Stable Diffusion एक गहन शिक्षण मॉडल है जिसे अगस्त 2022 में Stability AI द्वारा जारी किया गया था, जो पाठ विवरणों से विस्तृत चित्र उत्पन्न करता है। यह पहले उच्च-गुणवत्ता वाले टेक्स्ट-टू-इमेज सिस्टम में से एक होने के लिए उल्लेखनीय था जिसे जनता के लिए खुले तौर पर उपलब्ध कराया गया था, इसके वज़न और स्रोत कोड एक अनुज्ञेय लाइसेंस के तहत जारी किए गए थे। यह मॉडल Generative AI उछाल में एक मील का पत्थर बन गया, जिसने रचनात्मक अपनाने और कॉपीराइट, नैतिकता और सिंथेटिक मीडिया के सामाजिक प्रभाव पर बहस दोनों को जन्म दिया।
यह मॉडल एक लेटेंट डिफ्यूजन आर्किटेक्चर पर बनाया गया था, जो एक प्रकार का Deep learning दृष्टिकोण है जो चित्रों को एक निचले-आयामी लेटेंट स्पेस में संपीड़ित करता है, इससे पहले एक डिफ्यूजन प्रक्रिया लागू करता है। इस डिज़ाइन ने इसे उपभोक्ता-ग्रेड ग्राफिक्स कार्ड पर चलाने की अनुमति दी, जो OpenAI के DALL-E 2 जैसी पहले की प्रणालियों से एक महत्वपूर्ण विचलन था, जिसके लिए क्लाउड एक्सेस की आवश्यकता थी। Stability AI ने मॉडल विकसित करने के लिए BAIR (Berkeley AI Research) समूह और University of Toronto के शोधकर्ताओं के साथ सहयोग किया, जिसे छवि-पाठ जोड़ों के एक बड़े पैमाने पर डेटासेट पर प्रशिक्षित किया गया था।
तकनीकी वास्तुकला
Stable Diffusion एक U-Net बैकबोन का उपयोग करता है, जो पाठ्य संकेतों पर छवि निर्माण को सशर्त बनाने के लिए एक Transformer (architecture)-आधारित पाठ एन्कोडर के साथ संयुक्त है। पाठ एन्कोडर, एक CLIP-शैली मॉडल, शब्दों को वेक्टर प्रतिनिधित्व में परिवर्तित करता है जो डीनॉइज़िंग प्रक्रिया का मार्गदर्शन करता है। डिफ्यूजन प्रक्रिया चरणों की एक श्रृंखला में यादृच्छिक शोर को एक सुसंगत छवि में पुनरावृत्त रूप से परिष्कृत करती है, आम तौर पर 20 से 50 चरणों में, प्रत्येक चरण एक सीखे हुए शेड्यूल के अनुसार शोर को कम करता है।
मॉडल सीधे पिक्सेल पर काम करने के बजाय एक संपीड़ित लेटेंट स्पेस में संचालित होता है, जो कम्प्यूटेशनल लागत और मेमोरी उपयोग को कम करता है। यह लेटेंट डिफ्यूजन तकनीक lmu-munich और heidelberg-university के शोधकर्ताओं द्वारा पेश की गई थी, और इसने Stable Diffusion को उच्च-अंत उपभोक्ता हार्डवेयर पर एक सेकंड से भी कम समय में 512x512 पिक्सेल चित्र उत्पन्न करने में सक्षम बनाया। ओपन-सोर्स रिलीज़ में पूर्ण मॉडल वज़न शामिल थे, जिससे डेवलपर्स इसे इनपेंटिंग, आउटपेंटिंग और स्टाइल ट्रांसफर जैसे विशेष कार्यों के लिए फाइन-ट्यून कर सकते थे।
रिलीज़ और पहुंच
Stability AI ने Stable Diffusion को चरणों में जारी किया, जुलाई 2022 में शोधकर्ताओं के लिए एक निजी पूर्वावलोकन और 22 अगस्त 2022 को एक सार्वजनिक बीटा के साथ शुरू किया। मॉडल को Hugging Face प्लेटफ़ॉर्म के माध्यम से वितरित किया गया था, जहाँ यह जल्दी ही सबसे अधिक डाउनलोड किए गए मॉडलों में से एक बन गया। कई वाणिज्यिक AI सेवाओं के विपरीत, Stable Diffusion उपयोगकर्ताओं को सर्वर पर संकेत भेजने के बिना मॉडल को स्थानीय रूप से चलाने की अनुमति देता था, जो गोपनीयता के प्रति जागरूक उपयोगकर्ताओं और ऑफ़लाइन टूल बनाने वाले डेवलपर्स को आकर्षित करता था।
रिलीज़ की ओपन-सोर्स प्रकृति ने तेजी से सामुदायिक नवाचार को जन्म दिया। हफ्तों के भीतर, automatic1111 और invokeai जैसे तृतीय-पक्ष इंटरफ़ेस उभरे, जो उपयोगकर्ता के अनुकूल वेब इंटरफ़ेस और प्रॉम्प्ट वेटिंग और सीड मानों पर नियंत्रण जैसी उन्नत सुविधाएँ प्रदान करते थे। यह मॉडल कई व्युत्पन्न मॉडलों के लिए भी एक आधार बन गया, जिसमें एनीमे, फोटोरियलिस्टिक पोर्ट्रेट और वास्तुशिल्प रेंडरिंग पर प्रशिक्षित विशेष संस्करण शामिल हैं।
समुदाय और पारिस्थितिकी तंत्र
Stable Diffusion की रिलीज़ ने रचनाकारों, शौकीनों और स्टार्टअप्स के एक जीवंत पारिस्थितिकी तंत्र को उत्प्रेरित किया। Civitai जैसे प्लेटफ़ॉर्म ने उपयोगकर्ताओं को कस्टम मॉडल और प्रॉम्प्ट साझा करने की अनुमति दी, जबकि dreamstudio जैसी सेवाओं ने सक्षम हार्डवेयर के बिना उन लोगों के लिए क्लाउड-आधारित पहुंच की पेशकश की। मॉडल के अनुज्ञेय लाइसेंस ने वाणिज्यिक उपयोग की अनुमति दी, जिससे ग्राफिक डिज़ाइन टूल से लेकर वीडियो गेम एसेट पाइपलाइन तक के उत्पादों में इसका एकीकरण हुआ।
समुदाय ने जनरेशन को निर्देशित करने के लिए तकनीक भी विकसित की, जैसे Prompt engineering और नेगेटिव-प्रॉम्प्ट, जिसने उपयोगकर्ताओं को सामान्य कलाकृतियों से बचने और वांछित शैलियों को प्राप्त करने में मदद की। पाठ से चित्र उत्पन्न करने की मॉडल की क्षमता ने इसे अवधारणा कला, स्टोरीबोर्डिंग और तीव्र प्रोटोटाइपिंग के लिए एक लोकप्रिय उपकरण बना दिया। 2022 के अंत तक, Stable Diffusion Artificial intelligence रचनात्मकता और डिजिटल कला के भविष्य पर चर्चाओं में एक मानक संदर्भ बिंदु बन गया था।
नैतिक और कानूनी बहस
Stable Diffusion की रिलीज़ ने जनरेटिव AI की नैतिकता के बारे में चल रही बहसों को तेज कर दिया। कलाकारों ने चिंता जताई कि मॉडल को बिना सहमति के इंटरनेट से स्क्रैप किए गए कॉपीराइट चित्रों पर प्रशिक्षित किया गया था, जो संभावित रूप से मौजूदा कार्यों के तत्वों को पुन: पेश कर सकता है। इसके कारण मुकदमे और AI ethics दिशानिर्देशों के लिए मजबूत कॉल हुए, साथ ही मशीन लर्निंग के युग में उचित उपयोग और रचनाकारों के अधिकारों पर चर्चा हुई।
नीति निर्माताओं और शोधकर्ताओं ने भी दुरुपयोग की संभावना के बारे में चिंता जताई, जिसमें डीपफेक और गलत सूचना का निर्माण शामिल है। जवाब में, Stability AI ने सामग्री फ़िल्टर लागू किए और कुछ प्रॉम्प्ट को प्रतिबंधित किया, हालाँकि ये उपाय अपूर्ण थे। कंपनी को बड़े मॉडलों के प्रशिक्षण के पर्यावरणीय प्रभाव के लिए भी आलोचना का सामना करना पड़ा, हालाँकि लेटेंट डिफ्यूजन दृष्टिकोण पहले की प्रणालियों की तुलना में अपेक्षाकृत कुशल था।
विरासत और प्रभाव
Stable Diffusion को व्यापक रूप से AI छवि निर्माण तक पहुंच को लोकतांत्रिक बनाने का श्रेय दिया जाता है, जिसने क्षेत्र को एक विशिष्ट शोध क्षेत्र से एक मुख्यधारा के रचनात्मक उपकरण में स्थानांतरित कर दिया। इसके ओपन-सोर्स मॉडल ने Midjourney और Adobe Firefly सहित समान रिलीज़ की एक लहर को प्रेरित किया, और टेक्स्ट-टू-वीडियो और टेक्स्ट-टू-3D सिस्टम के विकास को प्रभावित किया। मॉडल की वास्तुकला और प्रशिक्षण पद्धति का उद्योग भर में व्यापक रूप से अध्ययन और अनुकूलन किया गया है।
2024 तक, Stable Diffusion जनरेटिव AI परिदृश्य में एक मौलिक तकनीक बनी हुई है, जिसमें Stability AI से निरंतर अपडेट और योगदानकर्ताओं का एक बड़ा समुदाय है। इसकी रिलीज़ ने कृत्रिम बुद्धिमत्ता के साथ जनता के संबंध में एक महत्वपूर्ण मोड़ चिह्नित किया, जो शक्तिशाली मशीन लर्निंग मॉडल तक खुली पहुंच की रचनात्मक क्षमता और चुनौतियों दोनों को प्रदर्शित करता है।