Solaris: Building a Multiplayer Video World Model in Minecraft
यह शोध पत्र सोलेरिस (Solaris) को प्रस्तुत करता है, जो माइनक्राफ्ट (Minecraft) के लिए एक मल्टीप्लेयर वीडियो वर्ल्ड मॉडल है, जो निरंतर मल्टी-व्यू ऑब्जर्वेशन और जटिल मल्टी-एजेंट इंटरैक्शन को सिम्युलेट करके सिंगल-एजेंट मॉडल्स की सीमाओं को दूर करने के लिए एक नवीन स्वचालित डेटा संग्रह प्रणाली और एक स्टेज्ड ट्रेनिंग पाइपलाइन का लाभ उठाता 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 कि आप एक फिल्म देख रहे हैं, लेकिन केवल मुख्य पात्र को देखने के बजाय, आप अचानक एक ही समय में दो अलग-अलग लोगों की आँखों से दुनिया को देख रहे हैं।
यदि खिलाड़ी A एक बाड़ (fence) के ऊपर से कूदता है, तो खिलाड़ी B (जो पास में खड़ा है) को उस छलांग को अपने कोण (angle) से होते हुए देखना चाहिए। यदि खिलाड़ी A एक दीवार बनाता है, तो खिलाड़ी B को वह दीवार बनते हुए देखनी चाहिए, भले ही वह उसे बगल से देख रहा हो।
यह वह चुनौती है जिसे "Solaris" नामक शोध पत्र (paper) हल करता है। यह एक AI को यह समझने और एक वीडियो गेम की दुनिया (विशेष रूप से Minecraft) को सिम्युलेट करने के लिए सिखाने के बारे में है, न कि केवल एक व्यक्ति के लिए, बल्कि दोस्तों के एक पूरे समूह के खेलने के लिए।
यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल अवधारणाओं में विभाजित किया गया है:
1. समस्या: "अकेला" AI
अधिकांश वर्तमान AI वीडियो जनरेटर अकेले कलाकारों की तरह होते हैं। वे कल्पना कर सकते हैं कि क्या होगा यदि एक व्यक्ति हिलता है, लेकिन वे भ्रमित हो जाते हैं जब दो लोग आपस में क्रिया करते हैं।
- पुराना तरीका: यदि आपने AI से दो लोगों को खेलते हुए दिखाने के लिए कहा, तो वह शायद खिलाड़ी A को घर बनाते हुए दिखा सकता था, लेकिन फिर खिलाड़ी B को एक खाली मैदान देखते हुए दिखा सकता था क्योंकि AI भूल गया था कि वे एक ही दुनिया में थे।
- लक्ष्य: Solaris एक परफेक्ट डायरेक्टर बनना चाहता है जो जानता है कि हर कोई क्या देख रहा है, सुन रहा है और कर रहा है, जिससे उनके लिए कहानी पूरी तरह सुसंगत (consistent) बनी रहे।
2. समाधान: एक "रोबोट प्लेग्राउंड" बनाना (SolarisEngine)
AI को सिखाने के लिए, आपको डेटा की आवश्यकता होती है। लेकिन आप इंसानों से 12 मिलियन घंटों तक खेलने के लिए नहीं कह सकते; इसमें बहुत समय लगेगा।
- उपमा (Analogy): कल्पना कीजिए कि आप एक बच्चे को फुटबॉल खेलना सिखाना चाहते हैं। बच्चों के आने का इंतज़ार करने के बजाय, आप एक रोबोट फुटबॉल लीग बनाते हैं। आप रोबोट्स को स्वचालित रूप से गेंद पास करने, दौड़ने और गोल करने के लिए प्रोग्राम करते हैं।
- उन्होंने क्या किया: टीम ने SolarisEngine नामक एक सिस्टम बनाया। यह एक डिजिटल फैक्ट्री है जो Minecraft में हजारों "बॉट" (रोबोट) खिलाड़ियों को चलाती है। ये बॉट्स मिलकर माइनिंग, निर्माण और लड़ाई करते हैं। सिस्टम सब कुछ रिकॉर्ड करता है: बॉट्स क्या देखते हैं, वे क्या करते हैं, और दुनिया कैसे बदलती है।
- परिणाम: उन्होंने 12.64 मिलियन फ्रेम का वीडियो एकत्र किया। यह 1,500 घंटों के निरंतर, समन्वित मल्टीप्लेयर गेमप्ले को देखने जैसा है।
3. मस्तिष्क: "Solaris" मॉडल
अब उनके पास डेटा था, लेकिन उन्हें इसे सीखने के लिए एक मस्तिष्क की आवश्यकता थी।
- उपमा: AI मॉडल को एक छात्र के रूप में सोचें।
- चरण 1 (सोलो स्टूडेंट): पहले, उन्होंने छात्र को अकेले Minecraft खेलना सिखाया। इससे छात्र को गुरुत्वाकर्षण (gravity), ब्लॉक्स और चलने-फिरने की बुनियादी समझ मिली।
- चरण 2 (टीम स्टूडेंट): इसके बाद, उन्होंने छात्र को मल्टीप्लेयर फुटेज दिखाया। अब छात्र को सीखना था: "यदि मैं बाईं ओर जाता हूँ, तो मेरा दोस्त मुझे दाईं ओर जाते हुए देखता है।"
- सीक्रेट सॉस (Checkpointed Self-Forcing): यह इस पेपर की सबसे बड़ी तकनीकी सफलता है।
- समस्या: जब एक AI लंबे वीडियो (मान लीजिए 5 मिनट लंबा) की फ्रेम-दर-फ्रेम भविष्यवाणी करने की कोशिश करता है, तो वह "भुलक्कड़" हो जाता है और उसकी कंप्यूटर मेमोरी खत्म हो जाती है, जैसे एक छात्र जो केवल एक पेज पढ़ने के बाद पूरी किताब याद रखने की कोशिश कर रहा हो।
- समाधान: उन्होंने Checkpointed Self-Forcing नामक तकनीक का आविष्कार किया। कल्पना कीजिए कि छात्र एक लंबा निबंध लिख रहा है। पूरी निबंध को अपने दिमाग में रखने के बजाय, वह एक वाक्य लिखता है, एक त्वरित नोट (चेकपॉइंट) सहेजता है कि उसने अभी क्या लिखा है, और फिर अगले वाक्य के लिए जगह बनाने के लिए उसे अपनी अल्पकालिक स्मृति (short-term memory) से मिटा देता है। बाद में, वे अपने काम की जाँच करने के लिए उन नोट्स का उपयोग करते हैं। यह AI को बिना क्रैश हुए लंबे, सुसंगत वीडियो बनाने की अनुमति देता है।
4. परीक्षण: क्या AI "फ्रेंडशिप एग्जाम" पास कर सकता है?
यह देखने के लिए कि क्या Solaris वास्तव में काम करता है, उन्होंने परीक्षणों की एक श्रृंखला बनाई जो फ्रेंडशिप एग्जाम की तरह कार्य करती है:
- "Where's Waldo?" टेस्ट (स्मृति): एक खिलाड़ी मुड़ता है और दूसरी ओर देखता है। क्या दूसरा खिलाड़ी अभी भी जानता है कि पहला खिलाड़ी कहाँ है? यदि पहला खिलाड़ी वापस मुड़ता है, तो क्या दूसरा खिलाड़ी उसे देख पाता है?
- "कंस्ट्रक्शन साइट" टेस्ट (निर्माण): एक खिलाड़ी एक टावर बनाता है। क्या दूसरा खिलाड़ी टावर को बढ़ते हुए देखता है, भले ही वह उसे एक अलग कोण से देख रहा हो?
- "वेदर" टेस्ट (निरंतरता): यदि एक खिलाड़ी के लिए बारिश शुरू होती है, तो क्या दूसरे खिलाड़ी के लिए भी ठीक उसी समय बारिश शुरू होती है?
परिणाम: Solaris इन परीक्षणों में पिछले किसी भी मॉडल की तुलना में बेहतर प्रदर्शन करता है। यह ऐसे वीडियो बना सकता है जहाँ दो खिलाड़ी वास्तविक रूप से परस्पर क्रिया करते हैं, जिसमें सुसंगत लाइटिंग, भौतिकी (physics) और दुनिया की साझा यादें शामिल हैं।
यह क्यों महत्वपूर्ण है?
इसे डिजिटल दुनिया के भविष्य की नींव के रूप में सोचें।
- अभी, AI वीडियो एक एकाकी सपने (solitary dream) की तरह है।
- Solaris एक साझा सपने (shared dream) की ओर पहला कदम है।
यह तकनीक केवल शानदार Minecraft वीडियो बनाने के बारे में नहीं है। यह निम्नलिखित की ओर एक कदम है:
- बेहतर वीडियो गेम: NPCs (नॉन-प्लेयर कैरेक्टर्स) जो वास्तव में आपको और आपके दोस्तों को समझते हैं।
- रोबोटिक्स: रोबोट्स को एक वास्तविक कारखाने या रसोई में व्यक्तिगत रूप से काम करने के बजाय, एक साथ मिलकर काम करना सिखाना।
- वर्चुअल रियलिटी: ऐसी दुनिया बनाना जहाँ आप और आपके दोस्त साथ रह सकें, और दुनिया सभी के कार्यों पर सटीक रूप से प्रतिक्रिया दे।
संक्षेप में, Solaris ने AI को एक अकेले भेड़िये के बजाय एक टीम प्लेयर की तरह सोचना सिखाया है, जो साझा, संवादात्मक डिजिटल दुनिया की एक नई पीढ़ी के द्वार खोलता 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।