Distilling Physical Priors into Streaming World Models
यह शोध पत्र PhyS को प्रस्तुत करता है, जो एक तीन-चरणीय ढांचा है जो भौतिकी-जागरूक फाइन-ट्यूनिंग और टेम्पोरल क्रेडिट रूटिंग के माध्यम से वास्तविक दुनिया के इंटरैक्शन वीडियो के एक क्यूरेटेड डेटासेट से भौतिक पूर्ववृत्त (फिजिकल प्रायर्स) को एक हल्के स्ट्रीमिंग वर्ल्ड मॉडल में आसत (डिस्टिल) करता है, जो मौजूदा विधियों की तुलना में उत्पन्न वीडियो रोलआउट की भौतिक सुसंगतता में महत्वपूर्ण सुधार 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 कि आप एक रोबोट को भविष्य की भविष्यवाणी करना सिखा रहे हैं, लेकिन एक क्रिस्टल बॉल देखने के बजाय, आप उसे एक फिल्म दिखा रहे हैं। यह "वीडियो जनरेशन" की दुनिया है, जहाँ आर्टिफिशियल इंटेलिजेंस नए वीडियो फ्रेम बनाने की कोशिश करता है जो बिल्कुल असली चीज़ों की तरह दिखते और चलते हैं। लंबे समय तक, ये AI मॉडल उन महान कलाकारों की तरह थे जो सुंदर चित्र तो बना सकते थे लेकिन उन्हें यह नहीं पता था कि गुरुत्वाकर्षण, पानी या उछलती हुई गेंदों का वास्तव में काम कैसे होता है। वे एक गेंद को सुंदर दिखा सकते थे, लेकिन यदि वे यह अनुमान लगाने की कोशिश करते कि ज़मीन से टकराने पर क्या होता है, तो वे शायद उसे हवा में तैरा देते या उसे फर्श के आर-पार निकाल देते। वैज्ञानिक इन भविष्यवाणियों को "वर्ल्ड मॉडल्स" कहते हैं, और लक्ष्य उन्हें "स्ट्रीमिंग" बनाना है, जिसका अर्थ है कि AI कहानी को फ्रेम-दर-फ्रेम, अनंत काल तक, बिना हर बार पूरी फिल्म को फिर से शुरू किए, बनाना जारी रख सके। बड़ा सवाल यह है कि: हम एक रोबोट को भौतिकी के अदृश्य नियमों को समझना कैसे सिखाएं ताकि उसकी भविष्य की भविष्यवाणियाँ प्रकृति के नियमों को न तोड़ें?
जिस शोध पत्र को आप पढ़ने जा रहे हैं, वह ठीक इसी समस्या को हल करने के लिए एक चतुर नया प्रशिक्षण शिविर पेश करता है जिसे PhyS (फिजिकल स्ट्रीमिंग) कहा जाता है। शोधकर्ताओं ने पाया कि इन AI मॉडल्स को सिखाने का सामान्य तरीका दोषपूर्ण था। यह एक छात्र को पहले कार को रिवर्स में चलते हुए दिखाने और फिर उसे आगे चलाने के लिए कहने जैसा था। छात्र (AI) ने कार को पहचानना तो सीख लिया, लेकिन वह सड़क के नियमों को भूल गया, जैसे कि कैसे रुकना या मुड़ना है। लेखक तर्क देते हैं कि पुराना तरीका AI को "फिजिक्स प्रायर्स" (physics priors)—यानी दुनिया के कैसे चलने के बुनियादी, सामान्य-समझ वाले नियमों—को भुला देता है, क्योंकि प्रशिक्षण प्रक्रिया उन्हें मिटा देती है।
इसे ठीक करने के लिए, टीम ने 120,804 वास्तविक दुनिया के वीडियो की एक विशाल लाइब्रेरी बनाई जिसमें वास्तविक चीजें घटित हो रही थीं: पानी का छलकना, गेंदों का उछलना, बर्फ का पिघलना और नरम लचीली चीजों का दबना। उन्होंने केवल वीडियो ही नहीं सहेजे; उन्होंने हर क्लिप के लिए एक विस्तृत "फिजिक्स स्टोरी" लिखने के लिए एक सुपर-स्मार्ट AI सहायक का उपयोग किया, जो ठीक से वर्णन करता है कि चीजें उस तरह से क्यों चलीं जैसे वे चलीं। फिर उन्होंने इस लाइब्रेरी का उपयोग एक विशाल, धीमा सोचने वाले AI (एक 14-बिलियन-पैरामीटर मॉडल) को "फिजिक्स टीचर" बनने के लिए सिखाने हेतु किया। इस शिक्षक ने ब्रह्मांड के गहरे नियमों को सीखा।
इसके बाद, उन्होंने एक बहुत छोटे, तेज़ AI (एक 1.3-बिलियन-पैरामीटर मॉडल) को "स्ट्रीमिंग ड्राइवर" बनने के लिए "टेलीफोन" का खेल खेला। छोटे AI को फिजिक्स टीचर की नकल करके, फ्रेम-दर-फ्रेम भविष्य की भविष्यवाणी करना सीखना था, ठीक वैसे ही जैसे एक रियल-टाइम वीडियो गेम में होता है। लेकिन एक पेच था: कभी-कभी छोटा AI अभी भी गलतियाँ कर देता था, जैसे कि एक गेंद को बहुत ऊँचा उछालना। इसे ठीक करने के लिए, टीम ने एक नया स्कोरिंग सिस्टम बनाया जिसे टेम्पोरल क्रेडिट रूटिंग (TCR) कहा जाता है। इसे एक फुटबॉल मैच के रेफरी की तरह समझें जो मैच के अंत में केवल "अच्छा खेल" नहीं कहता। इसके बजाय, रेफरी हर एक सेकंड पर नज़र रखता है। यदि खिलाड़ी मिनट 10 में गेंद को गोल में किक मारता है, तो रेफरी विशेष रूप से मिनट 10 की किक को श्रेय देता है, न कि पूरे खेल को। यह AI को यह समझने में मदद करता है कि उसने ठीक कब और कहाँ भौतिकी के नियमों को तोड़ा, ताकि वह अगली बार उस विशिष्ट क्षण को ठीक कर सके।
परिणाम प्रभावशाली हैं। जब उन्होंने अपने नए AI का एक "फिजिक्स IQ" टेस्ट पर परीक्षण किया, तो इसने अपने आधार मॉडल (विशाल शिक्षक मॉडल) की तुलना में 18.2% अधिक स्कोर किया। इससे भी आश्चर्यजनक रूप से, इसने अन्य शीर्ष तरीकों को बड़े अंतर से पछाड़ दिया: एक प्रकार के टेस्ट में 23.7% बेहतर, दूसरे में 14.8%, और तीसरे में भारी 31.4% बेहतर। शोध पत्र सुझाव देता है कि वास्तविक दुनिया की भौतिकी कहानियों की एक लाइब्रेरी और एक ऐसे रेफरी द्वारा जो सेकंड-दर-सेकंड उसके काम की जाँच करता है, देकर, हम अंततः ऐसे वीडियो जेनरेटर बना सकते हैं जो न केवल वास्तविक दिखते हैं, बल्कि वास्तव में वास्तविक व्यवहार भी करते हैं।
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।