कल्पना कीजिए कि आप एक रोबोट को कंचों (marbles) का खेल खेलना सिखाने की कोशिश कर रहे हैं। आप बस उसे कंचों के लुढ़कने के दस लाख वीडियो दिखा सकते हैं और उम्मीद कर सकते हैं कि वह अगले कदम का अनुमान लगाकर नियम समझ जाएगा। यह ऐसे ही काम करता है जैसे कई आधुनिक AI सिस्टम काम करते हैं: वे एक सुपर-स्मार्ट तोते की तरह होते हैं जो किसी फिल्म के अगले फ्रेम की भविष्यवाणी कर सकते हैं, लेकिन वे वास्तव में यह नहीं समझते कि कंचा क्यों लुढ़का या अगर आप उसे अलग तरह से धकेलते तो क्या होता। विज्ञान का यह क्षेत्र "आर्टिफिशियल इंटेलिजेंस" कहलाता है, जो विशेष रूप से "वर्ल्ड मॉडल्स" (World Models) पर केंद्रित है। एक वर्ल्ड मॉडल मूल रूप से एक मानसिक मानचित्र (mental map) है जिसे एक एजेंट (जैसे एक रोबोट या सॉफ्टवेयर प्रोग्राम) अपने परिवेश को समझने के लिए बनाता है। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: हम मशीन को केवल भविष्य का अनुमान लगाने से आगे बढ़कर घटनाओं के कारणों को समझने तक कैसे ले जा सकते हैं? इसे करने के लिए, हमें कुछ प्रमुख विचारों को समझना होगा। पहला, "कार्यकारणता" (Causality) है, जो मुर्गे के बांग देने और सूर्योदय होने के बीच के अंतर को दर्शाती है (सहसंबंध/correlation बनाम कारण/causation)—यह जानने का अंतर कि मुर्गे की बांग ने सूर्योदय को कारण नहीं दिया। दूसरा, "रिप्रेजेंटेशन लर्निंग" (Representation Learning) है, जो कच्चे, अव्यवस्थित डेटा (जैसे कैमरे की छवि के कच्चे पिक्सेल) को व्यवस्थित, समझने योग्य अवधारणाओं (जैसे "लाल ब्लॉक", "नीला ब्लॉक", या "ग्रिपर") में बदलने की कला है। अंत में, "हस्तक्षेप" (Intervention) है, जो यह पूछने की क्षमता है कि, "अगर मैं इसके बजाय यह करता तो क्या होता?"

यह शोध पत्र, जिसका शीर्षक "ए यूनिफाइंग पर्सपेक्टिव ऑन कॉज़ल वर्ल्ड मॉडल्स" (A Unifying Perspective on Causal World Models) है, यह तर्क देती है कि AI को वास्तव में स्मार्ट और सुरक्षित होने के लिए, उसे केवल भविष्य की भविष्यवाणी करने वाला एक 'क्रिस्टल बॉल' बनना बंद करना होगा और दुनिया की कार्यप्रणाली को समझने वाला एक 'डिटेक्टिव' बनना होगा। लंदन के इंपीरियल कॉलेज के लेखक, अविनाश कोरी और फैब्रिज़ियो रूसो, इन मानसिक मानचित्रों को बनाने का एक नया तरीका प्रस्तावित करते हैं। वे सुझाव देते हैं कि एक अच्छा वर्ल्ड मॉडल केवल एक विशाल, भ्रमित करने वाला 'ब्लैक बॉक्स' नहीं होना चाहिए। इसके बजाय, इसे एक संरचित असेंबली लाइन की तरह होना चाहिए जो कच्चे अवलोकनों को लेती है, उन्हें विशिष्ट वस्तुओं और उनके गुणों की एक सूची में बदलती है, यह समझती है कि वे वस्तुएं कैसे परस्पर क्रिया करती हैं, और फिर कार्यों की योजना बनाने के लिए उस संरचना का उपयोग करती है। वे इसे "कॉज़ल वर्ल्ड मॉडल" (CWM) कहते हैं। यह पेपर यह दावा नहीं करता कि उन्होंने अभी तक ऐसा करने वाला कोई रोबोट बनाया है जो इसे पूरी तरह से कर सके; बल्कि, यह एक औपचारिक ब्लूप्रिंट और नियमों का एक सेट प्रदान करता है कि हमें इन मॉडलों के बारे में कैसे सोचना चाहिए। यह स्पष्ट करता है कि मॉडल के कौन से हिस्से डेटा से सीखे जा सकते हैं और किन हिस्सों के लिए मानव मार्गदर्शन या विशिष्ट धारणाओं की आवश्यकता होती है।

डिटेक्टिव की सीढ़ी: पिक्सेल से योजनाओं तक

कल्पना कीजिए कि आप खिलौनों से भरे कमरे में एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं। आपके पास एक कैमरा है जो हर सेकंड कमरे की तस्वीरें लेता है। यह आपका "अवलोकन" (observation) है। पुराने तरीके में, AI केवल पिक्सेल को देखता और कहता, "ठीक है, अगले सेकंड, लाल गेंद शायद यहाँ होगी।" यह एक अच्छा अनुमान है, लेकिन यदि आप पूछते, "क्या होगा अगर मैंने नीले ब्लॉक को धकेला होता?" तो AI भ्रमित हो सकता है क्योंकि वह वास्तव में यह कभी नहीं समझ पाया कि नीले ब्लॉक ने लाल गेंद को हिलाने का कारण बना।

लेखक एक नया दृष्टिकोण प्रस्तावित करते हैं, जिसे एक चार-चरणीय सीढ़ी (या "कॉज़ल लैडर") के रूप में देखा जा सकता है, जिसे AI को वास्तव में बुद्धिमान बनने के लिए चढ़ना होगा।

चरण 1: कच्ची इंद्रियां (अनुभूति/Perception)
सीढ़ी के सबसे निचले स्तर पर, AI कच्ची दुनिया को देखता है। यह एक मेज की धुंधली, अराजक फोटो देखने जैसा है जिस पर एक लाल ब्लॉक, एक नीला ब्लॉक और एक रोबोटिक हाथ है। AI का पहला काम एक अच्छे संपादक की तरह कार्य करना है। उसे उस अव्यवस्थित फोटो को अलग-अलग टुकड़ों में काटना होगा: "यहाँ लाल ब्लॉक है," "यहाँ नीला ब्लॉक है," "यहाँ ग्रिपर है।" शोध पत्र इन्हें "एंटिटी-लेवल फीचर्स" कहता है। AI केवल अनुमान नहीं लगा रहा है; वह कहानी के विशिष्ट पात्रों को पहचानने के लिए सीख रहा है।

चरण 2: संबंध मानचित्र (प्रतिनिधित्व/Representation)
एक बार जब AI ने पात्रों की पहचान कर ली, तो उसे यह समझने की आवश्यकता है कि वे एक-दूसरे से कैसे संबंधित हैं। यह दूसरी सीढ़ी है। AI एक संरचित मानचित्र बनाता है। वह केवल यह नहीं जानता कि लाल ब्लॉक मौजूद है; वह जानता है कि लाल ब्लॉक नीले ब्लॉक पर झुका हुआ है। वह जानता है कि ग्रिपर लक्ष्य को छू रहा है। शोध पत्र इसे "स्ट्रक्चर्ड रिलेशनल स्टेट" कहता है। इसे मेज पर रखी वस्तुओं के लिए एक सोशल नेटवर्क ग्राफ की तरह समझें। AI एक आरेख बनाता है जहाँ ब्लॉक बिंदु हैं और उनकी अंतःक्रियाएं (जैसे "झुका हुआ" या "छूना") उन्हें जोड़ने वाली रेखाएं हैं। यह एक बड़ी छलांग है क्योंकि अब AI दृश्य की केवल तस्वीर को नहीं, बल्कि उसकी संरचना को समझता है।

चरण 3: "क्या होगा अगर" मशीन (हस्तक्षेप/Intervention)
अब जब AI के पास एक मानचित्र है कि कौन किससे जुड़ा है, तो वह "क्या होगा अगर" वाले सवाल पूछना शुरू कर सकता है। यह तीसरी सीढ़ी है। यदि AI लाल ब्लॉक को लक्ष्य तक ले जाना चाहता है, तो वह अपने दिमाग में क्रिया का अनुकरण कर सकता है। वह कह सकता है, "यदि मैं लाल ब्लॉक को धकेलता हूँ, तो नीला ब्लॉक फिसल जाएगा, और ग्रिपर दीवार से टकरा जाएगा।" क्योंकि वह अपने मानचित्र में मौजूद कारण संबंधी कड़ियों (links) को समझता है, इसलिए वह वास्तविक रूप से किए बिना ही अपने कार्यों के परिणाम की भविष्यवाणी कर सकता है। यह वही है जिसे लेखक "हस्तक्षेप" कहते हैं। यह कार दुर्घटना को देखने और यह समझने के बीच का अंतर है कि गति ने दुर्घटना का कारण बना, ताकि आप उसे रोकने के लिए धीमा होने का निर्णय ले सकें।

चरण 4: कल्पना (प्रतितथ्यात्मक/Counterfactuals)
सीढ़ी के सबसे ऊपरी स्तर पर उन परिदृश्यों की कल्पना करने की क्षमता है जो कभी घटित नहीं हुए। "क्या होगा अगर लाल ब्लॉक नीला होता?" या "क्या होगा अगर मैंने इसे दोगुना जोर से धकेला होता?" इसे प्रतितथ्यात्मक तर्क (counterfactual reasoning) कहा जाता है। यह AI को उन गलतियों से सीखने की अनुमति देता है जो उसने अभी तक की भी नहीं हैं, जिससे यह बहुत अधिक सुरक्षित और अनुकूलनीय बन जाता है।

ब्लूप्रिंट: मशीन कैसे बनाएं

शोध पत्र का मुख्य योगदान इस "कॉज़ल वर्ल्ड मॉडल" की एक औपचारिक परिभाषा है। लेखक तर्क देते हैं कि हमें इन मॉडलों को एक एकल, अखंड कोड के रूप में मानना बंद कर देना चाहिए। इसके बजाय, हमें उन्हें विशिष्ट, प्रबंधनीय भागों में तोड़ना चाहिए, जैसे कि एक कार का इंजन जिसमें ट्रांसमिशन, ईंधन प्रणाली और स्टीयरिंग व्हील होता है। प्रत्येक भाग का अपना काम है और इस बात के अपने नियम हैं कि हम उस पर कितना भरोसा कर सकते हैं।

वे मॉडल को घटनाओं की एक श्रृंखला के रूप में परिभाषित करते हैं:

1. अनुमान (Inference): AI कच्ची छवि ($x_t$) को देखता है और छिपी हुई संस्थाओं ($v_t$) का पता लगाता है।
2. असेंबली (Assembly): यह उन संस्थाओं को एक संरचित अवस्था ($r_t$) में जोड़ता है जो दिखाती है कि वे कैसे परस्पर क्रिया करती हैं।
3. संक्रमण (Transition): यह भविष्यवाणी करता है कि यदि कोई क्रिया ($a_t$) ली जाती है, तो अवस्था कैसे बदलेगी।
4. भविष्यवाणी (Prediction): यह नई अवस्था को वापस एक अनुमानित छवि ($x_{t+1}$) में अनुवादित करता है ताकि हम देख सकें कि वह क्या सोच रहा है।
5. उपयोगिता (Utility): यह तय करता है कि लक्ष्य (जैसे "ब्लॉक को लक्ष्य तक पहुँचाना") के आधार पर परिणाम अच्छा है या बुरा।

लेखक बहुत सावधानी से बताते हैं कि हम केवल यह उम्मीद नहीं कर सकते कि AI सब कुछ शुरुआत से ही पूरी तरह सीख लेगा। वे "आइडेंटिफिएबिलिटी" (Identifiability) की अवधारणा पेश करते हैं। यह एक तकनीकी शब्द है जिसका अर्थ है: "क्या हम सुनिश्चित हो सकते हैं कि AI ने जो सीखा है, वही एकमात्र सत्य व्याख्या है?"

शोध पत्र सुझाव देता है कि हम अक्सर यह निश्चित नहीं हो सकते कि AI द्वारा उपयोग किए जाने वाले सटीक नाम या संख्याएँ क्या हैं। उदाहरण के लिए, AI यह तय कर सकता है कि लाल ब्लॉक को "एंटिटी A" और नीले ब्लॉक को "एंटिटी B" कहना है, जबकि दूसरा AI उन्हें आपस में बदल सकता है। जब तक संबंध समान रहते हैं (A अभी भी B को छू रहा है), तब तक इससे कोई फर्क नहीं पड़ता। लेखक तर्क देते हैं कि हमें इन "तुल्यता" (equivalences) को स्वीकार करना चाहिए। हमें यह आवश्यकता नहीं है कि AI हमारे जैसे सटीक लेबल का उपयोग करे; हमें बस यह चाहिए कि वह संरचना को सही ढंग से समझे ताकि वह सही निर्णय ले सके।

यह पेपर क्या खारिज करता है

यह ध्यान देना महत्वपूर्ण है कि यह पेपर क्या नहीं करने के लिए कहता है। लेखक स्पष्ट रूप से इस विचार के विरुद्ध तर्क देते हैं कि वर्ल्ड मॉडल केवल एक "भविष्यवक्ता" (predictor) है। वे कहते हैं कि यदि कोई मॉडल केवल वीडियो के अगले फ्रेम का अनुमान लगा सकता है लेकिन अंतर्निहित कारणों (संस्थाओं और उनकी अंतःक्रियाओं) को नहीं समझता, तो वह वास्तविक वर्ल्ड मॉडल नहीं है। वे इस धारणा के विरुद्ध भी चेतावनी देते हैं कि AI स्वचालित रूप रूप से उपयोग किए जाने वाले सही चरों (variables) को समझ जाएगा। कभी-कभी, AI को मदद की आवश्यकता होती है। यदि डेटा बहुत अव्यवस्थित है या यदि छिपे हुए कारक हैं जिन्हें AI देख नहीं सकता (जैसे कि ब्लॉकों को हिलाने वाला एक छिपा हुआ चुंबक), तो AI कहानी को गलत समझ सकता है। पेपर सुझाव देता है कि ऐसे मामलों में, हमें यह उम्मीद करने के बजाय कि AI जादू से इसे हल कर देगा, मानवीय ज्ञान को शामिल करने या सिस्टम को इन अनिश्चितताओं को संभालने के लिए डिज़ाइन करने की आवश्यकता है।

निष्कर्ष

संक्षेप में, कोरी और रूसो AI के बारे में सोचने का एक नया तरीका दे रहे हैं। वे सुझाव दे रहे हैं कि योजना बनाने और सुरक्षित रूप से कार्य करने वाले वास्तव में बुद्धिमान एजेंट बनाने के लिए, हमें "कॉज़ल वर्ल्ड मॉडल्स" बनाने की आवश्यकता है। ये मॉडल एक जासूस की केस फाइल की तरह संरचित होने चाहिए: पात्रों की पहचान करना, उनके संबंधों का मानचित्र बनाना और कार्यों के परिणामों का अनुकरण करना।

यह पेपर यह दावा नहीं करता है कि इसने आज इन मॉडलों को बनाने की समस्या को हल कर दिया है। इसके बजाय, यह एक कठोर ढांचा प्रदान करता है—परिभाषाओं और नियमों का एक सेट—जो शोधकर्ताओं को यह समझने में मदद करता है कि मॉडल के कौन से हिस्से डेटा से सीखे जा सकते हैं और किन हिस्सों को सावधानीपूर्वक डिज़ाइन करने की आवश्यकता है। यह सुझाव देता है कि समस्या को छोटे, प्रबंधनीय टुकड़ों (अनुमान, संरचना, संक्रमण और उपयोगिता) में तोड़कर, हम ऐसे AI सिस्टम बना सकते हैं जो केवल भविष्य का अनुमान नहीं लगाते, बल्कि वास्तव में उस दुनिया को समझते हैं जिसमें वे रहते हैं। इस दृष्टिकोण का उद्देश्य AI को अधिक विश्वसनीय, व्याख्या योग्य और वास्तविक दुनिया में होने वाले अप्रत्याशित परिवर्तनों को संभालने में सक्षम बनाना है।