मशीनों को भौतिक दुनिया में आगे बढ़ना सिखाने की खोज में, शोधकर्ता लंबे समय से एक ऐसी रणनीति पर निर्भर रहे हैं जो मानवीय दूरदर्शिता की नकल करती है: कार्य करने से पहले भविष्य की कल्पना करना। हर नई संवेदना पर अंधाधुंध प्रतिक्रिया देने के बजाय, एक रोबोट अपने परिवेश का एक मानसिक मॉडल बनाता है, जो एक सरलीकृत आंतरिक मानचित्र है जो यह भविष्यवाणी करता है कि यदि वह किसी चीज़ तक पहुँचता है, उसे धकेलता है या मुड़ता है तो क्या होगा। यह मानसिक मानचित्र मशीन को एक सेकंड के भीतर गतिविधियों के हजारों संभावित अनुक्रमों का अनुकरण करने की अनुमति देता है, जिससे वह उस पथ को चुन पाता है जो सबसे सीधे वांछित परिणाम की ओर ले जाता है, जैसे कि किसी ब्लॉक को एक विशिष्ट स्थान पर खिसकाना या कप को पकड़ना। इन सिमुलेशन के सफल होने के लिए, रोबोट को अपने कैमरे के कच्चे दृश्य डेटा (raw visual data) को एक संक्षिप्त, अमूर्त प्रतिनिधित्व (abstract representation) में अनुवादित करना चाहिए, जो एक गुप्त कोड है जो अनावश्यक विवरणों में उलझे बिना दृश्य के सार को कैप्चर करता है। चुनौती हमेशा यह सुनिश्चित करने की रही है कि यह आंतरिक कोड न केवल दुनिया का एक अच्छा वर्णन हो, बल्कि क्रिया के लिए एक अच्छा मार्गदर्शक भी हो।

Simple AI और यूनिवर्सिटी ऑफ चाइनीज एकेडमी ऑफ साइंसेज के शोधकर्ताओं द्वारा किया गया एक हालिया अध्ययन बताता है कि इन मानसिक मानचित्रों को वर्तमान में बनाने के तरीके में एक सूक्ष्म लेकिन महत्वपूर्ण दोष है। उन्होंने पाया कि एक रोबट का आंतरिक मॉडल यह वर्णन करने में पूरी तरह से सटीक हो सकता है कि वह क्या देख रहा है—यह जानते हुए कि कोई वस्तु कहाँ है और वह कैसी दिखती है—फिर भी वह रोबोट को सही समाधान तक पहुँचाने में विफल हो सकता है। समस्या रोबोट की कल्पना की ज्यामिति (geometry) में निहित है। जब रोबोट विभिन्न संभावित भविष्यों की तुलना करता है, तो वह इस अमूर्त स्थान के भीतर अपनी वर्तमान स्थिति और लक्ष्य के बीच की दूरी को मापता है। यदि इस छिपे हुए संसार में दूरियाँ वास्तविक दुनिया के कार्यों की वास्तविक कठिनाई से मेल नहीं खाती हैं, तो रोबोट गलत पथ चुनेगा, भले ही वह दृश्य को पूरी तरह से समझता हो। शोधकर्ताओं ने पाया कि एक विशिष्ट प्रकार का प्रशिक्षण जोड़कर, जो रोबोट को अपने कार्यों को सीधे अपने आंतरिक मानचित्र में परिवर्तनों से जोड़ने के लिए सिखाता है, वे इस ज्यामितीय बेमेल (geometric mismatch) को ठीक कर सकते थे। इस समायोजन ने यह नहीं बदला कि रोबोट दुनिया के बारे में क्या जानता था, बल्कि इसने मौलिक रूप से इस बात में सुधार किया कि वह योजना बनाने के लिए उस ज्ञान का उपयोग कैसे करता है, जिससे जटिल हेरफेर कार्यों में सफलता की दर काफी बढ़ गई।

इस मुद्दे का मूल कारण 'जानने' और 'निर्णय लेने' के बीच का अंतर है। कल्पना कीजिए कि एक रोबोट मेज पर एक ब्लॉक को धकेलने की कोशिश कर रहा है। इसका आंतरिक मॉडल ब्लॉक की प्रत्येक संभावित स्थिति के लिए एक गुप्त कोड बनाता है। निर्णय लेने के लिए, रोबोट अपने वर्तमान कोड और लक्ष्य स्थिति के कोड के बीच की दूरी की गणना करता है। एक सुचारू रूप से कार्य करने वाले सिस्टम में, इस गुप्त कोड में सबसे छोटी दूरी वास्तविक दुनिया में सबसे आसान या सबसे प्रत्यक्ष पथ के अनुरूप होनी चाहिए। हालाँकि, शोधकर्ताओं ने पाया कि मानक प्रशिक्षण विधियाँ अक्सर एक ऐसा गुप्त कोड उत्पन्न करती हैं जहाँ दूरियाँ भ्रामक होती हैं। एक पथ जो रोबोट के मन में छोटा दिखता है, वह वास्तव में वास्तविकता में एक मृत अंत (dead end) हो सकता है, जबकि एक पथ जो लंबा दिखता है, वह सही समाधान हो सकता है। ऐसा इसलिए होता है क्योंकि प्रशिक्षण इस बात पर केंद्रित होता है कि कोड दृश्य डेटा का एक अच्छा विवरण बने, लेकिन यह गारंटी नहीं देता कि उस कोड के भीतर स्थानिक संबंध (spatial relationships) रोबोट के कार्यों के भौतिक परिणामों के साथ मेल खाते हैं।

इसे सिद्ध करने के लिए, टीम ने रोबोट के योजनाओं के आंतरिक रैंकिंग और उन योजनाओं के वास्तविक परिणामों के बीच संरेखण (alignment) को मापने का एक तरीका विकसित किया। उन्होंने कई यादृच्छिक (random) गतिविधियों के अनुक्रमों को उत्पन्न करके और यह तुलना करके इसका परीक्षण किया कि रोबм के मॉडल ने उन्हें एक सिम्युलेटेड वातावरण में वास्तव में प्रदर्शन करने के विरुद्ध कैसे रैंक किया। उन्होंने पाया कि जबकि रोबोट का मॉडल अपने आंतरिक कोड से दुनिया की स्थिति को सटीक रूप से डिकोड कर सकता था, योजनाओं की रैंकिंग अक्सर खराब थी। कुछ मामलों में, मॉडल लगातार उन क्रियाओं के अनुक्रम को प्राथमिकता देता था जो वास्तविक दुनिया में विफल हो जाते थे, बजाय उन क्रियाओं के जो सफल होते थे, केवल इसलिए क्योंकि आंतरिक दूरी मीट्रिक विकृत था। यह सूचना की कमी नहीं थी; रोबोट तथ्यों को जानता था, लेकिन उसका आंतरिक पैमाना (ruler) टेढ़ा था।

शोधकर्ताओं ने इस विरूपण को ठीक करने के लिए DA-LeWM नामक एक नया प्रशिक्षण तरीका पेश किया। उन्होंने रोबोट के प्रशिक्षण कार्यक्रम में दो विशिष्ट शिक्षण कार्य जोड़े। पहले कार्य में रोबोट को केवल अपने आंतरिक अवस्था में परिवर्तन के आधार पर अपने द्वारा की गई क्रिया की भविष्यवाणी करने के लिए कहा गया, जिससे कोड को गति के बारे में जानकारी सुरक्षित रखने के लिए मजबूर किया गया। दूसरे कार्य में रोबोट से अपनी वर्तमान स्थिति से एक विशिष्ट लक्ष्य तक पहुँचने के लिए आवश्यक क्रिया की भविष्यवाणी करने के लिए कहा गया, जिससे आंतरिक कोड को सीधे उद्देश्य से जोड़ा गया। ये जोड़ हल्के (lightweight) थे और इन्होंने मॉडल के मूल आर्किटेक्चर या परीक्षण के समय रोबोट के योजना बनाने के तरीके को नहीं बदला। इसके बजाय, उन्होंने सीखने के चरण के दौरान एक सुधारात्मक लेंस के रूप में कार्य किया, जिससे आंतरिक स्थान की ज्यामिति को इस तरह आकार मिला कि बिंदुओं के बीच की दूरियाँ वास्तव में कार्यों की कठिनाई को दर्शाती हैं।

इस समायोजन के परिणाम आश्चर्यजनक थे। वस्तुओं को धकेलने, लक्ष्यों तक पहुँचने और कमरों में नेविगेट करने के सिमुलेशन में, इस नई विधि ने रोबलेट को बहुत तेज़ी से सीखने और पिछले मानक की तुलना में बहुत उच्च सफलता दर प्राप्त करने में सक्षम बनाया। एक ब्लॉक को धकेलने वाले कार्य पर, सफलता दर लगभग 49 प्रतिशत से बढ़कर 92 प्रतिशत से अधिक हो गई, जो कि बिना किसी योजना एल्गोरिदम को बदले हासिल की गई एक बड़ी उपलब्धि थी। रोबोट इस मामले में अधिक स्मार्ट नहीं हुआ कि वह क्या देख सकता है या वर्णन कर सकता है; बल्कि, वह जो जानता है उसका उपयोग करने में अधिक प्रभावी हो गया। शोधकर्ताओं ने देखा कि आंतरिक कोड संभावित भविष्यों को रैंक करने में बेहतर हो गया, जिससे यह सुनिश्चित हुआ कि रोबोट लगातार उस पथ को चुने जो सफलता की ओर ले जाता है। यह सुधार सरल धक्का देने से लेकर जटिल नेविगेशन तक विभिन्न प्रकार के कार्यों में बना रहा, जो यह सुझाव देता है कि प्रभावी योजना के लिए आंतरिक मॉडल का ज्यामितीय संरेखण एक सार्वभौमिक आवश्यकता है।

महत्वपूर्ण रूप से, अध्ययन ने इस विचार को खारिज कर दिया कि बेहतर प्रदर्शन केवल इसलिए आया क्योंकि रोबोट पर्यावरण के बारे में अधिक विवरण सीख रहा था। शोधकर्ताओं ने वस्तुओं की स्थिति या किसी स्थिति के मूल्य जैसी जानकारी को डिकोड करने की रोबोट की क्षमता की जाँच की, और पाया कि पुराने और नए तरीकों के बीच ये स्कोर लगभग समान रहे। अंतर पूरी तरह से इस बात में था कि रोबोट निर्णय लेने के लिए उस जानकारी को कैसे व्यवस्थित करता है। यह निष्कर्ष इस सामान्य धारणा को चुनौती देता है कि यदि कोई मॉडल दुनिया का सटीक वर्णन कर सकता है, तो वह स्वाभाविक रूप से उसे नियंत्रित करने में भी अच्छा होगा। अध्ययन दिखाता है कि एक मॉडल सूचनात्मक रूप से पूर्ण हो सकता है लेकिन ज्यामितीय रूप से टूटा हुआ हो सकता है, और वास्तविक दुनिया के प्रदर्शन के लिए ज्यामिति को ठीक करना आवश्यक है।

शोधकर्ताओं ने यह भी जांचा कि रोबोट की योजना बनाने की प्रक्रिया सबसे अच्छे पथ की खोज करते समय कैसे विकसित होती है। उन्होंने पाया कि नए तरीके ने रोबोट को सबसे अच्छे उम्मीदवारों तक अपनी पसंद को सीमित करते समय भी अच्छे प्लान के लिए स्पष्ट प्राथमिकता बनाए रखने में मदद की। पुराने मॉडलों में, जब रोबोट सबसे आशाजनक विकल्पों पर ध्यान केंद्रित करता था, तो आंतरिक रैंकिंग अक्सर भ्रमित हो जाती थी, जिससे वह अपना रास्ता भटक जाता था। नए प्रशिक्षण ने आंतरिक दूरियों को सुसंगत रखा, जिससे रोबोट अंतिम चरणों में भी सफलतापूर्वक क्रियाओं के सही अनुक्रम को आत्मविश्वास से चुन सका। यह स्थिरता रोबोट की तेजी से और विश्वसनीय रूप से समाधान पर पहुँचने की क्षमता के लिए महत्वपूर्ण थी।

हालाँकि यह अध्ययन सिम्युलेटेड वातावरण में किया गया था, लेकिन भौतिक रोबोटिक्स के लिए इसके निहितार्थ महत्वपूर्ण हैं। यह कार्य सुझाव देता है कि जटिल कार्यों में महारत हासिल करने के लिए, रोबोट के आंतरिक मॉडल को न केवल देखना, बल्कि गति के परिणामों को इस तरह समझने के लिए प्रशिक्षित किया जाना चाहिए जो भौतिक दुनिया के साथ संरेखित हो। यह सुनिश्चित करके कि रोबोट का आंतरिक मानचित्र क्रिया की वास्तविक ज्यामिति का सम्मान करता है, इंजीनियर अधिक मजबूत और कुशल सिस्टम बना सकते हैं। शोधकर्ता स्वीकार करते हैं कि उनके निष्कर्ष विशिष्ट सिमुलेशन पर आधारित हैं और यह देखने के लिए आगे के काम की आवश्यकता है कि ये सिद्धांत वास्तविक दुनिया की अनिश्चित अराजकता में कैसे टिकते हैं। हालाँकि, आंतरिक प्रतिनिधित्व के आकार और रोबोट की क्रियाओं की सफलता के बीच स्पष्ट संबंध स्वायत्त प्रणालियों के भविष्य के लिए एक नया और व्यावहारिक दिशा प्रदान करता है। आगे का रास्ता अनिवार्य रूप से बड़े या अधिक जटिल मॉडल बनाना नहीं है, बल्कि ऐसे मॉडल बनाना है जिनका आंतरिक तर्क उस वास्तविकता के साथ पूरी तरह से संरेखित हो जिसका उन्हें संचालन करना है।