World-in-World: World Models in a Closed-Loop World
यह शोध पत्र "वर्ल्ड-इन-वर्ल्ड" (World-in-World) को प्रस्तुत करता है, जो क्लोज्ड-लूप एम्बॉडीड सेटिंग्स में जनरेटिव वर्ल्ड मॉडल्स के बेंचमार्किंग के लिए पहला ओपन प्लेटफॉर्म है, जो यह प्रकट करता है कि टास्क की सफलता के लिए केवल विजुअल क्वालिटी की तुलना में कंट्रोलैबिलिटी (controllability), एक्शन-ऑब्जर्वेशन स्केलिंग (action-observation scaling) और इन्फरेंस-टाइम कंप्यूट (inference-time compute) अधिक महत्वपूर्ण हैं।
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 एक रोबोट एक बिखरे हुए कमरे में किसी विशिष्ट वस्तु को खोजने की कोशिश कर रहा है। सफल होने के लिए, वह केवल उस पर प्रतिक्रिया नहीं दे सकता जो वह वर्तमान क्षण में देख रहा है; उसे यह अनुमान लगाना होगा कि यदि वह एक कदम आगे बढ़ता है, बाईं ओर मुड़ता है, या हाथ बढ़ाता है, तो क्या होगा। उसे दुनिया का एक मानसिक मॉडल चाहिए, भविष्य को वास्तव में घटित होने से पहले उसका अनुकरण (सिमुलेट) करने का एक तरीका। वर्षों से, वैज्ञानिक ऐसे कृत्रिम बुद्धिमत्ता (AI) सिस्टम बना रहे हैं जो चलती हुई दृश्यों के आश्चर्यजनक रूप से यथार्थवादी वीडियो बना सकते हैं। इन प्रणालियों को अक्सर 'वर्ल्ड मॉडल्स' कहा जाता है, जो सड़क पर चलती कार या मेज से गिरते कप के ऐसे दृश्य बना सकते हैं जिनकी दृश्य सटीकता वास्तविक फुटेज जैसी दिखती है। हालाँकि, एक महत्वपूर्ण प्रश्न अनसुलझा रह गया है: क्या यह दृश्य सुंदरता वास्तव में एक रोबोट को बेहतर निर्णय लेने में मदद करती है? अब तक, यह क्षेत्र उन बेंचमार्क द्वारा हावी रहा है जो इन मॉडलों का मूल्यांकन केवल इस आधार पर करते हैं कि उनके द्वारा बनाए गए वीडियो कितने सुंदर दिखते हैं, यह अनदेखा करते हुए कि क्या वे वीडियो एक वास्तविक कार्य को पूरा करने की कोशिश कर रहे रोबोट के लिए उपयोगी हैं।
शोधकर्ताओं की एक टीम ने 'वर्ल्ड-इन-वर्ल्ड' नामक एक नया दृष्टिकोण पेश किया है, जो ध्यान को दृश्य पूर्णता से हटाकर व्यावहारिक उपयोगिता पर केंद्रित करता है। यह पूछने के बजाय कि "यह वीडियो कितना अच्छा दिखता है?", वे पूछते हैं "क्या यह वीडियो एजेंट को सफल होने में मदद करता है?" शोधकर्ताओं ने एक क्लोज्ड-लूप परीक्षण मंच बनाया जहाँ कृत्रिम एजेंटों को चार अलग-अलग भौतिक कार्यों को करना होता है: सक्रिय रूप से इधर-उधर देखकर छिपी हुई वस्तु को खोजना, एक एकल संदर्भ छवि के आधार पर किसी स्थान तक पहुँचना, 3D वातावरण का पता लगाने के बाद प्रश्नों के उत्तर देना, और वस्तुओं को हिलाने के लिए एक रोबोटिक आर्म को नियंत्रित करना। इस सेटअप में, वर्ल्ड मॉडल एक सिम्युलेटर के रूप में कार्य करता है। किसी भी भौतिक क्रिया को करने से पहले, रोबोट मॉडल का उपयोग कई संभावित भविष्य की कल्पना करने के लिए करता है। फिर वह इन कल्पित परिदृश्यों का मूल्यांकन करता है ताकि उस पथ को चुन सके जिसके सफलता की सबसे अधिक संभावना हो, प्रभावी रूप से कार्य करने से पहले आगे की सोचता है।
इस नए मूल्यांकन के परिणामों ने दृश्य गुणवत्ता और कार्य प्रदर्शन के बीच एक आश्चर्यजनक विच्छेद (डिस्कनेक्ट) का खुलासा किया। शोधकर्ताओं ने अत्याधुनिक वीडियो जनरेटरों की एक विस्तृत श्रृंखला का परीक्षण किया, जिनमें कुछ ऐसे भी शामिल थे जो अविश्वसनीय रूप से उच्च-परिभाषा और सौंदर्यपूर्ण क्लिप उत्पन्न करते हैं। उन्होंने पाया कि उच्च दृश्य गुणवत्ता अकेले यह गारंटी नहीं देती कि एक रोबोट अपने कार्य में सफल होगा। एक मॉडल कमरे का एक सुंदर वीडियो बना सकता है, लेकिन यदि उस वीडियो में भौतिकी (फिजिक्स) थोड़ी भी गलत है, या यदि रोबोट सिमुलेशन के भीतर कैमरे की गति को सटीक रूप से नियंत्रित नहीं कर सकता है, तो रोबोट गलत निर्णय लेगा। वास्तव में, अध्ययन ने दिखाया कि 'कंट्रोलेबिलिटी' (नियंत्रणीयता)—विशिष्ट, निम्न-स्तरीय क्रियाओं के साथ सिमुलेशन को निर्देशित करने की क्षमता—दृश्य की शुद्ध सुंदरता से कहीं अधिक महत्वपूर्ण है। एक मॉडल जो "दो कदम आगे बढ़ें" के कमांड पर विश्वसनीय रूप से प्रतिक्रिया देता है, वह एक ऐसे मॉडल की तुलना में अधिक मूल्यवान है जो एक शानदार लेकिन अनियंत्रित वीडियो बनाता है।
इसके अलावा, टीम ने पाया कि केवल एक अधिक शक्तिशाली प्री-ट्रेन्ड वीडियो जनरेटर का उपयोग करना रोबोट के प्रदर्शन को बेहतर बनाने का सबसे अच्छा तरीका नहीं है। इसके बजाय, उन्होंने पाया कि एक मानक वीडियो जनरेटर को लेना और उसे रोबोट के वातावरण और कार्यों के विशिष्ट डेटा के साथ फाइन-ट्यून करना कहीं बेहतर परिणाम देता है। इस प्रक्रिया को 'पोस्ट-ट्रेनिंग' कहा जाता है, जो मॉडल की भविष्यवाणियों को उस विशिष्ट भौतिक दुनिया के नियमों के साथ संरेखित करती है जिसमें रोबोट रहता है। डेटा ने एक स्पष्ट 'स्केलिंग लॉ' भी दिखाया: पोस्ट-ट्रेनिंग के दौरान मॉडल क्रिया और अवलोकन के जितने अधिक उदाहरण देखता है, वह रोबोट को सफल होने में मदद करने में उतना ही बेहतर होता जाता है। इसके अतिरिक्त, सिस्टम को अधिक गणना (कंप्यूट) करने का समय देने से—निर्णय लेने से पहले अधिक संभावित भविष्यों का अनुकरण करने की अनुमति देने से—उसकी सफलता दर में उल्लेखनीय सुधार हुआ।
अध्ययन यह निष्कर्ष निकालता है कि वर्ल्ड मॉडल्स को रोबोटिक्स और एम्बॉडीड AI के लिए वास्तव में उपयोगी होने के लिए, उन्हें दोषरहित दृश्य बनाने की क्षमता के बजाय निर्णय लेने में सहायता करने की उनकी क्षमता से आंका जाना चाहिए। हालांकि वर्तमान मॉडल अभी भी रोबोटिक हेरफेर की जटिल भौतिकी, जैसे कि वस्तुओं के बीच सटीक घर्षण और संपर्क के साथ संघर्ष कर रहे हैं, यह नया ढांचा एक स्पष्ट मार्ग प्रदान करता है। कंट्रोलेबिलिटी को प्राथमिकता देकर और पोस्ट-ट्रेनिंग के माध्यम से मॉडलों को विशिष्ट कार्यों के अनुकूल बनाकर, शोधकर्ता ऐसे सिस्टम बना सकते हैं जो न केवल वास्तविक दुनिया की तरह दिखते हैं, बल्कि वास्तव में यह समझते हैं कि उसके साथ कैसे परस्पर क्रिया करनी है। चित्र को परखने से लेकर योजना का परीक्षण करने की ओर यह बदलाव, ऐसे बुद्धिमान एजेंट बनाने की दिशा में एक महत्वपूर्ण कदम है जो भौतिक दुनिया में विश्वसनीय रूप से नेविगेट और हेरफेर कर सकें।
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।