या महिन्यात पाहण्यासारखे १० एआय (AI) व्हिडिओ

स्टॅटिक इमेजपासून फ्लुइड व्हिडिओपर्यंतचा प्रवास डिजिटल पुराव्यांकडे पाहण्याच्या आपल्या दृष्टिकोनात मोठा बदल घडवून आणत आहे. आपण अशा युगाच्या पलीकडे गेलो आहोत जिथे एक प्रॉम्प्ट फक्त एक फ्रेम तयार करायचा. आता, इंडस्ट्री ‘टेम्पोरल कन्सिस्टन्सी’ (temporal consistency) आणि गतीच्या भौतिकशास्त्रावर लक्ष केंद्रित करत आहे. हे दहा क्लिप्स केवळ तांत्रिक टप्पे नाहीत, तर एका अशा भविष्याची खिडकी आहेत जिथे कॅप्चर केलेला क्षण आणि सिंथेसाइज्ड क्षण यातील फरक पूर्णपणे नाहीसा होईल. अनेक प्रेक्षक अजूनही या व्हिडिओंकडे केवळ एक नवल म्हणून पाहतात. ते वाकलेले हात किंवा थरथरणारे बॅकग्राउंड पाहून या तंत्रज्ञानाला खेळणे समजतात. ही मोठी चूक आहे. या व्हिडिओंचे महत्त्व प्रतिमेच्या परिपूर्णतेत नाही, तर त्यातील सुधारणेच्या वेगात आहे. आपण अशा मॉडेल्सचे रॉ आउटपुट पाहत आहोत जे आपल्या जगाचे नियम ते पाहून शिकत आहेत. या महिन्यात, सर्वात महत्त्वाचे क्लिप्स ते नाहीत जे दिसायला सर्वोत्तम आहेत, तर ते आहेत जे हे सिद्ध करतात की सॉफ्टवेअरला गुरुत्वाकर्षण, प्रकाश आणि मानवी शरीररचना काळानुसार कशी परस्परसंवाद साधतात हे समजले आहे. ही एका नवीन व्हिज्युअल भाषेची पायाभरणी आहे.

व्हिडिओ जनरेशनची सध्याची स्थिती ‘डिफ्यूजन मॉडेल्स’वर (diffusion models) अवलंबून आहे, ज्यांचा विस्तार वेळेच्या तिसऱ्या परिमाणात झाला आहे. एका सपाट पृष्ठभागावर पिक्सेल कुठे असावा हे भाकीत करण्याऐवजी, ही सिस्टिम साठ फ्रेम्समध्ये तो पिक्सेल कसा बदलावा याचे भाकीत करते. यासाठी प्रचंड ‘कंप्युट’ (compute) आणि सातत्याची सखोल समज आवश्यक आहे. जेव्हा तुम्ही एखाद्या व्यक्तीला चालताना पाहता, तेव्हा मॉडेलला हे लक्षात ठेवावे लागते की तीन सेकंदांपूर्वी ती व्यक्ती कशी दिसत होती, जेणेकरून त्यांच्या शर्टचा रंग बदलणार नाही. याला ‘टेम्पोरल कोहेरन्स’ (temporal coherence) म्हणतात. सिंथेटिक मीडियामधील ही सर्वात कठीण समस्या आहे. आज आपण पाहतो ते बहुतेक व्हिडिओ लहान असतात कारण इतक्या काळासाठी हे सातत्य टिकवून ठेवणे ‘कंप्युटेशनली एक्सपेंसिव्ह’ (computationally expensive) असते. मॉडेल्स अनेकदा शॉर्टकट घेतात. ते बॅकग्राउंड धूसर करू शकतात किंवा प्रोसेसिंग पॉवर वाचवण्यासाठी जटिल हालचाली सोप्या करतात. तथापि, अलीकडील रिलीजमध्ये क्लिपच्या संपूर्ण कालावधीत तपशील टिकवून ठेवण्यात मोठी झेप दिसून येते. हे सूचित करते की मूळ आर्किटेक्चर हाय-डायमेंशनल डेटा हाताळण्यासाठी अधिक कार्यक्षम होत आहेत.

या विषयावर बहुतेक लोकांचा असा गैरसमज आहे की एआय व्हिडिओ ‘एडिट’ करत आहे. तसे नाही. ते व्हॅक्यूम ऑफ नॉइजमधून व्हिडिओचे स्वप्न पाहत आहे. येथे कोणतीही मूळ फुटेज हाताळली जात नाही. फक्त एक गणितीय संभाव्यता आहे की पिक्सेलची एक विशिष्ट मालिका म्हणजे मांजर उडी मारत आहे किंवा कार चालवत आहे. हा फरक महत्त्वाचा आहे कारण तो कॉपीराइट आणि सर्जनशीलतेबद्दलच्या आपल्या विचारांना बदलतो. जर मूळ साहित्य नसेल, तर ‘रिमिक्स’ची संकल्पना कालबाह्य होते. आपण एका जनरेटिव्ह प्रक्रियेबद्दल बोलत आहोत जी काहीतरी पूर्णपणे नवीन तयार करण्यासाठी ट्रेनिंग दरम्यान पाहिलेली माहिती सिंथेसाइज करते. ही प्रक्रिया इतकी वेगवान होत आहे की आपण ‘रिअल-टाइम जनरेशन’च्या जवळ पोहोचलो आहोत. लवकरच, विचार आणि हलती प्रतिमा यातील विलंब मिलिसेकंदात मोजला जाईल. यामुळे जगभरात कथा कशा सांगितल्या जातात आणि माहितीचा वापर कसा केला जातो, हे बदलेल.

या तंत्रज्ञानाचे जागतिक परिणाम हॉलिवूड किंवा जाहिरात एजन्सींच्या पलीकडे आहेत. आपण अशा युगात प्रवेश करत आहोत जिथे उच्च-गुणवत्तेचा व्हिज्युअल प्रोपगंडा तयार करण्याचा खर्च शून्यावर येत आहे. कमी मीडिया साक्षरता असलेल्या प्रदेशांत, एक खात्रीलायक व्हिडिओ नागरी अशांतता निर्माण करू शकतो किंवा निवडणूक फिरवू शकतो. हा केवळ सैद्धांतिक धोका नाही. आपण आधीच पाहिले आहे की सिंथेटिक क्लिप्सचा वापर राजकीय नेत्यांची नक्कल करण्यासाठी आणि जागतिक संघर्षांबद्दल चुकीची माहिती पसरवण्यासाठी केला गेला आहे. हे व्हिडिओ ज्या वेगाने तयार केले जाऊ शकतात, त्याचा अर्थ असा की फॅक्ट-चेकर्सना सतत धावपळ करावी लागत आहे. व्हिडिओचे सत्य उघड होईपर्यंत, तो लाखो वेळा पाहिला जातो. यामुळे संशयाची एक कायमस्वरूपी स्थिती निर्माण होते जिथे लोक खऱ्या फुटेजवरही विश्वास ठेवणे थांबवतात. या ‘लायर्स डिव्हिडंड’ (liar’s dividend) मुळे वाईट प्रवृत्तीचे लोक पुराव्यांना फक्त एआय फॅब्रिकेशन म्हणून फेटाळू शकतात. सामायिक वास्तवाची ही धूप कदाचित या महिन्यात आपण पाहत असलेल्या प्रगतीचा सर्वात महत्त्वाचा परिणाम आहे.

आर्थिक आघाडीवर, याचा परिणाम तितकाच खोल आहे. कमी खर्चात व्हिडिओ निर्मिती आणि ॲनिमेशन सेवांवर अवलंबून असलेल्या देशांना मागणीत अचानक बदल जाणवत आहे. जर न्यूयॉर्कमधील एखादी कंपनी काही मिनिटांत उच्च-गुणवत्तेचे प्रॉडक्ट डेमो तयार करू शकत असेल, तर त्यांना दुसऱ्या टाइम झोनमधील स्टुडिओला काम आउटसोर्स करण्याची गरज नाही. यामुळे सर्वात शक्तिशाली मॉडेल्सच्या मालकांच्या हातात सर्जनशील शक्तीचे केंद्रीकरण होऊ शकते. त्याच वेळी, हे निर्माण करण्याची क्षमता लोकशाहीकरण करते. विकसनशील राष्ट्रातील फिल्ममेकरकडे आता मोठ्या स्टुडिओसारखीच व्हिज्युअल टूल्स उपलब्ध आहेत. यामुळे वैविध्यपूर्ण कथाकथनात वाढ होऊ शकते जी पूर्वी उच्च प्रवेश खर्चामुळे रोखली गेली होती. सर्जनशील प्रभावाचे जागतिक संतुलन बदलत आहे. आपण साउंडस्टेजसारख्या भौतिक पायाभूत सुविधांकडून जीपीयू क्लस्टर्ससारख्या डिजिटल पायाभूत सुविधांकडे वळत आहोत. हे संक्रमण २१ व्या शतकात ‘क्रिएटिव्ह’ हब असण्याचा अर्थ पुन्हा परिभाषित करेल.

स्टॅटिक फ्रेमच्या पलीकडे

वास्तविक जगातील प्रभाव समजून घेण्यासाठी, एका मध्यम आकाराच्या एजन्सीमधील क्रिएटिव्ह डायरेक्टरच्या दिवसाचा विचार करा. पूर्वी, नवीन मोहिमेसाठी क्लायंटची विनंती म्हणजे आठवड्याभराचे स्टोरीबोर्डिंग, कास्टिंग आणि लोकेशन स्काउटिंग. आज, डायरेक्टर आपल्या सकाळची सुरुवात जनरेटिव्ह इंजिनमध्ये वर्णन टाइप करून करतात. दुपारपर्यंत, त्यांच्याकडे तीस सेकंदांच्या स्पॉटच्या दहा वेगवेगळ्या आवृत्त्या असतात. यापैकी कोणत्याही आवृत्तीसाठी कॅमेरा किंवा क्रूची गरज नव्हती. ते या क्लिप्सची फोकस ग्रुप्ससोबत त्वरित चाचणी घेऊ शकतात. जर फीडबॅक नकारात्मक असेल, तर ते पुन्हा काम करून दुपारपर्यंत नवीन आवृत्त्या तयार करू शकतात. ही संकुचित टाइमलाइन ही इंडस्ट्रीची नवीन वास्तविकता आहे. हे अशा स्तरावरील प्रयोगांना अनुमती देते जे पूर्वी अशक्य होते. तथापि, यामुळे कर्मचाऱ्यांवर प्रचंड दबाव येतो. आता केवळ गुणवत्तेचीच नाही, तर प्रचंड प्रमाण आणि वेगाची अपेक्षा आहे. मानवाची भूमिका प्रतिमांच्या निर्मात्याकडून शक्यतांच्या क्युरेटरकडे (curator) सरकत आहे. त्यांना ठरवावे लागते की हजारो जनरेट केलेल्या पर्यायांपैकी कोणते ब्रँडच्या आवाजाशी खरोखर जुळते.

कामगार बाजारासाठी याचे परिणाम स्पष्ट आहेत. व्हिडिओ इंडस्ट्रीतील एंट्री-लेव्हल पदे, जसे की ज्युनियर एडिटर्स किंवा मोशन ग्राफिक्स आर्टिस्ट, प्रथम ऑटोमेट केली जात आहेत. या भूमिकांमध्ये अनेकदा अशा पुनरावृत्तीच्या कामांचा समावेश असतो जी एआय सर्वोत्तम हाताळते. उदाहरणार्थ, बॅकग्राउंड काढणे किंवा दोन शॉट्समधील लाइटिंग जुळवणे आता काही सेकंदात करता येते. जरी यामुळे वरिष्ठ क्रिएटिव्हना मोठ्या चित्रावर लक्ष केंद्रित करण्यास मोकळीक मिळत असली, तरी ते नवीन पिढीच्या प्रतिभेसाठी ‘ट्रेनिंग ग्राउंड’ काढून टाकते. या एंट्री-लेव्हल भूमिकांशिवाय, तरुण व्यावसायिक दिग्दर्शक किंवा निर्माते बनण्यासाठी आवश्यक कौशल्ये कशी विकसित करतील, हे अस्पष्ट आहे. आपण सर्जनशील कलांमध्ये मध्यमवर्गीयांची पोकळी पाहत आहोत. एआय वापरणारा स्वतंत्र निर्माता आणि विविध टूल्स वापरणारा हाय-एंड दिग्दर्शक यांच्यातील दरी वाढत आहे. यामुळे शाश्वत क्रिएटिव्ह टीम तयार करण्याचा प्रयत्न करणाऱ्या कंपन्यांसाठी आव्हानांचा एक नवीन संच तयार होत आहे.

कंपन्या त्यांचे बजेट कसे पुनर्रचना करत आहेत, यात व्यावहारिक धोके दिसून येतात. पूर्वी प्रवास आणि उपकरणांवर जाणारा पैसा आता क्लाउड कंप्युट क्रेडिट्स आणि प्रॉम्प्ट इंजिनिअरिंग ट्रेनिंगमध्ये वळवला जात आहे. एक छोटी टीम आता असे काम तयार करू शकते जे लाखो डॉलर्सच्या बजेटसारखे दिसते. स्टार्टअप्स आणि स्वतंत्र निर्मात्यांसाठी हा एक मोठा फायदा आहे. ते पहिल्यांदाच व्हिज्युअल स्तरावर प्रस्थापित ब्रँड्सशी स्पर्धा करू शकतात. तथापि, यामुळे बाजार गर्दीने भरलेला आहे. जेव्हा प्रत्येकजण उच्च-गुणवत्तेचा व्हिडिओ तयार करू शकतो, तेव्हा व्हिडिओचे मूल्य कमी होते. प्रीमियम प्रतिमेकडून कल्पनेकडे सरकतो. एक आकर्षक कथा सांगण्याची क्षमता हीच परिपूर्ण, एआय-जनरेटेड कंटेंटच्या समुद्रात वेगळे दिसण्याचा एकमेव मार्ग आहे.

• शॉर्ट-फॉर्म मार्केटिंग कंटेंटसाठी उत्पादन खर्च ७० टक्क्यांहून अधिक कमी होण्याची अपेक्षा आहे.
• व्हिज्युअल इफेक्ट्स पोस्ट-प्रॉडक्शनसाठी लागणारा वेळ महिन्यांवरून दिवसांवर येत आहे.

आपण या जलद प्रगतीकडे सॉक्रेटिक संशयाने पाहिले पाहिजे. या ‘मोफत’ सर्जनशीलतेची छुपी किंमत काय आहे? पहिली किंमत पर्यावरणीय आहे. या मॉडेल्सना ट्रेन करण्यासाठी आणि चालवण्यासाठी डेटा सेंटर्स थंड करण्यासाठी वीज आणि पाण्याची प्रचंड गरज लागते. जसे आपण अधिक व्हिडिओ तयार करतो, तसा आपला कार्बन फूटप्रिंट वाढतो. स्पेस सूटमधील मांजरीची क्लिप तयार करण्याची क्षमता पर्यावरणीय टोल देण्याइतकी मौल्यवान आहे का? दुसरी किंमत ‘ह्युमन टच’ गमावणे आहे. मानवाने विशिष्ट, सदोष निवडी करून फिल्मवर शूट केलेल्या व्हिडिओमध्ये एक अमूर्त गुणवत्ता असते. एआय व्हिडिओ अनेकदा खूप परिपूर्ण असतो, ज्यामुळे ‘अनकॅनी व्हॅली’ (uncanny valley) परिणाम होतो जो निर्जीव वाटू शकतो. जर आपण पूर्णपणे सिंथेटिक मीडियाकडे वळलो, तर आपण एकमेकांशी खोलवर जोडण्याची क्षमता गमावू का? आपण हे देखील विचारले पाहिजे की या व्हिडिओंच्या ‘स्टाईल’ची मालकी कोणाची आहे? जर एखादे मॉडेल हजारो न भरपाई मिळालेल्या कलाकारांच्या कामावर प्रशिक्षित असेल, तर आउटपुट खरोखर नवीन आहे की ते हाय-टेक साहित्यिक चोरीचे एक प्रकार आहे?

गोपनीयता ही दुसरी मोठी चिंता आहे. जर ही मॉडेल्स कोणाचेही काहीही करतानाचे वास्तववादी व्हिडिओ तयार करू शकत असतील, तर ‘संमती’ची संकल्पना नाहीशी होते. आपण आधीच डीपफेक पॉर्नोग्राफी आणि विना-संमती प्रतिमांचा उदय पाहत आहोत. हे कंटेंट होस्ट करणाऱ्या प्लॅटफॉर्मचे पद्धतशीर अपयश आहे. ते सिंथेटिक मीडियाचा पूर नियंत्रित करण्यास असमर्थ किंवा अनिच्छुक आहेत. आपण विचारले पाहिजे की जनरेटिव्ह व्हिडिओचे फायदे व्यक्तींना होणाऱ्या जीवघेण्या हानीपेक्षा जास्त आहेत का? शिवाय, आपल्या कायदेशीर व्यवस्थेचे काय? जर व्हिडिओ पुराव्यावर विश्वास ठेवता येत नसेल, तर गुन्हा घडला हे आपण कसे सिद्ध करू? आपली न्याय आणि माहिती प्रणाली ‘पाहणे म्हणजे विश्वास ठेवणे’ या कल्पनेवर आधारित आहे. जर आपण तो दुवा तोडला, तर आपण अशा जगात असू शकतो जिथे सर्वात शक्तिशाली अल्गोरिदम जे म्हणेल तेच सत्य असेल. तंत्रज्ञान परिपक्व होत असताना आपल्याला या कठीण प्रश्नांचा सामना करावा लागेल.

पॉवर युजर्ससाठी, तांत्रिक तपशीलांमध्ये खरी प्रगती दडलेली आहे. आपण या मॉडेल्सच्या स्थानिक स्टोरेज आणि अंमलबजावणीकडे वळताना पाहत आहोत. OpenAI किंवा Runway सारखे क्लाउड-आधारित API लोकप्रिय असले तरी, अनेक निर्माते हे सिस्टम त्यांच्या स्वतःच्या हार्डवेअरवर चालवण्याचे मार्ग शोधत आहेत. हे आउटपुटवर अधिक नियंत्रण प्रदान करते आणि मोठ्या कॉर्पोरेशनद्वारे लादलेले कठोर फिल्टर टाळते. तथापि, हार्डवेअर आवश्यकता कठीण आहेत. वाजवी फ्रेम रेटवर हाय-डेफिनिशन व्हिडिओ तयार करण्यासाठी, तुम्हाला किमान 24GB VRAM असलेला GPU आवश्यक आहे. हे ‘लोकल’ क्रांतीला अशा लोकांपुरते मर्यादित करते जे हाय-एंड वर्कस्टेशन्स घेऊ शकतात. आपण ‘वर्कफ्लो इंटिग्रेशन्स’चा (workflow integrations) उदय देखील पाहत आहोत जिथे एआय व्हिडिओ टूल्स थेट Adobe Premiere किंवा DaVinci Resolve सारख्या सॉफ्टवेअरमध्ये प्लग केली जातात. हे एक हायब्रिड दृष्टिकोन देते जिथे एआय विशिष्ट घटक तयार करते जे नंतर मानवी एडिटरद्वारे सुधारले जातात.

API मर्यादा डेव्हलपर्ससाठी एक महत्त्वाचा अडथळा आहेत. बहुतेक प्रदाते प्रति सेकंद व्हिडिओ जनरेशनसाठी शुल्क आकारतात, जे मोठ्या प्रकल्पांसाठी लवकरच महाग होऊ शकते. एकाच वेळी विनंत्यांच्या संख्येवरही मर्यादा आहेत, ज्यामुळे रिअल-टाइम ॲप्लिकेशन्स तयार करणे कठीण होते. पुढील वर्षात अधिक कार्यक्षम मॉडेल्ससाठी प्रयत्न केले जातील जे ग्राहक-श्रेणीच्या हार्डवेअरवर चालू शकतील. आपण लोकप्रिय मॉडेल्सच्या ‘डिस्टिल्ड’ (distilled) आवृत्त्यांसह या दिशेने पहिली पावले पाहत आहोत. या लहान आवृत्त्या वेगाच्या प्रचंड वाढीसाठी काही तपशील त्यागतात. गिक समुदायासाठी, लक्ष ‘फाईन-ट्यूनिंग’वर (fine-tuning) आहे. बेस मॉडेलच्या वर एक लहान लेयर ट्रेन करून, निर्माता एआयला एखादे विशिष्ट पात्र किंवा आर्ट स्टाईल ओळखायला शिकवू शकतो. कस्टमायझेशनची ही पातळी एआय व्हिडिओला गिमिकवरून प्रोफेशनल टूलमध्ये बदलेल. हे दीर्घ-कथाकथनासाठी आवश्यक असलेल्या सातत्यासाठी अनुमती देते.

• उच्च-गुणवत्तेच्या व्हिडिओ जनरेशनसाठी सध्याचे API लॅटन्सी प्रति क्लिप 30 ते 60 सेकंद आहे.
• मॉडेल वेट्ससाठी स्थानिक स्टोरेज सर्वात प्रगत ओपन-सोर्स आवृत्त्यांसाठी 100GB पेक्षा जास्त असू शकते.

संपादकाची नोंद: आम्ही ही साइट बहुभाषिक AI बातम्या आणि मार्गदर्शिका केंद्र म्हणून अशा लोकांसाठी तयार केली आहे जे संगणक तज्ञ नाहीत, परंतु तरीही कृत्रिम बुद्धिमत्ता समजून घेऊ इच्छितात, अधिक आत्मविश्वासाने तिचा वापर करू इच्छितात आणि आधीच येत असलेल्या भविष्याचा मागोवा घेऊ इच्छितात.

थोडक्यात सांगायचे तर, या महिन्यात आपण जे व्हिडिओ पाहतो ते मीडियाच्या स्वरूपात होणाऱ्या मूलभूत बदलाचा पुरावा आहेत. आपण कॅप्चरच्या जगापासून सिंथेसिसच्या जगाकडे वळत आहोत. हा केवळ टूल्समधील बदल नाही, तर आपण वास्तवाशी कसे संबंधित आहोत, यात बदल आहे. फॉलो करण्यासाठी सिग्नल म्हणजे या टूल्सचे दैनंदिन जीवनातील एकत्रीकरण. जेव्हा तुम्ही सांगू शकत नाही की व्हिडिओ आयफोनवर शूट केला आहे की क्लाउडमध्ये जनरेट केला आहे, तेव्हा तंत्रज्ञानाचा विजय झाला आहे. प्रगती म्हणजे ड्रॅगनची अधिक वास्तववादी क्लिप नाही. तर ती अशी टूल्स विकसित करणे आहे जी अचूक, फ्रेम-बाय-फ्रेम नियंत्रणास अनुमती देतात. ती अशी मजबूत वॉटरमार्किंग सिस्टिम तयार करणे आहे जी कॉम्प्रेशन आणि एडिटिंगमध्ये टिकू शकेल. सर्वात महत्त्वाचे म्हणजे, नवीन सामाजिक नियम आणि कायदे प्रस्थापित करणे जे व्यक्तींना या शक्तीच्या गैरवापरापासून वाचवतील. हे व्हिडिओ फक्त कथेची सुरुवात आहेत.

काही चूक आढळली किंवा काही दुरुस्त करायचे आहे का? आम्हाला कळवा.