ওয়ার্ল্ড মডেল: AI ভিডিও জেনারেশনের পরবর্তী সীমান্ত

ফ্রেম থেকে জগতে

প্রচলিত ভিডিও জেনারেশন মডেলগুলো উন্নতমানের ফ্লিপ-বুক শিল্পীর মতো কাজ করে। আপনার টেক্সট প্রম্পটের নির্দেশনায় তারা আগের ফ্রেমগুলোর ভিত্তিতে পরের ফ্রেমটি কেমন হওয়া উচিত তা অনুমান করে। এটি কাজ করে, কিন্তু এর মৌলিক সীমাবদ্ধতা আছে।

ওয়ার্ল্ড মডেল ভিন্ন পদ্ধতি নেয়। "পরের ফ্রেমটি কেমন হওয়া উচিত?" জিজ্ঞেস করার বদলে তারা জিজ্ঞেস করে, "এই পরিবেশটি কীভাবে আচরণ করে?" পার্থক্যটি সূক্ষ্ম শোনালেও, এটি সবকিছু বদলে দেয়।

আপনি যখন একটি ফ্রেম প্রেডিক্টরকে পাহাড় বেয়ে গড়িয়ে নামা একটি বল তৈরি করতে বলেন, এটি প্রশিক্ষণ ডেটার ভিত্তিতে দৃশ্যটি কেমন হতে পারে তার আনুমানিক রূপ তৈরি করে। আপনি যখন একটি ওয়ার্ল্ড মডেলকে একই কথা বলেন, এটি পদার্থবিজ্ঞান সিমুলেট করে: মাধ্যাকর্ষণ বলটিকে ত্বরান্বিত করে, ঘাসের সঙ্গে ঘর্ষণ সেটিকে ধীর করে এবং ভরবেগ বলটিকে বিপরীত ঢালের ওপর নিয়ে যায়।

Runway-এর GWM-1 আসলে কী করে

Runway ডিসেম্বর 2025-এ GWM-1 (General World Model 1) প্রকাশ করে, এবং এটি ওয়ার্ল্ড সিমুলেশনের দিকে তাদের প্রথম জনসমক্ষে পদক্ষেপ। মডেলটি তাদের ভাষায় "ডাইনামিক সিমুলেশন এনভায়রনমেন্ট" তৈরি করে, এমন সিস্টেম যা শুধু জিনিসের চেহারা নয়, সময়ের সঙ্গে সেগুলো কীভাবে বিকশিত হয় তাও বোঝে।

সময়ের বিষয়টি গুরুত্বপূর্ণ। এই প্রকাশটি Gen-4.5-এর Video Arena-এ #1 হওয়া-র পাশাপাশি এসেছে, যা OpenAI Sora 2-কে 4র্থ স্থানে নামিয়ে দেয়। এগুলো সম্পর্কহীন অর্জন নয়। Gen-4.5-এর শারীরিক নির্ভুলতার উন্নতি, যেখানে বস্তু বাস্তবসম্মত ওজন, ভরবেগ এবং বল নিয়ে নড়ে, সম্ভবত এর আর্কিটেকচারকে প্রভাবিত করা ওয়ার্ল্ড মডেল গবেষণা থেকে এসেছে।

কেন এটি সবকিছু বদলে দেয়

1. যে পদার্থবিজ্ঞান সত্যিই কাজ করে

বর্তমান ভিডিও মডেলগুলো পদার্থবিজ্ঞানে হোঁচট খায়, কারণ তারা শুধু পদার্থবিজ্ঞান দেখেছে, কখনও তা অনুভব করেনি। তারা জানে ছেড়ে দেওয়া বস্তু পড়ে যায়, কিন্তু হিসাব করার বদলে গতিপথ অনুমান করে। ওয়ার্ল্ড মডেল এই সম্পর্ক উল্টে দেয়।

এই কারণেই Sora 2-এর পদার্থবিজ্ঞান সিমুলেশন মানুষকে মুগ্ধ করেছিল: OpenAI শারীরিক বোঝাপড়ায় ব্যাপক বিনিয়োগ করেছে। ওয়ার্ল্ড মডেল এই পদ্ধতিকে আনুষ্ঠানিক রূপ দেয়।

2. কৌশল ছাড়াই সময়গত সামঞ্জস্য

AI ভিডিওর সবচেয়ে বড় সমস্যা ছিল সময়ের সঙ্গে সামঞ্জস্য বজায় রাখা। চরিত্রের চেহারা বদলে যায়, বস্তু টেলিপোর্ট করে, পরিবেশ এলোমেলোভাবে পরিবর্তিত হয়। আমরা মডেলগুলো কীভাবে মুখ মনে রাখতে শিখছে তা ক্রস-ফ্রেম অ্যাটেনশনের মতো স্থাপত্যগত উদ্ভাবনের মাধ্যমে অনুসন্ধান করেছি।

ওয়ার্ল্ড মডেল আরও মার্জিত সমাধান দেয়: যদি সিমুলেশন একটি ভার্চুয়াল স্পেসে সত্তাগুলোকে স্থায়ী বস্তু হিসেবে ট্র্যাক করে, তাহলে সেগুলো এলোমেলোভাবে বদলে বা অদৃশ্য হতে পারে না। বলটি সিমুলেটেড জগতে রয়েছে। এর বৈশিষ্ট্য (আকার, রং, অবস্থান, বেগ) সিমুলেশনের কিছু সেগুলো পরিবর্তন না করা পর্যন্ত স্থায়ী থাকে।

3. দীর্ঘতর ভিডিও সম্ভব হয়

বর্তমান মডেলগুলো সময়ের সঙ্গে মান হারায়। CraftStory-এর দ্বিমুখী ডিফিউশন পরের ফ্রেমগুলোকে আগের ফ্রেমগুলোকে প্রভাবিত করতে দিয়ে 5-মিনিটের ভিডিওর দিকে এগোয়। ওয়ার্ল্ড মডেল একই সমস্যাকে ভিন্নভাবে দেখে: সিমুলেশন স্থিতিশীল হলে, আপনি এটি যতক্ষণ চান চালাতে পারেন।

সীমাবদ্ধতা (সবসময়ই একটি সীমাবদ্ধতা থাকে)

ওয়ার্ল্ড মডেলকে প্রতিটি ভিডিও জেনারেশন সমস্যার সমাধান মনে হয়। সেগুলো তা নয়, অন্তত এখনও নয়।

কম্পিউটেশনাল খরচ

একটি জগৎ সিমুলেট করা ব্যয়বহুল। LTX-2-এর মতো প্রকল্পের কাজের কারণে ফ্রেম প্রেডিকশন কনজিউমার GPU-তে চলতে পারে। ওয়ার্ল্ড সিমুলেশনের জন্য স্টেট বজায় রাখা, বস্তু ট্র্যাক করা এবং ফিজিক্স গণনা চালানো প্রয়োজন। এতে হার্ডওয়্যার প্রয়োজনীয়তা উল্লেখযোগ্যভাবে বেড়ে যায়।

জগতের নিয়ম শেখা কঠিন

একটি মডেলকে জিনিস দেখতে কেমন তা শেখানো সহজ: একে লক্ষ লক্ষ উদাহরণ দেখান। একটি মডেলকে জগৎ কীভাবে কাজ করে তা শেখানো আরও অস্পষ্ট। ভিডিও ডেটা থেকে পদার্থবিজ্ঞান শেখা যায়, তবে সীমিত পরিমাণে। মডেল দেখে যে ছেড়ে দেওয়া বস্তু পড়ে, কিন্তু ফুটেজ দেখে মাধ্যাকর্ষণ ধ্রুবক নির্ণয় করতে পারে না।

সৃজনশীল নিয়ন্ত্রণের প্রশ্ন

মডেল যদি পদার্থবিজ্ঞান সিমুলেট করে, তাহলে কোন পদার্থবিজ্ঞান হবে তা কে নির্ধারণ করবে? কখনও আপনি বাস্তবসম্মত মাধ্যাকর্ষণ চান। কখনও আপনি চান চরিত্রগুলো ভাসুক। নির্মাতারা অবাস্তব ফলাফল চাইলে ওয়ার্ল্ড মডেলের তাদের সিমুলেশন অগ্রাহ্য করার ব্যবস্থা প্রয়োজন।

শিল্পটি কোন দিকে যাচ্ছে

Runway এই পথে একা নয়। ডিফিউশন ট্রান্সফরমার-এর পেছনের আর্কিটেকচার পেপারগুলো মাসের পর মাস ধরে এই পরিবর্তনের ইঙ্গিত দিচ্ছে। প্রশ্ন সবসময় কখন, হবে কি না নয়।

এন্টারপ্রাইজের আগ্রহ তাৎপর্যপূর্ণ। Runway Ubisoft-কে আর্লি অ্যাক্সেস দিয়েছে, Disney Sora ইন্টিগ্রেশনের জন্য OpenAI-এর সঙ্গে এক বিলিয়ন ডলার বিনিয়োগ করেছে। এগুলো এমন কোম্পানি নয় যারা দ্রুত সোশ্যাল মিডিয়া ক্লিপ তৈরি করতে আগ্রহী। তারা এমন AI চায় যা গেম পরিবেশ সিমুলেট করতে পারে, সামঞ্জস্যপূর্ণ অ্যানিমেটেড চরিত্র তৈরি করতে পারে এবং পেশাদার যাচাইয়ের মান ধরে রাখতে পারে এমন কনটেন্ট তৈরি করতে পারে।

নির্মাতাদের জন্য এর অর্থ কী

• ✓ভিডিওর সামঞ্জস্য নাটকীয়ভাবে উন্নত হবে
• ✓পদার্থবিজ্ঞান-নির্ভর কনটেন্ট কার্যকর হবে
• ✓মান ভেঙে পড়া ছাড়া দীর্ঘতর জেনারেশন
• ✓শুরুতে খরচ ফ্রেম প্রেডিকশনের চেয়ে বেশি হবে
• ✓সৃজনশীল নিয়ন্ত্রণের প্রক্রিয়াগুলো এখনও বিকশিত হচ্ছে

আপনি যদি আজ AI ভিডিও তৈরি করেন, তাহলে ওয়ার্ল্ড মডেল এমন কিছু নয় যা আপনাকে অবিলম্বে গ্রহণ করতে হবে। তবে এগুলো নজরে রাখার মতো বিষয়। বছরের শুরুতে আমাদের প্রকাশিত Sora 2, Runway এবং Veo 3-এর তুলনা আপডেট করতে হবে, কারণ এসব প্ল্যাটফর্মে ওয়ার্ল্ড মডেলের সক্ষমতা চালু হচ্ছে।

এখনই ব্যবহারিক ক্ষেত্রে, নির্দিষ্ট ব্যবহারের জন্য পার্থক্যগুলো গুরুত্বপূর্ণ:

• পণ্য ভিজ্যুয়ালাইজেশন: এখানে ওয়ার্ল্ড মডেল উৎকৃষ্ট হবে। পরস্পরের সঙ্গে মিথস্ক্রিয়াশীল বস্তুর জন্য নির্ভুল পদার্থবিজ্ঞান।
• বিমূর্ত শিল্প: ফ্রেম প্রেডিকশন আসলে বেশি উপযোগী হতে পারে। আপনি সিমুলেটেড বাস্তবতা নয়, অপ্রত্যাশিত ভিজ্যুয়াল আউটপুট চান।
• চরিত্র অ্যানিমেশন: ওয়ার্ল্ড মডেল এবং পরিচয়-সংরক্ষণ কৌশল শেষ পর্যন্ত সামঞ্জস্যের সমস্যা সমাধান করতে পারে।

বৃহত্তর চিত্র

ওয়ার্ল্ড মডেল AI ভিডিওর পরিণত হওয়ার প্রতিনিধিত্ব করে। ফ্রেম প্রেডিকশন সংক্ষিপ্ত ক্লিপ, ভিজ্যুয়াল অভিনবত্ব এবং প্রুফ-অফ-কনসেপ্ট প্রদর্শনী তৈরির জন্য যথেষ্ট ছিল। বাস্তব প্রোডাকশন কাজের জন্য ওয়ার্ল্ড সিমুলেশন প্রয়োজন, যেখানে কনটেন্টকে সামঞ্জস্যপূর্ণ, শারীরিকভাবে বিশ্বাসযোগ্য এবং সম্প্রসারণযোগ্য হতে হয়।

100-জনের একটি দল নিয়ে বেঞ্চমার্কে Runway-এর Google এবং OpenAI-কে হারানো আমাদের গুরুত্বপূর্ণ কিছু জানায়: সঠিক আর্কিটেকচারাল পদ্ধতি সম্পদের চেয়ে বেশি গুরুত্বপূর্ণ। ওয়ার্ল্ড মডেল সেই পদ্ধতি হতে পারে। Runway-এর বাজি সফল হলে, তারা ভিডিও AI-এর পরবর্তী প্রজন্মকে সংজ্ঞায়িত করবে।

আর যদি পদার্থবিজ্ঞান সিমুলেশন যথেষ্ট ভালো হয়ে ওঠে? আমরা আর শুধু ভিডিও তৈরি করছি না। আমরা একবারে একটি সিমুলেশন করে ভার্চুয়াল জগৎ তৈরি করছি।

---

উৎস

• Runway: Runway জানিয়েছে যে Gen-4.5 1,247 Elo স্কোর করেছে এবং Artificial Analysis-এ প্রথম স্থান ধরে রেখেছে… (Runway)
• CNBC: Runway CEO Cristóbal Valenzuela বলেছেন যে কোম্পানিটি একটি দলের মাধ্যমে বেঞ্চমার্ক ফলাফল অর্জন করেছে… (CNBC)