اوپن اے آئی کے ویڈیو ماڈلز: کمپیوٹر ایک جملے سے حقیقت جیسی حرکت کیسے بنا لیتا ہے؟

فرض کریں آپ نے ایک جملہ لکھا: ایک بلی دھوپ میں بیٹھی ہے اور اس کی دم آہستہ آہستہ ہل رہی ہے۔ آپ نے یہ جملہ ایک ویب صفحے پر لکھا اور 'بنائیں' کا بٹن دبا دیا۔ چند لمحوں بعد سکرین پر ایک چلتی تصویر آ جاتی ہے جس میں بلی واقعی بیٹھی ہے اور اس کی دم واقعی ہل رہی ہے۔ نہ کوئی کیمرہ تھا، نہ کوئی اداکار۔ یہ سب کمپیوٹر نے خود بنایا۔

یہ کام کرنے والا سسٹم اوپن اے آئی کے ویڈیو ماڈلز کا حصہ ہے، جسے آپ sora.com پر استعمال کر سکتے ہیں۔ سوال یہ ہے کہ ایک جملہ آخر ایک چلتی تصویر میں کیسے بدل جاتا ہے؟ اس کا جواب جاننے کے لیے ہمیں تین چیزوں کو سمجھنا ہو گا: سسٹم کیا پڑھتا ہے، اندر کیا کرتا ہے، اور باہر کیا دیتا ہے۔

جملے کو ٹکڑوں میں بانٹنا

پہلا قدم یہ ہے کہ آپ کے جملے کو چھوٹے چھوٹے حصوں میں تقسیم کیا جائے۔ سسٹم ہر لفظ کو ایک عددی کوڈ میں بدل دیتا ہے، جیسے ہر لفظ کو ایک خاص نمبر مل جائے۔ اس کے بعد یہ کوڈ ایک ایسے نقشے میں داخل ہوتے ہیں جو الفاظ کے آپس کے تعلق کو سمجھتا ہے، یعنی یہ کہ 'بلی' اور 'دھوپ' کا تعلق کیا ہے اور 'دم' کس چیز سے جڑی ہے۔

شور سے تصویر تک کا سفر

اب دوسرا مرحلہ شروع ہوتا ہے۔ سسٹم خالی سکرین سے نہیں شروع کرتا بلکہ ایک بے ترتیب شور سے شروع کرتا ہے، ایسے ہی جیسے ٹی وی پر بغیر چینل کے برقی نقطے چلتے رہتے ہیں۔ پھر وہ قدم بہ قدم اس شور کو صاف کرتا جاتا ہے۔ ہر قدم میں وہ اپنے جملے کی ہدایت کو دیکھتا ہے اور شور کو اس کے مطابق ڈھالتا جاتا ہے۔

یہ طریقہ 'ڈفیوژن' (diffusion) کہلاتا ہے۔ اسے یوں سمجھیں کہ ایک دھندلی تصویر پر آپ بار بار صاف کرنے والا کپڑا پھیر رہے ہیں، اور ہر بار کچھ نہ کچھ واضح ہو رہا ہے۔ جب یہ عمل کئی بار دہرایا جاتا ہے تو آخر میں ایک واضح تصویر بن جاتی ہے۔ ویڈیو میں یہی عمل ہر فریم پر ہوتا ہے، اور سسٹم یہ بھی دیکھتا ہے کہ ایک فریم سے دوسرے فریم میں کیا تبدیل ہو رہا ہے۔

یہ سسٹم کیا سیکھتا ہے؟

یہ ماڈل لاکھوں ویڈیوز دیکھ کر تیار کیا جاتا ہے۔ ان ویڈیوز میں وہ چیزیں ہوتی ہیں جو عام زندگی میں روز دیکھنے کو ملتی ہیں: لوگ چلتے ہوئے، پانی بہتا ہوا، دروازے کھلتے ہوئے، روشنی بدلتے ہوئے۔ سسٹم ان سب کو دیکھ کر اندازہ لگاتا ہے کہ کون سی چیز کس کے بعد آتی ہے۔

اس سیکھنے کی بدولت سسٹم کچھ چیزیں خود بخود سنبھال لیتا ہے۔ مثلاً اگر کوئی شخص سکرین سے غائب ہو جائے اور پھر واپس آئے تو اس کے کپڑے اور چہرہ ویسے ہی رہتے ہیں۔ اسے 'آبجیکٹ پرسسٹنس' (object persistence) کہتے ہیں، یعنی چیزوں کا اپنا وجود برقرار رکھنا۔ اسی طرح سسٹم کیمرے کی حرکت بھی سمجھتا ہے، جیسے کیمرہ اوپر اٹھ رہا ہے یا آگے بڑھ رہا ہے۔

کہاں یہ سسٹم ٹھوکر کھاتا ہے؟

یہ سسٹم حیرت انگیز کام کرتا ہے، مگر یہ فزکس کا کوئی استاد نہیں۔ وہ صرف یہ جانتا ہے کہ عام ویڈیوز میں کیا ہوتا دکھائی دیتا ہے، یہ نہیں کہ اصل میں کیوں ہوتا ہے۔ اسی لیے کبھی کبھی وہ ایسی حرکتیں بنا دیتا ہے جو حقیقت میں ممکن نہیں ہوتیں۔

• کوئی شخص پیچھے کی طرف چل رہا ہو مگر اس کے قدموں کی حرکت آگے کی طرف ہو۔
• شیشہ ٹوٹنے سے پہلے ہی ٹوٹا ہوا دکھائی دے، یعنی ٹکر کا اثر پہلے اور ٹکر بعد میں آئے۔
• پانی یا دھواں ایسی سمت میں بہہ رہا ہو جو ہوا کی سمت سے مطابقت نہ رکھتا ہو۔
• ہاتھ کی انگلیاں یا چہرے کے باریک حصے ایک فریم سے دوسرے فریم میں بدل جائیں۔

بنائی ہوئی ویڈیو کی پہچان

چونکہ یہ ویڈیوز حقیقت سے ملتی جلتی ہوتی ہیں، اس لیے یہ ضروری ہے کہ کسی کو دھوکہ نہ دیا جائے۔ اس مقصد کے لیے بنائی گئی ویڈیوز میں کچھ نشانات شامل کیے جاتے ہیں۔ انہیں 'سی ٹو پی اے' (C2PA) میٹا ڈیٹا کہا جاتا ہے، یعنی فائل کے اندر چھپی ہوئی وہ معلومات جو بتاتی ہیں کہ یہ ویڈیو کس نے اور کیسے بنائی۔ اس کے علاوہ کچھ نظر آنے والے اور کچھ نہ نظر آنے والے واٹر مارکس بھی شامل کیے جاتے ہیں۔

یہ سب کس کام آتا ہے؟

یہ ٹیکنالوجی صرف تفریح کا ذریعہ نہیں۔ فلم اور اشتہار بنانے والے اسے منظر کے خاکے تیار کرنے کے لیے استعمال کرتے ہیں، تاکہ مہنگی شوٹنگ سے پہلے دیکھا جا سکے کہ منظر کیسا لگے گا۔ تعلیم میں مشکل تصورات کو چلتے ہوئے منظر کی صورت میں دکھایا جا سکتا ہے۔ کھیلوں کی تربیت میں مختلف حرکات کے نمونے بنائے جا سکتے ہیں۔

خلاصہ یہ کہ یہ سسٹم جادو نہیں بلکہ شماریاتی حساب کتاب کا کمال ہے۔ یہ شور سے ویڈیو بناتا ہے، لیکن حقیقت اور فزکس کی باریکیوں کے لیے انسانی بصیرت اور تصدیق ہمیشہ ضروری رہے گی۔