मशीन के लिए पठनीय कैसे बनना है, यह कौन तय करता है

एआई के सामने आदिवासी संप्रभुता, एकरूप होती संगीत-शैलियाँ और भारत में अधिकारों तक पहुँच के रास्ते में आवाज़ की संभावित बाधा.

कृत्रिम बुद्धिमत्ता को अक्सर विस्तार की तकनीक के रूप में प्रस्तुत किया जाता है। अधिक भाषाएँ, अधिक आवाज़ें और जटिल प्रणालियों के साथ संवाद करने में सक्षम अधिक लोग। लेकिन इस वादे के पीछे एक पूर्वशर्त है। भाग लेने के लिए पहले मशीन के लिए पठनीय बनना पड़ता है। और इस पठनीयता के नियम हमेशा वे लोग तय नहीं करते जो उसमें भाग लेते हैं।

इस Radar की तीन कहानियाँ इस तनाव को अलग-अलग संदर्भों से देखती हैं। एआई और आदिवासी आत्मनिर्णय पर एक घोषणा कहती है कि समावेशन पर्याप्त नहीं है, यदि समुदाय अपने डेटा, ज्ञान और क्षेत्रों के बारे में स्वयं निर्णय नहीं ले सकते। जनरेटिव संगीत पर एक अध्ययन दिखाता है कि मॉडल केवल संगीत-शैलियों के भीतर की विविधता को संकुचित नहीं करते। हर प्रणाली अपने प्रशिक्षण से सीखी हुई यह धारणा भी साथ लाती है कि किसी संगीत-श्रेणी को कैसा सुनाई देना चाहिए। भारत में, फ़ॉर्म भरने को आसान बनाने के लिए विकसित एक टेलीफ़ोन एजेंट दिखाता है कि वाक्-पहचान की त्रुटि किसी सेवा तक पहुँचने में वास्तविक बाधा बन सकती है।

तीनों मामलों में सवाल केवल यह नहीं है कि एआई क्या कर सकती है। सवाल यह है कि किस शर्त पर कोई व्यक्ति, भाषा या संस्कृति प्रणाली में प्रवेश कर सकती है, यह कौन तय करता है।

1. आदिवासी समुदाय — संप्रभुता में यह तय करने का अधिकार भी शामिल है कि तकनीक का उपयोग करना है या नहीं

विश्व आदिवासी दिवस के अवसर पर International Federation of Social Workers की Indigenous Commission ने एक घोषणा प्रकाशित की। यह बहस को अपेक्षाकृत सहज विचार —एआई को अधिक समावेशी बनाना— से हटाकर अधिक कठिन प्रश्न की ओर ले जाती है। आदिवासी समुदायों के इस अधिकार को मान्यता देना कि वे स्वयं तय करें कि इन तकनीकों का उपयोग करना है या नहीं, कैसे करना है और किन शर्तों पर करना है।

यह प्रश्न सीधे डेटा से जुड़ता है। भाषाएँ, कथाएँ, चित्र और पारंपरिक ज्ञान डिजिटल रिपॉज़िटरी और प्रशिक्षण डेटासेट का हिस्सा बन सकते हैं। लेकिन किसी ज्ञान का तकनीकी रूप से उपलब्ध होना इस बात की अनुमति नहीं देता कि उसे स्वचालित रूप से कृत्रिम बुद्धिमत्ता प्रणाली के लिए डेटा में बदल दिया जाए।

घोषणा मॉडल की सामग्री से आगे भी जाती है। वह याद दिलाती है कि डिजिटल अवसंरचना को पानी, ऊर्जा और भूमि की आवश्यकता होती है, और इस उपभोग को संसाधनों पर नियंत्रण के लंबे ऐतिहासिक संबंधों के भीतर रखती है। संयुक्त राज्य अमेरिका के संदर्भ में वह यह भी बताती है कि आदिवासी आबादी के लगभग 40 प्रतिशत लोगों को ही ब्रॉडबैंड उपलब्ध है। तकनीकी अवसंरचना का विस्तार यह सुनिश्चित नहीं करता कि उसकी भौतिक लागत वहन करने वाले लोग उसके लाभों में भी समान रूप से हिस्सेदार हों।

दस्तावेज़ एक महत्वपूर्ण अभिव्यक्ति भी प्रस्तुत करता है, Ancestral Intelligence। इससे उसका आशय उस ज्ञान से है जो संबंधों, अनुष्ठानों, कथाओं, भूमि और पीढ़ियों के माध्यम से प्रसारित होता है। ऐसी बुद्धि जिसकी वैधता इस पर निर्भर नहीं करती कि उसे पहले डिजिटाइज़, वर्गीकृत या किसी डेटाबेस में दर्ज किया गया हो।

यहीं एक ऐसा प्रश्न उठता है जो मॉडल बनने से भी पहले आता है।

किसी संस्कृति को डेटा में बदलने का अधिकार किसके पास है?

तकनीकी संप्रभुता केवल अपने उपकरण रखने का नाम नहीं है। इसका अर्थ भाग न लेने का अधिकार सुरक्षित रखना, कुछ प्रकार के ज्ञान पर सीमाएँ तय करना, या यह निर्णय लेना भी हो सकता है कि कुछ सामग्री अपने सांस्कृतिक संदर्भ से बाहर प्रसारित नहीं होनी चाहिए।

समावेशन मानता है कि जो लोग बाहर हैं, उन्हें प्रणाली में लाने का रास्ता खोजा जाना चाहिए। आत्मनिर्णय एक दूसरी संभावना खोलता है। समुदाय स्वयं तय करें कि वे प्रवेश करना चाहते हैं या नहीं, और किन शर्तों पर।

2. संगीत — जब कोई शैली अपने सांख्यिकीय औसत में बदलने लगती है

Zoe Slendebroek और Danaé Metaxa का एक नया अध्ययन Suno और Lyria 3 से बनाए गए संगीत की तुलना चार शैलियों में मनुष्यों द्वारा बनाए गए संगीत से करता है। Afrobeats, K-pop, Dance Pop और Heavy Metal।

अध्ययन प्रत्येक प्रणाली और शैली के लिए सौ ट्रैकों का विश्लेषण 72 Music Information Retrieval, या MIR, विशेषताओं के माध्यम से करता है। इसका उद्देश्य दो अलग प्रश्नों को समझना है। हर श्रेणी के भीतर कितनी विविधता बचती है, और अलग-अलग शैलियाँ एक-दूसरे से कितनी पहचानी जा सकती हैं।

परिणाम समरूपीकरण के दो अलग ढाँचे दिखाते हैं।

Lyria 3 कुछ शैलियों के भीतर की विविधता को कम करता है। उसके आउटपुट एक अपेक्षाकृत संकुचित ध्वनिक प्रोफ़ाइल के आसपास इकट्ठे होते हैं। Suno इसके विपरीत हर श्रेणी के भीतर कुछ अधिक विविधता बनाए रखता है, लेकिन उन शैलियों को एक-दूसरे के करीब ले आता है जो मानव रिकॉर्डिंग में अधिक स्पष्ट रूप से अलग दिखाई देती हैं।

इसलिए हर मॉडल एक ही तरह से समरूपीकरण नहीं करता।

एक और महत्वपूर्ण बात है। कुछ परीक्षणों में प्रॉम्प्ट के रूप में केवल शैली का नाम दिया गया, बिना किसी अतिरिक्त शैलीगत निर्देश के। इसलिए जो नियमितताएँ दिखाई देती हैं उन्हें केवल उपयोग करने वाले व्यक्ति के निर्देश से नहीं समझाया जा सकता। वे मॉडल के priors की ओर भी संकेत करती हैं —प्रशिक्षण के दौरान सीखी गई पूर्व प्रवृत्तियाँ— जो तय करती हैं कि Afrobeats, K-pop, Dance Pop या Heavy Metal को कैसा सुनाई देना चाहिए।

यह इसलिए महत्वपूर्ण है क्योंकि कोई संगीत-शैली केवल ध्वनि-विशेषताओं का संयोजन नहीं होती।

वह एक इतिहास भी है, एक दृश्य, एक उद्योग, एक भूगोल, एक श्रोता-समुदाय, पहनावे की शैली, वितरण के रास्ते और इस बात पर सामूहिक बातचीत कि किसी परंपरा में क्या शामिल है और क्या नहीं। उसकी सीमाएँ बदलती रहती हैं क्योंकि संगीत बनाने और सुनने वाले लोग उन्हें लेकर बहस करते हैं, उन्हें मिलाते हैं और बदलते हैं।

एक जनरेटिव प्रणाली इस विविधता को बड़ी संख्या में उदाहरणों से सीखती है। लेकिन पहचानने योग्य कुछ उत्पन्न करने के लिए उसे नियमितताएँ भी निकालनी पड़ती हैं।

जोखिम तब शुरू होता है जब सांख्यिकीय रूप से सबसे प्रतिनिधि चीज़ स्वयं परंपरा की जगह लेने लगती है।

क्या होता है जब कोई संगीत-शैली बदलती हुई सामाजिक प्रथा रहना बंद कर देती है और उस सांख्यिकीय केंद्र में बदलने लगती है जिसे मशीन ने सीखा है कि वह शैली कैसी होनी चाहिए?

यदि जनरेटिव संगीत प्लेटफ़ॉर्म, विज्ञापन, वीडियो गेम या दृश्य-श्रव्य उत्पादन में अधिक जगह लेने लगे, तो यह समरूपीकरण केवल सौंदर्य का प्रश्न नहीं रहेगा। मॉडल इस बात को भी प्रभावित कर सकते हैं कि कौन-सी ध्वनियाँ अधिक फैलती हैं, कौन-सी आसानी से पहचानी जाती हैं और कौन-सी सांस्कृतिक अभिव्यक्तियाँ किसी श्रेणी के किनारों पर धकेल दी जाती हैं।

किसी भिन्नता को कम दृश्य बनाने के लिए मशीन को उस पर प्रतिबंध लगाने की आवश्यकता नहीं है। इतना पर्याप्त हो सकता है कि वह उसे कम प्रतिनिधि मानना सीख ले।

3. भारत — जब आपकी आवाज़ न समझने वाली मशीन किसी अधिकार तक पहुँच रोक सकती है

भारत में बड़ी संख्या में लाभ और सेवाएँ एक फ़ॉर्म से शुरू होती हैं। जिन लोगों के लिए पढ़ना-लिखना कठिन है या जो डिजिटल इंटरफ़ेस से कम परिचित हैं, उनके लिए वही फ़ॉर्म बाधा बन सकता है।

FormBharo —हिंदी में “फ़ॉर्म भरो”— इस लिखित बातचीत के एक हिस्से को टेलीफ़ोन पर होने वाली बातचीत से बदलने का प्रस्ताव रखता है। प्रणाली मौखिक संवाद करती है, आवश्यक जानकारी निकालती है और उससे संबंधित फ़ील्ड भरती है।

इसका मूल्यांकन ARMMAN के साथ किया जा रहा है, जो मातृ और शिशु स्वास्थ्य के क्षेत्र में काम करने वाला संगठन है। संदर्भ विशेष रूप से संवेदनशील है। कम आय वाली माताओं को प्रसवपूर्व और प्रसवोत्तर देखभाल कार्यक्रमों में नामांकन में मदद देना।

यहाँ इंटरफ़ेस कोई वेबसाइट या लिखित चैटबॉट नहीं है।

यह आवाज़ है।

और यही अंतर महत्वपूर्ण है।

शोध दल ने FormVoiceAgentBench विकसित किया, जिसमें 960 सिम्युलेटेड कॉलों में फैले 3,760 मूल्यांकन शामिल हैं। जब मॉडल साफ़ और संदर्भ-आधारित ट्रांसक्रिप्ट पर काम करते हैं, तो परिणाम बहुत ऊँचे हो सकते हैं। लेकिन जब उन्हें वास्तविक टेलीफ़ोन कॉल की आवाज़ पर काम करना पड़ता है —शोर, उच्चारण, विराम, आवाज़ में विविधता और स्वचालित वाक्-पहचान की त्रुटियाँ— तो सही फ़ॉर्म-पूर्ति की दर लगभग 41 प्रतिशत अंक तक गिर सकती है।

गलत ट्रांसक्राइब किया गया एक शब्द गलत डेटा बन जाता है। गलत डेटा गलत फ़ॉर्म पैदा कर सकता है। और गलत फ़ॉर्म किसी सेवा तक पहुँच को प्रभावित कर सकता है।

अध्ययन एक रोचक तकनीकी विरोधाभास भी दिखाता है। GPT-5.5 संदर्भ ट्रांसक्रिप्ट का उपयोग करते हुए कुछ टर्न-बाय-टर्न निष्कर्षण कार्यों में लगभग 99.8 प्रतिशत सटीकता हासिल करता है, लेकिन यह परिणाम उसे पूरी बातचीत के मूल्यांकन में अपने-आप सबसे अच्छा सिस्टम नहीं बना देता।

त्रुटियाँ जमा होती हैं, आगे फैलती हैं और कभी-कभी एक-दूसरे के साथ अंतःक्रिया करती हैं।

इसी कारण छोटे मॉडल, यदि उन्हें निर्धारक नियंत्रणों —ऐसे नियम जो प्रक्रिया के कुछ हिस्सों को जाँचते और सीमित करते हैं— के साथ जोड़ा जाए, तो अंतिम परिणाम में अधिक शक्तिशाली प्रणालियों की बराबरी या उनसे बेहतर प्रदर्शन कर सकते हैं।

यह सीख FormBharo से आगे भी जाती है। किसी प्रणाली के हर हिस्से को अलग-अलग बेहतर करना इस बात की गारंटी नहीं है कि पूरी प्रणाली भी बेहतर काम करेगी।

लेकिन Radar के लिए अधिक महत्वपूर्ण प्रश्न कहीं और है।

डिजिटल प्रशासन वर्षों से कुछ क्षमताओं —निर्देश पढ़ना, वेबसाइट चलाना, ईमेल पता रखना, नौकरशाही श्रेणियों को समझना— को अधिकारों के प्रयोग की मौन शर्तों में बदलता आया है। आवाज़ आधारित इंटरफ़ेस इनमें से कुछ बाधाएँ कम कर सकता है।

वह नई बाधाएँ भी पैदा कर सकता है।

क्या होता है जब किसी मशीन को अपनी बात समझाना किसी संस्था को अपनी बात समझाने के लिए आवश्यक चरणों में से एक बन जाता है?

सुलभता केवल इस पर निर्भर नहीं करती कि कोई मॉडल हिंदी “जानता” है या नहीं। यह इस पर निर्भर करती है कि वह वास्तव में बोली जाने वाली हिंदी को कैसे सुनता है, किन विविधताओं को स्वीकार्य मानता है, किन त्रुटियों को सहन करता है और सबसे बढ़कर, गलती होने पर क्या होता है।

क्योंकि जब एआई किसी सेवा तक पहुँच का मध्यस्थ बनती है, तो निर्णायक सवाल केवल यह नहीं होता कि वह कितनी गलतियाँ करती है।

सवाल यह है कि उन गलतियों की कीमत कौन चुकाता है।

एक साझा प्रश्न — पठनीयता की शर्तें

एक समुदाय यह तय करता है कि कौन-सा ज्ञान डेटा में बदला जा सकता है। एक संगीत-शैली मॉडल से गुजरते हुए अपनी विविधता खोती है। एक व्यक्ति को फ़ॉर्म पूरा करने के लिए आवश्यकता है कि प्रणाली उसकी आवाज़ सही पहचाने।

परिस्थितियाँ अलग हैं, लेकिन उनकी संरचना साझा है।

कृत्रिम बुद्धिमत्ता प्रणालियों को दुनिया को ऐसी अभिव्यक्तियों में बदलना पड़ता है जिन्हें वे संसाधित कर सकें। भाषाएँ, ध्वनियाँ, पहचानें, ज्ञान और सांस्कृतिक प्रथाएँ मशीन के लिए पठनीय रूप ग्रहण करती हैं।

यह प्रक्रिया कभी पूरी तरह तटस्थ नहीं होती।

क्या डेटा माना जाएगा, किन भिन्नताओं को “शोर” कहा जाएगा, कौन-से उदाहरण किसी श्रेणी का प्रतिनिधित्व करेंगे, या कौन-सी जानकारी मॉडल के प्रशिक्षण में इस्तेमाल की जा सकती है —इन निर्णयों का अर्थ सीमाएँ खींचना है।

और इन सीमाओं के दोनों ओर रहने वालों पर पठनीयता का प्रभाव एक जैसा नहीं पड़ता।

तकनीकी कंपनी के लिए यह मॉडल के काम करने की आवश्यक शर्त हो सकती है। किसी समुदाय के लिए यह तय करने का प्रश्न हो सकता है कि उसके ज्ञान का कौन-सा हिस्सा उजागर होगा। किसी संगीत परंपरा के लिए यह बदल सकता है कि क्या “प्रतिनिधि” माना जाता है। किसी प्रशासनिक प्रक्रिया को पूरा करने वाले व्यक्ति के लिए यह किसी सेवा तक पहुँच की शर्त बन सकती है।

इसलिए मानवशास्त्रीय प्रश्न केवल यह नहीं है कि एआई मानव विविधता का सही प्रतिनिधित्व करती है या नहीं।

उससे पहले एक और प्रश्न है।

मशीन के लिए पठनीय बनने की शर्तें कौन तय करता है?

संदर्भ

International Federation of Social Workers — https://www.ifsw.org/artificial-intelligence-ai-and-indigenous-peoples-self-determination/
Zoe Slendebroek and Danaé Metaxa — https://arxiv.org/abs/2608.06106
Aman Dalmia et al. — https://arxiv.org/abs/2608.06027