നിലവിലെ AI ഹൈപ്പിനെക്കുറിച്ച് വിധിയെഴുതും മുൻപ് ഇതൊന്ന് കാണൂ

ഇപ്പോഴത്തെ ഈ സിന്തറ്റിക് വീഡിയോകളുടെ പ്രളയം കണ്ടിട്ട് സംഗതി ഫുൾ സെറ്റായി എന്ന് കരുതല്ലേ. യഥാർത്ഥത്തിൽ മെഷീനുകൾ ഭൗതിക യാഥാർത്ഥ്യങ്ങളെ എങ്ങനെയാണ് വ്യാഖ്യാനിക്കുന്നത് എന്നറിയാനുള്ള ഒരു ഹൈ-സ്പീഡ് പരിശോധനയാണിത്. മിക്കവരും ഒരു വീഡിയോ ക്ലിപ്പ് കണ്ടിട്ട് അത് കാണാൻ അസ്സലായിട്ടുണ്ടോ എന്നാണ് ചോദിക്കാറുള്ളത്. പക്ഷേ അത് തെറ്റായ ചോദ്യമാണ്. ആ പിക്സലുകൾ (pixels) കാര്യകാരണ ബന്ധങ്ങൾ മനസ്സിലാക്കുന്നുണ്ടോ എന്നതാണ് ശരിയായ ചോദ്യം. ഒരു ഹൈ-എൻഡ് മോഡലിൽ ഒരു ഡിജിറ്റൽ ഗ്ലാസ് ഉടയുമ്പോൾ, അതിലെ ദ്രാവകം ഗുരുത്വാകർഷണ നിയമമനുസരിച്ച് താഴേക്ക് ഒഴുകുന്നുണ്ടോ അതോ തറയിലേക്ക് അപ്രത്യക്ഷമാകുന്നുണ്ടോ? പുതിയതായത് കൊണ്ട് മാത്രം പ്രാധാന്യം തോന്നുന്ന വെറും ബഹളങ്ങളിൽ നിന്ന് യഥാർത്ഥ മാറ്റങ്ങളെ തിരിച്ചറിയാൻ ഈ വ്യത്യാസം സഹായിക്കും. വെറും ഇമേജ് ജനറേഷന്റെ കാലത്ത് നിന്ന്, ഒരു മോഡലിന്റെ ഇന്റേണൽ ലോജിക്കിന്റെ തെളിവായി വീഡിയോ മാറുന്ന ഒരു കാലത്തേക്കാണ് നമ്മൾ നീങ്ങുന്നത്. ആ ലോജിക് ശരിയാണെങ്കിൽ ആ ടൂൾ ഉപകാരപ്രദമാണ്. ലോജിക് പാളിയാൽ ആ ക്ലിപ്പ് വെറുമൊരു ഹാലുസിനേഷൻ (hallucination) മാത്രമാണ്. നിലവിലെ മാർക്കറ്റിംഗ് തന്ത്രങ്ങളിൽ വീണുപോകാതെ ഈ വ്യവസായത്തെ കൃത്യമായി വിലയിരുത്താൻ ഈ മാറ്റം മനസ്സിലാക്കിയേ തീരൂ.

ചലനങ്ങളുടെ രഹസ്യ ഗണിതം കണ്ടെത്താം

അടുത്ത കാലത്തുണ്ടായ മാറ്റങ്ങൾ മനസ്സിലാക്കാൻ ഈ മോഡലുകൾ എങ്ങനെയാണ് നിർമ്മിച്ചിരിക്കുന്നത് എന്ന് നോക്കണം. പഴയ സിസ്റ്റങ്ങൾ ഒരു ഫ്ലിപ്പ്ബുക്ക് പോലെ ചിത്രങ്ങൾ ഒട്ടിച്ചു വെക്കുകയായിരുന്നു. എന്നാൽ OpenAI Sora research-ൽ പറയുന്നതുപോലെയുള്ള ആധുനിക സിസ്റ്റങ്ങൾ diffusion models-ന്റെയും transformers-ന്റെയും ഒരു കൂട്ടുകെട്ടാണ് ഉപയോഗിക്കുന്നത്. അവ വെറുതെ ഫ്രെയിമുകൾ വരയ്ക്കുകയല്ല ചെയ്യുന്നത്. പകരം, സാധ്യമായ എല്ലാ വിഷ്വൽ അവസ്ഥകളെയും ഒരു latent space-ൽ അടയാളപ്പെടുത്തുന്നു. തുടർന്ന് ഈ പോയിന്റുകൾക്കിടയിലുള്ള ഏറ്റവും സാധ്യതയുള്ള വഴി മെഷീൻ കണക്കുകൂട്ടുന്നു. അതുകൊണ്ടാണ് പഴയ വീഡിയോകളെ അപേക്ഷിച്ച് പുതിയ AI വീഡിയോകൾക്ക് കൂടുതൽ ഫ്ലൂയിഡിറ്റി തോന്നുന്നത്. ഒരു വ്യക്തി എങ്ങനെയിരിക്കും എന്ന് മോഡൽ ഊഹിക്കുകയല്ല ചെയ്യുന്നത്, മറിച്ച് ആ വ്യക്തി ഒരു ത്രീ-ഡി സ്പേസിലൂടെ നീങ്ങുമ്പോൾ പ്രകാശം എങ്ങനെ പ്രതിഫലിക്കണം എന്ന് പ്രവചിക്കുകയാണ് ചെയ്യുന്നത്. പഴയ സ്റ്റാറ്റിക് ഇമേജ് ജനറേറ്ററുകളിൽ നിന്നുള്ള വലിയൊരു മാറ്റമാണിത്.

പലരും കരുതുന്നത് AI വീഡിയോ ഒരു വീഡിയോ എഡിറ്റർ ആണെന്നാണ്. എന്നാൽ അതല്ല സത്യം. ഇതൊരു വേൾഡ് സിമുലേറ്ററാണ്. നിങ്ങൾ ഒരു പ്രോംപ്റ്റ് (prompt) നൽകുമ്പോൾ അത് ഒരു ഡാറ്റാബേസിൽ പോയി വീഡിയോ തിരയുകയല്ല ചെയ്യുന്നത്. ട്രെയിനിംഗിലൂടെ പഠിച്ച ഗണിതശാസ്ത്രപരമായ അറിവ് ഉപയോഗിച്ച് ഒരു സീൻ പൂജ്യത്തിൽ നിന്ന് നിർമ്മിക്കുകയാണ്. ഹോളിവുഡ് സിനിമകൾ മുതൽ സാധാരണക്കാരുടെ ഫോൺ റെക്കോർഡിംഗുകൾ വരെ കോടിക്കണക്കിന് മണിക്കൂർ ദൃശ്യങ്ങൾ ഇതിനായി ഉപയോഗിച്ചിട്ടുണ്ട്. ഒരു പന്ത് ചുവരിൽ തട്ടിയാൽ അത് തിരിച്ചു വരണമെന്നും, സൂര്യൻ അസ്തമിക്കുമ്പോൾ നിഴലുകൾ നീളണമെന്നും മോഡൽ ഇതിലൂടെ പഠിക്കുന്നു. എങ്കിലും ഇവ വെറും സ്റ്റാറ്റിസ്റ്റിക്കൽ ഏകദേശക്കണക്കുകൾ മാത്രമാണ്. ഒരു പന്ത് എന്താണെന്ന് മെഷീന് അറിയില്ല. ചില പിക്സൽ പാറ്റേണുകൾക്ക് ശേഷം മറ്റു ചിലവ വരുന്നു എന്ന് മാത്രമേ അതിനറിയൂ. അതുകൊണ്ടാണ് ഈ ടെക്നോളജി ഇത്രയധികം അത്ഭുതപ്പെടുത്തുന്നതും എന്നാൽ ഒരു കൊച്ചു കുട്ടി പോലും വരുത്താത്ത വിചിത്രമായ തെറ്റുകൾ വരുത്തുന്നതും.

സിന്തറ്റിക് കാഴ്ചകളുടെ രാഷ്ട്രീയ സ്വാധീനം

ഈ സാങ്കേതികവിദ്യയുടെ സ്വാധീനം വിനോദ വ്യവസായത്തിന് അപ്പുറത്തേക്ക് വ്യാപിച്ചു കിടക്കുന്നു. ആഗോളതലത്തിൽ, വളരെ കുറഞ്ഞ ചിലവിൽ വീഡിയോകൾ നിർമ്മിക്കാൻ കഴിയുന്നത് വിവരങ്ങളുടെ വിശ്വാസ്യതയെ ബാധിക്കുന്നുണ്ട്. വളർന്നുവരുന്ന ജനാധിപത്യ രാജ്യങ്ങളിൽ പൊതുജനങ്ങളെ സ്വാധീനിക്കാൻ സിന്തറ്റിക് വീഡിയോകൾ ഇപ്പോൾ തന്നെ ഉപയോഗിക്കുന്നുണ്ട്. ഇത് ഭാവിയിലെ ഒരു പ്രശ്നമല്ല, മറിച്ച് പുതിയൊരു ഡിജിറ്റൽ സാക്ഷരത ആവശ്യപ്പെടുന്ന ഇന്നത്തെ യാഥാർത്ഥ്യമാണ്. ഒരു വീഡിയോ സത്യമാണോ എന്ന് തിരിച്ചറിയാൻ ഇനി നമ്മുടെ കണ്ണുകളെ മാത്രം വിശ്വസിച്ചാൽ പോരാ. പകരം, സാങ്കേതികമായ അടയാളങ്ങളും മെറ്റാഡാറ്റയും പരിശോധിക്കേണ്ടി വരും. അടുത്ത വലിയ തിരഞ്ഞെടുപ്പ് കാലത്തിന് മുൻപ് കൃത്യമായ വെരിഫിക്കേഷൻ സിസ്റ്റങ്ങൾ നടപ്പിലാക്കാൻ സോഷ്യൽ മീഡിയ പ്ലാറ്റ്‌ഫോമുകൾക്കും വാർത്താ ഏജൻസികൾക്കും വലിയ ഉത്തരവാദിത്തമുണ്ട്.

ഈ സാങ്കേതികവിദ്യയുടെ വികസനത്തിൽ വലിയൊരു സാമ്പത്തിക വേർതിരിവുമുണ്ട്. ഈ മോഡലുകൾ ട്രെയിൻ ചെയ്യാൻ ആവശ്യമായ കമ്പ്യൂട്ടിംഗ് പവർ അമേരിക്കയിലെയും ചൈനയിലെയും ചില കമ്പനികളിൽ മാത്രമായി ഒതുങ്ങിനിൽക്കുന്നു. ഇത് ലോകത്തിന്റെ വിഷ്വൽ ഭാഷയെ ചില എഞ്ചിനീയറിംഗ് ടീമുകളുടെ സാംസ്കാരിക താല്പര്യങ്ങളിലേക്ക് ചുരുക്കുന്നു. ഒരു മോഡൽ പാശ്ചാത്യ മീഡിയകളിൽ മാത്രം ട്രെയിൻ ചെയ്യപ്പെട്ടതാണെങ്കിൽ, മറ്റ് രാജ്യങ്ങളിലെ കെട്ടിടങ്ങളോ വസ്ത്രങ്ങളോ സാമൂഹിക രീതികളോ കൃത്യമായി അവതരിപ്പിക്കാൻ അതിന് കഴിഞ്ഞെന്നു വരില്ല. അതുകൊണ്ടാണ് ഇത്തരം ടൂളുകളുടെ വികസനത്തിൽ ആഗോള പങ്കാളിത്തം അത്യാവശ്യമാണെന്ന് പറയുന്നത്. ഇതിലൂടെ മാത്രമേ മനുഷ്യാനുഭവങ്ങളുടെ വൈവിധ്യം നിലനിർത്താൻ കഴിയൂ. ഇതിനെക്കുറിച്ചുള്ള കൂടുതൽ വിവരങ്ങൾ ഞങ്ങളുടെ ടീമിന്റെ AI industry analysis-ൽ ലഭ്യമാണ്.

നിമിഷങ്ങൾക്കുള്ളിൽ മാറ്റങ്ങൾ വരുത്തുന്ന പുതിയ പ്രൊഡക്ഷൻ രീതികൾ

പ്രൊഫഷണൽ മേഖലയിൽ ഒരു ക്രിയേറ്റീവ് ഡയറക്ടറുടെ ജീവിതം പാടെ മാറിമറിഞ്ഞു. ഒരു പരസ്യ ഏജൻസിയിലെ സാറയുടെ കാര്യം തന്നെയെടുക്കാം. രണ്ട് വർഷം മുൻപ് ഒരു കാർ പരസ്യത്തിന്റെ ഐഡിയ അവതരിപ്പിക്കാൻ അവൾക്ക് ദിവസങ്ങളോളം സ്റ്റോക്ക് ഫൂട്ടേജുകൾ തിരയേണ്ടി വരുമായിരുന്നു. എന്നാൽ ഇന്ന് Runway അല്ലെങ്കിൽ Luma പോലുള്ള ടൂളുകൾ ഉപയോഗിച്ച് മിനിറ്റുകൾക്കുള്ളിൽ അവൾക്ക് “മൂഡ് ഫിലിമുകൾ” (mood films) നിർമ്മിക്കാം. സന്ധ്യാസമയത്ത് പ്രകാശം കാറിൽ എങ്ങനെ പതിക്കുമെന്ന് അവൾക്ക് ക്ലയന്റിന് കൃത്യമായി കാണിച്ചുകൊടുക്കാം. ഇത് ഷൂട്ടിംഗിന് പകരമാവില്ലെങ്കിലും, അനാവശ്യമായ ചിലവുകൾ ഒഴിവാക്കാൻ സഹായിക്കും. സാറ ഇപ്പോൾ വെറുമൊരു മാനേജർ മാത്രമല്ല, മെഷീൻ നിർമ്മിക്കുന്ന ഓപ്ഷനുകളിൽ നിന്ന് മികച്ചത് തിരഞ്ഞെടുക്കുന്ന ഒരു ക്യൂറേറ്റർ കൂടിയാണ്.

ഈ ജോലിരീതിക്ക് കൃത്യമായ ഒരു ക്രമമുണ്ട്. ആദ്യം ഒരു ടെക്സ്റ്റ് പ്രോംപ്റ്റിലൂടെ ഏകദേശ രൂപം ഉണ്ടാക്കുന്നു. പിന്നീട് ഇമേജ്-ടു-വീഡിയോ ടൂളുകൾ ഉപയോഗിച്ച് ദൃശ്യങ്ങളിൽ വ്യക്തത വരുത്തുന്നു. അവസാനം റീജിയണൽ പ്രോംപ്റ്റിംഗ് വഴി ചെറിയ തെറ്റുകൾ തിരുത്തുന്നു. ഇത് വെറുമൊരു ബട്ടൺ അമർത്തുന്നത് പോലെ എളുപ്പമല്ല. മോഡലിനെ എങ്ങനെ നയിക്കണം എന്നതിനെക്കുറിച്ച് നല്ല ധാരണ വേണം. വരയ്ക്കാനുള്ള കഴിവല്ല, മറിച്ച് കൃത്യമായ നിർദ്ദേശങ്ങൾ നൽകാനുള്ള കഴിവിനാണ് ഇപ്പോൾ പ്രാധാന്യം. പ്രൊഫഷണലുകൾ ശ്രദ്ധിക്കുന്നത് ഇതാണ്. AI തങ്ങളുടെ ജോലി ചെയ്യണമെന്നല്ല, മറിച്ച് ആവർത്തന സ്വഭാവമുള്ള ജോലികൾ അത് ഏറ്റെടുക്കണമെന്നാണ് അവർ ആഗ്രഹിക്കുന്നത്. കൂടുതൽ നിയന്ത്രണം നൽകുന്ന പ്രൊഡക്റ്റുകൾക്കാണ് വിപണിയിൽ ഡിമാൻഡ്.

• ക്യാമറ മൂവ്‌മെന്റുകൾക്കായി പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ് ഉപയോഗിക്കുന്നു.
• വിവിധ സീനുകളിൽ കഥാപാത്രങ്ങളുടെ രൂപം മാറാതെ നിലനിർത്താൻ സീഡ് നമ്പറുകൾ (seed numbers) ഉപയോഗിക്കുന്നു.
• സിന്തറ്റിക് ക്ലിപ്പുകൾ Premiere അല്ലെങ്കിൽ Resolve പോലുള്ള സോഫ്റ്റ്‌വെയറുകളിൽ ഉൾപ്പെടുത്തുന്നു.
• ലോ-റെസല്യൂഷൻ വീഡിയോകൾ AI ടൂളുകൾ ഉപയോഗിച്ച് അപ്‌സ്‌കെയിൽ ചെയ്യുന്നു.
• ബ്രാൻഡിന്റെ ശൈലിക്ക് അനുയോജ്യമായ രീതിയിൽ സ്റ്റൈൽ ട്രാൻസ്ഫർ ചെയ്യുന്നു.

അനന്തമായ ചിത്രങ്ങളുടെ ധാർമ്മികമായ കടബാധ്യതകൾ

ഈ ടൂളുകൾ ഉപയോഗിക്കുമ്പോൾ അതിന്റെ മറഞ്ഞിരിക്കുന്ന ചിലവുകളെക്കുറിച്ചും നമ്മൾ ചിന്തിക്കണം. ആദ്യത്തേത് പരിസ്ഥിതി ആഘാതമാണ്. ഒരു വലിയ വീഡിയോ മോഡൽ ട്രെയിൻ ചെയ്യാൻ ആയിരക്കണക്കിന് ഹൈ-എൻഡ് GPU-കൾ മാസങ്ങളോളം പ്രവർത്തിപ്പിക്കണം. ഇതിന് വൻതോതിൽ വൈദ്യുതിയും ഡാറ്റാ സെന്ററുകൾ തണുപ്പിക്കാൻ ദശലക്ഷക്കണക്കിന് ഗാലൻ വെള്ളവും ആവശ്യമാണ്. ഈ പരിസ്ഥിതി കടം ആര് വീട്ടും? കമ്പനികൾ കാർബൺ ന്യൂട്രൽ ആണെന്ന് അവകാശപ്പെടുമെങ്കിലും ഊർജ്ജ ഉപഭോഗം വലിയൊരു വെല്ലുവിളിയാണ്. അതുപോലെ തന്നെ ഇന്റർനെറ്റിൽ നിന്ന് ഡാറ്റ ശേഖരിക്കുമ്പോൾ വ്യക്തികളുടെ സ്വകാര്യതയും ചോദ്യം ചെയ്യപ്പെടുന്നുണ്ട്.

ഞങ്ങൾ ഉൾപ്പെടുത്തണമെന്ന് നിങ്ങൾ കരുതുന്ന ഒരു AI സ്റ്റോറിയോ, ടൂളോ, ട്രെൻഡോ, ചോദ്യമോ നിങ്ങളുടെ പക്കലുണ്ടോ? നിങ്ങളുടെ ലേഖന ആശയം ഞങ്ങൾക്ക് അയയ്ക്കുക — അത് കേൾക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

മോഡൽ കൊളാപ്സ് (model collapse) എന്നൊരു റിസ്ക് കൂടിയുണ്ട്. ഇന്റർനെറ്റ് മുഴുവൻ AI വീഡിയോകൾ കൊണ്ട് നിറഞ്ഞാൽ, ഭാവിയിലെ മോഡലുകൾ ഈ AI ഔട്ട്പുട്ടുകളിൽ നിന്നായിരിക്കും പഠിക്കുന്നത്. ഇത് തെറ്റുകൾ വർദ്ധിക്കാനും മനുഷ്യന്റെ സർഗ്ഗാത്മകത കുറയാനും കാരണമാകും. പുതിയതൊന്നും ഇല്ലാതെ മെഷീനുകൾ പഴയ കാര്യങ്ങൾ തന്നെ വീണ്ടും അവതരിപ്പിക്കുന്ന ഒരു അവസ്ഥയുണ്ടാകാം. ഇതാണ് “ഡെഡ് ഇന്റർനെറ്റ്” തിയറി. മനുഷ്യന്റെ സൃഷ്ടിയും മെഷീന്റെ പ്രതിധ്വനിയും തമ്മിൽ തിരിച്ചറിയാൻ കഴിയാതെ വന്നാൽ വിഷ്വൽ വിവരങ്ങളുടെ മൂല്യം ഇല്ലാതാകും. ബഹളങ്ങൾ കൂടുന്നതിന് മുൻപ് നമുക്ക് ഏത് തരം ഡിജിറ്റൽ ലോകമാണ് വേണ്ടതെന്ന് നമ്മൾ തീരുമാനിക്കണം.

ആർക്കിടെക്ചറുകളും ലോക്കൽ കമ്പ്യൂട്ടിംഗിന്റെ പരിമിതികളും

പവർ യൂസേഴ്സിനെ സംബന്ധിച്ചിടത്തോളം കാര്യങ്ങൾ ക്ലൗഡിൽ നിന്ന് ലോക്കൽ വർക്ക്ഫ്ലോകളിലേക്ക് മാറുകയാണ്. വലിയ VRAM ആവശ്യകതയുള്ളതിനാൽ മിക്ക വീഡിയോ മോഡലുകളും ഇപ്പോൾ സെർവർ ക്ലസ്റ്ററുകളിലാണ് പ്രവർത്തിക്കുന്നത്. ഒരു സ്റ്റാൻഡേർഡ് Diffusion Transformer (DiT) ആർക്കിടെക്ചറിന് ഒരു 1080p ക്ലിപ്പ് നിർമ്മിക്കാൻ 80GB-യിൽ കൂടുതൽ മെമ്മറി വേണ്ടിവരാറുണ്ട്. എങ്കിലും ക്വാണ്ടൈസേഷൻ (quantization) വഴി NVIDIA 4090 പോലുള്ള സാധാരണ ഹാർഡ്‌വെയറുകളിലും ഇവ പ്രവർത്തിപ്പിക്കാനുള്ള ശ്രമങ്ങൾ നടക്കുന്നുണ്ട്. ക്വാളിറ്റി അല്പം കുറഞ്ഞാലും പണം നൽകാതെ സ്വന്തം കമ്പ്യൂട്ടറിൽ പരീക്ഷണങ്ങൾ നടത്താൻ ഇത് സഹായിക്കും. ഇതിനെക്കുറിച്ചുള്ള കൂടുതൽ വിവരങ്ങൾ NVIDIA Research-ൽ കാണാം.

നിലവിൽ പല പ്രൊഫഷണലുകളും വെബ് ഇന്റർഫേസിനേക്കാൾ പ്ലഗിന്നുകളാണ് ഇഷ്ടപ്പെടുന്നത്. ComfyUI പോലുള്ള നോഡ്-ബേസ്ഡ് ഇന്റർഫേസുകൾ വഴി സങ്കീർണ്ണമായ ജോലികൾ എളുപ്പത്തിൽ ചെയ്യാം. ഒരു മോഡൽ ചലനവും മറ്റൊന്ന് ലൈറ്റിംഗും കൈകാര്യം ചെയ്യുന്ന രീതിയിലുള്ള മോഡുലാർ അപ്രോച്ച് വളരെ ഫലപ്രദമാണ്. ഇത് ക്ലൗഡ് എപിഐ (API) ചിലവ് കുറയ്ക്കാനും സഹായിക്കും. ലോ-റെസല്യൂഷൻ പ്രിവ്യൂ സ്വന്തം കമ്പ്യൂട്ടറിൽ നിർമ്മിച്ച ശേഷം ഫൈനൽ വേർഷൻ മാത്രം ക്ലൗഡിലേക്ക് അയക്കുന്ന ഹൈബ്രിഡ് രീതിയാണ് പ്രൊഫഷണൽ AI വീഡിയോ പ്രൊഡക്ഷന്റെ ഭാവി.

• ലോക്കൽ വീഡിയോ മോഡലുകൾക്കുള്ള VRAM ആവശ്യകതകൾ.
• ക്ലൗഡ് എപിഐകളിൽ നിന്നുള്ള ലാറ്റൻസി (latency) പ്രശ്നങ്ങൾ.
• ഹൈ-ഫിഡിലിറ്റി ഡാറ്റാസെറ്റുകൾക്കുള്ള സ്റ്റോറേജ് ആവശ്യകത.
• മോഷൻ സ്റ്റൈലുകൾ ഫൈൻ-ട്യൂൺ ചെയ്യുന്നതിൽ LoRA-യുടെ പങ്ക്.
• 3D എൻവയോൺമെന്റ് ഇന്റഗ്രേഷനായി OpenUSD ഉപയോഗിക്കുന്നത്.

യഥാർത്ഥ പുരോഗതിയുടെ അളവുകോൽ

അടുത്ത ഒരു വർഷം നമ്മൾ നോക്കുന്നത് വീഡിയോ എത്ര മനോഹരമാണ് എന്നല്ല, മറിച്ച് അതിലെ സ്ഥിരതയാണ് (temporal consistency). ഒരു കഥാപാത്രം ഒരു മരത്തിന് പിന്നിലൂടെ നടന്ന് അപ്പുറത്ത് വരുമ്പോൾ അതേ വസ്ത്രവും അതേ മുഖവും നിലനിർത്തുന്നുണ്ടെങ്കിൽ ആ ടെക്നോളജി പക്വത പ്രാപിച്ചു എന്ന് പറയാം. വസ്തുക്കൾ അകാരണമായി രൂപം മാറുന്ന രീതി അവസാനിക്കണം. ഒരു മനുഷ്യ ക്യാമറ ക്രൂ ചെയ്യുന്ന അത്രയും കൃത്യതയോടെ ഒരു സ്ക്രിപ്റ്റ് പിന്തുടരാൻ മെഷീന് കഴിയണം. മെഷീനുകൾക്ക് സമയത്തെക്കുറിച്ചും സ്ഥിരതയെക്കുറിച്ചും ബോധം നൽകാനുള്ള ശ്രമങ്ങൾ തുടരുകയാണ്. ഒരു നിമിഷത്തിന്റെ പ്രാധാന്യം മനസ്സിലാക്കാൻ മെഷീന് കഴിയുമോ അതോ അത് വെറും പിക്സലുകളുടെ കളി മാത്രമായിരിക്കുമോ? ഇത് ക്രിയേറ്റർമാർക്കുള്ള ടൂൾ ആണോ അതോ അവർക്ക് പകരക്കാരനാണോ എന്ന് കാലം തെളിയിക്കും.

Anmerkung der Redaktion: Wir haben diese Website als mehrsprachigen Hub für KI-Nachrichten und -Anleitungen für Menschen erstellt, die keine Computer-Nerds sind, aber dennoch künstliche Intelligenz verstehen, sie mit mehr Vertrauen nutzen und die bereits anbrechende Zukunft verfolgen möchten.