कंप्यूटर को गाड़ी चलाना सिखाना एक बच्चे को साइकिल चलाना सिखाने जैसा नहीं है। एक बच्चा कोशिश करके, गिरकर और फिर से उठकर सीखता है, और धीरे-धीरे सड़क के अहसास को समझता है। हालाँकि, एक कंप्यूटर डेटा की विशाल मात्रा को प्रोसेस करके सीखता है, जो अक्सर एक डिजिटल दुनिया में होता है जहाँ वह कुछ ही दिनों में ड्राइविंग के लाखों वर्षों का अनुभव कर सकता है। यह प्रक्रिया 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) नामक एक पद्धति पर निर्भर करती है, जहाँ एक आर्टिफिशियल इंटेलिजेंस अलग-अलग क्रियाएं आज़माता है और फीडबैक प्राप्त करता है: गंतव्य तक सुरक्षित रूप से पहुँचने के लिए एक इनाम, या टक्कर होने पर एक दंड। इस सीखने को प्रभावी बनाने के लिए, शोधकर्ता सिम्युलेटर्स का उपयोग करते हैं जो एक साथ हजारों ड्राइविंग परिदृश्यों को चला सकते हैं, जिससे AI के अध्ययन के लिए ट्रैफिक स्थितियों का एक विशाल पुस्तकालय बन जाता है। लक्ष्य एक ऐसा ड्राइविंग एजेंट बनाना है जो बिना किसी मानव प्रशिक्षक के, व्यस्त चौराहों से लेकर अचानक लेन बदलने जैसी वास्तविक सड़कों की अप्रत्याशित अराजकता को संभाल सके।

वर्षों तक, इन एजेंटों को प्रशिक्षित करने का मानक तरीका 'डोमेन रैंडमाइजेशन' (domain randomization) नामक एक विधि रहा है। कल्पना कीजिए कि एक शिक्षक एक छात्र को हर संभव ट्रैफिक स्थिति में रैंडम तरीके से झोंक देता है, खाली राजमार्गों से लेकर जाम वाले शहर के केंद्रों तक, इस उम्मीद में कि केवल भारी मात्रा ही अंततः महारत हासिल करने की ओर ले जाएगी। हालाँकि यह दृष्टिकोण काम करता है, लेकिन यह अविश्वसनीय रूप से अपव्ययी है। कंप्यूटर उन परिदृश्यों पर अभ्यास करने में बहुत अधिक समय बिताता है जो या तो कुछ नया सिखाने के लिए बहुत आसान हैं या इतने कठिन हैं कि AI का वर्तमान संस्करण कोई प्रगति नहीं कर सकता। यह एक ऐसे छात्र की तरह है जो गणित की उस समस्या पर घंटों बिता रहा है जिसे उसने पहले ही मास्टर कर लिया है, जबकि उन समस्याओं को अनदेखा कर रहा है जिन्हें वह अभी समझना शुरू ही कर रहा है। यह अक्षमता इस बात का प्रमाण है कि उच्च स्तर का कौशल प्राप्त करने के लिए, शक्तिशाली कंप्यूटरों के बावजूद, प्रशिक्षण प्रक्रिया में आवश्यकता से अधिक समय और डेटा लगता है।

शोधकर्ताओं की एक टीम ने अब CL4AD नामक एक नया दृष्टिकोण पेश किया है, जो इन डिजिटल ड्राइविंग पाठों को व्यवस्थित करने के तरीके को बदल देता है। AI को रैंडम तरीके से परिदृश्य फेंकने के बजाय, यह प्रणाली एक स्मार्ट 'करिकुलम डिजाइनर' (पाठ्यक्रम डिजाइनर) के रूप में कार्य करती है। यह लगातार मूल्यांकन करती है कि AI की वर्तमान क्षमता के लिए कौन सी ट्रैफिक स्थितियाँ सबसे उपयोगी हैं और उन विशिष्ट परिदृश्यों को प्राथमिकता देती है। सिस्टम देखता है कि AI किसी दी गई स्थिति में कैसा प्रदर्शन कर रहा है और पूछता है: क्या यह बहुत आसान है? क्या यह बहुत कठिन है? या क्या यह सीखने के लिए बिल्कुल सही है? "बिल्कुल सही" परिदृश्यों पर प्रशिक्षण के समय को केंद्रित करके—जो कुछ नया सिखाने के लिए पर्याप्त चुनौतीपूर्ण हैं लेकिन इतने कठिन नहीं कि AI हार मान ले—शोधकर्ताओं ने पाया कि वे सीखने की प्रक्रिया को नाटकीय रूप रूप से तेज कर सकते हैं।

शोधकर्ताओं ने इस विचार का परीक्षण GPUDRIVE नामक एक शक्तिशाली सिम्युलेटर का उपयोग करके किया, जो विशेष कंप्यूटर चिप्स पर एक साथ हजारों ड्राइविंग परिदृश्यों को चला सकता है। उन्होंने रैंडम पद्धति का उपयोग करके एक AI एजेंट को प्रशिक्षित किया और नए करिकुलम पद्धति के साथ तुलना की। परिणाम चौंकाने वाले थे। करिकुलम के साथ प्रशिक्षित AI ने रैंडम तरीके से प्रशिक्षित AI की तुलना में एक अरब स्टेप्स पहले ट्रैफिक परिदृश्यों में नेविगेट करने में 99% सफलता दर प्राप्त की। वास्तविक दुनिया के समय के संदर्भ में, इसका अर्थ था कि प्रशिक्षण 77% तेजी से पूरा हुआ। करिकुलम पद्धति अन्य संगठित प्रशिक्षण प्रयासों, जैसे कि ट्रैफिक घनत्व या वाहन की गति के आधार पर मैन्युअल रूप से परिदृश्यों का चयन करने, की तुलना में भी बेहतर साबित हुई। नया सिस्टम लगातार अन्य मैन्युअल तरीकों से बेहतर प्रदर्शन करता रहा, और इसने स्वयं ही महारत हासिल करने का सबसे प्रभावी रास्ता खोज लिया।

सबसे दिलचस्प खोजों में से एक यह थी कि सिस्टम ने AI को दिखाने के लिए परिदृश्यों को कैसे तय किया। शोधकर्ताओं ने सिस्टम को विभिन्न "यूटिलिटी फंक्शन्स" (उपयोगिता कार्यों) का उपयोग करने के लिए डिज़ाइन किया, जो अनिवार्य रूप से यह मापने के तरीके हैं कि क्या चीज़ एक परिदृश्य को मूल्यवान बनाती है। कुछ फंक्शन देखते थे कि AI सर्वोत्तम संभव ड्राइविंग व्यवहार के कितने करीब है, जबकि अन्य ने यह मापा कि AI कितनी बार बिना टकराए अपने लक्ष्य तक सफलतापूर्वक पहुँचता है। तीसरे प्रकार के फंक्शन ने यह मापा कि AI की ड्राइविंग मानव ड्राइवरों की तुलना में कितनी यथार्थवादी दिखती है। अध्ययन में पाया गया कि ये अलग-अलग माप अक्सर अलग-अलग प्रकार की ट्रैफिक स्थितियों की ओर इशारा करते थे। उदाहरण के लिए, जो सिस्टम लक्ष्य तक पहुँचने पर केंद्रित था, वह कारों की संख्या कम रखने वाले परिदृश्यों को प्राथमिकता देने लगा, जबकि वर्तमान और पूर्ण प्रदर्शन के बीच के अंतर पर केंद्रित सिस्टम ने घने और जटिल ट्रैफिक पर ध्यान केंद्रित किया। यह सुझाव देता है कि प्रशिक्षण को व्यवस्थित करने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है; अलग-अलग लक्ष्यों के लिए अलग-अलग प्रकार के अभ्यास की आवश्यकता होती है।

शोधकर्ताओं ने यह भी जांचा कि क्या AI को बेहतर ड्राइविंग करने से वह मानव की तरह भी ड्राइविंग करेगा। उन्होंने पाया कि ये वास्तव में दो अलग-अलग लक्ष्य हैं। एक AI को अपने गंतव्य तक पूरी तरह से पहुँचने और सभी टक्करों से बचने के लिए प्रशिक्षित किया जा सकता है, फिर भी वह ऐसे तरीके से गाड़ी कर सकता है जो मानव यात्री के लिए अप्राकृतिक या असहज हो। करिकुलम ने AI को उसके लक्ष्यों तक बहुत तेज़ी से पहुँचाया, लेकिन इसने ड्राइविंग शैली को स्वाभाविक रूप से अधिक यथार्थवादी नहीं बनाया। उच्च प्रदर्शन और मानव-समान व्यवहार दोनों प्राप्त करने के लिए, शोधकर्ताओं ने नोट किया कि रिवॉर्ड सिस्टम (इनाम प्रणाली) को खुद बदलना होगा ताकि विशेष रूप से यथार्थवादी ड्राइविंग आदतों को प्रोत्साहित किया जा सके, न कि केवल सफल परिणामों को।

यहाँ तक कि जब शोधकर्ताओं ने प्रशिक्षण के लिए उपलब्ध कंप्यूटर पावर को सीमित कर दिया, तब भी करिकुलम पद्धति ने अपना मूल्य दिखाया। एक परीक्षण में जहाँ उन्होंने एक छोटे, कम शक्तिशाली कंप्यूटर का उपयोग किया, वहाँ करिकुलम-प्रशिक्षित एजेंट ने रैंडम पद्धति की तुलना में 67% तेजी से उच्च सफलता दर प्राप्त की। यह सुझाव देता है कि दक्षता में वृद्धि केवल विशाल कंप्यूटिंग संसाधनों का परिणाम नहीं है, बल्कि सीखने की प्रक्रिया को बुद्धिमानी से व्यवस्थित करने का एक मौलिक लाभ है। यह सिस्टम AI को निरंतर, उत्पादक चुनौती की स्थिति में रखकर काम करता है, यह सुनिश्चित करता है कि प्रशिक्षण का हर क्षण सुधार में योगदान दे।

अध्ययन ने यह भी खुलासा किया कि समय के साथ सीखने की प्रक्रिया कैसे विकसित होती है। जैसे-जैसे AI बेहतर होता है, सिस्टम स्वचालित रूप से अपना ध्यान नई, अधिक कठिन स्थितियों की ओर स्थानांतरित कर देता है। यह एक ही समस्याओं पर अटका नहीं रहता, न ही यह बहुत जल्दी सबसे कठिन समस्याओं पर कूद जाता है। इसके बजाय, यह सीखने की एक गतिशील सीमा (moving frontier) बनाता है, जो AI के बढ़ते कौशल के साथ कठिनाई को लगातार समायोजित करता है। यह गतिशील प्रक्रिया सिस्टम को वास्तविक दुनिया की ड्राइविंग डेटा की जटिलता को संभालने की अनुमति देती है, जिसमें सैकड़ों हजारों अलग-अलग ट्रैफिक स्थितियाँ शामिल हैं। AI की प्रगति के अनुसार वास्तविक समय में अनुकूलित होकर, करिकुलम यह सुनिश्चित करता है कि प्रशिक्षण कुशल और प्रभावी बना रहे, भले ही डेटा का पैमाना बढ़ता जाए।

अंततः, यह कार्य प्रदर्शित करता है कि प्रशिक्षण डेटा को कैसे व्यवस्थित किया जाता है, यह डेटा के अपने आप जितना ही महत्वपूर्ण है। रैंडम सैंपलिंग से हटकर एक स्मार्ट, एडेप्टिव करिकुलम की ओर बढ़कर, शोधकर्ता स्वायत्त ड्राइविंग एजेंटों को बहुत तेज़ी से और कम संसाधनों के साथ सिखा सकते हैं। निष्कर्ष सुरक्षित और अधिक विश्वसनीय सेल्फ-ड्राइविंग कारों को विकसित करने के लिए एक स्पष्ट मार्ग प्रदान करते हैं, यह दिखाते हुए कि तीव्र सीखने की कुंजी केवल अधिक करने में नहीं, बल्कि सही समय पर सही चीजें करने में निहित है। शोधकर्ताओं ने अपने सिस्टम को दूसरों के लिए उपलब्ध कराया है, जिससे व्यापक वैज्ञानिक समुदाय को इस पद्धति पर निर्माण करने और यह परिष्कृत करने का अवसर मिले कि मशीनें दुनिया में नेविगेट करना कैसे सीखती हैं।