গুগল ডিপমাইন্ডের জিনি ৪: তাৎক্ষণিক অডিও, ইন্টারঅ্যাকটিভ চরিত্র ও আরও বাস্তবসম্মত ভার্চুয়াল জগৎ

ছবি, নড়াচড়া ও শব্দে সাড়া দেয় যে ভার্চুয়াল জগৎ

গুগল ডিপমাইন্ড উন্মোচন করেছে জিনি ৪—একটি পরীক্ষামূলক কৃত্রিম বুদ্ধিমত্তার মডেল, যা শব্দ, কথোপকথন এবং পরিবর্তনশীল ভৌত পরিবেশসহ ইন্টারঅ্যাকটিভ ভার্চুয়াল জগৎ তৈরি করে। যুক্তরাষ্ট্রের স্থানীয় সময় ২৭ অক্টোবর মডেলটির ঘোষণা দেওয়া হয়। শুরুতে এটি অল্পসংখ্যক বিশ্বস্ত পরীক্ষকের জন্য উন্মুক্ত করা হয়েছে। পরে প্রজেক্ট জিনি, জেমিনি এপিআই এবং গুগল এআই স্টুডিওর মাধ্যমে ব্যবহারের সুযোগ দেওয়ার পরিকল্পনা রয়েছে।

গুগলের দাবি, জিনি ৪ একটি দৃশ্যকে টানা দুই মিনিট পর্যন্ত সামঞ্জস্যপূর্ণ রাখতে পারে—এর আগের সংস্করণ জিনি ৩-এর ক্ষেত্রে যা ছিল আনুমানিক এক মিনিট। এই সময়ে ব্যবহারকারীরা পরিবেশের ভেতর চলাফেরা করতে পারেন, আবহাওয়া বদলাতে পারেন, মানুষ বা বস্তু যুক্ত করতে পারেন এবং কী ঘটছে তার প্রতিক্রিয়ায় চরিত্রদের কথা শুনতে পারেন।

গবেষণামূলক প্রিভিউয়ের ঘোষণা দেওয়ার সময় মডেলটির বর্ণনা দেন অ্যালফাবেট ও গুগলের প্রধান নির্বাহী সুন্দর পিচাই:

আমাদের সবচেয়ে বাস্তবসম্মত ও ইন্টারঅ্যাকটিভ বিশ্ব-মডেল

সবচেয়ে বড় সংযোজন হলো নেটিভ অডিও—অর্থাৎ শব্দ পরে যোগ করা হয় না, বরং অনুকরণ করা অভিজ্ঞতার অংশ হিসেবেই তৈরি হয়। জগৎ বদলানোর সঙ্গে বাতাসের শব্দ, ঢেউ, আবহসংগীত এবং কথোপকথনও শোনা যেতে পারে। গুগলের আরও দাবি, মানুষের নড়াচড়া এবং সংঘর্ষ ও বায়ুগতিবিদ্যার মতো ভৌত প্রভাবের অনুকরণও উন্নত হয়েছে। বায়ুগতিবিদ্যা বলতে চলমান বস্তুর ওপর বাতাসের প্রভাব বোঝায়।

গুগল চলচ্চিত্র পরিকল্পনা, গেম তৈরি, শিক্ষা এবং বাস্তব পরিবেশে কাজ করার আগে রোবট বা এআই এজেন্টকে প্রশিক্ষণ দেওয়ার কাজে এই প্রযুক্তি ব্যবহারের কথা ভাবছে। তবে এর তাৎক্ষণিক সীমাবদ্ধতাগুলোও বাস্তব: দৃশ্য অল্প সময় স্থায়ী হয়, বস্তু অপ্রত্যাশিতভাবে বদলে যেতে পারে, দৃশ্যের ভেতরের লেখা পড়তে অসুবিধা হতে পারে, আর অডিওর নির্ভুলতা এখনো নিশ্চিত নয়।

ইন্টারঅ্যাকটিভ জগৎ কীভাবে তৈরি ভিডিও থেকে আলাদা

জিনি একটি লিখিত বর্ণনা বা ছবি থেকে শুরু করে এমন পরিবেশ তৈরি করে, যা ব্যবহারকারীরা ঘুরে দেখতে পারেন। প্রচলিতভাবে তৈরি ভিডিওতে দর্শক একটি নির্দিষ্ট ধারাবাহিকতা দেখেন। আর একটি বিশ্ব-মডেল ব্যবহারকারীর কাজের প্রতিক্রিয়ায় পরবর্তী ঘটনা তৈরি করতে থাকে।

কিবোর্ডের নিয়ন্ত্রণ দিয়ে ব্যবহারকারীরা চলাফেরা করতে এবং ক্যামেরার অবস্থান ঠিক করতে পারেন। পরিবেশ চলার সময় লিখিত নির্দেশ দিয়ে আবহাওয়া বদলানো, চরিত্র যোগ করা বা দেখার দৃষ্টিকোণ সরানোর মতো পরিবর্তন আনা যায়। এরপর এসব পরিবর্তন দেখাতে সিস্টেমকে পরবর্তী ছবিগুলো তৈরি করতে হয়।

গুগল এটিকে প্রতিটি ফ্রেম ধরে অভিজ্ঞতা তৈরির প্রক্রিয়া হিসেবে বর্ণনা করেছে। সম্ভাব্য প্রতিটি ইন্টারঅ্যাকশন আগে থেকে প্রস্তুত রাখার বদলে, কেউ পরিবেশের মধ্যে কোনো কাজ করলে দৃশ্যটি কীভাবে এগোবে, মডেল তা অনুমান করে।

এ কারণে ধারাবাহিকতা বজায় রাখা বড় চ্যালেঞ্জ। কার্যকর অনুকরণের জন্য বস্তু কোথায় আছে, মানুষ কীভাবে নড়ছে এবং এর আগে কী ঘটেছে—এসব মনে রাখা দরকার। দৃশ্যটি এক মুহূর্তের জন্য বিশ্বাসযোগ্য দেখালেও ব্যবহারকারী ঘুরে তাকানোর পর যদি এর বিন্যাস বদলে যায়, তবে এর উপযোগিতা কমে যায়।

অডিও চরিত্রদের ইন্টারঅ্যাকশনের অংশ করে তোলে

জিনি ৪ পরিবর্তনশীল দৃশ্যমান জগতের সঙ্গে পরিবেশের শব্দ, সংগীত ও কথা বলার সুবিধা যোগ করেছে। গুগলের দাবি, তৈরি করা স্থানের সঙ্গে মিল রেখে অডিও তৈরি হতে পারে—যেমন গাছের পাতায় বাতাসের শব্দ বা তীরে আছড়ে পড়া ঢেউয়ের শব্দ।

ব্যবহারকারীর নির্দেশ এবং অনুকরণের ভেতরের ঘটনার প্রতিক্রিয়ায় চরিত্ররাও কথা বলতে পারে। তাদের কথোপকথন নির্দিষ্ট একটি সাউন্ডট্র্যাক অনুসরণ না করে পরিস্থিতি অনুযায়ী বদলানোর কথা। ব্যবহারকারীরা লিখিত নির্দেশে দৃশ্যমান উপাদানের পাশাপাশি অডিওর বিষয়ও উল্লেখ করতে পারেন।

গুগলের ভাষ্য, আরও স্বাভাবিক নড়াচড়া এবং আশপাশের পরিবেশে প্রতিক্রিয়াসহ মানুষের অবয়বও উন্নত হয়েছে। অনুকরণ চলার সময় তাদের কাজের নির্দেশ দেওয়া যায়। ফলে একই ইন্টারঅ্যাকশনে চরিত্রের আচরণ এবং দৃশ্য সম্পাদনা—দুটিই করা সম্ভব।

অডিওর নির্ভুলতা এখনো একটি উন্নয়নগত সমস্যা বলে স্বীকার করেছে দলটি। দৃশ্য পরিকল্পনা বা ইন্টারঅ্যাকটিভ অনুশীলন তৈরির ক্ষেত্রে ব্যবহারিক চাহিদা হলো, কাজের ধরন বদলালেও কথাবার্তা ও পরিবেশের শব্দ যেন যথাযথ থাকে।

জেমিনি পরিকল্পনা করে, জিনি তৈরি করে

গুগল তার এআই মডেলের জেমিনি পরিবারকে জিনি ৪-এর সঙ্গে আরও ঘনিষ্ঠভাবে যুক্ত করেছে। মডেলগুলোর কাজ আলাদা: জিনি অনুকরণ করা জগৎ তৈরি করে, আর কী ঘটবে তা পরিচালনা করতে এবং ফলাফল পরিকল্পনা অনুযায়ী হচ্ছে কি না যাচাই করতে জেমিনি সহায়তা করে।

পরিবেশের চেহারা ও আচরণ নির্ধারণে সহায়তা করে জেমিনি ওমনি। জেমিনি ৩.৮ ফ্ল্যাশ আসা ফ্রেমগুলো পর্যবেক্ষণ করে, লক্ষ্যকে ছোট ছোট ধাপে ভাগ করে, কাজ সফল হয়েছে কি না যাচাই করে এবং দৃশ্য বদলালে বা ব্যবহারকারী হস্তক্ষেপ করলে পরিকল্পনা সামঞ্জস্য করে।

সহজভাবে বললে, সিস্টেমের একটি অংশ পরের দৃশ্য তৈরি করে, আরেকটি অংশ লক্ষ্যের দিকে অগ্রগতি পর্যবেক্ষণ করে। বিশেষত কোনো কাজে তাৎক্ষণিক একটি প্রতিক্রিয়ার বদলে একাধিক পদক্ষেপ প্রয়োজন হলে, ঘটনাগুলোকে যুক্তিসংগত ধারায় এগিয়ে নিতে এই ব্যবস্থা সহায়তা করবে বলে আশা করা হচ্ছে।

গুগলের গবেষণা পরিচালক তেজাস কুলকার্নি এক ব্রিফিংয়ে প্রতিষ্ঠানটির দীর্ঘমেয়াদি ভাবনার কথা বলেন:

ভবিষ্যতে আমরা ক্রমেই এমন হাইব্রিড বিশ্ব-মডেল দেখতে পাব, যেখানে জেমিনি কোড ও লেখা তৈরি করবে, আর জিনি তা তাৎক্ষণিকভাবে গ্রহণ করে বিভিন্ন মাত্রার বিমূর্ততায় বাস্তবতার অনুকরণ করবে,

প্রস্তাবিত এই সমন্বয়ে ভাষা, কোড ও দৃশ্যমান অনুকরণ একসঙ্গে কাজ করবে। জিনি ৪ ইতিমধ্যেই সীমিত পরিসরে দায়িত্ব ভাগ করে কাজ করে: ব্যবহারকারী জগৎটি ঘুরে দেখার সময় জেমিনি সেটিকে পরিচালনায় সহায়তা করে।

রোবটকে এর ভেতরে অনুশীলন করাতে চায় গুগল

রোবট ও এআই এজেন্টের প্রশিক্ষণের পরিবেশ হিসেবে জিনি ৪ কীভাবে কাজে লাগতে পারে, তা পরীক্ষা করছে গুগল ডিপমাইন্ড। এজেন্ট হলো এমন সফটওয়্যার, যা কাজ বেছে নিয়ে, তার ফল যাচাই করে এবং এরপর কী করতে হবে তা স্থির করে কোনো লক্ষ্য অর্জনের চেষ্টা করে।

জেমিনি রোবোটিকস-সংশ্লিষ্ট এক পরীক্ষায় জেমিনি ৪ আর্গন কাজগুলোকে কয়েকটি ধাপে ভাগ করেছে, আর জিনি ৪ সেগুলোর তাৎক্ষণিক অনুকরণ করেছে। এর লক্ষ্য হলো, বাস্তব জগতে কোনো জটিল কাজ করার আগে রোবট কীভাবে তা সম্পন্ন করতে পারে, তা অনুসন্ধান করা।

গুগলের দাবি, ভার্চুয়াল পরিবেশে এমন পরিস্থিতি তৈরি করা যায়, যেগুলো বাস্তবে দেখা বা সাজানো কঠিন। প্রতিটি ভিন্ন অবস্থার জন্য নতুন করে ভৌত পরীক্ষার স্থান তৈরি না করেই ডেভেলপাররা পরিবেশ বদলে এজেন্টের প্রতিক্রিয়া পরীক্ষা করতে পারেন।

এই কাজে সংঘর্ষ ও বায়ুগতিবিদ্যা নিয়ে কথিত উন্নতিগুলো বিশেষভাবে গুরুত্বপূর্ণ। প্রশিক্ষণের জন্য কোনো কাজের সঙ্গে তার ফলের কার্যকর সম্পর্ক থাকা দরকার: যেমন কোনো বস্তুর সঙ্গে ধাক্কা লাগার পর সেটি কীভাবে নড়ে, অথবা নড়াচড়ায় পরিবেশ কীভাবে সাড়া দেয়। জটিল ভৌত মিথস্ক্রিয়া এখনো মডেলটির জন্য চ্যালেঞ্জ বলে স্বীকার করেছে গুগল।

চলচ্চিত্র পরিকল্পনায় তাৎক্ষণিক ব্যবহার বেশি

বিশ্বস্ত পরীক্ষকেরা চলচ্চিত্রের প্রাথমিক নমুনা তৈরি এবং দ্রুত স্টোরিবোর্ড তৈরিকে সম্ভাব্য ব্যবহার হিসেবে চিহ্নিত করেছেন। চিত্রগ্রহণের আগে শটের ধারাবাহিকতা সাজানোই স্টোরিবোর্ডের কাজ। ধারণাটি বিকশিত হওয়ার সময় জিনি ৪ সৃজনশীল দলকে ক্যামেরার অবস্থান, চরিত্রের কাজ এবং আবহের পরিবর্তন নিয়ে পরীক্ষা-নিরীক্ষার সুযোগ দিতে পারে।

গুগল ডিপমাইন্ডের প্রকৌশলী দিয়েগো রিভাস এক সংবাদ ব্রিফিংয়ে ব্যাখ্যা করেন, সেই পর্যায়ে তাৎক্ষণিক প্রতিক্রিয়া কেন কাজে আসতে পারে:

সৃজনশীলতার ক্ষেত্রে একাগ্রতার ধারাবাহিকতা বজায় রাখা যখন অত্যন্ত কাজে আসে, তখনই তাৎক্ষণিক প্রতিক্রিয়ার বিষয়টি সবচেয়ে মূল্যবান হয়ে ওঠে,

উদাহরণ হিসেবে রিভাস ধারণা তৈরি ও স্টোরিবোর্ডের কথা বলেন। ব্যবহারিক সুবিধা হলো গতি: প্রতিটি ভিন্নতার জন্য আলাদা দৃশ্যের ধারাবাহিকতা তৈরি করতে থেমে না গিয়েই কোনো নির্মাতা দৃশ্য বদলে তার ফল দেখতে পারেন।

গুগলের আরেকটি মডেল ভিও প্রম্পট থেকে সমন্বিত অডিওসহ ভিডিও ক্লিপ তৈরি করে। রিভাস ভবিষ্যতে জেমিনি ওমনি দিয়ে প্রাথমিক নমুনাকে সৃজনশীল সম্পদে রূপ দেওয়ার সম্ভাবনার কথা বলেছেন, তবে জানান যে এসব সক্ষমতা অর্জনে এখনো বেশ সময় লাগবে।

গেম এবং ইন্টারঅ্যাকটিভ শিক্ষাও প্রস্তাবিত ব্যবহারগুলোর মধ্যে রয়েছে। এসব ব্যবহারের মিল হলো, অংশগ্রহণকারীর প্রতিক্রিয়ায় দৃশ্য বদলে যায়; প্রতিবার একইভাবে চলা তৈরি করা কোনো মিডিয়া নয়।

দুই মিনিটের ধারাবাহিকতাও এখনো বড় সীমা

জিনি ৪-এ দৃশ্যের ধারাবাহিকতা বজায় রাখার কথিত দুই মিনিটের সময়সীমা জিনি ৩-এর আনুমানিক এক মিনিটের সীমার দ্বিগুণ। এতে ব্যবহারকারীরা কোনো ধারণা ঘুরে দেখার জন্য বেশি সময় পাবেন, তবে একটানা কাজের দৈর্ঘ্য এখনো সীমিত।

গুগলের ভাষ্য, অনুকরণ চলার সময় বস্তু ও দৃশ্যের খুঁটিনাটি বদলে যেতে পারে। কোনো বস্তুর চেহারা বা অবস্থান পাল্টে যেতে পারে, আবার দৃশ্যটি কীভাবে শুরু হয়েছিল সিস্টেম তা ভুলে যেতে পারে। ধারাবাহিকতা বজায় রাখতে জেমিনি সহায়তা করলেও দীর্ঘ সময়ের সেশন চালানো কঠিন।

জগৎটির ভেতরে তৈরি লেখা পড়াও অসম্ভব হতে পারে। সাইনবোর্ড, নির্দেশনা বা মানুষের পড়া প্রয়োজন এমন অন্য লেখা রয়েছে—এমন দৃশ্যের ক্ষেত্রে এটি বাস্তব সমস্যা তৈরি করে।

গুগল জিনি ৪-কে প্রাথমিক পর্যায়ের পরীক্ষামূলক মডেল হিসেবে বর্ণনা করেছে এবং বিভিন্ন ক্ষেত্রের পরীক্ষকদের সঙ্গে কাজ করছে। রিভাস বলেছেন, শেষ পর্যন্ত পণ্যটি কেমন হবে, তা এখনো নির্ধারণ করা হচ্ছে। আপাতত এর কার্যকর ব্যবহার সীমিত সময়ের পরীক্ষায়। দৃশ্যের ধারাবাহিকতা, ভৌত আচরণ ও শব্দ—সব ক্ষেত্রেই আরও কাজ প্রয়োজন।

কারা ব্যবহার করতে পারবেন, আর খরচ কত?

বিশ্বস্ত পরীক্ষকদের দিয়ে জিনি ৪-এর গবেষণামূলক প্রিভিউ শুরু হয়েছে। গুগল এআই আলট্রা গ্রাহকদের জন্য প্রজেক্ট জিনির মাধ্যমে সাধারণ ব্যবহারকারীদের কাছে এবং জেমিনি এপিআই ও গুগল এআই স্টুডিও ব্যবহার করে প্রাথমিক পর্যায়ের অংশীদারত্বের মাধ্যমে ডেভেলপারদের কাছে সুযোগ বাড়ানোর পরিকল্পনা করেছে গুগল।

গুগল জানিয়েছে, শিগগিরই এই সুযোগ বাড়ানো হবে এবং আগামী কয়েক সপ্তাহের মধ্যে উন্মুক্ত করার পরিকল্পনা রয়েছে, তবে নির্দিষ্ট তারিখ জানানো হয়নি। প্রজেক্ট জিনির অপেক্ষমাণ তালিকায় নাম নিবন্ধন করা যাচ্ছে। এপিআই ব্যবহারের সুযোগ পেলে ডেভেলপাররা মডেলটিকে নিজেদের সফটওয়্যারের সঙ্গে যুক্ত করতে পারবেন। আর এআই স্টুডিও গুগলের মডেল নিয়ে পরীক্ষা-নিরীক্ষার জায়গা।

গুগল এআই আলট্রা পরিকল্পনার মাসিক মূল্য শুরু ১০০ ডলার থেকে। জিনি ৪-এর জন্য ডেভেলপারদের আলাদা মূল্য ঘোষণা করা হয়নি। এআই প্রো ও এআই প্লাসের মাধ্যমে সুযোগ দেওয়ার বিষয়টি নিশ্চিত সূচনার অংশ হিসেবে নয়, বরং ভবিষ্যতে সম্প্রসারণের সম্ভাবনা হিসেবে আলোচিত হয়েছে।

গুগলের দাবি, তৈরি করা ভিডিও ও অডিওতে থাকবে সিনথআইডি—এআই-তে তৈরি বিষয়বস্তু শনাক্ত করার জন্য তাদের ডিজিটাল ওয়াটারমার্ক। অনুকরণ করা এসব অভিজ্ঞতা আরও বেশি মানুষের কাছে পৌঁছালে, সিস্টেমে তৈরি উপাদান শনাক্ত করতে এই চিহ্ন কাজে আসবে।

জিনি ৩ থেকে অনুকরণ প্রযুক্তি নিয়ে বৃহত্তর প্রতিযোগিতা

গবেষণামূলক প্রদর্শনীর বাইরে গুগলের বিশ্ব-মডেলগুলোকে সহজলভ্য করার ধারাবাহিক উদ্যোগের পরের ধাপ জিনি ৪:

• আগস্ট ২০২৫: গুগল ডিপমাইন্ড জিনি ৩ ঘোষণা করে।
• জানুয়ারি ২০২৬: ওই মডেল ব্যবহার করে প্রজেক্ট জিনির পরীক্ষা শুরু করে গুগল।
• মে ২০২৬: স্ট্রিট ভিউয়ের সঙ্গে সংযুক্তির ঘোষণা দেয় গুগল।
• যুক্তরাষ্ট্রের স্থানীয় সময় ২৭ অক্টোবর: জিনি ৪ এবং এর প্রাথমিক গবেষণামূলক প্রিভিউ ঘোষণা করে গুগল।

নীরব ইন্টারঅ্যাকটিভ দৃশ্যের বাইরেও প্রতিযোগিতা বিস্তৃত হচ্ছে। জিনি ৪ আসার কয়েক মাস আগে প্রকাশিত রানওয়ের জিডব্লিউএম ওয়ার্ল্ডস ২ ব্যবহারকারীর কাজের প্রতিক্রিয়া জানায় এবং এতে অডিও তৈরির সুবিধাও রয়েছে।

শিল্পখাতের অন্যান্য তৎপরতাও এআই উন্নয়ন ও ভৌত ব্যবস্থার জন্য অনুকরণ প্রযুক্তিতে আগ্রহের ইঙ্গিত দেয়। যানবাহন পরীক্ষার কাজে অনুকরণ সক্ষমতা যুক্ত করতে রিভিয়ান থার্ড ডাইমেনশন অধিগ্রহণ করেছে। ওয়ার্ল্ড ল্যাবস অধিগ্রহণে এএমডির আগ্রহের খবর এবং ডিকার্ট কেনার বিষয়ে অ্যামাজনের আলোচনা বিশ্ব-মডেল প্রযুক্তিকে বৃহত্তর চুক্তি-আলোচনার ক্ষেত্রেও নিয়ে এসেছে। তবে অ্যামাজনের আলোচনা এখনো আলোচনার পর্যায়ে রয়েছে।

গুগলের সর্বশেষ উদ্যোগে দৃশ্য তৈরি, কথোপকথন এবং জেমিনির পরিকল্পনা একটি পরীক্ষামূলক ব্যবস্থায় মিলেছে। পরবর্তী বাস্তব পদক্ষেপ হলো আরও বেশি মানুষের জন্য সুযোগ উন্মুক্ত করা। এতে আরও নির্মাতা ও ডেভেলপার বুঝতে পারবেন, স্বল্প সময়ের কোন কাজগুলো মডেলটি নির্ভরযোগ্যভাবে করতে পারে।

মূল বিষয়গুলো

• যুক্তরাষ্ট্রের স্থানীয় সময় ২৭ অক্টোবর জিনি ৪ ঘোষণা করে গুগল ডিপমাইন্ড; শুরুতে এটি বিশ্বস্ত পরীক্ষকদের জন্য উন্মুক্ত করা হয়।
• মডেলটি পরিবেশের শব্দ, সংগীত এবং ব্যবহারকারীর কথায় সাড়া দেওয়া সংলাপসহ ইন্টারঅ্যাকটিভ জগৎ তৈরি করে।
• গুগলের দাবি, দৃশ্যের ধারাবাহিকতা দুই মিনিট পর্যন্ত বজায় থাকে, যা জিনি ৩-এর আনুমানিক এক মিনিটের সীমার দ্বিগুণ।
• জেমিনি মডেলগুলো কাজের পরিকল্পনা করতে, তৈরি হওয়া দৃশ্য পর্যবেক্ষণ করতে এবং অনুকরণে সমন্বয় আনতে সহায়তা করে।
• চলচ্চিত্রের স্টোরিবোর্ড, গেম, শিক্ষা এবং রোবট প্রশিক্ষণ এর পরিকল্পিত ব্যবহারগুলোর মধ্যে রয়েছে।
• বস্তু বদলে যেতে পারে, লেখা পড়া নাও যেতে পারে এবং জটিল পদার্থবিদ্যা ও অডিওর নির্ভুলতা এখনো উন্নয়নগত চ্যালেঞ্জ।
• প্রজেক্ট জিনি, জেমিনি এপিআই এবং গুগল এআই স্টুডিওর মাধ্যমে ব্যবহারের পরিকল্পনা রয়েছে; তবে সুযোগ বাড়ানোর নির্দিষ্ট তারিখ বা ডেভেলপারদের জন্য মূল্য ঘোষণা করা হয়নি।