A Compositional Paradigm for Foundation Models: Towards Smarter Robotic Agents
यह शोध पत्र गतिशील वास्तविक दुनिया के परिदृश्यों में अनुकूलन करने की उनकी सीमाओं को दूर करने के लिए फाउंडेशन मॉडल्स में निरंतर शिक्षण (Continual Learning) और संरचनात्मकता (Compositionality) के सिद्धांतों को एकीकृत करने का प्रस्ताव करता है, जिससे अधिक लचीले, कुशल और स्मार्ट रोबोटिक एजेंटों के विकास को सक्षम बनाया 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 आप एक रोबोट को टोस्ट बनाने से लेकर टपकते हुए नल को ठीक करने तक सब कुछ करना सिखाने की कोशिश कर रहे हैं। लंबे समय तक, ऐसा करने का सबसे अच्छा तरीका रोबोट के लिए एक "सुपर-ब्रेन" बनाना था—एक विशाल, सर्वज्ञ मॉडल जिसे टेराबाइट्स के डेटा पर प्रशिक्षित किया गया हो। इसे एक ऐसे जीनियस को काम पर रखने की तरह समझें जिसने लाइब्रेरी की हर किताब पढ़ी है और इंटरनेट के हर वीडियो को देखा है। ये "फाउंडेशन मॉडल्स" अविश्वसनीय रूप से स्मार्ट होते हैं; वे इंसानों की तरह बातें कर सकते हैं, तस्वीरों को पहचान सकते हैं, और यहाँ तक कि रोबोटिक भुजाओं को भी नियंत्रित कर सकते हैं। लेकिन इसमें एक पेंच है: वे एक विशाल, भारी बैकपैक की तरह हैं। एक बार जब आप उन्हें पहन लेते हैं, तो उन्हें बदलना कठिन होता है। यदि रोबोट को कोई बिल्कुल नया कौशल सीखना है, जैसे कि किसी विशिष्ट प्रकार के जार को खोलना, तो आपको अक्सर वह पूरा बैकपैक उतारना पड़ता है, उस जीनियस को शून्य से फिर से प्रशिक्षित करना पड़ता है और उसे वापस पहनना पड़ता है। इसमें बहुत समय लगता है, बहुत बिजली खर्च होती है, और यदि रोबट जार के बारे में सीखते समय टोस्ट बनाना भूल जाता है, तो यह "कैटैस्ट्रोफिक फॉरगेटिंग" (विनाशकारी विस्मृति) नामक समस्या है।
इसे ठीक करने के लिए, वैज्ञानिक दो अलग-अलग विचारों की ओर देख रहे हैं: कंटीन्यूअल लर्निंग (सतत सीखना) और कंपोजिशनैलिटी (संयोजकता)। कंटीन्यूल लर्निंग एक ऐसे छात्र की तरह है जो कभी पढ़ाई करना बंद नहीं करता; वे पुराने ज्ञान को भूले बिना अपने मस्तिष्क में नया ज्ञान जोड़ते रहते हैं। कंपोजिशनैलिटी LEGO ब्रिक्स के साथ निर्माण करने की तरह है। प्लास्टिक के एक विशाल, अखंड ब्लॉक के बजाय, आपके पास कई छोटे, विशिष्ट ब्रिक्स होते हैं। आप उन्हें अलग-अलग तरीकों से जोड़कर एक किला, एक कार या एक अंतरिक्ष यान बना सकते हैं। यदि आपको अंतरिक्ष यान को पनडुब्बी में बदलना है, तो आप बस कुछ ब्रिक्स बदल देते हैं बजाय इसके कि पूरी चीज़ को पिघला दिया जाए। बड़ा सवाल यह है: क्या हम इन LEGO जैसे बिल्डिंग ब्लॉक्स का उपयोग करके ऐसे रोबोट बना सकते हैं जो आज के विशाल बैकपैक्स की तुलना में अधिक स्मार्ट, तेज़ और अपडेट करने में आसान हों?
यह शोध पत्र, जिसका शीर्षक है "A Compositional Paradigm for Foundation Models: Towards Smfter Robotic Agents है, सुझाव देता है कि उत्तर 'हाँ' है। लेखक तर्क देते हैं कि केवल AI मॉडल्स को बड़ा और बड़ा बनाना एक दीवार से टकरा रहा है। वे प्रस्ताव देते हैं कि एक विशाल, कठोर मॉडल को प्रशिक्षित करने के बजाय, हमें ऐसे सिस्टम बनाने चाहिए जो छोटे, विशिष्ट हिस्सों को जोड़ते हों। उन्होंने इस विचार का परीक्षण दो बहुत ही अलग दुनियाओं में किया: छवियों को पहचानना और रोबोटिक भुजाओं को नियंत्रित करना।
सबसे पहले, उन्होंने इमेज क्लासिफिकेशन (छवि वर्गीकरण) को देखा। कल्पना कीजिए कि आप एक कंप्यूटर को विभिन्न प्रकार की तस्वीरों का एक स्ट्रीम दिखा रहे हैं, जैसे पक्षी, कार और फूल, एक के बाद एक। हर बार जब कोई नया प्रकार की तस्वीर आती है, तो पूरे कंप्यूटर विज़न सिस्टम को फिर से प्रशिक्षित करने के बजाय, लेखकों ने प्रत्येक नए कार्य के लिए छोटे, अलग मॉड्यूल (जिन्हें LoRA एडेप्टर कहा जाता है) का उपयोग किया। फिर, उन्होंने इन मॉड्यूल्स को आपस में जोड़ने के लिए एक स्मार्ट मर्जिंग प्रक्रिया का उपयोग किया। उन्होंने पाया कि यह विधि न केवल अधिक सटीक थी, बल्कि प्रशिक्षित करने में बहुत तेज़ भी थी। 50 अलग-अलग कार्यों वाले डेटासेट पर उनके परीक्षणों में, उनके "LEGO" तरीके ने 55.17% की सटीकता प्राप्त की, जो अन्य तरीकों को पछाड़ दिया जो केवल 47.56% या 36.02% तक ही पहुँच पाए। इससे भी बेहतर यह कि इसे प्रशिक्षित करने में केवल 170.61 सेकंड लगे, जबकि उनके प्रतिस्पर्धियों को 300 सेकंड से अधिक समय लगा।
इसके बाद, वे इस विचार को रोबोटिक्स की वास्तविक दुनिया में ले गए। वे देखना चाहते थे कि क्या एक रोबोट बिना सुपर-कंप्यूटर की आवश्यकता के वस्तुओं को संचालित करना सीख सकता है। उन्होंने एक ऐसा सिस्टम बनाया जो एक रोबोट के मौजूदा मस्तिष्क को सूक्ष्म रूप से बदलने के लिए छोटे, पूर्व-प्रशिक्षित "एडेप्टर्स" का उपयोग करता है, जिससे उसे मौके पर ही नए संदर्भों के अनुकूल होने की अनुमति मिलती है। परिणाम आश्चर्यजनक थे। एक रोबोटिक मैनिपुलेशन कार्य में, उनके हल्के वजन वाले तरीके ने 0.91 की सफलता दर (इसका अर्थ है कि वह 91% बार सफल हुआ) हासिल की और प्रति स्टेप 0.60 का रिवॉर्ड अर्जित किया। इसके विपरीत, OpenVLA और InstructRL जैसे बहुत अधिक जटिल और प्रसिद्ध मॉडल्स पूरी तरह से विफल रहे, जो 0.0 की सफलता दर प्राप्त कर रहे थे। जहाँ भारी-भरकम मॉडल्स को प्रशिक्षित करने में 40 से 92 घंटे लगे, वहीं लेखक के तरीके ने यह काम केवल 14 घंटों में कर दिया।
यह शोध पत्र निष्कर्ष निकालता है कि रोबोट्स को वास्तव में स्मार्ट एजेंट बनने के लिए जो अराजक, बदलती वास्तविक दुनिया को संभाल सकें, उन्हें स्थिर दिग्गजों के बजाय लचीले कौशल के संग्रह के रूप में विकसित होना होगा। इन छोटे, कुशल हिस्सों को जोड़कर, हम ऐसे एजेंट बना सकते हैं जो पुराने को भूले बिना नई चीजें सीख सकते हैं, और वह भी बहुत कम ऊर्जा और समय का उपयोग करके। यह एक एकल, अपरिवर्तनीय सुपर-ब्रेन बनाने से हटकर विशेषज्ञ विशेषज्ञों की एक टीम को असेंबल करने की ओर एक बदलाव है जो एक साथ काम कर सकते हैं, तुरंत अनुकूलित हो सकते हैं, और समस्याओं को उस स्तर के लचीलेपन के साथ हल कर सकते हैं जो पुराने तरीके में संभव नहीं था।
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।