Navigating Simply, Aligning Deeply: Winning Solutions for Mouse vs. AI 2025
टीम HCMUS_TheFangs ने यह प्रदर्शित करके NeurIPS 2025 'माउस बनाम एआई' प्रतियोगिता के दोनों ट्रैक में विजयी परिणाम प्राप्त किए कि हल्के और सरल आर्किटेक्चर विजुअल मजबूती (visual robustness) में उत्कृष्ट प्रदर्शन करते हैं, जबकि गहरे और उच्च-क्षमता वाले मॉडल न्यूरल अलाइनमेंट (neural alignment) के लिए बेहतर होते हैं, जिससे यह स्पष्ट होता है कि इष्टतम प्रदर्शन मॉडल के आकार को अधिकतम करने के बजाय विशिष्ट कार्य लक्ष्यों के साथ आर्किटेक्चरल जटिलता के मिलान पर निर्भर 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
कल्पना कीजिए एक ऐसी प्रतियोगिता की जहाँ आर्टिफिशियल इंटेलिजेंस एजेंट और असली चूहे एक 3D भूलभुलैया में छिपी हुई गेंद को खोजने की दौड़ में एक-दूसरे के खिलाफ मुकाबला कर रहे हैं। लेकिन इसमें एक मोड़ है: प्रतियोगिता के दो अलग-अलग जज हैं जिनके लक्ष्य बहुत अलग हैं।
प्रतियोगिता: "माउस वर्सेस एआई" (Mouse vs. AI)
इसे एक ड्राइविंग टेस्ट की तरह समझें।
- ट्रैक 1 (द "टफ वेदर" टेस्ट): पहला जज यह देखना चाहता है कि क्या एआई मौसम बदलने पर भी भूलभुलैया में गाड़ी चला सकता है। क्या होगा अगर अचानक कोहरा छा जाए? क्या होगा अगर लाइटें झपकाने लगें या सूरज ढल जाए? यहाँ लक्ष्य है रोबस्टनेस (Robustness)—क्या एआई तब भी काम करना जारी रख सकता है जब चीजें अस्त-व्यस्त हो जाएं?
- ट्रैक 2 (द "ब्रेन स्कैन" टेस्ट): दूसरा जज इस बात की परवाह नहीं करता कि एआई दौड़ जीतता है या नहीं। बल्कि, वे यह जानना चाहते हैं कि: क्या एआई का दिमाग एक चूहे के दिमाग की तरह काम करता है? उनके पास 19,000 असली चूहे के न्यूरॉन्स के सक्रिय होने की रिकॉर्डिंग है जबकि चूहे भूलभुलैया में दौड़ रहे थे। यहाँ लक्ष्य है अलाइनमेंट (Alignment)—क्या एआई की आंतरिक प्रक्रिया जीव विज्ञान (biology) की तरह दिखती है?
बड़ा आश्चर्य: सरल बनाम जटिल
यूनिवर्सिटी ऑफ साइंस, VNU-HCM की टीम (टीम HCMUS_TheFangs) ने एक आश्चर्यजनक खोज के साथ प्रतियोगिता में प्रवेश किया: एक ही आकार सबके लिए सही नहीं होता।
1. "टफ वेदर" टेस्ट (ट्रैक 1) के लिए: इसे सरल रखें
टीम ने कई परतों वाला एक सुपर-कॉम्प्लेक्स एआई दिमाग बनाने की कोशिश की (जैसे कि एक गहरा न्यूरल नेटवर्क)। यह एआई को एक विशाल, जटिल विश्वकोश (encyclopedia) रटाने जैसा था।
- क्या हुआ: जटिल एआई ने प्रशिक्षण वाली भूलभुलैया को पूरी तरह से याद कर लिया, लेकिन जैसे ही कोहरा आया, वह ठप हो गया। वह बहुत अधिक विशिष्ट (specific) हो गया था।
- विजेता समाधान: उन्होंने एक छोटा, दो-परत वाला दिमाग (एक "SimpleCNN") अपनाया। इसे एक 'स्ट्रीट-स्मार्ट' स्थानीय व्यक्ति की तरह समझें जो सड़क के सामान्य नियमों को जानता है लेकिन हर छोटी बात पर बहुत अधिक विचार नहीं करता।
- सीक्रेट सॉस (Secret Sauce): उन्होंने दो सरल उपकरण जोड़े:
- नॉर्मलाइजेशन (Normalization): यह धूप का चश्मा पहनने जैसा है। यह एआई को चमक या रंग में अचानक आए बदलावों को अनदेखा करने में मदद करता है, जिससे वह केवल रास्ते के आकार पर ध्यान केंद्रित कर पाता है।
- गेटिंग (GLU): यह एक क्लब के बाउंसर की तरह काम करता है। यह उपयोगी जानकारी को अंदर आने देता है लेकिन शोर या भ्रमित करने वाले विजुअल स्टैटिक को बाहर रखता है।
- परिणाम: इस सरल, "स्ट्रीट-स्मार्ट" एआई ने 95.4% के स्कोर के साथ जीत हासिल की। इसने साबित कर दिया कि अजीब मौसम में जीवित रहने के लिए आपको सुपरकंप्यूटर की नहीं, बल्कि एक सरल और अनुकूलन योग्य (adaptable) सिस्टम की आवश्यकता होती है।
2. "ब्रेन स्कैन" टेस्ट (ट्रैक 2) के लिए: गहराई में जाएं
जब लक्ष्य चूहे के मस्तिष्क की नकल करना था, तो रणनीति पूरी तरह बदल गई। छोटा एआई पर्याप्त नहीं था।
- समस्या: चूहे का मस्तिष्क एक विशाल, जटिल पदानुक्रम (hierarchy) है। यह सरल किनारों, फिर आकृतियों, और फिर वस्तुओं को एक साथ प्रोसेस करता है। एक छोटा एआई उस गहराई को नहीं पकड़ सका।
- विजेता समाधान: उन्होंने एक गहरा, 16-परत वाला ResNet बनाया। इसे 17.8 मिलियन किताबों (पैरामीटर्स) वाला एक विशाल पुस्तकालय समझें। इसमें दुनिया को देखने के जटिल और स्तरित तरीके को समझने के लिए पर्याप्त "ब्रेन पावर" है।
- परिणाम: इस गहरे, जटिल मॉडल ने न्यूरल अलाइनमेंट के लिए शीर्ष स्थान प्राप्त किया। इसने दिखाया कि जीव विज्ञान की नकल करने के लिए, वास्तव में आपको एक बड़े और जटिल दिमाग की आवश्यकता होती है।
"स्वीट स्पॉट" (Sweet Spot) की खोज
टीम ने प्रशिक्षण के समय के बारे में भी कुछ अजीब नोटिस किया। आप सोच सकते हैं, "यदि मैं एआई को अधिक प्रशिक्षित करूँ, तो यह बेहतर हो जाएगा।"
- वास्तविकता: यह एक सीधी रेखा नहीं है। उन्होंने अलग-अलग समय (60,000 स्टेप्स से लेकर 1 मिलियन से अधिक तक) के लिए प्रशिक्षित मॉडलों का परीक्षण किया।
- निष्कर्ष: सबसे अच्छे मॉडल अक्सर 200,000 स्टेप्स के आसपास पाए गए। यदि उन्होंने बहुत लंबे समय तक (जैसे 1 मिलियन स्टेप्स) प्रशिक्षण दिया, तो मॉडल वास्तव में बदतर हो गए।
- उपमा: यह परीक्षा के लिए पढ़ाई करने जैसा है। यदि आप थोड़ा पढ़ते हैं, तो आप कुछ नहीं जानते। यदि आप बिल्कुल सही मात्रा में पढ़ते हैं, तो आप परीक्षा में अव्वल आते हैं। लेकिन यदि आप बिना रुके दिनों तक लगातार पढ़ते रहते हैं, तो आप थक जाते हैं, बुनियादी बातें भूल जाते हैं और मूर्खतापूर्ण गलतियाँ करने लगते हैं। "परफेक्ट" मॉडल वह था जिसने अत्यधिक सोचने (overthinking) से ठीक पहले प्रशिक्षण रोकना शुरू किया।
क्या विफल रहा?
टीम ने कई फैंसी आइडियाज आज़माए जो काम नहीं आए:
- InceptionNet: एक बहुत ही जटिल आर्किटेक्चर जिसने कुछ भी सीखने से इनकार कर दिया।
- डेटा ऑग्मेंटेशन (Data Augmentation): उन्होंने कृत्रिम रूप से प्रशिक्षण छवियों को अजीब (बारिश, रात आदि) बनाकर एआई को सिखाने की कोशिश की। आश्चर्यजनक रूप से, इसने एआई को और भी खराब बना दिया। यह एआई को आग लगी कारों की तस्वीरें दिखाकर गाड़ी चलाना सिखाने जैसा था; इसने एआई को मदद करने के बजाय भ्रमित कर दिया।
- LSTMs (मेमोरी): उन्होंने एआई को पिछले फ्रेम्स को याद रखने के लिए एक "मेमोरी" देने की कोशिश की। इसने एआई की 2D तस्वीर को स्पष्ट रूप से देखने की क्षमता को नष्ट कर दिया, जिससे वह अनाड़ी बन गया।
मुख्य सीख (The Takeaway)
पेपर इस स्पष्ट सबक के साथ समाप्त होता है:
- यदि आप एक ऐसा एआई चाहते हैं जो बदलते परिवेश में मजबूत और विश्वसनीय हो, तो इसे सरल रखें। इसे ज़रूरत से ज़्यादा जटिल न बनाएं।
- यदि आप एक ऐसा एआई चाहते हैं जो जीव विज्ञान की नकल करे, तो आपको एक जीवित मस्तिष्क की समृद्धि से मेल खाने के लिए जटिलता और गहराई की आवश्यकता है।
टीम ने केवल एक विजेता नहीं खोजा; उन्होंने यह भी दिखाया कि "सर्वश्रेष्ठ" एआई डिज़ाइन पूरी तरह से इस बात पर निर्भर करता है कि आप क्या हासिल करने की कोशिश कर रहे हैं। कभी-कभी, कम ही अधिक होता है; कभी-कभी, आपको पूरे पुस्तकालय की आवश्यकता होती 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।