એક વાક્ય લખો, વિડિયો તૈયાર: કમ્પ્યુટર ગુરુત્વાકર્ષણ અને હલનચલન કેવી રીતે સમજે છે?

તમે લખો છો: 'ગીરના જંગલમાં સૂર્યાસ્ત સમયે સિંહ ધીમે ચાલી રહ્યો છે.' થોડી ક્ષણોમાં સ્ક્રીન પર એક સળંગ વિડિયો દેખાય છે. પણ આ દૃશ્ય કમ્પ્યુટરે ક્યાંયથી કાપીને ચોંટાડ્યું નથી. તેણે શબ્દોને સમજીને, ચિત્રના ટુકડાઓને સમય સાથે જોડીને, એક નવો દૃશ્ય રચ્યો છે. આ લેખમાં આપણે જોઈએ કે આ પ્રક્રિયા કેવી રીતે ચાલે છે અને કમ્પ્યુટર ગુરુત્વાકર્ષણ જેવી વસ્તુઓ કેવી રીતે અંદાજે છે.

ચિત્રના ટુકડા અને સમયની ગોઠવણ

કમ્પ્યુટર વિડિયોને સીધો સમજતું નથી. તે પહેલા દરેક ચિત્રને નાના ચોરસ ટુકડાઓમાં વહેંચે છે, જેમને 'પેચ' કહેવાય છે. પછી આ ટુકડાઓને સમયની સાથે જોડીને એક લાંબી શ્રેણી બનાવે છે. આ શ્રેણીમાં દરેક ટુકડો જાણે કહે છે: 'હું અહીં છું, અને આગળના ક્ષણમાં મારે ક્યાં જવું છે.' આ રીતે કમ્પ્યુટર ચિત્ર અને સમય બંનેને એકસાથે ધ્યાનમાં રાખે છે.

આ પદ્ધતિને 'ડિફ્યુઝન ટ્રાન્સફોર્મર' (Diffusion Transformer) કહેવાય છે. ડિફ્યુઝન એટલે ધૂંધળાપણું ધીમે ધીમે સાફ કરવાની રીત. ટ્રાન્સફોર્મર એટલે ટુકડાઓ વચ્ચેનો સંબંધ સમજવાની રીત. બંને મળીને કમ્પ્યુટરને કહે છે કે કયો ટુકડો ક્યાં જોડવો અને કેવી રીતે હલાવવો. તાલીમ દરમિયાન કમ્પ્યુટરને હજારો વિડિયો બતાવવામાં આવે છે, જેથી તે શીખે કે દડો નીચે પડે, પાણી વહે, અથવા પાનું હલે ત્યારે ચિત્ર કેવું બદલાય.

ગુરુત્વાકર્ષણ અને સ્થિરતા કેવી રીતે અંદાજાય છે?

કમ્પ્યુટરને ભૌતિકશાસ્ત્રના નિયમો યાદ નથી હોતા. તે ફક્ત એ જોવે છે કે પાછલા વિડિયોમાં જ્યારે વસ્તુ ઉપરથી નીચે પડી હતી, ત્યારે ચિત્ર કેવું બદલાયું હતું. આ અનુભવના આધારે તે નવા દૃશ્યમાં પણ એ જ પ્રકારની હલનચલન રચે છે. આથી તે દડાને નીચે પડતો બતાવે છે, પાણીને વહેતું બતાવે છે, અને પવનમાં વાદળોને ખસેડે છે. પણ આ ફક્ત અંદાજ છે, સાચી ભૌતિક ગણતરી નથી.

એટલે જ ક્યારેક ભૂલો થાય છે. દાખલા તરીકે, કાચનો ટુકડો જમીનને અડે તે પહેલા જ તૂટી જાય, અથવા વ્યક્તિ પાછળ ચાલતી દેખાય. આવી ભૂલો દર્શાવે છે કે કમ્પ્યુટર દૃશ્યને યાદ રાખીને રચે છે, ભૌતિક નિયમો લાગુ કરતું નથી. આ સમજવાથી તમે વિડિયો જોતી વખતે એ ધ્યાનમાં રાખી શકો કે દરેક દૃશ્ય સાચું હોવું જરૂરી નથી.

વ્યવહારમાં આ સાધન કેવી રીતે વપરાય છે?

sora.com પર જઈને, ઓપનએઆઈ ખાતાથી લોગિન કરીને, તમે તમારું લખાણ લખી શકો છો. લખાણમાં પ્રકાશ, કેમેરાની ગતિ અને દૃશ્યની શૈલી જણાવવાથી પરિણામ વધુ સચોટ આવે છે. દાખલા તરીકે, 'સવારના પ્રકાશમાં, ધીમે ડ્રોન કેમેરાથી, લીલા ખેતર ઉપરથી ઉડતું દૃશ્ય' લખવાથી કમ્પ્યુટરને દિશા મળે છે. આ સાધન ચેટજીપીટી પ્લસ અને પ્રો ગ્રાહકો માટે ઉપલબ્ધ છે.

• લખાણમાં દૃશ્ય, પ્રકાશ અને ગતિ સ્પષ્ટ જણાવો, જેથી કમ્પ્યુટર ઓછું અનુમાન કરે.
• ટૂંકા દૃશ્યથી શરૂ કરો અને પછી ધીમે ધીમે લાંબા વિડિયો તરફ જાઓ.
• બનાવેલા વિડિયોમાં પદાર્થોની સ્થિરતા અને હલનચલન ધ્યાનથી જુઓ, કારણ કે ભૂલો સંભવિત છે.
• જાહેરમાં વાપરતા પહેલા ખાતરી કરો કે વિડિયોમાં કોઈ ભ્રામક કે ખોટી માહિતી નથી.

આ સાધન ઝડપથી બદલાઈ રહ્યું છે, અને તેની સાથે તેની મર્યાદાઓ પણ. કમ્પ્યુટર જે રચે છે તે અંદાજ છે, સાચી ઘટના નથી. એટલે વિડિયો જોતી વખતે થોડી શંકા રાખવી સારી. જો દૃશ્ય શંકાસ્પદ લાગે, તો તેને સાચું માનીને આગળ વધવાને બદલે બીજા સ્રોતમાંથી ચકાસો. આ રીતે તમે આ ટેકનોલોજીનો આનંદ પણ લઈ શકો અને ભૂલોથી બચી પણ શકો.