AI ویڈیو میں فزکس سمیولیشن: ماڈلز نے آخرکار حقیقت کا احترام کرنا کیسے سیکھا

باسکٹ بال کا مسئلہ

OpenAI نے Sora 2 لانچ کرتے وقت اسے بالکل درست بیان کیا: پرانے ماڈلز میں, اگر باسکٹ بال ہوپ سے چوک جاتی, تو یہ بہرحال نیٹ کے اندر ظاہر ہو جاتی۔ ماڈل کو بیانیہ نتیجہ معلوم تھا (گیند ٹوکری میں جاتی ہے) لیکن اسے ان طبیعی پابندیوں کا کوئی تصور نہیں تھا جو سفر کو کنٹرول کرنی چاہئیں۔

یہ کوئی معمولی بگ نہیں تھا۔ یہ ایک بنیادی تعمیراتی حد کی علامت تھی۔ ابتدائی ویڈیو جنریشن ماڈلز بصری پیٹرن میچنگ میں ماہر تھے, انہوں نے ایسے فریمز بنانا سیکھا جو انفرادی طور پر قابل قبول لگتے تھے جبکہ ترتیب سے دیکھنے پر طبیعی طور پر غیر مربوط رہتے۔

طبیعی سمجھ کے تین ستون

فزکس سمیولیشن میں پیش رفت تین باہم مربوط ترقیوں پر قائم ہے: ورلڈ ماڈلنگ, چین آف تھاٹ ریزننگ, اور بہتر ٹیمپورل اٹینشن میکانزمز۔

ورلڈ ماڈلز بمقابلہ فریم پریڈکشن

روایتی ویڈیو جنریشن نے اس کام کو ترتیب وار فریم پریڈکشن کے طور پر لیا: فریم 1 سے N تک دیے جائیں, فریم N+1 کی پیشگوئی کریں۔ یہ نقطہ نظر فطری طور پر فزکس کے ساتھ جدوجہد کرتا ہے کیونکہ اس کے پاس بنیادی طبیعی حالت کی کوئی واضح نمائندگی نہیں ہے۔

ورلڈ ماڈلز بنیادی طور پر مختلف نقطہ نظر اختیار کرتے ہیں۔ براہ راست پکسلز کی پیشگوئی کرنے کی بجائے, وہ پہلے منظر کی طبیعی حالت کی داخلی نمائندگی بناتے ہیں, جس میں اشیاء کی پوزیشنز, رفتار, مواد اور تعاملات شامل ہیں۔ تب ہی وہ اس حالت کو بصری فریموں میں رینڈر کرتے ہیں۔ یہ نقطہ نظر, جس کا ہماری ورلڈ ماڈلز تجزیہ میں گہرائی سے جائزہ لیا گیا, ویڈیو جنریشن کے بارے میں ہماری سوچ میں ایک تبدیلی کی نمائندگی کرتا ہے۔

ویڈیو کے لیے چین آف تھاٹ

Kling O1, جو 2025 کے آخر میں جاری ہوا, نے ویڈیو جنریشن میں چین آف تھاٹ ریزننگ متعارف کرائی۔ فریمز بنانے سے پہلے, ماڈل واضح طور پر سوچتا ہے کہ منظر میں طبیعی طور پر کیا ہونا چاہیے۔

میز سے گرتے گلاس کے منظر کے لیے, ماڈل پہلے سوچتا ہے:

• گلاس کی ابتدائی رفتار صفر ہے, پوزیشن میز کے کنارے پر
• کشش ثقل گلاس کو 9.8 میٹر/سیکنڈ² پر نیچے کی طرف تیز کرتی ہے
• گلاس تقریباً 0.45 سیکنڈ بعد فرش سے ٹکراتا ہے
• گلاس کا مواد نازک ہے, فرش سخت سطح ہے
• اثر فریکچر تھریشولڈ سے زیادہ ہے, گلاس ٹوٹ جاتا ہے
• ٹکڑے مومینٹم کے تحفظ کے ساتھ بکھرتے ہیں

یہ واضح سوچ کا مرحلہ ماڈل کی لیٹینٹ اسپیس میں ہوتا ہے اس سے پہلے کہ کوئی پکسل بنایا جائے۔ نتیجہ ایسی ویڈیو ہے جو نہ صرف بصری جمالیات بلکہ سببی سلسلوں کا بھی احترام کرتی ہے۔

بڑے پیمانے پر ٹیمپورل اٹینشن

ان پیش رفتوں کو ممکن بنانے والی تعمیراتی بنیاد ٹیمپورل اٹینشن ہے, وہ میکانزم جس کے ذریعے ویڈیو ماڈلز فریموں میں مستقل مزاجی برقرار رکھتے ہیں۔ ڈفیوژن ٹرانسفارمر آرکیٹیکچر جو جدید ویڈیو ماڈلز کو طاقت دیتا ہے ویڈیو کو اسپیس ٹائم پیچز کے طور پر پروسیس کرتا ہے, اٹینشن کو فریموں کے اندر مقامی اور ان کے درمیان وقتی طور پر بہنے دیتا ہے۔

جدید ویڈیو ماڈلز فی ویڈیو لاکھوں اسپیس ٹائم پیچز پروسیس کرتے ہیں, جن میں طبیعی مستقل مزاجی کے لیے وقف خصوصی اٹینشن ہیڈز ہوتے ہیں۔ یہ پیمانہ ماڈلز کو سینکڑوں فریموں میں آبجیکٹ شناخت اور طبیعی حالت کو ٹریک کرنے کی اجازت دیتا ہے, ایسی ہم آہنگی برقرار رکھتے ہوئے جو پرانی آرکیٹیکچرز کے ساتھ ناممکن تھی۔

حقیقی دنیا کے فزکس بینچ مارکس

ہم فزکس سمیولیشن کے معیار کی پیمائش کیسے کرتے ہیں? میدان نے کئی معیاری ٹیسٹ تیار کیے ہیں:

Kling ماڈلز نے سیال حرکیات میں مسلسل بہترین کارکردگی دکھائی ہے, خاص طور پر متاثر کن پانی کی سمیولیشن اور کپڑے کی فزکس کے ساتھ۔ OpenAI کا Sora 2 ٹکراؤ کی حقیقت پسندی اور مومینٹم کے تحفظ میں سرفہرست ہے, پیچیدہ ملٹی آبجیکٹ تعاملات کو متاثر کن درستگی کے ساتھ ہینڈل کرتا ہے۔

جمناسٹ ٹیسٹ

سب سے مشکل فزکس بینچ مارکس میں سے ایک اولمپک جمناسٹکس شامل ہے۔ گھومنے والا جمناسٹ پیچیدہ گردشی حرکیات سے گزرتا ہے: زاویہ مومینٹم کا تحفظ, اعضاء کے پھیلنے اور سکڑنے کے ساتھ متغیر مومنٹ آف انرشیا, اور ٹیک آف اور لینڈنگ کے لیے قوت کے اطلاق کا درست وقت۔

ابتدائی ویڈیو ماڈلز ہوا میں جمناسٹوں کے متاثر کن انفرادی فریمز بناتے تھے لیکن فزکس پر تباہ کن طور پر ناکام ہو جاتے۔ گردش بے ترتیب طور پر تیز یا سست ہو جاتی۔ لینڈنگ ناممکن پوزیشنوں میں ہوتی۔ جسم ایسے طریقوں سے خم ہو جاتا جو جسمانی پابندیوں کی خلاف ورزی کرتے۔

Sora 2 نے واضح طور پر اولمپک جمناسٹکس کو ایک بینچ مارک کے طور پر نمایاں کیا جسے اب یہ درست طریقے سے ہینڈل کرتا ہے۔ ماڈل پوری روٹین میں جمناسٹ کے زاویہ مومینٹم کو ٹریک کرتا ہے, جب اعضاء اندر کھینچے جاتے ہیں تو گردش تیز کرتا ہے (آئس اسکیٹر اسپن ایفیکٹ) اور جب وہ پھیلتے ہیں تو سست کرتا ہے۔

مواد کی سمجھ

فزکس سمیولیشن حرکت سے آگے مواد کی خصوصیات تک پھیلی ہوئی ہے۔ ماڈل کیسے جانتا ہے کہ شیشہ ٹوٹتا ہے جبکہ ربڑ اچھلتا ہے? کہ پانی چھڑکتا ہے جبکہ تیل جمع ہوتا ہے? کہ دھات پلاسٹک طور پر خم ہوتی ہے جبکہ لکڑی ٹوٹتی ہے?

جواب ٹریننگ ڈیٹا اور ماڈل کے سیکھے ہوئے پرائرز میں ہے۔ لاکھوں ویڈیوز پر ٹریننگ کے ذریعے جو مواد کو دنیا کے ساتھ تعامل کرتے ہوئے دکھاتی ہیں, ماڈلز مضمر مواد کی سمجھ تیار کرتے ہیں۔ کنکریٹ پر گرنے والا شیشہ قالین پر گرنے والے شیشے سے مختلف نتیجہ پیدا کرتا ہے, اور جدید ماڈلز اس فرق کو پکڑتے ہیں۔

حدود اور کنارے کے کیسز

ان پیش رفتوں کے باوجود, AI ویڈیو میں فزکس سمیولیشن نامکمل رہتی ہے۔ کئی معلوم حدود برقرار ہیں:

طویل مدتی استحکام: فزکس 5-10 سیکنڈ تک درست رہتی ہے لیکن لمبے دورانیوں میں بہک سکتی ہے۔ توسیع شدہ ویڈیوز آہستہ آہستہ تحفظ کے قوانین کی خلاف ورزی کر سکتی ہیں۔

پیچیدہ ملٹی باڈی سسٹمز: جبکہ دو اشیاء کا ٹکراؤ اچھی طرح کام کرتا ہے, درجنوں تعامل کرنے والی اشیاء والے مناظر (جیسے گرتا ہوا جینگا ٹاور) غلطیاں پیدا کر سکتے ہیں۔

غیر معمولی مواد: ٹریننگ ڈیٹا کے تعصبات کا مطلب ہے کہ عام مواد (پانی, شیشہ, دھات) غیر معمولی (نان نیوٹونین سیالز, مقناطیسی مواد) سے بہتر سمیولیٹ ہوتے ہیں۔

انتہائی حالات: بہت چھوٹے پیمانوں (مالیکیولر), بہت بڑے پیمانوں (فلکیاتی), یا انتہائی حالات (روشنی کی رفتار کے قریب) میں فزکس اکثر ناکام ہو جاتی ہے۔

تخلیق کاروں کے لیے مضمرات

بہتر فزکس سمیولیشن ویڈیو تخلیق کاروں کے لیے کیا معنی رکھتی ہے?

سب سے پہلے, یہ پوسٹ پروڈکشن فکسز کی ضرورت کو ڈرامائی طور پر کم کرتی ہے۔ وہ مناظر جن کو پہلے طبیعی ناممکنات کو درست کرنے کے لیے محتاط ایڈیٹنگ کی ضرورت تھی اب پہلی بار درست طریقے سے بنتے ہیں۔

دوسرا, یہ نئے تخلیقی امکانات کو ممکن بناتی ہے۔ درست فزکس سمیولیشن کا مطلب ہے کہ روب گولڈبرگ مشینیں, کھیلوں کی ترتیبیں اور ایکشن سینز محنت طلب دستی تصحیح کے بغیر بنائے جا سکتے ہیں۔

تیسرا, یہ ناظرین کی ادراک کو بہتر بناتی ہے۔ ناظرین لاشعوری طور پر فزکس کی خلاف ورزیوں کا پتہ لگاتے ہیں, جس سے طبیعی طور پر درست ویڈیوز زیادہ حقیقی محسوس ہوتی ہیں چاہے فرق بیان کرنا مشکل ہو۔

آگے کا راستہ

فزکس سمیولیشن کئی محوروں پر بہتر ہوتی رہے گی:

لمبی وقتی مستقل مزاجی: موجودہ ماڈلز سیکنڈوں کے لیے فزکس برقرار رکھتے ہیں, مستقبل کے ماڈلز منٹوں تک رکھیں گے۔

زیادہ پیچیدہ تعاملات: سینکڑوں تعامل کرنے والی اشیاء والے مناظر ممکن ہو جائیں گے۔

سیکھے ہوئے فزکس انجنز: ٹریننگ ڈیٹا سے مضمر فزکس کی بجائے, مستقبل کے ماڈلز ایک جزو کے طور پر واضح فزکس سمیولیشن شامل کر سکتے ہیں۔

ریئل ٹائم فزکس: فی الحال فزکس سے آگاہ جنریشن سست ہے, لیکن اصلاح طبیعی درستگی کے ساتھ ریئل ٹائم جنریشن کو ممکن بنا سکتی ہے۔

ٹیلی پورٹ ہونے والی باسکٹ بالز سے حقیقت پسندانہ اچھال تک کا سفر AI ویڈیو جنریشن میں سب سے اہم پیش رفتوں میں سے ایک کی نمائندگی کرتا ہے۔ ماڈلز نے, اگر فزکس کو انسانوں کی طرح نہیں سمجھا, تو کم از کم اس کی پابندیوں کا احترام کرنا سیکھ لیا ہے۔ تخلیق کاروں کے لیے, اس کا مطلب ہے کم تصحیحات, زیادہ امکانات, اور ایسی ویڈیوز جو محض زیادہ حقیقی محسوس ہوتی ہیں۔