कल्पना कीजिए कि आप एक रोबोट को अंतरिक्ष से पूरी पृथ्वी का चित्र बनाना सिखाने की कोशिश कर रहे हैं। आप सोच सकते हैं, "आसान है! बस इसे बिल्लियों, कारों और सूर्यास्त की दस लाख तस्वीरें दिखा दो और यह कुछ भी बनाना सीख जाएगा।" लेकिन यहाँ एक पेंच है: बिल्लियों की तस्वीरें आँखों के स्तर (eye-level) से ली जाती हैं, जिनमें परिप्रेक्ष्य (perspective) और छाया होती है जो चीजों को 3D दिखाती है। हालाँकि, सैटेलाइट तस्वीरें, ऊपर से सीधे नीचे की ओर ली जाती हैं, जैसे कि एक मानचित्र। उनमें वह "अहसास" नहीं होता। यदि आप एक रोबोट को केवल बिल्ली की तस्वीरों से सिखाने की कोशिश करते हैं, तो वह भ्रमित हो जाएगा। वह शायद एक शहर को क्षितिज रेखा (horizon line) के साथ बनाने की कोशिश करेगा या किसी जंगल को झुका हुआ दिखाएगा, क्योंकि वह "ग्राउंड-लेवल" के नियमों को "बर्ड्स-आई" व्यू पर लागू करने की कोशिश कर रहा है। यह वही बड़ी पहेली है जिसे अर्थ ऑब्जर्वेशन (EO) के वैज्ञानिक हल करने की कोशिश कर रहे हैं: हम एक ऐसा AI कैसे बनाएं जो नियमित फोटोग्राफी की आदतों से धोखा खाए बिना, सैटेलाइट इमेजरी की अनूठी, सपाट और भौतिक रूप से सटीक प्रकृति को समझ सके?

यहाँ GeoCore-9B आता है, एक नया डिजिटल कलाकार जो पुराने तरीकों की नकल करने से इनकार करता है। सामान्य फोटो से सीखने और फिर खुद को "फाइन-ट्यून" करने के बजाय, इस मॉडल को शुरुआत से ही—एक खाली स्लेट के साथ—केवल 10 मिलियन वास्तविक सैटेलाइट छवियों का उपयोग करके प्रशिक्षित किया गया था। इसे एक ऐसे छात्र के रूप में सोचें जो सामान्य कला कक्षा को छोड़कर सीधे मानचित्र बनाने के विशेष स्कूल में जाता है। यह 9-बिलियन-पैरामीटर वाला विशालकाय मॉडल केवल यह अनुमान नहीं लगाता कि शहर कैसा दिखता है; इसे पता है कि वह वास्तव में कहाँ स्थित है। इसे कहा जा सकता है, "इस विशिष्ट अक्षांश (latitude) और देशांतर (longitude) पर, इस विशिष्ट ग्राउंड रेजोल्यूशन के साथ एक घना शहर बनाओ," और यह आज्ञा का पालन करेगा।

शोधकर्ताओं ने पाया कि जब वे मॉडल को वास्तविक दुनिया के निर्देशांकों (coordinates) और भौतिक पैमानों पर ध्यान देने के लिए प्रशिक्षित करते हैं, तो यह न केवल सुंदर बल्कि भौगोलिक रूप रूप से सटीक चित्र बनाता है। उन्होंने मॉडल को तेजी से सीखने में मदद करने के लिए एक चतुर तरीका भी खोजा: उन्होंने एक "शिक्षक" नेटवर्क (एक जमा हुआ, विशेषज्ञ AI जो पहले से ही भूभाग को पहचानने में सक्षम है) का उपयोग किया जो प्रशिक्षण के दौरान छात्र को संकेत देता रहा। इसने अंतिम मॉडल को धीमा या भारी नहीं बनाया; इसने केवल सीखने की प्रक्रिया को बहुत अधिक केंद्रित बना दिया। परिणाम? GeoCore-9B आश्चर्यजनक रूप से यथार्थवादी सैटेलाइट दृश्य बना सकता है, धुंधली तस्वीरों से बादल हटा सकता है, और यहाँ तक कि रडार छवियों (जो स्टैटिक शोर जैसी दिखती हैं) को स्पष्ट ऑप्टिकल चित्रों में बदल सकता है। यह सुझाव देता है कि जब हम पृथ्वी अवलोकन को नियमित फोटोग्राफी के सांचे में ढालने की कोशिश करना बंद कर देते हैं, तो हम ऐसे उपकरण बना सकते हैं जो वास्तव में हमारे ग्रह को समझते हैं।

समस्या: "बिल्ली की फोटो" का जाल

लंबे समय तक, छवियां उत्पन्न करने वाले सर्वश्रेष्ठ AI मॉडल इंटरनेट के पसंदीदा विषय पर प्रशिक्षित किए गए थे: लोगों, जानवरों और परिदृश्यों की प्राकृतिक तस्वीरें। ये मॉडल, जैसे कि प्रसिद्ध "स्टेबल डिफ्यूजन", कला बनाने में अद्भुत हैं। लेकिन जब वैज्ञानिकों ने उन्हें सैटेलाइट चित्र बनाने के लिए उपयोग करने की कोशिश की, तो चीजें गड़बड़ा गईं।

कल्पना कीजिए कि आप एक कुत्ते को पक्षियों की तस्वीरें दिखाकर तैरना सिखा रहे हैं। कुत्ता पंख फड़फड़ाने या तैरने के बजाय उड़ने की कोशिश कर सकता है। इसी तरह, ये AI मॉडल परिप्रेक्ष्य (perspective) के प्रति "पक्षपाती" थे। वे उम्मीद करते थे कि वस्तुओं में एक क्षितिज होगा, उन्हें एक कोण से देखा जाएगा, और उनका एक विशिष्ट "कैजुअल" पैमाना होगा। लेकिन सैटेलाइट चित्र ऑर्थोग्राफिक होते हैं—वे बिना किसी क्षितिज के सीधे नीचे के दृश्य होते हैं, जहाँ एक घर उतना ही बड़ा दिखता है चाहे वह सामने हो या पृष्ठभूमि में।

जब शोधकर्ताओं ने इन "प्राकृतिक छवि" मॉडलों को सैटेलाइट मानचित्र बनाने के लिए मजबूर किया, तो परिणाम अक्सर अजीब थे। AI ऐसी सड़कें बनाता था जो आकाश की ओर मुड़ जाती थीं या ऐसी इमारतें जो झुकी हुई लगती थीं। वह सड़क-स्तर की फोटो के नियमों को अंतरिक्ष से लिए गए मानचित्र पर लागू करने की कोशिश कर रहा था। पेपर का तर्क है कि मौजूदा मॉडलों को केवल "फाइन-ट्यूनिंग" (ट्वीक) करना पर्याप्त नहीं है क्योंकि मॉडल का अंतर्निहित "मस्तिष्क" अभी भी बिल्लियों और कारों के संदर्भ में सोच रहा है, महाद्वीपों और शहरों के संदर्भ में नहीं।

समाधान: अंतरिक्ष से जन्मा एक मॉडल

इसे ठीक करने के लिए, लेखकों ने GeoCore-9B बनाया। यह एक विशाल जनरेटिव फाउंडेशन मॉडल है जिसमें 9 बिलियन पैरामीटर हैं। मुख्य अंतर क्या है? इसे इंटरनेट के फोटो संग्रह पर प्रशिक्षित नहीं किया गया था। इसे विशेष रूप से 10 मिलियन सैटेलाइट छवियों पर प्रशिक्षित किया गया था जो Git-10M नामक एक डेटासेट से ली गई हैं।

GeoCore-9B को एक ऐसे मानचित्रकार (cartographer) के रूप में सोचें जिसने कभी सड़क-स्तर की फोटो नहीं देखी है। वह केवल ऊपर से दुनिया को जानता है। इसे डिफ्यूजन ट्रांसफॉर्मर (DiT) नामक एक नए आर्किटेक्चर पर फ्लो मैचिंग (Flow Matching) का उपयोग करके बनाया गया था। सरल शब्दों में, "डिफ्यूजन" एक क्लाउड ऑफ स्टैटिक नॉइज़ से शुरू होकर धीरे-धीरे उसे एक स्पष्ट चित्र में बदलने जैसा है। "फ्लो मैचिंग" उस शोर को एक स्पष्ट छवि में निर्देशित करने का एक सहज और अधिक कुशल तरीका है, विशेष रूप से विशाल मॉडलों के लिए।

लेकिन एक ऐसा मॉडल जो केवल चित्र बनाना जानता है, पर्याप्त नहीं है; उसे यह भी जानना होगा कि कहाँ बनाना है। GeoCore-9B "जियो-अवेयर" (भू-जागरूक) है। यह एक टेक्स्ट विवरण के साथ तीन विशेष इनपुट लेता है:

1. टेक्स्ट: आप क्या देखना चाहते हैं (जैसे, "एक व्यस्त बंदरगाह")।
2. ग्राउंड सैंपल डिस्टेंस (GSD): छवि कितनी विस्तृत होनी चाहिए (जैसे, 1 मीटर प्रति पिक्सेल बनाम 32 मीटर प्रति पिक्सेल)।
3. निर्देशांक (Coordinates): सटीक अक्षांश और देशांतर।

यह मॉडल को यह कहने की अनुमति देता है, "ठीक है, आपको एक बंदरगाह चाहिए? न्यूयॉर्क में 1-मीटर रेजोल्यूशन पर, मैं छोटी नावें और क्रेन बनाऊंगा। लेकिन सहारा में 32-मीटर रेजोल्यूशन पर, मैं एक विस्तृत, रेतीला तटरेखा बनाऊंगा।" यह स्थान की भौतिक वास्तविकता के आधार पर अपने "ब्रशस्ट्रोक" को अनुकूलित करता है।

गुप्त नुस्खा: "टीचर" की फुसफुसाहट

शून्य से 9-बिलियन-पैरामीटर वाले मॉडल को प्रशिक्षित करना अविश्वसनीय रूप से कठिन है। यह एक बच्चे को बिना किसी किताब के जटिल भाषा बोलना सिखाने जैसा है; वे अटक सकते हैं या बेमतलब की बातें शुरू कर सकते हैं। शोधकर्ताओं ने देखा कि बिना मदद के, मॉडल की छवियां कभी-कभी "भ्रमित" दिखती थीं या उनमें खंडित बनावट (fragmented textures) होती थी।

इसे हल करने के लिए, उन्होंने जियोस्पेशियल सिमेंटिक एलाइनमेंट (GSA) लॉस पेश किया। यहाँ उपमा है: कल्पना करें कि छात्र (GeoCore-9B) एक नक्शा बना रहा है। उसके बगल में एक जमा हुआ शिक्षक (DINOv3-Sat नामक एक विशेष AI जो भूभाग को पहचानने में विशेषज्ञ है लेकिन उसे कुछ भी बनाने की अनुमति नहीं है) बैठा है। शिक्षक छात्र के स्केच को देखता है और फुसफुसाता है, "हे, वह नदी थोड़ी टेढ़ी-मेढ़ी लग रही है; असली नदियाँ अधिक चिकनी होती हैं," या "वह जंगल का हिस्सा बहुत बिखरा हुआ है।"

छात्र सुनता है और अपने चित्र को शिक्षक के संरचनात्मक संकेतों के साथ समायोजित करता है। महत्वपूर्ण बात यह है कि यह "शिक्षक" केवल प्रशिक्षण चरण के दौरान उपयोग किया जाता है। एक बार जब छात्र तैयार हो जाता है, तो शिक्षक को हटा दिया जाता है। इसका मतलब है कि अंतिम मॉडल बिना शिक्षक के भी उतना ही तेज़ और हल्का है, लेकिन इसने बहुत बेहतर संरचनात्मक नियम सीखे हैं। पेपर दिखाता है कि इस ट्रिक ने छवियों की गुणवत्ता में काफी सुधार किया, जिससे सड़कें सीधी हुईं और इमारतें अधिक यथार्थवादी बनीं, बिना किसी अतिरिक्त लागत के।

यह क्या कर सकता है?

लेखकों ने GeoCore-9B का परीक्षण कई तरीकों से किया ताकि यह देखा जा सके कि क्या यह वास्तव में उपयोगी है, न कि केवल एक सुंदर चित्र जनरेटर।

1. टेक्स्ट-टू-इमेज जनरेशन:
टेक्स्ट के आधार पर दृश्य बनाने के लिए पूछे जाने पर, GeoCore-9B ने पिछले मॉडलों को पीछे छोड़ दिया। जहाँ अन्य AI अजीब आर्टिफैक्ट्स (जैसे आसमान में तैरते घर) के साथ संघर्ष करते थे, वहीं GeoCore-9B ने ऐसी छवियां बनाईं जो वास्तविक सैटेलाइट फोटो की तरह दिखती थीं। यह "एक झील और एक धात्विक गुंबद के साथ एक घना महानगर" जैसे जटिल प्रॉम्प्ट को संभाल सकता था और लेआउट को सही रख सकता था।

2. स्केल जागरूकता (Scale Awareness):
सबसे प्रभावशाली उपलब्धियों में से एक अपनी आज्ञा पर "ज़ूम लेवल" बदलने की इसकी क्षमता थी। यदि आपने 1-मीटर रेजोल्यूशन मांगा, तो इसने कारों और पेड़ों जैसे सूक्ष्म विवरण बनाए। यदि आपने 32-मीटर रेजोल्यूशन मांगा, तो इसने बड़े खेतों और शहर के ब्लॉकों जैसे व्यापक पैटर्न बनाए। पिछले मॉडल अक्सर भ्रमित हो जाते थे, कम ज़ूम पर छोटी कारें या उच्च ज़ूम पर विशाल पेड़ बना देते थे। GeoCore-9B ने पैमाने के भौतिक विज्ञान को समझा।

3. "नो-टेक्स्ट" चुनौती:
शोधकर्ताओं ने मॉडल का परीक्षण बिना किसी टेक्स्ट विवरण के भी किया, केवल अक्षांश और देशांतर के साथ। आश्चर्यजनक रूप से, GeoCore-9B अभी भी उस विशिष्ट स्थान के लिए सटीक भूभाग उत्पन्न कर सका। यदि आपने इसे सहारा के निर्देशांक दिए, तो इसने रेत के टीले बनाए। यदि आपने इसे न्यूयॉर्क शहर के निर्देशांक दिए, तो इसने गगनचुंबी इमारतें बनाईं। यह साबित करता है कि मॉडल ने वास्तव में पृथ्वी के "जियोग्राफिक प्रायर्स" (भौगोलिक पूर्ववृत्त) को सीखा है, न कि केवल टेक्स्ट-इमेज जोड़ों को याद किया है।

4. व्यावहारिक बचाव मिशन:
यह मॉडल केवल नई तस्वीरें बनाने के लिए नहीं था; इसका परीक्षण वास्तविक दुनिया की समस्याओं को हल करने के लिए भी किया गया था।

• बादल हटाना (Cloud Removal): सैटेलाइट कैमरों को अक्सर बादलों से रोका जाता है। GeoCore-9B एक बादली छवि को देख सकता था और "भ्रमित" (अनुमानित) कर सकता था कि जमीन नीचे कैसी दिखती है, बादलों को हटाकर सड़कों और खेतों को उच्च सटीकता के साथ प्रकट कर सकता था।
• SAR-से-ऑप्टिकल अनुवाद: रडार छवियां (SAR) स्टैटिक शोर जैसी दिखती हैं और इंसानों के लिए पढ़ना कठिन होता है। GeoCore-9B एक शोर वाली रडार छवि ले सकता था और उसे एक स्पष्ट ऑप्टिकल फोटो में बदल सकता था। इसने यह कार्य उन कई विशेष उपकरणों से बेहतर किया जो विशेष रूप से इसी कार्य के लिए डिज़ाइन किए गए हैं।

निष्कर्ष

पेपर सुझाव देता है कि GeoCore-9B पृथ्वी अवलोकन डेटा के लिए एक नया मानक स्थापित करता है। यह सिद्ध करता है कि प्राकृतिक छवि मॉडलों को अनुकूलित करने के बजाय, सैटेलाइट डेटा पर एक विशाल मॉडल को शून्य से प्रशिक्षित करना बेहतर परिणाम देता है। यह मॉडल केवल एक "खिलौना" नहीं है जो सुंदर चित्र बनाता है; यह आपदा निगरानी, शहरी नियोजन और पर्यावरणीय ट्रैकिंग जैसे वास्तविक दुनिया के अनुप्रयोगों के लिए मजबूत क्षमता दिखाता है।

हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह एक शुरुआत है। मॉडल वर्तमान में RGB (रंगीन) छवियां उत्पन्न करता है और एक प्री-ट्रेंड "एनकोडर" (एक उपकरण जो छवियों को संकुचित करता है) पर निर्भर करता है जिसे मूल रूप से प्राकृतिक तस्वीरों के लिए डिज़ाइन किया गया था। इसका मतलब है कि सूक्ष्म विवरणों को पूरी तरह से संरक्षित करने में कुछ सीमाएं हो सकती हैं। वे यह भी बताते हैं कि जबकि मॉडल चित्र बनाने में महान है, हमें "जियोग्राफिक डीपफेक" के प्रति सावधान रहने की आवश्यकता है—ऐसे नकली चित्र जो इतने वास्तविक दिख सकते हैं कि उनका उपयोग वास्तविक स्थानों के बारे में गलत सूचना फैलाने के लिए किया जा सकता है।

संक्षेप में, GeoCore-9B एक बड़ी छलांग है। यह पहली बार है जब इस आकार का मॉडल विशेष रूप से अंतरिक्ष से पृथ्वी को समझने के लिए बनाया गया है, जो हमारे ग्रह को वस्तुओं के संग्रह के रूप में नहीं, बल्कि एक सुसंगत, भौगोलिक रूप से सटीक मानचित्र के रूप में चित्रित करना सीखता है। यह सुझाव देता है कि पृथ्वी अवलोकन का भविष्य उन मॉडलों में निहित है जो हमारे ग्रह की अनूठी ज्यामिति का सम्मान करते हैं, न कि इसे सेल्फी के आकार में ढालने की कोशिश करते हैं।