চন্দ্র নববর্ষ উদ্‌যাপনের মধ্যে চীনের প্রযুক্তি জায়ান্টদের সমন্বিত এআই অভিযান

ফিজিক্যাল এআইয়ের নতুন সীমান্তে সমন্বিত আক্রমণ

আমেরিকার বাজার যখন অ্যানথ্রপিক ও ওপেনএআইয়ের সর্বশেষ ঘোষণায় মগ্ন, তখন চীনের প্রযুক্তি জায়ান্টরা এ সপ্তাহে সমন্বিতভাবে উন্নত কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা উন্মোচন করেছে, যা বৈশ্বিক এআই অঙ্গনে নাটকীয় পরিবর্তনের ইঙ্গিত দিচ্ছে। আলিবাবা, বাইটড্যান্স ও কুয়াইশো রোবোটিকস, সিনেমার মতো ভিডিও তৈরি এবং স্বায়ত্তশাসিত এজেন্ট-ভিত্তিক ব্যবস্থার জন্য ব্যবহারোপযোগী মডেল উন্মোচন করেছে। এতে দেখা যাচ্ছে, চীনা প্রতিষ্ঠানগুলো পশ্চিমা প্রতিদ্বন্দ্বীদের সঙ্গে প্রযুক্তিগত ব্যবধান কমিয়ে মাত্র কয়েক মাসে নামিয়ে এনেছে।

সময় নির্বাচনটি যে কৌশলগত ছিল, তা স্পষ্ট। চীনের সবচেয়ে গুরুত্বপূর্ণ ভোক্তা-সমাগমের সময় চন্দ্র নববর্ষের সঙ্গে এই উন্মোচনগুলো মিলে গেছে। এ সময় প্রযুক্তি কোম্পানিগুলো ঐতিহ্যগতভাবে সিসিটিভির স্প্রিং ফেস্টিভ্যাল গালায় কোটি কোটি দর্শকের সামনে উদ্ভাবন তুলে ধরে। রাষ্ট্রীয় সম্প্রচারমাধ্যমটির সঙ্গে একচেটিয়া এআই ক্লাউড অংশীদারত্ব নিশ্চিত করেছে বাইটড্যান্স। অন্যদিকে, আলিবাবা ৪৩ কোটি ৪০ লাখ ডলারের প্রচারাভিযান চালিয়েছে এবং টেনসেন্ট ছুটির উপহার বিতরণে ১০০ কোটি ইউয়ান বরাদ্দ করেছে। প্রযুক্তিগত দক্ষতা ও সাংস্কৃতিক বিপণনের এই সমন্বয় ফিজিক্যাল এআইয়ের নতুন সীমান্তে আধিপত্য বিস্তারে বেইজিংয়ের দৃঢ় সংকল্প তুলে ধরে। শিল্পসংশ্লিষ্টদের ভাষায়, এই ব্যবস্থাগুলো চ্যাটবটের গণ্ডি ছাড়িয়ে বস্তু নাড়াচাড়া, বাস্তবসম্মত গণমাধ্যম তৈরি এবং জটিল কর্মপ্রবাহ স্বয়ংক্রিয়ভাবে সম্পন্ন করতে পারে।

যখন যন্ত্রের স্মৃতি থাকে: এমবডিড ইন্টেলিজেন্সে আলিবাবার বাজি

আলিবাবার ড্যামো একাডেমি রাইনব্রেইন উন্মোচন করেছে। এটি একটি ওপেন-সোর্স রোবোটিকস মডেল, যা যন্ত্রের ভৌত জগৎ উপলব্ধি ও তার সঙ্গে মিথস্ক্রিয়ার পদ্ধতিতে মৌলিক পরিবর্তনের প্রতিনিধিত্ব করে। প্রচলিত ভিশন সিস্টেম যেখানে প্রতিটি ফ্রেমকে আলাদাভাবে বিশ্লেষণ করে, সেখানে রাইনব্রেইনে সময় ও স্থান সম্পর্কে অন্তর্নির্মিত সচেতনতা রয়েছে। ফলে রোবট কখন ও কোথায় ঘটনা ঘটেছে তা মনে রাখতে, একাধিক ধাপে কাজের অগ্রগতি অনুসরণ করতে এবং বাধাগ্রস্ত কাজ আবার শুরু করতে পারে।

প্রদর্শনীমূলক ভিডিওতে দেখা যায়, সাধারণ গ্রিপার লাগানো রোবট আপাতদৃষ্টিতে সহজ কিন্তু আসলে জটিল কাজ করছে: কমলা গুনছে, স্তূপ থেকে নির্দিষ্ট ফল বেছে নিচ্ছে এবং ফ্রিজ থেকে দুধ বের করছে। মানুষের জন্য তুচ্ছ এসব কাজে বস্তু শনাক্তকরণ, স্থানিক মানচিত্র তৈরি, গতিপথ পরিকল্পনা এবং ধারাবাহিক স্মৃতির মতো উল্লেখযোগ্য গণনাগত সক্ষমতা দরকার। হাগিং ফেসের গবেষক আদিনা ইয়াকেফু এই স্থাপত্যগত উদ্ভাবনের তাৎপর্য ব্যাখ্যা করেছেন।

তাৎক্ষণিক ইনপুটে শুধু প্রতিক্রিয়া জানানোর বদলে, রোবটটি কখন ও কোথায় ঘটনা ঘটেছে তা মনে রাখতে, কাজের অগ্রগতি অনুসরণ করতে এবং একাধিক ধাপে তা চালিয়ে যেতে পারে। জটিল বাস্তব পরিবেশে এটি ব্যবস্থাটিকে আরও নির্ভরযোগ্য ও ধারাবাহিক করে তোলে।

মডেলটি মিশ্র-এক্সপার্ট স্থাপত্য ব্যবহার করে। ইনফারেন্সের সময় এতে মাত্র ৩ বিলিয়ন প্যারামিটার সক্রিয় হয়, ফলে গণনাগত খরচ নিয়ন্ত্রণে থাকে। একাধিক বেঞ্চমার্কে এটি গুগলের জেমিনি রোবোটিকস-ইআর ১.৫ এবং এনভিডিয়ার কসমস-রিজন২-এর চেয়ে ভালো ফল করেছে বলে দাবি করা হয়েছে। গিটহাব ও হাগিং ফেসে রাইনব্রেইন ওপেন-সোর্স করে আলিবাবা একই ধরনের ক্লাউডভিত্তিক সক্ষমতার জন্য অর্থ নেওয়া প্রতিদ্বন্দ্বীদের চ্যালেঞ্জ জানাচ্ছে। পাশাপাশি শিল্প-স্বয়ংক্রিয়করণ, সরবরাহব্যবস্থা ও স্বাস্থ্যসেবায় ব্যবহারের জন্য ভিত্তিমূলক বুদ্ধিমত্তার স্তর গড়ার উচ্চাকাঙ্ক্ষাও প্রকাশ করছে।

হলিউডে আলোড়ন: ভিডিও প্রযোজনার ধরন বদলে দিচ্ছে বাইটড্যান্স ও কুয়াইশো

বাইটড্যান্সের সিড্যান্স ২.০ এবং কুয়াইশোর ক্লিং ৩.০ টেক্সট থেকে ভিডিও তৈরির প্রযুক্তিকে নিছক অভিনবত্বের পর্যায় থেকে পেশাদার প্রযোজনার সরঞ্জামে রূপান্তর করেছে। এগুলো সরাসরি ওপেনএআইয়ের সোরা-কে চ্যালেঞ্জ জানাচ্ছে এবং বিশ্লেষকদের ভাষায় সৃজনশীল কনটেন্টের জন্য শিল্পমানের প্ল্যাটফর্ম তৈরি করছে।

সিড্যান্স ২.০ একই সঙ্গে টেক্সট, ছবি, অডিও ও ভিডিও ইনপুট প্রক্রিয়া করে। এটি ধারাবাহিক চরিত্র, বাস্তবসম্মত পদার্থবিজ্ঞান এবং সমন্বিত বহুভাষিক অডিওসহ সর্বোচ্চ ১৫ সেকেন্ডের সিনেমাটিক দৃশ্য তৈরি করতে পারে। ক্যাপকাটের মধ্যে বাইটড্যান্সের ড্রিমিনা স্যুটে যুক্ত হওয়ায় বিজ্ঞাপনদাতা, সামাজিক যোগাযোগমাধ্যমের কনটেন্ট নির্মাতা ও চলচ্চিত্র প্রযোজকদের জন্য এটি সহজলভ্য সরঞ্জাম হয়ে উঠেছে। এআই দিয়ে কনটেন্ট তৈরি করেন এমন স্টকহোমভিত্তিক ক্রিয়েটিভ ডিরেক্টর বিলি বোম্যান প্রযুক্তির এই অগ্রযাত্রাকে রূপান্তরকারী বলে বর্ণনা করেছেন।

২০২৩ সালে কাউকে দৌড়াতে বা হাঁটতে দেখানোই কঠিন ছিল। বাস্তবতার যেকোনো ধরন খুব ছোট ক্লিপে সীমাবদ্ধ ছিল; সবকিছু ছিল খুব ধীর, টেক্সচার খারাপ, ত্বকের টেক্সচার ছিল না, বিস্তারিতও ছিল না। এখন চিত্রটা উল্টে গেছে। এখন আমি যেকোনো কিছু করতে পারি। প্রযুক্তির অগ্রগতি অসাধারণের চেয়েও বেশি কিছু।

তবে দ্রুত প্রযুক্তি চালুর ফলে নিয়ন্ত্রণব্যবস্থার দুর্বলতাও প্রকাশ পেয়েছে। অডিও নমুনা বা সম্মতি ছাড়াই একটি ছবি থেকে কোনো ব্যক্তির নির্দিষ্ট কণ্ঠস্বর ও কথা বলার ধরন পুনর্নির্মাণ করতে পারত এমন বিতর্কিত ‘ফেস-টু-ভয়েস’ ফিচার স্থগিত করেছে বাইটড্যান্স। চীনা প্রযুক্তি পর্যালোচক টিম পান ১০ ফেব্রুয়ারি এ সক্ষমতা দেখান। শুধু একটি ছবি থেকে তাঁর কণ্ঠস্বর নকল করার পর তিনি অভিজ্ঞতাটিকে আতঙ্ক সৃষ্টিকারী বলে বর্ণনা করেন। ঘটনাটি প্রযুক্তিগত সক্ষমতা ও নৈতিক সুরক্ষার মধ্যে টানাপোড়েন তুলে ধরে। এদিকে টম ক্রুজ ও ব্র্যাড পিটের মধ্যে কাল্পনিক মারামারির একটি ভাইরাল ভিডিওকে ঘিরে ব্যাপক স্বত্ব লঙ্ঘনের অভিযোগ তুলে মোশন পিকচার অ্যাসোসিয়েশন আনুষ্ঠানিক অভিযোগ করেছে।

কুয়াইশোর ক্লিং ৩.০-তে পরিপূরক কিছু সুবিধা রয়েছে। একাধিক শটে বিষয়বস্তুর ধারাবাহিকতা, জটিল দৃশ্যে বাস্তবতা এবং বিভিন্ন ভাষা ও উপভাষায় স্বাভাবিক অডিও তৈরির মাধ্যমে পেশাদার গল্প বলার ওপর এতে জোর দেওয়া হয়েছে। স্টোরিবোর্ড তৈরির জন্য মডেলটি একসঙ্গে একাধিক ছবি তৈরি করতে পারে। একবারে তৈরির ভিডিওর দৈর্ঘ্য ১৫ সেকেন্ড পর্যন্ত বাড়ানোর পাশাপাশি প্রতিটি শটের সময়কাল, ফ্রেমবিন্যাস ও ক্যামেরার গতিও নির্দিষ্ট করে দেওয়া যায়। আপাতত অর্থের বিনিময়ে গ্রাহকদের জন্য এটি চালু রয়েছে; সবার জন্য উন্মুক্ত করা শিগগিরই। গত এক বছরে ক্লিংয়ের কারণে কুয়াইশোর শেয়ারের দাম ৫০ শতাংশের বেশি বেড়েছে। স্বল্পদৈর্ঘ্য ভিডিওর পরিবেশে এআই-সমৃদ্ধ কনটেন্ট তৈরির সরঞ্জাম ব্যবহারকারীর সম্পৃক্ততা বাড়াবে এবং নতুন আয়ের পথ তৈরি করবে, বিনিয়োগকারীদের এমন আস্থারই প্রতিফলন এই বৃদ্ধি।

বুদ্ধিমত্তাকে সবার নাগালে আনা: ওপেন-সোর্সের ঢেউ

ভোক্তামুখী ব্যবহারের বাইরেও চীনা গবেষণাগারগুলো বৃহৎ ভাষা মডেল ও এজেন্ট-ভিত্তিক ব্যবস্থার ওপেন-সোর্স বিতরণ দ্রুততর করছে। ঝিপু এআই জিএলএম-৫ প্রকাশ করে দাবি করেছে, কোডিং বেঞ্চমার্কে মডেলটি অ্যানথ্রপিকের ক্লদ ওপাস ৪.৫-এর কাছাকাছি পৌঁছেছে, আর নির্দিষ্ট পরীক্ষায় গুগলের জেমিনি ৩ প্রো-কে ছাড়িয়ে গেছে। মিনিম্যাক্স তাদের হালনাগাদ ওপেন-সোর্স মডেল এম২.৫ উন্মোচন করেছে, যাতে স্বায়ত্তশাসিত এজেন্টের জন্য উন্নত সরঞ্জাম রয়েছে। এসব এআই ব্যবস্থা অল্প মানবিক হস্তক্ষেপে সময়সূচি তৈরি, গবেষণা বা সফটওয়্যার স্থাপনের মতো একাধিক ধাপের কর্মপ্রবাহ সম্পন্ন করতে পারে।

এই ওপেন-সোর্স কৌশল পশ্চিমা এআইয়ের কিছু শীর্ষ প্রতিষ্ঠানের বন্ধ বাণিজ্যিক পদ্ধতির সম্পূর্ণ বিপরীত। মডেলের ওজন, প্রশিক্ষণ কোড ও ডেটাসেট প্রকাশ করে চীনা কোম্পানিগুলো ইকোসিস্টেমে গ্রহণযোগ্যতা বাড়াচ্ছে, দ্রুত মতামত সংগ্রহ করছে এবং পরবর্তী পর্যায়ের উদ্ভাবনকে উৎসাহিত করছে। একই সঙ্গে উন্নত সেমিকন্ডাক্টর রপ্তানিতে যুক্তরাষ্ট্রের নিয়ন্ত্রণের ফলে তৈরি গণনাগত সীমাবদ্ধতা এড়িয়ে যাচ্ছে। ২০২৫ সালে হাগিং ফেসে সবচেয়ে বেশি ডাউনলোড হওয়া মডেল সিরিজ হিসেবে আলিবাবার কিউয়েন পরিবার মেটার লামাকে ছাড়িয়ে যায়। বর্তমানে প্ল্যাটফর্মটির ট্রেন্ড তালিকার শীর্ষ দশের আটটি স্থান চীনা প্রতিষ্ঠানের দখলে।

এজেন্ট-ভিত্তিক এআই যুগের জন্য বিশেষভাবে তৈরি কিউয়েন ৩.৫ দিয়ে আলিবাবা তাদের পোর্টফোলিও আরও বাড়িয়েছে। এতে ভিজ্যুয়াল এজেন্ট সক্ষমতা রয়েছে, যা মোবাইল ও ডেস্কটপ অ্যাপ্লিকেশনে স্বাধীনভাবে কাজ করতে পারে। কোম্পানির দাবি, আগের সংস্করণের তুলনায় মডেলটি চালাতে ৬০ শতাংশ কম খরচ হয় এবং বড় আকারের কাজ প্রক্রিয়াকরণে এটি আট গুণ ভালো। একই সময়ে চীনের সবচেয়ে বেশি ব্যবহৃত চ্যাটবট অ্যাপ্লিকেশন দৌবাওয়ের ২.০ সংস্করণ প্রকাশ করেছে বাইটড্যান্স; এর ব্যবহারকারী সংখ্যা ২০ কোটির কাছাকাছি।

আধিপত্যের তিন পথ: দক্ষতা, গল্প বলা ও বাণিজ্য

হুয়াচুয়াং সিকিউরিটিজের বাজার বিশ্লেষণে তিন প্রযুক্তি জায়ান্টের স্বতন্ত্র কৌশলগত অবস্থান উঠে এসেছে। বাইটড্যান্স দক্ষতার অবকাঠামো গড়ছে। ক্যাপকাটের আরও উন্নত সংস্করণের মতো সাধারণভাবে ব্যবহারযোগ্য, সহজে প্রবেশযোগ্য ও কম খরচের সরঞ্জাম দিয়ে তারা ওয়েবজুড়ে কনটেন্ট তৈরির খরচ কমাতে এবং বিপুল পরিমাণ কনটেন্টের মধ্য দিয়ে নিজস্ব ইকোসিস্টেমকে এগিয়ে নিতে চায়।

কুয়াইশোর জোর পেশাদার গল্প বলায়। চলচ্চিত্রের ডেমো, সিনেমাটিক আখ্যান এবং বর্ণনার ধারাবাহিকতা প্রয়োজন এমন উচ্চমানের কনটেন্টের জন্য তারা ভৌত সিমুলেশন, জটিল দৃশ্যে বাস্তবতা ও চরিত্রের ধারাবাহিকতাকে লক্ষ্য করছে। অন্যদিকে, আলিবাবার মনোযোগ উল্লম্ব ই-কমার্স সংযুক্তিতে। কিউয়েন-ইমেজ-২.০ পণ্যকে ডিজিটাল রূপ দেওয়া এবং বাণিজ্যিক কর্মপ্রবাহে সক্ষমতা বাড়াচ্ছে। এআই-চালিত কুপন বিতরণ ও খাবার সরবরাহের সংযুক্তি সমর্থিত প্রচারাভিযানে ছয় দিনে ১২ কোটির বেশি অর্ডার এসেছে।

এই স্বতন্ত্র অবস্থান কনটেন্ট তৈরির সরবরাহ-পক্ষের বৃহত্তর বিপ্লবেরই প্রতিফলন। নিয়ন্ত্রণযোগ্যতা বাড়ার সঙ্গে সঙ্গে ব্যবহারযোগ্য ফল পেতে বারবার কনটেন্ট তৈরি করতে হয় এমন ‘গাছা’ ব্যবস্থা সরে গিয়ে পূর্বানুমানযোগ্য শিল্পোৎপাদন আসছে। ফলে ভিডিও তৈরির প্রান্তিক খরচ কেবল গণনাগত ব্যয়ের কাছাকাছি নেমে আসছে। বিশ্লেষকদের ধারণা, এতে বিপণন সংস্থা, ই-কমার্স সেবাদাতা এবং মানহুয়া ও স্বল্পদৈর্ঘ্য নাটক শিল্পে উল্লেখযোগ্য প্রভাব পড়বে। উৎপাদনের বাধা কমে গেলে মেধাস্বত্বের মূল্য শীর্ষস্থানীয় কনটেন্টের চারপাশে কেন্দ্রীভূত হতে পারে।

দ্বিখণ্ডিত বিশ্বে ব্যবধান কমছে

গুগল ডিপমাইন্ডের প্রধান ডেমিস হাসাবিস সম্প্রতি মূল্যায়ন করেছেন, চীনের এআই মডেলগুলো পশ্চিমা প্রতিদ্বন্দ্বীদের চেয়ে মাত্র কয়েক মাস পিছিয়ে। স্থানীয়ভাবে পাওয়া হার্ডওয়্যারের উপযোগী করে মডেল সাজানো এবং দেশীয় চিপ সক্ষমতা গড়ে তোলায় চীনা গবেষণাগারগুলো এই ব্যবধান আরও কমাচ্ছে। বিশ্বজুড়ে এআই পেটেন্ট আবেদনের ৭০ শতাংশের বেশি এখন চীনের, যদিও মৌলিক স্থাপত্য ও উদ্ধৃতির প্রভাবে মার্কিন কোম্পানিগুলো এগিয়ে রয়েছে।

কাঁচা বেঞ্চমার্কের ফলের বদলে ইনফারেন্সের দক্ষতা ও ইকোসিস্টেমের সঙ্গে সংযুক্তিই ক্রমে প্রতিযোগিতার চিত্র নির্ধারণ করছে। ২০২৫ সালের শেষ দিকে ডিপসিকের ভাইরাল উত্থান দেখিয়ে দিয়েছে, চীনা গবেষণাগারগুলো পশ্চিমা মডেলের সমমানের কার্যক্ষমতা অনেক কম গণনাগত খরচে অর্জন করতে পারে। এর পর পুরো খাতেই অগ্রগতির গতি বেড়েছে। উচ্চ ব্যান্ডউইথ মেমোরি চিপ ও উন্নত উৎপাদন সরঞ্জামে যুক্তরাষ্ট্রের রপ্তানি নিয়ন্ত্রণ এই অগ্রগতিকে জটিল করেছে, তবে থামাতে পারেনি। হুয়াওয়ের মতো কোম্পানি স্বনির্ভর সেমিকন্ডাক্টর উৎপাদন লাইন এগিয়ে নিচ্ছে।

একই সঙ্গে মার্কিন প্রযুক্তি কোম্পানিগুলো চীনা ডেভেলপারদের প্রবেশাধিকার আরও কঠোর করেছে। ২০২৪ সালের জুলাইয়ে ওপেনএআই এপিআই ব্যবহারে নিষেধাজ্ঞা দেয়, মাইক্রোসফট মূল ভূখণ্ড চীনের ব্যক্তিগত ডেভেলপারদের জন্য অ্যাজুর ওপেনএআই সেবা বন্ধ করে এবং প্রতিবেদনে অ্যানথ্রপিকের ক্লদ অ্যাকাউন্ট স্থগিত করার খবরও এসেছে। এসব বিধিনিষেধে দেশীয় উন্নয়নের প্রচেষ্টা আরও জোরদার হয়েছে। এর ফলে বহুমেরু এআই অঙ্গন তৈরি হচ্ছে, যেখানে নেতৃত্ব শুধু ভৌগোলিক অবস্থান নয়, বরং ক্ষেত্রভেদে নির্ধারিত হচ্ছে।

মূল কথা

• চন্দ্র নববর্ষের সময় আলিবাবা, বাইটড্যান্স ও কুয়াইশো রোবোটিকস, ভিডিও তৈরি এবং এজেন্ট-ভিত্তিক ব্যবস্থাকে লক্ষ্য করে সমন্বিতভাবে এআই মডেল প্রকাশ করেছে
• আলিবাবার ওপেন-সোর্স রাইনব্রেইন রোবোটিকস মডেলে সময় ও স্থান সম্পর্কে সচেতনতা রয়েছে। ফলে রোবট একাধিক ধাপে কাজ অনুসরণ করতে এবং বস্তুর সঙ্গে মিথস্ক্রিয়া মনে রাখতে পারে
• বাইটড্যান্সের সিড্যান্স ২.০ টেক্সট নির্দেশনা থেকে সিনেমাটিক ভিডিও তৈরি করে। তবে সম্মতি নিয়ে উদ্বেগের কারণে একটি পর্যালোচক আতঙ্ক সৃষ্টিকারী সক্ষমতা দেখানোর পর কণ্ঠস্বর নকলের ফিচার স্থগিত করা হয়েছে
• কুয়াইশোর ক্লিং ৩.০ পেশাদার গল্প বলায় জোর দেয়। এতে ১৫ সেকেন্ডের ভিডিও, বহুভাষিক অডিও ও উন্নত চরিত্র-ধারাবাহিকতা রয়েছে। গত এক বছরে কোম্পানিটির শেয়ারের দাম ৫০ শতাংশ বেড়েছে
• চীনা এআই প্রতিষ্ঠানগুলো জোরালোভাবে ওপেন-সোর্স কৌশল নিচ্ছে। হাগিং ফেসে সবচেয়ে বেশি ডাউনলোড হওয়া মডেল হিসেবে আলিবাবার কিউয়েন সিরিজ মেটার লামাকে ছাড়িয়ে গেছে
• কৌশলগতভাবে বাইটড্যান্স দক্ষতার অবকাঠামো, কুয়াইশো সিনেমাটিক বাস্তবতা এবং আলিবাবা ই-কমার্সের উল্লম্ব সংযুক্তিতে মনোযোগ দিচ্ছে
• গুগল ডিপমাইন্ডের হিসাবে চীনা মডেলগুলো পশ্চিমা সমমানের মডেলের চেয়ে মাত্র কয়েক মাস পিছিয়ে। ইনফারেন্সের দক্ষতা ও মাল্টিমোডাল ব্যবহারে ব্যবধান দ্রুত কমছে