AI अब बिना सिखाए ही ट्रांसलेशन सीख रहा है

यह कोई साइंस फिक्शन या सिर्फ मार्केटिंग की बातें नहीं हैं। रिसर्चर्स कई सालों से इस तरह की "उभरती हुई" बहुभाषी क्षमता के बारे में बताते आ रहे हैं। Google ने अपने काम में दिखाया था कि कई भाषा-जोड़ों पर ट्रेन किए गए मॉडल "ज़ीरो-शॉट" ट्रांसलेशन कर सकते थे। यानी, वे उन भाषाओं के बीच भी अनुवाद कर सकते थे, जिनके लिए उन्हें सीधे तौर पर कभी ट्रेन नहीं किया गया था। यह उस पुरानी धारणा के लिए एक बड़ा झटका था, जिसके मुताबिक हर भाषा का अनुवाद अलग से सिखाना पड़ता है। तब से, इंटरनेट से लिए गए विशाल डेटासेट पर ट्रेन किए गए बड़े लैंग्वेज मॉडल्स ने इस विचार को और आगे बढ़ाया है। GPT जैसे सिस्टम, Meta के बहुभाषी मॉडल, और Llama जैसे ओपन मॉडल ने दिखाया है कि वे अक्सर कई भाषाओं में ट्रांसलेशन, सारांश और सवालों के जवाब दे सकते हैं, भले ही ट्रांसलेशन उनका मुख्य काम न हो।

इसके सबूत सबसे ज़्यादा उन भाषाओं में मिलते हैं, जिनके लिए ऑनलाइन बहुत सारा डेटा मौजूद है। अंग्रेज़ी, स्पेनिश, फ्रेंच, जर्मन, चीनी, अरबी और कुछ अन्य भाषाओं का ऑनलाइन टेक्स्ट पर दबदबा है, जिसे ये सिस्टम सीखते हैं। DeepMind, Google, Meta और बड़ी यूनिवर्सिटीज़ की रिसर्च में बार-बार यह पाया गया है कि कई भाषाओं में ट्रेनिंग बढ़ाने से एक भाषा का ज्ञान दूसरी भाषा में इस्तेमाल करने की क्षमता बेहतर होती है। सरल शब्दों में कहें तो, अगर कोई मॉडल कई भाषाओं के बारे में बहुत कुछ सीख लेता है, तो वह कभी-कभी उनके बीच मतलब का मिलान कर सकता है। इसके लिए उसे हर भाषा-जोड़े के सीधे उदाहरण देने की ज़रूरत नहीं पड़ती। यह नतीजा देखने में लगभग जादुई लग सकता है। आप सिस्टम से किसी विचार को एक भाषा से दूसरी में बदलने के लिए कहें, और वह अक्सर ऐसा कर देता है।

लेकिन इस आकर्षक बात पर यकीन करने से पहले सोचना ज़रूरी है कि 'AI खुद को ट्रांसलेशन सिखा सकता है'। पहले तथ्य: ये मॉडल हवा में कुछ नहीं सीखते। उन्हें इंसानों द्वारा लिखे गए टेक्स्ट के समंदर पर ट्रेन किया जाता है। यह टेक्स्ट अक्सर वेब, किताबों, कोड और अन्य बड़े डेटा स्रोतों से लिया जाता है। वे शून्य से भाषा का आविष्कार नहीं कर रहे हैं। अब राय: इसे "खुद से सीखा हुआ" कहना आसान तो है, लेकिन यह गुमराह भी कर सकता है। असल में हो यह रहा है कि मॉडल कई भाषाओं के इतने विशाल डेटा से पैटर्न निकाल रहा है कि ट्रांसलेशन, भाषा सीखने की सामान्य प्रक्रिया का एक नतीजा बन जाता है। यह सुनने में उतना रोमांचक नहीं लगता, लेकिन व्यावहारिक रूप से यह ज़्यादा महत्वपूर्ण हो सकता है।

ऐसा क्यों होता है? क्योंकि ट्रांसलेशन सिर्फ शब्दों का मिलान नहीं है। यह अर्थ, वाक्य रचना, संदर्भ और दुनिया के ज्ञान के पैटर्न का मिलान है। बड़े मॉडल पैटर्न निकालने में बहुत माहिर होते हैं, अगर उन्हें पर्याप्त डेटा और कंप्यूटिंग पावर दी जाए। अगर कोई सिस्टम एक ही नाम, घटना, प्रोडक्ट, जगह और विचार को कई भाषाओं में बार-बार देखता है, तो वह उन्हें जोड़ने वाले अंदरूनी कनेक्शन बनाने लगता है। रिसर्चर अक्सर इसे एक 'साझा अर्थ वाला स्पेस' कहते हैं। यह शब्द सुनने में मुश्किल लग सकता है, लेकिन इसका मतलब आसान है: मॉडल विचारों को ऐसा मानने लगता है, जिन्हें एक भाषा से दूसरी में ले जाया जा सकता है।

यह AI की पूरी अर्थव्यवस्था को बदल देता है। पारंपरिक ट्रांसलेशन सिस्टम के लिए पैरेलल डेटा को सावधानी से तैयार करना पड़ता था। यह महंगा था और छोटी भाषाओं के लिए अक्सर उपलब्ध नहीं होता था। अगर सामान्य मॉडल कई भाषाओं के मिले-जुले टेक्स्ट से कुछ ट्रांसलेशन क्षमता सीख सकते हैं, तो कंपनियां अपने प्रोडक्ट ज़्यादा तेज़ी से और सस्ते में लॉन्च कर सकती हैं। इसीलिए यह ट्रेंड सिर्फ लैब तक सीमित नहीं है, बल्कि बहुत मायने रखता है। इसका असर सर्च, कस्टमर सर्विस, सोशल मीडिया मॉडरेशन, विदेशी व्यापार, शिक्षा के साधनों और वॉयस असिस्टेंट पर पड़ता है। ट्रांसलेशन अब कोई अलग फीचर नहीं रहा। यह सामान्य AI सिस्टम की एक अंतर्निहित क्षमता बनता जा रहा है।

यहां लोकतंत्र को बढ़ावा देने की एक आकर्षक कहानी भी है। सबसे अच्छी स्थिति में, जो मॉडल कई भाषाओं में काम कर सकते हैं, वे ज़्यादा लोगों को उनकी अपनी भाषा में ऑनलाइन लाने में मदद कर सकते हैं। वे स्कूलों, क्लीनिक, प्रवासियों और छोटे व्यवसायों के लिए कम लागत वाला ट्रांसलेशन उपलब्ध करा सकते हैं। जिन देशों में कई स्थानीय भाषाएं हैं और डिजिटल संसाधन सीमित हैं, वहां यह बहुत मायने रखता है। UNESCO और अन्य वैश्विक संस्थाएं लंबे समय से उन भाषाओं के डिजिटल बहिष्कार को लेकर चेतावनी देती रही हैं, जिनकी ऑनलाइन मौजूदगी कमज़ोर है। अगर AI इस बाधा को कम करता है, तो इसके फायदे असली हैं।

अब कड़वी सच्चाई। यही ट्रेंड असमानता को और भी गहरा कर सकता है। ये सिस्टम वहां सबसे मज़बूत होते हैं जहां डेटा सबसे ज़्यादा है, और वहां सबसे कमज़ोर जहां इनकी सबसे ज़्यादा ज़रूरत है। बहुभाषी NLP पर हुई रिसर्च में बार-बार एक क्रूर असंतुलन पाया गया है: कुछ ही भाषाओं का डेटा, बेंचमार्क और इंजीनियरिंग पर दबदबा है। कम संसाधनों वाली भाषाएं, स्वदेशी भाषाएं और बोलियां अक्सर ठीक से काम नहीं करतीं या उन्हें नज़रअंदाज़ कर दिया जाता है। हो सकता है कि कोई मॉडल किसी बड़ी भाषा में बहुत अच्छा काम करे, लेकिन किसी क्षेत्रीय भाषा में बुरी तरह फेल हो जाए, या फिर वह स्थानीय अर्थों को एक मानक रूप में बदल दे। यह कोई तकनीकी कमी नहीं है। यह ताकत का मामला है। भाषा में कानून, पहचान, संस्कृति और विश्वास होते हैं। अस्पताल, अदालत या सरकारी दफ्तर में गलत ट्रांसलेशन कोई मामूली गड़बड़ी नहीं है।

एक और समस्या है जिसे AI इंडस्ट्री अक्सर नज़रअंदाज़ कर देती है। अगर मॉडल अप्रत्यक्ष रूप से क्षमताएं सीखते हैं, तो उनकी टेस्टिंग और कंट्रोल मुश्किल हो जाता है। डेवलपर्स किसी सिस्टम को एक काम के लिए फाइन-ट्यून कर सकते हैं, लेकिन फिर भी उसमें अप्रत्याशित क्षमताएं या विफलताएं सामने आ सकती हैं। यह हर मामले में खतरे का सबूत नहीं है, लेकिन यह गवर्नेंस के लिए एक असली चुनौती है। अगर कोई कंपनी यह साफ-साफ नहीं बता सकती कि कौन सी भाषाई क्षमताएं किस डेटा और ट्रेनिंग से आईं, तो रेगुलेटर और यूज़र्स के लिए यह एक 'ब्लैक बॉक्स' की तरह हो जाता है, जिसे बस एक प्रोडक्ट डेमो में लपेटकर पेश किया गया हो।

इसका जवाब घबराना नहीं है, और न ही आंख मूंदकर प्रचार करना है। इसका जवाब है - अनुशासित पारदर्शिता। कंपनियों को यह बताना चाहिए कि उनके सिस्टम का किन भाषाओं में भरोसेमंद मूल्यांकन किया गया है और किनमें नहीं। यह सुनने में सामान्य लगता है क्योंकि यह है भी सामान्य। बहुत से AI प्रोडक्ट अब भी "बहुभाषी" क्षमता का प्रचार ऐसे करते हैं, जैसे इसका मतलब सभी भाषाओं में एक समान क्वालिटी हो, लेकिन ऐसा नहीं है। सार्वजनिक बेंचमार्क में और ज़्यादा भाषाओं को शामिल किया जाना चाहिए, खासकर उन्हें जो डिजिटल रूप से हाशिये पर हैं। सरकारों और यूनिवर्सिटीज़ को कम प्रतिनिधित्व वाली भाषाओं के लिए ओपन डेटासेट और मूल्यांकन टूल में निवेश करना चाहिए। इसमें स्थानीय लोगों की सहमति और भागीदारी भी ज़रूरी है। अगर ट्रांसलेशन का भविष्य विशाल मॉडल्स तय कर रहे हैं, तो जनता को ऐसा सिस्टम स्वीकार करने के लिए मजबूर नहीं किया जाना चाहिए जो सिर्फ दुनिया की सबसे फायदेमंद भाषाओं के इर्द-गिर्द बना हो।

डेवलपर्स को यह दिखावा करना भी बंद करना होगा कि सिर्फ़ बड़े मॉडल बनाना ही समझदारी है। यह सही है कि बड़े मॉडल भाषाओं के बीच प्रभावशाली पैटर्न खोज सकते हैं। लेकिन वे पूर्वाग्रह भी सीख सकते हैं, संवेदनशील विचारों का गलत अनुवाद कर सकते हैं, या बारीकियों को खत्म कर सकते हैं। इंसानी ट्रांसलेटर, भाषाविद् और सामुदायिक विशेषज्ञ अब भी मायने रखते हैं। असल में, उनकी ज़रूरत और भी बढ़ जाती है जब AI सिस्टम इतने काबिल दिखने लगते हैं कि खरीदार और अधिकारी उन पर ज़रूरत से ज़्यादा भरोसा करने लगते हैं। खतरा यह नहीं है कि AI ट्रांसलेशन बेकार है। खतरा यह है कि यह इतना उपयोगी है कि इसे लापरवाही से इस्तेमाल किया जा सकता है।

पुरानी कहानी यह थी कि मशीनें इसलिए ट्रांसलेशन करती हैं क्योंकि इंसान उन्हें हर कदम पर सिखाते हैं। नई कहानी ज़्यादा जटिल और ज़्यादा शक्तिशाली है। AI मॉडल बड़े पैमाने पर भाषा सीखने के साइड इफेक्ट के तौर पर ट्रांसलेशन की क्षमता विकसित कर सकते हैं। यह एक वास्तविक तकनीकी सफलता है। यह एक राजनीतिक और सांस्कृतिक दरार भी पैदा कर सकती है। जब कोई मशीन बिना सिखाए भाषाओं के बीच पुल बनाने लगती है, तो यह एक असली उपलब्धि है। लेकिन इसके साथ ज़िम्मेदारी भी आती है। ट्रांसलेशन कभी सिर्फ शब्दों का खेल नहीं होता। यह इस बारे में है कि किसका मतलब एक भाषा से दूसरी भाषा तक पहुंचने में कामयाब होता है।