভিজ্ঞতাকে বর্ণনা করে।

মডেলটি জটিল প্রম্পট অনুসরণ, পাঠ্য রেন্ডার এবং বিভিন্ন ভিজ্যুয়াল শৈলী তৈরি করার ক্ষমতা সহ পাঠ্য থেকে চিত্র এবং 360-ডিগ্রি প্যানোরামা তৈরি করে।

পুনর্গঠন যা বিশেষজ্ঞ মডেলদের চ্যালেঞ্জ করে

পুনর্গঠনের দিকে, ওয়ার্ল্ড ল্যাবস একটি সাহসী দাবি করে: অ্যাটলাস দুটি বা তিনটি সাধারণ চিত্র থেকে বাস্তব-বিশ্বের দৃশ্যগুলি পুনর্গঠন করে, "কেবলমাত্র 3D পুনর্গঠনের জন্য বিশেষভাবে প্রশিক্ষিত মডেলগুলির দ্বারা অত্যাধুনিক ফলাফলগুলিকে ছাড়িয়ে যায়।" কোম্পানিটি স্পার্স ইনপুট থেকে নভেল ভিউ সংশ্লেষণকে 3D কম্পিউটার ভিশনে একটি দশক-পুরানো মৌলিক সমস্যা বলে।

বাস্তব পরিবেশের বিশ্বস্ত বিনোদনের জন্য অ্যাটলাস একশোরও বেশি ইনপুট চিত্র গ্রহণ করতে পারে। একটি প্রদর্শনীতে, দলটি স্ট্যানফোর্ডের প্রধান কোয়াড টুকরো টুকরো টুকরো টুকরো টুকরো টুকরো করে দুই থেকে পঁচিশটি গ্রাউন্ড-লেভেল ফটো তৈরি করেছে, তারপরে ক্যাম্পাসের উপরে উড়ন্ত আকাশপথ তৈরি করেছে — এমন দৃশ্যগুলি পূরণ করেছে যা কখনও ক্যামেরায় ধরা পড়েনি।

ব্যবহারিক ব্যবহারের জন্য সমালোচনামূলকভাবে, অ্যাটলাস 2D ফ্রেমে থামে না। এটি নেটিভভাবে ইমেজ ফ্রেম এবং 3D গভীরতার মানচিত্রে কাজ করে, বিশ্বকে পয়েন্ট ক্লাউড বা 3D গাউসিয়ান স্প্ল্যাট হিসাবে আউটপুট করে যা উচ্চ রেজোলিউশন এবং ফ্রেম হারে ডিভাইসে রেন্ডার করে। এটি মার্বেল, ওয়ার্ল্ড ল্যাবসের প্রথম পণ্যে ব্যবহৃত একই উপস্থাপনা, তাই অ্যাটলাস আউটপুট সরাসরি কোম্পানির বিদ্যমান পাইপলাইনে প্লাগ করে।

বুলেট টাইম থেকে রোবট ট্রেনিং

রোবোটিক্সের জন্য অ্যাটলাসের সিমুলেশন ক্ষমতা সবচেয়ে গুরুত্বপূর্ণ হতে পারে। কোম্পানিটি দেখিয়েছে যে তিনটি সাধারণ সেল-ফোন ক্যামেরার ফুটেজ - যা একটি ব্যাকপ্যাকে ফিট করা ট্রাইপড এবং ক্ল্যাম্প সহ মাউন্ট করা হয়েছে - অ্যাটলাসের পক্ষে একটি দৃশ্য পুনর্গঠন করা এবং অসম্ভব কোণ থেকে "বুলেট টাইম" রিফ্রেমিং সক্ষম করার জন্য যথেষ্ট, কোনো বিশেষ ক্যাপচার স্টুডিওর প্রয়োজন নেই৷

রিয়েল-টু-সিম ওয়ার্কফ্লোগুলির জন্য, অ্যাটলাস সংক্ষিপ্ত ফোন ভিডিওগুলি থেকে স্পেস পুনর্গঠন করে এবং তারপরে RGB এবং গভীরতার ডেটা তৈরি করে একটি সিমুলেটেড রোবটের বডি-মাউন্ট করা ক্যামেরাগুলি একটি পথ ধরে পর্যবেক্ষণ করবে — বিশ্ব এবং এটিকে রোবটের দৃষ্টিভঙ্গি একই মডেল থেকে আসছে। কোম্পানি 24টি ফ্রেম ব্যবহার করে বৃহৎ স্ক্যান করা পরিবেশ জুড়ে নেভিগেশন প্রদর্শন করেছে, এছাড়াও ম্যানিপুলেশন পরিস্থিতি যেখানে সিমুলেটেড কাজগুলি বস্তু, অবস্থান এবং দৃশ্য পরিবর্তন করে পরিবর্তন করা যেতে পারে।

কেন এটা গুরুত্বপূর্ণ

বিশ্বের মডেলগুলিকে ক্রমবর্ধমানভাবে বৃহৎ ভাষার মডেলের পরিপূরক হিসাবে দেখা হচ্ছে: এলএলএমগুলি বিশ্বের বর্ণনা সম্পর্কে কারণ, যখন বিশ্ব মডেলগুলির লক্ষ্য বিশ্বের নিজেই মডেল করা - সময়ের সাথে এর জ্যামিতি, পদার্থবিদ্যা এবং গতিবিদ্যা। যদি অ্যাটলাসের দাবিগুলি বাহ্যিক তদন্তের অধীনে থাকে, তবে অ্যাপ্লিকেশনগুলি ভিএফএক্স, গেমিং, ডিজাইন, ইঞ্জিনিয়ারিং এবং রোবট প্রশিক্ষণের মধ্যে বিস্তৃত হয়, যেখানে সিন্থেটিক কিন্তু শারীরিকভাবে প্রশংসনীয় পরিবেশ নাটকীয়ভাবে কাজ করার জন্য শিক্ষার মেশিনের খরচ কমাতে পারে।

মডেলের পিছনে কোম্পানি তার নিজের অধিকারে উল্লেখযোগ্য। ওয়ার্ল্ড ল্যাবগুলি ফেই-ফেই লি দ্বারা প্রতিষ্ঠিত হয়েছিল — স্ট্যানফোর্ডের অধ্যাপক যাঁর ইমেজনেটের সৃষ্টি গভীর শিক্ষার যুগকে প্রজ্বলিত করতে সাহায্য করেছিল — জাস্টিন জনসন, বেন মিলডেনহল এবং ক্রিস্টোফ ল্যাসনারের পাশাপাশি, এবং এর বিনিয়োগকারীদের তালিকায় রয়েছে a16z, Nvidia, AMD, Intel, Adobe, Salesforce, এবং Samsung, অন্যদের মধ্যে। মার্বেল, কোম্পানির প্রথম পণ্য, ব্যবহারকারীদের ইমেজ, ভিডিও, টেক্সট এবং 3D লেআউট থেকে ক্রমাগত 3D বিশ্ব তৈরি করতে দেয় এবং ওয়ার্ল্ড ল্যাবস বলেছে যে অ্যাটলাস এর ভবিষ্যত সংস্করণগুলিকে শক্তিশালী করবে।

অ্যাটলাস এখনও সাধারণভাবে উপলব্ধ নয়: কোম্পানিটি প্রাথমিক অ্যাক্সেসের জন্য অনুরোধ নিচ্ছে। তবুও, রিলিজটি AI সিস্টেমের দিকে এখনও সবচেয়ে কংক্রিট পদক্ষেপগুলির একটিকে চিহ্নিত করে যা কেবলমাত্র ভৌত জগতকে বর্ণনা করে না, তবে এটির একটি সামঞ্জস্যপূর্ণ, পরিচালনাযোগ্য মডেল ধারণ করে।

---

এআই থেকে এগিয়ে থাকুন

সর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।

আরও এআই খবর পড়ুন →