LAP: Language-Action Pre-Training Enables Zero-shot Cross-Embodiment Transfer
यह शोध पत्र लैंग्वेज-एक्शन प्री-ट्रेनिंग (LAP) को प्रस्तुत करता है, जो रोबोटिक क्रियाओं को प्राकृतिक भाषा में निरूपित करने की एक विधि है ताकि बिना किसी एम्बॉडिमेंट-विशिष्ट फाइन-ट्यूनिंग के विजन-लैंग्वेज-एक्शन मॉडल्स के लिए पहला महत्वपूर्ण ज़ीरो-शॉट क्रॉस-एम्बॉडिमेंट ट्रांसफर सक्षम किया 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 शानदार, विश्व स्तरीय शेफ (AI) है, जिसने हजारों कुकिंग शो देखकर और लाखों रेसिपी पढ़कर खाना बनाना सीखा है। यह शेफ अद्भुत है क्योंकि यह समझता है कि क्या बनाना है और क्यों बनाना है (दृष्टि और भाषा - Vision and Language)। हालाँकि, यदि आप इस शेफ को एक बिल्कुल नए किचन में खाना बनाने के लिए कहें, जहाँ बर्तनों का सेट अलग हो, चूल्हा अलग हो और चाकू पकड़ने का तरीका अलग हो, तो शायद वह ठिठक जाए। वह शायद एक स्पैटुला को हथौड़े की तरह इस्तेमाल करने की कोशिश करेगा क्योंकि उसने पहले कभी उस विशिष्ट किचन के लेआउट को नहीं देखा है।
यही रोबोटिक AI के साथ वर्तमान समस्या है। हमारे पास ऐसी स्मार्ट मॉडल्स हैं जो दुनिया को समझती हैं, लेकिन वे उस विशिष्ट रोबोट से "मजबूत रूप से जुड़ी हुई" (tightly coupled) हैं जिस पर उन्हें प्रशिक्षित किया गया है। यदि आप रोबोट का हाथ या कैमरा बदल देते हैं, तो AI टूट जाता है और उसे शून्य से फिर से सिखाने की आवश्यकता होती है—जो एक धीमी और महंगी प्रक्रिया है।
पेपर का समाधान: "LAP" (लैंग्वेज-एक्शन प्री-ट्रेनिंग)
प्रिंसटन और फिजिकल इंटेलिजेंस के लेखकों ने LAP नामक एक सरल लेकिन शक्तिशाली तकनीक विकसित की है।
मुख्य विचार: रोबोट की भाषा बोलें (शाब्दिक रूप से)
अधिकांश रोबोट AI कच्चे नंबरों (जैसे "मोटर 3 को स्थिति 4.52 पर ले जाएं") को आउटपुट करके सीखने की कोशिश करते हैं। यह एक इंसान को गैस पेडल के लिए कच्चे विद्युत वोल्टेज की सूची देकर गाड़ी चलाना सिखाने जैसा है। यह सटीक तो है, लेकिन सामान्यीकरण (generalize) करना कठिन है।
LAP खेल बदल देता है क्योंकि यह AI को साधारण अंग्रेजी में रोबोटिक गतिविधियों का वर्णन करना सिखाता है।
कच्चे नंबर आउटपुट करने के बजाय, AI यह कहना सीखता है जैसे:
- "5 सेंटीमीटर आगे बढ़ें।"
- "हाथ को 30 डिग्री दाईं ओर झुकाएं।"
- "कप को पकड़ें।"
उपमा: "यूनिवर्सल ट्रांसलेटर" (सार्वभौमिक अनुवादक)
रोबोट के शरीर (हाथ, ग्रिपर, पहिए) को एक विदेशी देश के रूप में सोचें।
- पुराना AI: AI हर उस देश की स्थानीय बोली सीखने की कोशिश करता है जहाँ वह जाता है। यदि वह एक नए देश (एक नए रोबोट) में जाता है, तो उसे शून्य से नई बोली सीखनी पड़ती है।
- LAP AI: LAP एक यूनिवर्सल ट्रांसलेटर सीखता है। इसे रोबोट के मोटर्स की विशिष्ट बोली की परवाह नहीं है। यह बस "एक्शन" की सार्वभौमिक भाषा बोलता है।
जब AI चाहता है कि रोबोट हिले, तो वह यह नहीं कहता, "मोटर A को 45 डिग्री घुमाएं।" वह कहता है, "आगे बढ़ें।"
- यदि यह एक फ्रंका आर्म (Franka arm) है, तो "आगे बढ़ें" का अर्थ है उसके विशिष्ट जोड़ों को आगे जाने के लिए घुमाना।
- यदि यह एक किनोवा आर्म (Kinova arm) है, तो "आगे बढ़ें" का अर्थ है उसके अलग जोड़ों को आगे जाने के लिए घुमाना।
चूंकि AI ने अंग्रेजी में "आगे बढ़ने" की अवधारणा (concept) सीखी है (जिसे वह इंटरनेट पर अपने विशाल प्री-ट्रेनिंग से पहले से ही जानता है), वह उस अवधारणा को तुरंत उस रोबोट पर लागू कर सकता है जिसे उसने पहले कभी नहीं देखा है।
यह क्यों एक बड़ी बात है
जीरो-शॉट ट्रांसफर (वह "जादुई" क्षण):
पेपर दिखाता है कि उनका मॉडल, LAP-3B, एक ऐसे बिल्कुल नए रोबोट को दिया जा सकता है जिसे उसने अपने जीवन में कभी नहीं देखा, और वह तुरंत वस्तुओं को छांटने या तौलिये को मोड़ने जैसे कार्य शुरू कर सकता है।- परिणाम: इसने पूरी तरह से नए रोबोट्स पर 52% सफलता दर हासिल की।
- तुलना: पिछले अत्याधुनिक (state-of-the-art) मॉडल्स इन्हीं नए रोबोट्स पर पूरी तरह विफल (0% सफलता) रहे। यह एक ऐसे शेफ के बीच के अंतर जैसा है जो नए किचन में तुरंत खाना बना सकता है बनाम वह जो नए किचन में प्रवेश करने से भी मना कर देता है।
"टोकेनाइज़र" की आवश्यकता नहीं:
आमतौर पर, AI को नंबर समझाने के लिए इंजीनियरों को जटिल "टोकेनाइज़र" (विशेष शब्दकोश) बनाने पड़ते हैं ताकि नंबरों को उन शब्दों में बदला जा सके जिन्हें AI समझ सके। LAP इसे पूरी तरह से छोड़ देता है। यह बस प्राकृतिक भाषा का उपयोग करता है जिसे AI पहले से ही जानता है। यह हर नई भाषा के लिए नया शब्दकोश खरीदने के बजाय अपने पास मौजूद शब्दकोश का उपयोग करने जैसा है।दक्षता (Efficiency):
यहाँ तक कि जब उन्हें किसी कठिन कार्य के लिए रोबोट को फाइन-ट्यून करने की आवश्यकता होती है, तब भी LAP-3B पिछले तरीकों की तुलना में 2.5 गुना तेजी से सीखता है और इसे 2.5 गुना कम डेटा की आवश्यकता होती है। यह एक शेफ द्वारा 25 मिनट के बजाय 10 मिनट में नई रेसिपी सीखने जैसा है।
यह कैसे काम करता है (इसका "सीक्रेट सॉस")
यह मॉडल एक हाइब्रिड है:
- दिमाग (VLM): एक विशाल भाषा मॉडल (Language Model) जो अंग्रेजी में "सोचता" है। यह कैमरा फीड और निर्देश को देखता है, और फिर अंग्रेजी में क्रिया (action) के बारे में "सोचता" है: "ठीक है, मुझे ग्रिपर को 3 सेमी आगे बढ़ाना चाहिए।"
- हाथ (Action Expert): एक छोटा, तेज़ मॉड्यूल जो उस अंग्रेजी वाक्य को लेता है और तुरंत उसे उस विशिष्ट मोटर कमांड में बदल देता है जिसकी आवश्यकता उस विशेष रोबोट को वह गति करने के लिए होती है।
यह अलगाव अनुमति देता है कि "दिमाग" स्मार्ट और सामान्य बना रहे, जबकि "हाथ" रोबोट के विशिष्ट मैकेनिक्स को संभालते हैं।
निष्कर्ष
यह पेपर रोबोटिक्स में एक बड़ी बाधा को हल करता है। वर्षों से, हम ऐसे स्मार्ट रोबोटिक दिमाग बना रहे हैं जो एक विशिष्ट शरीर में फंसे हुए हैं। LAP दिमाग को एक सार्वभौमिक भाषा देता है, जिससे वह अपने प्रशिक्षण वाले शरीर से बाहर निकलकर किसी भी रोबोटिक शरीर के साथ तुरंत काम कर सकता है।
यह एक पायलट को केवल बोइंग 747 उड़ाना सिखाने के बजाय, उसे उड़ान के सिद्धांतों को सिखाने जैसा है ताकि वह सेसना, हेलीकॉप्टर या ड्रोन में बैठकर तुरंत उड़ान भर सके।
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।