Visuospatial Perspective Taking in Multimodal Language Models
यह शोध पत्र प्रकट करता है कि मल्टीमॉडल लैंग्वेज मॉडल्स में लेवल 2 विज़ुओस्पेशियल पर्सपेक्टिव-टेकिंग (दृश्य-स्थानिक परिप्रेक्ष्य-ग्रहण) में महत्वपूर्ण कमियां हैं, जो दूसरे के दृष्टिकोण को अपनाने के लिए अपने स्वयं के दृष्टिकोण को रोकने में संघर्ष करते हैं, जो सामाजिक और सहयोगात्मक परिवेश में उनकी तैनाती के लिए महत्वपूर्ण सीमाओं को रेखांकित 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 कि आप अपने एक बहुत ही बुद्धिमान रोबोट मित्र के साथ "साइमन सेज़" (Simon Says) खेल खेल रहे हैं। आप पीठ से पीठ सटाकर खड़े हैं। आप अपने बाईं ओर एक लाल गेंद और अपने दाईं ओर एक नीली गेंद देखते हैं। हालाँकि, आपका रोबोट मित्र विपरीत दिशा में देख रहा है। उनके लिए, लाल गेंद उनके दाईं ओर है, और नीली गेंद उनके बाईं ओर है।
यदि आप कहते हैं, "अपने बाईं ओर वाली लाल गेंद उठाओ," तो एक इंसान तुरंत समझ जाएगा: "रुको, मेरे नजरिए से, लाल गेंद दाईं ओर है। लेकिन रोबोट के नजरिए से, यह बाईं ओर है। मुझे अपना दिमाग घुमाकर यह देखना होगा कि वे क्या देख रहे हैं।"
यह शोध पत्र एक सरल लेकिन गहरा सवाल पूछता है: क्या आधुनिक AI मॉडल यह "दिमाग का बदलाव" (brain flip) कर सकते हैं?
शोधकर्ताओं ने नवीनतम, सबसे उन्नत मल्टीमॉडल लैंग्वेज मॉडल्स (MLMs) का परीक्षण किया—वे मॉडल जो चित्र देख सकते हैं और टेक्स्ट पढ़ सकते हैं—यह देखने के लिए कि क्या वे वास्तव में विज़ुओस्पेशियल पर्सपेक्टिव टेकिंग (Visuospatial Perspective Taking - VPT) को समझते हैं। यह क्षमता है यह कल्पना करने की कि दुनिया केवल आपकी आँखों से नहीं, बल्कि किसी और के दृष्टिकोण से कैसी दिखती है।
यहाँ उनके निष्कर्षों का विवरण दिया गया है, कुछ रोजमर्रा के उपमाओं का उपयोग करते हुए:
1. "देखने" के दो स्तर
शोधकर्ताओं ने दो प्रकार के परिप्रेक्ष्य लेने (perspective-taking) को देखा, जिन्हें वे लेवल 1 और लेवल 2 कहते हैं।
लेवल 1 ("क्या आप इसे देख सकते हैं?" टेस्ट): यह ऐसा है जैसे पूछना, "क्या बिल्ली सोफे के पीछे है?" यदि आप बिल्ली को देख सकते हैं, और दूसरा व्यक्ति सोफे की ओर देख रहा है, तो आप जानते हैं कि वह भी उसे देख सकता है। यदि बिल्ली दीवार के पीछे छिपी है, तो आप जानते हैं कि वह उसे नहीं देख सकता।
- परिणाम: AI इसमें काफी अच्छा था। वह आमतौर पर बता सकता था कि कोई वस्तु दिखाई दे रही है या छिपी हुई है। यह एक सुरक्षा गार्ड की तरह है जो आसानी से देख सकता है कि दरवाजा खुला है या बंद।
लेवल 2 ("यह कैसा दिखता है?" टेस्ट): यह कठिन हिस्सा है। यह केवल वस्तु को देखने के बारे में नहीं है; यह यह जानने के बारे में है कि वह उन्हें कैसा दिखता है। यदि आप फर्श पर एक संख्या "6" देखते हैं, और आपका मित्र आपके विपरीत खड़ा है, तो उसे वह "9" दिखाई देता है।
- परिणाम: AI यहाँ बुरी तरह संघर्ष करता है। यह एक ऐसे रोबोट की तरह है जो संख्या "6" देख तो सकता है लेकिन मानसिक रूप से अपना सिर घुमाकर यह नहीं समझ पाता कि, "ओह, अगर मैं वहाँ खड़ा होता, तो वह 9 जैसा दिखता।"
2. "M-आकार" की विफलता
शोधकर्ताओं ने AI के "सिर" (छवि में आकृति) को एक पूर्ण चक्र में घुमाया, 0 डिग्री (आपकी ओर देखते हुए) से 180 डिग्री (आपसे दूर देखते हुए) तक।
- इंसानी तरीका: मनुष्य थोड़े धीमे हो जाते हैं और कुछ अधिक गलतियाँ करते हैं जब कोण अजीब होता है, लेकिन हम आमतौर पर इसे सही कर लेते हैं।
- AI का तरीका: AI ने एक अजीब "M-आकार" का पैटर्न दिखाया।
- जब आकृति बिल्कुल उसी दिशा में थी जिस दिशा में AI देख रहा था (0°), तो वह सटीक था।
- जब आकृति बिल्कुल विपरीत दिशा में थी (180°), तो वह भी आश्चर्यजनक रूप से अच्छा था।
- लेकिन बीच में? जब आकृति थोड़ी बगल की ओर मुड़ी हुई थी (45°, 90°, 135°), तो AI का प्रदर्शन गिर गया।
उपमा: एक दर्पण की कल्पना करें। यदि आप सीधे उसके सामने खड़े होते हैं, तो आप खुद को स्पष्ट रूप से देखते हैं। यदि आप उसके ठीक पीछे खड़े होते हैं, तो आप जानते हैं कि आप खुद को नहीं देख सकते। लेकिन यदि आप एक अजीब कोण पर खड़े होते हैं, तो AI भ्रमित हो जाता है। ऐसा लगता है कि वह एक सरल ट्रिक पर निर्भर करता है: "यदि वे मेरे विपरीत हैं, तो मैं बस बाएं और दाएं को बदल देता हूँ।" लेकिन यदि वे केवल थोड़े मुड़े हुए हैं, तो वह ट्रिक विफल हो जाती है, और AI खो जाता है।
3. "डायरेक्टर" गेम
एक वास्तविक दुनिया के परिदृश्य में परीक्षण करने के लिए, उन्होंने डायरेक्टर टास्क नामक एक खेल का उपयोग किया।
- सेटअप: एक मानव "डायरेक्टर" वस्तुओं के ग्रिड वाली एक शेल्फ के एक तरफ खड़ा है। कुछ वस्तुएं अपारदर्शी (opaque) बैक द्वारा डायरेक्टर के दृश्य से छिपी हुई हैं। AI (खिलाड़ी) को वह वस्तु चुननी है जिसे डायरेक्टर मांग रहा है।
- जाल: डायरेक्टर कहता है, "सबसे छोटा तारा चुनो।" लेकिन वहां दो तारे हैं। एक छोटा है और AI को दिखाई दे रहा है लेकिन डायरेक्टर से छिपा हुआ है। दूसरा छोटा है और दोनों को दिखाई दे रहा है।
- विफलता: AI अक्सर उस तारे को चुन लेता है जिसे वह देख सकता है, यह भूलकर कि डायरेक्टर उसे नहीं देख सकता। वह डायरेक्टर के सीमित दृश्य को अपनाने के लिए अपने स्वयं के विशेषाधिकार प्राप्त दृश्य को "रोक" (inhibit) नहीं सका।
4. यह क्यों मायने रखता है?
आप सोच सकते हैं, "तो AI संख्याओं को घुमाने में बुरा है। इससे किसे फर्क पड़ता है?"
शोध पत्र तर्क देता है कि यह एक गंभीर दोष है। हम AI का उपयोग शिक्षक, चिकित्सक और सहयोगी भागीदारों के रूप में करना शुरू कर रहे हैं।
- यदि आप एक रोबोट से कहें कि "मुझे बाईं ओर वाला कप पकड़ाओ," और वह यह नहीं समझता कि उसका बायां आपका दायां है, तो वह आपको गलत कप पकड़ा देगा।
- यदि एक वर्चुअल थेरेपिस्ट यह नहीं समझता कि आप अपने कमरे में क्या देख सकते हैं बनाम वह स्क्रीन पर क्या देख सकता है, तो वह गलत सलाह दे सकता है।
निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि हालांकि ये AI मॉडल चित्रों को पढ़ने और पहचानने में अविश्वसनीय रूप से स्मार्ट हैं, लेकिन वे वास्तव में दूसरे लोगों के दृष्टिकोण के बारे में "सोच" नहीं रहे हैं।
वे एक बहुत ही प्रतिभाशाली अभिनेता की तरह हैं जिसने एक स्क्रिप्ट रट ली है। यदि स्क्रिप्ट कहती है "बाएं और दाएं को बदल दो," तो वे ऐसा करते हैं। लेकिन यदि स्थिति जटिल है और इसके लिए वास्तव में किसी और होने की कल्पना करने की आवश्यकता है, तो वे लड़खड़ा जाते हैं। उन्होंने "दूसरे के जूतों में चलकर देखना" नहीं सीखा है; उन्होंने बस यह अनुमान लगाना सीख लिया है कि बाहर से जूते कैसे दिखते हैं।
संक्षेप में: वर्तमान AI दुनिया को देखने में बहुत अच्छा है, लेकिन वह अभी भी किसी और की आँखों से दुनिया को देखना सीख रहा है। जब तक यह इसमें महारत हासिल नहीं कर लेता, हमें जटिल सामाजिक या सहयोगात्मक स्थितियों में इस पर भरोसा करने में सावधानी बरतनी होगी।
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।