जिस AI का आप पहले से इस्तेमाल कर रहे थे वह चीज़ों को छांटता था। जनरेटिव AI चीज़ें बनाता है
बीस साल तक, रोज़मर्रा की ज़िंदगी में मौजूद AI अदृश्य था और वह क्लासिफाई करता था। स्पैम फिल्टर तय करता था कि स्पैम है या नहीं। फोटो ऐप तय करता था कि कौन सा चेहरा किसका है। बैंक तय करता था कि धोखाधड़ी है या नहीं। रिकमेंडेशन इंजन तय करता था कि आगे क्या दिखाना है। इनमें से हर एक कोई मौजूद चीज़ लेता है और उस पर एक लेबल या स्कोर लगाता है। AI क्या है इस बड़े परिवार को कवर करता है।
जनरेटिव AI दिशा को उलट देता है। इमेज लेकर "बिल्ली" आउटपुट देने के बजाय, यह "शाम के समय खिड़की पर बैठी एक बिल्ली" लेता है और एक इमेज आउटपुट करता है। किसी ईमेल को स्कोर करने के बजाय, यह एक ईमेल लिखता है। मॉडल ने लाखों उदाहरणों के पैटर्न इतनी अच्छी तरह सीखे हैं कि वह एक नया उदाहरण बना सके जो उन पैटर्न में फिट बैठे।
यही उलटफेर इस टेक्नोलॉजी के आम जनता तक पहुंचने की पूरी वजह है। क्लासिफिकेशन किसी और के प्रोडक्ट के अंदर एक फीचर होता है। जनरेशन अपने आप में एक प्रोडक्ट है: एक रिक्वेस्ट टाइप करो, एक चीज़ पाओ। ChatGPT 30 नवंबर 2022 को लॉन्च हुआ और जनवरी 2023 तक, यानी लॉन्च के दो महीने बाद, इसके अनुमानित 10 करोड़ मासिक सक्रिय यूज़र्स तक पहुंचने की बात Reuters द्वारा 1 फरवरी 2023 को रिपोर्ट की गई UBS की एक एनालिसिस में कही गई, जो उस समय तक की सबसे तेज़ी से बढ़ने वाली कंज़्यूमर एप्लिकेशन थी, क्योंकि पहली बार मॉडल का आउटपुट ही असली बात थी।
इसके बाद जो हुआ वह कोई धीमी रफ्तार नहीं थी। मॉडल रिलीज़ टाइमलाइन उस दिन के बाद से 41 बड़े लॉन्च को ट्रैक करती है, और इनमें से 31 2025 और 2026 में हुए। नारंगी रंग किसी रीज़निंग मॉडल या थिंकिंग मोड के साथ आने वाली फैमिली को दिखाता है; शेड किया गया हिस्सा o1-preview से शुरू होता है।
हर जनरेटिव मॉडल यह सीखता है कि एक विश्वसनीय उदाहरण कैसा दिखता है, फिर एक बनाता है
हर जनरेटिव मॉडल को मूल रूप से एक ही तरीके से ट्रेन किया जाता है: उसे बहुत बड़ी संख्या में उदाहरण दिखाओ और उसे यह सिखाओ कि एक विश्वसनीय उदाहरण कैसा दिखता है। फिर, इस्तेमाल के समय, उससे एक नया सैंपल बनाने को कहा जाता है जो पैटर्न और प्रॉम्प्ट दोनों में फिट बैठे।
टेक्स्ट के लिए, मॉडल अगला टोकन प्रेडिक्ट करना सीखता है, और एक-एक टोकन करके जवाब जनरेट करता है। LLM क्या है इसका पूरा विवरण देता है। इमेज और वीडियो के लिए, सबसे आम तरीका डिफ्यूज़न है: मॉडल यह सीखता है कि एक तस्वीर से छोटे-छोटे चरणों में नॉइज़ कैसे हटाई जाए, और जनरेशन के समय यह शुद्ध नॉइज़ से शुरू होकर चरण दर चरण उसे हटाता है, जबकि एक टेक्स्ट डिस्क्रिप्शन यह तय करता है कि क्या उभरेगा। ज़्यादातर इमेज मॉडल जिस रेसिपी का इस्तेमाल करते हैं वह Ho, Jain और Abbeel का 2020 का Denoising Diffusion Probabilistic Models पेपर है; जिस तरीके की जगह इसने ली, यानी जनरेटिव एडवर्सेरियल नेटवर्क्स, वह Goodfellow वगैरह के 2014 के काम से आता है। म्यूज़िक जनरेटर ज़्यादातर इन दोनों में से एक तरीका उधार लेते हैं।
याद रखने वाली बात यह है कि ये सभी वह बनाते हैं जो फिट बैठे, न कि जो सच हो। एक टेक्स्ट मॉडल एक ऐसा साइटेशन बनाएगा जो साइटेशन के आकार में फिट बैठता हो। एक इमेज मॉडल ऐसा हाथ बनाएगा जो हाथों के पैटर्न में फिट बैठे, कभी-कभी छह उंगलियों के साथ। यह रवानी और यह गलतियां एक ही जगह से आती हैं, और AI हैलुसिनेशन क्या है इसके टेक्स्ट वाले वर्शन को विस्तार से कवर करता है।
चार माध्यम, चार तरह के मॉडल, एक विंडो
2022 में जनरेटिव AI का मतलब टेक्स्ट था और, अलग से, इमेज। 2026 तक एक ही चैट प्रोडक्ट चार तरह के जनरेटर तक रूट करता है, और हर एक के पीछे का मॉडल अलग है।
| माध्यम | आप क्या टाइप करते हैं | जवाब में क्या मिलता है | मॉडल का प्रकार | Whizi पिकर में उदाहरण |
|---|---|---|---|---|
| टेक्स्ट और कोड | एक सवाल या निर्देश | गद्य, एक टेबल, एक प्रोग्राम | लैंग्वेज मॉडल | GPT, Claude, Gemini, DeepSeek और 280+ अन्य |
| इमेज | एक डिस्क्रिप्शन, या एक तस्वीर और एक एडिट | एक नई या एडिट की गई इमेज | डिफ्यूज़न मॉडल | Whizi Image, Nano Banana, Flux, Stable Diffusion |
| वीडियो | एक डिस्क्रिप्शन या एक शुरुआती इमेज | एक छोटा क्लिप | वीडियो डिफ्यूज़न मॉडल | Whizi Video AI |
| म्यूज़िक | एक स्टाइल, एक मूड, कभी-कभी लिरिक्स | एक ऑडियो ट्रैक | ऑडियो जनरेशन मॉडल | Whizi Music AI |
इसके पीछे का प्रोडक्ट फैसला यह है कि इन्हें अलग-अलग तरीके से मीटर किया जाता है क्योंकि इन्हें चलाने की लागत अलग-अलग है। एक टेक्स्ट जवाब एक सेंट के एक हिस्से जितना ही होता है। इमेज का एक अलग काउंटर है। वीडियो और म्यूज़िक सबसे महंगी पंक्तियां हैं और टॉप प्लान में आती हैं।
Whizi credits कैसे काम करते हैं के अनुसार, इमेज जनरेशन Starter में शामिल नहीं है, Pro में महीने में 100 और Powerhouse में महीने में 500 मिलता है, और वीडियो व म्यूज़िक जनरेशन Powerhouse के फीचर हैं। एक टेक्स्ट जवाब और एक वीडियो क्लिप के बीच का फासला असल में 500 टोकन जनरेट करने और कुछ सेकंड के फ्रेम जनरेट करने के बीच का फासला है, और कीमत उसी कंप्यूट के हिसाब से तय होती है।
जनरेटिव AI किस काम में अच्छा है, और इसकी असली सीमा क्या है
यह किसी भी जानी-पहचानी शक्ल वाली चीज़ के पहले ड्राफ्ट में अच्छा है: एक ईमेल, एक सारांश, एक फंक्शन, एक प्रोडक्ट फोटो, एक बैकग्राउंड ट्रैक। यह ट्रांसफॉर्मेशन में अच्छा है, यानी किसी मौजूद चीज़ को लेकर उसे किसी और रूप में बनाना: अनुवादित, छोटा किया गया, किसी अलग पाठक के लिए फिर से लिखा गया, फिर से स्टाइल किया गया। और यह वॉल्यूम में अच्छा है, जहां एक इंसान दो वेरिएंट बनाएगा वहां यह बीस बना देता है।
यह तीन चीज़ों में, अपनी बनावट के कारण, कमज़ोर है। जो तथ्य इसे नहीं दिए गए हैं, क्योंकि यह वह बनाता है जो फिट बैठे, न कि जो सही हो। लॉन्ग टेल में सटीकता: छठी उंगली, वह कोड जो कंपाइल तो होता है पर गलत काम करता है। और यह जज करना कि आउटपुट अच्छा है या नहीं, यह ज़िम्मेदारी पूछने वाले इंसान के पास ही रहती है। AI इस्तेमाल करने का तरीका बताने वाली गाइड इन सीमाओं के अंदर काम करने का व्यावहारिक वर्शन है।
फैसले का नियम यह है: जनरेटिव AI तब सही टूल है जब आप एक अच्छे नतीजे को उसे बनाने से ज़्यादा तेज़ी से पहचान सकते हैं। अगर आप अच्छे और बुरे आउटपुट में फर्क नहीं कर सकते, तो अभी यह उस काम के लिए सही टूल नहीं है।
जनरेटिव AI, मशीन लर्निंग की एक शाखा है, जो खुद AI की एक शाखा है
आर्टिफिशियल इंटेलिजेंस एक छाता शब्द है: कोई भी सॉफ्टवेयर जो ऐसा कुछ करता हो जिसे हम इंटेलिजेंट कहें अगर कोई इंसान करता। मशीन लर्निंग वह तरीका है जिसे ज़्यादातर आधुनिक AI इस्तेमाल करता है, यानी नियम प्रोग्राम किए जाने के बजाय डेटा से सीखे जाते हैं। जनरेटिव AI, मशीन लर्निंग की वह शाखा है जिसका आउटपुट नया कंटेंट होता है। एक बड़ा लैंग्वेज मॉडल टेक्स्ट के लिए जनरेटिव मॉडल है। एक चैटबॉट इसके इर्द-गिर्द बना एक ऐप है। हर एक अपने से पहले वाले का ही एक सब-सेट है, और AI शब्दावली में सारे शब्द एक ही जगह पर मिल जाते हैं।
व्यावहारिक तरीका यह है: जब कोई प्रोडक्ट कहता है कि वह "AI इस्तेमाल करता है", तो पूछो किस तरह का। अगर यह छांटता, रैंक करता या प्रेडिक्ट करता है, तो यह पुराना तरीका है और शायद अच्छे से काम करता है। अगर यह जनरेट करता है, तो यह नया तरीका है और इसे किसी इंसान के आउटपुट चेक करने की ज़रूरत होती है।
- यह जांचें कि कोई प्रोडक्ट क्लासिफाई करता है या जनरेट करता है; सिर्फ दूसरे वाले प्रकार के आउटपुट को चेक करने की ज़रूरत होती है
- जनरेटिव AI का इस्तेमाल जानी-पहचानी शक्ल वाली चीज़ों के पहले ड्राफ्ट और ट्रांसफॉर्मेशन के लिए करें
- जनरेट किए गए टेक्स्ट में किसी भी तथ्य, नंबर या साइटेशन को किसी ऐसे सोर्स से जांचें जिसे आप खोल सकते हैं
- डिटेल में सटीकता की गलतियों की उम्मीद रखें: हाथ और कोड में एज केस
- माध्यम को प्लान से मैच करें: टेक्स्ट हर जगह सस्ता है, इमेज और वीडियो अलग से मीटर होते हैं
अक्सर पूछे जाने वाले सवाल
AI और जनरेटिव AI में क्या फर्क है?
AI एक छाता शब्द है उस सॉफ्टवेयर के लिए जो वे काम करता है जिन्हें हम इंटेलिजेंस से जोड़ते हैं। 2022 से पहले का ज़्यादातर AI क्लासिफाई, रैंक या प्रेडिक्ट करता था: स्पैम फिल्टर, फेस रिकग्निशन, रिकमेंडेशन इंजन। जनरेटिव AI वह शाखा है जो उदाहरणों के पैटर्न सीखकर और उनमें फिट बैठने वाले नए सैंपल जनरेट करके टेक्स्ट, इमेज, वीडियो और म्यूज़िक जैसा नया कंटेंट बनाती है।
जनरेटिव AI के उदाहरण क्या हैं?
टेक्स्ट और कोड के लिए ChatGPT, Claude और Gemini; Flux, Stable Diffusion और Nano Banana जैसे इमेज जनरेटर; वे वीडियो जनरेटर जो एक डिस्क्रिप्शन या एक स्थिर इमेज को क्लिप में बदल देते हैं; और वे म्यूज़िक जनरेटर जो एक स्टाइल और मूड से ट्रैक बनाते हैं। Whizi जैसा मल्टी-मॉडल वर्कस्पेस इन चारों को एक ही चैट विंडो के पीछे रख देता है।
जनरेटिव AI कैसे काम करता है?
एक मॉडल को बहुत बड़ी संख्या में उदाहरणों पर तब तक ट्रेन किया जाता है जब तक उसने यह न सीख लिया हो कि एक विश्वसनीय उदाहरण कैसा दिखता है, फिर उससे एक ऐसा नया उदाहरण बनाने को कहा जाता है जो किसी प्रॉम्प्ट में फिट बैठे। टेक्स्ट मॉडल अगले टोकन को प्रेडिक्ट करके एक-एक टोकन करके जनरेट करते हैं। इमेज और वीडियो मॉडल ज़्यादातर डिफ्यूज़न इस्तेमाल करते हैं, जो रैंडम नॉइज़ को चरण दर चरण एक तस्वीर में बदलता है जबकि एक टेक्स्ट डिस्क्रिप्शन नतीजे को दिशा देता है।
क्या ChatGPT जनरेटिव AI है?
हां। ChatGPT एक चैट ऐप है जो एक बड़े लैंग्वेज मॉडल पर बना है, जो टेक्स्ट के लिए जनरेटिव मॉडल है। यह 30 नवंबर 2022 को लॉन्च हुआ और जनवरी 2023 तक इसके अनुमानित 10 करोड़ मासिक सक्रिय यूज़र्स तक पहुंचने की बात Reuters द्वारा रिपोर्ट की गई UBS की एनालिसिस में कही गई, और यही वह पल था जब जनरेटिव AI एक रिसर्च फील्ड से एक कंज़्यूमर कैटेगरी बन गया।
जनरेटिव AI गलतियां क्यों करता है?
क्योंकि यह वह बनाता है जो अपने ट्रेनिंग डेटा के पैटर्न में फिट बैठे, न कि जो सच हो। एक टेक्स्ट मॉडल साइटेशन के आकार जैसा एक साइटेशन जनरेट करता है, चाहे सोर्स मौजूद हो या नहीं; एक इमेज मॉडल हाथ के आकार जैसा एक हाथ जनरेट करता है, कभी-कभी छह उंगलियों के साथ। मॉडल को किसी सोर्स में ग्राउंड करना और आउटपुट को चेक करना ही इसके समाधान हैं, और यह ज़िम्मेदारी इस्तेमाल करने वाले इंसान के पास ही रहती है।
