Building The Ph(ysical)AI Layer Of Machine Intelligence
यह शोध पत्र एक सिद्धांत-आधारित फाउंडेशन मॉडल का प्रस्ताव करता है जिसे विशेष रूप से सिग्नल-सैद्धांतिक सिद्धांतों का उपयोग करके रेडियो-फ्रीक्वेंसी डेटा पर प्रशिक्षित किया गया है, जो बिना किसी फाइन-ट्यूनिंग के ऑडियो, इमेज और टेक्स्ट जैसे विविध डोमेन में प्रभावी ज़ीरो-शॉट क्रॉस-मोडल ट्रांसफर प्राप्त करता है, जो यह प्रदर्शित करता है कि भौतिक नियमों को एनकोड करना कुशल सामान्यीकरण को सक्षम बनाता है जबकि भौतिक और सिमेंटिक समझ के बीच अंतर 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 एक रोबोट को दुनिया को समझना सिखाने की कोशिश कर रहे हैं।
अधिकांश आधुनिक AI रोबोट उदाहरणों को याद करके सीखते हैं। आप उन्हें बिल्लियों, कुत्तों और कारों की लाखों तस्वीरें दिखाते हैं, और वे पैटर्न पहचानने के लिए सांख्यिकीय पैटर्न (statistical patterns) का उपयोग करके उन्हें पहचानना सीखते हैं। यदि आप फिर उन्हें एक ऐसी "बिल्ली" की तस्वीर दिखाते हैं जिसे उन्होंने पहले कभी नहीं देखा है, तो वे भ्रमित हो सकते हैं क्योंकि वह पैटर्न उनकी याददाश्त से पूरी तरह मेल नहीं खाता। वे जो देख चुके हैं उसे पहचानने में बहुत अच्छे हैं, लेकिन वे इस बात के नियमों को समझने में कमजोर हैं कि चीजें कैसे काम करती हैं।
इस शोध पत्र के शोधकर्ताओं (MIT लिंकन लैबोरेटरी के) ने एक अलग दृष्टिकोण अपनाया। उदाहरणों को रटने के बजाय, उन्होंने अपने रोबोट को भौतिकी के उन मौलिक नियमों को सिखाया जो सभी संकेतों (signals) को नियंत्रित करते हैं।
यहाँ इसका सरल विवरण दिया गया है कि उन्होंने क्या किया और उन्हें क्या मिला:
1. "यूनिवर्सल ट्रांसलेटर" (सार्वभौमिक अनुवादक) का विचार
दुनिया के सभी डेटा को—संगीत, भाषण, चित्र, रेडियो तरंगें, भूकंप—अलग-अलग प्रकार के संगीत के रूप में सोचें।
- भाषण (Speech) एक इंसान द्वारा गाया गया गाना है।
- रेडियो तरंगें (Radio waves) एक मशीन द्वारा बजाया गया गाना है।
- भूकंप (Earthquakes) जमीन द्वारा बजाया गया गाना है।
भले ही ये "गाने" सुनने में अलग हों, लेकिन वे सभी भौतिकी के एक ही गणितीय नियम का पालन करते हैं। उन सभी में लय (समय/rhythm), पिच (आवृत्ति/frequency) और आवाज़ (ऊर्जा/energy) होती है।
शोधकर्ताओं ने परिकल्पना की कि यदि वे एक AI को इन सार्वभौमिक संगीत नियमों को समझने के लिए सिखाते हैं, तो इससे कोई फर्क नहीं पड़ेगा कि कौन सा वाद्य यंत्र गाना बजा रहा है। AI को रेडियो तरंग के "संगीत" को समझने में सक्षम होना चाहिए और उस ज्ञान का उपयोग मानव आवाज या चित्र के "संगीत" को समझने के लिए करना चाहिए, बिना कभी भी कोई चित्र या आवाज देखे।
2. प्रशिक्षण: "रेडियो स्टैटिक" पर सीखना
इसका परीक्षण करने के लिए, उन्होंने AI को बिल्लियों या किताबों की तस्वीरें नहीं दिखाईं। उन्होंने इसे विशेष रूप से रेडियो फ्रीक्वेंसी (RF) डेटा पर प्रशिक्षित किया।
- क्यों रेडियो? रेडियो संकेत अविश्वसनीय रूप से जटिल होते हैं। वे इमारतों से टकराते हैं, अपनी गति बदलते हैं और शोर से भर जाते हैं। यह एक संगीतकार को घंटों तक एक अराजक, शोर भरे रेडियो स्टेशन को सुनने के माध्यम से प्रशिक्षित करने जैसा है। यदि वे उस शोर के बीच से धुन को पहचानना सीख सकते हैं, तो वे एक बहुत अच्छे संगीतकार हैं।
- परिणाम: AI ने इन रेडियो संकेतों को उनके बुनियादी निर्माण खंडों (आवृत्ति, समय, ऊर्जा) में तोड़ने के लिए सख्त गणितीय नियमों (जैसे कि फूरियर ट्रांसफॉर्म (Fourier Transform), जो केवल एक जटिल ध्वनि को सरल नोट्स में तोड़ने का एक फैंसी तरीका है) का उपयोग करना सीखा।
3. जादुई ट्रिक: ज़ीरो-शॉट ट्रांसफर (Zero-Shot Transfer)
एक बार जब AI को रेडियो तरंगों पर प्रशिक्षित कर लिया गया, तो शोधकर्ताओं ने उसके मस्तिष्क को स्थिर (freeze) कर दिया। उन्होंने उसे कुछ भी नया सीखने नहीं दिया। फिर उन्होंने उससे ऐसे कार्य करने के लिए कहा जो उसने पहले कभी नहीं देखे थे:
- वक्ताओं को पहचानना (क्या यह आवाज पुरुष की है या महिला की?)।
- संगीत वाद्ययंत्रों की पहचान करना (क्या यह गिटार है या पियानो?)।
- चित्रों का वर्गीकरण करना (क्या यह बिल्ली है या कुत्ता?)।
- भूकंप का पता लगाना (क्या यह एक कंपन है या पास से गुजरता हुआ ट्रक?)।
आश्चर्य: भले ही AI ने प्रशिक्षण के दौरान कभी कोई चित्र या मानव आवाज नहीं देखी थी, फिर भी इसने आश्चर्यजनक रूप से अच्छा प्रदर्शन किया।
- यह भौतिक संरचना पर आधारित कार्यों में उत्कृष्ट था (जैसे कि एक विशिष्ट रेडियो ट्रांसमीटर या एक विशिष्ट भूकंप को पहचानना)। इसकी सटीकता लगभग 84.5% थी।
- यह अच्छा था, लेकिन पूर्ण नहीं, मानव अर्थ पर आधारित कार्यों में (जैसे कि गाने की शैली या पाठ का विषय अनुमान लगाना)। इसकी सटीकता लगभग 70% थी।
4. बड़ी खोज: "भौतिक" बनाम "अर्थ" की सीमा
यह शोध पत्र इस बारे में एक महत्वपूर्ण बिंदु बनाता है कि AI ने कुछ चीजों पर अच्छा प्रदर्शन क्यों किया और दूसरों पर क्यों नहीं।
- भौतिक कार्य (कैसे - The "How"): AI ने संकेत के भौतिकी को सीखा। वह जानता है कि एक विशिष्ट प्रकार का भूकंप एक विशिष्ट कंपन पैटर्न बनाता है, ठीक वैसे ही जैसे एक विशिष्ट रेडियो एक विशिष्ट सिग्नल पैटर्न बनाता है। क्योंकि भौतिकी के नियम हर जगह समान हैं, इसलिए AI इस ज्ञान को पूरी तरह से स्थानांतरित कर सका।
- सिमेंटिक कार्य (क्या - The "What"): AI को उन चीजों के लिए संघर्ष करना पड़ा जिनमें मानवीय संदर्भ की आवश्यकता होती है। उदाहरण के लिए, यह जानना कि एक गाना "जैज़ (Jazz)" है, केवल ध्वनि तरंगों के बारे में नहीं है; यह मानव संस्कृति और इतिहास के बारे में है। AI ने ध्वनि का आकार सीखा, लेकिन उसके पीछे की कहानी को नहीं।
उपमा (Analogy):
कल्पना कीजिए कि AI एक कुशल वास्तुकार (Architect) है।
- यदि आप उसे एक घर का ब्लूप्रिंट (रेडियो डेटा) दिखाते हैं, तो वह गुरुत्वाकर्षण, बीम और नींव के नियमों को सीखता है।
- यदि आप फिर उसे एक पुल (भूकंप डेटा) या एक बांध (भूकंप विज्ञान) का ब्लूप्रिंट दिखाते हैं, तो वह तुरंत इसे बनाना समझ सकता है क्योंकि भौतिकी समान है।
- हालांकि, यदि आप उसे विक्टोरियन या आधुनिक दिखने वाला घर डिजाइन करने के लिए कहते हैं, तो उसे संघर्ष करना पड़ सकता है। वह संरचना बनाना जानता है, लेकिन वह उन शब्दों की शैली या सांस्कृतिक अर्थ को नहीं समझता।
5. यह क्यों मायने रखता है
शोधकर्ताओं ने एक नए प्रकार का AI बनाया जिसे PlanFormer कहा जाता है।
- दक्षता (Efficiency): यह अन्य प्रसिद्ध AI मॉडल (जैसे CLIP) की तुलना में बहुत छोटा है। इसमें 76 गुना कम पैरामीटर्स (मस्तिष्क कोशिकाएं) हैं, फिर भी यह भौतिक कार्यों पर उतना ही अच्छा प्रदर्शन करता है।
- "भौतिक परत" (The Physical Layer): वे प्रस्तावित करते हैं कि हमें AI को परतों में बनाना चाहिए। पहले, एक "भौतिक परत" बनाएं जो ब्रह्मांड के नियमों (ऊर्जा, समरूपता, तरंगों) को समझती है। फिर, मानव अर्थ को समझने के लिए उसके ऊपर एक "सिमेंटिक परत" बनाएं।
सारांश
यह शोध पत्र दावा करता है कि आपको किसी AI को यह सिखाने के लिए कि देखना कैसे है, लाखों तस्वीरें दिखाने की आवश्यकता नहीं है। यदि आप उसे संकेतों के काम करने के गणितीय नियमों को सिखाते हैं (रेडियो तरंगों का उपयोग करके प्रशिक्षण मैदान के रूप में), तो वह स्वाभाविक रूप से चित्रों, ध्वनियों और कंपनों की भौतिक संरचना को समझ सकता है।
यह किसी को पूल में विशिष्ट धाराओं के साथ अभ्यास करवाकर तैरना सिखाने जैसा है। एक बार जब वे पानी के भौतिकी में महारत हासिल कर लेते हैं, तो वे समुद्र, झील या नदी में तैर सकते हैं, भले ही उन्होंने पहले कभी उन जल निकायों को न देखा हो। उन्हें बस समुद्र की "संस्कृति" (सिमेंटिक्स) सीखने के लिए थोड़ी अतिरिक्त मदद की आवश्यकता होगी, लेकिन तैरना (भौतिकी) स्वाभाविक रूप से आता 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।