PAN: A World Model for General, Actionable, and Long-Horizon World Simulation
यह शोध पत्र PAN को प्रस्तुत करता है, जो जेनेरेटिव लेटेंट प्रेडिक्शन (GLP) आर्किटेक्चर पर आधारित एक वर्ल्ड मॉडल है, जो उन्नत सिमुलेटिव रीजनिंग और प्लानिंग को सक्षम करने के लिए स्टेटफुल लेटेंट रिप्रेजेंटेशन, क्लोज्ड-लूप इंफॉर्मेशन फ्लो और एक मिक्सड LLM/डिफ्यूजन बैकबोन को संयोजित करके सामान्य, ओपन-डोमेन, एक्शन-ड्रिवन प्रेडिक्शन और लॉन्ग-होराइजन कंसिस्टेंसी में मौजूदा सीमाओं को दूर करता है।
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
एक ऐसे मन की कल्पना करें जो केवल दुनिया की प्रतिक्रिया नहीं देता, बल्कि उसका पूर्वानुमान भी लगाता है। दशकों से, वैज्ञानिक ऐसी कृत्रिम बुद्धिमत्ता (AI) बनाने की कोशिश कर रहे हैं जो केवल एक फोटो में बिल्ली को पहचानने या कविता लिखने से कहीं अधिक कर सके; वे ऐसी मशीनें चाहते हैं जो यह समझ सकें कि जब आप एक कप को धकेलते हैं, स्टीयरिंग व्हील घुमाते हैं, या दरवाजा खोलते हैं, तो भौतिक दुनिया कैसे बदलती है। वर्तमान कार्यों के आधार पर भविष्य की भविष्यवाणी करने की इस क्षमता को "वर्ल्ड मॉडल" (विश्व मॉडल) के रूप में जाना जाता है। यह वह संज्ञानात्मक इंजन है जो जीवित प्राणियों को योजना बनाने, "क्या होगा यदि" की कल्पना करने और खतरा होने से पहले उससे बचने की अनुमति देता है। जबकि आधुनिक कंप्यूटर चित्र और टेक्स्ट उत्पन्न करने में बहुत कुशल हो गए हैं, वे अक्सर वास्तविकता के कारण-और-प्रभाव (cause-and-effect) के तर्क को सिम्युलेट करने में संघर्ष करते हैं। वे एक कार के चलते हुए सुंदर वीडियो बना सकते हैं, लेकिन वे विश्वसनीय रूप से यह अनुमान नहीं लगा सकते कि यदि वह कार अचानक गड्ढे से बचने के लिए मुड़ जाए तो क्या होगा। इस भविष्यवाणात्मक शक्ति के बिना, कृत्रिम बुद्धिमत्ता एक जटिल, परिवर्तनशील वातावरण में निर्णय लेने में सक्षम सक्रिय भागीदार के बजाय केवल एक निष्क्रिय दर्शक बनी रहती है।
मोहम्मद बिन जायद यूनिवर्सिटी ऑफ आर्टिफिशियल इंटेलिजेंस के शोधकर्ताओं की एक टीम ने PAN नामक एक नई प्रणाली पेश की है, जिसे इस अंतर को पाटने के लिए डिज़ाइन किया गया है। शून्य से वीडियो उत्पन्न करने के बजाय, PAN एक सिम्युलेटर के रूप में कार्य करता है जो यह सीखता है कि विशिष्ट निर्देशों के जवाब में दुनिया कैसे विकसित होती है। शोधकर्ताओं ने इस प्रणाली को 'जेनरेटिव लेटेंट प्रेडिक्शन' (Generative Latent Prediction) नामक एक आधार पर बनाया है, जो कंप्यूटर को भविष्य की भविष्यवाणी करते समय दुनिया की एक सुसंगत आंतरिक स्मृति बनाए रखने के लिए मजबूर करता है। भविष्य की हर एक पिक्सेल को एक साथ अनुमान लगाने की कोशिश करने के बजाय, जिससे अक्सर भ्रम और त्रुटियां होती हैं, PAN इस कार्य को विभाजित करता है। यह पहले वर्तमान दृश्य और की जा रही क्रिया का एक संक्षिप्त, अमूर्त सारांश बनाता है। फिर यह यह अनुमान लगाने के लिए एक शक्तिशाली भाषा-आधारित तर्क इंजन (reasoning engine) का उपयोग करता है कि वह सारांश कैसे बदलेगा। अंत में, यह उस नए सारांश को वापस वीडियो में अनुवादित करता है। यह तीन-चरणीय प्रक्रिया सिस्टम को लंबे समय तक वस्तुओं, लोगों और भौतिकी का ट्रैक रखने की अनुमति देती है, जिससे यह सुनिश्चित होता है कि कई सेकंड के सिम्युलेटेड समय के बाद भी एक पेड़ पेड़ ही रहता है और एक कार कार ही रहती है।
शोधकर्ताओं ने PAN को आठ मिलियन वीडियो क्लिप्स के एक विशाल डेटासेट पर प्रशिक्षित किया है, जो उनके भीतर होने वाली क्रियाओं के विस्तृत विवरणों के साथ जुड़े हुए हैं। इन वीडियो में रोजमर्रा की मानवीय गतिविधियों से लेकर लोगों और उनके परिवेश के बीच जटिल अंतःक्रियाएं शामिल थीं। सिस्टम को "बर्फ से भरे जंगल से होकर गाड़ी चलाएं" या "नीला कप उठाएं" जैसे भाषा-आधारित कमांड के आधार पर वीडियो के अगले क्षण की भविष्यवाणी करना सिखाकर, टीम ने PAN को भौतिक कारण और प्रभाव के नियमों को सीखने में सक्षम बनाया। परीक्षण के दौरान, सिस्टम ने लंबी अनुक्रमों (sequences) में निरंतरता बनाए रखने की उल्लेखनीय क्षमता प्रदर्शित की। प्रयोगों के एक सेट में, शोधकर्ताओं ने मॉडल को क्रियाओं की एक श्रृंखला का अनुकरण करने के लिए कहा, जैसे कि एक रोबोट द्वारा ट्रे के बीच वस्तुओं को हिलाना। जहाँ अन्य सिस्टम कुछ ही चरणों के बाद वस्तुओं का ट्रैक खो देते या असंभव भौतिकी का भ्रम पैदा कर देते, वहीं PAN ने दस से अधिक चरणों तक सुसंगत और तार्किक परिणाम उत्पन्न करना जारी रखा। इसने सफलतापूर्वक भविष्यवाणी की कि यदि एक रोबोट पीले रंग के कैन को पकड़ता है और उसे एक नई ट्रे में ले जाता है, तो अगला फ्रेम आने पर कैन उस नई ट्रे में दिखाई देगा और पुरानी ट्रे खाली होगी।
यह सत्यापित करने के लिए कि PAN वास्तव में वास्तविकता का अनुकरण कर रहा है न कि केवल सुंदर चित्र बना रहा है, शोधकर्ताओं ने इसका मूल्यांकन 'वर्ल्ड रीजनिंग एरिना' (World Reasoning Arena) नामक एक कठोर बेंचमार्क के विरुद्ध किया। इस परीक्षण ने तीन विशिष्ट कौशलों को मापा: सिस्टम ने किसी क्रिया के तत्काल परिणाम का कितनी सटीकता से अनुकरण किया, इसने लंबे समय तक एक सुसंगत दुनिया को कितनी अच्छी तरह बनाए रखा, और क्या इसकी भविष्यवाणियां एक अलग कंप्यूटर प्रोग्राम को बेहतर निर्णय लेने में मदद कर सकती हैं। परिणामों ने दिखाया कि PAN अन्य ओपन-सोर्स मॉडलों से बेहतर प्रदर्शन करता है और अग्रणी वाणिज्यिक प्रणालियों के साथ कड़ी टक्कर देता है। उन कार्यों में जिनमें मशीन को लक्ष्य प्राप्त करने के लिए गतिविधियों के क्रम की योजना बनानी होती है, जैसे कि मेज पर वस्तुओं को छाँटना, PAN को एकीकृत करने से प्लानिंग एजेंट की सफलता दर मानक मॉडल का उपयोग करने की तुलना में बीस प्रतिशत से अधिक बढ़ गई। यह सुझाव देता है कि सिस्टम की भविष्यवाणियां न केवल दृष्टिगत रूप से प्रशंसनीय थीं, बल्कि कारण संबंधी रूप से भी सटीक थीं, जो एक विश्वसनीय भविष्य का मानचित्र प्रदान करती थीं जिस पर एक निर्णय लेने वाला एजेंट भरोसा कर सके।
अध्ययन ने यह भी रेखांकित किया कि जब इन प्रणालियों में प्रमुख घटक गायब होते हैं तो क्या होता है। शोधकर्ताओं ने ऐसे परीक्षण किए जहाँ उन्होंने भाषा-आधारित तर्क इंजन या वीडियो खंडों के बीच संक्रमण को सुचारू बनाने के लिए उपयोग किए जाने वाले विशेष तरीके को हटा दिया। तर्क इंजन के बिना, सिस्टम एजेंटों (जैसे व्यक्ति या रोबोट) से जुड़ी जटिल निर्देशों को समझने में संघर्ष करता था, और वीडियो ट्रांज़िशन झटकेदार हो जाते थे। स्मूथिंग मैकेनिज्म (smoothing mechanism) के बिना, जैसे-जैसे सिमुलेशन आगे बढ़ता गया, वीडियो की गुणवत्ता तेजी से गिरती गई, जिससे वस्तुएं विकृत होने लगीं या गायब होने लगीं। इन निष्कर्षों ने पुष्टि की कि एक तर्क करने वाले मस्तिष्क और एक सावधानीपूर्वक, चरण-दर-चरण पीढ़ी प्रक्रिया का संयोजन दीर्घकालिक स्थिरता के लिए आवश्यक है। सिस्टम केवल एक ट्रिक पर निर्भर नहीं है; यह एक बंद लूप (closed loop) पर निर्भर है जहाँ भविष्यवाणी को लगातार इस आवश्यकता के विरुद्ध जांचा जाता है कि इसे वास्तविक, अवलोकन योग्य परिवर्तन की तरह दिखना चाहिए।
अपनी सफलता के बावजूद, शोधकर्ता इस प्रणाली की वर्तमान सीमाओं के बारे में स्पष्ट हैं। PAN तब सबसे अच्छा काम करता है जब क्रियाओं को प्राकृतिक भाषा में वर्णित किया जाता है, जैसे "बाएं मुड़ें" या "दरवाजा खोलें"। यह अभी तक नाजुक रोबोटिक कार्यों के लिए आवश्यक सटीक, निरंतर मांसपेशियों के आदेशों को संभालने के लिए डिज़ाइन नहीं किया गया है, जैसे कि ग्रिपर के सटीक बल को नियंत्रित करना। इसके अलावा, हालांकि यह प्रणाली पिछले प्रयासों की तुलना में काफी अधिक स्थिर है, फिर भी यह बहुत लंबे समय तक भटक सकती है, कभी-कभी छोटी बारीकियों का ट्रैक खो देती है या ऐसी वस्तुएं बना देती है जो वहां नहीं थीं। लेखक नोट करते हैं कि सिस्टम उन वीडियो जनरेशन मॉडलों से कुछ दृश्य आदतें विरासत में लेता है, जो भौतिक रूप से पूर्ण होने के बजाय यथार्थवादी दिखने को प्राथमिकता देते हैं। इसका अर्थ है कि हालांकि सिमुलेशन आम तौर पर विश्वसनीय है, लेकिन यह अभी तक भौतिकी का दोषरहित प्रतिनिधित्व नहीं है।
यह कार्य मशीनों को भविष्य के बारे में सोचने के लिए प्रशिक्षित करने की दिशा में एक महत्वपूर्ण कदम है। तर्क करने की क्षमता को विजुअल सीक्वेंस उत्पन्न करने की क्षमता के साथ जोड़कर, PAN कृत्रिम बुद्धिमत्ता के लिए वास्तविक दुनिया के परिणामों का जोखिम उठाए बिना संभावनाओं का पता लगाने का एक नया तरीका प्रदान करता है। यह एक एजेंट को "विचार प्रयोग" (thought experiments) चलाने की अनुमति देता है, विभिन्न कार्यों का परीक्षण करने के लिए कि कौन सा परिणाम वांछित परिणाम की ओर ले जाता है। शोधकर्ता अपने कोड और डेटा को जनता के लिए जारी करने की योजना बना रहे हैं, जिससे दूसरों को इस आधार पर निर्माण करने के लिए आमंत्रित किया जा सके। जैसे-जैसे यह क्षेत्र आगे बढ़ रहा है, लक्ष्य वही है—ऐसे सिस्टम बनाना जो न केवल दुनिया को देख सकें बल्कि यह भी समझ सकें कि यह कैसे काम करती है, जिससे उन बुद्धिमान मशीनों का मार्ग प्रशस्त हो सके जो उसी दूरदर्शिता के साथ नेविगेट, योजना और कार्य कर सकें जिसका उपयोग मनुष्य प्रतिदिन करते हैं।
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।