🤖 AI

Why We Need World Models for AGI: Where LLMs Fail and How World Models May Outperform

यह शोध पत्र तर्क देता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) लेटेंट एनवायरनमेंट डायनेमिक्स के साथ ऑब्जेक्टिव मिसमैच के कारण लॉन्ग-होरिजन प्लानिंग और कॉज़ल रीजनिंग में संघर्ष करते हैं, जो "फ्लक्स" (Flux) एनवायरनमेंट के माध्यम से यह प्रदर्शित करता है कि लेटेंट स्टेट ट्रांज़िशन तक स्पष्ट पहुंच रखने वाले एजेंट स्थिर, दीर्घकालिक निर्णय लेने में LLMs की तुलना में काफी बेहतर प्रदर्शन करते हैं।

मूल लेखक: Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Poovammal E, Talal Bonny

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Feisal Alaswad, Batoul Aljaddouh, Maher Alrahhal, Poovammal E, Talal Bonny

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

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके पेपर की व्याख्या दी गई है।

मुख्य विचार: स्क्रिप्ट पढ़ना बनाम खेल खेलना

कल्पना कीजिए कि आप एक जटिल बोर्ड गेम खेलना सीखने की कोशिश कर रहे हैं। आपके पास सीखने के दो तरीके हैं:

"स्क्रिप्ट रीडर" (वर्तमान AI/LLMs): आप हज़ारों लोगों द्वारा गेम खेलने के ट्रांसक्रिप्ट (लेख) को पढ़ते हैं। आप कहानी में अगला शब्द क्या होगा, इसका अनुमान लगाने में बहुत माहिर हो जाते हैं। यदि कोई कहता है, "मैंने प्यादे को... पर ले गया," तो आप आत्मविश्वास से कह सकते हैं, "...केंद्र के वर्ग पर।" आप एक विशेषज्ञ की तरह लगते हैं क्योंकि आप भाषा के पैटर्न को जानते हैं।
"गेम मास्टर" (वर्ल्ड मॉडल्स): आप केवल ट्रांसक्रिप्ट नहीं पढ़ते; बल्कि आप अपने दिमाग में गेम बोर्ड का निर्माण करते हैं। आप नियमों, हर मोहरे की स्थिति और इस बात को समझते हैं कि एक मोहरा हिलाने पर वास्तव में क्या होता है। आप केवल अगला शब्द नहीं अनुमान लगाते; बल्कि आप गेम की अगली 'स्थिति' (state) का अनुकरण (simulate) करते हैं।

पेपर का तर्क:
वर्तमान AI (लार्ज लैंग्वेज मॉडल्स या LLMs) बेहतरीन "स्क्रिप्ट रीडर्स" हैं। वे ऐसी कहानियाँ, कोड और उत्तर लिख सकते हैं जो एकदम सटीक लगते हैं। लेकिन लेखकों का तर्क है कि जब ये AI उन कार्यों को करने की कोशिश करते हैं जिनमें दीर्घकालिक योजना (long-term planning) या कारण-प्रभाव तर्क (causal reasoning) की आवश्यकता होती है, तो वे विफल होने लगते हैं। वे भटक जाते हैं क्योंकि वे केवल एक वाक्य में अगले शब्द की भविष्यवाणी कर रहे होते हैं, न कि दुनिया की वास्तविक "स्थिति" (state) को ट्रैक कर रहे होते हैं।

पेपर सुझाव देता है कि वास्तव में बुद्धिमान मशीनें (AGI) बनाने के लिए, हमें केवल शब्दों की भविष्यवाणी करने से हटकर "वर्ल्ड मॉडल्स" (World Models) बनाने की ओर बढ़ना होगा—ऐसे आंतरिक सिमुलेशन जो समय के साथ दुनिया कैसे बदलती है, इसे ट्रैक करते हैं।

मूल समस्या: "भ्रम" (Hallucination) का जाल

लेखक बताते हैं कि LLMs एक विशिष्ट प्रकार के भ्रम का शिकार होते हैं। क्योंकि उन्हें संभावना के आधार पर अगले शब्द की भविष्यवाणी करने के लिए प्रशिक्षित किया गया है, वे जो सुनने में तर्कसंगत लगता है उसे जो वास्तव में सत्य है उस पर प्राथमिकता देते हैं।

उदाहरण: कल्पना कीजिए कि एक कहानीकार है जिसने लाइब्रेरी की हर किताब पढ़ ली है। यदि आप पूछते हैं, "क्या होगा अगर मैं एक गिलास गिरा दूँ?" तो वह कह सकता है, "यह टूट जाएगा," क्योंकि कहानियों में अक्सर ऐसा ही होता है। लेकिन यदि आप पूछते हैं, "क्या होगा अगर मैं एक गिलास गिरा दूँ जबकि मैंने अभी-अभी एक भारी बॉक्स गिराया है जिसे मैं पकड़े हुए था?" तो कहानीकार भ्रमित हो सकता है। वह भूल सकता है कि उसने तीन वाक्य पहले बॉक्स गिराया था, क्योंकि वह केवल तात्कालिक शब्दों को देख रहा है, पूरी भौतिक स्थिति को नहीं।
परिणाम: AI तथ्य गढ़ने लगता है (hallucinates) या गेम की स्थिति का ट्रैक खो देता है (जैसे, यह भूल जाना कि बोर्ड से एक मोहरा हटाया गया था) क्योंकि वह उस वास्तविकता का निरंतर "मानसिक मॉडल" बनाए नहीं रख पाता जिसका वह वर्णन कर रहा है।

समाधान: लेटेंट डायनेमिक्स इन्फरेंस (LDI)

लेखक एक नया तरीका प्रस्तावित करते हैं जिसे लेटेंट डायनेमिक्स इन्फरेंस (LDI) कहा जाता है।

रूपक: भाषा को एक वास्तविक घटना की धुंधली, कम-रिज़ॉल्यूशन वाली फोटो के रूप में सोचें।
- फोटो (भाषा) आपको एक कार दुर्घटना दिखाती है। यह बताती है "कार पेड़ से टकराई।"
- वास्तविकता (लेटेंट स्टेट) वास्तविक भौतिकी (physics) है: कार की गति, प्रभाव का कोण, मुड़ती हुई धातु।
- वर्तमान AI फोटो का अध्ययन करता है और अगले वाक्य का अनुमान लगाने की कोशिश करता है।
- LDI उस फोटो को देखने और उसके पीछे की वास्तविक भौतिकी को फिर से बनाने (reconstruct) की कोशिश करता है। यह पूछता है, "इस फोटो के कारण कार की गति और स्थिति क्या रही होगी?"

शब्दों के पीछे छिपी "भौतिकी" (लेटेंट स्टेट) को फिर से बनाने की कोशिश करके, AI कारण और प्रभाव के बारे में बहुत बेहतर तर्क दे सकता है।

प्रयोग: "FLUX" गेम

इसे सिद्ध करने के लिए, लेखकों ने FLUX नामक एक सरल गेम बनाया।

नियम: गेम के नियम पूरी तरह से साधारण अंग्रेजी में लिखे गए थे (जैसे, "यदि एक सेल शून्य तक पहुँचता है, तो उसे हटा दिया जाता है")।
सेटअप: उन्होंने इन अंग्रेजी नियमों को एक सख्त, गणितीय कंप्यूटर सिम्युलेटर ("वर्ल्ड मॉडल") में बदल दिया।
प्रतियोगिता: उन्होंने दो प्रकार के खिलाड़ियों को एक-दूसरे के विरुद्ध खड़ा किया:
1. LLM प्लेयर: अंग्रेजी नियमों और वर्तमान गेम स्टेट को टेक्स्ट के रूप में पढ़ता है। इसे अगला शब्द भविष्यवाणी करके अगला कदम अनुमान लगाना होता है।
2. RL प्लेयर (रीइन्फोर्समेंट लर्निंग): इसे सीधे गणितीय सिम्युलेटर के भीतर प्रशिक्षित किया गया था। इसने टेक्स्ट के बजाय वास्तविक संख्याओं और स्थिति परिवर्तनों को "देखा"।

परिणाम:

RL प्लेयर (वर्ल्ड मॉडल) लगभग 79% गेम जीता।
LLM प्लेयर केवल लगभग 11% गेम जीत पाया।

LLM क्यों हारा?
पेपर ने पाया कि LLM में तीन विशिष्ट तरीके से विफलता आई, जो एक स्क्रिप्ट रीडर की "ग्लिच" (खराबी) की तरह हैं:

योग के प्रति अंधापन (Sum Blindness): LLM अंकों के कुल योग को भूल गया। यह ऐसे कदम उठाता रहा जो स्कोर को सीमा से ऊपर ले जाते, जिससे तुरंत हार हो जाती, क्योंकि यह अपने "दिमाग" में संख्या को ट्रैक नहीं कर रहा था, केवल टेक्स्ट को देख रहा था।
रो-लंबाई की गलत गिनती (Row-Length Miscounting): मोहरों को हटाने के साथ गेम बोर्ड छोटा होता गया। LLM एक ऐसे मोहरे को चलाने की कोशिश करता जो अब अस्तित्व में ही नहीं था, क्योंकि वह बोर्ड के वर्तमान आकार का ट्रैक खो चुका था।
अल्पदर्शिता (Short-Sightedness): LLM ने ऐसे कदम उठाए जो अगले टर्न के लिए तो अच्छे दिख रहे थे, लेकिन 10 टर्न बाद के खेल के लिए बहुत खराब थे। वह भविष्य के परिणामों को "देख" नहीं सका।

निष्कर्ष: AI के लिए इसका क्या अर्थ है

पेपर निष्कर्ष निकालता है कि अगले शब्द की भविष्यवाणी करना ही पर्याप्त नहीं है एक वास्तव में बुद्धिमान एजेंट बनाने के लिए।

वर्तमान AI एक शानदार अभिनेता की तरह है जो स्क्रिप्ट को पूरी तरह से सुना सकता है लेकिन कथानक (plot) को नहीं समझता।
भविष्य का AI (वर्ल्ड मॉडल्स) एक निर्देशक की तरह होना चाहिए जो कथानक, पात्रों के उद्देश्यों और कहानी के विकास को समझता है।

लेखक तर्क देते हैं कि आर्टिफिशियल जनरल इंटेलिजेंस (AGI) प्राप्त करने के लिए, हमें केवल AI को बड़ा (अधिक डेटा, अधिक पैरामीटर्स) नहीं बनाना चाहिए। इसके बजाय, हमें यह बदलना होगा कि वह कैसे सीखता है। हमें AI को केवल अगले शब्द का अनुमान लगाना छोड़कर, उन छिपे हुए "विश्व" (world) को समझने के लिए सिखाना होगा जो उन शब्दों को उत्पन्न करता है।

संक्षेप में: स्मार्ट होने के लिए, एक AI को केवल स्क्रिप्ट पढ़ना छोड़कर गेम खेलना शुरू करना होगा।

तकनीकी सारांश: हमें AGI के लिए वर्ल्ड मॉडल्स (World Models) की आवश्यकता क्यों है

समस्या का विवरण (Problem Statement)

अनुक्रम भविष्यवाणी (sequence prediction), ज्ञान-गहन कार्यों और कोड जनरेशन में लार्ज लैंग्वेज मॉडल्स (LLMs) की उल्लेखनीय सफलता के बावजूद, वे उन डोमेन में व्यवस्थित सीमाओं का प्रदर्शन करते हैं जिनमें कारण संबंधी तर्क (causal reasoning), निरंतर अवस्था ट्रैकिंग (persistent state tracking) और दीर्घ-अवधि नियोजन (long-horizon planning) की आवश्यकता होती है। लेखक तर्क देते हैं कि ये सीमाएँ एक मौलिक ऑब्जेक्टिव-लेवल मिसमैच (objective-level mismatch) से उत्पन्न होती हैं: LLMs को अवलोकन स्थान ( $X$ ) के भीतर अवलोकनों (टोकन अनुक्रमों) की भविष्यवाणी करने के लिए अनुकूलित किया गया है, जबकि गतिशील वातावरणों में सुदृढ़ बुद्धिमत्ता के लिए अंतर्निहित लेटेंट स्टेट ट्रांज़िशन ( $S$ ) और कारण संबंधी गतिकी (causal dynamics) को मॉडल करने की आवश्यकता होती है।

वर्तमान ऑटो-रिग्रेसिव ऑब्जेक्टिव्स सांख्यिकीय संभावना (statistical likelihood) को तथ्यात्मक आधार या कारण संबंधी निरंतरता (causal consistency) पर प्राथमिकता देते हैं। फलस्वरूप, जबकि LLMs सीमित सेटिंग्स में वर्ल्ड-मॉडल व्यवहार का अनुमान लगा सकते हैं, उनमें विकसित होते संसारों के सुसंगत आंतरिक मॉडल को बनाए रखने के लिए संरचनात्मक तंत्रों का अभाव है, जिससे भ्रम (hallucination), स्टेट-ट्रैकिंग त्रुटियाँ, और दीर्घ-अवधि कार्यों में "क्षितिज अल्पदर्शिता" (horizon myopia) जैसे विफलता मोड उत्पन्न होते हैं।

कार्यप्रणाली: लेटेंट डायनेमिक्स इन्फरेंस (LDI) और FLUX

इस परिकल्पना की जांच करने के लिए, लेखक लेटेंट डायनेमिक्स इन्फरेंस (LDI) पेश करते हैं, जो एक वैचारिक ढांचा है जो भाषा और मल्टीमॉडल अवलोकनों को अलग-थलग प्रतीकात्मक अनुक्रमों के रूप में नहीं, बल्कि अंतर्निहित वातावरण की गतिशीलता के आंशिक, दोषपूर्ण साक्ष्य के रूप में व्याख्या करता है। LDI के तहत, सीखने का लक्ष्य अगले टोकन की भविष्यवाणी करना ( $P(x_t | x_{<t})$ ) से बदलकर लेटेंट स्टेट ट्राजेक्टरी ( $S$ ) और ट्रांज़िशन फंक्शन ( $f_\theta$ ) का अनुमान लगाना हो जाता है जो अवलोकनों को उत्पन्न करते हैं।

अवलोकन स्थान ( $X$ ) बनाम लेटेंट स्टेट स्पेस ( $S$ ) में तर्क करने के अंतर को अनुभवजन्य रूप से परीक्षण करने के लिए, लेखकों ने FLUX का निर्माण किया, जो एक नवीन अनुक्रमिक तर्क वातावरण है जिसमें निम्नलिखित विशेषताएं हैं:

विशिष्टीकरण (Specification): खेल के नियम पूरी तरह से प्राकृतिक भाषा में परिभाषित हैं, जो अवलोकन स्थान $X$ का प्रतिनिधित्व करते हैं।
मैकेनिक्स (Mechanics): पूर्णांक सेल की एक पंक्ति पर दो-खिलाड़ी वाला खेल जिसमें "AMPLIFY" ( $\times 2$ ) और "DRAIN" ( $\lfloor \div 2 \rfloor$ ) ऑपरेशंस शामिल हैं। इसमें असममित जीत की शर्तें हैं (यदि पंक्ति एक सेल तक कम हो जाती है तो Shrinker जीतता है; यदि योग 20 से अधिक हो जाता है तो Amplifier जीतता है) और चाल 15 पर एक टाई-ब्रेकर है।
कंपाइलेशन (Compilation): प्राकृतिक-भाषा नियमों को एक LLM द्वारा एक नियत (deterministic), स्पष्ट स्टेट-ट्रांज़िशन सिम्युलेटर (वर्ल्ड मॉडल) में संकलित किया गया था, जो लेटेंट स्टेट स्पेस $S$ और ट्रांज़िशन फंक्शन $f_\theta$ को परिभाषित करता है।

प्रयोगात्मक डिजाइन (Experimental Design)

यह अध्ययन एक ही FLUX वातावरण के भीतर संचालित दो प्रकार के एजेंटों की तुलना करता है:

LLM एजेंट्स: शुद्ध रूप से $X$ में संचालित होते हैं। उन्हें वर्तमान स्थिति का प्राकृतिक-भाषा विवरण प्राप्त होता है और वे नेक्स्ट-टोकन प्रेडिक्शन के माध्यम से क्रियाएं चुनते हैं। वे स्टेट को ट्रैक करने के लिए संवादात्मक संदर्भ (conversational context) पर निर्भर रहते हैं।
रीइन्फोर्समेंट लर्निंग (RL) एजेंट्स: सीधे $S$ में संचालित होते हैं। एक टैबुलर Q-लर्निंग एजेंट को संकलित सिम्युलेटर के भीतर प्रशिक्षित किया गया है, जो इष्टतम नीति सीखने के लिए स्पष्ट ट्रांज़िशन डायनेमिक्स के साथ इंटरैक्ट करता है।

मूल्यांकन में बेसलाइन तुलनाओं (रैंडम बनाम ह्यूरिस्टिक बनाम RL) के लिए 1,000 एपिसोड और प्रशिक्षित RL एजेंटों के विरुद्ध प्रति मॉडल 200 गेम (GPT-4o, DeepSeek-R1, और Gemini 1.5 Pro का उपयोग करके) शामिल थे।

मुख्य योगदान (Key Contributions)

मिसमैच का औपचारिकीकरण: पेपर औपचारिक रूप से ऑटो-रिग्रेसिव सीक्वेंस मॉडलिंग (अवलोकनों पर वितरण का अनुमान लगाना) और लेटेंट-स्टेट वर्ल्ड मॉडलिंग (लेटेंट स्टेट्स पर डायनेमिक्स का अनुमान लगाना) के बीच अंतर करता है, जिसे एक संरचनात्मक न कि केवल स्केल-आधारित सीमा के रूप में पहचानता है।
लेटेंट डायनेमिक्स इन्फरेंस (LDI): एक नया दृष्टिकोण जो भाषा को लेटेंट डायनेमिकल प्रक्रियाओं के संकुचित अवलोकन चैनल के रूप में मानता है, और सीखने को क्रॉस-स्पेस इन्फरेंस समस्या ( $X \to S$ ) के रूप में पुनर्गठित करता है।
FLUX वातावरण: एक प्रूफ-ऑफ-कॉन्सेप्ट वातावरण जो प्राकृतिक भाषा में निर्दिष्ट है लेकिन एक स्पष्ट वर्ल्ड मॉडल के माध्यम से निष्पादित किया जाता है, जो अवलोकन-स्पेस रीजनिंग और लेटेंट-स्टेट प्लानिंग के बीच एक नियंत्रित तुलना सक्षम करता है।
अनुभवजन्य साक्ष्य: एक नियंत्रित केस स्टडी जो प्रदर्शित करती है कि स्पष्ट लेटेंट स्टेट ट्रांज़िशन तक पहुंच रखने वाले एजेंट, केवल अनुक्रम भविष्यवाणी पर निर्भर एजेंटों की तुलना में काफी अधिक स्थिर दीर्घ-अवधि व्यवहार प्रदर्शित करते हैं।

परिणाम (Results)

प्रयोगात्मक परिणाम $S$ बनाम $X$ में संचालित एजेंटों के बीच एक स्पष्ट प्रदर्शन अंतर को उजागर करते हैं:

जीत की दर (Win Rates): कुल मिलाकर, वर्ल्ड मॉडल (RL) एजेंट ने LLM एजेंटों के खिलाफ 79% जीत दर हासिल की, जबकि LLMs ने केवल 11% जीत हासिल की। शेष ~10% LLMs द्वारा किए गए अमान्य मूव्स के कारण थे।
बेसलाइन प्रदर्शन: वर्ल्ड मॉडल में प्रशिक्षित RL एजेंट ने रैंडम प्ले की तुलना में अपनी जीत की दर में 46.2 प्रतिशत अंक का सुधार किया (Shrinker भूमिका के लिए 89.5% बनाम 43.3%)।
विफलता के मोड (Failure Modes): LLM विफलताओं के गुणात्मक विश्लेषण ने तीन सुसंगत पैटर्न प्रकट किए:
- सम ब्लाइंडनेस (Sum Blindness): एक निरंतर रनिंग सम बनाए रखने में विफलता, जिससे तत्काल हार की स्थिति उत्पन्न हुई।
- रो-लेंथ मिसकाउंटिंग (Row-Length Miscounting): उन सेल इंडेक्स को संदर्भित करना जो पंक्ति संकुचन के बाद अब अस्तित्व में नहीं थे, जो लेटेंट स्टेट ट्रैकिंग में विफलता का संकेत देता है।
- क्षितिज अल्पदर्शिता (Horizon Myopia): ऐसे स्थानीय रूप से इष्टतम मूव्स बनाना जो दीर्घ-अवधि जीत की स्थितियों (जैसे, दो टर्न बाद Shrinker की जीत की स्थिति को ट्रिगर करना) का पूर्वानुमान लगाने में विफल रहे।
अमान्य मूव्स (Invalid Moves): LLMs ने ~10% की दर से अमान्य क्रियाएं (आउट-ऑफ-रेंज इंडेक्स, विकृत ऑपरेशंस) उत्पन्न कीं, जो "लेटेंट-स्टेट कोलैप्स" के अनुरूप व्यवहार है जहाँ मॉडल दुनिया की स्थिति को क्वेरी करने के बजाय बातचीत के पैटर्न से एक्सट्रपलेशन करता है।

महत्व और दावे (Significance and Claims)

लेखक इस कार्य को LLM की निम्नता के सामान्य प्रमाण के बजाय एक नियंत्रित केस स्टडी के रूप में प्रस्तुत करते हैं। प्राथमिक महत्व इस बात में निहित है कि:

निष्कर्षण की व्यवहार्यता (Feasibility of Extraction): विशुद्ध रूप से प्राकृतिक-भाषा विशिष्टताओं ( $X$ ) से एक कार्यात्मक, स्पष्ट वर्ल्ड मॉडल ( $S$ ) निकालना संभव है।
स्थापत्य संबंधी आवश्यकता (Architectural Necessity): प्रदर्शन अंतराल यह सुझाव देता है कि निरंतर स्टेट ट्रैकिंग और बहु-चरणीय कारण तर्क के लिए आवश्यक कार्यों के लिए, केवल अनुक्रम भविष्यवाणी बिना स्पष्ट स्टेट इवोल्यूशन तंत्र के अपर्याप्त है।
सीखने का पुनरorient (Reorientation of Learning): पेपर अगले-टोकन प्रेडिक्शन को अनुकूलित करने से हटकर लेटेंट डायनेमिक्स की रिकवरी को अनुकूलित करने की ओर बढ़ने का तर्क देता है। वे प्रस्तावित करते हैं कि भविष्य की बुद्धिमान प्रणालियों को कॉर्पोरा (corpora) को दुनिया की गतिशीलता के अप्रत्यक्ष साक्ष्य के रूप में देखना चाहिए, और हाइब्रिड आर्किटेक्चर का उपयोग करना चाहिए जिसमें पर्सेप्चुअल एनकोडर, स्पष्ट वर्ल्ड मॉडल (लेटेंट डायमिक्स), और स्टेट स्पेस में संचालित होने वाले प्लानिंग मॉड्यूल शामिल हों।

लेखक निष्कर्ष निकालते हैं कि जबकि LLMs विश्व ज्ञान के शक्तिशाली एनकोडर हैं, उनके पास उस ज्ञान को गतिशील रूप से निष्पादित करने के लिए "फिजिक्स इंजन" का अभाव है। वे सुझाव देते हैं कि AGI का मार्ग भाषा की व्यापकता को वर्ल्ड मॉडल्स की कारण संबंधी, स्टेटफुल संरचना के साथ एकीकृत करने में निहित है।