कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ कंप्यूटर हजारों उदाहरणों को देखकर चित्र बना सकते हैं, पेंटिंग कर सकते हैं, या यहाँ तक कि फिल्में भी बना सकते हैं। यह जेनरेटिव एआई (Generative AI) का क्षेत्र है, जो विज्ञान की एक ऐसी शाखा है जहाँ मशीनें केवल डेटा का विश्लेषण नहीं करतीं, बल्कि नई और मौलिक सामग्री बनाती हैं। इस जादू के केंद्र में जेनरेटिव एडवरसैरियल नेटवर्क्स (GANs) हैं। एक GAN को दो डिजिटल कलाकारों के बीच एक उच्च-दांव वाले कला जालसाजी खेल के रूप में सोचें। एक कलाकार, "जेनेरेटर" (Generator), ऐसे नकली चित्र बनाने की कोशिश करता है जो इतने सटीक हों कि असली लगें। दूसरा, "डिस्क्रिमिनेटर" (Discriminator), एक सख्त कला समीक्षक की तरह कार्य करता है, जो नकली चित्रों को पकड़ने की कोशिश करता है। जैसे-जैसे वे यह खेल बार-बार खेलते हैं, जेनेरेटर बेहतर होता जाता है, और अंततः शानदार यथार्थवादी वीडियो और चित्र बनाना सीख जाता है।

लेकिन इसमें एक पेंच है: कंप्यूटर को किसी व्यक्ति के संकेत (sign) करने का वीडियो बनाना सिखाना अविश्वसनीय रूप से कठिन है। यह एक रोबोट से एक साथ हाथ में करतब दिखाने, हैंडस्टैंड करने और मजेदार चेहरे बनाने के लिए कहने जैसा है। हाथों को सटीक रूप से हिलना चाहिए, चेहरे पर भावनाएं दिखनी चाहिए, और पूरा शरीर तालमेल में रहना चाहिए। यदि कंप्यूटर एक भी हिस्सा गलत कर देता है—जैसे कि साइन करने वाले की छह उंगलियां दे देना या एक स्थिर मुस्कान—तो पूरा वीडियो अजीब और बेकार लगेगा। यह उन लोगों के लिए एक बड़ी समस्या है जो बधिर या सुनने में अक्षम हैं, जो संचार के लिए सांकेतिक भाषा (sign language) पर निर्भर हैं। उन्हें ऐसे वीडियो की आवश्यकता है जो न केवल "ठीक" हों, बल्कि पूरी तरह से स्पष्ट और अभिव्यंजक भी हों।

यहीं पर ग्लासबॉक्स एआई (Glassbox AI) के शोधकर्ताओं की एक नई टीम एक चतुर समाधान के साथ आती है। उन्होंने एक ऐसा सिस्टम बनाया है जो केवल एक सामान्य शिक्षक के बजाय विशेषज्ञ कोचों की एक टीम की तरह काम करता है। अपने शोध पत्र में, वे एक फ्रेमवर्क का वर्णन करते हैं जो वीडियो बनाने वाले को प्रशिक्षित करने के लिए तीन अलग-अलग "समीक्षकों" (critics) का उपयोग करता है: एक आलोचक पूरे शरीर को देखता है ताकि यह सुनिश्चित हो सके कि हलचल स्वाभाविक है, दूसरा विशेष रूप से हाथों पर ज़ूम करता है ताकि उंगलियां सही रहें, और तीसरा पूरी तरह से चेहरे पर ध्यान केंद्रित करता है ताकि भावों को पकड़ा जा सके। इन तीन आलोचकों को आपस में बहस करने और रोबोट को भ्रमित करने से रोकने के लिए, टीम ने एक "यूनाइटेड लॉस" (United Loss) नियम का आविष्कार किया है, जो उन्हें एक सामान्य मानक पर सहमत होने के लिए मजबूर करता है जबकि उन्हें विशेषज्ञ बनने की अनुमति भी देता है। परिणाम स्वरूप एक ऐसा सिस्टम तैयार होता है जो एक मानक घरेलू कंप्यूटर पर उच्च गुणवत्ता वाले सांकेतिक भाषा के वीडियो बना सकता है, जिससे संचार सभी के लिए अधिक सुलभ हो जाता है।

समस्या: "एक ही आकार सबके लिए" (One-Size-Fits-All) का जाल

कल्पना कीजिए कि आप एक छात्र को एक ही समय में मास्टर शेफ, एक पेशेवर पियानो वादक और एक जिम्नास्ट बनने की शिक्षा देने की कोशिश कर रहे हैं, और केवल एक शिक्षक का उपयोग कर रहे हैं जो "अच्छा काम किया" या "और प्रयास करो" जैसा सामान्य फीडबैक देता है। छात्र सब्जियां काटने में तो अच्छा हो सकता है लेकिन पियानो बजाने में बहुत खराब, या इसके विपरीत। एआई की दुनिया में, यह वही होता है जो पारंपरिक वीडियो जनरेटरों के साथ होता है। वे एक साथ सब कुछ सीखने की कोशिश करते हैं, और अक्सर, वे ऐसे वीडियो बनाते हैं जहाँ हाथ धब्बे जैसे दिखते हैं या चेहरा स्थिर रहता है, भले ही बाकी शरीर ठीक दिखे।

शोधकर्ताओं ने पाया कि सांकेतिक भाषा के लिए, यह "सामान्यवादी" दृष्टिकोण काम नहीं करता है। हाथ के इशारे या चेहरे के भाव का विवरण बहुत जटिल और महत्वपूर्ण है जिसे संयोग पर नहीं छोड़ा जा सकता। उन्हें एक ऐसा तरीका चाहिए था जिससे वे एआई को बड़े चित्र को खोए बिना विशेष रूप से कठिन हिस्सों पर ध्यान केंद्रित करने के लिए मजबूर कर सकें।

समाधान: विशेष विशेषज्ञों की एक टीम

टीम का उत्तर एक मल्टी-एक्सपर्ट GAN (Multi-Expert GAN) बनाना था। एक बड़े मस्तिष्क के बजाय जो सब कुछ करने की कोशिश करता है, उन्होंने तीन अलग-अलग "विशेषज्ञ" शाखाओं वाला एक सिस्टम बनाया, जिसमें से प्रत्येक एक अपने विशिष्ट आलोचक द्वारा निर्देशित होता है:

1. ग्लोबल क्रिटिक (Global Critic): यह पूरे वीडियो को देखता है ताकि यह सुनिश्चित हो सके कि साइन करने वाले का शरीर स्वाभाविक रूप से हिल रहा है और दृश्य सुसंगत है।
2. हैंड क्रिटिक (Hand Critic): यह हाथों पर ज़ूम करता है। यह उंगलियों की स्थिति के प्रति जुनूनी है, यह सुनिश्चित करता है कि "पीस साइन" (peace sign) गलती से "थम्स अप" में न बदल जाए।
3. हेड क्रिटिक (Head Critic): यह चेहरे पर ध्यान केंद्रित करता है, यह सुनिश्चित करता है कि भौहें, मुंह और आंखें सही भावना दिखाएं।

एआई के "मस्तिष्क" (जेनेरेटर) में प्रत्येक विशेषज्ञ शाखा को अपने स्वयं के आलोचक के साथ जोड़ा गया है। हैंड शाखा केवल हैंड क्रिटिक की बात सुनती है, फेस शाखा केवल फेस क्रिटिक की बात सुनती है, इत्यादि। यह एआई को शरीर के प्रत्येक हिस्से के लिए विशिष्ट कौशल विकसित करने के लिए मजबूर करता है, ठीक वैसे ही जैसे एक स्पोर्ट्स टीम में गोलकीपर, स्ट्राइकर और डिफेंडर सभी अपनी विशिष्ट भूमिकाओं का अलग-अलग अभ्यास करते हैं।

गुप्त नुस्खा: "यूनाइटेड लॉस" (United Loss) नियम

यहाँ पेचीदा हिस्सा है: जब आपके पास तीन अलग-अलग आलोचक तीन अलग-अलग निर्देश देते हैं, तो एआई भ्रमित हो सकता है। यह एक छात्र को एक कोच द्वारा तेज़ दौड़ने, दूसरे द्वारा ऊँचा कूदने और तीसरे द्वारा स्थिर रहने के लिए कहे जाने जैसा है। छात्र गोल-गोल घूम सकता है और टकरा सकता है। प्रशिक्षण के शुरुआती चरणों में, शोधकर्ताओं ने देखा कि उनका एआई बिल्कुल यही कर रहा था—उसका प्रशिक्षण अराजक और अस्थिर था।

इसे ठीक करने के लिए, उन्होंने एक "यूनाइटेड लॉस" तंत्र का आविष्कार किया। इसे एक "टीम कप्तान" या "आम सहमति नियम" के रूप में सोचें। हर बार जब तीनों आलोचक अपनी प्रतिक्रिया देते हैं, तो सिस्टम उनके औसत विचार का एक छोटा सा हिस्सा (10%) लेता है और उसे प्रत्येक आलोचक के व्यक्तिगत निर्देशों में मिला देता है।

यह एक सुरक्षा जाल के रूप में कार्य करता है। यदि कोई एक आलोचक बहुत ज्यादा पागल हो जाता है या एआई को किसी अजीब कोने में धकेलने की कोशिश करता है, तो "यूनाइटेड लॉस" उसे धीरे से समूह के औसत की ओर खींच लेता है। यह सुनिश्चित करता है कि जबकि विशेषज्ञ विशिष्ट हो सकते हैं, वे इतने दूर न भटक जाएं कि पूरा सिस्टम ही ढह जाए। शोधकर्ताओं ने पाया कि शुरुआती महीनों के प्रशिक्षण के लिए यह नियम महत्वपूर्ण था, जो 'ट्रेनिंग व्हील्स' की तरह काम करता है जो एआई को अपने दम पर चलने से पहले संतुलन खोजने में मदद करता है।

आर्किटेक्चर: एक डुअल-पाथवे ब्रेन (Dual-Pathway Brain)

इन विशेषज्ञों को और भी स्मार्ट बनाने के लिए, टीम ने प्रत्येक शाखा को एक विशेष "डुअल-पाथवे" मस्तिष्क दिया। कल्पना कीजिए कि एक मस्तिष्क है जिसके पास एक ही समय में सोचने के दो तरीके हैं:

• पाथवे ए (स्थिर वाला): मानक कन्वोल्यूशन (एक सावधान, स्थिर चित्रकार की तरह) का उपयोग करता है ताकि यह सुनिश्चित हो सके कि वीडियो स्मूथ है और उसमें झटके नहीं हैं।
• पाथवे बी (विवरण पर ध्यान देने वाला): एक ट्रांसफार्मर (एक अति-केंद्रित जासूस की तरह) का उपयोग करता है ताकि उंगली के घुमाव या आँख की चमक जैसे सूक्ष्म विवरणों को पकड़ा जा सके।

इन दोनों मार्गों को AdaptiveFeatureFusion नामक एक स्मार्ट, सीखने योग्य स्विच का उपयोग करके मिलाया जाता है। यह स्विच तय करता है कि "स्थिर चित्रकार" बनाम "अति-केंद्रित जासूस" में से किसे कितना भरोसा किया जाए। यदि एआई हाथ बना रहा है, तो वह उंगलियों को सही करने के लिए जासूस पर अधिक भरोसा कर सकता है। यदि वह शर्ट बना रहा है, तो कपड़े को स्मूथ रखने के लिए चित्रकार पर अधिक भरोसा कर सकता है। यह गतिशील संतुलन एआई को एक ही समय में स्थिर और अविश्वसनीय रूप से विस्तृत होने की अनुमति देता है।

परिणाम: वास्तविक हार्डवेयर पर वास्तविक गुणवत्ता

टीम ने एक विशाल डेटासेट (156 GB डेटा!) पर अपने सिस्टम का परीक्षण किया। उन्होंने आसान हिस्सों (जैसे केवल खड़े रहना) को हटा दिया ताकि केवल साइनिंग के कठिन, गतिशील हिस्सों पर ध्यान केंद्रित किया जा सके।

परिणाम प्रभावशाली थे:

• उनके छोटे मॉडल (0.2 बिलियन पैरामीटर्स) ने 29.8 PSNR का गुणवत्ता स्कोर प्राप्त किया।
• उनके बड़े मॉडल (1.3 बिलियन पैरामीटर्स) ने 30.7 PSNR प्राप्त किया।

जो बात इसे और भी रोमांचक बनाती है वह यह है कि ये मॉडल उपभोक्ता-ग्रेड हार्डवेयर (consumer-grade hardware) पर चल सकते हैं। छोटे मॉडल को केवल 1.5 GB वीडियो मेमोरी (VRAM) की आवश्यकता होती है, और बड़े को 8 GB की। इसका मतलब है कि इन वीडियो को उत्पन्न करने के लिए आपको सुपरकंप्यूटर की आवश्यकता नहीं है; एक मानक गेमिंग पीसी या एक हाई-एंड लैपटॉप यह कर सकता है।

आगे क्या?

शोधकर्ता इस बारे में ईमानदार हैं कि उन्होंने अभी तक क्या नहीं किया है। क्योंकि इन मॉडलों को प्रशिक्षित करने में एक कंप्यूटर पर 2 से 3 महीने लगते हैं, इसलिए वे यह साबित करने के लिए हर संभव परीक्षण नहीं कर पाए हैं कि उनके सिस्टम के प्रत्येक भाग का कितना योगदान है। वे इस "विशेषज्ञ टीम" के विचार को एक नए प्रकार के एआई, डिफ्यूजन मॉडल्स (Diffusion Models) (जो वर्तमान में चित्र बनाने के लिए बहुत लोकप्रिय हैं) में ले जाने की भी योजना बना रहे हैं, ताकि वे देख सकें कि क्या वे सिस्टम को और भी तेज़ और कुशल बना सकते हैं।

लेकिन फिलहाल, उन्होंने यह सिद्ध कर दिया है कि एआई को विशेषज्ञों की एक टीम और उन्हें एक साथ काम करने के लिए एक नियम देकर, हम स्पष्ट, अभिव्यंजक और सभी के लिए सुलभ सांकेतिक भाषा के वीडियो बना सकते हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ तकनीक केवल मनुष्यों की नकल नहीं करती, बल्कि वास्तव में उस बारीकी को समझती है जिससे हम संवाद करते हैं।