World Labs Marble: فی فی لی کا مقامی ذہانت کا وژن

ImageNet سے ورلڈ ماڈلز تک

فی فی لی نے ImageNet کے ساتھ کمپیوٹر وژن میں انقلاب برپا کیا، وہ ڈیٹاسیٹ جس نے جدید گہری سیکھائی کو ممکن بنایا۔ اب، 230 ملین ڈالر کی فنڈنگ کے ساتھ World Labs بنانے کے ایک سال بعد، انہوں نے Marble لانچ کیا، کمپنی کی پہلی تجارتی مصنوعات۔

مفروضہ سادہ ہے: AI نے متن پر قابو پا لیا، پھر تصاویر، پھر ویڈیو۔ اگلی سرحد مقامی ذہانت ہے، تھری ڈی دنیاؤں کو سمجھنے، تخلیق کرنے اور ان کے ساتھ تعامل کرنے کی صلاحیت۔

Marble کیا کرتا ہے

Marble متعدد ان پٹ اقسام سے مستقل، ڈاؤن لوڈ کے قابل تھری ڈی ماحول تخلیق کرتا ہے:

• ✓متنی پرامپٹس
• ✓واحد تصاویر
• ✓ویڈیوز
• ✓پینوراماز
• ✓تھری ڈی لے آؤٹس

حریفوں جیسے Decart's Oasis یا Google's Genie کے ریئل ٹائم ورلڈ ماڈلز کے برعکس، Marble کم سے کم تبدیلی کے ساتھ مستحکم دنیائیں بناتا ہے۔ آپ ایک بار تخلیق کرتے ہیں، پھر آزادانہ دریافت کرتے ہیں بغیر اس کے کہ AI یہ "بھول جائے" کہ اس نے کیا بنایا۔

Chisel ایڈیٹر

یہ ہائبرڈ طریقہ Marble کو ٹیکسٹ ٹو سین ماڈلز سے الگ کرتا ہے۔ اس امید کی بجائے کہ AI آپ کی مقامی نیت کو سمجھے، آپ جیومیٹری کو واضح طور پر بیان کرتے ہیں۔ AI جمالیات، مواد اور روشنی کو سنبھالتا ہے۔

اسے فرش کے نقشے کو خاکہ بنانے سے پہلے کسی اندرونی ڈیزائنر سے سجاوٹ کرنے کو کہنے کی طرح سوچیں۔ مقامی تعلقات پر کنٹرول آپ کا رہتا ہے۔

ایکسپورٹ فارمیٹس اور مطابقت

تخلیق شدہ دنیائیں تین فارمیٹس میں ایکسپورٹ ہوتی ہیں:

قیمتوں کا ڈھانچہ

World Labs چار سطحیں پیش کرتا ہے:

مفت سطح آپ کو ٹیکنالوجی کا جائزہ لینے دیتی ہے۔ تجارتی حقوق کی ضرورت والے پروڈکشن کام کے لیے، $35/ماہ پر پرو سطح اس نئی صلاحیت کے لیے معقول داخلے کی قیمت کی نمائندگی کرتی ہے۔

مقامی ذہانت کیوں اہم ہے

لی دلیل دیتی ہیں کہ موجودہ AI کی ایک بنیادی حد ہے: یہ تھری ڈی اسپیس کے بارے میں خراب طریقے سے سوچتی ہے۔ لینگویج ماڈلز فزکس کے بارے میں فریب دیتے ہیں۔ ویڈیو ماڈلز ناممکن جیومیٹریز بناتے ہیں۔ تصویری جنریٹرز مستقل مقامی تعلقات کے ساتھ جدوجہد کرتے ہیں۔

روبوٹکس کے لیے، یہ بہت اہم ہے۔ باورچی خانے میں نیویگیٹ کرنے والے روبوٹ کو مقامی فہم کی ضرورت ہے، فریم کی پیشن گوئی کی نہیں۔ VFX کے لیے، ہدایت کاروں کو قابل دریافت ماحول کی ضرورت ہے، مقررہ کیمرہ راستوں کی نہیں۔

شکل لیتے استعمال کے معاملات

ورلڈ ایکسپینشن اور کمپوزر موڈ

دو خصوصیات سکیل کی حدود کو حل کرتی ہیں:

ورلڈ ایکسپینشن آپ کو ایک تخلیق شدہ دنیا کو ایک بار بڑھانے دیتا ہے، کنارے کے علاقوں میں تفصیل شامل کرتا ہے جہاں معیار عام طور پر گرتا ہے۔ یہ ابتدائی جنریشن کی حدود سے آگے قابل دریافت جگہ کی حدود کو آگے بڑھاتا ہے۔

کمپوزر موڈ متعدد دنیاؤں کو بڑے ماحول میں جوڑتا ہے۔ انفرادی کمرے تخلیق کریں، پھر انہیں مکمل عمارت میں سلائی کریں۔

یہ ٹولز موجودہ حدود کو تسلیم کرتے ہیں جبکہ عملی حل فراہم کرتے ہیں۔

مقابلے کا منظر نامہ

Marble ایک بھیڑ بھری فیلڈ میں داخل ہوتا ہے:

ٹریڈ آف واضح ہے۔ ریئل ٹائم ماڈلز جیسے Oasis فوری پن پیش کرتے ہیں لیکن عدم استحکام۔ Marble انٹرایکٹیوٹی پر استقامت اور قابل ترمیم کو ترجیح دیتا ہے۔

ویڈیو جنریشن سے جڑنا

تھری ڈی ورلڈ جنریشن ویڈیو سے کیسے متعلق ہے؟ وہ ڈفیوژن ماڈلز میں ریاضیاتی بنیادوں کو شیئر کرتے ہیں، لیکن مختلف مسائل حل کرتے ہیں۔

ویڈیو جنریشن عارضی ترتیب بناتا ہے، فریم کے بعد فریم۔ مقامی AI جیومیٹرک نمائندگی بناتا ہے، سطحیں اور حجم۔ ویڈیو جواب دیتا ہے "اگلا کیا ہوتا ہے؟" مقامی AI جواب دیتا ہے "یہاں کیا موجود ہے؟"

کنورجنس پوائنٹ: نیویگیبل ویڈیو۔ ایک تھری ڈی دنیا تخلیق کریں، پھر اس کے ذریعے حرکت کرتے ہوئے ویڈیو رینڈر کریں۔ یہ طریقہ خالص ویڈیو جنریشن کے ساتھ ناممکن کیمرہ کنٹرول پیش کرتا ہے۔

غور کرنے کے لیے حدود

Marble مکمل حل نہیں ہے:

• ○متحرک کردار یا متحرک عناصر نہیں
• ○جنریشن کیپس پروڈکشن ورک فلوز کو محدود کر سکتی ہیں
• ○کنارے کی کمی کے لیے توسیع کے راستے درکار ہیں
• ○صرف جامد ماحول

متحرک مواد کے لیے، آپ کو اب بھی ویڈیو جنریشن ماڈلز کی ضرورت ہے۔ Marble ماحول اور جگہوں میں بہترین ہے، اداکاروں یا اعمال میں نہیں۔

بڑی تصویر

فی فی لی مقامی ذہانت کو AI کی ترقی کے لیے ضروری سمجھتی ہیں:

ان کا وژن تفریح سے آگے پھیلا ہوا ہے۔ طبی سمولیشن جہاں طلباء اناٹومی کی دریافت کرتے ہیں۔ سائنسی ویژولائزیشن جہاں محققین مالیکیولر ڈھانچوں میں نیویگیٹ کرتے ہیں۔ مانگ پر تخلیق شدہ روبوٹک ٹریننگ ماحول۔

Marble پہلا قدم ہے، ایک تجارتی ثبوت کا تصور۔ تحقیق زیادہ متحرک، انٹرایکٹو اور جسمانی طور پر درست ورلڈ جنریشن کی طرف جاری ہے۔

شروعات کرنا

World Labs ایک مفت سطح پیش کرتا ہے جس میں ہر مہینے 4 جنریشن ہیں۔ ٹیکنالوجی کا جائزہ لینے اور اس کی حدود کو سمجھنے کے لیے کافی۔

تخلیق کاروں کے لیے جو پہلے سے تھری ڈی میں کام کر رہے ہیں، میش ایکسپورٹ کی صلاحیت موجودہ پائپ لائنز کے ساتھ مربوط ہوتی ہے۔ ویڈیو پروڈیوسرز کے لیے، ویڈیو ایکسپورٹ پری ویژولائزیشن کی صلاحیتیں فراہم کرتا ہے جو کہیں اور دستیاب نہیں ہیں۔

ٹو ڈی جنریشن سے تھری ڈی ورلڈ کی تخلیق کی طرف منتقلی اس میں بنیادی تبدیلی کی نمائندگی کرتی ہے جو AI پیدا کر سکتا ہے۔ Marble اس تبدیلی کو قابل رسائی بناتا ہے۔