Image Generation

Today's Stories

1. 1

   MIT গবেষণা: AI ছবিগুলি প্রশিক্ষণ উৎসের সাথে ট্রেসযোগ্য নয়

   কী ঘটেছে: MIT-এর কম্পিউটার বিজ্ঞান এবং কৃত্রিম বুদ্ধিমত্তা ল্যাবরেটরির গবেষকরা আবিষ্কার করেছেন যে বড় ডেটাসেটে প্রশিক্ষিত জেনারেটিভ AI মডেলগুলি তাদের প্রশিক্ষণ ডেটার মধ্যে ব্যক্তিগত ছবিগুলিতে নির্ভরযোগ্যভাবে ফিরিয়ে দেওয়া যায় না — এমন একটি ঘটনা যা তারা "অ্যাট্রিবিউশন ডিকে" বলে অভিহিত করেন। একটি মডেল যত বেশি ডেটায় প্রশিক্ষিত হয়, একটি নির্দিষ্ট উৎসের সাথে উত্পন্ন ছবি সংযুক্ত করা তত কঠিন হয়ে যায়, এমনকি যদি একজন শিল্পীর সম্পূর্ণ কর্মশালা প্রশিক্ষণ সেট থেকে সরানো হয়। এটি কেন গুরুত্বপূর্ণ: এই আবিষ্কারটি কপিরাইট প্রয়োগকে জটিল করে তোলে। MidJourney, OpenAI এবং Microsoft সহ AI কোম্পানিগুলি প্রায়শই লেখক অনুমতি ছাড়াই বই, নিবন্ধ, ফটো এবং অন্যান্য কাজে মডেলগুলি প্রশিক্ষিত করেছে, যা Disney, NBCUniversal, DreamWorks এবং The New York Times থেকে মামলা সৃষ্টি করেছে। গবেষণার প্রধান লেখক Zheng Dai (একজন প্রাক্তন MIT গবেষক) উল্লেখ করেন যে অ্যাট্রিবিউশন লিঙ্ক স্থাপনের অক্ষমতা বৌদ্ধিক সম্পত্তি আইন এবং ন্যায্য ব্যবহার নীতির পুনর্বিবেচনা করতে বাধ্য করতে পারে — "অ্যাট্রিবিউশন লিঙ্ক সর্বাধিক অংশে অদৃশ্য হয়ে যায়" — আদালতে লঙ্ঘন প্রমাণ করা কঠিন করে তোলে।

   লক্ষ্য রাখবেন: আইনি প্রভাব। বর্তমানে চলমান কপিরাইট মামলাগুলি সম্ভবত এই বিষয়ের উপর নির্ভর করবে যে আদালতগুলি গ্রহণ করে কিনা যে অ্যাট্রিবিউশন ডিকে বড় আকারের জেনারেটিভ মডেলগুলির একটি মৌলিক সম্পত্তি, সম্ভাব্যভাবে AI প্রশিক্ষণ অনুশীলনের বিরুদ্ধে বৌদ্ধিক সম্পত্তি দাবিগুলি কীভাবে মূল্যায়ন করা হয় তা পুনর্নির্ধারণ করে।

2. 2

   ডেভেলপার pagedMark তৈরি করেছেন যা নিজস্ব তৈরি ছবি থেকে AI ওয়াটারমার্ক সরিয়ে দেয়

   কী ঘটেছে: একজন ডেভেলপার pagedMark তৈরি করেছেন, একটি টুল যা ছবি এবং ভিডিও থেকে AI উৎস চিহ্নিতকারী—দৃশ্যমান লেবেল এবং অদৃশ্য পিক্সেল-এমবেডেড ওয়াটারমার্ক উভয়ই সরিয়ে দিতে ডিজাইন করা হয়েছে। টুলটি অদৃশ্য চিহ্ন দূর করার জন্য ছবি পুনর্নির্মাণ করে এবং একই সাথে দৃশ্যমান সাদৃশ্য বজায় রাখার চেষ্টা করে। বর্তমানে ছবির জন্য ChatGPT, gpt-image API, Z-Image Turbo এবং Nano Banana থেকে ওয়াটারমার্ক সমর্থন করে, এবং ভিডিওর জন্য Sora, Veo, Seedance, Hailuo এবং Kling থেকে দৃশ্যমান চিহ্ন ও মেটাডেটা সমর্থন করে। কেন এটি গুরুত্বপূর্ণ: AI-উত্পাদিত সামগ্রী ক্রমবর্ধমান মেটাডেটা এবং এম্বেডেড সংকেত (যেমন SynthID ওয়াটারমার্ক) বহন করে যা এর উৎস চিহ্নিত করে। নিজস্ব AI-উত্পাদিত উপাদান নিয়ে কাজ করা সৃজনশীলদের জন্য, এই চিহ্নগুলি কর্মপ্রবাহকে জটিল করতে পারে—স্ক্রিনশট নেওয়ার মতো সহজ অপসারণ পদ্ধতি পিক্সেল-স্তরের চিহ্ন দূর করে না। pagedMark প্রভাবিত সামগ্রী পুনর্নির্মাণ করে এই সমস্যার সমাধান করে, যদিও ব্যবহারকারীদের জানতে হবে যে আউটপুট মূল থেকে আলাদা হতে পারে (মুখ, পাঠ্য এবং ছোট বিবরণ পরিবর্তিত হতে পারে)।

   দেখার মতো বিষয়: টুলটি Apple Silicon Macs-এ 8 GB এবং 16 GB মেমরি সহ পরীক্ষা করা হয়েছে, এবং নিম্ন-স্পেক মেশিনগুলিতে সম্পদ সীমাবদ্ধতা সামলানোর জন্য মেমরি-সচেতন প্রসেসিং অন্তর্নির্মিত আছে।

3. 3

   ইঞ্জিনিয়ার 264KB র‍্যাম সম্পন্ন মাইক্রোকন্ট্রোলারে ইমেজ এআই প্রশিক্ষণ দিয়েছেন

   কী ঘটেছে: একজন ডেভেলপার Shrike lite মাইক্রোকন্ট্রোলারে মাত্র 264KB SRAM সহ একটি ডিফিউশন মডেল (এক ধরনের ইমেজ জেনারেশন এআই) প্রশিক্ষণ দিয়েছেন এবং 32×32 পিক্সেল ইমেজ তৈরি করেছেন। ডিভাইসটিতে একটি অনবোর্ড FPGA (পুনর্বিন্যাসযোগ্য চিপ) রয়েছে, যা ডেভেলপার গণনা ত্বরান্বিত করতে 16-বিট সংগ্রহসহ দুটি সমান্তরাল INT8 MAC ইঞ্জিন তৈরি করতে ব্যবহার করেছেন। এটি কেন গুরুত্বপূর্ণ: অত্যন্ত মেমরি-সীমাবদ্ধ হার্ডওয়্যারে এআই মডেল চালানো দেখায় যে ইমেজ জেনারেশন—সাধারণত একটি কম্পিউট-ভারী কাজ—এমবেডেড ডিভাইসে কাজ করতে পারে। এটি এজ ডিভাইসে (সেন্সর, IoT হার্ডওয়্যার) এআই ইনফারেন্সের দরজা খুলে দিতে পারে যেখানে মডেল ক্লাউড সার্ভারে ডাউনলোড করা অব্যবহারিক বা অনাকাঙ্ক্ষিত।

   লক্ষণীয় বিষয়: সমান্তরাল অ্যাক্সিলারেটররা প্রকৃতপক্ষে CPU-শুধুমাত্র সংস্করণের চেয়ে (প্রায় 70 সেকেন্ড প্রতি ইমেজ) কর্মক্ষমতা খারাপ করেছে (প্রায় 220 সেকেন্ড প্রতি ইমেজ), ভারী I/O অপারেশন থেকে মেমরি বটলনেকের কারণে—একটি স্মারক যে হার্ডওয়্যার গতি একাই শেষ-থেকে-শেষ লাভের গ্যারান্টি দেয় না যখন মেমরি ব্যান্ডউইথ বাধা থাকে। কোয়ান্টাইজেশন এবং মেমরি সীমাবদ্ধতার কারণে ইমেজ গুণমান হ্রাস পেয়েছে, যদিও কিছু আউটপুট ব্যবহারযোগ্য ছিল।

4. 4

   ByteDance এবং MPA এর মধ্যে AI ভিডিও টুলের জন্য কপিরাইট চুক্তি

   কী ঘটেছে: ByteDance এবং Motion Picture Association (MPA) ByteDance-এর AI ভিডিও এবং ইমেজ জেনারেশন মডেলগুলির জন্য কপিরাইট সুরক্ষা শক্তিশালী করার জন্য একটি চুক্তিতে পৌঁছেছে। এটি কেন গুরুত্বপূর্ণ: এই চুক্তি জেনারেটিভ AI নিয়ে একটি প্রধান AI ডেভেলপার এবং হলিউডের ট্রেড বডির মধ্যে সংঘাত থেকে সহযোগিতার দিকে একটি পরিবর্তন চিহ্নিত করে, যা কন্টেন্ট ক্রিয়েটর এবং AI কোম্পানিগুলির মধ্যে IP সুরক্ষা নিয়ে উত্তেজনা সমাধানের পথ নির্দেশ করে।

   কী দেখতে হবে: চুক্তির নির্দিষ্ট সুরক্ষা ব্যবস্থা এবং প্রয়োগ পদ্ধতিগুলি উপলব্ধ রিপোর্টিংয়ে বিস্তারিত নয়; বাস্তবায়ন এবং সুযোগের বিষয়ে আরও প্রকাশ এই মডেলটি অন্যান্য স্টুডিও বা অধিকার ধারকদের সাথে প্রতিলিপি করা যায় কিনা তা স্পষ্ট করতে পারে।

5. 5

   Whisker-এর $899 লিটার রোবট দুটি বিড়ালকে আলাদা করতে পারে না

   কী ঘটেছে: গত বছরের শেষে লঞ্চ করা Whisker-এর প্রিমিয়াম মডেল Litter-Robot 5 Pro, AI-চালিত বিড়াল মুখ শনাক্তকরণ এবং $8/মাসের সাবস্ক্রিপশনের মাধ্যমে স্বাস্থ্য পর্যবেক্ষণের প্রতিশ্রুতি দেয়, কিন্তু ছয় মাসের পরীক্ষার পর, সিস্টেমটি ধারাবাহিকভাবে দুটি ভিন্ন দেখতে বিড়ালের মধ্যে পার্থক্য করতে ব্যর্থ হয়েছে, ওজনের রিডিং ভুলভাবে নির্ধারণ করেছে এবং বর্জ্যের ধরন শনাক্ত করতে সংগ্রাম করেছে। কেন এটি গুরুত্বপূর্ণ: বিড়ালের মালিকদের জন্য যারা এর AI স্বাস্থ্য-পর্যবেক্ষণ দাবির জন্য $899 ডিভাইস কেনার কথা ভাবছেন, মূল প্রতিশ্রুতি — সঠিক ট্র্যাকিংয়ের মাধ্যমে স্বাস্থ্য সমস্যার প্রাথমিক সনাক্তকরণ — এখনও কাজ করে না; ভুল ডেটা (যেমন ওজন নির্ধারণে ত্রুটি) ভুল সিদ্ধান্তের দিকে পরিচালিত করতে পারে, এবং পর্যালোচক যন্ত্রটিকে তার কাজ করতে সাহায্য করার জন্য ম্যানুয়ালি পরিদর্শন এবং প্রোফাইল সংশোধন করতে হয়েছে।

   লক্ষ্য রাখুন: Whisker বলে যে মুখ শনাক্তকরণ সিস্টেম শিখতে এবং সময়ের সাথে উন্নত হতে তৈরি, এবং কোম্পানি লঞ্চের বেশ কয়েক মাস পর একটি নতুন Patterns বৈশিষ্ট্য রোল আউট করেছে (প্রতিটি বিড়ালের দৈনিক পরিদর্শন এবং ওজন সংক্ষিপ্ত করে)—কিন্তু 5 Pro মালিকরা এমন বৈশিষ্ট্যের জন্য $8/মাস প্রদান করছেন যা লঞ্চে কাজ করেনি; অ-AI Litter-Robot 5 ($699) বা LR4 ($699) আরও ভালো মূল্য হতে পারে।

6. 6

   Higgsfield $400M সংগ্রহ করেছে, ভিডিও-উৎপাদনের চাহিদায় মূল্যায়ন $5.4B-এ লাফিয়ে উঠেছে

   কী ঘটেছে: জেনারেটিভ এআই প্ল্যাটফর্ম Higgsfield, যা ভিডিও, ছবি এবং অডিও তৈরির জন্য ব্যবহৃত হয়, DST Global-এর নেতৃত্বে Series B তহবিলে $400 million সংগ্রহ করেছে, জানুয়ারি থেকে তার মূল্যায়ন চারগুণ বৃদ্ধি পেয়ে $5.4 billion হয়েছে। এটি কেন গুরুত্বপূর্ণ: এই কোম্পানিটি 238টি দেশ ও অঞ্চল জুড়ে 30 million-এরও বেশি ব্যবহারকারী সেবা করে এবং Fortune 500-এর 360টি কোম্পানি অন্তর্ভুক্ত রয়েছে, যা এআই-চালিত সৃজনশীল সরঞ্জামগুলির জন্য শক্তিশালী এন্টারপ্রাইজ চাহিদা নির্দেশ করে। Agentic AI পণ্যগুলি—স্বয়ংক্রিয় সরঞ্জাম যা ক্রমাগত মানব নির্দেশনা ছাড়াই কর্মপ্রবাহ চালায়—একটি প্রধান চালক হয়ে উঠেছে, Higgsfield-এর মে মাসে Supercomputer চালু করার পরে তিন মাসে প্ল্যাটফর্মে সরঞ্জামের ব্যবহার 42-fold বৃদ্ধি পেয়েছে।

   দৃষ্টি রাখার বিষয়: স্বয়ংক্রিয় এজেন্ট এবং চরিত্র ও দৃশ্য প্রজন্মে সামঞ্জস্যের উপর Higgsfield-এর ফোকাস এন্টারপ্রাইজগুলি স্কেলে সামগ্রী তৈরির পদ্ধতি পুনর্নির্ধারণ করতে পারে; কোম্পানিটি Supercomputer চালু করার পরে প্রতি মাসে 20 million-এরও বেশি সামগ্রী প্রজন্ম রিপোর্ট করেছে।