গ্রাফিক্স অগ্রগামী টং শিন মেশি-তে যোগ দিয়েছেন মজার জন্য এআই উন্নয়নের জন্য

এআই নবায়নের পরবর্তী বড় সীমানা এখন 3ডি জেনারেশনের দিকে সরে যাচ্ছে।

মাল্টিমোডাল জেনারেশন, ওয়ার্ল্ড মডেল, স্পেসিয়াল ইন্টেলিজেন্স, এমবডিড ইন্টেলিজেন্স রোবোটস...

3D, পরবর্তী প্রজন্মের এআই-এর কেন্দ্রীয় ইঞ্জিন হয়ে উঠছে।

এখন, গ্রাফিক্স ক্ষেত্রের একজন প্রতিষ্ঠিত বিশেষজ্ঞ এবং এআই 3ডি সেগমেন্টের সবচেয়ে জনপ্রিয় স্টার কোম্পানি একসাথে কাজ করছেন।

সর্বশেষ খবর:

টং শিন হু ইয়ানমিং-এর প্রতিষ্ঠিত Meshy-এ যোগদান করেছেন।

সর্বশেষ খবর অনুযায়ী, টং শিন মেশির প্রধান বিজ্ঞানী হিসেবে যোগ দেবেন, যিনি মেশির দীর্ঘমেয়াদী গবেষণা কৌশল প্রণয়ন করবেন।

এটি বোঝাতে পারে যে চীনা গ্রাফিক্স সম্প্রদায়ের দুটি প্রতিনিধিত্বকারী প্রজন্ম—Meshy-এর প্রতিষ্ঠাতা হু ইয়ানমিং এবং টং শিন—একসাথে মাল্টিমোডাল ওয়ার্ল্ড মডেল এবং রিয়েল-টাইম ইন্টারঅ্যাকশন সিস্টেমের উন্নতিতে অগ্রসর হবেন।

টং শিন আগে ২৫ বছর ধরে মাইক্রোসফট এশিয়া রিসার্চ ইনস্টিটিউটে কাজ করেছেন, যেখানে তিনি নেটওয়ার্ক গ্রাফিক্স গ্রুপের নেতৃত্ব দিয়েছিলেন এবং গ্লোবাল রিসার্চ পার্টনার হিসেবে দায়িত্ব পালন করেছিলেন।

তার গবেষণার ক্ষেত্র কম্পিউটার গ্রাফিক্স এবং ত্রিমাত্রিক কম্পিউটার ভিশন অন্তর্ভুক্ত করে, যার মধ্যে রয়েছে ম্যাটিরিয়াল ক্যাপচার এবং মডেলিং, টেক্সচার সিনথেসিস, ত্রিমাত্রিক জিওমেট্রি প্রসেসিং এবং মডেলিং, লাইট ট্রান্সমিশন বিশ্লেষণ এবং সিমুলেশন, রিয়ালিস্টিক রেন্ডারিং, ত্রিমাত্রিক চেহারা অ্যানিমেশন।

△

কম্পিউটার গ্রাফিক্স, সহজ ভাষায়, বিষয়টি হল "কীভাবে কম্পিউটারে ত্রিমাত্রিক বিশ্ব তৈরি, নিয়ন্ত্রণ এবং প্রদর্শন করা হয়"।

এই ক্ষেত্রটি গেম, চলচ্চিত্র এবং শিল্প প্রতিকৃতির মধ্যে মৌলিক ভূমিকা পালন করে, এবং বর্তমানে এটি আরও বেশি হয়ে উঠেছে AI পরিপ্রেক্ষিত এবং প্রকাশের ভিত্তি।

তিন মাত্রিক বুঝতে না পারলে, এআই প্রকৃতপক্ষে ভৌত বিশ্বকে বুঝতে এবং প্রবেশ করতে পারবে না।

এবং টং শিন হলেন এই দিকে সবচেয়ে বেশি সময় ধরে কাজ করেছেন এবং সবচেয়ে বেশি গভীর জ্ঞান অর্জন করেছেন এমন একজন পণ্ডিত।

১৯৯৯ সালে, টং শিন তাঁর তস্বির থেকে চিংহুয়া বিশ্ববিদ্যালয় থেকে ডক্টরেট সম্পন্ন করার পর মাত্র এক বছর পুরনো মাইক্রোসফট চীন রিসার্চ ইনস্টিটিউটে যোগ দেন, যা পরবর্তীতে "চীনা বিজ্ঞান ও প্রযুক্তি জগতের হুয়াংপু সামরিক একাডেমি" নামে পরিচিত হয়।

বহু বছর ধরে এখান থেকে চীন এবং বিশ্বব্যাপী কম্পিউটার গবেষণার কাঠামোকে প্রভাবিত করা অসংখ্য কেন্দ্রীয় ব্যক্তিত্ব বেরিয়েছে—কিন্তু সেটা আরেকটি গল্প।

প্রথম গবেষকদের মধ্যে একজন হিসাবে, টং শিন ২৫ বছর ধরে এখানে থাকেন, গবেষক থেকে বিশ্বব্যাপী গবেষণা অংশীদার এবং নেটওয়ার্ক গ্রাফিক্স গ্রুপের পরিচালক পর্যন্ত পদোন্নতি পান।

চীনা কম্পিউটার গ্রাফিক্সের প্রায় সমস্ত গুরুত্বপূর্ণ মুহূর্ত অনুসরণ করেছেন।

△

এই সময়ে টং শিন বিখ্যাত জার্নাল এবং কনফারেন্সে অসংখ্য পেপার প্রকাশ করেছেন, যার জুগল স্কলার উদ্ধৃতি ২১,০০০ এর বেশি।

এই প্রযুক্তিগত গবেষণাগুলি মাইক্রোসফটকে অনেক কিছু দিয়েছে, যার মধ্যে রয়েছে Xbox গেম ডেভেলপমেন্ট API, Xbox সামঞ্জস্যপূর্ণ সফটওয়্যার, Windows 3D প্রিন্টিং ড্রাইভার এবং Direct3D গ্রাফিক্স ডেভেলপমেন্ট টুলকিট ইত্যাদি।

এছাড়াও, টং শিন আইয়ান ইনস্টিটিউটের নেটওয়ার্ক গ্রাফিক্স গ্রুপকে আরেকটি “সম্পদ” দিয়েছেন: বর্তমান চীনা গ্রাফিক্স সম্প্রদায়ের মূল শক্তি হিসেবে কাজ করার জন্য যথেষ্ট পরিমাণে প্রতিভাবান ব্যক্তি।

২৫ বছর ধরে, তিনি এখানে একের পর এক উত্কৃষ্ট গবেষকদের সাথে সহযোগিতা করেছেন, আলোচনা করেছেন এবং পরামর্শ দিয়েছেন।

জেডার জু কুন, ACM ফেলো, IEEE ফেলো, CAD&CG জাতীয় কেন্দ্রীয় প্রযুক্তি প্রতিষ্ঠানের প্রধান, তিনি চোং শিনের সাথে বহু বছর ধরে কাজ করেছেন, 3D প্রিন্টিং এবং কম্পিউটেশনাল ডিজাইন থেকে শুরু করে NeRF এবং নিউরাল রেন্ডারিং পর্যন্ত অনুসন্ধান করেছেন;

ক্লার্ক শিয়ান, তসিংহুয়া বিশ্ববিদ্যালয়ের কম্পিউটার বিজ্ঞান বিভাগের স্থায়ী সহপ্রভাষক, জাতীয় জেসিন, ডক্টরেটের সময় চোং শিনের সাথে বারবার মিলে SIGGRAPH পেপার প্রকাশ করেছেন;

উত্তর বিশ্ববিদ্যালয়ের ওয়াং পেনশুয়াই, উত্তর বিশ্ববিদ্যালয়ের ওয়াং সুয়ান ইনস্টিটিউটের সহকারী অধ্যাপক, একজন ইন্টার্ন থেকে উচ্চতর গবেষক হয়ে চোং শিনের অধীনে কাজ করেছেন, এখন তিনি ত্রিমাত্রিক জ্যামিতি শিক্ষার ক্ষেত্রের প্রতিনিধি পণ্ডিত...

যারা তার সাথে কাজ করেছেন, তাদের মধ্যে টং শিনের সম্পর্কে মূল্যায়ন প্রায়শই অসাধারণভাবে একই রকম:

সহজে বোঝা যায়, সরাসরি কাজে লেগে থাকে, অত্যন্ত বিস্তারিত প্রযুক্তিগত প্রশ্নে কঠোরভাবে আলোচনা করতে পারে এবং জটিল প্রযুক্তিগত বিষয়গুলিকে সহজ ভাষায় বুঝিয়ে দেয়।

চোং শিনের মতে, কম্পিউটার গ্রাফিক্স হল একটি কম্পিউটার প্রয়োগ বিষয়, এবং তাই সমস্ত গবেষণা প্রশ্নগুলি বাস্তব প্রয়োজনীয়তা এবং নতুন ডিভাইস, নতুন ডেটার উত্থান থেকে উদ্ভূত হয়।

এছাড়াও, টং শিন খুবই হাস্যরসপূর্ণ, যেমন তিনি নিজের গবেষণাকে এভাবে বর্ণনা করেন:

আমার পরিবার শুধু আমার রান্না করা খাবারের প্রশংসা করে, এবং প্রায়শই হাসিমুখে বলে যে আমি প্রতিদিন স্ক্রিনের উপরের 3D চা কেতলি এবং খরগোশের দিকে তাকিয়ে আনন্দে মগ্ন থাকি, কিন্তু মনে হয় আমার কাজ বিশ্বের পরিস্থিতি পরিবর্তন করতে পারে না, আবার জনগণের জীবনযাত্রা উন্নতও করতে পারে না—আমার সাফল্যের অনুভূতি কোথা থেকে আসছে, তা আমি বুঝতে পারছি না।

△

এটি গ্রাফিক্স সম্প্রদায়ের মধ্যে সকলের জানা এবং অপরিচিত নয় এমন “টং লাও”, যিনি অত্যন্ত গভীর শিক্ষাগত দক্ষতা রাখেন, কিন্তু শিশুর মতো আন্তরিক ও কৌতূহলী।

এটা খুব উপযুক্ত।

গ্রাফিক্স ক্ষেত্রে চোং শিনের এই অবস্থানের সাথে মেশির মতো স্টার ইউনিকর্ণই তুলনা করা যায়।

মেশি হল হু ইয়ানমিংয়ের এমআইটি থেকে ডক্টরেট সম্পন্ন করার পর প্রতিষ্ঠা করা প্রথম কোম্পানি, যার অবস্থান খুব সহজ—টেক্সট এবং ছবিকে 3D মডেলে পরিণত করা।

বর্তমানে, মেশি ১২ মিলিয়ন ব্যবহারকারীকে একত্রিত করেছে, এবং গ্রাহকরা বিশ্বের সবচেয়ে বেশি বাজার মূল্য এবং মূল্যায়নের শীর্ষ ১০টি প্রতিষ্ঠানের অর্ধেককে কভার করেছে।

বছরের জুলাইয়ে, মেশি প্রায় 4 বিলিয়ন ডলারের বি-রাউন্ড ফান্ডিং সম্পন্ন করে, যার ফলে এর মূল্যায়ন 100 বিলিয়ন চীনা ইয়ুয়ানের বেশি হয়।

এটি বিশ্বব্যাপী AI 3D ক্ষেত্রে একক বিনিয়োগ পরিমাণ এবং মূল্যায়ন উভয়ের রেকর্ড গড়েছে এবং এই ক্ষেত্রের সবচেয়ে বেশি মূল্যায়িত কোম্পানি হয়ে উঠেছে।

তবে, দ্রুত বৃদ্ধির হার বা উচ্চতর মূল্যায়ন—উভয়ই মেশির দৃষ্টিভঙ্গির তুলনায় অত্যন্ত বিশদ।

হু ইয়ানমিং, মেশি.ai-এর প্রতিষ্ঠাতা, ইয়াংজৌ মিডিয়াম স্কুলের স্পোর্টস মিটিংয়ের ৪০০ মিটার চ্যাম্পিয়ন, তসিং ইউনিভার্সিটির ইয়াও ক্লাসের গানের প্রতিযোগিতায় দ্বিতীয় পুরস্কার, এমআইটি-এর কম্পিউটার গ্রাফিক্সের ডক্টরেট, সিগ্রাফ বেস্ট ডক্টরাল থিসিসের নামাঙ্কন, টাইচি প্রোগ্রামিং ভাষা ও কম্পাইলারের লেখক।

△

তিনি একটি কিছুটা অসাধারণ লক্ষ্য উত্থাপন করেছেন:

মজার জন্য এআই।

তার যুক্তিটি এরকম।

ভবিষ্যতে, যখন এজিআই বহু উৎপাদনশীলতা সমস্যা সমাধান করে দেবে, মানুষের কাছে শুধুমাত্র একটি মূল সমস্যা থাকবে।

আমরা কীভাবে সৃষ্টি করব, প্রকাশ করব, সংযোগ স্থাপন করব? সবচেয়ে গুরুত্বপূর্ণ বিষয় হল, আমরা কীভাবে অর্থ অর্জন করব?

পড়াশোনা, ভ্রমণ, গেম খেলা, শর্ট ড্রামা দেখা... এগুলি আসলে আমাদের আনন্দ তৈরি করতে পারে, তবে একটি মুক্ত সময়ের এতটাই প্রচুর যুগে, আমরা "নতুনতম, সবচেয়ে কার্যকরী আনন্দ এবং অর্থবোধ উৎপাদনের পদ্ধতির দিকে অবশ্যই যাব।"

এই পদ্ধতিটি অবশ্যই এআই দ্বারা পরিচালিত হবে।

সুতরাং, “এআই ব্যবহার করে মানুষের জন্য আনন্দ এবং অর্থপূর্ণতা তৈরি করা হবে পরবর্তী পাঁচ বছরের সবচেয়ে গুরুত্বপূর্ণ সমস্যাগুলির মধ্যে একটি।”

এবং মেশি এই চিত্রের সবচেয়ে গুরুত্বপূর্ণ টুকরো হতে চায়।

হু ইয়ানমিংয়ের কথায়, তারা যা করতে চায় তা হলো “জেনারেটিভ এআই-এর উপর ভিত্তি করে গ্রাফিক্স পুনর্গঠন করা এবং কল্পনাকে বাস্তবায়নের জন্য গ্লোবাল অপটিমাল সমাধান খুঁজে বার করা।”

এটি কী অর্থ?

অন্যভাবে বললে, আজকের দিনে, AI 3D শুধুমাত্র গ্রাফিক্স বিজ্ঞানের নির্দেশনায় AI কে মডেলিং, টেক্সচারিং এবং রেন্ডারিং করতে আরও দক্ষ করে তোলার চেয়েও বেশি কিছু করতে হবে।

দীর্ঘমেয়াদে, এআই 3D-এর চূড়ান্ত রূপ হতে পারে কল্পনার বাস্তবায়ন।

এই ভবিষ্যদ্বাণীমূলক দৃষ্টিভঙ্গি টং শিনের মতবাদের সাথে খুব মিলে যায়।

২০১৬ সালে টং শিন প্রস্তাব করেছিলেন যে গ্রাফিক্স কনটেন্ট তৈরির সমস্যা সমাধান করতে হবে, যাতে যে কেউ যেখানেই থাকুক না কেন, ভিজুয়াল মিডিয়া কনটেন্ট তৈরি করতে পারে।

আজ দশ বছর পর, "everyone everywhere ভিজুয়াল মিডিয়া কন্টেন্ট তৈরি করে" এর পরিবর্তে হয়ে উঠেছে "যেকোনো ব্যক্তিকে শুধু একটি বাক্য দিয়ে তাদের কল্পনাকে একটি প্রবেশযোগ্য, ইন্টারঅ্যাকটিভ বিশ্বে পরিণত করা"।

এটি অবশ্যই খুব বড় আশা।

এটি অর্জনের জন্য, মেশি বর্তমানে তিনটি স্তরে মৌলিক প্রযুক্তিগত গবেষণা করছে:

প্রথম এবং সবচেয়ে গুরুত্বপূর্ণ—গ্রাফিক্সকে পুনর্নির্মাণ করুন।

এর জন্য, গতকালের নেটওয়ার্ক গ্রাফিক্সের গ্রাফিক্স রেন্ডারিং পাইপলাইনের স্থানীয় অপ্টিমাল সমাধান থেকে বেরিয়ে আসুন এবং AI ব্যবহার করে একটি নতুন, “ত্রিভুজ”-এর উপর নির্ভরশীল নয় এমন গ্লোবাল অপ্টিমাল সমাধান তৈরি করুন, যেখানে “ত্রিভুজ” হল GPU-এর দ্বারা 3D বস্তু রেন্ডার করার সর্বনিম্ন ইউনিট।

△

দ্বিতীয়ত, ডিরেক্টর সিস্টেম স্থাপন করতে হবে।

যদি নতুন গ্রাফিক্সটি একটি চলচ্চিত্র দলের মতো হয়, তবে AI for Fun অর্জনের জন্য একটি প্রাসঙ্গিক পরিচালক সিস্টেম প্রয়োজন।

এই ডিরেক্টর সিস্টেমটি বিশ্বের কার্যপ্রণালী এবং 3D স্কেলেটন তৈরি করে স্ক্রিপ্টের রিয়েল-টাইম লেখা সম্ভব করে।

শেষ হল অবকাঠামো।

অতি কম ল্যাটেন্সি, উচ্চ কোয়ালিটি এবং কম খরচের ত্রিমাত্রিক জেনারেশন এবং রেন্ডারিং ইনফ্রাস্ট্রাকচার প্রয়োজন, কারণ AI for Fun-এর অভিজ্ঞতায় একটি ক্ষণিক বিলম্বও শতগুণে বাড়িয়ে দেওয়া হয়।

এর জন্য একটি উচ্চ কার্যক্ষমতাসম্পন্ন ইনফ্রাস্ট্রাকচার পুনর্ডিজাইন করা প্রয়োজন, যা হু ইয়ানমিংয়ের ডক্টরেট থিসিস এবং Meshy-এর শুরুর দিকের Taichi প্রোগ্রামিং ভাষার ভিত্তির সাথে সামঞ্জস্যপূর্ণ।

এই মৌলিক গবেষণার বাইরে, মেশির নতুন মডেলটি বর্তমান এআই 3D ক্ষেত্রের নির্দিষ্ট চ্যালেঞ্জগুলির সমাধান করছে।

যেমন “নিয়ন্ত্রণযোগ্যতা” সমস্যা, অর্থাৎ জেনারেট করা ফলাফল ইনপুট ছবির প্রতি কতটা বিশ্বস্ত, যা মোটামুটি অনুপাতের সঠিকতা, স্থানিক বণ্টনের যুক্তিসঙ্গততা এবং পৃষ্ঠের বিস্তারিত বিবরণের পুনরুদ্ধারের মাধ্যমে প্রকাশিত হয়।

২০২৪ সালের ১০ আগস্ট, মেশি মেশি-৭ প্রকাশ করেছে, যা জ্যামিতিক সমন্বয় (geometry alignment) এর দিকে একটি বড় পদক্ষেপ, বিশেষ করে:

অর্গানিক রোলের ক্ষেত্রে, মডেলটি চেহারার অভিব্যক্তি, শারীরবৃত্তীয় গঠন এবং ত্বকের ভাঁজ ইত্যাদি বিস্তারিত বিষয়গুলি পুনর্নির্মাণ করতে পারে;

কঠিন পৃষ্ঠ এবং যান্ত্রিক অংশগুলিতে, প্রতিটি অংশ চিত্রে নির্দিষ্ট অবস্থানে সঠিকভাবে পড়ে, পাশাপাশি অংশগুলি একে অপরের সাথে আটকে যায় না;

টেক্সট এবং ডিজাইনের ক্ষেত্রে, খোদাইকৃত টেক্সট এবং রিলিফ প্যাটার্ন পরিষ্কার এবং সুন্দর, যা লেজার খোদাইসহ শিল্প প্রয়োগের জন্য সরাসরি ব্যবহার করা যায়।

মেশি এই দিকগুলিতে অনুসন্ধান করছে এবং টং শিনের আগ্রহের সাথে এটি মিলে যায়, যার গত কয়েক বছরের গবেষণা দিকটি 3D এবং ভিডিও জেনারেশনের ছেদস্থলে রয়েছে।

যেমন তিনি 2024 সালে উত্থাপন করেছিলেন সেই ক্লাসিক প্রশ্ন: "কি ত্রিমাত্রিক শুধুমাত্র ভিডিও জেনারেশনের একটি বিশেষ ক্ষেত্র?"

অর্থাৎ, যদি একটি ভিডিও ইতিমধ্যে যেকোনো কোণ থেকে একটি বস্তুকে “দেখতে” পারে, তবে কি আমাদের এটির ত্রিমাত্রিক মডেল প্রকাশ্যে তৈরি করার প্রয়োজন আছে?

উত্তর এখনও অস্পষ্ট।

কিন্তু বর্তমানে নিশ্চিত বিষয় হলো, টং শিনের এআই মাল্টিমোডাল ট্রেনিংয়ের প্রান্তিক গবেষণা এবং প্রকৌশল সঞ্চয় Meshy-এর অনুসন্ধানকে আরও দূরে নিয়ে যেতে পারে।

এই নিবন্ধটি লেখার সময়, হু ইয়ানমিং তাঁর গিটহাব ব্লগে মেশি দলের নতুন কাজ, মোরা প্রকাশ করেছেন।

Mora হল "Multimodal Open-world Real-time Architecture"-এর সংক্ষিপ্ত রূপ, যার অর্থ "মাল্টিমোডাল ওপেন-ওয়ার্ল্ড রিয়েল-টাইম আর্কিটেকচার"।

এটি খুব আকর্ষণীয়, সবাই এটি দিয়ে তৈরি ইন্টারেক্টিভ গেম ডেমোটি অনুভব করতে পারেন।

সহজ কথায়, এটি তিনটি পাজল দিয়ে গঠিত:

কোডিং এজেন্ট, যা গেম ওয়ার্ল্ডের হাড় এবং রানিং কোড তৈরি করে;

3D জেনারেশন, যা Meshy-এর সবচেয়ে গুরুত্বপূর্ণ অংশ, হাড়গুলিকে সমৃদ্ধ করতে এবং ভিডিও মডেলের জন্য নিয়ন্ত্রণ সংকেত আউটপুট দিতে ব্যবহার করা যেতে পারে;

ভিডিও মডেল, 3D স্কিন সংকেত গ্রহণ করে, চূড়ান্ত ছবি এবং শব্দ আউটপুট করে।

হু ইয়ানমিং এটিকে একটি "বিশ্ব মডেলের চেয়ে অধিক" প্রযুক্তি বলেছেন।

খুব বড় কথা বলছেন, কিভাবে অতিক্রম করবেন?

জানুয়ারি মাসে, গুগল জেনিয়ে 3 এর ইন্টারেক্টিভ ডেমো লঞ্চ হয়েছিল, যা দাবি করেছিল যে "এটি একটি সার্বজনীন বিশ্ব মডেল, যা ব্যবহারকারীদের পাঠ্য ব্যবহার করে অনুসন্ধানযোগ্য বাস্তব পরিবেশ তৈরি করতে দেয়।"

এর জন্য ইউনিটি একদিনে 24% পড়েছে, রোবলক্স 27% পড়েছে, বাজার খুব উত্তেজিত: ভবিষ্যতে গেম তৈরির জন্য গেম ইঞ্জিনের দরকার হবে না, একটি ভিডিও মডেলই যথেষ্ট।

তবে ছয় মাস পরে, হু ইয়ানমিং বাজারে উপলব্ধ সমস্ত বিশ্ব মডেল ডেমো পরীক্ষা করার পর, বর্তমানে প্রায় সমস্ত ইন্টারেক্টিভ ভিডিও মডেলের জন্য আটটি ত্রুটি উল্লেখ করেন।

অ্যালগোরিদমের সামঞ্জস্যতা দুর্বল, ইন্টারেকশন সরল, ভৌত সমাধান ক্ষমতা দুর্বল, অভিজ্ঞতার সময় সংক্ষিপ্ত, গল্প এবং জটিল লজিক সমর্থন করতে পারে না, একক খেলোয়াড়ের জন্য প্রধানত ডিজাইন করা হয়েছে, কোডিংয়ের মেকানিজম ব্যবহার করে উত্পাদনের ক্ষমতা ব্যবহার করতে পারে না, ল্যাটেন্সি উচ্চ।

সংক্ষেপে বললে, এটি খেলতে কঠিন।

তবে এটি সম্ভবত শুধুমাত্র অপ্টিমাইজ করে সমাধান করা যায় এমন একটি সমস্যা নয়।

বর্তমান ভিডিও মডেলগুলির মূলত কোনো বাস্তব বুদ্ধিমত্তা নেই, এগুলি মূলত একটি রেন্ডারার, এই পথে এগিয়ে গেলে শেষ পর্যন্ত শুধুমাত্র হাঁটার সিমুলেটরই তৈরি হবে।

মোরার পথ হল বিপরীত দিকে যাওয়া, যেহেতু ভিডিও মডেলগুলি 3D স্পেস কনসিসটেন্সি সমাধান করতে পারে না, তাই এটিকে নিজের কাজটি ভালোভাবে করতে দিন।

কোডিং এজেন্টকে হাড় তৈরি করতে দিন, মেশি দিয়ে 3D জেনারেট করুন, এবং শেষে ভিডিও মডেল দিয়ে দৃশ্য তৈরি করুন, এতে স্পেসটি স্থিতিশীল, সুন্দর এবং মজাদার হবে।

দেখা যাচ্ছে যে হু বস সত্যিই একজন খুব উত্তেজিত পুরনো খেলোয়াড়।

তবে মোরা 1 এখনও খুব প্রাথমিক পর্যায়ে রয়েছে।

এটি শুধুমাত্র একটি কাঠামো যাচাই করার জন্য ব্যবহৃত হয়। তারপর এই কাঠামোর ভিত্তিতে, স্কেলিংয়ের মাধ্যমে ধাপে ধাপে লক্ষ্যের দিকে এগিয়ে যাওয়া হয়।

এই ক্ষেত্রে চুয়েন এর প্রশ্নে ফিরে যাই, কি তিনমাত্রিক শুধুমাত্র ভিডিও জেনারেশনের একটি বিশেষ ক্ষেত্র?

মোরা একটি প্রাথমিক উত্তর দিয়েছেন: কমপক্ষে বর্তমানে, উভয়টিকে পরস্পরের বিকল্প হিসাবে দেখা দরকার নেই, এগুলি Coding agent-এর সংযোগে প্রতিটি তাদের ভূমিকা পালন করতে পারে।

এই উত্তর অবশ্যই এখনও সঠিক নয়, কিন্তু এখান পর্যন্ত এসে প্রশ্নটি ইতিমধ্যেই অস্পষ্ট হয়ে গেছে।

এই অনুভূতি চোং শিনের জন্য অপরিচিত নয়।

দুই বা তিন দশক ধরে, তিনি একের পর এক প্রযুক্তিগত আঘাতের সাক্ষী হয়েছেন: অতীতে 3D আঁকা শুধুমাত্র হাতে লেখা নিয়মের উপর নির্ভর করত, তারপর নিউরাল রেন্ডারিং এসেছিল, AI ছবি থেকে আলো-ছায়া শিখেছিল; জেনারেটিভ AI এসেছিল, যা বাস্তবসম্মত ছবির জন্য 3D পাইপলাইনের উপর নির্ভরশীল ছিল না; ভিডিও মডেল এসেছিল, যা এমনকি গতিশীল বিশ্বকেও হঠাৎ করেই সৃষ্টি করতে পারে...

নতুন প্রযুক্তিগুলি ধারাবাহিকভাবে প্রাচীন গ্রাফিক্সের সীমানা পরীক্ষা করে: গ্রাফিক্সকে কীভাবে অস্তিত্ব রাখতে হবে?

এই আরও জরুরি সমস্যার মুখোমুখি হয়ে টং শিন আবার রওনা দিলেন।

সে এই প্রজন্মের সবচেয়ে কল্পনাশীল যুবকদের সাথে একটি নতুন গ্রাফিক্স তৈরি করতে চায়।

এই লেখাটি ওয়েইচ্যাট গ্রুপ "Quantum Bit" থেকে এসেছে, লেখক: চেং কিয়ান