Wan 3.0 ಈಗ ಪಾತ್ರದ ಮುಖವು ವಿರೂಪಗೊಳ್ಳದೆ ಅಥವಾ ಕ್ಯಾಮೆರಾ ಅಲುಗಾಡದೆ ಅರ್ಧ ನಿಮಿಷದ AI-ಸೃಷ್ಟಿತ ದೃಶ್ಯಾವಳಿಯನ್ನು ಸತತವಾಗಿ ಜೋಡಿಸಬಲ್ಲದು—ಇದು ಜನರೇಟಿವ್ ವೀಡಿಯೊವನ್ನು ಸಣ್ಣ ತುಣುಕುಗಳಿಂದ ಬಳಕೆಯಾಗುವ ಕಥಾ ಹೇಳಿಕೆಯಾಗಿ (storytelling) ಪರಿವರ್ತಿಸುವ ಒಂದು ದೊಡ್ಡ ಮೈಲಿಗಲ್ಲು.
ಈ ಕ್ರಾಂತಿಕಾರಿ ಬದಲಾವಣೆಯು ಒಂದು ಸುಸಜ್ಜಿತ ತಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯ ಮೇಲೆ ನಿಂತಿದೆ: ಬಾಹ್ಯಾಕಾಶ ಮತ್ತು ಸಮಯವನ್ನು ಒಂದೇ ಘಟಕವಾಗಿ ಪರಿಗಣಿಸುವ causal 3-D variational auto-encoder (VAE), ಆ ಘಟಕವನ್ನು patch-tokens ಆಗಿ ಪರಿವರ್ತಿಸುವ diffusion-based transformers, ಮತ್ತು ದೃಶ್ಯದ ಮಟ್ಟದ ಯೋಜನೆ ಮತ್ತು ಪಿಕ್ಸೆಲ್ ಮಟ್ಟದ ಪರಿಷ್ಕರಣೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ mixture-of-experts router. Wan 3.0 ಪಠ್ಯ, ಚಿತ್ರಗಳು, ಆಡಿಯೋ ಮತ್ತು ರೆಫರೆನ್ಸ್ ವೀಡಿಯೊಗಳನ್ನು ಸ್ವತಂತ್ರ conditioning streams ಗಳಾಗಿ ಸ್ವೀಕರಿಸುತ್ತದೆ, ಇದರಿಂದ ಪ್ರತಿಯೊಂದೂ ಇತರವನ್ನೇ ಅಳಿಸದೆ ಫಲಿತಾಂಶದ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಬಹುದು. ಇದರ ಪರಿಣಾಮವಾಗಿ ಒಂದು ಸುಸಂಬದ್ಧ ಆಡಿಯೋ-ವಿಶುವಲ್ ಪ್ರಪಂಚ ಸೃಷ್ಟಿಯಾಗುತ್ತದೆ; ಇಲ್ಲಿ ಪಾತ್ರವು ಕ್ಯಾಮೆರಾ ಪ್ಯಾನಿಂಗ್ (pan) ಸಮಯದಲ್ಲಿ ಸ್ಥಿರವಾಗಿ ಕಾಣಿಸುತ್ತದೆ, ಉತ್ಪನ್ನವು ತಿರುಗುವಾಗಲೂ ತನ್ನ ಆಕಾರವನ್ನು ಕಳೆದುಕೊಳ್ಳುವುದಿಲ್ಲ ಮತ್ತು ಆಡಿಯೋ ಸೂಚನೆ ಬಂದ ತಕ್ಷಣವೇ ಹೆಜ್ಜೆಯ ಶಬ್ದವು ಸರಿಯಾಗಿ ಕೇಳಿಸುತ್ತದೆ.
ದೀರ್ಘಾವಧಿಯ AI ವೀಡಿಯೊಗಳು ಏಕೆ ಸವಾಲಾಗಿವೆ
ಆರಂಭಿಕ ಜನರೇಟಿವ್ ವೀಡಿಯೊ ಮಾದರಿಗಳು ಕೆಲವು ಸೆಕೆಂಡುಗಳ ಅನಿಮೇಷನ್ ಅನ್ನು ಸೃಷ್ಟಿಸಬಲ್ಲವು, ಆದರೆ ವೀಡಿಯೊದ ಅವಧಿಯನ್ನು ಹೆಚ್ಚಿಸಿದಾಗ ಎರಡು ಮೂಲಭೂತ ದೋಷಗಳು ಎದುರಾದವು. ಮೊದಲನೆಯದಾಗಿ, frame-by-frame synthesis ಕಾಲಾನುಕ್ರಮದ ಅವಲಂಬನೆಗಳನ್ನು (temporal dependencies) ನಿರ್ಲಕ್ಷಿಸಿತು, ಇದರಿಂದಾಗಿ ಆರಂಭದಲ್ಲಿ ನೈಜವಾಗಿ ಕಾಣುತ್ತಿದ್ದ ಮುಖವು ಕೆಲವೇ ಫ್ರೇಮ್ಗಳ ನಂತರ ವಿರೂಪಗೊಂಡಿತು. ಎರಡನೆಯದಾಗಿ, ಹೆಚ್ಚಿನ ಪೈಪ್ಲೈನ್ಗಳು ಶಬ್ದವನ್ನು ಕೇವಲ ನಂತರದ ವಿಚಾರವಾಗಿ ಪರಿಗಣಿಸುತ್ತಿದ್ದವು, ಇದು ಲಿಪ್-ಸಿಂಕ್ (lip-sync) ಅಥವಾ Foley ಎಫೆಕ್ಟ್ಗಳ ಅಸಮತೋಲನಕ್ಕೆ ಕಾರಣವಾಯಿತು. ಈ ಸಮಸ್ಯೆಗಳನ್ನು brute-force sampling ಮೂಲಕ ಸರಿಪಡಿಸಲು ಪ್ರಯತ್ನಿಸಿದಾಗ, ವೀಡಿಯೊದ ಉದ್ದ ಹೆಚ್ಚಾದಂತೆ ವೆಚ್ಚವು ವಿಪರೀತವಾಗಿ ಏರಿಕೆಯಾಯಿತು, ಇದು ಸೃಷ್ಟಿಕರ್ತರಿಗೆ ಕೆಲವು ಸೆಕೆಂಡುಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ವೀಡಿಯೊಗಳನ್ನು ತಯಾರಿಸುವುದನ್ನು ಅಸಾಧ್ಯವಾಗಿಸಿತು.
Wan 3.0 ನ ತಾಂತ್ರಿಕ ಸ್ತಂಭಗಳು
Causal 3-D VAE – ಸಾಂಪ್ರದಾಯಿಕ VAEಗಳು ಒಂದೇ ಚಿತ್ರವನ್ನು latent code ಆಗಿ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತವೆ. ಆದರೆ Wan ನ ಈ ಆವೃತ್ತಿಯು ಇಡೀ ವೀಡಿಯೊ ಕ್ಯೂಬ್ ಅನ್ನು (height × width × time) ಏಕಕಾಲದಲ್ಲಿ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ. ಎನ್ಕೋಡರ್ ಮತ್ತು ಡಿಕೋಡರ್ಗಳು ಫ್ರೇಮ್ಗಳ ಕಾಲಾನುಕ್ರಮವನ್ನು (causal ordering) ಗೌರವಿಸುವುದರಿಂದ, latent representation ಈಗಾಗಲೇ "ಮುಂದೆ ಏನು ಬರಲಿದೆ" ಎಂಬುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಇದು ಡೌನ್ಸ್ಟ್ರೀಮ್ ಮಾಡ್ಯೂಲ್ಗಳು ಪ್ರತ್ಯೇಕ ಚಿತ್ರಗಳ ಬದಲಿಗೆ ಕಾಲಾನುಕ್ರಮದ ಅರಿವಿರುವ (temporally aware) ಅಡಿಪಾಯದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
Diffusion Transformers – ಎನ್ಕೋಡಿಂಗ್ ನಂತರ, ವೀಡಿಯೊವನ್ನು ವಾಕ್ಯದಲ್ಲಿನ ಪದಗಳಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವ 3-D patches ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗುತ್ತದೆ. ಒಂದು transformer ಪ್ರತಿ patch ಗಾಗಿ diffusion trajectory ಅನ್ನು ಊಹಿಸುತ್ತದೆ, ಇದು ವಸ್ತುಗಳು ಹೇಗೆ ಚಲಿಸುತ್ತವೆ, ಬೆಳಕು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಮತ್ತು ಫ್ರೇಮ್ಗಳ ಉದ್ದಕ್ಕೂ ದೃಷ್ಟಿಕೋನವು ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಕಲಿಯುತ್ತದೆ. ಈ token-based ದೃಷ್ಟಿಕೋನವು ಮಾದರಿಗೆ ಸೂಕ್ಷ್ಮ ವಿವರಗಳನ್ನು ನಿರ್ವಹಿಸುವಾಗಲೂ ಚಲನೆಯ ಬಗ್ಗೆ ಜಾಗತಿಕ ಅರಿವನ್ನು (global sense of motion) ನೀಡುತ್ತದೆ.
Mixture-of-Experts (MoE) – ಒಂದೇ ನೆಟ್ವರ್ಕ್ ಮ್ಯಾಕ್ರೋ ಲೇಔಟ್ ಮತ್ತು ಮೈಕ್ರೋ ಟೆಕ್ಸ್ಚರ್ ಎರಡನ್ನೂ ಕಲಿಯುವಂತೆ ಒತ್ತಾಯಿಸುವ ಬದಲು, Wan ಆರಂಭಿಕ diffusion ಹಂತಗಳನ್ನು ದೃಶ್ಯದ ಸಂಯೋಜನೆ ಮತ್ತು ವಿಶಾಲವಾದ ಚಲನೆಯ ಮೇಲೆ ಗಮನಹರಿಸುವ "expert" ಗೆ ಕಳುಹಿಸುತ್ತದೆ, ನಂತರ ನಂತರದ ಹಂತಗಳನ್ನು ಚರ್ಮದ ರಂಧ್ರಗಳು, ಪ್ರತಿಫಲನಗಳು ಮತ್ತು ಸೂಕ್ಷ್ಮ ನೆರಳುಗಳನ್ನು ಪರಿಷ್ಕರಿಸುವ ಎರಡನೇ ತಜ್ಞನಿಗೆ (expert) ವಹಿಸುತ್ತದೆ. ಈ ವಿಭಜನೆಯು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂlೂಷನ್ ಅಗತ್ಯವಿಲ್ಲದ ಕಾರ್ಯಗಳ ಮೇಲೆ ಅನಗತ್ಯ ಕಂಪ್ಯೂಟಿಂಗ್ ವೆಚ್ಚವನ್ನು ತಡೆಯುತ್ತದೆ ಮತ್ತು inference ಸಮಯವನ್ನು ನಿರ್ವಹಣಾ ಮಟ್ಟದಲ್ಲಿಡುತ್ತದೆ.
Multimodal Conditioning – ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್ಗಳು, ರೆಫರೆನ್ಸ್ ಚಿತ್ರಗಳು, ಸಣ್ಣ ವೀಡಿಯೊ ತುಣುಕುಗಳು ಮತ್ತು ಆಡಿಯೋ ಟ್ರ್ಯಾಕ್ಗಳು ಪ್ರತಿಯೊಂದೂ ತಮ್ಮದೇ ಆದ embedding ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಮಾದರಿಯು ಈ embedding ಗಳನ್ನು ಅವುಗಳ ವೈಯಕ್ತಿಕತೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುತ್ತಲೇ ವಿಲೀನಗೊಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ "ಎಡಕ್ಕೆ ನಡೆಯಿರಿ" ಎಂಬ ಪಠ್ಯ ಸೂಚನೆಯು ಪಾತ್ರದ ಮುಖದ ರೆಫರೆನ್ಸ್ ಚಿತ್ರವನ್ನು ಅಳಿಸುವುದಿಲ್ಲ ಮತ್ತು ಹಿನ್ನೆಲೆ ಸಂಗೀತವು ಮಾತಿನ ಸಾಲುಗಳನ್ನು ಮರೆಮಾಚುವುದಿಲ್ಲ.
Identity and Camera Control – ಒದಗಿಸಲಾದ ಚಿತ್ರ ಅಥವಾ ಕ್ಲಿಪ್ನಿಂದ ಹೊರತೆಗೆಯಲಾದ ರೆಫರೆನ್ಸ್ ಫೀಚರ್ಗಳು ಜನರೇಷನ್ ಉದ್ದಕ್ಕೂ ಆಂಕರಗಳಾಗಿ (anchors) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ವರ್ಚುವಲ್ ಕ್ಯಾಮೆರಾ ಪ್ಯಾನಾದಾಗ, ಸಿಸ್ಟಮ್ ಈ ಚಲನೆಯನ್ನು ಪೋಸ್ಟ್-ಪ್ರೊಸೆಸ್ ಫಿಲ್ಟರ್ ಆಗಿ ಪರಿಗಣಿಸದೆ, latent space ನ ಜ್ಯಾಮಿತೀಯ ರೂಪಾಂತರವಾಗಿ (geometric transformation) ಪರಿಗಣಿಸುತ್ತದೆ, ಇದರಿಂದ ದೃಷ್ಟಿಕೋನ ಅಥವಾ ಬೆಳಕು ಬದಲಾದರೂ ವಿಷಯದ ಗುರುತಿನ ಸ್ಥಿರತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುತ್ತದೆ.
Audiovisual Sync – ಒಂದು ಮೀಸಲಾದ alignment head ವೀಡಿಯೊ ಸ್ಟ್ರೀಮ್ನಲ್ಲಿ ಆಡಿಯೋ ಘಟನೆಗಳು ಯಾವಾಗ ಕಾಣಿಸಿಕೊಳ್ಳಬೇಕು ಎಂಬುದನ್ನು ಊಹಿಸುತ್ತದೆ. ಹೆಜ್ಜೆಗಳು, ಚಪ್ಪಾಳೆ ಅಥವಾ ಸಂಭಾಷಣೆಯ ಸೂಚನೆಗಳು ಶಬ್ದದ ತರಂಗವು (sound waveform) ಉತ್ತುಂಗಕ್ಕೇರುವ ನಿಖರವಾದ ಫ್ರೇಮ್ಗಳಲ್ಲಿ ಬರುತ್ತವೆ, ಇದು ಮ್ಯಾನುಯಲ್ ಎಡಿಟಿಂಗ್ ಇಲ್ಲದೆಯೇ ನೋಟ ಮತ್ತು ಶಬ್ದದ ನಡುವೆ ಗಟ್ಟಿಯಾದ ಸಮನ್ವಯವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
ಯಾರು ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು
ಕಂಟೆಂಟ್ ಕ್ರಿಯೇಟರ್ಗಳು, ಜಾಹೀರಾತುದಾರರು ಮತ್ತು ಗೇಮ್ ಡೆವಲಪರ್ಗಳು ಈಗ ಡಜನ್ಗಟ್ಟಲೆ ಸಣ್ಣ ತುಣುಕುಗಳನ್ನು ಜೋಡಿಸದೆ ದೀರ್ಘವಾದ ಸೀಕ್ವೆನ್ಸ್ಗಳನ್ನು ಪ್ರೋಟೋಟೈಪ್ ಮಾಡಬಹುದು. MoE ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನಗತ್ಯ ಕಂಪ್ಯೂಟೇಶನ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡುವುದರಿಂದ, ಪ್ರತಿ ನಿಮಿಷದ ಉತ್ಪಾದನಾ ವೆಚ್ಚವು ಮಧ್ಯಮ ಗಾತ್ರದ ಸ್ಟುಡಿಯೊಗಳಿಗೆ ಕೈಗೆಟುಕುವಂತಿದೆ (ಹಿಂದೆ ಇವರು ಕೈಯಿಂದ ಮಾಡುವ ಅನಿಮೇಷನ್ ಪೈಪ್ಲೈನ್ಗಳನ್ನು ಅವಲಂಬಿಸಿದ್ದರು). ಸಂಶೋಧಕರು ವೈದ್ಯಕೀಯ ಇಮೇಜಿಂಗ್ ಅಥವಾ ವೈಜ್ಞಾನಿಕ ದೃಶ್ಯೀಕರಣದಂತಹ ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರಗಳ ಕಾರ್ಯಗಳಿಗಾಗಿ causal 3-D VAE ನ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ latent space ಅನ್ನು ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಬಹುದು.
ವಹಿವಾಟುಗಳು (Trade-offs) ಮತ್ತು ಮುಕ್ತ ಪ್ರಶ್ನೆಗಳು
ಈ ವಾಸ್ತುಶಿಲ್ಪದ ಸಂಕೀರ್ಣತೆಯು ಹಾರ್ಡ್ವೇರ್ ವೆಚ್ಚವನ್ನು ತರುತ್ತದೆ: 3-D ಪ್ಯಾಚ್ಗಳ ಮೇಲೆ ಡಿಫ್ಯೂಷನ್ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಅನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಇಂದಿಗೂ ಅತ್ಯಾಧುನಿಕ GPUಗಳು ಅಥವಾ ವಿಶೇಷ ವೇಗವರ್ಧಕಗಳ ಅಗತ್ಯವಿದೆ. MoE ಇನ್ಫರೆನ್ಸ್ ವ್ಯರ್ಥವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಆದರೆ ರೂಟಿಂಗ್ ಲಾಜಿಕ್ ವಿಳಂಬವನ್ನು (latency) ಹೆಚ್ಚಿಸುತ್ತದೆ, ಇದು ನೈಜ-ಸಮಯದ ಅಪ್ಲಿಕೇಶನ್ಗಳಲ್ಲಿ ಗಮನಾರ್ಹವಾಗಿರಬಹುದು. ಮಲ್ಟಿಮೋಡಲ್ ಕಂಡೀಷನಿಂಗ್ ಶಕ್ತಿಯುತವಾಗಿದ್ದರೂ, ಪ್ರಾಂಪ್ಟ್ಗಳು ಅಸ್ಪಷ್ಟವಾಗಿದ್ದಾಗ ಸಂಘರ್ಷಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು; ಮಾಡೆಲ್ ಒಂದು ಮೋಡಾಲಿಟಿಗೆ ಮತ್ತೊಂದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಆದ್ಯತೆ ನೀಡಬಹುದು, ಇದು ಎಡ್ಜ್ ಕೇಸ್ಗಳಲ್ಲಿ ಸೂಕ್ಷ್ಮವಾದ identity drift ಗೆ ಕಾರಣವಾಗಬಹುದು.
ಒಂದು ಸುಸಂಬದ್ಧ ಪ್ರಪಂಚವು ಕಥಾಹಂದರದಲ್ಲಿನ ಸುಸಂಬದ್ಧತೆಯನ್ನು ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ ಎಂದು ವಿಮರ್ಶಕರು ಗಮನಿಸುತ್ತಾರೆ. Wan 3.0 ದೃಶ್ಯ ಮತ್ತು ಶ್ರವಣ ನಿರಂತರತೆಯಲ್ಲಿ ಅತ್ಯುತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಕಥೆಯ ಹರಿವು (story arcs), ಪಾತ್ರಗಳ ಪ್ರೇರಣೆ ಅಥವಾ ವೇಗವನ್ನು (pacing) ಇನ್ನೂ ಅರ್ಥಮಾಡಿಕೊಂಡಿಲ್ಲ. ಅಂತಹ ಉನ್ನತ ಮಟ್ಟದ ಕಥೆ ಹೇಳುವ ಅಂಶಗಳು ಮಾನವ ಸಂಪಾದಕರ ಕೈಯಲ್ಲೇ ಇರುತ್ತವೆ.
ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು
Wan 3.0 ತಂಡವು ಮುಂಬರುವ ಆವೃತ್ತಿಯ ಬಗ್ಗೆ ಸುಳಿವು ನೀಡಿದೆ, ಇದು ಹೈರಾರ್ಕಿಕಲ್ ಡಿಫ್ಯೂಷನ್ (hierarchical diffusion) ಪ್ರಯೋಗ ಮಾಡಲಿದ್ದು, ವಿವರಗಳನ್ನು ಪರಿಷ್ಕರಿಸುವ ಮೊದಲು ಕೇವಲ ಒಂದು ಹಂತದಲ್ಲಿ ಅಂದಾಜು ಸ್ಟೋರಿಬೋರ್ಡ್ ಅನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಜನಪ್ರಿಯ ಎಡಿಟಿಂಗ್ ಸೂಟ್ಗಳೊಂದಿಗೆ ಏಕೀಕರಣವು ಕೂಡ ಕಾರ್ಯಸೂಚಿಯಲ್ಲಿದೆ, ಇದು ಪ್ರಸ್ತುತ ಸಂಶೋಧನಾ ಪ್ರೊಟೊಟೈಪ್ ಅನ್ನು ತಾಂತ್ರಿಕ ಜ್ಞಾನವಿಲ್ಲದ ಬಳಕೆದಾರರು ನೇರವಾಗಿ ಬಳಸಬಹುದಾದ ಪ್ಲಗ್-ಇನ್ ಆಗಿ ಪರಿವರ್ತಿಸಬಹುದು.
ಪ್ರಸ್ತುತ ಬಿಡುಗಡೆಯಾದ ಆವೃತ್ತಿಯು ವಿವಿಧ ಹಾರ್ಡ್ವೇರ್ಗಳಲ್ಲಿ ಸ್ಥಿರವೆಂದು ಸಾಬೀತಾದರೆ, ಇಂಡಿ ಸ್ಟುಡಿಯೊಗಳು ಸಾಂಪ್ರದಾಯಿಕ ಮೋಷನ್-ಕ್ಯಾಪ್ಚರ್ ರಿಗ್ಗಳನ್ನು ಬಿಟ್ಟು, ಪೂರ್ಣ ಪ್ರಮಾಣದ ದೃಶ್ಯಗಳನ್ನು ರಚಿಸಲು ಕೇವಲ ಕೆಲವು ರೆಫರೆನ್ಸ್ ಶಾಟ್ಗಳು ಮತ್ತು ಪಠ್ಯ ಸ್ಕ್ರಿಪ್ಟ್ಗಳನ್ನು ಅವಲಂಬಿಸುವ ಪ್ರವೃತ್ತಿಯನ್ನು ನಾವು ನೋಡಬಹುದು. ಈ ತಾಂತ್ರಿಕ ಲಾಭಗಳು ಉತ್ಪಾದನಾ ಕಾರ್ಯವಿಧಾನಗಳಲ್ಲಿ ಬದಲಾವಣೆಗೆ ಕಾರಣವಾಗುತ್ತವೆಯೇ ಅಥವಾ ಸಂಶೋಧನಾ ಸಮುದಾಯಕ್ಕೆ ಕೇವಲ ಹೆಚ್ಚಿನ ವೆಚ್ಚದ ಕುತೂಹಲವಾಗಿ ಉಳಿಯುತ್ತವೆಯೇ ಎಂಬುದು ಮುಂದಿನ ಕೆಲವು ತಿಂಗಳುಗಳಲ್ಲಿ ತಿಳಿಯಲಿದೆ.