Towards the Harness of Embodied Agents
यह शोध पत्र 'थिया' (Thea) को प्रस्तुत करता है, जो एम्बॉडीड एजेंटों (embodied agents) के लिए एक हार्नेस है जो अवस्था जागरूकता के लिए एक निरंतर प्रतीकात्मक दृश्य ग्राफ (persistent symbolic scene graph) और क्रिया फीडबैक के लिए एक मूल्यांकन तंत्र को एकीकृत करके कोडिंग एजेंट प्रतिमान को भौतिक दुनिया के अनुकूल बनाता है, जिससे एक क्लोज्ड एजेंटिक लूप के माध्यम से लंबी अवधि के कार्यों के सफल निष्पादन 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 रोबोट को अपने घर के काम सिखाने की कोशिश कर रहे हैं। लंबे समय तक, वैज्ञानिकों ने सोचा था कि एक स्मार्ट रोबोट का रहस्य बस एक ऐसा "दिमाग" बनाना है जो खुद सब कुछ समझने के लिए काफी स्मार्ट हो। लेकिन इसमें एक पेंच है: असली दुनिया अव्यवस्थित, अप्रत्याशित है, और इसमें वीडियो गेम की तरह कोई "सेव बटन" नहीं होता। अगर रोबोट एक कप गिरा देता है, तो वह टूट जाता है। अगर वह दीवार में टकरा जाता है, तो वह फंस जाता है। यह एम्बोडीड एआई (embodied AI) का क्षेत्र है—एक ऐसी आर्टिफिशियल इंटेलिजेंस जो एक भौतिक शरीर के भीतर रहती है और वास्तविक दुनिया के साथ अंतःक्रिया करती है।
इस चुनौती को समझने के लिए, सोचिए कि आप एक कंप्यूटर का उपयोग कैसे करते हैं। जब आप कोड लिखते हैं, तो यदि आप कोई गलती करते हैं, तो कंप्यूटर तुरंत आपको बताता है "Error: Line 5।" यह एक स्पष्ट संकेत देता है कि कुछ गलत हुआ है, और आप उसे ठीक कर सकते हैं। इसे क्लोज्ड लूप (closed loop) कहा जाता है: आप कार्य करते हैं, फीडबैक प्राप्त करते हैं, और सुधार करते हैं। डिजिटल दुनिया में, यह फीडबैक मुफ्त और तत्काल होता है। लेकिन भौतिक दुनिया में, रोबोट को "Grasp Failed" जैसा कोई पॉप-अप नहीं मिलता। वह बस अपना हाथ बंद कर देता है, और शायद कप गिर जाता है, या शायद उसने उसे पकड़ा ही नहीं। रोबोट को अनुमान लगाना पड़ता है कि क्या हुआ। यह पेपर एक बड़ा सवाल पूछता है: क्या हम एक ऐसा रोबोट बना सकते हैं जो अपनी गलतियों से ठीक वैसे ही सीख सके जैसे एक कंप्यूटर प्रोग्रामर सीखता है, भले ही दुनिया उसे आसान जवाब न दे?
रोबोट का "हार्नेस" (Harness): एक दिमाग को शरीर में बदलना
मिलिए दिया (Thea) से। इस पेपर के लेखक केवल एक स्मार्ट रोबोट दिमाग नहीं बना रहे हैं; वे एक "हार्नेस" (harness) बना रहे हैं। हार्नेस को घोड़े पर रखी जाने वाली जीन और लगाम की तरह समझें। घोड़ा (रोबोट का शरीर) मजबूत है, और सवार (AI दिमाग) स्मार्ट है, लेकिन बिना हार्नेस के, सवार घोड़े को प्रभावी ढंग से मोड़ नहीं सकता। दिया वही हार्नेस है। यह एक शक्तिशाली AI मॉडल को लेता है और उसे एक रोबोट शरीर से इस तरह जोड़ता है कि रोबोट सीख सके, अपनी गलतियों से उबर सके और लंबे, जटिल कार्यों को पूरा कर सके।
पेपर सुझाव देता है कि रहस्य केवल AI को शून्य में "स्मार्टर" बनाने में नहीं है। इसके बजाय, यह इसके चारों ओर सही बुनियादी ढांचा (infrastructure) बनाने के बारे में है। लेखक दिखाते हैं कि रोबोट की क्षमताओं (जैसे हिलना, पकड़ना या देखना) को सरल "टूल्स" में लपेटकर जिन्हें AI कॉल कर सके, और एक ऐसा सिस्टम बनाकर जो लगातार जांच करता रहे कि वे टूल्स काम कर रहे हैं या नहीं, रोबोट उन कार्यों को संभाल सकता है जो पहले असंभव थे।
दो बड़ी समस्याएँ: दुनिया को पढ़ना और यह जानना कि आप जीत गए
पेपर डिजिटल दुनिया (जहाँ कोडिंग एजेंट रहते हैं) और भौतिक दुनिया (जहाँ रोबोट रहते हैं) के बीच दो बड़े अंतरों की पहचान करता है।
1. दुनिया को पढ़ना कठिन है ("सीन ग्राफ" समाधान)
एक कंप्यूटर प्रोग्राम में, कंप्यूटर को पता होता है कि हर फ़ाइल कहाँ है। वह पूरे "कोडबेस" को एक साथ पढ़ सकता है। लेकिन एक रोबोट अपनी कैमरों के माध्यम से दुनिया का केवल एक छोटा सा हिस्सा देखता है, जैसे कि एक स्ट्रॉ (नली) के माध्यम से देख रहा हो। वह एक सेकंड के लिए कप देखता है, फिर मुड़ता है और मेज देखता है। जब तक वह एक 'सीन ग्राफ' नहीं बनाता, उसे याद नहीं रहता कि कप कहाँ था।
- समाधान: दिया एक सीन ग्राफ (Scene Graph) बनाता है। कल्पना कीजिए कि यह एक स्थायी, जादुई नोटबुक है जिसे रोबोट अपने साथ रखता है। हर बार जब रोबट कुछ देखता है, तो वह उसे अपनी नोटबुक में लिख देता है: "कप मेज पर है, लैंप के पास।" भले ही रोबोट अपना सिर घुमा ले, नोटबुक को याद रहता है। यह अराजक, धुंधली दुनिया को एक स्पष्ट, पठनीय मानचित्र में बदल देता है जिसे AI समझ सकता है, ठीक वैसे ही जैसे एक प्रोग्रामर कोड पढ़ता है।
2. दुनिया "एग्जिट कोड" नहीं देती ("इवैल्यूएटर" समाधान)
जब एक कंप्यूटर प्रोग्राम चलता है, तो वह समाप्त होता है और कहता है "Success" या "Error।" यदि एक रोबोट बोतल उठाने की कोशिश करता है, तो उसे यह संकेत नहीं मिलता कि "Success"। वह बस चलता रहता है। उसे कैसे पता चलेगा कि उसने वास्तव में बोतल पकड़ी है या उसने सिर्फ हवा को दबाया है?
- समाधान: दिया एक इवैल्यूएटर (Evaluator) पेश करता है। यह एक सख्त रेफरी की तरह है जो रोबोट के ठीक बगल में खड़ा है। रोबोट द्वारा कुछ पकड़ने की कोशिश करने के बाद, इवैल्यूएटर परिणाम को देखता है और कहता है, "आपने चूक कर दी," या "आपने इसे पकड़ लिया, लेकिन यह फिसल गया," या "बहुत बढ़िया!" यह उस "एग्जिट कोड" की तरह काम करता है जो भौतिक दुनिया में गायब है। यदि रोबोट विफल होता है, तो इवैल्यूएटर केवल "नहीं" नहीं कहता; वह बताता है कि क्यों (जैसे, "आप बहुत दूर थे"), ताकि रोबोट बेहतर योजना के साथ फिर से प्रयास कर सके।
यह कैसे काम करता है: सीखने का लूप
जादू एक लूप में होता है। AI अपनी "नोटबुक" (सीन ग्राफ) को देखता है, निर्णय लेता है कि क्या करना है, और एक टूल चुनता है (जैसे "कप पकड़ो")। रोबोट इसे आजमाता है। फिर, इवैल्यूएटर परिणाम की जांच करता है।
- यदि यह काम करता है: रोबोट अपनी नोटबुक अपडेट करता है और अगले कदम पर जाता है।
- यदि यह विफल होता है: इवैल्यूएटर एक कारण देता है। AI उस कारण को पढ़ता है, अपनी योजना अपडेट करता है, और फिर से प्रयास करता है।
यह सुनने में सरल लग सकता है, लेकिन यह सब कुछ बदल देता है। पेपर दिखाता है कि बिना इस लूप के, यदि रोबोट को एक कार्य पूरा करने के लिए 10 चरणों से गुजरना पड़ता है, और प्रत्येक चरण को सही करने की उसकी संभावना 85% है, तो पूरा कार्य पूरा करने की संभावना बहुत कम (20% से भी कम) होती है। लेकिन इस हार्नेस के साथ, यदि रोबोट एक चरण में विफल होता है, तो वह तब तक पुन: प्रयास करता है जब तक कि वह इसे सही नहीं कर लेता। अचानक, पूरा कार्य पूरा करने की संभावना 90% से ऊपर बढ़ जाती है।
उन्होंने क्या पाया (और क्या नहीं)
शोधकर्ताओं ने तीन अलग-अलग रोबोटों पर दिया का परीक्षण किया: एक व्हील्ड ह्यूमनॉइड (Astribot S1), एक मोबाइल आर्म (AgileX Cobot Magic), और एक छोटे रोबोट जिसमें कुशल हाथ थे (Unitree G1)। उन्होंने उन्हें एक वस्तु उठाने से लेकर कमरे में नेविगेट करने, एक अस्त-व्यस्त कैबिनेट में विशिष्ट वस्तु खोजने और उसे दूसरी मेज तक पहुँचाने जैसे कार्य दिए।
- परिणाम: दिया हर परीक्षण में सबसे सफल सिस्टम था। जब कार्य कठिन और लंबे होते गए, तो अन्य सिस्टम (जिनके पास इस "हार्नेस" वाला इवैल्यूएटर नहीं था) विफल होने लगे और उबर नहीं सके। हालाँकि, दिया प्रयास करता रहा, अपनी स्थिति बदलता रहा, और जहाँ वह फंस गया था वहाँ मदद मांगता रहा।
- "एक्टिव परसेप्शन" (सक्रिय धारणा): एक डेमो में, रोबोट को पावर बैंक खोजने के लिए कहा गया। वह मेज पर नहीं था। हार मानने के बजाय, रोबोट ने अपनी "नोटबुक" का उपयोग यह समझने के लिए किया कि उसने कैबिनेट की जाँच नहीं की थी। वह कैबिनेट के पास गया, दराजें खोलीं, और वस्तु ढूंढ ली। वह केवल एक स्क्रिप्ट का पालन नहीं कर रहा था; उसने समझ लिया कि उसे कहीं और देखने की आवश्यकता है।
- "एग्जिट कोड" की सटीकता: इवैल्यूएटर सफलता या विफलता का निर्णय लेने में बहुत अच्छा था, जो लगभग 93% बार सही था। पेपर नोट करता है कि यह उच्च सटीकता महत्वपूर्ण है; यदि जज बहुत अधिक बार गलत होता है, तो रोबोट भ्रमित हो जाता है।
यह क्यों मायने रखता है
पेपर सुझाव देता है कि हमें एक ऐसे "सुपर-इंटेलिजेंट" रोबोट दिमाग का इंतजार करने की आवश्यकता नहीं है जो कभी गलती न करे। इसके बजाय, हम एक ऐसा सिस्टम बना सकते हैं जो गलतियाँ करता है, उनसे सीखता है, और उनसे उबरता है। "हार्नेस" ही कुंजी है। यह विभिन्न रोबोट शरीरों को एक ही स्मार्ट दिमाग का उपयोग करने की अनुमति देता है, और यह एक ही दिमाग को विभिन्न रोबोटों पर काम करने की अनुमति देता है।
लेखक सावधानी बरतते हुए कहते हैं कि यह एक पूर्ण, अंतिम उत्पाद नहीं है। "नोटबुक" (सीन ग्राफ) अभी भी पूर्ण नहीं है; कभी-कभी यह चीजों के स्थान के बारे में भ्रमित हो जाता है। "रेफरी" (इवैल्यूएटर) 100% सटीक नहीं है। और रोबोट अभी भी थोड़ा धीमा है क्योंकि उसे हर हरकत के लिए लैंग्वेज मॉडल के माध्यम से सोचना पड़ता है। लेकिन दिशा स्पष्ट है: AI के चारों ओर सही बुनियादी ढांचा बनाकर, हम अनाड़ी रोबोटों को हमारे अस्त-वस्तित, वास्तविक घरों में नेविगेट करने वाले विश्वसनीय सहायकों में बदल सकते हैं। रोबोटिक्स का भविष्य केवल बेहतर दिमागों के बारे में नहीं है; यह बेहतर हार्नेस के बारे में है।
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।