Emergent Compositional Skills in Mixture-of-Experts VLAs
यह शोध पत्र यह प्रदर्शित करता है कि एक सरलीकृत मिक्स्चर-ऑफ-एक्सपर्ट्स (MoE) एक्शन हेड से सुसज्जित विजन-लैंग्वेज-एक्शन (VLA) मॉडल, केवल विशेषज्ञ प्रदर्शनों (expert demonstrations) से ही जटिल रोबोटिक कार्यों को पुन: प्रयोज्य, व्याख्या योग्य निम्न-स्तरीय प्रिमिटिव्स और उच्च-स्तरीय अनुक्रमण रणनीतियों में विघटित करना उभरते हुए सीख सकता है, जो मोनोलिथिक बेसलाइनों के तुलनीय प्रदर्शन प्राप्त करते हुए अधिक मॉड्यूलैरिटी और व्याख्यात्मकता प्रदान 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 एक ऐसी दुनिया की जहाँ रोबोट केवल एक कठोर, पहले से लिखे गए स्क्रिप्ट का पालन नहीं करते, बल्कि वास्तव में किसी पहेली को हल करने के लिए उसे छोटे, प्रबंधनीय टुकड़ों में तोड़ने के बारे में "सोच" सकते हैं। यह आधुनिक रोबोटिक्स का सपना है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक मशीनों को दुनिया को देखना, मानवीय भाषा को समझना और काम पूरा करने के लिए अपने हाथों को चलाना सिखाते हैं। लंबे समय तक, सबसे स्मार्ट रोबोट एक प्रतिभाशाली लेकिन अखंड प्रतिभाशाली व्यक्ति (monolithic genius) की तरह रहे हैं: उन्हें एक विशाल, अटूट मस्तिष्क के रूप में प्रशिक्षित किया जाता है। यदि आप उन्हें कोई नया करतब सिखाना चाहते हैं, तो आपको अक्सर उस पूरे मस्तिष्क को फिर से प्रशिक्षित करना पड़ता है, और यह बताना कठिन होता है कि वे इसे कैसे कर रहे हैं। वे बस इसे कर देते हैं। लेकिन क्या होगा अगर, एक विशाल मस्तिष्क के बजाय, हम एक रोबोट को उसके सिर के अंदर विशेषज्ञों की एक टीम रखने के लिए सिखा सकें? क्या होगा अगर वह कह सके, "ठीक है, मुझे इस कप को पकड़ना है, फिर मुझे इसे हिलाना है, फिर मुझे इसे छोड़ना है," और उन प्रत्येक चरणों को एक अलग "विशेषज्ञ" को सौंप सके जो ठीक जानता हो कि उस विशिष्ट कार्य को कैसे करना है? यह वह बड़ा सवाल है जो शोधकर्ता पूछ रहे हैं: क्या हम ऐसे रोबोट बना सकते हैं जो इंसानों को कार्य करते हुए देखकर, अपने कौशल को स्वचालित रूप से व्यवस्थित करना सीख सकें, बिना हमारे हर एक हरकत के लिए मैनुअल लिखे?
यह शोध पत्र ठीक इसी विचार का उपयोग करके एक चतुर तकनीक जिसे "मिक्सचर-ऑफ-एक्सपर्ट्स" (MoE) कहा जाता है, का अन्वेषण करता है। रोबोट के मस्तिष्क को एक व्यस्त रसोईघर के रूप में सोचें। एक पारंपरिक सेटअप में, आपके पास एक विशाल शेफ होता है जो सब कुछ करने की कोशिश करता है: काटना, तलना, प्लेटिंग करना और सफाई करना, सब एक साथ। यह काम करता है, लेकिन यह अव्यवस्थित और समझने में कठिन है। लेखकों ने कुछ अलग करने की कोशिश की: उन्होंने रोबोट को एक "हेड शेफ" (जिसे राउटर कहा जाता है) और विशेष सहायक शेफ (sous-chefs/experts) की एक टीम दी। हेड शेफ स्थिति को देखता है—रोबोट क्या देख रहा है, इंसान क्या कह रहा है, और रोबोट का हाथ कहाँ है—और फिर तय करता है कि अगले कदम के लिए किस सहायक शेफ को नेतृत्व करना चाहिए। दिलचस्प बात यह है कि रोबोट को यह नहीं बताया गया था कि ये सहायक शेफ कौन थे या उनके क्या काम होने चाहिए। वैज्ञानिकों ने बस रोबary को शुरू से सीखने दिया।
परिणाम बताते हैं कि रोबोट ने वास्तव में अपने आप में कुछ अद्भुत किया। उसने केवल इंसान की नकल नहीं की; उसने कार्यों को पुन: प्रयोज्य (reusable), विशिष्ट कौशलों में तोड़ने के बारे में सीखा। उदाहरण के लिए, एक "विशेषज्ञ" "ग्रैस्पर" (पकड़ने वाला) बन गया, जो मग या मोका पॉट जैसे पतले हैंडल को पकड़ने में माहिर हुआ। एक अन्य विशेषज्ञ "प्लेसर" (रखने वाला) बन गया, जो केवल किसी वस्तु को धीरे से रखने के अंतिम कदम पर ध्यान केंद्रित करता है। तीसरा "रिट्रैक्टर" (वापस खींचने वाला) बन गया, जिसने चीज़ छोड़ने के बाद हाथ को ऊपर उठाने का कौशल सीखा। ये यादृच्छिक (random) नहीं थे; ये सुसंगत, पुन: प्रयोज्य व्यवहार थे जिनका रोबोट ने मग को माइक्रोवेव में रखने या बर्तन को चूल्हे पर रखने जैसे विभिन्न कार्यों में बार-बार उपयोग किया। "हेड शेफ" ने इन विशेषज्ञों के बीच सहजता से स्विच करना सीख लिया, जिससे जटिल, दीर्घकालिक लक्ष्यों को हल करने के लिए उन्हें आपस में जोड़ना संभव हुआ।
जो बात और भी दिलचस्प है वह यह है कि रोबोट को पहले से बने कौशल की सूची की आवश्यकता नहीं थी। उसने स्वयं ही पदानुक्रम (hierarchy) को समझ लिया। जब रोबोट किसी कार्य में विफल हुआ, तो वह केवल गोल-गोल नहीं घूमता था; बल्कि वह ज्ञात कौशलों के एक ही क्रम को (जैसे पकड़ने, फिर हिलाने, फिर छोड़ने का प्रयास करना) बार-बार दोहराता था, जिससे उसकी गलतियाँ समझना आसान हो गया। शोधकर्ताओं ने पाया कि भले ही रोबोट एक जटिल प्रणाली का उपयोग कर रहा था, फिर भी इसने मानक, विशाल-मस्तिष्क वाले रोबोटों के समान ही प्रदर्शन किया, लेकिन मॉड्यूलर और व्याख्या योग्य (interpretable) होने के अतिरिक्त लाभ के साथ। यह सुझाव देता है कि हमें स्मार्ट रोबोट पाने के लिए जटिल प्लानर या हस्त-कोडित कौशल पुस्तकालय बनाने की आवश्यकता नहीं हो सकती है; इसके बजाय, हमें शायद उन्हें सही संरचना देनी होगी और उन्हें डेटा से अपने कौशल खुद कंपोज़ करने देना होगा। हालांकि कुछ कौशल अभी भी कुछ कार्यों के लिए विशिष्ट थे, अध्ययन दृढ़ता से सुझाव देता है कि यह "विशेषज्ञों की टीम" वाला दृष्टिकोण ऐसे रोबोटों की ओर एक आशाजनक कदम है जो अनुकूलित हो सकें, अपने कार्यों की व्याख्या कर सकें और अधिक स्वाभाविक रूप से नई चीजें सीख सकें।
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।