Robots Need More than VLA and World Models
यह स्थिति पत्र (position paper) यह तर्क देता है कि सामान्यज्ञ रोबोट इंटेलिजेंस (generalist robot intelligence) प्राप्त करने के लिए केवल पॉलिसी स्केलिंग से आगे बढ़कर अनस्ट्रक्चर्ड व्यवहार संबंधी डेटा को चार प्रमुख इंटरफेस—ऑटोलेबलिंग, मोशन रिटारगेटिंग, फिजिक्स-ग्राउंडेड रीजनिंग और रिवॉर्ड इन्फरेंस—के माध्यम से ग्राउंडेड रोबोट सुपरविजन में परिवर्तित करने की महत्वपूर्ण बाधा को संबोधित करना आवश्यक है।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 "Robots Need More Than VLAs & World Models" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।
बड़ी समस्या: रोबोट एक "पाठ्यपुस्तक" की दुनिया में फँसे हुए हैं
कल्पना कीजिए कि आप एक बच्चे को खाना बनाना सिखाने की कोशिश कर रहे हैं। वर्तमान में, यह करने का सबसे अच्छा तरीका यह है कि एक मास्टर शेफ बच्चे के पास खड़ा हो, उसे दिखावे कि प्याज को ठीक से कैसे काटना है, और बच्चा उन हाथ की गतिविधियों की नकल करे। रोबोटिक्स में, इसे रोबोट-नेटिव सुपरविजन (Robot-Native Supervision) कहा जाता है। हम ऐसा डेटा एकत्र करते हैं जहाँ एक रोबोट वास्तव में कार्य को करता है, और हम AI को उन विशिष्ट गतिविधियों की नकल करना सिखाते हैं।
पेपर का तर्क है कि हालांकि इस पद्धति ने रोबोट्स को स्मार्ट बनाया है, लेकिन हम एक दीवार से टकरा गए हैं। हम केवल रोबोट्स से अधिक "शेफ प्रदर्शन" (chef demonstrations) एकत्र करके आगे नहीं बढ़ सकते क्योंकि:
- रोबोट्स से सब कुछ करवाना अविश्वसनीय रूप से महंगा और धीमा है।
- वास्तविक दुनिया सीखने के अन्य तरीकों से भरी हुई है। इंटरनेट पर अरबों वीडियो हैं जिनमें इंसान खाना बना रहे हैं, कारखाने चल रहे हैं, और लोग चीजें ठीक कर रहे हैं।
उपमा: कल्पना कीजिए कि आप एक नई भाषा सीखने की कोशिश कर रहे हैं।
- वर्तमान दृष्टिकोण (रोबोट-नेटिव): आप केवल एक शिक्षक से सीखते हैं जो केवल आपके लिए एक कक्षा में एक विशिष्ट पाठ्यपुस्तक का उपयोग करके बोलता है। आपने कभी सड़क पर, फिल्मों में या दोस्तों द्वारा वह भाषा बोलते हुए नहीं सुना।
- पेपर का तर्क: दुनिया लोगों से भरी हुई है जो वह भाषा बोल रहे हैं (वीडियो, मानव गति, सिमुलेशन)। लेकिन अभी, रोबोट इन "सड़क की बातचीत" को नहीं समझ सकते क्योंकि उनके पास वह शब्दकोश और व्याकरण के नियम गायब हैं जो कच्चे शोर (raw noise) को ऐसी भाषा में बदल सके जिसे रोबोट इस्तेमाल कर सके।
लेखक कहते हैं: "हमें केवल बड़े दिमाग (बड़े AI मॉडल) की आवश्यकता नहीं है; हमें बेहतर अनुवादकों की आवश्यकता है जो अव्यवस्थित वास्तविक दुनिया को एक ऐसी भाषा में बदल सकें जिससे रोबोट सीख सकें।"
गायब "अनुवाद किट" (The Missing Translation Kit)
पेपर का प्रस्ताव है कि अगली पीढ़ी के रोबोट्स को अनलॉक करने के लिए, हमें वास्तविक दुनिया को रोबोट निर्देशों में बदलने के लिए चार विशिष्ट उपकरणों (या "इंटरफेस") की आवश्यकता है। इन्हें एक अनुवाद किट के लापता हिस्सों के रूप में सोचें।
1. "ऑटोलेबलिंग इंजन" (जासूस)
समस्या: यदि आप किसी इंसान के जार खोलने के वीडियो को देखते हैं, तो वीडियो केवल पिक्सेल को चलते हुए दिखाता है। यह रोबोट को यह नहीं बताता है: "हाथ ने ढक्कन को छुआ," "बल 5 न्यूटन था," या "कार्य अब 'पेंच खोलना' (unscrewing) है।"
समाधान: हमें एक ऐसे सिस्टम की आवश्यकता है जो एक सुपर-डिटेक्टिव (जासूस) की तरह काम करे। यह अव्यवस्थित वीडियो, मानव गति सेंसर, या रोबोट की विफलताओं को देखता है और स्वचालित रूप से महत्वपूर्ण नोट्स लिख देता है।
- यह क्या करता है: यह एक व्यक्ति द्वारा कप गिराने के धुंधले वीडियो को एक संरचित रिपोर्ट में बदल देता है: "घटना: संपर्क टूट गया। वस्तु: कप। स्थिति: टूटा हुआ। कार्य चरण: विफलता।"
- यह क्यों महत्वपूर्ण है: यह कच्चे, असंगठित फुटेज को एक "पाठ्यपुस्तक" में बदल देता है जिसे रोबोट वास्तव में पढ़ सकता है।
2. "रिटारगेटिंग इंटरफेस" (अनुवादक)
समस्या: मनुष्यों के दो हाथ और पाँच उंगलियाँ होती हैं। एक रोबोट के पास एक एकल पंजा या अलग संख्या में जोड़ हो सकते हैं। यदि आप बस रोबोट को "मानव की बांह के कोण की नकल करने" के लिए कहते हैं, तो वह अपनी बांह तोड़ सकता है या वस्तु उठाने में विफल हो सकता है।
समाधान: हमें एक ऐसे अनुवादक की आवश्यकता है जो गति की नकल न करे, बल्कि परिणामों की नकल करे।
- उपमा: कल्पना कीजिए कि आप एक दरवाजा खोलना चाहते हैं। आपको इस बात की परवाह नहीं है कि इंसान अपनी कोहनी से दरवाजे को धकेलता है या अपने हाथ से; आपको इस बात की परवाह है कि दरवाजा खुलता है।
- यह क्या करता है: यह देखता है कि इंसान ने क्या हासिल किया (दरवाजा खुला) और यह पता लगाता है कि इस विशिष्ट रोबोट को अपने अद्वितीय शरीर के साथ उसी परिणाम को कैसे प्राप्त करना चाहिए। यह "लक्ष्य" को सुरक्षित रखता है लेकिन "कैसे" को बदल देता है।
3. "फिजिक्स-ग्राउंडेड वर्ल्ड मॉडल" (सिम्युलेटर)
समस्या: कुछ AI मॉडल भविष्य के सुंदर वीडियो बनाने में माहिर होते हैं (जैसे, "कप गिर जाएगा")। लेकिन वे भौतिकी (physics) को अनदेखा कर सकते हैं। वे दिखा सकते हैं कि कप मेज के भीतर गिर रहा है या हवा में तैर रहा है। एक रोबोट को यह जानने की आवश्यकता है कि कप वास्तव में टूटेगा या वह केवल फिसलेगा।
समाधान: हमें एक "क्रिस्टल बॉल" की आवश्यकता है जो केवल यह अनुमान न लगाए कि तस्वीर कैसी दिखेगी, बल्कि भौतिकी की भविष्यवाणी करे।
- यह क्या करता है: यह सवालों के जवाब देता है जैसे: "यदि मैं इस ब्लॉक को यहाँ धकेलता हूँ, तो क्या यह पलट जाएगा? क्या यह दीवार से टकराएगा? क्या घर्षण (friction) इसे रोकने के लिए पर्याप्त होगा?"
- यह क्यों महत्वपूर्ण है: यह रोबोट को विभिन्न परिणामों की "कल्पना" करने और वास्तविक दुनिया में कुछ भी तोड़ने के बिना गलतियों से सीखने की अनुमति देता है।
4. "रिवॉर्ड ग्राउंडिंग लूप" (कोच)
समस्या: जब एक रोबोट विफल होता है, तो वह केवल एक गड़बड़ी का वीडियो देखता है। उसे यह नहीं पता होता कि वह क्यों विफल हुआ। क्या वह बहुत धीमा था? क्या उसने बहुत जोर से धक्का दिया? क्या उसने लक्ष्य को गलत समझा?
समाधान: हमें एक ऐसे सिस्टम की आवश्यकता है जो एक स्पोर्ट्स कोच की तरह काम करे। वह रोबोट के प्रयास को देखता है और लक्ष्य के आधार पर विशिष्ट प्रतिक्रिया देता है।
- उपमा: यदि एक बास्केटबॉल खिलाड़ी शॉट मिस करता है, तो एक सामान्य दर्शक केवल कहता है "मिस हो गया।" एक कोच कहता है, "आपने गेंद को बहुत जल्दी छोड़ दिया, और आपकी कोहनी बाहर की ओर थी।"
- यह क्या करता है: यह परिणाम को देखता है और कहता है, "आप इसलिए विफल हुए क्योंकि आपने हैंडल पर पर्याप्त बल नहीं लगाया," या "आप सफल रहे क्योंकि आपने कप को सही ढंग से संरेखित (align) किया।" यह एक विफलता को अगले प्रयास के लिए एक विशिष्ट सबक में बदल देता है।
मुख्य निष्कर्ष
पेपर निष्कर्ष निकालता है कि रोबोटिक्स का भविष्य केवल बड़े, स्मार्ट AI मॉडल (VLAs) बनाने के बारे में नहीं है जो बात कर सकें और देख सकें। यह उन इन्फ्रास्ट्रक्चर (बुनियादी ढांचे) के बारे में है जो उन मॉडलों को अव्यवस्थित, भौतिक वास्तविकता से जोड़ते हैं।
अंतिम रूपक:
वर्तमान रोबोटिक्स की स्थिति को एक प्रतिभाशाली छात्र (AI मॉडल) के रूप में सोचें जो केवल एक बहुत ही विशिष्ट, पुरानी पाठ्यपुस्तक (रोबोट प्रदर्शन) के साथ एक लाइब्रेरी में बैठा है। छात्र बुद्धिमान है, लेकिन वह उस किताब तक सीमित है।
पेपर का तर्क है कि वास्तविक दुनिया एक विशाल, शोरभरी, अराजक लाइब्रेरी है जिसमें अरबों किताबें, वीडियो और अनुभव हैं। इस विशाल लाइब्रेरी से सीखने के लिए छात्र को केवल एक बड़ा छात्र होने की आवश्यकता नहीं है। हमें चाहिए:
- लाइब्रेरियन जो अव्यवस्थित किताबों को व्यवस्थित करें (ऑटोलेबलिंग)।
- अनुवादक जो उन्हें पढ़ना समझा सकें (रिटारगेटिंग)।
- मानसिक मानचित्र (Mental Maps) जो उनके अंदर की कहानियों को समझ सकें (वर्ल्ड मॉडल)।
- ट्यूटर जो छात्र के होमवर्क को ग्रेड दें और त्रुटियों को समझाएं (रिवॉर्ड ग्राउंडिंग)।
इन चार उपकरणों के बिना, रोबोट अपनी छोटी, महंगी लाइब्रेरी में फँसा रहेगा, जो इस विशाल, अद्भुत और अव्यवस्थित दुनिया से सीखने में असमर्थ होगा।
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।