প্রতিদিনের $15 Million সমস্যাটি: কেন AI Video-এর অর্থনীতি ঠিক করবে 2026-এ কে টিকে থাকবে

প্রযুক্তি ব্যর্থ হওয়ায় OpenAI Sora বন্ধ করেনি। তারা এটি বন্ধ করেছে কারণ হিসাব ব্যর্থ হয়েছে। প্রতিদিনের compute খরচ $15 million হওয়ায়, পৃথিবীর সবচেয়ে ভালো অর্থায়নপ্রাপ্ত AI কোম্পানিও ভোক্তাদের জন্য video generation কার্যকর করতে পারেনি। এই খরচের অঙ্কটি এই ক্ষেত্রের প্রতিটি কোম্পানিকে ভীত করে তোলা উচিত।

যে সংখ্যাগুলো Sora-কে শেষ করেছে

OpenAI ছয় মাস ধরে যে অর্থনীতি আড়াল করার চেষ্টা করেছিল, তা তুলে ধরি।

Sora 2025 সালের September-এ ভোক্তা মূল্য নিয়ে চালু হয়েছিল: API-এর মাধ্যমে 720p video-র প্রতি সেকেন্ডে আনুমানিক $0.10। সর্বোচ্চ ব্যবহারের সময়, প্রতিদিন লক্ষ লক্ষ ব্যবহারকারী clip তৈরি করছিলেন। প্রধানত NVIDIA H100 cluster-এ চলা GPU inference খরচ প্রতিটি অনুরোধের সঙ্গে সরলরেখায় বাড়ছিল।

$15M/day

Sora-এর সর্বোচ্চ compute খরচ

$2.1M

মোট জীবনকালীন আয়

6 months

বন্ধ হতে সময়

$0.10/sec

API মূল্য (720p)

আয়-ব্যয় অনুপাত ছিল বিপর্যয়কর। Sora তার পুরো জীবনকালে মোট আয় হিসেবে আনুমানিক $2.1 million করেছে। এটি চালাতে আনুমানিক $2.7 billion লেগেছে। এটি কোনো ব্যবসায়িক মডেল নয়। এটি শিল্প-পর্যায়ে venture capital পুড়িয়ে ফেলার একটি প্রদর্শনী।

⚠️

এই সংখ্যাগুলো CNBC ও Bloomberg-এর প্রতিবেদনের সঙ্গে স্বাধীন বিশ্লেষকদের infrastructure cost estimate মিলিয়ে নেওয়া হয়েছে। OpenAI আনুষ্ঠানিক খরচের বিশদ প্রকাশ করেনি, কিন্তু একাধিক উৎসে মাত্রার ক্রম একই রকম।

কেন Video Generation ছবির চেয়ে মৌলিকভাবে বেশি ব্যয়বহুল

Sora-এর বাইরেও বিষয়টি কেন গুরুত্বপূর্ণ, তা বুঝতে হলে image ও video generation-এর মধ্যে compute ব্যবধান বুঝতে হবে।

DALL-E 3 বা Stable Diffusion XL-এর মতো model দিয়ে একটি image generation request-এর জন্য H100-এ আনুমানিক 10-30 seconds GPU সময় লাগে। 24fps-এ একটি 5-second video-র জন্য 120টি frame তৈরি করতে হয়, এবং প্রতিটি frame-এ temporal coherence সীমাবদ্ধতা থাকে যা সহজ parallelization প্রতিরোধ করে। video diffusion transformer-এর attention mechanism sequence length-এর সঙ্গে দ্বিঘাত হারে বাড়ে।

Generation Type	প্রতি output-এ GPU-seconds	আনুমানিক H100 খরচ
একক image (1024x1024)	10-30s	$0.003-$0.01
5-second video (720p, 24fps)	300-600s	$0.10-$0.20
10-second video (1080p, 24fps)	900-2400s	$0.30-$0.80
60-second video (1080p, 24fps)	5400-14400s	$1.80-$4.80

GPU compute খরচের তুলনামূলক bar chart: image generation-এ $0.01 বনাম 60-second video-তে $3.30 — image ও video generation-এর মধ্যে compute খরচের ব্যবধান 30-100x, 5-10x নয়

image ও video-এর ব্যবধান 5x বা 10x নয়। প্রতি output-এ compute-এর হিসেবে এটি 30-100x। এবং text generation-এর বিপরীতে, যেখানে KV-caching ও speculative decoding inference খরচ নাটকীয়ভাবে কমিয়েছে, video generation-এ এমন কোনো সমতুল্য optimization নেই যা এক অর্ডার মাত্রায় খরচ কমায়।

খরচ সংকট থেকে টিকে থাকার তিনটি কৌশল

এখনও AI video generation প্রদানকারী প্রতিটি কোম্পানি একই মৌলিক সমস্যার মোকাবিলা করছে। তাদের কৌশলগুলো ব্যাপকভাবে ভিন্ন।

কৌশল 1: ভর্তুকি দিন এবং প্রার্থনা করুন (VC পদ্ধতি)

এটি ছিল Sora-এর কৌশল। খরচের নিচে মূল্য নির্ধারণ করুন, ব্যবহারকারী অর্জন করুন, পরে monetization বের করুন। dot-com যুগ থেকে অর্থনীতির অধ্যাপকরা যেমন পূর্বাভাস দিয়ে আসছেন, ঠিক তেমনভাবেই এর সমাপ্তি হয়েছে।

বেশ কিছু কোম্পানি এখনও এভাবেই চলে। Pika, Luma এবং Runway সবাই তাদের পরিষেবার মূল্য আনুমানিক compute খরচের অনেক নিচে রাখে। বাজি হলো, আয়ের প্রয়োজনীয় বৃদ্ধির চেয়ে খরচ দ্রুত কমবে।

💡

Runway $315 million সংগ্রহ করেছে February 2026-এ, $5.3 billion valuation-এ। বর্তমান burn rate-এ এটি তাদের আনুমানিক 18-24 months runway দেয়, যদি তারা লাভজনক হওয়ার পথ না পায়। সময় দ্রুত ফুরিয়ে যাচ্ছে।

ঝুঁকিটি স্পষ্ট। GPU খরচ যথেষ্ট দ্রুত না কমলে, অথবা optimization-এর লাভের চেয়ে ব্যবহার দ্রুত বাড়লে, এই কোম্পানিগুলো Sora যে একই দেয়ালে আঘাত করেছিল তার মুখোমুখি হবে।

কৌশল 2: খরচ Hardware-এ সরিয়ে দিন (NVIDIA/Open Source পদ্ধতি)

এটি Helios, Wan 2.2, LTX-2.3 এবং consumer GPU-এর জন্য optimized অন্য সব open-source model-এর পেছনের কৌশল।

যুক্তিটি চমৎকার: ব্যয়বহুল cloud infrastructure চালানোর বদলে compute খরচ ব্যবহারকারীর hardware-এ সরিয়ে দিন। একটি RTX 4090-এর একবারের খরচ $1,599। এরপর marginal cost-এর দিক থেকে প্রতিটি video generation "free" (বিদ্যুৎ বাদে)।

Helios, ByteDance ও Peking University-এর 14-billion parameter model, দেখিয়েছে যে একটি H100 19.5 FPS-এ 60-second video তৈরি করতে পারে। আরও গুরুত্বপূর্ণ হলো, optimized open-source model-গুলো consumer RTX 5090 hardware-এ real-time generation-এর কাছাকাছি পৌঁছে যাচ্ছে।

Model	প্রয়োজনীয় Hardware	Generation Speed	Quality Tier
Helios 14B	1x H100 (বা RTX 5090)	19.5 FPS (real-time)	পেশাদার
Wan 2.2 14B	1x RTX 4090	~3 FPS	পেশাদার
LTX-2.3	1x RTX 4090	~5 FPS (4K)	পেশাদার
PixVerse R1	1x RTX 3090	~2 FPS	ভোক্তা

সীমাবদ্ধতাটি স্পষ্ট: এই কৌশল কেবল সেই ব্যবহারকারীদের সেবা দেয় যাদের high-end GPU আছে। এটি একটি অর্থবহ বাজার, কিন্তু Sora-কে জনপ্রিয় করা casual creator-দের বাদ দেয়।

কৌশল 3: Platform Aggregation (Adobe/Google পদ্ধতি)

এটি আর্থিকভাবে সবচেয়ে টেকসই পদ্ধতি। generation-এর পুরো খরচ বহন করার বদলে, এমন একটি marketplace হয়ে উঠুন যা একাধিক model provider-এ request পাঠায়।

Adobe Firefly এখন 30+ model host করে বিভিন্ন provider থেকে। Google Flow তৃতীয় পক্ষের model-এর সঙ্গে Veo সংযুক্ত করে। CapCut Seedance 2.0 embed করে। তিন ক্ষেত্রেই platform margin নেয়, আর model provider compute খরচ বহন করে।

✓Platform-এর সুবিধা

প্রতি request-এ প্রথম দিন থেকেই আয় ইতিবাচক। বিশাল GPU cluster নিজস্বভাবে রাখার প্রয়োজন নেই। প্রতিটি use case-এর জন্য ব্যবহারকারীদের সেরা model দেওয়া যায়। ঝুঁকি একাধিক provider-এর মধ্যে বিতরণ হয়।

✗Platform-এর ঝুঁকি

model provider-দের ব্যবসায় টিকে থাকার উপর নির্ভরশীল। প্রতিদ্বন্দ্বীরা একই model aggregate করলে কোনো পার্থক্য থাকে না। provider-রা উন্নত শর্ত নিয়ে আলোচনা করলে margin-এর উপর চাপ পড়ে।

Adobe এখানে সবচেয়ে ভালো অবস্থানে আছে, কারণ Premiere Pro ও After Effects ইতিমধ্যেই professional video editing-এ প্রভাবশালী। বিদ্যমান workflow-তে AI generation যোগ করা একটি স্বাভাবিক সম্প্রসারণ, এবং Adobe এটিকে ব্যবহারকারীদের ইতিমধ্যেই পরিশোধ করা Creative Cloud subscription-এর মধ্যে premium feature হিসেবে মূল্য নির্ধারণ করতে পারে।

Infrastructure Cost Curve

গুরুত্বপূর্ণ প্রশ্ন হলো, consumer AI video কার্যকর করার জন্য GPU খরচ যথেষ্ট দ্রুত কমবে কি না।

NVIDIA-এর Blackwell architecture (B200, GB200) H100-এর তুলনায় inference workload-এ আনুমানিক 2-3x ভালো price-performance দেয়। আসন্ন Rubin architecture আরও 2-3x উন্নতির প্রতিশ্রুতি দিচ্ছে। উভয়টি প্রত্যাশামতো কাজ করলে, 2028 সালের মধ্যে 10-second video তৈরির খরচ $0.50 থেকে কমে আনুমানিক $0.05 হতে পারে।

এই সময়রেখা গুরুত্বপূর্ণ। subsidized pricing-এ নগদ অর্থ পোড়ানো কোম্পানিগুলোর ব্যবসায়িক মডেল বাঁচাতে hardware উন্নয়ন আসা পর্যন্ত আরও 2-3 more years টিকে থাকতে হবে। সবাই পারবে না।

💡

যে কোম্পানিগুলোর টিকে থাকার সম্ভাবনা সবচেয়ে বেশি, তাদের হয় বিশাল cash reserve আছে (Google, Adobe, ByteDance), প্রতি frame-এ compute কমানো দক্ষ model architecture আছে, অথবা এমন platform business আছে যা সরাসরি generation খরচ বহন করে না।

Creator-দের জন্য এর অর্থ কী

আজ আপনি যদি AI video platform বেছে নেওয়া একজন creator হন, তাহলে feature-এর মতোই অর্থনীতিও গুরুত্বপূর্ণ।

✓লাভজনক parent company-র সমর্থন থাকা platform (Google, Adobe, ByteDance) দীর্ঘমেয়াদে নিরাপদ পছন্দ
✓স্থানীয়ভাবে চলা open-source model যেকোনো একক কোম্পানির উপর নির্ভরতা দূর করে
✓কম মূল্যে "unlimited" generation প্রদানকারী startup-গুলো সবচেয়ে বেশি ঝুঁকিপূর্ণ
✓workflow-তে প্রতিশ্রুতিবদ্ধ হওয়ার আগে খরচ স্থিতিশীল হওয়ার অপেক্ষা যুক্তিসঙ্গত, কিন্তু এতে early adoption-এর সুবিধা হারাতে হয়

Sora বন্ধ হওয়া কোনো ব্যতিক্রম ছিল না। এটি ছিল প্রথম domino। AI video generation-এর অর্থনীতি নির্মম, এবং যে কোম্পানিগুলো টিকবে তারা cost problem-এর সৃজনশীল সমাধান খুঁজেছে বলেই টিকবে, শুধু generation problem-এর সৃজনশীল সমাধান খুঁজেছে বলে নয়।

বৃহত্তর চিত্র

computing-এর প্রতিটি বড় পরিবর্তন এমন একটি পর্যায় পার করেছে যেখানে প্রযুক্তি কাজ করে, কিন্তু অর্থনীতি করে না। AWS এটিকে cash machine-এ পরিণত করার আগে cloud computing বহু বছর অলাভজনক ছিল। Netflix নিজেদের অবস্থান পাওয়ার আগে streaming video billions হারিয়েছে। AI video generation একই বেদনাদায়ক মধ্যবর্তী পর্যায়ে আছে।

এবারের পার্থক্য হলো গতি। hardware improvement curve cloud বা streaming-এর চেয়ে বেশি খাড়া। NVIDIA প্রতি 18-24 months-এ অর্থবহ cost-per-FLOP হ্রাসসহ নতুন architecture সরবরাহ করছে। distillation থেকে mixture-of-experts পর্যন্ত model efficiency research, এবং Helios-এর context compression-এর মতো architectural innovation, software-এর দিক থেকে compute requirement কমিয়ে দিচ্ছে।

আমার অনুমান: 2027 সালের শেষ নাগাদ, cloud infrastructure-এ 1080p-এ একটি 10-second video তৈরি করতে $0.10-এর কম খরচ হবে। সেই মূল্যবিন্দুতে business model কার্যকর হয়। প্রশ্ন হলো, ততদিন পর্যন্ত কোন কোম্পানিগুলো টিকে থাকতে পারবে।

AI video startup-গুলোর কবরস্থান খুব শিগগিরই ভিড় করবে। কিন্তু প্রযুক্তিটি নিজে কোথাও যাচ্ছে না। অর্থনীতি তাল মেলানোর অপেক্ষায় আছে মাত্র।

💡

স্থানীয়ভাবে AI video চালানো এবং cloud খরচ সম্পূর্ণ এড়ানোর একটি ব্যবহারিক নির্দেশিকার জন্য, আমাদের LTX-2 ও ComfyUI দিয়ে local AI video generation-এর guide দেখুন।