कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ आप एक रोबोट को चित्र बनाना सिखाना चाहते हैं, लेकिन इसके बजाय कि आप उसे ब्रश और कैनवास दें, आप उसे दस लाख छोटे, अदृश्य कंचे (marbles) और उनके चलने के नियमों का एक सेट देते हैं। यही जेनरेटिव मॉडलिंग (generative modeling) का सार है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जो नई डेटा—जैसे चित्र, संगीत या पाठ—बनाने के लिए समर्पित है, जो बिल्कुल असली चीज़ जैसा दिखता है। इसे करने के लिए, AI वैज्ञानिक अक्सर एक अवधारणा का उपयोग करते हैं जिसे मीन-फील्ड गेम्स (Mean-Field Games) कहा जाता है। इसे एक बोर्ड गेम के रूप में न सोचें जिसमें विजेता और हारने वाले होते हैं, बल्कि इसे एक विशाल, अदृश्य डांस फ्लोर के रूप में सोचें। एक पारंपरिक खेल में, आप केवल अपने प्रतिद्वंद्वी की चिंता करते हैं। एक "मीन-फील्ड" डांस में, प्रत्येक डांसर इतना छोटा होता है कि वह व्यक्तिगत रूप से एक-दूसरे को नोटिस नहीं करता; इसके बजाय, वे केवल पूरे भीड़ (crowd) के प्रति प्रतिक्रिया करते हैं। यदि भीड़ एक कोने में जमा हो जाती है, तो एक डांसर को दूर जाने के लिए एक हल्का सा धक्का महसूस होता है। यदि भीड़ विरल (sparse) है, तो उन्हें इसमें शामिल होने के लिए एक खिंचाव महसूस होता है। यह "भीड़ के प्रति जागरूकता" कंचों को एक आकार भरने के लिए पूरी तरह से फैलाने में मदद करती है, जैसे कि धुएं का बादल एक पूर्ण वृत्त बनाने के लिए फैलता है।

लंबे समय से, शोधकर्ता इस "भीड़ के नृत्य" के विचार का उपयोग विभिन्न प्रकार के AI कलाकारों को बनाने के लिए कर रहे हैं। कुछ कलाकार कंचों को सीधी रेखाओं में चलने के लिए कहते हैं; अन्य उन्हें गैस के कणों की तरह बेतरतीब ढंग से हिलने (jitter) के लिए कहते हैं। अब तक, इन्हें बारह पूरी तरह से अलग व्यंजनों (recipes) के रूप में माना जाता था, जिनमें से प्रत्येक के अपने जटिल निर्देश और उपकरण थे। लेकिन क्या होगा अगर वे सभी एक ही मशीन के अलग-अलग सेटिंग्स हों? यह शोध पत्र "All in One: Generative Modeling as Mean-Field Game Design" यही सवाल पूछता है। इसके लेखक, कुन झाओ और जू चेन, प्रस्तावित करते हैं कि ये सभी अलग-अलग AI कला शैलियाँ वास्तव में एक विशाल, एकीकृत ढांचे के विशेष मामले हैं। उन्होंने न केवल चित्र बनाने का एक नया तरीका खोजा; उन्होंने एक सार्वभौमिक अनुवादक (universal translator) बनाया जो आपको कुछ बटन घुमाकर किसी भी बारह प्रमुख शैलियों के बीच स्विच करने की अनुमति देता है, और उन्होंने एक "व्यक्तिगत स्थान" (personal space) नियम जोड़कर AI को अधिक विविध चित्र बनाने का एक नया तरीका भी खोजा।

यूनिवर्सल रिमोट कंट्रोल: MFGLab

यह शोध पत्र MFGLab नामक एक नया ओपन-सोर्स टूल पेश करता है। कल्पना कीजिए कि आपके पास एक जटिल वीडियो गेम कंसोल है जिसमें बारह अलग-अलग गेम कार्ट्रिज हैं, जिनमें से प्रत्येक के लिए एक अलग कंट्रोलर, अलग बैटरी और एक अलग मैनुअल की आवश्यकता होती है। ऐसा ही जेनरेटिव मॉडलिंग पहले हुआ करता था। MFGLab उस पूरे सेटअप को एक एकल, सार्वभौमिक रिमोट कंट्रोल के साथ बदल देता है।

यह "रिमोट" चार सेटिंग्स की एक सरल सूची है, जिसे लेखक कॉस्ट टुपल (cost tuple) (M, I, L, σ) कहते हैं।

• M (गंतव्य/Destination): कंचों को कहाँ पहुँचना चाहिए? (जैसे, "उन्हें एक मानक बादल जैसा दिखाओ।")
• L (ऊर्जा/Energy): कंचों को वहाँ पहुँचने के लिए कितनी मेहनत करनी चाहिए? (जैसे, "सबसे छोटा रास्ता लें" या "सुस्त होकर चलें।")
• I (परस्पर क्रिया/Interaction): कंचे भीड़ के प्रति कैसी प्रतिक्रिया देते हैं? (जैसे, "अलग रहें" या "एक-दूसरे को अनदेखा करें।")
• σ (शोर/Noise): उन्हें कितना बेतरतीब ढंग से हिलना (jitter) चाहिए? (जैसे, "सुचारू रूप से चलें" या "जेली की तरह उछलें।")

इन चार नंबरों को बदलकर, MFGLab सॉफ्टवेयर स्वचालित रूप से किसी भी बारह प्रसिद्ध AI मॉडलों में बदल जाता है, जैसे कि कंटीन्यूअस नॉर्मलाइजिंग फ्लोज़ (Continuous Normalizing Flows), स्कोर-बेस्ड मॉडल्स (Score-based Models), या श्रोडिंजर ब्रिज (Schrödinger Bridges)। लेखकों ने अपने नए "यूनिवर्सल रिमोट" और पुराने, कस्टम-निर्मित उपकरणों के साथ समान कार्यों को चलाकर इसका परीक्षण किया। परिणाम समान थे। नए सिस्टम ने अपनी गुणवत्ता नहीं खोई; इसने केवल प्रक्रिया को बहुत आसान बना दिया। यह ऐसा है जैसे यह पता चलना कि बारह अलग-अलग प्रकार की कारें वास्तव में एक ही चेसिस पर बनी हैं, और आपको बस मॉडल बदलने के लिए स्टीयरिंग व्हील और इंजन को बदलना है।

"पर्सनल स्पेस" की खोज: DI-Flow

इस सार्वभौमिक रिमोट को बनाते समय, लेखकों ने कुछ दिलचस्प देखा। अधिकांश मौजूदा AI मॉडलों में, "इंटरैक्शन" सेटिंग (I) शून्य पर सेट थी। इसका मतलब था कि कंचों को एक-दूसरे को पूरी तरह से अनदेखा करने के लिए कहा गया था। वे अपने गंतव्य की ओर बढ़ेंगे, लेकिन उन्हें इस बात की परवाह नहीं होगी कि वे एक के ऊपर एक ढेर हो रहे हैं। इससे अक्सर मोड कोलैप्स (mode collapse) होता है, जो एक ऐसी समस्या है जहाँ AI आलसी हो जाता है और बार-बार एक ही चीज़ बनाता है, जिससे डेटा की विविधता छूट जाती है।

लेखकों ने पूछा: "क्या होगा यदि हम कंचों को व्यक्तिगत स्थान का अहसास कराएं?" उन्होंने DI-Flow नामक एक नया सेटिंग डिज़ाइन किया। इस मोड में, "इंटरैक्शन" लागत को एक ऐसे फंक्शन के रूप में सेट किया गया है जो एक प्रतिकर्षण बल (repulsive force) के रूप में कार्य करता है। यदि कोई कंचा खुद को भीड़भाड़ वाले क्षेत्र में पाता है (जहाँ कई अन्य कंचे हैं), तो उसे शांत, खाली जगह की ओर जाने के लिए एक मजबूत धक्का महसूस होता है। यदि वह अकेले स्थान में है, तो उसे वहीं रहने के लिए एक हल्का सा संकेत महसूस होता है।

यह सरल परिवर्तन कुछ प्रकार के डेटा के लिए गेम-चेंजर साबित हुआ। जब "रिंग गौसियन मिक्स्चर" (एक लक्ष्य आकार जो छह अलग-अलग बिंदुओं का एक वलय जैसा दिखता है) पर परीक्षण किया गया, तो मानक मॉडल सभी छह बिंदुओं को समान रूप से कवर करने के लिए संघर्ष करते रहे। कुछ मॉडल केवल तीन या चार ही छू पाते थे। लेकिन DI-Flow, अपने नए "पर्सनल स्पेस" नियम के साथ, 99.7% लक्ष्य क्षेत्र को कवर करने में सफल रहा, जिसने बिना किसी रैंडम जिटर (शोर) के सभी छह बिंदुओं पर कंचों को पूरी तरह से फैला दिया। इसने परीक्षण किए गए सभी "डिटरमिनिस्टिक" (गैर-यादृच्छिक) मॉडलों में सर्वश्रेष्ठ परिणाम प्राप्त किए।

बिना मानचित्र के पहेली सुलझाना

शोध पत्र ने एक दूसरी समस्या का भी समाधान किया: इन खेलों को कैसे हल किया जाए। आमतौर पर, कंचों को नृत्य करना सिखाने के लिए, आपको "न्यूरल ट्रेनिंग" नामक विधि का उपयोग करना पड़ता है, जो एक नृत्य को बार-बार देखते हुए, कदमों का अनुमान लगाते हुए और सही होने की उम्मीद करते हुए सीखने जैसा है। यह धीमा है और कभी-कभी विफल हो जाता है यदि नृत्य बहुत जटिल हो (जैसे जब कंचों को बेतरतीब ढंग से हिलने की आवश्यकता होती है)।

लेखक गेम थ्योरी की दुनिया से उपकरणों का एक अलग सेट लेकर आए, जिन्हें MFG सॉल्वर्स (MFG solvers) कहा जाता है। कदमों का अनुमान लगाने के बजाय, ये सॉल्वर गणितीय रूप से पूर्ण नृत्य चालों की गणना करते हैं, जो फिनिश लाइन से स्टार्ट तक पीछे की ओर काम करते हैं। उन्होंने इन सॉल्वर्स के दो प्रकारों का परीक्षण किया:

1. ग्रिड-आधारित DP: एक विधि जो डांस फ्लोर को ग्रिड में विभाजित करती है और चरण-दर-चरण हल करती है।
2. एक्टर-क्रिटिक (Actor-Critic): एक विधि जो चालों का न्याय करने के लिए एक "क्रिटिक" और उनमें सुधार करने के लिए एक "एक्टर" का उपयोग करती है।

परिणाम आश्चर्यजनक थे। उन मॉडलों के लिए जिनमें रैंडम जिटर (यादृच्छिक शोर) शामिल था, पुराने न्यूरल ट्रेनिंग तरीके अक्सर पूरी तरह से विफल हो जाते थे, जिससे अव्यवस्थित और कोलैप्स्ड परिणाम मिलते थे। हालाँकि, नए MFG सॉल्वर्स ने इन्हीं समस्याओं को एक सेकंड से भी कम समय में हल कर दिया और लगभग पूर्ण कवरेज (98% से अधिक) प्राप्त किया। यह ऐसा है जैसे पुराना तरीका अंधेरे में लड़खड़ाते हुए नृत्य सीखने की कोशिश कर रहा था, जबकि नया सॉल्वर सीधे कोरियोग्राफी शीट पढ़ रहा था और उसे पूरी तरह से निष्पादित कर रहा था।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि इसने मनुष्यों से बेहतर चित्र बनाने वाला कोई नया प्रकार का AI आविष्कार किया है। इसके बजाय, यह दावा करता है कि इसने मौजूदा AI ड्राइंग टूल्स के पूरे चिड़ियाघर को एक ही प्रबंधनीय प्रणाली में व्यवस्थित कर दिया है। यह दिखाता है कि:

1. एकीकरण (Unification): बारह अलग-अलग मॉडल एक अंतर्निहित खेल की केवल अलग-अलग सेटिंग्स हैं।
2. नवाचार (Innovation): "पर्सनल स्पेस" नियम (DI-Flow) जोड़कर, हम AI को रैंडम शोर पर निर्भर हुए बिना अधिक डेटा का पता लगाने के लिए मजबूर कर सकते हैं।
3. दक्षता (Efficiency): गेम-थ्योरी सॉल्वर्स का उपयोग करने से कुछ जटिल कार्यों के लिए पारंपरिक प्रशिक्षण विधियों की तुलना में बहुत तेज़ और अधिक विश्वसनीय परिणाम मिल सकते हैं।

लेखक सुझाव देते हैं कि यह ढांचा भविष्य की खोजों के द्वार खोलता है। यदि हम आसानी से "इंटरैक्शन" नियम को बदल सकते हैं, तो हम शायद ऐसे AI को डिज़ाइन कर पाएंगे जो ट्रैफिक फ्लो या भीड़ के व्यवहार जैसे जटिल सामाजिक गतिशीलता को समझ सके, ठीक वैसे ही जैसे वह एक चित्र बनाता है। शोध पत्र इस बात पर ध्यान देते हुए समाप्त होता है कि हालांकि "पर्सनल स्पेस" नियम ने रिंग-आकार के डेटा के लिए चमत्कार किया, लेकिन अन्य आकारों (जैसे दो अर्धचंद्राकार चंद्रमा) पर इसका प्रदर्शन मिला-जुला रहा, जो यह दर्शाता है कि सबसे अच्छा नियम उस विशिष्ट आकार पर निर्भर करता है जिसे आप बनाने की कोशिश कर रहे हैं। लेकिन मुख्य संदेश स्पष्ट है: जेनरेटिव मॉडलिंग को परस्पर क्रिया करने वाले कणों के खेल के रूप में देखकर, हम अंततः पूरे चित्र को देख सकते हैं, न कि केवल उसके टुकड़ों को।