گرافکس پایونیر تونگ شن میشی میں شامل ہو گئے ہیں تاکہ مزے کے لیے AI کو آگے بڑھایا جا سکے

AI کے نوآوری کا اگلا بڑا میدان، 3D جنریشن کی طرف مائل ہو رہا ہے۔

بہ متعدد ماڈلز کی پیداوار، دنیا کے ماڈلز، سے لے کر فضاائی ذہانت، جسمانی ذہانت والے روبوٹس تک…

3D، اگلی نسل کے AI کا مرکزی انجن بن رہا ہے۔

اور اب، گرافکس کے شعبے کے ماہرِ کُل اور AI 3D کے سب سے زیادہ مقبول ستارہ کمپنی نے مل کر کام کیا ہے۔

تجدیدی خبریں:

تونگ شین، ہو یوان منگ کے قائم کردہ Meshy میں شامل ہو گئے۔

تازہ ترین خبروں کے مطابق، ٹونگ شن کو Meshy کے چیف سائنسٹ کے طور پر مقرر کیا گیا ہے، جس کا فریضہ Meshy کی طویل مدتی سائنسی حکمت عملی تیار کرنا ہے۔

یہ اس بات کا احتمال ہے کہ چینی گرافکس کے شعبے کی دو نمایاں نسلیں — میشی کے بانی ہو یوان منگ اور تونگ شین — متعدد ماڈلز اور ریل ٹائم انٹرایکٹو سسٹمز میں انقلاب لائیں گے۔

ٹونگ شین نے پہلے مائیکروسافٹ ایشیا ریسرچ انسٹیٹیوٹ میں 25 سال کام کیا، جہاں انہوں نے نیٹ ورک گرافکس ٹیم کی قیادت کی اور گلوبل ریسرچ پارٹنر کے طور پر خدمات انجام دیں۔

اس کے تحقیقی شعبے میں کمپیوٹر گرافکس اور تین بعدی کمپیوٹر ویژن شمول ہیں، جن میں مخصوص طور پر سامان کی اخذیت اور ماڈلنگ، ٹیکسچر سنتھیسس، تین بعدی جیومیٹری پروسیسنگ اور ماڈلنگ، لائٹ ٹرانسمیشن اینالسز اور سیمولیشن، رئلسٹک رینڈرنگ، اور تین بعدی فیس اینیمیشن شامل ہیں۔

△

کمپیوٹر گرافکس، سادہ الفاظ میں، "کمپیوٹر میں تین ابعادی دنیا کیسے بنائی جائے، اس کا انتظام کیسے کیا جائے اور کیسے پیش کیا جائے" پر توجہ مرکوز کرتا ہے۔

یہ شعبہ گیمنگ، فلموں اور صنعتی شبیہ سازی میں بنیادی کردار ادا کرتا ہے اور اب یہ AI کی感知 اور اظہار کی بنیادی ڈھانچہ بن چکا ہے۔

کیونکہ تین بعد کو نہ سمجھنا، AI کو حقیقی طور پر فزیکل دنیا کو سمجھنے اور اس میں داخل ہونے میں مشکل ہوگی۔

اور چونگ شن، اس سمت میں سب سے زیادہ عرصہ تک رہنے والے اور سب سے زیادہ گہری بنیاد رکھنے والے محققین میں سے ایک ہیں۔

1999ء میں، ٹونگ شن نے چنگہوا یونیورسٹی سے اپنا ڈاکٹریٹ مکمل کرنے کے فوراً بعد، صرف ایک سال پرانے مائیکروسافٹ چائنہ ریسرچ انسٹیٹیوٹ میں شمولیت اختیار کی، جو بعد میں "چینی سائنس و ٹیکنالوجی کا ہوئنگ پو فوجی اکیڈمی" کے نام سے مشہور ہوا۔

اکیس سالوں سے زیادہ عرصے تک یہاں سے کئی ایسے مرکزی شخصیات نکلی جنہوں نے چین اور عالمی کمپیوٹر تحقیق کے منظر نامے کو متاثر کیا — لیکن یہ ایک اور کہانی ہے۔

童欣作为亞研院的首批研究員，在此工作了25年，從研究員逐步晉升為全球研究合夥人兼網絡圖形組負責人۔

چینی کمپیوٹر گرافکس کے تمام اہم لمحات کو تقریباً دیکھا ہے۔

△

اس دوران، ٹونگ شین نے کئی ٹاپ جرنلز اور کانفرنسز میں بہت سارے مقالات شائع کیے، اور اس کے Google Scholar پر حوالہ جات 21,000 سے زیادہ ہو گئے ہیں۔

یہ ٹیکنیکل تحقیقات نے مائیکروسافٹ کے لیے کئی اچھی چیزیں چھوڑ دیں، جن میں Xbox گیم ڈویلپمنٹ API، Xbox کمپیٹیبل سافٹ ویئر، ونڈوز 3D پرنٹنگ ڈرائیور، اور Direct3D گرافکس ڈویلپمنٹ ٹول کٹ وغیرہ شامل ہیں۔

اس کے علاوہ، چونگ شین نے یا یان یونیورسٹی کے نیٹ ورک گرافکس گروپ کو ایک اور “دولت” چھوڑی: ایک ایسا گروہ جو موجودہ چینی گرافکس کے شعبے کی بنیادی طاقت کو سنبھال سکتا ہے۔

25 سالوں تک، اس نے یہاں ایک کے بعد ایک عظیم محققین کے ساتھ تعاون کیا، تبادلہ خیال کیا اور رہنمائی کی۔

زجیان کے زہو کون، ACM Fellow، IEEE Fellow، CAD&CG قومی کلیدی لیب کے ڈائریکٹر، جنہوں نے چو شن کے ساتھ کئی سالوں تک تعاون کیا اور 3D پرنٹنگ، کمپیوٹیشنل ڈیزائن سے لے کر NeRF اور نیورل رینڈرنگ تک کا جائزہ لیا؛

چنگہوا یونیورسٹی کے پروفیسر اور کمپیوٹر سائنس ڈپارٹمنٹ کے مستقل اساتذہ، نیشنل جی چن، ڈاکٹریٹ کے دوران ٹونگ شین کے ساتھ متعدد بار SIGGRAPH پیپرز پر تعاون کیا؛

پکھنگ چینگ، شمالی یونیورسٹی کے ایسوسی ایٹ پروفیسر، جو ٹونگ شن کے تحت ایک انٹرن سے لے کر سینئر ریسرچر تک کا سفر طے کر چکے ہیں، اب تھری ڈی جیومیٹری لرننگ کے شعبے کے نمایاں ماہر ہیں۔

جو لوگ اس کے ساتھ کام کر چکے ہیں، وہ چونگ شن کے بارے میں اکثر حیرت انگیز طور پر ایک جیسے جائزے دیتے ہیں:

دستیاب، ہمیشہ سامنے کے سطح پر، بہت ہی تفصیلی ٹیکنیکل مسائل پر سختی سے بحث کر سکتے ہیں، اور پیچیدہ ٹیکنیکل مسائل کو عام زبان میں سمجھا سکتے ہیں۔

چونکہ چونگ شن کے لیے کمپیوٹر گرافکس ایک کمپیوٹر ایپلیکیشن ڈسپلائن ہے، اس لیے تمام تحقیقی مسائل حقیقی ضروریات اور نئے ڈیوائسز، نئے ڈیٹا کے ظہور سے نکلتے ہیں۔

اس کے علاوہ، چونگ شن بہت مزاحیہ اور دلچسپ ہیں، جیسے وہ اپنے تحقیق کو اس طرح بیان کرتے ہیں:

میرے خاندان کے علاوہ، جو میری تیار کردہ کھانے کو تسلیم کرتے ہیں، وہ مزاحیہ طور پر کہتے ہیں کہ میں روزانہ اسکرین پر تین ڈی چائے کے بوتل اور خرگوش کے ساتھ خوش ہو رہا ہوں، لیکن لگتا ہے کہ میرا کام نہ تو دنیا کے حالات بدل سکتا ہے اور نہ ہی عوام کی زندگی بہتر بن سکتا ہے، میں اس بات سے بھی ناواقف ہوں کہ میری کامیابی کا جذبہ کہاں سے آ رہا ہے۔

△

یہ وہ "ٹونگ لاؤ" ہے جسے گرافکس کے دنیا میں سب جانتے ہیں، جس کے پاس بہت گہرا اکادمیک مہارت ہے لیکن بچوں کی طرح دوستانہ اور جستجو کرنے والی مزاج ہے۔

بھی مناسب ہے۔

کہا جا سکتا ہے کہ ٹونگ شن کے گرافکس کے شعبے میں اس ترقی تک پہنچنے والے صرف Meshy جیسے ستارہ نمائندہ یونیکورن ہیں۔

میشی، ہو یوان منگ کی پہلی کمپنی ہے جسے انہوں نے ایم آئی ٹی سے ڈاکٹریٹ کی ڈگری حاصل کرنے کے بعد قائم کیا، اور اس کا مقصد صرف یہ ہے کہ متن اور تصاویر کو 3D ماڈل میں تبدیل کیا جائے۔

اب تک، Meshy نے 12 ملین صارفین کو اکٹھا کیا ہے، جن کے صارفین عالمی منڈی کی قیمت اور تقویم کے ٹاپ 10 کاروباروں میں سے نصف کو کور کرتے ہیں۔

اس سال جولائی میں، میشی نے 4 ارب امریکی ڈالر کی B سیریز فنڈنگ مکمل کی، جس کے بعد اس کی منظور شدہ قیمت 10 ارب چینی یوان سے زیادہ ہو گئی۔

اس نے عالمی AI 3D شعبے میں ایک منفرد سرمایہ کاری کے سائز اور تقویم دونوں ریکارڈ توڑ دیے، اور اس شعبے کی سب سے زیادہ قیمت والی کمپنی بن گئی۔

تاہم، چاہے تیز تر نمو ہو یا زیادہ جائزہ، میشی کے خواب کے مقابلے میں یہ بہت مخصوص ہیں۔

ہو یوان منگ، میشی.ایئر کے بانی، یانگژو مڈل اسکول ایتھلیٹکس میں 400 میٹر کے چیمپئن، تسوہوا کلاس کے گانے کے مقابلے میں دوسری انعام، ایم آئی ٹی کمپیوٹر گرافکس کے ڈاکٹر، سگریف کے لیے بہترین ڈاکٹریل رسالہ کے نامزد، ٹائیچی پروگرامنگ زبان اور کمپائلر کے مصنف۔

△

اس نے ایک تھوڑا سا عجیب لگنے والا ہدف رکھا:

مزہ کے لیے AI

اس کا منطقی سلسلہ ایسا ہے۔

مستقبل میں، جب AGI بہت ساری پیداواری مسائل کو حل کر لے گا، تو انسانوں کے پاس صرف ایک مرکزی مسئلہ رہ جائے گا۔

ہم کیسے تخلیق، اظہار اور جُڑ سکتے ہیں؟ سب سے اہم بات، ہم معنی کیسے حاصل کریں گے؟

پڑھنا، سفر کرنا، گیمز کھیلنا، مختصر ناٹکس دیکھنا… یہ بالکل ہمارے لیے خوشی پیدا کر سکتے ہیں، لیکن ایک ایسے دور میں جہاں آزاد وقت بہت زیادہ ہے، ہم “نئی اور زیادہ موثر خوشی اور معنی کے ذرائع کی طرف ضرور جائیں گے۔”

اس طرح کا انداز، AI کے ذریعے چلایا جائے گا۔

تو، "AI کا استعمال کرکے انسانوں کو خوشی اور معنی فراہم کرنا، آنے والے پانچ سالوں کا ایک سب سے اہم مسئلہ ہوگا۔"

اور میشی، اس منظر میں سب سے اہم ترین ٹکڑا بننا چاہتا ہے۔

ہو یوان منگ کے الفاظ میں، ان کا مقصد "جینریٹو AI کے بنیاد پر گرافکس کو دوبارہ تعمیر کرنا اور تخیل کو عملی شکل دینے کا عالمی بہترین حل تلاش کرنا" ہے۔

یہ کیا مطلب ہے؟

دوسروں کے الفاظ میں، آج AI 3D صرف گرافکس کی ہدایت کے تحت AI کو ماڈلنگ، ٹیکسچرنگ اور رینڈرنگ میں زیادہ موثر بنانے تک محدود نہیں ہے۔

لمحکمہ طویل مدت میں، AI 3D کا اختتام تصور کے مادی روپ کے طور پر ہو سکتا ہے۔

یہ آگے کی نظر童欣 کے اصولوں کے ساتھ بہت ملتی جلتی ہے۔

2016 میں ٹونگ شین نے یہ پیش کیا کہ گرافک مواد کی پیداوار کے مسئلے کو حل کیا جائے، تاکہ کوئی بھی کہیں بھی ویژول میڈیا مواد تخلیق کر سکے۔

آج، دس سال بعد، "ہر کوئی، ہر جگہ ویژوئل میڈیا مواد بناتا ہے" کا مطلب ہو گیا کہ "کسی بھی شخص کو صرف ایک جملے سے اپنی تصورات کو ایک قابل رسائی، انٹرایکٹو دنیا میں تبدیل کرنے کی اجازت دی جائے"۔

یہ بے شک بہت بڑا خواہش ہے۔

اسے حاصل کرنے کے لیے، میشی فی الحال تین سطحوں پر بنیادی ٹیکنالوجی کی تحقیق کر رہا ہے:

سب سے پہلے، اور سب سے اہم بات — گرافکس کو دوبارہ تخلیق کریں۔

اس کے لیے، گرافکس رینڈرنگ پائپ لائن کے قدیم نیٹ ورک گرافکس کے مقامی بہترین حل سے باہر نکل کر، AI کا استعمال کرتے ہوئے "تھری ٹینگل" پر انحصار نہ کرنے والے ایک عالمی بہترین حل کو دوبارہ تخلیق کیا جانا چاہیے، جہاں "تھری ٹینگل" GPU کے لیے تین ڈی اشیاء کو رینڈر کرنے کی اقل ترین اکائی ہے۔

△

دوسرا، ڈائریکٹر سسٹم بنانا ہوگا۔

اگر نئی گرافکس ایک فلمی ٹیم کی طرح ہے، تو AI for Fun کو حاصل کرنے کے لیے اس کے ساتھ ایک ڈائریکٹر سسٹم ضروری ہے۔

یہ ڈائریکٹر سسٹم دنیا کے عمل اور 3D اسکیلٹن کا تعین کرتا ہے، اور اسکرپٹ کو ریل ٹائم میں تحریر کرتا ہے۔

آخر میں بنیادی ڈھانچہ۔

کم لیٹنسی، اعلیٰ کوالٹی اور کم لاگت والی تھری ڈی جنریشن اور رینڈرنگ کی بنیادی ساخت ضروری ہے، کیونکہ AI for Fun کے تجربے میں صرف ایک لمحے کی تھام بھی سوگنا گنا بڑھ جاتی ہے۔

اس کے لیے ایک اعلیٰ کارکردگی والی انفراسٹرکچر کو دوبارہ ڈیزائن کرنے کی ضرورت ہے، جو ہو یوان منگ کی میٹھی کی ڈاکٹریٹ کی تحقیق اور Meshy کے آغاز میں کیے گئے Taichi پروگرامنگ زبان کے بنیادی اصولوں سے ملتی جلتی ہے۔

اس بنیادی تحقیق کے علاوہ، Meshy کا نیا ماڈل AI 3D کے شعبے کے موجودہ چیلنجز کو بھی حل کر رہا ہے۔

جیسے “کنٹرولیبیلٹی” کا مسئلہ، یعنی پیدا شدہ نتائج کیا ان پر ان پٹ تصویر کے ساتھ وفادار ہیں، جس میں کلی ترتیب کی درستگی، فضاکی تقسیم کا منطق اور سطحی تفصیلات کی واپسی شمول ہوتی ہے۔

8 جولائی 2024 کو، Meshy نے Meshy-7 جاری کیا، جس نے جیومیٹری الائنمنٹ کے شعبے میں ایک بڑا قدم بڑھایا، خاص طور پر:

آلی فرد کے حوالے سے، ماڈل چہرے کے اظہار، جسمانی ساخت اور جلد کے طویل دھاگوں کی تفصیلات کو بحال کر سکتا ہے؛

سخت سطح اور میکانکی اجزاء کے لحاظ سے، تمام اجزاء تصویر میں مخصوص جگہ پر درست طریقے سے گِر جاتے ہیں، اور مجاور اجزاء ایک دوسرے سے چپکتے نہیں؛

ٹیکسٹ اور ڈیزائن کے لحاظ سے، گہری کٹی ہوئی لکھائی اور ابھری ہوئی ڈیزائن صاف اور واضح ہیں، جنہیں لیزر کٹنگ جیسے صنعتی استعمال کے لیے ب без تبدیلی استعمال کیا جا سکتا ہے۔

یہ کہنا چاہیے کہ میشی کی ان سمتوں میں تلاش، ٹونگ شن کے دلچسپی کے شعبوں سے ملتی جلتی ہے، اور اس کے پچھلے کچھ سالوں کے تحقیقی رجحانات 3D اور ویڈیو جنریشن کے تقاطع پر مرکوز ہیں۔

جیسے کہ وہ 2024 میں ایک کلاسیکل سوال پوچھا تھا: "کیا تین بعد صرف ویڈیو جنریشن کا ایک خاص معاملہ ہے؟"

یعنی، اگر کوئی ویڈیو پہلے سے کسی شے کو کسی بھی زاویے سے “دیکھ” سکتی ہے، تو کیا ہمیں اس کا تین بعدی ماڈل بنانے کی ضرورت ہے؟

جواب ابھی واضح نہیں ہے۔

لیکن ابھی کے لیے یہ واضح ہے کہ ٹونگ شن کی AI ملٹی مودل تربیت کے شعبے میں اگریں تحقیق اور انجینئرنگ کا تجربہ، Meshy کے تجربات کو مزید آگے لے جائے گا۔

اسی دوران، ہو یوان منگ نے اپنے ویگوچنل بلوگ پر Meshy ٹیم کا نیا کام، Mora، شائع کیا۔

Mora، "Multimodal Open-world Real-time Architecture" کا مخفف ہے، جس کا مطلب ہے "مختلف ماڈلز والی کھلی دنیا کی ریل ٹائم ساخت".

یہ کچھ دلچسپ ہے، لوگ اس سے بنائے گئے انٹرایکٹو گیم ڈیمو کا تجربہ کر سکتے ہیں۔

بس اس کا مطلب ہے کہ یہ تین ٹکڑوں پر مشتمل ہے:

کوڈنگ ایجنٹ، جو گیم دنیا کی ہڈی اور رن کوڈ تیار کرتا ہے؛

3D جنریشن، جو کہ Meshy کا سب سے اہم حصہ ہے، ہڈیوں کو امیر بنانے اور ویڈیو ماڈل کے لیے کنٹرول سگنلز پیدا کرنے کے لیے استعمال کیا جا سکتا ہے؛

ویڈیو ماڈل، 3D منظر کے سگنل کو قبول کرتا ہے، اور آخری تصویر اور آواز کا خروج فراہم کرتا ہے۔

ہو یوان منگ نے اسے "دنیا کے ماڈل سے آگے" کی ٹیکنالوجی کہا۔

بہت بڑی بات کر رہے ہیں، کیسے超越 کریں گے؟

کیا آپ کو یاد ہے کہ جنوری 2024 میں، Google Genie 3 کا ایک قابل کھیلنے والا ڈیمو جاری کیا گیا، جس نے دعویٰ کیا کہ "یہ ایک جامع عالمی ماڈل ہے جو صارفین کو متن کے ذریعے دریافت کردہ حقیقی ماحول تخلیق کرنے کی اجازت دیتا ہے۔"

اس کی وجہ سے یونٹی ایک دن میں 24% گر گیا، روبلوکس 27% گر گیا، مارکیٹ بہت خوش ہے: مستقبل میں گیم بنانے کے لیے گیم انجن کی ضرورت نہیں، صرف ایک ویڈیو ماڈل کافی ہے۔

لیکن تقریباً آٹھ ماہ گزر جانے کے بعد، ہو یوان منگ نے بازار میں دستیاب تمام ورلڈ مڈل ڈیموز کو آزمایا، اور موجودہ تقریباً تمام انٹرایکٹو ویڈیو مڈلز کے خلاف آٹھ کمزوریوں کا اعادہ کیا۔

ناقص ایک جنسیت، آسان انٹرایکشن، کم فزیکل کمپیوٹیشنل کمپٹنس، مختصر تجربہ کا وقت، کہانی اور پیچیدہ منطق کی حمایت نہ کرنا، اکثر منفرد کھلاڑی کے لیے، کوڈنگ کے میکنزم کی پیداواری صلاحیت کا استعمال نہ کرنا، اعلی تاخیر۔

بس ایک لفظ میں، یہ کھیلنا مشکل ہے۔

تاہم، یہ ایک ایسا مسئلہ ہے جسے بہتر بنانے سے حل نہیں ہو سکتا۔

موجودہ ویڈیو ماڈلز میں اصلی ذہانت نہیں ہے، وہ بنیادی طور پر صرف ایک رینڈرر ہیں، اس راستے پر آگے بڑھتے رہے تو آخر میں صرف چلنے کا سیمولیٹر بن جائیں گے۔

مورا کا راستہ اس کے برعکس ہے، اگر ویڈیو ماڈل 3D اسپیس کی ایکسانسٹی کو حل نہیں کر سکتے، تو انہیں اپنا اصل کام کرنے دیں۔

کوڈنگ ایجنٹ کو ہڈی بنانے دیں، میشی کو 3D بنانے دیں، اور آخر میں ویڈیو ماڈل کو تصویر بنانے دیں، اس طرح جگہ مستحکم، پرکشش اور قابلِ کھیل ہوگی۔

ظاہر ہے کہ ہو لاؤ بان بہت شدید پرانے کھلاڑی ہیں۔

تاہم Mora 1 اب بھی بہت ابتدائی مرحلے میں ہے۔

یہ صرف ایک فریم ورک کی تصدیق کے لیے استعمال ہوتا ہے۔ پھر اس فریم ورک کے تحت، سکیلنگ کے ذریعے مرحلہ وار مقصد کے قریب پہنچا جاتا ہے۔

اس لیے، چانگ شن کے سوال پر واپس آتے ہیں، کیا تین ابعاد صرف ویڈیو جنریشن کا ایک خاص معاملہ ہے؟

مورا نے ایک ابتدائی جواب دیا: کم از کم ابھی، دونوں کو ایک دوسرے کے متبادل ہونا ضروری نہیں، کوڈنگ ایجنٹ کے ذریعے ان کا اپنا اپنا کردار ہو سکتا ہے۔

یہ جواب بالکل واضح تو نہیں، لیکن اب تک پہنچ کر سوال بھی ادھم ہو چکا ہے۔

یہ احساس چونگ شن کے لیے نئی بات نہیں ہے۔

دو یا تین دہائیوں کے دوران، اس نے ہر ایک تکنیکی لہر کو اپنی آنکھوں سے دیکھا: گزشتہ وقت میں 3D بنانے کے لیے صرف ہاتھ سے قواعد لکھے جاتے تھے، پھر نیورل رینڈرنگ آ گئی، ای آئی نے تصاویر سے روشنی اور سایہ سیکھ لیا؛ جنریٹو AI آیا، جس نے حقیقی تصویریں بنانے کے لیے 3D پائپ لائن کی ضرورت ختم کر دی؛ ویڈیو ماڈل آئے، جنہوں نے حرکت کرنے والی دنیا کو خود بخود وجود میں لانے تک کا جادو کر دیا…

نئی ٹیکنالوجیاں بار بار گرافکس کی روایتی حدود کو چیلنج کرتی ہیں: گرافکس کو کس شکل میں جاری رہنا چاہیے؟

اس越来越迫切的问题 کے سامنے، چونگ شین نے دوبارہ سفر شروع کر دیا۔

وہ اس نسل کے سب سے زیادہ تخلیقی جوانوں کے ساتھ ایک نئی گرافکس بنانا چاہتا ہے۔

یہ مضمون ویچن گروپ "Quantum Bit" سے ہے، مصنف: چینگ چیان