How Can Driving World Models Do Counterfactual Prediction?
यह शोध पत्र ड्राइविंग वर्ल्ड मॉडल्स में एक मौलिक विसंगति की पहचान करता है जहाँ प्रत्यक्ष एक्शन-कंडीशनड प्रेडिक्शन (action-conditioned prediction), काउंटरफैक्चुअल परिदृश्यों के लिए तथ्यात्मक संदर्भ को बनाए रखने में विफल रहता है, और एक सरल, ट्रेनिंग-मुक्त पाइपलाइन का प्रस्ताव करता है जो काउंटरफैक्चुअल भविष्यवाणियों की सटीकता में उल्लेखनीय सुधार करने के लिए प्रेक्षित साक्ष्यों को एकीकृत 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 सड़क पर चलती कार का वीडियो देख रहे हैं। अचानक, एक वैन के पीछे से एक कुत्ता दौड़कर बाहर आता है। असली वीडियो में, ड्राइवर ब्रेक मारता है। लेकिन क्या होगा अगर आप जानना चाहें: "कैमरा क्या देखता यदि ड्राइवर ने ब्रेक नहीं मारा होता, बल्कि बाईं ओर मुड़ जाता?" यह काउंटरफैक्चुअल प्रेडिक्शन (counterfactual prediction) का सार है। यह एक विशेष प्रकार का "क्या होगा अगर" वाला प्रश्न है जो वैज्ञानिक आर्टिफिशियल इंटेलिजेंस के क्षेत्र में पूछते हैं, विशेष रूप से सेल्फ-ड्राइविंग कारों के लिए।
इसे समझने के लिए, आपको वर्ल्ड मॉडल्स (World Models) के बारे में जानना होगा। इन्हें AI के "दिन में सपने देखने वाले" (daydreamers) के रूप में सोचें। इन्हें ड्राइविंग वीडियो के लाखों घंटों पर प्रशिक्षित किया जाता है ताकि वे कल्पना कर सकें कि आगे क्या होगा। आमतौर पर, यदि आप उन्हें एक वीडियो दिखाते हैं जहाँ एक कार चौराहे के पास पहुँच रही है और उनसे कहते हैं, "अब, कल्पना करो कि कार तेज़ हो जाती है," तो AI एक तेज़ चलती कार का नया वीडियो बना देता है। समस्या यह है कि अधिकांश AI "दिन में सपने देखने वाले" वास्तविक घटना के बारे में इस विशिष्ट "क्या होगा अगर" वाले प्रश्न का उत्तर देने में बहुत खराब होते हैं। वे मूल दृश्य के विशिष्ट विवरणों (जैसे कि वह कुत्ता जो बाहर आया था) को भूल जाते हैं और केवल एक सामान्य, संभावित भविष्य बना देते हैं। यह शोध पत्र जांच करता है कि ऐसा क्यों होता है और इसे ठीक करने का प्रयास करता है।
इस शोध पत्र के लेखक, जियारू झांग और पर्ड्यू यूनिवर्सिटी और बॉश (Bosch) की उनकी टीम ने खोजा कि वर्तमान ड्राइविंग AI में "क्या होगा अगर" वाले परिदृश्यों को संभालने में एक मौलिक त्रुटि है। उन्होंने पाया कि जब आप एक मानक AI से पूछते हैं, "यदि मैंने Y के बजाय X किया होता तो क्या होता?", तो AI केवल अतीत (घटना से पहले का इतिहास) और नए निर्देश (नया एक्शन) को देखता है। वह मूल वीडियो में घटना के बाद वास्तव में जो हुआ, उसके साक्ष्यों को पूरी तरह से अनदेखा कर देता है।
इसे समझाने के लिए, लेखक एक प्रसिद्ध दार्शनिक की "कारणता की सीढ़ी" (ladder of causation) के चतुर उपमा का उपयोग करते हैं। कल्पना कीजिए कि सीढ़ी पर तीन पायदान हैं:
- देखना (Seeing): जो स्वाभाविक रूप से होता है उसे देखना।
- करना (Doing): क्रिया को बदलना और सामान्य रूप से देखना कि क्या होता है।
- कल्पना करना (Imagining): पूछना कि यदि आपने इस विशिष्ट स्थिति में कुछ अलग किया होता तो क्या होता।
यह शोध पत्र तर्क देता है कि वर्तमान AI मॉडल दूसरे पायदान पर अटके हुए हैं। वे सामान्य "करने" (doing) में अच्छे हैं, लेकिन वे तीसरे पायदान, "कल्पना करने" (imagining) में विफल रहते हैं, क्योंकि वे मूल वास्तविकता के सुरागों का उपयोग करना भूल जाते हैं। उदाहरण के लिए, यदि वास्तविक वीडियो में एक कार वास्तव में आपके सामने आ गई, तो एक सच्चा काउंटरफैक्चुअल उत्तर उस कार को दिखाने के लिए बाध्य है जो अभी भी सामने आ रही है, भले ही आपने मुड़ने का निर्णय लिया हो। लेकिन मानक AI, "कट-इन" (सामने आने वाले) साक्ष्य को अनदेखा करते हुए, शायद खाली सड़क दिखाएगा क्योंकि वह सोचता है, "ओह, यदि कार मुड़ गई होती, तो शायद कोई सामने नहीं आता।"
इसे सिद्ध करने के लिए, टीम ने एक वीडियो गेम सिम्युलेटर CARLA का उपयोग करके एक विशेष परीक्षण बनाया। वास्तविक दुनिया में, आप समय को पीछे नहीं ले जा सकते यह देखने के लिए कि यदि आपने अलग तरह से गाड़ी चलाई होती तो क्या होता। लेकिन एक सिम्युलेटर में, आप एक ही दृश्य को दो बार चला सकते हैं: एक बार वास्तविक क्रिया के साथ और एक बार "क्या होगा अगर" वाली क्रिया के साथ। इसने हमें एक आदर्श "ग्राउंड ट्रूथ" (ground truth) दिया जिससे हम तुलना कर सकें। उन्होंने ड्राइविंग AI के दो लोकप्रिय प्रकार के मॉडलों का परीक्षण किया और पाया कि मानक विधि (केवल AI को नई क्रिया बताना) मूल दृश्य की विशिष्ट घटनाओं को संरक्षित करने में विफल रही। AI ने सहज, संभावित वीडियो तो बनाए, लेकिन वे गलत कहानियाँ थीं।
इसके बाद यह शोध पत्र एक सरल, चतुर समाधान प्रस्तावित करता है जिसके लिए AI को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। वे इसे "ट्रांसपोर्ट एंड कम्प्लीट" (transport and complete) पाइपलाइन कहते हैं। यह इस प्रकार काम करता है:
- एबड्यूस/पुनर्निर्माण (Abduce/Reconstruct): सबसे पहले, वे वास्तविक वीडियो लेते हैं और एक डेप्थ-सेंसिंग टूल का उपयोग करके सपाट छवियों को 3D पॉइंट क्लाउड में बदल देते हैं, जैसे कि दृश्य की डिजिटल मूर्ति बनाना।
- ट्रांसपोर्ट/स्थानांतरण (Transport): इसके बाद वे इस 3D दुनिया में कैमरे को वहां "स्थानांतरित" करते हैं जहाँ वह होता यदि कार ने नया रास्ता लिया होता। यह वास्तविक वस्तुओं (जैसे वह कार जो सामने आई थी) को उनके नए स्थान पर ले जाता है।
- कम्प्लीट/भरना (Complete): इसके बाद AI को केवल खाली स्थानों को भरने के लिए कहा जाता है—दृश्य के वे हिस्से जिन्हें 3D मूव नहीं दिखा सका (जैसे आकाश या अन्य कारों के पीछे छिपी चीजें)।
- कंबाइन/संयोजन (Combine): अंत में, वे वास्तविक, स्थानांतरित वस्तुओं को AI द्वारा उत्पन्न वीडियो में वापस चिपका देते हैं।
परिणाम प्रभावशाली थे। भले ही यह विधि AI मॉडल का उपयोग बिल्कुल वैसे ही करती है जैसे वे हैं (बिना किसी प्रशिक्षण के), यह सफलतापूर्वक उन लापता घटनाओं को पुनः प्राप्त करने में सफल रही जो मानक विधि ने छोड़ दी थीं। इसने दिखाया कि कार वास्तव में सामने आई थी, यहाँ तक कि "क्या होगा अगर" वाले परिदृश्य में भी, और वीडियो बहुत अधिक वास्तविक लग रहा था।
संक्षेप में, यह शोध पत्र दिखाता है कि किसी विशिष्ट घटना के बारे में एक सच्चे "क्या होगा अगर" प्रश्न का उत्तर देने के लिए, आप केवल AI को एक नया भविष्य कल्पना करने के लिए नहीं कह सकते। आपको उसे अतीत के विशिष्ट विवरणों को याद रखने और उन्हें नए परिदृश्य में साथ ले जाने के लिए मजबूर करना होगा। 3D ज्यामिति के साथ AI की कल्पना को जोड़कर, लेखकों ने एक ऐसा तरीका बनाया है जिससे उनके "क्या होगा अगर" अनुमान बहुत अधिक सटीक हो जाते हैं, यह सुनिश्चित करते हुए कि AI केवल एक नई कहानी नहीं बना रहा है, बल्कि वास्तव में पुरानी कहानी को सही ढंग से फिर से लिख रहा 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।