दुनिया सपाट नहीं है
एआई ने दुनिया को सपाट तस्वीरों से जाना। दराज़ की ओर हाथ बढ़ाते रोबोट को गहराई चाहिए, जो बच्चे को दो आँखों और एक हाथ से मिलती है।

तिरसठ मिलीमीटर। किसी वयस्क की दोनों पुतलियों के बीच लगभग इतनी ही दूरी होती है। इसी फ़ासले की वजह से हर आँख को थोड़ी अलग तस्वीर मिलती है, और दिमाग़ इस फ़र्क़ को गहराई के बोध में बदल देता है। फ़ोटो इन दोनों में से एक तस्वीर रखती है और दूसरी फेंक देती है।
एआई ने देखना फ़ोटो से सीखा। इमेज मॉडल ट्रेन करने के लिए 2022 में जारी किए गए खुले डेटासेट LAION-5B में कैप्शन वाली 5.85 अरब तस्वीरें हैं, और उनमें से हर एक सपाट है। तब से उद्योग वर्ल्ड मॉडल की ओर बढ़ चुका है, यानी ऐसे सिस्टम जो भौतिक जगह को इतनी अच्छी तरह समझें कि उसमें काम कर सकें, और उन्हें भी वही ख़ुराक दी जा रही है। उद्योग मशीनों को एक ऐसी दुनिया के बारे में सिखा रहा है जिसे उन्होंने हमेशा एक आँख बंद करके ही देखा है। फिर वह हैरान होता है कि रोबोट दराज़ के आगे लड़खड़ाता क्यों है।
कैमरा जोड़ने की मशीन है। हर पिक्सेल लेंस से होकर उस तक पहुँचने वाली रोशनी को जोड़ता है और एक चमक दर्ज कर लेता है। हर किरण किस दिशा से आई थी, यह उसी पल खो जाता है, और उसके साथ दृश्य की ज्यामिति भी। लेंस के पास रखी खिलौना कार और सड़क के उस पार खड़ी असली कार एक ही पिक्सेलों पर पड़ सकती हैं।
लाइट फ़ील्ड दिशा भी सँभालकर रखता है। 1996 में स्टैनफ़र्ड के मार्क लेवॉय और पैट हैनरहन ने इसे परिभाषित किया था: “किसी बिंदु पर, किसी दी गई दिशा में दीप्ति।” दर्ज कीजिए कि रोशनी कितनी तेज़ है और कहाँ से आती है, तो तस्वीर में उसकी गहराई बनी रहती है।
मैं लाइट फ़ील्ड तक इस शोध के रास्ते पहुँचा कि दो आँखें गहराई कैसे बनाती हैं। मैं ऐसी तस्वीरें चाहता था जो गहराई को बचाए रखें। उपभोक्ता बाज़ार के इरादे कुछ और थे। 2006 में बनी Lytro ने एक लाइट फ़ील्ड कैमरा बेचा, जिसका ख़ास करतब था खींची जा चुकी तस्वीर का फ़ोकस बाद में बदलना, और 2018 में कंपनी बंद हो गई। तकनीक में कोई ख़राबी नहीं थी। ग्राहक ग़लत था। दो आँखों वाले लोगों को यह बताने के लिए कैमरे की ज़रूरत नहीं कि चीज़ें कहाँ हैं। मशीन को है।

गहराई के बोध को हाथ चाहिए
Google DeepMind ने अगस्त 2025 में Genie 3 को हर तरह के काम के लिए बने एक वर्ल्ड मॉडल के तौर पर पेश किया और कहा कि यह रोबोटों को ट्रेनिंग के लिए एक विशाल जगह दे सकता है। यह अपनी दुनियाएँ 720p पर, 24 फ़्रेम प्रति सेकंड की रफ़्तार से रेंडर करता है। मॉडल अंदर से जो भी जानता हो, वह जो दिखाता है, वह एक चलती हुई सपाट तस्वीर है। जब भी कैमरा चलता है, वीडियो में दूसरा दृष्टिकोण ज़रूर आ जाता है, पर किसी ने यह दर्ज नहीं किया कि कैमरा कहाँ गया, इसलिए उसका भी अंदाज़ा ही लगाना पड़ता है।
मनोविज्ञान ने निर्णायक प्रयोग 1963 में किया। रिचर्ड हेल्ड और एलन हाइन ने बिल्ली के बच्चों के दस जोड़े एक हिंडोले में रखे। हर जोड़े में से एक बच्चा चलता था, और दूसरा एक गोंडोला में सवार रहता था जिसे पहला खींचता था, इसलिए दोनों रोज़ उन्हीं तीन घंटों तक वही धारीदार दीवारें देखते थे। चलने वाले बच्चों ने देखकर पंजे जमाना सीख लिया और दृश्य खाई वाले प्रयोग में हर बार उथली तरफ़ चुनी। सवारी करने वालों ने ठीक वही देखा जो चलने वालों ने देखा, और इससे उन्हें ख़ास फ़ायदा नहीं हुआ।
इस सबूत के हिसाब से देखना एक क्रिया है जिसे जानवर ख़ुद करता है, और सिर्फ़ ताकते रहना उसका कमज़ोर विकल्प है। बच्चे को पूरा सामान मुफ़्त मिलता है: दो दृष्टिकोण और एक हाथ। आँखें हाथ को बताती हैं कि कहाँ जाना है, और हाथ आँखों को बताता है कि वे सही थीं या नहीं। रोबोट बनाने वाले यह जानते हैं और अपनी मशीनों पर डेप्थ सेंसर कस देते हैं। जिन मॉडलों से समझ आनी है, वे फिर भी सपाट तस्वीरों पर पले हैं।
एक तस्वीर से गहराई
सॉफ़्टवेयर गुम हुए आयाम का एक हिस्सा हिसाब लगाकर वापस ला सकता है। एक तस्वीर से गहराई का अनुमान लगाने की तकनीक, जिसे मोनोक्युलर डेप्थ एस्टिमेशन कहते हैं, बहुत अच्छी हो चुकी है। 2024 में प्रकाशित Depth Anything V2 एक अकेली तस्वीर से ऐसा डेप्थ मैप बना देता है जो सच्चा लगता है, और Apple का Depth Pro 0.3 सेकंड में असली दूरियों वाला डेप्थ मैप लौटा देता है। अगर मॉडल के लिए एक आँख काफ़ी होती, तो सपाट तस्वीरों का संग्रह कोई कमी नहीं होता।

देखिए कि इन मॉडलों को सिखाया कैसे गया। Depth Anything V2 ने 5,95,000 सिंथेटिक तस्वीरों से सीखा, जो ऐसे त्रि-आयामी दृश्यों से रेंडर की गई थीं जिनमें हर पिक्सेल की गहराई पता होती है, और फिर उसके शिक्षक मॉडल ने छात्र मॉडलों के लिए 6.2 करोड़ असली तस्वीरों पर लेबल लगाए। तीसरा आयाम शुरू से कमरे में मौजूद था। किसी को उसे मुहैया कराना पड़ा।
मॉडल अपनी तरफ़ से जो जोड़ता है, वह है याददाश्त। ज्यामिति के लिहाज़ से एक अकेली तस्वीर अस्पष्ट होती है, इसलिए मॉडल इस कमी को इस जानकारी से भरता है कि दरवाज़े और कुर्सियाँ आम तौर पर कितने बड़े होते हैं। यह उन चीज़ों के लिए काम करता है जिनसे वह पहले मिल चुका है, और उन तस्वीरों के लिए जो देखने के लिए बनी हैं। दीवार पर टँगी किसी गलियारे की फ़ोटो एक स्थिर आँख तक वही तस्वीर भेजती है जो ख़ुद गलियारा भेजता। एक आँख वाला इंसान सिर हिलाकर और हाथ बढ़ाकर यह मामला सुलझा लेता है।
रोबोट का काम आख़िरी कुछ सेंटीमीटर में होता है, जहाँ हैंडल दराज़ के सामने वाले हिस्से से उभरा होता है और उँगलियों को उस पर बंद होना होता है। जिस अंदाज़े से सुंदर डेप्थ मैप बनता है, वह वहाँ कमज़ोर रहनुमा है। हेल्ड और हाइन के सवारी करने वाले बच्चों ने हर वह धारी देखी जो चलने वालों ने देखी। दृश्य खाई पर वे गहरी और उथली तरफ़ में फ़र्क़ नहीं कर पाए।
Rea Stark ज़्यूरिख के इंडस्ट्रियल डिज़ाइनर और संस्थापक हैं। उन्होंने Sony और Nespresso के लिए डिज़ाइन किया, Piëch Automotive और Archaí Physics की सह-स्थापना की, और वे इस पर काम करते हैं कि मशीनें भौतिक दुनिया को कैसे समझती और सँभालती हैं। Rea Stark के बारे में
इस लेख की तस्वीरें एआई से बनाई गई हैं।