Translators as Invisible Teachers of AI: Copyright, Translation Memory, and the Political Economy of Linguistic Data

यहाँ मसारू यामाडा के शोध पत्र, "ट्रांसलेटर्स एज इनविजिबल टीचर्स ऑफ एआई" (Translators as Invisible Teachers of AI) का सरल भाषा और रोजमर्रा के उदाहरणों के साथ स्पष्टीकरण दिया गया है।

बड़ी तस्वीर: मशीन में मौजूद "भूत" (The "Ghost" in the Machine)

एक मास्टर शेफ की कल्पना करें जिसने एक गुप्त रेसिपी को निखारने में 30 साल बिता दिए हैं। वे हर दिन एक रेस्टोरेंट के लिए खाना बनाते हैं। रेस्टोरेंट का मालिक उन्हें उस विशिष्ट भोजन के लिए भुगतान करता है, बचे हुए हिस्से को लेता है, और उन्हें बेसमेंट में एक विशाल "रेसिपी बुक" में डाल देता है।

सालों बाद, मालिक उस विशाल रेसिपी बुक का उपयोग एक रोबोट को खाना बनाना सिखाने के लिए करता है। रोबोट शेफ की शैली, उनके मसालों के चुनाव और उनके समय (timing) को सीख जाता है। अब, रोबोट उसी भोजन को अधिक तेज़ी से और कम लागत में बना सकता है। शेफ न केवल इसलिए चिंतित है क्योंकि रोबोट उसकी नौकरी छीन सकता है, बल्कि इसलिए भी क्योंकि रोबोट वास्तव में शेफ के अपने पिछले काम से बना है, और शेफ को इस रोबोट को सिखाने के लिए कभी भुगतान नहीं किया गया।

यह शोध पत्र तर्क देता है कि पेशेवर अनुवादक (translators) बिल्कुल इसी स्थिति में हैं। वे दशकों से आर्टिफिशियल इंटेलिजेंस (AI) के "अदृश्य शिक्षक" रहे हैं, लेकिन किसी ने इस शिक्षण भूमिका को न तो स्वीकार किया है और न ही उन्हें इसके लिए भुगतान किया है।

---

1. "ट्रांसलेशन मेमोरी" का जाल (The "Translation Memory" Trap)

अनुवादक एक उपकरण का उपयोग करते हैं जिसे ट्रांसलेशन मेमोरी (TM) कहा जाता है। इसे एक डिजिटल "कट-एंड-पेस्ट" सहायक की तरह समझें। यदि किसी अनुवादक ने एक बार "The cat sat on the mat" वाक्य का अनुवाद कर दिया है, तो TM उसे याद रखता है। यदि वे फिर से वह वाक्य देखते हैं, तो टूल पुराने अनुवाद का सुझाव देता है।

• अनुवादकों ने इसे क्या समझा: यह काम को तेज़ और सुसंगत बनाने के लिए एक उत्पादकता उपकरण (productivity tool) है।
• यह वास्तव में क्या बन गया: यह "इनपुट" (मूल पाठ) और "आउटपुट" (अनुवाद) का एक विशाल डेटाबेस बन गया।
• AI से संबंध: AI को सीखने के लिए ठीक इसी तरह के डेटा की आवश्यकता होती है। यह नए वाक्यों को समझने के लिए हजारों ऐसे जोड़ों (pairs) को देखता है। शोध पत्र का तर्क है कि अनुवाद उद्योग ने मानवीय रचनात्मकता को एक कच्चे माल (डेटा) में बदल दिया, बिना यह बताए कि उनके निर्माता को सोने की खोज (mining) के लिए इस्तेमाल किया जा रहा है।

2. डर की चार परतें (The Four Layers of Fear)

शोध पत्र कहता है कि अनुवादक केवल अपनी नौकरी खोने से नहीं डर रहे हैं। उनका डर गहरा है और इसकी चार परतें हैं:

1. प्रतिस्थापन (Replacement): "क्या कल एक रोबोट मेरी नौकरी कर देगा?"
2. नकल (Imitation): "क्या एक रोबोट बिना पूछे मेरी अनूठी लेखन शैली की नकल करेगा?"
3. बिना भुगतान के प्रशिक्षण (Unpaid Training): "क्या आपने इस रोबोट को बनाने के लिए मेरे पुराने काम का उपयोग किया, बिना मुझे भुगतान किए?"
4. अस्तित्व का डर (The Existential Fear): "क्या मेरा काम अब केवल 'डेटा प्रोसेसिंग' बनकर रह गया है, न कि 'रचनात्मक कला'?"

यह शोध पत्र अंतिम बिंदु पर ध्यान केंद्रित करता है: यह डर कि उनके पेशे को एक रचनात्मक मानवीय कार्य से बदलकर एक साधारण डेटा निष्कर्षण प्रक्रिया के रूप में फिर से परिभाषित किया जा रहा है।

3. "डेटा सप्लाई चेन" कैसे काम करती है (How the "Data Supply Chain" Works)

शोध पत्र बताता है कि एक अनुवादक का काम उनके डेस्क से AI मॉडल तक कैसे पहुँचता है। यह एक सीधी रेखा नहीं है; यह चार चरणों वाली असेंबली लाइन है:

1. अनुवादक से कंपनी तक: एक अनुवादक एक काम पूरा करता है। अनुबंध कहता है कि ट्रांसलेशन मेमोरी का स्वामित्व कंपनी के पास है। अनुवादक को केवल एक बार भुगतान किया जाता है।
2. कंपनी से प्लेटफॉर्म तक: कंपनी उस मेमोरी का उपयोग अपना AI इंजन बनाने के लिए करती है या उस डेटा को बड़ी टेक कंपनियों को बेच देती है।
3. ओपन वेब (The Open Web): टेक कंपनियाँ इंटरनेट से सार्वजनिक अनुवाद (जैसे सबटाइटल्स या सरकारी दस्तावेज़) को खुरचकर (scrape करके) अपने AI को खिलाती हैं।
4. पोस्ट-एडिटिंग (शिक्षक वाला क्षण): अनुवादकों को AI द्वारा की गई गलतियों को सुधारने के लिए काम पर रखा जाता है। जब वे एक वाक्य को ठीक करते हैं, तो वे अनिवार्य रूप से AI के होमवर्क की ग्रेडिंग कर रहे होते हैं। वे AI को बेहतर होने के तरीके सिखा रहे हैं, लेकिन उन्हें "शिक्षकों" के बजाय "संपादकों" के रूप में भुगतान किया जाता है।

4. कानूनी खामी: "उपभोग के बिना विनियोजन" (The Legal Loophole: "Appropriation Without Consumption")

यह सबसे जटिल कानूनी हिस्सा है, जिसे सरल शब्दों में समझाया गया है:

• पुराना कॉपीराइट कानून: यदि आप कोई किताब कॉपी करते हैं और उसे बेचते हैं, या लोगों को भुगतान किए बिना पढ़ने देते हैं, तो वह चोरी है। कानून काम के "पढ़ने" (reading) की रक्षा करता है।
• नई AI वास्तविकता: AI कहानियों का आनंद लेने के लिए किताबें "पढ़ता" नहीं है। यह सांख्यिकीय पैटर्न खोजने के लिए टेक्स्ट को "खाता" है (जैसे कि "cat" शब्द "mat" के पास कितनी बार आता है)।
• जापानी कानून (Article 30-4): जापान में एक कानून है जो कहता है कि "सूचना विश्लेषण" (जैसे AI प्रशिक्षण) के लिए कॉपीराइट सामग्री का उपयोग करना वैध है, जब तक कि उसका उपयोग "आनंद" के लिए नहीं किया जा रहा है।
• समस्या: शोध पत्र इसे "उपभोग के बिना विनियोजन" (Appropriation Without Consumption) कहता है। इसका अर्थ है कि AI अनुवादक के काम के मूल्य (उनकी शैली और तर्क) को चुरा रहा है, बिना वास्तव में काम को "उपभोग" (पढ़ने) के तरीके से, जैसा कि एक इंसान करता है। क्योंकि AI "मजे" के लिए नहीं पढ़ रहा है, इसलिए कानून कहता है कि डेटा का उपयोग करना ठीक है। अनुवादक के पास न तो कोई विकल्प होता है, न ही कोई श्रेय मिलता है, और न ही कोई पैसा।

5. "मॉडल कोलैप्स" का मोड़ (The "Model Collapse" Twist)

शोध पत्र एक नई समस्या का उल्लेख करता है जिसे "मॉडल कोलैप्स" कहा जाता है।

• उपमा (Analogy): कल्पना करें कि एक फोटोकॉपी मशीन एक फोटोकॉपी की फोटोकॉपी कर रही है, जो फिर से एक फोटोकॉपी की फोटोकॉपी कर रही है। अंततः, छवि धुंधली हो जाती है और विवरण खो देती है।
• AI की वास्तविकता: यदि AI केवल अन्य AI के टेक्स्ट पर प्रशिक्षित होता है, तो वह खराब होता जाता है और सूक्ष्मता (nuance) खो देता है। इसे तेज रहने के लिए मानवीय टेक्स्ट की आवश्यकता होती है।
• विडंबना: क्योंकि AI अन्य AI से सीखने में कमजोर होता जा रहा है, मानव अनुवादक पहले से कहीं अधिक मूल्यवान हो गए हैं। उनका उच्च-गुणवत्ता वाला, मानव-निर्मित डेटा अब एक "प्रीमियम संपत्ति" है जिसे AI कंपनियाँ बड़ी हसरत से चाहती हैं। फिर भी, वे अभी भी अनुवादकों के साथ डेटा माइनर्स (data miners) जैसा व्यवहार कर रहे हैं।

6. और कौन संकट में है? (Who Else Is in Trouble?)

शोध पत्र का तर्क है कि अनुवादक केवल "कोयले की खान में कैनरी पक्षी" (canaries in the coal mine - खतरे के शुरुआती संकेत) हैं।

• इलस्ट्रेटर (Illustrators) AI को चित्र बनाना सिखा रहे हैं।
• वकील (Lawyers) AI को अनुबंधों की समीक्षा करना सिखा रहे हैं।
• डॉक्टर (Doctors) AI को निदान (diagnose) करना सिखा रहे हैं।
• प्रोग्रामर (Programmers) AI को कोड लिखना सिखा रहे हैं।

प्रत्येक पेशा जो "निर्णय पैटर्न" (judgment patterns) बनाता है, उसे AI के लिए डेटा में बदला जा रहा है। अनुवादक इस प्रक्रिया को सबसे पहले स्पष्ट रूप से देख पा रहे हैं क्योंकि उनका काम (स्रोत पाठ बनाम लक्ष्य पाठ) AI के सीखने के लिए एकदम सही प्रारूप है।

7. शोध पत्र क्या सुझाव देता है? (What Does the Paper Suggest?)

यह शोध पत्र "AI को रोकें" नहीं कहता। यह कहता है, "यदि AI मानव कार्य पर बना है, तो हमें भुगतान और अधिकार प्रणाली को ठीक करने की आवश्यकता है।" यह चार ठोस समाधान प्रस्तावित करता है:

1. बेहतर अनुबंध: जब एक अनुवादक सौदा करता है, तो इसमें स्पष्ट रूप से होना चाहिए कि क्या उनके काम का उपयोग AI को प्रशिक्षित करने के लिए किया जा सकता है, और यदि हाँ, तो उन्हें कितना भुगतान किया जाएगा।
2. डेटा ट्रस्ट (Data Trusts): प्रत्येक फ्रीलांसर के अकेले लड़ने के बजाय, उन्हें एक समूह (जैसे यूनियन या संगीत अधिकार संगठन) बनाना चाहिए ताकि वे AI कंपनियों के साथ बातचीत कर सकें और धन का वितरण कर सकें।
3. डिजिटल "डोंट ट्रेन" टैग: जैसे आप अपनी जमीन पर "नो ट्रेसपासिंग" का साइन लगा सकते हैं, वैसे ही अनुवादक अपने काम पर एक डिजिटल टैग लगा सकते हैं जो कहता है, "इसका उपयोग AI को प्रशिक्षित करने के लिए न करें।"
4. कानून में बदलाव: जापान (और अन्य देशों) को अपने कॉपीराइट कानूनों को अपडेट करने की आवश्यकता है ताकि कंपनियों को यह बताना अनिवार्य हो कि क्या उनके काम का उपयोग किया जा रहा है और रचनाकारों को "ना" कहने का तरीका प्रदान करना चाहिए।

सारांश (Summary)

अनुवादक AI के दुश्मन नहीं हैं; वे इसके अदृश्य शिक्षक हैं। उन्होंने वर्षों तक AI को अपना ज्ञान, शैली और रचनात्मकता खिलाई है। अब AI उस ज्ञान का उपयोग अपने खिलाफ प्रतिस्पर्धा करने के लिए कर रहा है, और अक्सर उस सबक के लिए भुगतान किए बिना। शोध पत्र का तर्क है कि हमें सिस्टम को फिर से डिजाइन करने की आवश्यकता है ताकि "शिक्षकों" को पहचाना जाए और पुरस्कृत किया जाए, न कि उन मशीनों द्वारा मिटा दिया जाए जिन्हें बनाने में उन्होंने मदद की थी।