ChatGPT હવે એનિમેટેડ GIF પણ બનાવી શકશે: OpenAI ના નવા Images 2.6 મોડલની કમાલ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ની દુનિયામાં દરરોજ નવા પરિવર્તનો આવી રહ્યા છે, પરંતુ તાજેતરમાં OpenAI એ કરેલી જાહેરાત સામાન્ય યુઝર્સ માટે ખૂબ જ રોમાંચક છે. ૪ નવેમ્બર, ૨૦૨૬ ના રોજ કંપનીએ જાહેરાત કરી કે ChatGPT હવે માત્ર સ્થિર ચિત્રો જ નહીં, પરંતુ એનિમેટેડ GIF (Graphics Interchange Format) પણ બનાવી શકશે. આ સુવિધા OpenAI ના નવા 'Images 2.6' મોડલ દ્વારા શક્ય બની છે. અત્યાર સુધી ChatGPT માં ચિત્રો બનાવવા માટે DALL-E અથવા તેના પછીના GPT Image મોડલનો ઉપયોગ થતો હતો, પરંતુ તેમાં સીધી રીતે એનિમેશન બનાવવાની ક્ષમતા નહોતી. હવે યુઝર્સ માત્ર એક પ્રોમ્પ્ટ (prompt) એટલે કે લેખિત આદેશ આપીને પોતાની પસંદગીના GIF બનાવી શકશે.

ધ વર્જ (The Verge) ના અહેવાલ મુજબ, આ અપડેટ માત્ર GIF બનાવવા પૂરતું મર્યાદિત નથી. યુઝર્સ હવે GIF ની એનિમેશન સ્પીડ એટલે કે તેની ગતિમાં ફેરફાર કરી શકશે અને તેના દરેક ઇન્ડિવિજ્યુઅલ ફ્રેમ (frame) એટલે કે એનિમેશનના એક-એક સ્થિર ભાગને એડિટ પણ કરી શકશે. આનો અર્થ એ થયો કે જો તમને AI દ્વારા બનાવેલા GIF માં કોઈ ચોક્કસ સેકન્ડ પર કોઈ ફેરફાર કરવો હોય, તો તે હવે શક્ય છે. કંપની દ્વારા શેર કરવામાં આવેલા એક ઉદાહરણમાં દર્શાવવામાં આવ્યું છે કે જ્યારે યુઝર પૂછે છે કે "શું તમે નાચતી બિલાડીનું GIF બનાવી શકો છો?", ત્યારે ChatGPT તરત જ તે તૈયાર કરી આપે છે અને સાથે જ તેને ફ્રેમ-બાય-ફ્રેમ જોવાનો વિકલ્પ પણ આપે છે.

આ નવી સુવિધા પાછળનું ટેકનિકલ બળ 'Images 2.6' મોડલ છે. OpenAI ના જણાવ્યા અનુસાર, આ નવું મોડલ અગાઉના વર્ઝન કરતા વધુ ઝડપી છે. કંપનીએ નોંધ્યું છે કે હાલમાં ChatGPT અને તેની API (Application Programming Interface) એટલે કે સોફ્ટવેરને એકબીજા સાથે જોડતી કડી દ્વારા દર અઠવાડિયે ૪ અબજથી વધુ ચિત્રો બનાવવામાં આવે છે. સપ્ટેમ્બર ૨૦૨૬ માં આ આંકડો અઠવાડિયે ૩ અબજ હતો, જે દર્શાવે છે કે AI દ્વારા ચિત્રો બનાવવાની લોકપ્રિયતા કેટલી ઝડપથી વધી રહી છે. Images 2.6 મોડલ અત્યારે વેબ, ડેસ્કટોપ અને મોબાઈલ એપ પર તમામ ChatGPT અને Codex યુઝર્સ માટે ઉપલબ્ધ કરાવવામાં આવી રહ્યું છે.

વિકિપીડિયાના ડેટા મુજબ, ChatGPT ની સફર નવેમ્બર ૨૦૨૨ માં શરૂ થઈ હતી અને ત્યારથી તે સતત વિકસિત થઈ રહ્યું છે. ઓક્ટોબર ૨૦૨૩ માં તેમાં DALL-E 3 નું ઇન્ટિગ્રેશન (integration) એટલે કે જોડાણ કરવામાં આવ્યું હતું, જેણે ચિત્રો બનાવવાની શરૂઆત કરી હતી. ત્યારબાદ માર્ચ ૨૦૨૫ માં OpenAI એ 'GPT Image' મોડલ રજૂ કર્યું, જેણે ખાસ કરીને ચિત્રોમાં લખાણ લખવાની ક્ષમતામાં મોટો સુધારો કર્યો હતો. હવે Images 2.6 સાથે કંપનીએ સ્થિર ચિત્રોથી આગળ વધીને ગતિશીલ સામગ્રી તરફ કદમ માંડ્યા છે. આ મોડલની સાથે કંપનીએ ડેવલપર્સ માટે 'GPT-Image-2.6 Flare' અને 'Sunburst' નામના નવા API મોડલ્સ પણ લોન્ચ કર્યા છે, જે વધુ ઉચ્ચ ગુણવત્તાવાળા ચિત્રો ઝડપથી બનાવી શકે છે.

GIF બનાવવાની આ પ્રક્રિયા કેવી રીતે કામ કરે છે તે સમજવા માટે આપણે એનિમેશનના પાયાના સિદ્ધાંતને સમજવો પડે. એનિમેશન વાસ્તવમાં ઘણા બધા સ્થિર ચિત્રોનો સમૂહ છે જે ખૂબ જ ઝડપથી એક પછી એક બદલાય છે. Images 2.6 મોડલ યુઝરના પ્રોમ્પ્ટને સમજીને તે મુજબના સુસંગત ચિત્રોની શ્રેણી તૈયાર કરે છે અને તેને એક લૂપમાં જોડી દે છે. આ પ્રક્રિયામાં AI એ ધ્યાન રાખવું પડે છે કે દરેક ફ્રેમ વચ્ચે સાતત્ય જળવાઈ રહે, જેથી એનિમેશન કુદરતી લાગે. ઉદાહરણ તરીકે, જો બિલાડી નાચી રહી હોય, તો તેની પૂંછડી અને પંજાની હિલચાલ દરેક ફ્રેમમાં તર્કબદ્ધ હોવી જોઈએ.

OpenAI ની આ પ્રગતિ પાછળ તેનું વિશાળ આર્થિક અને માળખાગત પીઠબળ છે. માર્ચ ૨૦૨૬ માં કંપનીનું મૂલ્ય ૮૫૨ અબજ ડોલર આંકવામાં આવ્યું હતું, જે તેને વિશ્વની સૌથી મૂલ્યવાન AI કંપનીઓમાંની એક બનાવે છે. માઈક્રોસોફ્ટ (Microsoft) એ આ કંપનીમાં ૧૩ અબજ ડોલરથી વધુનું રોકાણ કર્યું છે અને OpenAI ની તમામ સેવાઓ માઈક્રોસોફ્ટના એઝ્યુર (Azure) સુપરકોમ્પ્યુટિંગ પ્લેટફોર્મ પર ચાલે છે. કંપનીએ આગામી આઠ વર્ષમાં AI ઇન્ફ્રાસ્ટ્રક્ચર પાછળ ૧.૪ ટ્રિલિયન ડોલર ખર્ચવાની પ્રતિબદ્ધતા જાહેર કરી છે, જે આ પ્રકારના જટિલ મોડલ્સ વિકસાવવા માટે જરૂરી છે.

જોકે, આટલી મોટી સફળતા સાથે કેટલીક મર્યાદાઓ અને પડકારો પણ જોડાયેલા છે. વિકિપીડિયાના અહેવાલ મુજબ, ChatGPT ઘણીવાર 'હેલ્યુસિનેશન' (hallucination) એટલે કે ભ્રામક માહિતી આપવાની સમસ્યાથી પીડાય છે. ચિત્રોના કિસ્સામાં પણ, ક્યારેક AI વિચિત્ર અથવા અવાસ્તવિક આકૃતિઓ બનાવી શકે છે. આ ઉપરાંત, AI દ્વારા બનાવવામાં આવેલી સામગ્રીની વિશ્વસનીયતા જાળવવા માટે OpenAI 'C2PA મેટાડેટા' (metadata) નો ઉપયોગ કરે છે. આ એક પ્રકારની ડિજિટલ છાપ છે જે સાબિત કરે છે કે ચિત્ર અથવા GIF આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા બનાવવામાં આવ્યું છે. આનાથી ખોટી માહિતી ફેલાતી અટકાવવામાં મદદ મળે છે.

સામાન્ય ભારતીય યુઝર માટે આ ટેકનોલોજીનો અર્થ શું છે? અત્યાર સુધી આપણે સોશિયલ મીડિયા કે વોટ્સએપ પર GIF મોકલવા માટે તૈયાર લાઈબ્રેરી પર નિર્ભર રહેતા હતા. હવે, આપણે આપણી પોતાની કલ્પના મુજબના GIF બનાવી શકીશું. દાખલા તરીકે, કોઈને જન્મદિવસની શુભેચ્છા આપવા માટે તમે "ગુજરાતી ગરબા રમતા ટેડી બેર" નું GIF બનાવી શકો છો. આ ટેકનોલોજી સર્જનાત્મકતાના નવા દ્વાર ખોલે છે, જ્યાં ભાષા કે ચિત્રકળાની મર્યાદા નડતી નથી. માત્ર યોગ્ય શબ્દોમાં તમારી કલ્પના વ્યક્ત કરવાની જરૂર છે.

OpenAI ના સીઈઓ સેમ ઓલ્ટમેન (Sam Altman) ના નેતૃત્વમાં કંપની હવે માત્ર એક ચેટબોટ મટીને એક સંપૂર્ણ 'એજન્ટિક' (agentic) સિસ્ટમ બની રહી છે. એજન્ટિક એટલે કે એવી સિસ્ટમ જે યુઝર વતી સ્વાયત્ત રીતે કાર્યો કરી શકે. ૨૦૨૫ અને ૨૦૨૬ દરમિયાન કંપનીએ 'Operator' અને 'Codex' જેવા એજન્ટો લોન્ચ કર્યા છે જે ઓનલાઇન ઓર્ડર આપવાથી લઈને કોડિંગ કરવા સુધીના કામો કરી શકે છે. GIF જનરેશન એ આ સફરનું એક નાનું પણ મહત્વનું સોપાન છે, જે દર્શાવે છે કે AI હવે મલ્ટિમોડલ (multimodal) એટલે કે લખાણ, અવાજ અને વિઝ્યુઅલ એમ તમામ સ્તરે સક્ષમ બની રહ્યું છે.

અંતે, Images 2.6 મોડલ એ માત્ર એક સોફ્ટવેર અપડેટ નથી, પરંતુ તે ડિજિટલ અભિવ્યક્તિની નવી રીત છે. જોકે OpenAI અત્યારે જાહેરાતો અને સબસ્ક્રિપ્શન મોડલ દ્વારા આવક વધારવા પર ધ્યાન આપી રહી છે, પરંતુ તેનો મુખ્ય ઉદ્દેશ્ય AGI (Artificial General Intelligence) એટલે કે માનવ સ્તરની બુદ્ધિ ધરાવતું AI બનાવવાનો છે. જેમ જેમ આ મોડલ્સ વધુ શક્તિશાળી બનતા જશે, તેમ તેમ વાસ્તવિકતા અને AI દ્વારા સર્જાયેલી દુનિયા વચ્ચેનો તફાવત ઓછો થતો જશે. હાલ પૂરતું, આપણે ChatGPT પાસે આપણી મનપસંદ બિલાડીઓ કે કાર્ટૂન પાત્રોના GIF બનાવીને આ ટેકનોલોજીનો આનંદ માણી શકીએ છીએ.