कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि एक बेकाबू स्केटबोर्ड आगे कहाँ जाने वाला है। आपके पास एक मानचित्र (मैप) है, स्केटबोर्ड के चलने के सामान्य नियमों का एक सेट है, और दूरबीन है जिससे आप देख सकते हैं कि वह अभी कहाँ है। लेकिन यहाँ एक पेंच है: हवा अचानक तेज़ हो सकती है, सड़क फिसलन भरी हो सकती है, या स्केटबोर्ड कोई ऐसा स्टंट कर सकता है जिसकी आपने उम्मीद नहीं की थी। यदि आप अपने मूल मानचित्र और नियमों पर सख्ती से चिपके रहते हैं, तो आप बोर्ड का पीछा खो देंगे जैसे ही चीजें बदलेंगी। यह इंजीनियरिंग और सिग्नल प्रोसेसिंग की दुनिया में "स्टेट एस्टीमेशन" (अवस्था अनुमान) के दैनिक संघर्ष को दर्शाता है। यह शोर-शराबे वाले, अपूर्ण संकेतों के आधार पर छिपे हुए सच (जैसे किसी रोबोट की स्थिति या विमान की गति) का अनुमान लगाने की कला है।

दशकों तक, इस अनुमान लगाने के खेल के लिए स्वर्ण मानक कलमन फ़िल्टर (Kalman Filter) रहा है। इसे एक सुपर-स्मार्ट, गणितीय रूप से भारी जासूस के रूप में सोचें जो एक आदर्श मानचित्र और इस बात की आदर्श समझ को जोड़ता है कि हवा आमतौर पर कितनी चलती है। यह तब खूबसूरती से काम करता है जब दुनिया बिल्कुल वैसा ही व्यवहार करती है जैसा जासूस उम्मीद करता है। लेकिन वास्तविक दुनिया में, चीजें अस्त-व्यस्त होती हैं। हवा बदल जाती है, सड़क ऊबड़-खाबड़ हो जाती है, और जासूस का आदर्श मानचित्र एक बुरा अनुमान बन जाता है। हाल ही में, इंजीनियरों ने मदद के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करना शुरू कर दिया है। उन्होंने कंप्यूटर को हाथ से नियम लिखने के बजाय डेटा से "सड़क के नियमों" को सीखना सिखाया। ये AI सहायक, जैसे कि कलमननेट (KalmanNet) नामक टूल, अनिश्चित स्थितियों को संभालने में माहिर हैं। हालाँकि, उनकी एक कमी है: यदि काम करते समय दुनिया बदल जाती है (जैसे अचानक तूफान आ जाए), तो उन्हें पता नहीं चलता कि उन्हें अपना दिमाग अपडेट करने की जरूरत है। वे पुराने नियमों के आधार पर अनुमान लगाते रहते हैं, और बदतर होते जाते हैं, क्योंकि उनमें यह कहने का तरीका नहीं है कि, "हे, कुछ गलत है, मुझे फिर से सीखने की जरूरत है।"

यहीं पर नया शोध आता है। लेखकों, वेनी झांग और सहयोगियों ने सासा-कलमननेट (CASA-KalmanNet) नामक एक प्रणाली बनाई है। यह उस AI जासूस को एक अंतर्निर्मित "वास्तविकता जांच" (रियलिटी चेक) सेंसर देने जैसा है। उन्होंने एक विशेष न्यूरल नेटवर्क मॉड्यूल जोड़ा है, जिसे उन्होंने सीपीडीनेट (CPDNet) नाम दिया है, जो लगातार जासूस के आंतरिक विचारों की निगरानी करता है। यदि जासूस अजीब अनुमान लगाने लगता है या संकेत भविष्यवाणियों से मेल नहीं खाते, तो CPDNet अलार्म बजा देता है। यह केवल "मदद!" नहीं चिल्लाता; यह जासूस को बताता है कि उसे कितना घबराना चाहिए और नए संकेतों से कितनी गहराई से सीखना चाहिए। यह सिस्टम को अचानक आए बदलावों या धीमी गति से होने वाले बदलावों के प्रति तुरंत अनुकूल होने की अनुमति देता है, बिना किसी इंसान को नया मानचित्र दिए या उसे सही उत्तर दिखाए। उनके परीक्षणों में, इस आत्म-जागरूक प्रणाली ने न केवल अराजकता में जीवित रहने में सफलता पाई; बल्कि इसने पुराने AI तरीकों की तुलना में चलते लक्ष्यों को बहुत बेहतर तरीके से ट्रैक किया और उन आदर्श, गणितीय रूप से भारी जासूसों के प्रदर्शन के बराबर पहुँच गया जो सभी नियमों को पहले से जानते थे।

एक "वास्तविकता जांच" वाला जासूस

तो, यह जादू कैसे काम करता है? आइए CASA-KalmanNet (चेंज-अवेयर सेल्फ-एडेप्टिव कलमननेट) की कहानी को समझते हैं।

समस्या: जिद्दी जासूस
कल्पना कीजिए कि आपके पास एक रोबोट है जिसे एक चलती कार को ट्रैक करने की आवश्यकता है। आप एक AI फ़िल्टर (कलमननेट) का उपयोग करते हैं जिसे एक धूप वाले दिन और चिकनी सड़कों पर प्रशिक्षित किया गया है। यह बहुत अच्छा काम कर रहा है। लेकिन फिर, अचानक, बारिश होने लगती है और सड़क बर्फीली हो जाती है। कार अलग तरह से फिसलती है। हालाँकि, AI को पता नहीं है कि बारिश हो रही है। यह अपने "धूप वाले दिन" के नियमों का उपयोग करना जारी रखता है। यह गलत अनुमान लगाने लगता है, लेकिन इसे पता नहीं चलता कि यह गलत है। यह बस अनुमान लगाता रहता है, और अधिक भ्रमित होता जाता है।

इसे ठीक करने के पिछले प्रयास ऐसा था जैसे जासूस को "बारिश को कैसे संभालें" पर एक मैनुअल देना, लेकिन यह तभी काम करता है जब आपको पता हो कि किस तरह की बारिश आने वाली है। या, उन्होंने जासूस को हर समय सब कुछ सीखने की कोशिश करने के लिए कहा, जो धीमा था और अक्सर जासूस को वह सब भुला देता था जो वह पहले से जानता था (एक समस्या जिसे "ओवर-अडैप्टेशन" कहा जाता है)।

समाधान: एक सतर्क संरक्षक (CPDNet)
लेखकों ने एक नया पात्र पेश किया है: CPDNet। CPDNet को जासूस के बगल में बैठे एक छोटे, अत्यधिक चौकस संरक्षक के रूप में सोचें। यह कार नहीं चलाता या स्थान का अनुमान नहीं लगाता; यह केवल जासूस के "इनोवेशन" (नवाचार/अंतर) को देखता है। जासूसी की भाषा में, "इनोवेशन" वह अंतर है जो जासूस ने सोचा था कि क्या होगा और वास्तव में क्या हुआ के बीच का है।

• देखने वाले का काम: CPDNet इन अंतरों को देखता है। यदि जासूस आमतौर पर सही होता है, तो अंतर छोटे होते हैं। यदि दुनिया बदल जाती है (जैसे बारिश शुरू होना), तो अंतर बहुत बड़े हो जाते हैं।
• संकेत: CPDNet इस अंतर को एक "विश्वसनीयता स्कोर" (reliability score) में बदल देता है। यदि स्कोर कम है, तो सब ठीक है। यदि स्कोर बढ़ता है, तो इसका मतलब है, "ओह, जासूस अपना मानसिक संतुलन खो रहा है! नियम बदल गए हैं!"
• कार्रवाई: यह स्कोर केवल एक लाइट बल्ब नहीं जलाता। यह जासूस के सीखने के लिए एक डिमर स्विच (dimmer switch) की तरह काम करता है। यदि स्कोर अधिक है, तो जासूस को नए, अव्यवस्थित डेटा से तेजी से सीखने की अनुमति दी जाती है। यदि स्कोर कम है, तो जासूस सीखना बंद कर देता है और जो वह जानता है उस पर टिका रहता है। यह जासूस को छोटी गड़बड़ियों पर घबराने या तूफान के दौरान अपने प्रशिक्षण को भूलने से रोकता है।

"नो-लेबल" की महाशक्ति
यहाँ सबसे शानदार बात है: जासूस को सीखने के लिए सही उत्तर देखने की आवश्यकता नहीं है। आमतौर पर, किसी AI को सिखाने के लिए, आपको एक शिक्षक की आवश्यकता होती है जो कहे, "नहीं, कार वास्तव में यहाँ थी, वहाँ नहीं।" लेकिन वास्तविक दुनिया में, आपके पास अक्सर वहां खड़ा कोई शिक्षक नहीं होता।

CASA-KalmanNet चतुर है क्योंकि यह "इनोवेशन" (भविष्यवाणी और वास्तविकता के बीच का अंतर) को अपने शिक्षक के रूप में उपयोग करता है। यदि भविष्यवाणी बहुत गलत है, तो सिस्टम जानता है कि उसे समायोजन करने की आवश्यकता है, भले ही उसे वास्तविक स्थान का पता न हो। यह अपने भ्रम को कम करके अपनी गलतियों को सुधारना सीखता है।

प्रयोगों ने क्या दिखाया
लेखकों ने इस विचार का परीक्षण कई अलग-अलग परिदृश्यों में किया, सरल सीधी रेखा की गति से लेकर अराजक, घूमते हुए पैटर्न (जैसे लोरेन्ज़ अट्रैक्टर, जो एक तितली के अप्रत्याशित उड़ान पथ का वर्णन करने का एक फैंसी तरीका है) तक।

• अचानक परिवर्तन: जब उन्होंने शोर के स्तर को अचानक बदल दिया (जैसे रेडियो पर स्टैटिक बढ़ाना), तो पुराने AI फिल्टर भ्रमित हो गए और बड़ी गलतियाँ कीं। हालाँकि, CASA-KalmanNet ने अपने "विश्वसनीयता स्कोर" में उछाल देखा, अपना लर्निंग स्विच बदला, और तेजी से अनुकूलित हुआ।
• क्रमिक बदलाव: जब चीजें समय के साथ धीरे-धीरे बदलीं (जैसे सड़क का धीरे-धीरे ऊबड़-खाबड़ होना), तो सिस्टम ने अपने सीखने को धीरे-धीरे समायोजित किया, बिना घबराए बदलावों के साथ तालमेल बनाए रखा।
• वास्तविक दुनिया का परीक्षण: उन्होंने इसे एक वास्तविक रोबोट डेटासेट (NCLT) पर भी आजमाया। उन्होंने शोर में अचानक वृद्धि का अनुकरण किया (जैसे सेंसर का गंदा होना)। मानक AI फ़िल्टर बुरी तरह विफल रहा। "हमेशा सीखने वाला" AI फ़िल्टर बहुत अधिक सीखने की कोशिश करता है और और भी खराब हो जाता है। लेकिन CASA-KalmanNet? इसने अपना धैर्य बनाए रखा, बस उतना ही सीखा जितना आवश्यक था, और रोबोट की स्थिति को उच्चतम सटीकता के साथ ट्रैक किया, जो भुलक्कड़, हमेशा सीखने वाले संस्करण की तुलना में आधे से भी कम अपडेट्स के साथ हुआ।

निष्कर्ष
यह शोध पत्र दिखाता है कि एक AI फ़िल्टर में एक "वॉचडॉग" (CPDNet) जोड़कर, हम एक ऐसी प्रणाली बना सकते हैं जो स्मार्ट और आत्म-जागरूक दोनों है। यह जानता है कि वह कब अच्छा प्रदर्शन कर रहा है और कब संघर्ष कर रहा है। यह जानता है कि कब रुकना है और सोचना है, और कब नए डेटा में डूबकर सीखना है। इसे यह बताने के लिए किसी इंसान की जरूरत नहीं है कि नियम बदल गए हैं; यह खुद ही इसका पता लगा लेता है।

रोबोटिक्स, सेल्फ-ड्राइविंग कारों और नेविगेशन की दुनिया में, यह एक बड़ी बात है। इसका मतलब है कि हमारी मशीनें किसी मानव इंजीनियर के निरंतर अपडेट के बिना वास्तविक, अप्रत्याशित दुनिया को संभाल सकती हैं। वे अनुकूलित हो सकती हैं, सीख सकती हैं, और सत्य को ट्रैक करना जारी रख सकती हैं, भले ही उनके पहियों के नीचे की दुनिया बदल रही हो।