HumanCLAW: Can Vision-Language Models Act Through a Body?
यह शोधपत्र HumanCLAW प्रस्तुत करता है, जो एम्बोडीड इंटेलिजेंस (embodied intelligence) के मूल्यांकन के लिए विजन-लैंग्वेज मॉडल के निर्णय लेने की प्रक्रिया को मोटर निष्पादन (motor execution) से अलग करता है, जिससे यह पता चलता है कि वर्तमान मॉडल मुख्य रूप से पहचान क्षमताओं के बजाय एम्बोडीड आत्म-जागरूकता (embodied self-awareness) की कमी के कारण लंबी अवधि के भौतिक कार्यों में विफल होते हैं।
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 बहुत ही बुद्धिमान, सुपर-स्मार्ट रोबोट को एक वीडियो गेम खेलना सिखा रहे हैं। लेकिन यह सिर्फ कोई साधारण गेम नहीं है; यह एक ऐसा गेम है जहाँ रोबोट को एक वास्तविक, भौतिक शरीर को नियंत्रित करना है जो लड़खड़ा सकता है, गिर सकता है, दीवारों से टकरा सकता है और फूलदान गिरा सकता है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, रोबनों के लिए दो मुख्य प्रकार के "दिमाग" होते हैं। एक प्रकार उस पायलट की तरह है जिसने लाखों विशिष्ट उड़ान पथों को याद कर लिया है; यह वही करने में बहुत अच्छा है जो इसने पहले देखा है, लेकिन अगर हवा का रुख बदल जाए, तो यह दुर्घटनाग्रस्त हो सकता है। दूसरा प्रकार एक "विज़न-लैंग्वेज मॉडल" (VLM) है। इसे एक ऐसे रोबोट के रूप में सोचें जिसके पास किताबों का एक विशाल पुस्तकालय और आँखों के लिए एक कैमरा है। यह एक कहानी पढ़ सकता है, एक तस्वीर देख सकता है, और "लाल सोफे को ढूँढो और उस पर बैठ जाओ" जैसे जटिल विचारों को समझ सकता है। यह तर्क करने और बात करने में अद्भुत है, लेकिन इसने वास्तव में पहले कभी कोई शरीर नहीं चलाया है।
बड़ा सवाल जो वैज्ञानिक अभी पूछ रहे हैं, वह यह है: क्या यह किताब-पढ़ा हुआ रोबोट वास्तव में वास्तविक दुनिया में चीजें कर सकता है? क्या यह "किचन में जाओ" जैसे उच्च-स्तरीय विचार को बिना गिरे चलने के लिए आवश्यक सूक्ष्म, पलक झपकते ही होने वाली मांसपेशियों की गतिविधियों में बदल सकता है? आमतौर पर, जब कोई रोबोट विफल होता है, तो यह बताना कठिन होता है कि "दिमाग" ने गलत निर्णय लिया (जैसे दीवार में टकरा जाना) या "शरीर" काम करने में असमर्थ रहा (जैसे संतुलन खो देना)। इस रहस्य को सुलझाने के लिए, शोधकर्ताओं को सोचने और हिलने-डुलने की प्रक्रिया को अलग करने का एक तरीका चाहिए था, ताकि वे देख सकें कि रोबोट का दिमाग वास्तव में कहाँ अटक रहा था।
यहीं पर HumanCLAW नामक एक नया अध्ययन आता है। शोधकर्ताओं ने एक विशेष परीक्षण स्थल बनाया ताकि यह देख सकें कि क्या ये स्मार्ट AI दिमाग एक मानव जैसे शरीर को भौतिक दुनिया में नियंत्रित कर सकते हैं। उन्होंने AI को हिलना-डुलना नहीं सिखाया; उन्होंने बस इसे एक कैमरा, एक लक्ष्य और "आगे चलो," "मुड़ो," या "बैठो" जैसे बुनियादी मूव्स की एक सूची दे दी। फिर, उन्होंने AI को 41 अलग-अलग आभासी घरों में वस्तुओं को खोजने और उन पर बैठने के लिए छोड़ दिया।
परिणाम चौंकाने वाले थे। यहाँ तक कि आज के सबसे स्मार्ट, सबसे उन्नत AI मॉडल भी लगभग हर बार विफल रहे। सबसे अच्छा मॉडल केवल लगभग 16.8% प्रयासों में सफल हुआ। इसका मतलब है कि वह 83% से अधिक समय विफल रहा।
अजीब बात यह है: AI इसलिए विफल नहीं हो रहा था क्योंकि वह "अंधा" था। जब लक्षित वस्तु (जैसे सोफा) वास्तव में स्क्रीन पर दिखाई दी, तो AI ने उसे लगभग हमेशा पहचान लिया। वह जानता था कि वह क्या देख रहा है। समस्या देखने की नहीं थी; समस्या यह जानने की थी कि वह कहाँ है।
शोधकर्ताओं ने पाया कि इन AI मॉडलों को "बॉडी अमीनसिया" (शरीर संबंधी विस्मृति) का गंभीर मामला है। वे एक ऐसे भूत की तरह हैं जो फर्नीचर को पूरी तरह देख सकता है लेकिन उसे पता ही नहीं कि उसके अपने पैर कहाँ हैं। जब AI ने चलने की कोशिश की, तो वह अक्सर सोफे पर पहुँचने के बाद भी चलता रहता था, या वह बहुत जल्दी रुक जाता था, यह सोचकर कि वह पहुँच गया है जबकि वह अभी भी दूर था। जब उसने बैठने की कोशिश की, तो वह अक्सर हवा में ही अपना शरीर नीचे झुका देता था, यह महसूस किए बिना कि सोफा सीधे उसके नीचे नहीं है। वह दीवारों से टकराकर भी चलता रहता था या बाधाओं से टकराकर लड़खड़ा जाता था बिना यह महसूस किए कि वह उनसे टकरा गया है।
यह अध्ययन दिखाता है कि जबकि ये AI मॉडल दुनिया का वर्णन करने में अविश्वसनीय हैं, वे दुनिया में अपनी जगह को समझने में बहुत खराब हैं। वे आपको बता सकते हैं कि एक कुर्सी कैसी दिखती है, लेकिन वे यह नहीं समझ सकते कि बिना गिरे उस पर कैसे बैठा जाए। शोधकर्ता निष्कर्ष निकालते हैं कि वास्तविक दुनिया में वास्तव में कार्य करने वाले रोबोट बनाने के लिए, हमें उन्हें न केवल देखना, बल्कि यह "महसूस" करना भी सिखाना होगा कि उनका शरीर कहाँ है और वे दुनिया के साथ कैसे अंतःक्रिया करते हैं। जब तक हम इस "एम्बोडीड सेल्फ-अवेयरनेस" (देह-चेतना) की समस्या को हल नहीं करते, तब तक सबसे स्मार्ट AI दिमाग भी एक भौतिक मशीन में रहने वाले अनाड़ी भूत ही रहेंगे।
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।