AI ने चित्र बनाना कभी सीखा ही नहीं। उसने शोर हटाना सीखा — और पूरी चाल यही है

एक वाक्य लिखिए, कुछ सेकंड रुकिए, और ऐसी तस्वीर मिल जाती है जो कभी अस्तित्व में थी ही नहीं। स्वाभाविक धारणा यही बनती है कि मशीन ने चित्र बनाना सीख लिया है — कि उसके भीतर कहीं कला की पूरी पढ़ाई भरी है, रचना की समझ है, घोड़े का कोई विचार है। हुआ यह नहीं था। मॉडल को सिखाया गया एक ही, लगभग उबाऊ हद तक सादा काम गया था: शोर मिली हुई तस्वीर देखो और बताओ कि शोर कितना और कैसा मिलाया गया है। घोड़ों, रोशनी और रचना के बारे में यह सिस्टम जो कुछ जानता दिखता है, वह उसी एक अनुमान में माहिर हो जाने का साइड इफ़ेक्ट है — और इन मॉडलों की लगभग हर अजीब हरकत यह जान लेने के बाद समझ आ जाती है।

पहले तस्वीर बिगाड़ो, फिर सुधारना सीखो

ट्रेनिंग की शुरुआत डेटा को जानबूझकर ख़राब करने से होती है। कोई फ़ोटो लीजिए और उसमें थोड़ा-सा बेतरतीब शोर मिला दीजिए। फिर थोड़ा और। सैकड़ों क़दम तक यही कीजिए, जब तक टीवी की झिलमिल के सिवा कुछ न बचे — इस पूरी प्रक्रिया में सीखने जैसा कुछ नहीं है, बस गणित है, और इसका हर क़दम आपको ठीक-ठीक पता है, क्योंकि किया आपने ही है।

बात यही है। अब आपके पास लाखों जोड़े हैं: आधी बिगड़ी हुई तस्वीर, और वह सटीक शोर जो उसे वहाँ तक ले जाने के लिए मिलाया गया। इसी जोड़े पर न्यूरल नेटवर्क को सिखाइए — यह बिगड़ी तस्वीर और यह संख्या कि बिगाड़ कितनी दूर तक पहुँचा है, इनसे शोर का हिस्सा पहचानो — और आपके पास ऐसी सुपरवाइज़्ड लर्निंग समस्या है जिसके लेबल मुफ़्त भी हैं और बिल्कुल सही भी। किसी इंसान को कुछ भी लिखकर बताना नहीं पड़ा।

अब इसे उल्टा चलाइए। शुद्ध झिलमिल से शुरू कीजिए, नेटवर्क से पूछिए कि उसे इसमें कितना शोर लग रहा है, उसका एक हिस्सा घटा दीजिए, और यही दोहराते जाइए। हर चक्कर थोड़ी बेतरतीबी हटाता है और पीछे थोड़ी ज़्यादा तरतीब छोड़ जाता है। पर्याप्त क़दमों के बाद झिलमिल ऐसी तस्वीर में जम जाती है जो कभी थी नहीं, पर उन लाखों तस्वीरों के आँकड़ों से मेल खाती है जिनसे नेटवर्क ने सीखा। इस विचार का पहला व्यावहारिक रूप 2020 में छपा था; उसके बाद का हर मुख्यधारा इमेज जनरेटर उसी की संतान है, उन नए सिस्टमों समेत जो शोर से तस्वीर तक और सीधा रास्ता लेने वाले मिलते-जुलते तरीक़े इस्तेमाल करते हैं।

इसीलिए तस्वीर ख़ाली कैनवस से नहीं, बेतरतीबी से शुरू होती है। शुरुआती झिलमिल ही विविधता की जड़ है: एक ही प्रॉम्प्ट दो बार चलाने पर अलग तस्वीरें इसीलिए आती हैं कि शुरुआत अलग शोर से हुई — और यही चीज़ सीड तय कर देती है, जब आपको वही नतीजा दोबारा चाहिए हो।

शब्द बीच में घुसते कहाँ हैं

अकेले शोर हटाने से तस्वीरें तो बनेंगी, पर किसी ख़ास चीज़ की नहीं। दिशा प्रॉम्प्ट को देनी होती है।

टेक्स्ट एक अलग मॉडल से आता है, जिसे इस तरह सिखाया गया है कि तस्वीरें और उनके कैप्शन एक साझा गणितीय जगह में पास-पास बैठें — यही तरीक़ा CLIP ने लोकप्रिय किया, जिसे वेब से जुटाए गए असंख्य तस्वीर-कैप्शन जोड़ों पर सिखाया गया था। वह मॉडल आपके वाक्य को संख्याओं की एक कतार में बदल देता है, और शोर हटाने वाला नेटवर्क हर क़दम पर क्रॉस-अटेंशन के ज़रिए उसी कतार पर ध्यान देता है — यानी प्रॉम्प्ट शुरू में एक बार नहीं पढ़ा जाता, झिलमिल से आख़िरी पिक्सल तक लगातार साथ चलता है।

एक घुंडी भी है। गाइडेंस स्ट्रेंथ तय करती है कि मॉडल को प्रॉम्प्ट की ओर कितने ज़ोर से धकेला जाए, बनाम उसे वह बनाने दिया जाए जो सबसे स्वाभाविक लगे। इसे बढ़ाइए तो तस्वीर टेक्स्ट का ज़्यादा अक्षरशः पालन करती है पर कड़ी, ज़्यादा चटख और कम विविध हो जाती है; घटाइए तो गुणवत्ता सुधरती है और प्रॉम्प्ट ढीले ढंग से लिया जाता है। जिसे लोग "प्रॉम्प्ट इंजीनियरिंग" कहते हैं, उसका बड़ा हिस्सा असल में इसी सौदे से जूझना है।

आख़िरी इंजीनियरिंग वह है जिसने यह सब आम हार्डवेयर पर चलाया। मेगापिक्सल तस्वीर पर सीधे शोर हटाना बहुत महँगा है। 2022 में आई लेटेंट डिफ़्यूज़न पहले ऑटोएनकोडर से तस्वीर को कहीं छोटे रूप में दबा देती है, शोर मिलाने-हटाने की पूरी प्रक्रिया उसी दबे हुए रूप में चलाती है, और पिक्सल में बदलती है सिर्फ़ आख़िर में। गुणवत्ता की क़ीमत मामूली है और गणना की बचत लगभग सौ गुना — यही एक बदलाव इमेज जनरेशन को शोध के क्लस्टरों से उठाकर आम ग्राफ़िक्स कार्ड तक ले आया।

मॉडल पहले दृश्य बनाकर फिर उसे चित्रित नहीं कर रहा। वह बार-बार बस यही पूछ रहा है कि "इसे शोर जैसा कम दिखाने के लिए क्या करना चाहिए" — आपके शब्दों को ध्यान में रखते हुए। ऐसा कोई चरण है ही नहीं जहाँ तस्वीर की सामग्री तथ्य के रूप में मौजूद हो।

ढाँचे से कौन-सी ख़ामियाँ पहले ही समझी जा सकती थीं

बनी हुई तस्वीरों पर जो पुरानी शिकायतें थीं, वे बेतरतीब ख़राबियाँ नहीं थीं। वे उस सिस्टम की पहचान थीं जो स्थानीय स्तर पर विश्वसनीय दिखने के लिए बना है।

तस्वीर के भीतर लिखा टेक्स्ट सालों तक बेमतलब रहा, क्योंकि मॉडल ने अक्षरों को चिह्न की तरह नहीं, बनावट की तरह सीखा था। उसे यह पता ही नहीं था कि अक्षरों की क़तार से कोई शब्द बनना चाहिए। यह कमी अब काफ़ी हद तक दूर हो चुकी है — बड़े टेक्स्ट एनकोडर, ज़्यादा रिज़ॉल्यूशन और बेहतर डेटा से। पर ग़ौर कीजिए कि इलाज क्या था: समस्या पर ज़्यादा क्षमता झोंकना, न कि मॉडल का वर्तनी की अवधारणा सीख लेना।

हाथ और गिनती इसी से जुड़ी वजह से बिगड़ते थे। इस प्रक्रिया में कहीं भी ऐसी कोई चीज़ नहीं जो किसी वस्तु को उसके तय हिस्सों समेत याद रखे। हर हिस्सा बस इतना बनाया जाता है कि आसपास के लिहाज़ से जँचे — और छठी उँगली आसपास के लिहाज़ से बख़ूबी जँचती है। आज के मॉडल हाथ ज़्यादातर सही बनाते हैं; पर एक क़तार में ठीक सात चीज़ें माँगकर देखिए, कमज़ोरी दिख जाएगी, क्योंकि "सात" पूरे दृश्य का गुण है और यह प्रक्रिया पूरे दृश्य के गुणों के इर्द-गिर्द बनी ही नहीं है।

रचना और निषेध आज भी ईमानदार कमज़ोरी हैं। "नीले गोले के ऊपर लाल घन" में रंग अक्सर आपस में बदल जाते हैं, और "ऐसी सड़क जिस पर कोई गाड़ी न हो" में अक्सर गाड़ियाँ आ जाती हैं — टेक्स्ट एम्बेडिंग गाड़ी की अवधारणा साथ लाता है, चाहे उसके साथ निषेध जुड़ा हो या नहीं। सिस्टम पहले से बेहतर निपटते हैं, ज़्यादातर इसलिए कि टेक्स्ट एनकोडर के रूप में मज़बूत भाषा मॉडल लगाए गए हैं — यानी वही इलाज जो निदान से निकलता था।

इन तीनों के नीचे वही चीज़ है जो टेक्स्ट मॉडलों में है: ये सिस्टम विश्वसनीयता के लिए बने हैं, सच्चाई के लिए नहीं। कोशिका का चित्र माँगिए और आपको पाठ्यपुस्तक के आरेख जैसा आत्मविश्वास भरा दृश्य-व्याकरण मिलेगा, जिसमें अंगक सजावट भर होंगे। यह झूठ नहीं बोल रहा। इसने कोशिकाओं का मॉडल कभी बनाया ही नहीं था।

नक़ल, स्रोत की पहचान, और डिटेक्टर क्यों निराश करते हैं

ट्रेनिंग के इस तरीक़े के दो नतीजे तस्वीर की गुणवत्ता से कहीं आगे तक जाते हैं।

पहला है याद रह जाना। ये मॉडल आम तौर पर सामान्यीकरण करते हैं, पर 2023 में शोधकर्ताओं ने दिखाया कि ट्रेनिंग सेट में कई-कई बार दोहराई गई तस्वीरें, ठीक निशाना साधे गए प्रॉम्प्ट से लगभग हूबहू दोबारा निकाली जा सकती हैं। यह दुर्लभ है और इसके लिए तस्वीर का बहुत ज़्यादा दोहराया जाना ज़रूरी है — पर यह शून्य नहीं है, और इसीलिए "मॉडल सिर्फ़ आँकड़े सीखता है, तस्वीरें रखता नहीं" वाला दावा अदालत में टिकाने लायक़ नहीं रह जाता। चल रही क़ानूनी बहस का ज़्यादातर हिस्सा ठीक इसी दरार में बैठा है।

दूसरा है पहचान। AI से बनी तस्वीर पकड़ने का दावा करने वाले वर्गीकारक उन्हीं मॉडलों की पीढ़ी पर ठीक चलते हैं जिन पर उन्हें सिखाया गया, और नए मॉडलों पर, दबाई या दोबारा भेजी गई फ़ाइलों पर, तथा ऐसी असली तस्वीरों पर जो संयोग से बनावटी लगती हैं — तेज़ी से गिर जाते हैं। इनके नतीजे को सबूत मानने से सार्वजनिक ग़लतियाँ पहले ही हो चुकी हैं। जिस रास्ते के पीछे असली इंजीनियरिंग है वह उल्टा चलता है: स्रोत की मुहर बनाते वक़्त ही लगा दो। C2PA कंटेंट क्रेडेंशियल फ़ाइल के साथ यह क्रिप्टोग्राफ़िक रूप से हस्ताक्षरित रिकॉर्ड जोड़ते हैं कि वह बनी कैसे, और SynthID जैसी व्यवस्थाएँ पिक्सल में ऐसा सांख्यिकीय वॉटरमार्क बिठाती हैं जो सामान्य एडिटिंग झेल जाए। दोनों असली प्रगति हैं, और दोनों की कमज़ोरी एक ही है — स्क्रीनशॉट या मेटाडेटा हटा देना मुहर मिटा देता है, और मुहर का न होना कुछ साबित नहीं करता।

विद्यार्थियों और शोधकर्ताओं के लिए क्यों मायने रखता है

डिफ़्यूज़न समझने की वजह यह नहीं कि तस्वीरें बनाना मज़ेदार है। वजह यह है कि यह गणित शोर से तरतीबदार चीज़ें गढ़ने का आम-इस्तेमाल औज़ार निकला, और तस्वीरों से कहीं बाहर फैल चुका है।

यही ढाँचा आज डी नोवो डिज़ाइन में प्रोटीन की संभावित रीढ़ें गढ़ता है, सामग्री-खोज में मनचाहे गुणों वाली अकार्बनिक क्रिस्टल संरचनाएँ सुझाता है, और जानबूझकर कम नमूने लेकर की गई स्कैनिंग से चिकित्सा छवियाँ दोबारा बनाता है — शरीर-रचना पर सिखाया गया डिफ़्यूज़न मॉडल इस बारे में सीखी हुई पूर्व-धारणा की तरह काम करता है कि विश्वसनीय स्कैन दिखता कैसा है, और इसी से छोटी एमआरआई भी साफ़ तस्वीर दे पाती है। हर मामले में नमूना एक ही है: एक कठिन उल्टी समस्या, यह सीखी हुई समझ कि सही जवाब दिखते कैसे हैं, और बेतरतीबी से शुरू करके बार-बार निखारते हुए ऐसी चीज़ तक पहुँचना जो पूर्व-धारणा और माप, दोनों से मेल खाए।

AI, सामग्री विज्ञान या बायोइंजीनियरिंग के विद्यार्थी के लिए यही वह विचार है जो एक क्षेत्र से दूसरे में चलता है, और यह किसी भी प्रॉम्प्ट-नुस्ख़े से ज़्यादा क़ीमती है। इसके साथ ज़िम्मेदारी भी वही आती है जो इस पूरे क्षेत्र में है: गढ़ा हुआ प्रोटीन, गढ़ा हुआ क्रिस्टल और गढ़ी हुई एमआरआई स्लाइस — तीनों परिकल्पनाएँ हैं जो नतीजों जैसी दिखती हैं, और असली हुनर यही पहचानना है कि कौन क्या है।

अक्सर पूछे जाने वाले सवाल

AI इमेज जनरेटर असल में काम कैसे करते हैं?

इन्हें असली तस्वीरों में मिलाए गए बेतरतीब शोर को पहचानना सिखाया जाता है। तस्वीर बनाते वक़्त यही प्रक्रिया उल्टी चलती है: शुद्ध शोर से शुरू करके मॉडल बार-बार उसका कुछ हिस्सा आँकता और हटाता है, और हर क़दम पर आपके प्रॉम्प्ट की एन्कोडिंग उसे दिशा देती है, जब तक एक सुसंगत तस्वीर न बच जाए।

एक ही प्रॉम्प्ट से हर बार अलग तस्वीर क्यों आती है?

क्योंकि हर बार शुरुआत अलग बेतरतीब शोर से होती है। सीड से तय होने वाला यही शुरुआती बिंदु विविधता की मुख्य वजह है — सीड और बाक़ी सेटिंग तय कर दें तो वही तस्वीर दोबारा बनती है।

AI तस्वीरों में हाथ, अक्षर और गिनती क्यों बिगड़ते थे?

क्योंकि यह प्रक्रिया स्थानीय स्तर पर जँचने के लिए बनी है और इसमें वस्तुओं या चिह्नों का कोई टिकाऊ मॉडल नहीं होता। अक्षर वर्तनी के बजाय बनावट की तरह सीखे गए थे, और छठी उँगली आसपास के लिहाज़ से ठीक लगती है। बड़े टेक्स्ट एनकोडर और ज़्यादा रिज़ॉल्यूशन ने इसका बड़ा हिस्सा सुधार दिया है, पर सटीक गिनती जैसे समग्र गुण आज भी कमज़ोर कड़ी हैं।

क्या AI डिटेक्टर साबित कर सकता है कि तस्वीर नक़ली है?

भरोसे के साथ नहीं। डिटेक्टर नए जनरेटरों पर, दबाई या दोबारा अपलोड की गई फ़ाइलों पर कमज़ोर पड़ जाते हैं और कुछ असली तस्वीरों को भी ग़लत बता देते हैं। C2PA कंटेंट क्रेडेंशियल और पिक्सल में बैठे वॉटरमार्क जैसे स्रोत-प्रमाण ज़्यादा मज़बूत रास्ता हैं, हालाँकि मेटाडेटा फिर भी हटाया जा सकता है।

क्या ये मॉडल अपने ट्रेनिंग डेटा की नक़ल करते हैं?

आम तौर पर नहीं — वे सांख्यिकीय ढाँचा सीखते हैं। पर जो तस्वीरें ट्रेनिंग सेट में कई बार दोहराई गई हों, उन्हें निशाना साधे प्रॉम्प्ट से लगभग हूबहू निकाला जा सकता है। यह प्रयोग से दिखाया जा चुका है और चल रहे कॉपीराइट विवादों के केंद्र में है।