Karpathy-র রোডম্যাপ: AI আউটপুট কীভাবে টেক্সট থেকে নিউরাল ভিডিওতে বিবর্তিত হবে

Andrej Karpathy, Tesla-র প্রাক্তন AI ডিরেক্টর এবং OpenAI-র প্রতিষ্ঠাতা সদস্য, এই সপ্তাহে একটি থ্রেড পোস্ট করেছেন যা AI-মানুষ ইন্টারঅ্যাকশনের বিবর্তনের জন্য একটি আশ্চর্যজনকভাবে কংক্রিট রোডম্যাপ উপস্থাপন করে। এটা বড় মডেল বা লম্বা কনটেক্সট নিয়ে নয় — এটা কীভাবে AI আমাদের সাথে যোগাযোগ করে সেটা নিয়ে।

তার থিসিস: অডিও মানুষের পছন্দের AI ইনপুট, কিন্তু ভিজুয়াল পছন্দের আউটপুট। আমাদের ব্রেনের কর্টেক্সের প্রায় এক-তৃতীয়াংশ ভিজুয়াল প্রসেসিংয়ের জন্য নিবেদিত — “মস্তিষ্কে তথ্যের একটি ১০-লেনের সুপারহাইওয়ে।”

AI আউটপুটের পাঁচটি (বা ছয়, বা N) ধাপ

ধাপ ১: র টেক্সট

“পড়তে কঠিন এবং পরিশ্রমসাধ্য।” এটি GPT-2 যুগের আউটপুট — ফরম্যাটবিহীন টেক্সটের দেয়াল যা পার্স করতে জ্ঞানীয় শ্রম প্রয়োজন।

ধাপ ২: মার্কডাউন ← বর্তমান ডিফল্ট

বোল্ড, ইটালিক, হেডিং, টেবিল। “চোখের জন্য একটু সহজ।” বেশিরভাগ LLM ইন্টারফেস আজ এখানেই — ChatGPT, Claude, Gemini সবাই রিচ মার্কডাউন আউটপুট দেয়।

ধাপ ৩: HTML ← প্রাথমিক কিন্তু গঠনশীল

“এখনও প্রোসিডিউরাল, কিন্তু গ্রাফিক্স, লেআউট, এমনকি ইন্টারঅ্যাকটিভিটিতে অনেক বেশি ফ্লেক্সিবিলিটি।” Karpathy তোমার LLM-কে বলার পরামর্শ দেন “তোমার উত্তর HTML হিসেবে স্ট্রাকচার করো” এবং ব্রাউজারে দেখো।

ধাপ ৪: ইন্টারঅ্যাকটিভ নিউরাল ভিডিও

Karpathy “একটি ডিফিউশন নিউরাল নেট দ্বারা সরাসরি জেনারেট করা ইন্টারঅ্যাকটিভ ভিডিও” কল্পনা করেন — ভিডিও ফাইল নয়, বরং একটি রিয়েল-টাইম রেন্ডার করা ভিজুয়াল এক্সপেরিয়েন্স যা ইউজারের ইন্টারঅ্যাকশনে সাড়া দেয়।

ধাপ N: সম্পূর্ণ মাইন্ড-মেল্ড

Karpathy স্বীকার করেন এই এন্ডপয়েন্ট বিদ্যমান কিন্তু দূরে — নিউরালিঙ্ক-স্টাইল ব্রেন-কম্পিউটার ইন্টারফেস। তার মূল পয়েন্ট হলো মাথার খুলি ড্রিল করার আগেই অনেক অগ্রগতি সম্ভব।

কেন এটা গুরুত্বপূর্ণ: ইনপুট/আউটপুট অ্যাসিমেট্রি

ইনপুট সাইড (মানুষ → AI): আমরা বিশাল অগ্রগতি করেছি। ভয়েস ডিক্টেশন, মাল্টিমোডাল আপলোড (ইমেজ, স্ক্রিনশট, PDF), এমনকি পয়েন্টিং এবং জেসচার।

আউটপুট সাইড (AI → মানুষ): আমরা বেশিরভাগ মার্কডাউনে আটকে। এর গুরুত্ব হলো তথ্যের ঘনত্ব আউটপুট ফরম্যাট দ্বারা গেটেড। একটি টেবিল প্যারাগ্রাফের চেয়ে বেশি যোগাযোগ করে। একটি চার্ট টেবিলের চেয়ে বেশি। একটি ইন্টারঅ্যাকটিভ ভিজুয়ালাইজেশন স্ট্যাটিক চার্টের চেয়ে বেশি।

প্রোডাক্ট বিল্ডারদের জন্য এর অর্থ

১. HTML আউটপুট প্রম্পট একটি প্রোডাক্ট। Karpathy-র সমর্থন — যিনি আধুনিক AI-র ভিত্তি তৈরি করতে সাহায্য করেছেন — পরামর্শ দেয় এটিকে প্রোডাক্ট প্রিমিটিভ হিসেবে দেখা উচিত, হ্যাক নয়।

২. ব্রাউজার AI ভিউপোর্ট হয়ে উঠছে। স্টেজ ৩ (HTML আউটপুট) ডিফল্ট হলে, ব্রাউজার ডকুমেন্ট ভিউয়ার থেকে AI রেন্ডারিং সারফেসে রূপান্তরিত হয়।

৩. AI আউটপুট “পড়ার” ভবিষ্যৎ হল “দেখা”। Karpathy যদি ঠিক হন, আমরা এমন বিশ্বের দিকে যাচ্ছি যেখানে AI তোমাকে কিছু বলে না — বরং দেখায়।