এমনটাও সম্ভব? গুগলের নতুন ওয়ার্ল্ড মডেল Genie 4 এবার খেলবে শব্দ আর মানুষের নড়াচড়া নিয়ে!

ওয়ার্ল্ড মডেল আসলে কী?

ওয়ার্ল্ড মডেল এমন একটি এআই, যা বাস্তব দুনিয়ার একটা সিমুলেশন তৈরি করে। জিনিসপত্র একে অপরের সঙ্গে কীভাবে আচরণ করে, সেই ডেটা দেখে এটি শেখে এবং পরের ঘটনা আন্দাজ করে।

Genie 4 কী কী পারে

• রিয়েল-টাইম অডিও: গান, গাছের পাতায় হাওয়ার শব্দ, ঢেউয়ের আছড়ে পড়া, এমনকি কথাবার্তাও তৈরি করে।
• মাঝপথে বদল: টেক্সট লিখে আবহাওয়া, ক্যামেরার অ্যাঙ্গেল বা নতুন মানুষ ও বস্তু যোগ করা যায়।
• ভালো ফিজিক্স: বাতাসের গতি, সংঘর্ষ ইত্যাদি আরও নির্ভুলভাবে দেখায়।
• দীর্ঘ স্থিতি: একটি দৃশ্য দুই মিনিট পর্যন্ত সামঞ্জস্য রাখতে পারে, যা আগের সংস্করণের দ্বিগুণ।
• মানুষের নড়াচড়া: রিয়েল-টাইমে নিয়ন্ত্রণ করা যায়, আর টেক্সট দিলে চরিত্ররা কথোপকথন বদলে ফেলে।

কোন কোন এআই মডেলের ওপর দাঁড়িয়ে?

Genie 4 কাজ করে গুগলের আরও কয়েকটি মডেলের সাহায্যে। Gemini Omni সিমুলেশনকে বাস্তবের চেহারা ও আচরণের সঙ্গে মেলায়। Gemini-র রিজনিং মডেল দৃশ্যের ধারাবাহিকতা ধরে রাখে। একটি গবেষণা-পরীক্ষায় Gemini 4 Argon কাজকে ধাপে ভেঙে দিয়েছে, আর Genie 4 সেগুলো সিমুলেট করেছে। উদ্দেশ্য ছিল রোবটের পরিস্থিতি বাস্তবে ঘটার আগেই পরীক্ষা করা।

কাজে লাগবে কোথায়?

গেমিং, ইন্টারঞ্চটিভ শিক্ষা ও রোবটিক্সে। যেমন, কোনো ঐতিহাসিক ছবি দিলে শিক্ষার্থীরা ছবির চরিত্রদের সঙ্গে কথা বলে ঘটনাটা জানতে পারবে। টেস্টাররা সিনেমার প্রোটোটাইপ বানানোর কথাও বলেছেন।

সীমাবদ্ধতা ও নিরাপত্তা

Genie 4-এর তৈরি সব ভিডিও ও অডিওতে SynthID ওয়াটারমার্ক থাকবে, যা এআই-কন্টেন্ট শনাক্ত করতে সাহায্য করে। তবে গুগল মানছে, সিমুলেশন যত লম্বা হয় বা যত জটিল প্রম্পটে বদল করা হয়, দৃশ্যের খুঁটিনাটি ও বস্তুর স্থায়িত্ব তত নড়ে যেতে পারে।

কবে পাবেন?

এখন শুধু বাছাই করা ট্রাস্টেড টেস্টাররা পাচ্ছেন। আগামী কয়েক সপ্তাহে Project Genie-তে AI Ultra গ্রাহকরা এবং Gemini API ও Google AI Studio-র আর্লি অ্যাক্সেস পার্টনাররা পাবেন।

প্রতিযোগিতা বাড়ছে

Runway কয়েক মাস আগে দ্বিতীয় ওয়ার্ল্ড মডেল GWM Worlds 2 এনেছে। টেকক্রাঞ্চের রিপোর্ট অনুযায়ী, ফেই-ফেই লির World Labs-কে ৮.২ বিলিয়ন ডলারে কিনছে AMD। Amazon নাকি Decart কেনার আলোচনায় আছে, আর Rivian কিনেছে Third Dimension।