A Comprehensive Survey of Agents for Computer Use: Foundations, Challenges, and Future Directions
यह सर्वेक्षण कंप्यूटर उपयोग के लिए 87 एजेंटों (ACUs) और 33 डेटासेट्स का एक व्यापक वर्गीकरण और विश्लेषण प्रस्तुत करता है ताकि प्रमुख अनुसंधान अंतराल की पहचान की जा सके और डिजिटल प्लेटफॉर्म पर जटिल कार्यों को निष्पादित करने में सक्षम मजबूत, सामान्य-उद्देश्य वाले एजेंट विकसित करने के लिए भविष्य की दिशाओं का प्रस्ताव दिया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपके पास एक बहुत ही स्मार्ट, उत्साही रोबोटिक सहायक है। आप उसे कहते हैं, "कृपया पेरिस के लिए एक फ्लाइट बुक करें और पुष्टिकरण (confirmation) मेरे बॉस को ईमेल कर दें।" एक आदर्श दुनिया में, यह रोबोट आपका ब्राउज़र खोलेगा, एयरलाइन साइट खोजेगा, सही बटनों पर क्लिक करेगा, फॉर्म भरेगा और भेज देगा।
यह शोध पत्र इस बात का एक व्यापक सर्वेक्षण है कि हम उस आदर्श रोबोट को बनाने के कितने करीब हैं। लेखक इन रोबोट्स को "एजेंट्स फॉर कंप्यूटर यूज़" (ACUs) कहते हैं। ये ऐसे सॉफ्टवेयर प्रोग्राम हैं जो केवल आपसे चैट नहीं करते; वे वास्तव में आपके कंप्यूटर या फोन पर कुछ काम करते हैं, जैसे माउस क्लिक करना या स्क्रीन टैप करना।
यहाँ इस पेपर का विवरण दिया गया है, जिसे कुछ रोज़मर्रा के उपमाओं (analogies) के साथ समझाया गया है:
1. वर्तमान स्थिति: "टॉडलर" (Toddler) चरण
अभी, ये AI एजेंट स्मार्ट बच्चों (toddlers) की तरह हैं। वे सरल निर्देशों का पालन कर सकते हैं, लेकिन यदि आप उनसे कुछ जटिल करने को कहें या यदि स्क्रीन थोड़ी बदल जाए (जैसे कि कोई पॉप-अप विज्ञापन आ जाए), तो वे अक्सर भ्रमित हो जाते हैं, गलत चीज़ पर क्लिक कर देते हैं, या हार मान लेते हैं।
लेखकों ने 87 अलग-अलग शोध परियोजनाओं और 33 डेटासेट्स (अभ्यास परीक्षणों) का अध्ययन किया ताकि यह देखा जा सके कि क्या काम कर रहा है और क्या टूटा हुआ है। उन्होंने पाया कि हालांकि हम तेज़ी से आगे बढ़ रहे हैं, लेकिन ये एजेंट अभी रोज़मर्रा के ऑफिस के काम के लिए तैयार नहीं हैं।
2. समस्या को देखने के तीन तरीके
इन रोबोटों को समझने के लिए कि वे संघर्ष क्यों कर रहे हैं, लेखकों ने सभी शोध को व्यवस्थित करने के लिए एक नया "मानचित्र" (taxonomy) बनाया है। वे समस्या को तीन कोणों से देखते हैं:
- मैदान (Domain): रोबोट कहाँ काम कर रहा है? क्या वह एक वेबसाइट (Web) पर है, एक फोन (Android) पर, या एक डेस्कटॉप कंप्यूटर पर?
- उपमा: यह पूछने जैसा है कि क्या रोबोट वीडियो गेम में, वास्तविक हाईवे पर, या पार्किंग लॉट में गाड़ी चलाना सीख रहा है। पेपर नोट करता है कि अधिकांश शोध वेबसाइटों और फोन पर है, लेकिन डेस्कटॉप कंप्यूटर (जहाँ हम वास्तव में काम करते हैं) को नज़रअंदाज़ किया जा रहा है।
- इंद्रियां और अंग (Interaction): रोबोट स्क्रीन को कैसे देखता है और छूता है?
- आंखें (Observation): क्या वह एक स्क्रीनशॉट देखता है (जैसे एक इंसान स्क्रीन को देखता है) या वह स्क्रीन के पीछे के कोड को पढ़ता है (जैसे किसी इमारत के ब्लूप्रिंट को पढ़ना)?
- बड़ी खोज: कोड पढ़ना तेज़ है लेकिन नाजुक है। यदि वेबसाइट का कोड थोड़ा भी बदल जाता है, तो रोबोट भटक जाता है। स्क्रीनशॉट देखना धीमा है लेकिन बहुत अधिक मजबूत (robust) है, ठीक वैसे ही जैसे एक इंसान। पेपर का तर्क है कि हमें रोबोट को इंसानों की तरह "देखना" सिखाना चाहिए।
- हाथ (Action): क्या रोबोट नाम से विशिष्ट बटनों पर क्लिक करता है, या वह सटीक निर्देशांक (coordinates) पर माउस ले जाता है?
- आंखें (Observation): क्या वह एक स्क्रीनशॉट देखता है (जैसे एक इंसान स्क्रीन को देखता है) या वह स्क्रीन के पीछे के कोड को पढ़ता है (जैसे किसी इमारत के ब्लूप्रिंट को पढ़ना)?
- मस्तिष्क (Agent): रोबोट कैसे सोचता है और सीखता है?
- विशेष मस्तिष्क (Specialized Brains): ये एक विशिष्ट काम के लिए बनाए गए हैं (जैसे कैलकुलेटर)। ये तेज़ हैं लेकिन कुछ और नहीं कर सकते।
- फाउंडेशन मस्तिष्क (Foundation Brains): ये "सुपर-स्मार्ट" मॉडल हैं (जैसे वे जो ChatGPT को शक्ति देते हैं) जो हर चीज़ के बारे में थोड़ा-बहुत जानते हैं। वे नया मानक बन रहे हैं क्योंकि वे बेहतर तर्क (reasoning) कर सकते हैं।
3. छह बड़ी बाधाएं (वह सूची कि "हम अभी यह क्यों नहीं कर सकते")
लेखकों ने छह प्रमुख कारणों की पहचान की है कि क्यों ये एजेंट अभी मुख्य भूमिका के लिए तैयार नहीं हैं:
- कमजोर दृष्टि (Brittle Vision): कई रोबोट वेबसाइट का "कोड" पढ़ने पर निर्भर करते हैं। यदि वेबसाइट का डिज़ाइन अपडेट होता है, तो रोबोट टूट जाता है। उन्हें स्क्रीन को वैसे देखना सीखना होगा जैसे एक इंसान देखता है।
- अकुशल सीखना (Inefficient Learning): इन रोबोटों को सिखाना महंगा और धीमा है। यह एक कुत्ते को गेंद फेंककर लाना सिखाने जैसा है जिसमें आपको 10,000 बार गेंद फेंकनी पड़ती है। हमें उन्हें तेज़ी से सिखाने के बेहतर तरीकों की आवश्यकता है।
- कम ध्यान अवधि (Short Attention Spans/Planning): ये रोबोट लंबी अवधि की योजना बनाने में बहुत खराब हैं। वे स्टेप 1 कर सकते हैं, लेकिन जब तक वे स्टेप 5 तक पहुँचते हैं, वे स्टेप 2 भूल जाते हैं। वे उन जटिल कार्यों के लिए संघर्ष करते हैं जिनमें एक "गेम प्लान" की आवश्यकता होती है।
- नकली अभ्यास परीक्षण (Fake Practice Tests): वर्तमान परीक्षण (benchmarks) बहुत आसान हैं। वे सरलीकृत वेबसाइटों का उपयोग करते हैं जो वास्तविक इंटरनेट की तरह नहीं दिखतीं। यह एक पायलट को बिना हवा या विक्षोभ (turbulence) वाले सिम्युलेटर में प्रशिक्षित करने जैसा है, और फिर यह उम्मीद करना कि वे तूफान में असली विमान उड़ाएंगे।
- कोई मानक स्कोरकार्ड नहीं (No Standard Scorecard): हर कोई अपने रोबोटों को अलग तरह से ग्रेड कर रहा है। एक शोधकर्ता कहता है कि उनका रोबोट "90% अच्छा" है, जबकि दूसरा कहता है "80% अच्छा," लेकिन वे अलग-अलग चीजें माप रहे हैं। हमें एक मानक परीक्षण की आवश्यकता है, जैसे AI के लिए SATs।
- लैब बनाम वास्तविकता का अंतर (The Lab vs. Reality Gap): लैब में, कंप्यूटर स्क्रीन स्थिर और शांत होती है। वास्तविक दुनिया में, ईमेल आते हैं, विंडो एक-दूसरे के ऊपर आती हैं, और ऐप्स क्रैश हो जाते हैं। रोबोट इस अराजकता के लिए प्रशिक्षित नहीं हैं।
4. रोडमैप: इसे कैसे ठीक करें
लेखक एक उपयोगी रोबोटिक सहायक बनाने के लिए एक स्पष्ट मार्ग प्रस्तावित करते हैं:
- उन्हें "देखना" सिखाएं: कोड पर निर्भर रहना छोड़ दें; उन्हें स्क्रीनशॉट पर प्रशिक्षित करें ताकि वे किसी भी स्क्रीन लेआउट को संभाल सकें।
- बेहतर सीखना: उन्हें लाखों मानवीय उदाहरणों की आवश्यकता के बिना सस्ते और स्मार्ट तरीके से सिखाने के तरीके खोजें।
- लॉन्ग-होरिज़न थिंकिंग (Long-Horizon Thinking): उन्हें बेहतर "योजना" कौशल दें ताकि वे बिना भटके बहु-चरणीय कार्यों को संभाल सकें।
- वास्तविक दुनिया के परीक्षण: कठिन, अधिक अस्त-व्यस्त अभ्यास परीक्षण बनाएं जो वास्तविक जीवन की तरह दिखते हों।
- स्कोर को मानकीकृत करें: एक मुख्य मीट्रिक पर सहमत हों: क्या रोबोट ने पूरा काम पूरा किया? (सफलता दर/Success Rate), न कि केवल "क्या उसने सही बटन दबाया?"
- सुरक्षा सर्वोपरि: स्वीकार करें कि वास्तविक दुनिया में, रोबोटों को यह पता होना चाहिए कि कब रुकना है और मानव से मदद मांगनी है, विशेष रूप से खतरनाक कार्यों के लिए जैसे कि फाइलें डिलीट करना।
निचोड़ (The Bottom Line)
यह पेपर कार्रवाई का एक आह्वान है। यह कहता है, "हमने अद्भुत प्रगति की है, लेकिन हम अभी भी 'खिलौना' चरण में हैं।" उस बिंदु तक पहुँचने के लिए जहाँ एक AI वास्तव में आपके कंप्यूटर को आपके लिए प्रबंधित कर सके, हमें ऐसे रोबोट बनाना बंद करना होगा जो केवल पूर्ण, नकली वातावरण में काम करते हैं और ऐसे रोबोट बनाने शुरू करने होंगे जो हमारे डिजिटल जीवन की अव्यवस्थित, अप्रत्याशित वास्तविकता को संभाल सकें।
संक्षेप में: हम इंजन बना रहे हैं, लेकिन हमें कार को केवल एक सीधे, खाली ट्रैक पर नहीं, बल्कि ट्रैफिक में गाड़ी चलाना सिखाने की आवश्यकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।