भविष्य की दृष्टि
Royalty Language और Diffusion Models
अक्टूबर 2025 में मैंने एक अथक, साल भर लंबी यात्रा शुरू की, जिसमें मैं सही माध्यम, human-computer interaction, बैकएंड इंफ्रास्ट्रक्चर, LLM आर्किटेक्चर और diffusion आर्किटेक्चर खोज रहा था, ताकि रॉयल्टी-आधारित language और diffusion model संभव हो सकें। 2026 के शुरुआती प्रयोगों ने, जिन्हें Ambient Intelligent Systems में समेटा गया है, मुझे काफ़ी कुछ सिखाया। सच कहूँ तो MaryOS तक पहुँचने से पहले बहुत कुछ हुआ।
यह एक iPhone ऐप के रूप में शुरू हुआ, जहाँ Seer के हर जवाब के साथ एक Contributions शीट होती थी: आपके अपने कौन से दस्तावेज़ों ने उसे गढ़ा, नेटवर्क के कौन से लेखकों ने, और हर एक को देय रॉयल्टी का हिस्सा कितना है।
go-to-market रणनीति पर सोचते हुए, यानी यूज़र्स को सिस्टम में कैसे लाया जाए, उनका भरोसा कैसे कमाया जाए, उनके विचारों को ठीक से कैसे इकट्ठा किया जाए, मैंने साथ-साथ कुछ फ़्रंट-एंड वेब सिस्टम बनाए, जिनमें एक Chrome extension भी था जिसने उस चीज़ में और डेटा जोड़ा जो मेरे विचार से HCI हो सकती है। यह extension काफ़ी सुघड़ था। यूज़र कुछ भी हाइलाइट कर सकता था, और Seer का लोगो दिखता था, जिससे वह चयन से मेल खाने वाले स्रोतों के लिए डेटाबेस खँगाल सकता था, और उन स्रोतों और यूज़र के बीच माध्यम के रूप में एक LLM होता था।
यह साबित करने के लिए कि retrieval काम करता है, मैंने प्रोटोटाइप के तौर पर पूरे arXiv डेटाबेस को index किया, यह दिखाने के लिए कि हर नतीजा उसके पीछे के असली शोधकर्ताओं को श्रेय दे सकता है। Contributions खोलने पर retrieve किए गए अंशों के पीछे के लोगों की सूची दिखती थी, हर एक के साथ उनके काम का छोटा सारांश और उनके पेपरों से निकाले गए कीवर्ड। हर पैनल के सबसे नीचे एक पंक्ति में पूरा मक़सद लिखा था: जब भी रचनाकारों के ज्ञान का इस्तेमाल होता है, उन्हें मुआवज़ा मिलता है।
इसने एक LLM के विचार को ऐसी मशीन के रूप में दिखाया जो हक़ीक़त को गढ़ने के बजाय उसे जोड़ती है।
ये बहुत फलदायी अनुभव थे, और इनसे मेरे पास शुरुआत से ज़्यादा सवाल बचे। क्या यूज़र्स को अपना डेटा सीधे अपलोड करना चाहिए, या वह बहुत ज़्यादा झंझट है? क्या यह टूल सच बताने वाले का भी काम करे, LLM के आउटपुट को असली डेटा के ऐसे डेटाबेस से मिलाकर जाँचे जिसे किसी इंसान को उद्धृत किया जा सके, न कि किसी वेब लिंक को जो ख़ुद भी बहुत संभव है कि ग़लत जानकारी हो? और यह भी कैसे सत्यापित किया जाए कि नेटवर्क पर जमा किया गया डेटा सच है?
इतने सारे विचार। यह अपने आप में एक भँवर बन गया, क्योंकि ऐसा सिस्टम बनाना जिसकी पूरी ख़ासियत सच है, धुएँ और शीशों के समंदर में, जटिलता का एक और स्तर है। मैं स्वभाव से ऐसा इंसान नहीं हूँ जो यह पक्का किए बिना कि तरीक़ा बिल्कुल पुख़्ता है, ग्राहकों तक प्रोडक्ट छोड़ने में सुरक्षित महसूस करे, लेकिन किसी विचार को आगे बढ़ाने और उड़ते हुए हवाई जहाज़ को ठीक करने के बीच एक संतुलन है, और उसकी आदत आपको बस डालनी पड़ती है।
अब मैं एक सुव्यवस्थित संस्करण तक पहुँचा हूँ जिसे मैं पहले macOS पर रिलीज़ करना चाहता हूँ। MaryOS साथ-साथ Linux पर एक समग्र ऑपरेटिंग सिस्टम के रूप में बनेगा, जबकि macOS एप्लिकेशन, Ambient, इस विचार का एक सौम्य परिचय है। मैं Ambient के बारे में इसके बाद वाली पोस्ट में बताऊँगा, लेकिन अभी यह बताना चाहता था कि वह इस मूल विचार का वाहक कैसे बनेगा: ऐसे language और image model जो परोसे जा सकें, कंटेंट को उसके लेखकों तक जोड़ते हुए और generative दौर में उन्हें उनका हक़ देते हुए।
इस गर्मी में deepfake के लिए सुरक्षा प्रक्रियाओं पर शोध करते हुए (Veil & Scorpion, जिसमें डिटेक्शन का कोड खुद Garde में है), दोनों के लिए सही तरीक़े पर बार-बार काम करते हुए मैं एक ही समाधान तक पहुँचा। एक तरह का संतुलन, जहाँ एक ठीक रॉयल्टी ट्रैकिंग सिस्टम बनाया जा सकता है जो साथ ही लोगों की छवि की रक्षा के लिए एक गेटिंग तंत्र भी देता है। रॉयल्टी ट्रैकिंग तंत्र के बारे में मैं यहाँ बताऊँगा, और आगे की एक पोस्ट में लिखूँगा कि वही सिस्टम सुरक्षा-केंद्रित retrofit के ज़रिए generative model को सुरक्षित कंटेंट रचने से कैसे रोक सकता है।
विचार यह है कि model के activations से पहले और उसके adapters के बाद एक नई परत जोड़ी जाए। यह परत उन यूज़र्स को सौंपे गए संग्रहीत डेटा के डेटाबेस को क्वेरी करती है जो अपने विज़ुअल्स का कॉपीराइट बचाना चाहते हैं, इंसानी पहचान से लेकर ब्रांड प्लेसमेंट तक। diffusion प्रक्रिया के हर चरण पर डेटाबेस खोजा जाता है, और generation पूरा होने तक चरण-दर-चरण एक एट्रिब्यूशन मैट्रिक्स बनता जाता है, और माँगने वाले यूज़र को एसेट परोसे जाने से पहले नेटवर्क पर देय भुगतान लॉग हो जाते हैं। यह एक ऐसा क़दम है जो सर्विस-आधारित model पर और यहाँ तक कि on-device model पर भी लागू हो सकता है।
भुगतान वाला आधा हिस्सा language की तरफ़ पहले से चल रहा है। यह है Gita, Seer की एट्रिब्यूशन परत, जो अप्रैल में एक अकेले जवाब का हिसाब चुकता कर रही है: जिस एक मालिक के डेटा ने उसे आगे बढ़ाया उसे पूरा भुगतान मिलता है, और सर्विस चार्ज ऊपर से बिल होता है।
इसे उलटी तरह भी लागू किया जा सकता है। एट्रिब्यूशन मैट्रिक्स बनाने की जगह, generation को जल्दी रोका जा सकता है और आउटपुट रोककर रखा जा सकता है, उसे उल्लंघन करने वाला चिह्नित करते हुए और किसी सुरक्षित पहचान की generation से बचाव करते हुए। तकनीकी ब्योरे मैं एक ML Architecture पोस्ट में दूँगा, जब इमेज और विज़ुअल सुरक्षा का पहला संस्करण इसी महीने के आख़िर में रिलीज़ हो जाएगा।
इस डेटाबेस का डिज़ाइन Seer और उसके कस्टम वेक्टर स्टोरेज से शुरू हुआ, और जल्द ही Thread के रूप में अलग हो गया, जिसे उसकी Partition फ़ाइलों के ज़रिए खँगाला जा सकता है। Thread को हर किसी का निजी डेटाबेस बनाने के लिए डिज़ाइन किया गया है, जिसमें उनका डेटा रॉयल्टी-आधारित सिस्टम में retrieval के लिए structured और तैयार हो, इस तरह कि वह उस P2P मॉडल की ओर ले जाए जिसकी मैं काफ़ी समय से कल्पना कर रहा हूँ। वह मैं Ambient में तब खँगालूँगा जब समय आएगा।
आख़िर में, मैं उम्मीद करता हूँ कि इस साल के प्रयोग एक ऐसी साझा समझ तक पहुँचेंगे जो आर्टिफ़िशियल इंटेलिजेंस के लिए ज़्यादा स्थिर विकास-पथ को बढ़ावा दे: लेखकों, रचनाकारों और वैज्ञानिकों के लिए, और उन रोज़मर्रा के उपभोक्ताओं के लिए जिन्हें पता नहीं कि उनका डेटा उनकी सहमति के बिना इस्तेमाल हो रहा है। और यह सब एक ऐसा अनुभव देते हुए जो इतना गहरा हो कि हमें यह दोबारा परखने में मदद करे कि जुड़ाव का सचमुच क्या मतलब है, उस सोशल दुनिया में जहाँ सोशल नेटवर्क ने अक्सर हमें उससे वंचित रखा है।
पीड़ित सुरक्षित महसूस करते हैं क्योंकि नुकसानों को ऐसे कार्यान्वयन संबोधित कर रहे हैं जो यथार्थवादी और अमल में लाने लायक़ हैं। open-source समुदाय ऐसी सीमाएँ देखते हैं जिन पर वे सहमत हैं। कंपनियों के पास व्यावसायीकरण से पहले मानने के लिए साफ़ नियम हैं। निजता-केंद्रित यूज़र, जो on-device पसंद करते हैं, अपनी generation पर एक अदृश्य वॉटरमार्क के ज़रिए दिखा सकते हैं कि उन्होंने Veil इस्तेमाल किया।
तो मैं कहूँगा कि अंतिम विज़न की शुरुआत macOS पर Ambient से और आगे चलकर Linux पर MaryOS में उसके बदलाव से होती है, जबकि मैं साथ-साथ Gita's Ballad लिख रहा हूँ।