AgentRob: From Virtual Forum Agents to Hijacked Physical Robots
AgentRob एक अभिनव ढांचा है जो ऑनलाइन कम्युनिटी फ़ोरम और भौतिक रोबोटों के बीच सेतु बनाने के लिए मॉडल कॉन्टेक्स्ट प्रोटोकॉल का लाभ उठाता है, जिससे LLM-संचालित एजेंट फ़ोरम पोस्ट से प्राकृतिक भाषा के आदेशों की व्याख्या करने और तीन-स्तरीय आर्किटेक्चर के माध्यम से मल्टी-रोबोट कार्यों को व्यवस्थित करने में सक्षम होते 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
एक ऐसी दुनिया की कल्पना करें जहाँ आपका रोबोट कुत्ता या रोबोट दोस्त सिर्फ आपके रिमोट कंट्रोल का बटन दबाने का इंतज़ार नहीं करता। इसके बजाय, वे एक डिजिटल टाउन स्क्वायर (एक ऑनलाइन फोरम) में समय बिताते हैं, संदेश पढ़ते हैं, अन्य बॉट्स के साथ चैट करते हैं, और किसी के यह कहने का इंतज़ार करते हैं, "हे, क्या तुम जाकर वह चीज़ ला सकते हो?"
यही AgentRob का मूल विचार है, जो बीजिंग यूनिवर्सिटी के शोधकर्ताओं का एक नया प्रोजेक्ट है। यहाँ बताया गया है कि यह कैसे काम करता है, कुछ रोज़मर्रा के उपमाओं (analogies) का उपयोग करते हुए।
बड़ा विचार: "डिजिटल टाउन स्क्वायर"
आमतौर पर, एक रोबोट को नियंत्रित करने के लिए, आपको एक विशेष ऐप, एक सीधी केबल, या एक जटिल कोड इंटरफ़ेस की आवश्यकता होती है। यह एक ऐसे दोस्त से बात करने जैसा है जो केवल आपके पास मौजूद एक विशिष्ट, हाई-टेक वॉकी-टॉकी के माध्यम से बात कर सकता है।
AgentRob गेम बदल देता है क्योंकि यह उस चीज़ का उपयोग करता है जिसे हर कोई पहले से जानता है: ऑनलाइन फोरम (जैसे Reddit या पुराने ज़माने के मैसेज बोर्ड)।
- फोरम: इसे एक विशाल, 24/7 बुलेटिन बोर्ड के रूप में सोचें जहाँ लोग (और रोबोट) नोट्स पोस्ट कर सकते हैं।
- जादू: शोधकर्ताओं ने यह पता लगाया है कि रोबोट इन बुलेटिन बोर्डों को "पढ़ना" कैसे सीख सकते हैं। यदि आप एक संदेश पोस्ट करते हैं जिसमें लिखा है "@RobotDog, कृपया रसोई में जाओ," तो रोबोट इसे देखता है, समझता है, और इसे करता है।
तीन-परत वाला "सैंडविच"
यह सिस्टम एक तीन-परत वाले सैंडविच की तरह बना है, जहाँ प्रत्येक परत का एक विशिष्ट कार्य है:
ब्रेड (फोरम लेयर):
यह स्वयं वेबसाइट है। यह वह जगह है जहाँ बातचीत होती है। यह "असिंक्रोनस" (asynchronous) है, जिसका अर्थ है कि आपको रोबोट के साथ ठीक उसी समय ऑनलाइन होने की आवश्यकता नहीं है। आप सुबह एक नोट पोस्ट कर सकते हैं, और रोबोट दोपहर में उसे पढ़ सकता है और कार्य कर सकता है। यह फ्रिज पर एक स्टिकी नोट छोड़ने जैसा है।मीट (एजेंट लेयर):
ये "ब्रेन" बॉट्स हैं। ये लार्ज लैंग्वेज मॉडल्स (वही AI तकनीक जो चैटबॉट्स के पीछे है) द्वारा संचालित होते हैं।
- वे लगातार फोरम को उन संदेशों के लिए स्कैन करते हैं जिनमें उनका उल्लेख होता है (जैसे "@RobotDog")।
- वे उलझी हुई मानवीय भाषा को पढ़ते हैं ("हे डॉग, जाओ और बॉल लेकर आओ!")।
- वे इसे एक स्पष्ट निर्देश में अनुवादित करते हैं।
- एक बार जब रोबरेट कार्य पूरा कर लेता है, तो एजेंट फोरम पर जवाब लिखता है ("मैंने बॉल ला ली! यह रही एक फोटो।")।
- चीज़ (रोबोट लेयर):
यह भौतिक शरीर है। इस पेपर में, उन्होंने एक क्वाड्रुपेड रोबोट (एक रोबोट कुत्ता जिसे Unitree Go2 कहा जाता है) और एक ह्यूमनॉइड रोबोट (एक रोबोट इंसान जिसे Unitree G1 कहा जाता है) का उपयोग किया है।
- "एजेंट" रोबोट को कमांड भेजता है।
- रोबोट वास्तव में कार्य करने के लिए अपने पैरों या हाथों को कैसे हिलाना है, यह समझने के लिए अपने स्वयं के AI (विज़न-लैंग्वेज मॉडल्स) का उपयोग करता है।
वे कैसे बात करते हैं: "यूनिवर्सल एडेप्टर"
आप सोच सकते हैं, "AI को कैसे पता चलता है कि फोरम वेबसाइट से कैसे बात करनी है?"
शोधकर्ताओं ने MCP (मॉडल कॉन्टेक्स्ट प्रोटोकॉल) नामक एक टूल का उपयोग किया है।
- उपमा: MCP को AI के लिए एक यूनिवर्सल USB-C चार्जर के रूप में सोचें।
- इससे पहले, हर रोबोट और हर वेबसाइट का अपना अजीब, अनूठा प्लग होता था। आपको हर एक डिवाइस के लिए एक विशिष्ट एडेप्टर की आवश्यकता होती थी।
- MCP सब कुछ मानकीकृत (standardize) करता है। यह AI को एक मानक सेट के "टूल्स" (जैसे "पोस्ट पढ़ें," "जवाब लिखें," "यूज़र चेक करें") देता है। अब, AI को वेबसाइट का विशिष्ट कोड जानने की आवश्यकता नहीं है; यह बस बातचीत करने के लिए मानक टूल्स का उपयोग करता है।
यह क्यों शानदार है?
- अब "विशेषज्ञों तक सीमित" नहीं: आपको रोबोट को नियंत्रित करने के लिए कोडर होने की आवश्यकता नहीं है। यदि आप एक फोरम पर संदेश टाइप कर सकते हैं, तो आप एक रोबोट को नियंत्रित कर सकते हैं।
- टीम वर्क: कल्पना करें कि एक फोरम है जहाँ एक "रोबोट डॉग" एजेंट और एक "रोबोट ह्यूमन" एजेंट दोनों मौजूद हैं। आप कुत्ते को रसोई में जाने के लिए कह सकते हैं, और इंसान को दरवाज़ा खोलने के लिए कह सकते हैं। वे फोरम थ्रेड्स में आपस में बात करके समन्वय कर सकते हैं।
- एक स्थायी रिकॉर्ड: प्रत्येक कमांड, प्रत्येक सफलता, और प्रत्येक विफलता फोरम पर सुरक्षित रहती है। यह रोबोटों ने क्या किया, इसका एक खोजने योग्य इतिहास बन जाता है, जैसे कि एक लॉगबुक जिसे कोई भी पढ़ सकता है।
कमी (सीमाएँ)
यह अभी भी पूर्ण नहीं है।
- यह रिमोट कंट्रोल नहीं है: क्योंकि रोबोट को हर 30 सेकंड में फोरम को "चेक" करना पड़ता है, इसलिए इसमें देरी होती है। आप इसका उपयोग रोबोट के साथ तेज़ गति वाला वीडियो गेम खेलने के लिए नहीं कर सकते। यह "रसोई से पानी लाओ" या "एक फोटो लो" जैसे कार्यों के लिए बेहतर है।
- सुरक्षा: यदि कोई लिखता है "दीवार में टकरा जाओ," तो सिस्टम में इतना स्मार्ट होना चाहिए कि वह कह सके "नहीं, यह खतरनाक है।" शोधकर्ता रोबोट को खुद को या लोगों को चोट पहुँचाने से रोकने के लिए सुरक्षा फिल्टर पर काम कर रहे हैं।
निष्कर्ष
AgentRob ऐसा है जैसे रोबोट्स को एक सोशल मीडिया अकाउंट दे दिया गया हो। प्रयोगशालाओं में अलग-थलग मशीनों के बजाय, वे एक समुदाय के सदस्य बन जाते हैं। वे भीड़ की सुनते हैं, जो उनसे पूछा जाता है उसे करते हैं, और वापस रिपोर्ट करते हैं, जिससे पूरा इंटरनेट भौतिक दुनिया के लिए एक विशाल, इंटरैक्टिव कंट्रोल पैनल में बदल जाता 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।