क्या कृत्रिम बुद्धिमत्ता सिनेमाई अभिरुचि को समझ सकती है?

मशीनें फ़िल्मों के बारे में वास्तव में क्या सीखती हैं

एक सिफ़ारिश प्रणाली फ़िल्मों को नहीं जानती। वह व्यवहार को जानती है। Netflix अपने 2025 में प्रस्तुत किए गए „Foundation Model for Personalized Recommendation“ को एक ऐसे मॉडल के रूप में बताता है जो स्वप्रतिगामी (autoregressive) पूर्वानुमान के सिद्धांत पर काम करता है—„our default approach employs the autoregressive next-token prediction objective, similar to GPT“—और जिसका प्राथमिक लक्ष्य सीधे-सीधे यही है कि अगली शीर्षक-अंतःक्रिया का पूर्वानुमान लगाया जाए (Netflix Technology Blog)। इसे 30 करोड़ से अधिक उपयोगकर्ताओं के अंतःक्रिया इतिहासों और सैकड़ों अरब अंतःक्रियाओं पर प्रशिक्षित किया जाता है (Netflix Technology Blog)। यह अभिरुचि का निर्माण नहीं, बल्कि विशाल पैमाने पर की गई संभाव्यता गणना है।

थंबनेल छवियों का वैयक्तिकरण भी इसी तरह काम करता है: Netflix तथाकथित कॉन्टेक्स्चुअल बैंडिट्स के ज़रिए दिखाई जाने वाली आर्टवर्क का चयन करता है और इस दौरान „quality play“ की संभावना को अनुकूलित करता है, जिसे „take fraction“ के रूप में मापा जाता है (Netflix Technology Blog)। इस तरह कंपनी स्पष्ट रूप से „not just what we recommend but also how we recommend“ का वैयक्तिकरण करती है—और „significant lift in core metrics“ की जानकारी देती है (Netflix Technology Blog)। YouTube, वहीं, 2016 से अपनी सिफ़ारिशों को दो चरणों में बाँटता है, एक उम्मीदवार-निर्माण और एक रैंकिंग मॉडल (Google Research)।

ये प्रणालियाँ निर्विवाद रूप से सक्षम हैं। लेकिन वे कलात्मक प्रश्न से भिन्न एक प्रश्न का उत्तर देती हैं। वे यह मापती हैं कि अक्सर क्या काम करता है। वे यह नहीं समझातीं कि किसी विशेष कहानी में कोई विशेष दृश्य भावनात्मक रूप से क्यों अनिवार्य है।

पूर्वानुमान से मूल्यांकन तक: निर्णय के बिना संख्याएँ

सिफ़ारिश से मूल्यांकन तक की छलांग ही उद्योग की असली महत्वाकांक्षा है। प्रदाता वादा करते हैं कि वे शूटिंग से पहले ही सफलता पहचान लेंगे। ScriptBook „87 % financially accurate“ और केवल पटकथा के आधार पर 80 प्रतिशत ग्रीनलाइट-सटीकता का प्रचार करता है; इसके आधार में स्थित पेटेंट सफलता और विफलता के लिए अधिकतम 86 प्रतिशत तक की वर्गीकरण-सटीकता का उल्लेख करता है (ScriptBook)। Largo.ai 82 प्रतिशत की ग्रीनलाइट-सटीकता बताता है और विश्लेषित फ़िल्मों की संख्या 12,000 से अधिक आँकता है (Largo.io)। दोनों प्रदाता-दावे हैं, जो इस पड़ताल में किसी स्वतंत्र जाँच पर खरे नहीं उतरे।

गंभीर शोध अधिक संयमित है। 2024 में Scientific Reports में प्रकाशित एक अध्ययन ने टिप्पणियों से विस्तारित एक तंत्रिका नेटवर्क के साथ बॉक्स-ऑफ़िस के लिए औसतन 83.7 प्रतिशत पूर्वानुमान-सटीकता हासिल की; टिप्पणी-डेटा के बिना ये मान काफ़ी गिर गए (Scientific Reports)। परंतु निर्णायक है इसका विषय: पूर्वानुमान वाणिज्यिक सफलता का लगाया जाता है, कलात्मक गुणवत्ता का नहीं। लेखक स्वयं डेटा-चयन और COVID-प्रभाव को खुली सीमाओं के रूप में बताते हैं (Scientific Reports)।

ठीक यहीं अंधा बिंदु प्रकट होता है। Cineuropa द्वारा ScriptBook का एक स्वतंत्र विश्लेषण दर्ज करता है कि विश्लेषण का उद्देश्य „किसी पटकथा की बारीकियों को पकड़ना नहीं, बल्कि उसकी विषयवस्तु की तुलना पहले से प्रकाशित फ़िल्मों की ज्ञात राशियों से करना“ है (Cineuropa)। Passengers फ़िल्म के प्रलेखित मामले में बॉक्स-ऑफ़िस का पूर्वानुमान उपयोगी था, फिर भी उसकी ख़राब आलोचनात्मक स्वीकृति का पूर्वानुमान यह उपकरण नहीं लगा सका (Cineuropa)। आलोचना यह है: „false objectivity“—वस्तुनिष्ठ मापदंड, जो किसी व्यक्तिपरक निर्णय को केवल सहारा दे सकते हैं, पर उसे ले नहीं सकते (Cineuropa)।

प्रभाव और सत्यनिष्ठा के बीच का अंतर

क्या कोई मशीन कम से कम भावनात्मक प्रभाव तो माप सकती है? आंशिक रूप से। AttendAffectNet जैसे भावात्मक-अभिकलन (affective computing) मॉडल वीडियो-, ऑडियो- और टेक्स्ट-ट्रैक से किसी फ़िल्म द्वारा उद्दीपित भावनाओं का पूर्वानुमान लगाते हैं—किंतु केवल वैलेंस और अराउज़ल आयामों के रूप में, जिनके सर्वोत्तम सहसंबंध मान अराउज़ल के लिए लगभग 0.655 और वैलेंस के लिए लगभग 0.575 हैं (Sensors)। यह मापी गई प्रतिक्रियाओं का सहसंबंधात्मक निकटीकरण है, भावनात्मक सत्यनिष्ठा पर कोई निर्णय नहीं। ऐसा शोध यह रेखांकित करता है कि दर्शक-प्रतिक्रियाओं को डेटा-बिंदुओं के रूप में कैसे मॉडल किया जा सकता है; यह न किसी प्रतिनिधि परीक्षण-दर्शक-वर्ग की जगह लेता है, न किसी सौंदर्यात्मक निर्णय की, और ठीक इसी मॉडल का किसी स्टूडियो में उत्पादन-स्तरीय उपयोग जाँचे गए स्रोतों में प्रमाणित नहीं है।

ठीक यहीं परीक्षण-स्क्रीनिंग और दर्शक-डेटा काम आते हैं। वे प्रतिक्रियाओं को समूहबद्ध कर सकते हैं, दर्शक-समूहों में फैले पैटर्न को दृश्य बना सकते हैं और संभावनाओं का आकलन कर सकते हैं। परंतु परीक्षण-दर्शक-वर्ग एक नमूना ही रहता है, कोई मूल्य-निर्णय नहीं, और भिन्न दर्शक एक ही दृश्य पर भिन्न प्रतिक्रिया देते हैं। स्वचालित ट्रेलर- और आर्टवर्क-प्रणालियाँ, वहीं, सामग्री के चयन और प्रस्तुति को अनुकूलित कर सकती हैं—Netflix इसे वैयक्तिकृत थंबनेल-चयन के लिए प्रमाणित करता है (Netflix Technology Blog)। परंतु इस लेख के लिए जाँचे गए किसी भी स्रोत में इसका प्रमाण नहीं मिलता कि कोई प्रणाली किसी निर्देशकीय शैली या किसी दृश्य की कलात्मक अनिवार्यता को समझती है; इस वाक्य को पड़ताल-निष्कर्ष और पत्रकारीय आकलन के रूप में पढ़ा जाना चाहिए, न कि भविष्य के बारे में किसी सैद्धांतिक दावे के रूप में।

इससे इस लेख की केंद्रीय अवधारणात्मक धुरी को तीक्ष्ण किया जा सकता है। मापने या पूर्वानुमान करने योग्य हैं: तकनीकी गुणवत्ता, सांख्यिकीय सफलता-संभावना, प्रसिद्धि, लोकप्रियता और—सीमित तथा सहसंबंधात्मक रूप में—भावनात्मक प्रभाव। इसके विपरीत आदर्शात्मक, सांस्कृतिक और संदर्भ-निर्भर बने रहते हैं: भावनात्मक सत्यनिष्ठा, मौलिकता, कलात्मक अनिवार्यता और व्यक्तिगत अभिरुचि। एक तकनीकी रूप से त्रुटिहीन, परिचित, सांख्यिकीय रूप से आशाजनक फ़िल्म भावनात्मक रूप से खोखली हो सकती है। शुरू में असहज करने वाली कोई कृति सांस्कृतिक रूप से निर्णायक बन सकती है। यहाँ प्रमाणित कोई भी प्रणाली इस अंतर पर निर्णय नहीं करती।

इसका कारण संरचनात्मक है, केवल मात्रात्मक नहीं। मॉडल नए की तुलना ज्ञात से करते हैं। ठीक इसीलिए शोध डेटा-संचालित एकरूपता के प्रति चेतावनी देता है: Fleder और Hosanagar का शास्त्रीय निष्कर्ष दिखाता है कि सिफ़ारिश प्रणालियाँ „स्वयं को सुदृढ़ करने वाले चक्र“ उत्पन्न कर सकती हैं, जिनमें लोकप्रिय शीर्षक अधिक बार सुझाए जाते हैं, अधिक बार उपभोग किए जाते हैं और फिर और अधिक बार सुझाए जाते हैं—„These cycles reduce diversity“ (INFORMS)। 82,290 उत्पादों और 11 लाख से अधिक उपयोगकर्ताओं पर किया गया एक बाद का क्षेत्र-प्रयोग पुष्टि करता है कि सहयोगात्मक फ़िल्टर समग्र पेशकश-विविधता को घटाते हैं, भले ही व्यक्तिगत विविधता साथ ही बढ़ भी सकती हो (University of Pennsylvania)। ज्ञात के लिए अनुकूलित प्रणाली प्रवृत्तिवश और अधिक ज्ञात उत्पन्न करती है।

व्यवहार में वास्तव में क्या होता है

वास्तविक तस्वीर दोनों चरम सीमाओं—उत्साही मशीन-आस्था और सरसरी अस्वीकृति—से अधिक सूक्ष्म है। संभवतः सबसे भरोसेमंद व्यावहारिक उदाहरण Cinelytic है: Warner Bros. Pictures International 2020 से इस मंच का उपयोग सामग्री और प्रतिभा के मूल्यांकन तथा रिलीज़-रणनीतियों के संचालन के लिए करता है (Business Wire)। उल्लेखनीय है इसका आत्म-संयम। कंपनी-संस्थापक Tobias Queisser ने Fortune से कहा: „We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans“—और स्पष्ट किया: „We're not in the business of forecasting hits or flops“ (Fortune)। 2025 में Cinelytic ने Jumpcut Media और उसके पटकथा-विश्लेषण उपकरण ScriptSense के अधिग्रहण से अपना पोर्टफ़ोलियो बढ़ाया; उल्लिखित ग्राहकों में Lionsgate और Warner Bros. शामिल हैं (Variety)।

पोस्ट-प्रोडक्शन के उपकरण-स्तर पर ऐसे स्वचालन 2025 से वाणिज्यिक रूप से उपलब्ध हैं। Blackmagic Design DaVinci Resolve 20 के लिए बताता है कि „IntelliScript“ उपयोगकर्ता द्वारा उपलब्ध कराई गई टेक्स्ट-पटकथा के आधार पर स्वतः एक टाइमलाइन „with the best takes of user selected dialogue“ बनाता है, कि „IntelliCut“ संवादों में मौन को हटा सकता है और वक्ता-पहचान द्वारा वक्ताओं को अलग-अलग ट्रैक पर रख सकता है, और कि कट-पेज पर „Multicam SmartSwitch“ „automatically select angles based on who is speaking“ करता है (Blackmagic Design)। ये सहायक सुझाव और तकनीकी कार्यों के स्वचालन हैं—एक रफ़ कट, मौन का काटना, बोलते हुए कैमरे का चयन। वे न किसी कैमरा-सौंदर्यशास्त्र को आधार देते हैं, न किसी लय को: वह नाट्य-निर्णय नहीं, कि किसी भावनात्मक दृश्य में कोई कट एक सेकंड पहले या बाद में क्यों बैठता है।

विश्लेषण और निर्णय के बीच की सीमा का अक्सर उद्धृत उदाहरण वह AI-समर्थित ट्रेलर है, जिसे IBM ने 2016 में 20th Century Fox की फ़िल्म Morgan के लिए विकसित किया था। IBM Research इस परियोजना को मानव-मशीन सहयोग के रूप में बताता है: छवि, ध्वनि, मनोदशा और दृश्य-संरचना के बहुविध विश्लेषण ने दस उपयुक्त क्षणों को पहचाना, जिन्हें बाद में एक पेशेवर फ़िल्मकार ने व्यवस्थित और संपादित किया (IBM Research)। IBM-शोध-प्रमुख John Smith के अनुसार संपादक ने दस में से नौ सुझाए गए क्लिप का उपयोग किया, उनकी सीमाएँ समायोजित कीं, ट्रांज़िशन लगाए और संगीत चुना—„that was a completely human process“ (VICE)। प्रणाली ने विश्लेषण किया और क्षण सुझाए; सिनेमाई चयन और अंतिम संपादन मानवीय ही रहा। एक ऐतिहासिक प्रयोग के रूप में यह मामला स्वचालित ट्रेलर-विश्लेषण की क्षमता को दर्शाता है—किसी स्वायत्त सिनेमाई अभिरुचि को नहीं।

प्रति-तर्क, सीमाएँ और जोखिम

इस संशय के विरुद्ध सबसे प्रबल आपत्ति यह है: मानवीय अभिरुचि भी सीखी हुई है, अनुभव, संस्कृति और अनुकरण से गढ़ी हुई। जब कोई मॉडल ऐसे पैटर्न पहचानता है जो „काम करते हैं“, तो क्या वह किसी अनुभवी संपादक से मूलतः कुछ भिन्न करता है? प्रमाणित अंतर पैटर्न-पहचान की क्षमता में कम, और इसमें अधिक है कि क्या मापा जा सकता है। प्रणालियाँ अवलोकनीय राशियों—क्लिक, ठहराव-अवधि, राजस्व—पर अनुकूलन करती हैं। कलात्मक अनिवार्यता, सांस्कृतिक प्रभाव और साहसी, उत्पादक ग़लत निर्णय यहाँ जाँचे गए किसी भी स्रोत में मापने योग्य लक्ष्य-राशि के रूप में परिभाषित नहीं हैं।

इससे ठोस जोखिम उत्पन्न होते हैं। पहला, स्वयं को सुदृढ़ करने वाले लोकप्रियता-चक्रों द्वारा एकरूपीकरण का प्रलेखित ख़तरा (INFORMS)। दूसरा, पूर्वानुमान-उपकरणों की „false objectivity“, जिनकी संख्याएँ वहाँ निश्चितता का आभास देती हैं, जहाँ वास्तव में एक सांस्कृतिक और सौंदर्यात्मक निर्णय लिया जाना चाहिए (Cineuropa)। तीसरा, तकनीकी गुणवत्ता और सत्यनिष्ठा का भ्रम: कोई दृश्य पूर्ण रूप से रचा हुआ हो सकता है और फिर भी निरर्थक। साथ ही AI से हर प्रासंगिकता छीन लेना ग़लत होगा। एक विश्लेषणात्मक उपकरण के रूप में—जोखिम-आकलन के लिए, तकनीकी काम के स्वचालन के लिए, वितरण के वैयक्तिकरण के लिए—इसकी उपयोगिता प्रमाणित है। सीमा मनुष्य और मशीन के बीच नहीं, बल्कि मापने योग्य और निर्णय के बीच खिंचती है।

निष्कर्ष: सहसंबंध और अर्थ के बीच

एक AI-प्रणाली यह सीख सकती है कि कौन-सी छवियाँ, कहानियाँ या कट अक्सर काम करती हैं। वह परीक्षण-समूहों की प्रतिक्रियाओं को समूहबद्ध कर सकती है, संभावनाओं का आकलन कर सकती है और ऐसे सहसंबंध उजागर कर सकती है जो मानवीय दृष्टि से बच निकलते हैं। इससे यह नहीं निकलता कि वह समझती है कि किसी विशेष कहानी में कोई विशेष दृश्य भावनात्मक रूप से क्यों अनिवार्य है। अभिरुचि केवल लोकप्रियता नहीं है, और सांख्यिकीय संभावना कोई सौंदर्यात्मक निर्णय नहीं है। 2026 की ईमानदार स्थिति दो सुविधाजनक आख्यानों के बीच है: मशीन न तो निर्देशकीय शैली की जगह लेती है, न ही वह अप्रासंगिक है। वह प्रश्न को खिसका देती है। अब यह नहीं: क्या संभवतः काम करेगा? बल्कि: जब डेटा और अंतर्ज्ञान अलग-अलग हो जाएँ, तो निर्णय कौन करता है—और जब कोई असहज करने वाली कृति ही निर्णायक सिद्ध हो, तो रचनात्मक जोखिम कौन उठाता है? यह निर्णय फ़िलहाल एक मानवीय निर्णय ही रहता है।