Population-Scalable Multi-Agent World Modeling
यह शोध पत्र खोरा (Khora) को प्रस्तुत करता है, जो एक स्केलेबल मल्टी-एजेंट वर्ल्ड मॉडल है जो वर्ल्ड-स्टेट इवोल्यूशन (world-state evolution) को विजुअल रेंडरिंग से अलग करके फिक्स्ड-पॉपुलेशन ट्रेनिंग की सीमाओं को दूर करता है, जिससे क्रॉस-व्यू कंसिस्टेंसी और विजुअल क्वालिटी को बनाए रखते हुए एजेंटों की अनिश्चित संख्या तक इन्फरेंस-टाइम एक्सपेंशन को सक्षम बनाया जा सके।
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 विशाल, अराजक मल्टीप्लेयर वीडियो गेम देख रहे हैं जहाँ सैकड़ों खिलाड़ी एक साथ दौड़ रहे हैं, कूद रहे हैं और चीजें फेंक रहे हैं। वास्तविक दुनिया में, यदि आप और आपका मित्र दोनों एक गिरते हुए पेड़ को देखते हैं, तो आप दोनों देखते हैं कि पेड़ एक ही समय में जमीन से टकराता है, भले ही आप अलग-अलग स्थानों पर खड़े हों। लेकिन कंप्यूटर को यह समझना सिखाना अविश्वसनीय रूप से कठिन है। आमतौर पर, जो कंप्यूटर किसी दृश्य के भविष्य की भविष्यवाणी करने की कोशिश करते हैं—जिन्हें "वर्ल्ड मॉडल्स" कहा जाता है—वे एक एकल-व्यक्ति कैमरे की तरह होते हैं। वे अनुमान लगा सकते हैं कि एक व्यक्ति आगे क्या देखेगा, लेकिन यदि आप अचानक एक दूसरा व्यक्ति, या सौ लोग जोड़ देते हैं, तो कंप्यूटर भ्रमित हो जाता है। यह एक पार्टी का चित्र बनाने की कोशिश करने जैसा है जिसे केवल एक अतिथि के दृष्टिकोण से जानने के बाद बनाया गया है; यदि आप अधिक अतिथियों को जोड़ने का प्रयास करते हैं, तो वह चित्र अक्सर बिगड़ जाता है या आपको उसे पूरी तरह से फिर से बनाने की आवश्यकता होती है। वैज्ञानिक एक ऐसा "यूनिवर्सल सिम्युलेटर" बनाने की कोशिश कर रहे हैं जो बिना क्रैश हुए किसी भी संख्या में खिलाड़ियों को संभाल सके, जो सभी के लिए दुनिया को सुसंगत रखे, चाहे कितने भी लोग शामिल हों।
यह पेपर खोरा (Khora) नामक एक नई प्रणाली पेश करता है, जो इन आभासी दुनियाओं के लिए एक सुपर-स्मार्ट, अदृश्य गेम मास्टर की तरह कार्य करती है। खिलाड़ियों की एक निश्चित संख्या को संभालने के बजाय, खोरा "दुनिया के नियमों" को "कैमरा व्यू" से अलग करता है। इसे एक कमरे के बीच में रखे एक साझा व्हाइटबोर्ड की तरह समझें। हर कोई अपने कार्यों और प्रेक्षणों (observations) को इस व्हाइटबोर्ड पर लिखता है (जिसे लेखक STBoard कहते हैं)। जब कोई खिलाड़ी देखना चाहता है कि क्या हो रहा है, तो वे अन्य खिलाड़ियों से सीधे नहीं पूछते; वे बस व्हाइटबोर्ड को देखते हैं और अपने विशिष्ट स्थान से जो वे देखते हैं, उसे चित्रित करते हैं। क्योंकि व्हाइटबोर्ड को इस बात की परवाह नहीं है कि कमरे में कितने लोग हैं, आप किसी भी क्षण एक नया खिलाड़ी जोड़ सकते हैं, और वे तुरंत बोर्ड को पढ़ना और अपना स्वयं का दृश्य बनाना शुरू कर सकते हैं बिना किसी को दोबारा सीखने की आवश्यकता के।
शोधकर्ताओं ने पाया कि यह दृष्टिकोण बहुत खूबसूरती से काम करता है। अपने परीक्षणों में, उन्होंने एजेंटों (आभासी पात्रों) के एक छोटे समूह के साथ शुरुआत की और फिर अचानक अधिक एजेंटों को जोड़ा, एक साथ 64 अलग-अलग दृष्टिकोणों तक। सिस्टम को फिर से प्रशिक्षित करने या बदलने की आवश्यकता नहीं थी; इसने दुनिया को सुसंगत बनाए रखा। चाहे कोई एजेंट ग्रेनेड फेंक रहा हो या बस चल रहा हो, सभी ने एक ही घटना को एक ही समय में होते देखा। सिस्टम भी तेज़ था: 80 एजेंटों के साथ भी, सिमुलेशन के एक चरण को उत्पन्न करने में लगने वाला समय केवल थोड़ा ही बढ़ा, जो लगभग 116 मिलीसेकंड रहा। यह सुझाव देता है कि हम अंततः ऐसे ओपन-वर्ल्ड सिमुलेशन बना सकते हैं जहाँ हजारों एजेंट वास्तविक समय में परस्पर क्रिया कर सकें, और सभी एक सुसंगत वास्तविकता देख सकें, बिना कंप्यूटर के अत्यधिक बोझिल हुए।
समस्या: "फिक्स्ड सीट" ट्रैप (The "Fixed Seat" Trap)
कल्पना कीजिए कि आप एक डिनर पार्टी में हैं, लेकिन मेज पर ठीक चार कुर्सियाँ हैं। यदि पाँचवाँ मित्र आता है, तो आप केवल एक कुर्सी नहीं खींच सकते; आपको एक पूरी नई मेज बनानी होगी, भोजन को स्थानांतरित करना होगा, और पूरे कमरे को फिर से व्यवस्थित करना होगा। अधिकांश वर्तमान "मल्टी-एजेंट वर्ल्ड मॉडल्स" इसी तरह काम करते हैं। उन्हें खिलाड़ियों की एक विशिष्ट संख्या को ध्यान में रखकर प्रशिक्षित किया जाता है। यदि आप 10 सैनिकों के साथ युद्ध का अनुकरण करना चाहते हैं, तो आप 10 सैनिकों के लिए मॉडल को प्रशिक्षित करते हैं। यदि आप अचानक 11वें सैनिक को जोड़ना चाहते हैं, तो मॉडल टूट जाता है। यह एक ऐसे वीडियो गेम की तरह है जो क्रैश हो जाता है यदि आप गेम शुरू होने के बाद एक खिलाड़ी जोड़ते हैं।
लेखकों का तर्क है कि यह दुनिया के बारे में सोचने का गलत तरीका है। वास्तविक जीवन में, भौतिकी के नियम इस बात की परवाह नहीं करते कि कमरे में कितने लोग हैं। गुरुत्वाकर्षण वैसे ही काम करता है चाहे एक व्यक्ति हो या दस लाख। वर्तमान एआई की समस्या यह है कि वे एक निश्चित समूह के बीच विशिष्ट अंतःक्रियाओं को याद करके "नियमों" को सीखने की कोशिश करते हैं। यदि समूह बदल जाता है, तो नियम भी बदलते हुए प्रतीत होते हैं। पेपर सुझाव देता है कि प्रत्येक खिलाड़ी को उनके अपने दृष्टिकोण से सत्य को समझने देने के बजाय, हमें उन्हें दुनिया के बारे में एक एकल, साझा "सत्य" बनाए रखने के लिए सिखाना चाहिए।
समाधान: साझा व्हाइटबोर्ड (STBoard)
खोरा इस समस्या को दो अलग-अलग भागों में विभाजित करके हल करता है: दुनिया को जीवित रखना और चित्र बनाना।
- साझा व्हाइटबोर्ड (STBoard): यह ऑपरेशन का मस्तिष्क है। यह एक स्थायी स्मृति (persistent memory) है जो दुनिया के "सत्य" को धारण करती है। यह जानता है कि प्रत्येक वस्तु कहाँ है, प्रत्येक एजेंट कहाँ खड़ा है, और वे क्या कर रहे हैं। महत्वपूर्ण बात यह है कि इस व्हाइटबोर्ड में निश्चित संख्या में स्लॉट नहीं हैं। यह एक गतिशील सूची (dynamic list) है। यदि कोई नया एजेंट आता है, तो सिस्टम बस सूची में एक नया प्रविष्टि (entry) जोड़ देता है। यदि कोई एजेंट जाता है, तो यह प्रविष्टि को हटा देता है। व्हाइटबोर्ड को इस बात की परवाह नहीं है कि उस पर कितनी प्रविष्टियाँ हैं।
- एक्शन-कंडीशन्ड इवोल्यूशन (Action-Conditioned Evolution): यह वह भाग है जो व्हाइटबोर्ड को अपडेट करता है। जब एक एजेंट हिलने या कुछ फेंकने का निर्णय लेता है, तो सिस्टम गणना करता है कि वह क्रिया दुनिया की स्थिति को कैसे बदलती है। यह भविष्यवाणी करता है कि एजेंट अगली बार कहाँ होगा और उसके अनुसार व्हाइटबोर्ड को अपडेट करता है। यह किसी भी चित्र के बनने से पहले होता है।
- व्यू सिंथेसिस (The Camera): यह कलाकार है। जब कोई एजेंट देखना चाहता है कि क्या हो रहा है, तो सिस्टम व्हाइटबोर्ड की वर्तमान स्थिति को लेता है और उसे एक 2D छवि पर प्रोजेक्ट करता है, बिल्कुल एक कैमरा लेंस की तरह। क्योंकि कलाकार को केवल व्हाइटबोर्ड और विशिष्ट कैमरा एंगल को देखने की आवश्यकता होती है, इसलिए उन्हें अन्य कलाकारों से बात करने की आवश्यकता नहीं होती है। प्रत्येक दृश्य को उसी साझा सत्य के आधार पर स्वतंत्र रूप से बनाया जाता है।
यह एक बड़ी बात क्यों है
खोरा का जादू यह है कि यह खिलाड़ियों की संख्या और कंप्यूटर के मस्तिष्क की जटिलता के बीच के संबंध को तोड़ देता है। पुराने सिस्टमों में, अधिक खिलाड़ियों को जोड़ने का अर्थ था कि कंप्यूटर को यह सुनिश्चित करने के लिए बहुत अधिक अतिरिक्त काम करना पड़ता था कि सभी एक ही बात पर सहमत हों। यह एक ऐसी कहानी पर सहमति बनाने की कोशिश करने जैसा था जहाँ 100 लोग एक साथ एक-दूसरे से बात कर रहे हों; यह बहुत जल्दी अव्यवस्थित और धीमा हो जाता है।
खोरा के साथ, "सहमति" व्हाइटबोर्ड पर होती है, न कि ड्राइंग प्रक्रिया में। कंप्यूटर दुनिया की स्थिति को एक बार अपडेट करता है, और फिर कोई भी पूछ सकता है, "मैं यहाँ से क्या देख रहा हूँ?" और तुरंत उत्तर प्राप्त कर सकता है। पेपर दिखाता है कि यह इसे लगभग रैखिक (linearly) रूप से स्केल करने की अनुमति देता है। इसका मतलब है कि यदि आप एजेंटों की संख्या दोगुनी करते हैं, तो आप केवल दोगुना काम करते हैं, न कि यह तेजी से (exponentially) बढ़ता है।
परिणाम: एक दुनिया जो बढ़ती है
शोधकर्ताओं ने खोरा का परीक्षण कई अलग-अलग तरीकों से किया ताकि यह देखा जा सके कि क्या यह वास्तव में काम करता है।
- दृश्य गुणवत्ता (Visual Quality): उन्होंने जाँच की कि क्या चित्र अच्छे दिखते हैं। 8 अलग-अलग दृष्टिकोणों के साथ भी, छवियां स्पष्ट और तीखी थीं। सिस्टम ने गुणवत्ता बनाए रखी और अधिक लोगों के देखने के कारण धुंधला नहीं हुआ।
- सुसंगतता (Consistency): यह सबसे बड़ा परीक्षण था। उन्होंने मानव न्यायाधीशों को विभिन्न कोणों से वीडियो देखने के लिए कहा और देखा कि क्या घटनाएँ मेल खाती हैं। उदाहरण के लिए, यदि एजेंट A ने गेंद फेंकी, तो क्या एजेंट B ने उसी समय और उसी दिशा में गेंद को उड़ते हुए देखा? खोरा ने बहुत उच्च स्कोर प्राप्त किया। इसने दुनिया को सुसंगत बनाए रखा, जबकि साझा व्हाइटबोर्ड के बिना वाले सिस्टम विरोधाभास दिखाते थे, जैसे कि एक दृश्य में गेंद हिल रही थी लेकिन दूसरे में स्थिर थी।
- गतिशील जनसंख्या (Dynamic Populations): उन्होंने एजेंटों के बीच में जुड़ने और छोड़ने के परिदृश्य का अनुकरण किया। उन्होंने दो एजेंटों के साथ शुरुआत की, फिर दो और जोड़े, फिर पहले दो को हटा दिया। सिस्टम ने इसे सहजता से संभाला। नए एजेंट स्वाभाविक रूप से प्रकट हुए और पुराने बिना सिमुलेशन को तोड़े गायब हो गए। किसी पुन: प्रशिक्षण (retraining) की आवश्यकता नहीं थी।
- गति (Speed): उन्होंने एक फ्रेम उत्पन्न करने में लगने वाले समय को मापा। 1 एजेंट के साथ, इसमें 107 मिलीसेकंड लगे। 80 एजेंटों के साथ, यह 117 मिलीसेकंड रहा। जटिलता में भारी उछाल के बावजूद यह एक बहुत मामूली वृद्धि है। सिस्टम ने एक एजेंट के साथ प्रति सेकंड 37 दृश्य रेंडर कर सका और 80 GPUs पर फैलाए जाने पर 2,700 दृश्य प्रति सेकंड से अधिक।
भविष्य के लिए इसका क्या अर्थ है
लेखक सुझाव देते हैं कि यह दृष्टिकोण वास्तव में ओपन-वर्ल्ड सिमुलेशन की ओर एक कदम हो सकता है। एक आभासी शहर की कल्पना करें जहाँ हजारों AI पात्र रहते हैं, काम करते हैं और परस्पर क्रिया करते हैं, और आप किसी भी समय उनमें से किसी एक के दृष्टिकोण से जुड़ सकते हैं। या उन रोबोटों के साथ प्रशिक्षण के बारे में सोचें जहाँ वे सैकड़ों अन्य रोबोटों के साथ अभ्यास कर सकते हैं, भीड़भाड़ वाले स्थानों में नेविगेट करना सीख सकते हैं बिना सिमुलेशन क्रैश हुए।
हालाँकि, पेपर सावधानीपूर्वक नोट करता है कि यह अभी तक कोई जादुई छड़ी नहीं है। सिस्टम को शुरू करने के लिए वातावरण के एक बुनियादी मानचित्र ("कोर्स स्टैटिक प्रायर") की आवश्यकता होती है, ताकि यह बिना किसी सेटअप के पूरी तरह से अज्ञात दुनिया में नहीं कूद सकता। इसके अलावा, हालांकि सिस्टम तेज़ है, फिर भी कई दृश्यों को रेंडर करने के लिए बहुत अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है, विशेष रूप से यदि आप एक साथ हजारों एजेंटों को सिम्युलेट करना चाहते हैं। लेकिन मूल विचार—कि हम दुनिया के नियमों को कैमरा दृश्यों से अलग कर सकते हैं—AI सिमुलेशन को अधिक लचीला और यथार्थवादी बनाने के लिए एक ठोस मार्ग प्रतीत होता है।
संक्षेप में, खोरा साबित करता है कि आपको हर बार नया मेहमान आने पर पूरा घर फिर से बनाने की आवश्यकता नहीं है। आपको बस एक अच्छा साझा व्हाइटबोर्ड और कुछ कलाकार चाहिए जो उससे चित्र बनाना जानते हों।
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।