ടെക്സ്റ്റിൽ നിന്ന് ചിത്രം നിർമ്മിക്കുന്ന എഐ: ലളിതമായ വിവരണങ്ങളിൽ നിന്ന് കമ്പ്യൂട്ടർ ചിത്രങ്ങൾ വരയ്ക്കുന്നത് എങ്ങനെ?

കുടുംബത്തിലെ ഒരു വിശേഷത്തിനോ അല്ലെങ്കിൽ ഒരു പ്രാദേശിക പരിപാടിയുടെ നോട്ടീസിനോ വേണ്ടി നിങ്ങളുടെ മനസ്സിൽ ഒരു പ്രത്യേക ദൃശ്യമുണ്ടെന്ന് കരുതുക — ഒരു പഴയ തറവാട്ടു മുറ്റത്ത് പെയ്യുന്ന മഴ, അല്ലെങ്കിൽ പുഴയോരത്തിരുന്ന് സംസാരിക്കുന്ന സുഹൃത്തുക്കൾ. നിങ്ങളുടെ പക്കൽ അത്തരമൊരു ഫോട്ടോ ഇല്ലായിരിക്കാം, നേരിട്ട് വരച്ചെടുക്കാൻ വേണ്ടത്ര ചിത്രരചനാ വൈദഗ്ദ്ധ്യവുമുണ്ടാകില്ല. എന്നാൽ ആ രംഗം ഏതാനും വരികളിൽ വിവരിച്ച് നൽകിയാൽ, ആ വാക്കുകളുടെ അടിസ്ഥാനത്തിൽ ഒരു പുതിയ ഡിജിറ്റൽ ചിത്രം സ്ക്രീനിൽ വരച്ചുകാട്ടാൻ ഇന്ന് പല എഐ ടൂളുകൾക്കും സാധിക്കുന്നുണ്ട്. കമ്പ്യൂട്ടറുകൾ എങ്ങനെയാണ് അക്ഷരങ്ങളെ ദൃശ്യങ്ങളാക്കി മാറ്റുന്നത് എന്ന് പരിശോധിക്കുന്നത് കൗതുകകരമാണ്.

'സൂര്യസ്തമയ സമയത്ത് കടൽത്തീരത്ത് ഇരിക്കുന്ന പൂച്ച' എന്ന് നിങ്ങൾ എഴുതിയാൽ, നിമിഷങ്ങൾക്കകം മനോഹരമായ ഒരു ചിത്രം മുന്നിലെത്തുന്നു. വാക്കുകളിൽ നിന്ന് ചിത്രങ്ങൾ ഉണ്ടാക്കുന്ന (Text-to-Image) സാങ്കേതികവിദ്യയാണിത്. മുൻപ് വരച്ച ചിത്രങ്ങൾ വെട്ടി ഒട്ടിക്കുന്നതല്ല ഇത്.

ഇതിന്റെ ആദ്യ പടി നിങ്ങൾ നൽകിയ വാക്കുകളുടെ യഥാർത്ഥ അർത്ഥം ഗ്രഹിക്കുക എന്നതാണ്. ഇതിനായി ടെക്സ്റ്റ് എൻകോഡർ (Text Encoder) എന്നൊരു സംവിധാനം വാക്കുകളെ സംഖ്യാ മാപ്പുകളാക്കി മാറ്റുന്നു (ടെക്സ്റ്റ് എംബെഡ്ഡിംഗ്സ് അഥവാ Text Embeddings). പിന്നീട് ഈ മാപ്പിന്റെ സഹായത്തോടെ അലങ്കോലമായ കുത്തുകളിൽ നിന്ന് വ്യക്തമായ ചിത്രം നിർമ്മിച്ചെടുക്കുന്നു.

ഇന്ന് വ്യാപകമായി ഉപയോഗിക്കുന്ന ഡിഫ്യൂഷൻ പോലുള്ള പല സംവിധാനങ്ങളും പ്രവർത്തിക്കുന്നത് രസകരമായ ഒരു വഴിയാണ്. തുടക്കത്തിൽ ഒരു പഴയ ടെലിവിഷൻ സ്ക്രീനിലെ തരിതരിപ്പുകൾ (Digital Noise) പോലെ യാതൊരു രൂപവുമില്ലാത്ത അലങ്കോലമായ ഒരു ഡിജിറ്റൽ പാറ്റേൺ അത് ഉണ്ടാക്കുന്നു. തുടർന്ന് നിങ്ങൾ നൽകിയ വാചകങ്ങളെ ഓരോ പടിയായി ആലോചിച്ച്, ആ അലങ്കോലതയിൽ നിന്ന് ആവശ്യമില്ലാത്ത ഭാഗങ്ങൾ നീക്കം ചെയ്യുകയും, നിറങ്ങളും വെളിച്ചവും ആകൃതികളും ക്രമീകരിച്ച് പൂർണ്ണമായ ചിത്രത്തിലേക്ക് എത്തിക്കുകയും ചെയ്യുന്നു.

വാക്കുകളും നിറങ്ങളും തമ്മിലുള്ള ബന്ധം പഠിച്ച വഴി

ലക്ഷക്കണക്കിന് ചിത്രങ്ങളും അവയുടെ അടിക്കുറിപ്പുകളും ഒരുമിച്ച് പരിശോധിപ്പിച്ചാണ് കമ്പ്യൂട്ടറുകൾക്ക് ഈ കഴിവ് നൽകിയത്. 'സൂര്യാസ്തമയം' എന്ന് എഴുതിയ ഫോട്ടോകളിൽ ചുവപ്പും മഞ്ഞയും കലർന്ന ആകാശവും താഴുന്ന സൂര്യനും ഉണ്ടെന്ന് കമ്പ്യൂട്ടർ ഗണിതശാസ്ത്രപരമായി മനസ്സിലാക്കി. ഉദാഹരണത്തിന്, 'വാട്ടർ കളർ ശൈലി' എന്ന് നിങ്ങൾ എഴുതുമ്പോൾ, മുൻപ് കണ്ടിട്ടുള്ള ആയിരക്കണക്കിന് ചിത്രങ്ങളുടെ അടിസ്ഥാനത്തിൽ പേപ്പറിന്റെ പരുക്കൻ പ്രതലവും നിറങ്ങൾ നേർത്തു പടരുന്ന രീതിയും കമ്പ്യൂട്ടർ ഓർത്തെടുക്കുന്നു. ഇവിടെ കമ്പ്യൂട്ടർ സ്വന്തമായി ചിന്തിക്കുകയോ സർഗ്ഗാത്മകത പ്രകടിപ്പിക്കുകയോ ചെയ്യുന്നില്ല; വാക്കുകളും നിറങ്ങളും തമ്മിൽ മുൻപ് കണ്ട കണക്കുകൾ ഒത്തുനോക്കുക മാത്രമാണ് അത് ചെയ്യുന്നത്.

എന്നാൽ കമ്പ്യൂട്ടറിന് മനുഷ്യശരീരത്തിന്റെ ജീവശാസ്ത്രപരമായ അറിവില്ലാത്തതിനാൽ, കൈവിരലുകളിലോ ചിത്രത്തിലെ എഴുത്തുകളിലോ ചെറിയ തെറ്റുകൾ വരുത്താറുണ്ട്. ചിത്രങ്ങൾ ഉപയോഗിക്കുന്നതിന് മുൻപ് അവ സൂക്ഷ്മമായി പരിശോധിക്കേണ്ടതാണ്.

കമ്പ്യൂട്ടറിന് നൽകുന്ന വിവരണം എത്രത്തോളം വ്യക്തമാണോ, അത്രത്തോളം നിങ്ങൾ ഉദ്ദേശിച്ച ചിത്രത്തോട് അത് അടുത്തുനിൽക്കും. അവ്യക്തമായ ഒരു വാക്ക് മാത്രം നൽകുമ്പോൾ കമ്പ്യൂട്ടർ സ്വന്തം ഇഷ്ടപ്രകാരം കാര്യങ്ങൾ ഊഹിച്ചെടുക്കുന്നു. ഈ രണ്ട് നിർദ്ദേശങ്ങൾ താരതമ്യം ചെയ്യുക:

• ലളിതമായ നിർദ്ദേശം ('ഒരു പൂന്തോട്ടം'): ഇവിടെ പൂന്തോട്ടം എന്ന് മാത്രമേ ഉള്ളൂ. അത് ഏത് തരത്തിലുള്ള പൂക്കളാണ്, പകലാണോ രാത്രിയാണോ, കാലാവസ്ഥ എന്താണ്, ഫോട്ടോയാണോ ചിത്രരചനയാണോ എന്നതൊക്കെ കമ്പ്യൂട്ടർ സ്വന്തം ഊഹത്തിൽ തീരുമാനിക്കുന്നു.
• വിശദമായ നിർദ്ദേശം ('മഴ പെയ്തൊഴിഞ്ഞ പ്രഭാതത്തിൽ ഇലകളിൽ തങ്ങിനിൽക്കുന്ന മഞ്ഞുതുള്ളികളുള്ള ഒരു നാട്ടുപൂന്തോട്ടം, വാട്ടർ കളർ ശൈലി'): ഇവിടെ വിഷയം, വെളിച്ചം, ശൈലി എന്നിവ വ്യക്തമാണ്; ഇത് നിങ്ങൾ മനസ്സിൽ കണ്ട ഭാവത്തോട് വളരെ അടുത്ത ഫലം തരാൻ സഹായിക്കുന്നു.

ആദ്യ ശ്രമത്തിൽ തന്നെ നിങ്ങൾ ഉദ്ദേശിച്ച അതേ ചിത്രം ലഭിച്ചില്ലെങ്കിലും നിരാശപ്പെടേണ്ടതില്ല. പശ്ചാത്തലത്തിലെ വെളിച്ചം അല്പം മാറ്റിയോ, ആവശ്യമില്ലാത്ത വസ്തുക്കൾ ഒഴിവാക്കണമെന്ന് നിർദ്ദേശിച്ചോ ചെറിയ തിരുത്തലുകൾ വരുത്തി വീണ്ടും ശ്രമിക്കുന്നത് ഫലം കൂടുതൽ മെച്ചപ്പെടുത്തും. അതേസമയം വളരെ നീളമുള്ള നിർദ്ദേശങ്ങൾ എഴുതി നിറച്ചാൽ ചിത്രം എപ്പോഴും മികച്ചതാകണം എന്നില്ല; പ്രധാനപ്പെട്ട കാര്യങ്ങൾ വ്യക്തമായി പറയുന്നതാണ് അനാവശ്യ വാക്കുകൾ വാരിവിതറുന്നതിനേക്കാൾ മികച്ച ഫലം നൽകുന്നത്.

എഐ ചിത്രങ്ങളിലെ പിഴവുകളും ശ്രദ്ധിക്കേണ്ട പരിമിതികളും

ഈ സാങ്കേതികവിദ്യ അതിവേഗം വികസിക്കുന്നുണ്ടെങ്കിലും, ഇന്നും സ്ഥിരമായി കാണുന്ന ചില പരിമിതികൾ ഇതിലുണ്ട്. ചിത്രങ്ങൾക്കുള്ളിൽ വരുന്ന ബോർഡുകളിലെയും കടകളുടെ പേരുകളിലെയും അക്ഷരങ്ങൾ പലപ്പോഴും വായിക്കാൻ കഴിയാത്ത വിചിത്രമായ അക്ഷരക്കൂട്ടങ്ങളായാണ് വരുന്നത്. അതുപോലെ തന്നെ മനുഷ്യ ശരീരത്തിന്റെ സൂക്ഷ്മമായ ഘടനകൾ—പ്രത്യേകിച്ച് കൈവിരലുകൾ, നഖങ്ങൾ, കണ്ണടയുടെ വശങ്ങൾ, സൈക്കിൾ സ്പോക്കുകൾ തുടങ്ങിയ സമമിതിയുള്ള രൂപങ്ങൾ—കൃത്യമായി വരയ്ക്കാൻ മോഡലുകൾ പലപ്പോഴും വിഷമിക്കാറുണ്ട്. കമ്പ്യൂട്ടറിന് ഭൗതികശാസ്ത്ര നിയമങ്ങളോ ജീവശാസ്ത്രപരമായ സവിശേഷതകളോ സ്വന്തമായി അറിയില്ല എന്നതിനാലാണ് ഇത്തരം പാകപ്പിഴകൾ സംഭവിക്കുന്നത്.

ഉപയോഗിക്കുമ്പോൾ ഓർക്കേണ്ട കാര്യങ്ങൾ

അതുകൊണ്ട് തന്നെ പ്രധാനപ്പെട്ട ആവശ്യങ്ങൾക്കോ ഔദ്യോഗിക രേഖകൾക്കോ എഐ ചിത്രങ്ങൾ തിരഞ്ഞെടുക്കുമ്പോൾ സൂം ചെയ്തു പരിശോധിച്ച് അസ്വാഭാവികമായ ആകൃതികളോ വികലമായ ഭാഗങ്ങളോ ഇല്ലെന്ന് ഉറപ്പുവരുത്തുന്നത് നല്ലൊരു ശീലമാണ്. വെളിച്ചം വരുന്ന ദിശയും വീഴുന്ന നിഴലുകളും തമ്മിൽ പൊരുത്തക്കേടുകൾ ഉണ്ടോ എന്ന് നോക്കുന്നത് കൃത്രിമത്വം തിരിച്ചറിയാൻ സഹായിക്കും. കൂടാതെ, മനുഷ്യരായ ലക്ഷക്കണക്കിന് ചിത്രകാരന്മാരുടെയും ഫോട്ടോഗ്രാഫർമാരുടെയും അധ്വാനത്തിൽ നിന്നാണ് ഈ കമ്പ്യൂട്ടർ മോഡലുകൾ പഠിച്ചെടുത്തത് എന്ന വസ്തുതയും നാം വിസ്മരിക്കരുത്. സ്വന്തം ആശയങ്ങൾക്ക് ചിറകു നൽകാൻ ഈ ഉപകരണങ്ങൾ ഉപയോഗിക്കുമ്പോഴും, കലയുടെയും സൃഷ്ടിപരമായ അധ്വാനത്തിന്റെയും മൂല്യം നാം തിരിച്ചറിയേണ്ടതുണ്ട്.