On the Separation of Human and AI-Generated Images in CLIP Embedding Space
यह शोध पत्र CLIP एम्बेडिंग स्पेस के भीतर मानव और AI-जनित पेंटिंग्स के अस्पष्ट स्वतःस्फूर्त पृथक्करण की जांच करता है, जो व्याख्यात्मकता (interpretability) और व्युत्क्रमण (inversion) तकनीकों के माध्यम से यह प्रकट करता है कि यह अंतर स्पष्ट दृश्य विशेषताओं के बजाय सूक्ष्म, अदृश्य बहु-स्तरीय (multiscale) छवि संरचनाओं पर निर्भर करता है, जिससे कृत्रिम और मानव दृश्य धारणा के बीच एक मौलिक विचलन उजागर होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आर्टिफिशियल इंटेलिजेंस की आधुनिक दुनिया में, कंप्यूटरों ने छवियों को देखने और समझने का तरीका सीख लिया है, जो कभी मानवीय धारणा का अनन्य क्षेत्र हुआ करता था। इस क्षमता के केंद्र में CLIP नामक एक शक्तिशाली प्रणाली है, जो चित्रों को शब्दों से जोड़ने के लिए प्रशिक्षित की गई है। यह प्रत्येक छवि को एक विशाल, बहु-आयामी स्थान (multi-dimensional space) में एक अद्वितीय गणितीय बिंदु में बदलकर ऐसा करती है। इस स्थान में, जो चित्र समान दिखते हैं या जिनका विषय एक ही है, वे एक साथ रखे जाते हैं, जबकि जो भिन्न होते हैं, वे दूर चले जाते हैं। वर्षों से, शोधकर्ताओं ने कंप्यूटर को वस्तुओं को पहचानने, फोटो को छाँटने और यहाँ तक कि नई कला बनाने में मदद करने के लिए इस प्रणाली का उपयोग किया है। हालाँकि, इन डिजिटल मानचित्रों के भीतर एक जिज्ञासु और अनसुलझा रहस्य उभरा है: जब इस प्रणाली को मानव हाथों से बनाई गई पेंटिंग्स और आर्टिफिशियल इंटेलिजेंस द्वारा उत्पन्न छवियों का मिश्रण दिखाया जाता है, तो दोनों समूह स्वाभाविक रूप से अलग-अलग समूहों (clusters) में विभाजित हो जाते हैं। यह बिना किसी विशेष प्रशिक्षण के होता है जो उन्हें अलग करने के लिए बनाया गया हो; यह पृथक्करण केवल इस बात की एक विशेषता है कि सिस्टम डेटा को कैसे व्यवस्थित करता है। वैज्ञानिकों को जिस सवाल ने उलझाया है वह यह नहीं है कि क्या यह अलगाव मौजूद है, बल्कि यह है कि ऐसा क्यों होता है और कंप्यूटर किन विशिष्ट दृश्य संकेतों (visual clues) का उपयोग कर रहा है जिन्हें मनुष्य शायद मिस कर रहे हैं।
बोलोग्ना विश्वविद्यालय के एक शोधकर्ता ने इस पहेली को सुलझाने के लिए हाथ में लिया, न कि नकली कला को पकड़ने के लिए बेहतर डिटेक्टर बनाने के लिए, बल्कि उस अदृश्य तर्क को समझने के लिए जो इस विभाजन के पीछे है। उन्होंने इस बात की पुष्टि करके शुरुआत की कि यह अलगाव वास्तविक और सुदृढ़ था। उन्होंने परीक्षण किया कि क्या कंप्यूटर केवल स्पष्ट अंतरों के प्रति प्रतिक्रिया कर रहा है, जैसे कि छवि का फ़ाइल फ़ॉर्मेट, रंग की उपस्थिति, या विवरणों की तीक्ष्णता। उन्होंने पाया कि जब उन्होंने रंगीन पेंटिंग्स को ब्लैक एंड व्हाइट में बदल दिया, या जब उन्होंने छवि के आकार को एक छोटे, धुंधले वर्ग तक कम कर दिया, तब भी कंप्यूटर ने मानव और कृत्रिम छवियों को अलग-अलग समूहों में रखा। इसने इस विचार को खारिज कर दिया कि सिस्टम केवल पिक्सेल शोर (pixel noise) या कलर पैलेट जैसी सरल चीजों को देख रहा था। संकेत गहरा था, जो छवि की जटिल संरचना में छिपा हुआ था।
इस छिपे हुए संकेत को खोजने के लिए, शोधकर्ता ने एक मानचित्रकार (cartographer) की तरह कार्य किया, जो कंप्यूटर के मन के अदृश्य क्षेत्र का मानचित्र बनाने की कोशिश कर रहा था, उन उपकरणों का उपयोग करके जिन्हें मनुष्य समझ सकते हैं। उन्होंने सबसे सरल मापों से शुरुआत की, जैसे औसत चमक या रंगों का वितरण जाँचना, लेकिन ये बुनियादी सांख्यिकी इस अलगाव की व्याख्या नहीं कर सकीं। इसके बाद वे छवि की बनावट (texture) और आकार का विश्लेषण करने वाले अधिक परिष्कृत उपकरणों की ओर बढ़े, यह देखते हुए कि किनारों (edges) और ग्रेडिएंट्स को पूरी तस्वीर में कैसे व्यवस्थित किया गया है। उन्होंने खोजा कि कंप्यूटर अलग-दराज स्थानों या AI जनरेटरों द्वारा छोड़े गए विशिष्ट आर्टिफैक्ट्स को नहीं देख रहा था। इसके बजाय, यह एक ऐसे पैटर्न के प्रति प्रतिक्रिया दे रहा था जो पूरी छवि में फैला हुआ था, एक प्रकार की सांख्यिकीय लय (statistical rhythm) जो एक साथ कई अलग-अलग स्तरों पर मौजूद होती है।
इस पैटर्न को उजागर करने के लिए सबसे सफल उपकरण 'स्कैटरिंग ट्रांसफॉर्म' (scattering transform) नामक एक विधि थी। इसे एक तरीके के रूप में सोचें जिससे आप यह मापते हैं कि ज़ूम इन और ज़ूम आउट करते समय छवि की बनावट कैसे बदलती है, जो सूक्ष्म विवरणों और बड़े आकारों के बीच के संबंधों को पकड़ता है। जब शोधकर्ता ने इस पद्धति को लागू किया, तो उन्होंने पाया कि AI-जनित पेंटिंग्स मानव पेंटिंग्स की तुलना में लगातार अधिक मजबूत प्रतिक्रिया दिखाती हैं। कृत्रिम छवियों में विभिन्न स्तरों के विवरणों के बीच एक अधिक तीव्र और संरचित परस्पर क्रिया (interplay) थी। कंप्यूटर अनिवार्य रूप से AI छवियों के निर्माण के तरीके में एक प्रकार की सांख्यिकीय "ऊँची आवाज़" (loudness) को महसूस कर रहा था, एक ऐसा गुण जो इस बात पर स्थिर रहता था कि छवि को करीब से देखा जा रहा है या दूरी से।
हालाँकि, कहानी पूर्ण स्पष्टीकरण के साथ समाप्त नहीं हुई। शोधकर्ता ने मानवीय धारणा की सीमाओं का परीक्षण करने के लिए एक प्रभावशाली प्रयोग किया। उन्होंने एक पेंटिंग में सूक्ष्म, लगभग अदृश्य परिवर्तन करने के लिए कंप्यूटर के अपने आंतरिक तर्क का उपयोग किया, उसे बस इतना आगे बढ़ाया कि वह "मानव" पक्ष से "AI" पक्ष की ओर चली जाए। एक मानव आँख के लिए, पेंटिंग परिवर्तन से पहले और बाद में बिल्कुल एक जैसी दिख रही थी; अंतर इतना सूक्ष्म था कि वह लगभग अगोचर था। फिर भी, कंप्यूटर के लिए, छवि एक बड़े परिवर्तन से गुजरी थी। इसने एक गहरा विच्छेद प्रकट किया: कंप्यूटर उन दृश्य साक्ष्यों के प्रति संवेदनशील है जो काफी हद तक हमारे लिए अदृश्य हैं, जो उन सूक्ष्म सांख्यिकीय नियमितताओं पर निर्भर करता है जिन्हें हमारी आँखें और मस्तिष्क दर्ज ही नहीं कर पाते।
निष्कर्ष बताते हैं कि जहाँ आर्टिफिशियल इंटेलिजेंस और मानव दृष्टि दोनों एक ही उत्कृष्ट कृति (masterpiece) को देख सकते हैं, वहीं वे मौलिक रूप से अलग चीजें देख रहे होते हैं। कंप्यूटर केवल मानवीय पसंद की नकल नहीं कर रहा है; यह नियमों के एक अलग सेट पर काम कर रहा है, जो स्थिर, बहु-स्तरीय सांख्यिकीय पैटर्न को प्राथमिकता देता है जो मानवीय निरीक्षण के लिए अदृश्य हैं। इसका मतलब यह नहीं है कि कंप्यूटर गलत है, लेकिन इसका मतलब यह भी है कि हमारी यह धारणा कि मशीनें और मनुष्य एक ही सौंदर्य निर्णय साझा करते हैं, संभवतः गलत है। कंप्यूटर के मन में मानव और AI कला के बीच का अलगाव केवल एक त्रुटि या साधारण गलती नहीं है; यह देखने के एक अलग तरीके की खिड़की है, जो उन अद्वितीय और अक्सर छिपे हुए तरीकों को उजागर करती है जिनसे कृत्रिम प्रणालियाँ दृश्य दुनिया को संसाधित (process) करती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।