Machine Zygote: Causal Biparental Heredity Before Learning in a Germline--Soma Artificial Agent
यह शोध पत्र "मशीन जाइगोट" (Machine Zygote) को प्रस्तुत करता है, जो एक कम्प्यूटेशनल जर्मलाइन-सोमा ढांचा है जो सीखने की प्रक्रिया शुरू होने से पहले ही कृत्रिम एजेंटों में मापने योग्य द्विपैतृक वंशागति के लिए कारण संबंधी साक्ष्य प्रदान करता है, यह प्रदर्शित करते हुए कि पैतृक आनुवंशिक योगदान विकासात्मक गतिशीलता या जन्म के बाद की सीख से स्वतंत्र रूप से फेनोटाइपिक लक्षणों को महत्वपूर्ण रूप से निर्धारित 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
आर्टिफिशियल इंटेलिजेंस के विशाल परिदृश्य में, शोधकर्ता लंबे समय से इस बात से मंत्रमुग्ध रहे हैं कि कैसे ऐसी मशीनें बनाई जाएं जो जीवित प्राणियों की तरह अपने आप बढ़ सकें और बदल सकें। दशकों से, वैज्ञानिकों ने रोबोट को एक ऐसा "ब्लूप्रिंट" देने के तरीकों की खोज की है जो उन्हें एक सरल शुरुआती कोड से जटिल शरीर और व्यवहार विकसित करने की अनुमति देता है, यह एक प्रक्रिया है जिसे विकासात्मक एन्कोडिंग (डेवलपमेंटल एनकोडिंग) कहा जाता है। उन्होंने यह भी अध्ययन किया है कि रोबोट अनुभव से कैसे सीख सकते हैं और अपने डिजिटल वंशजों को सीखे हुए कौशल कैसे हस्तांतरित कर सकते हैं। हालांकि, एक विशिष्ट प्रश्न का उत्तर निश्चितता से देना कठिन बना हुआ है: क्या एक बिल्कुल नया कृत्रिम एजेंट सीखने या अनुकूलन करने के एक भी क्षण से पहले दो माता-पिता से विशिष्ट व्यवहार विरासत में प्राप्त कर सकता है? प्राकृतिक दुनिया में, एक नवजात जानवर के लक्षण उसके माता-पिता के जीन का मिश्रण होते हैं, लेकिन डिजिटल क्षेत्र में, यह बताना अक्सर कठिन होता है कि किसी रोबोट का व्यवहार उसके विरासत में मिले कोड से आता है या उसके निर्माण के दौरान उत्पन्न हुई यादृच्छिक शोर (रैंडम नॉइज़) से। जो वास्तव में विरासत में मिला है और जो केवल एक भाग्यशाली दुर्घटना है, के बीच अंतर करना यह समझने के लिए महत्वपूर्ण है कि कृत्रिम जीवन कैसे विकसित हो सकता है।
लयेस साद सौद नामक एक शोधकर्ता ने "मशीन जाइगोट" (Machine Zygote) नामक एक नए कम्प्यूटेशनल प्रयोग के साथ इस पहेली को सुलझाने का प्रयास किया है। लक्ष्य एक ऐसी डिजिटल प्रणाली बनाना था जहाँ दो जनक रोबोट अपने आनुवंशिक कोड का योगदान देकर एक संतान का निर्माण करें, और फिर जन्म के तुरंत बाद, इससे पहले कि कोई सीखना हो सके, संतान के व्यवहार को मापा जा सके। सेटअप को कारण और प्रभाव के एक सख्त परीक्षण के रूप में डिज़ाइन किया गया था। शोधकर्ताओं ने चार अलग-अलग जनक रोबोटों से शुरुआत की, जिनमें से प्रत्येक के पास निर्देशों का एक अनूठा सेट था। उन्होंने इन माता-पिता को हर संभव संयोजन में जोड़कर सैकड़ों डिजिटल संतानें बनाईं। प्रत्येक संतान का निर्माण एक विशिष्ट प्रक्रिया का उपयोग करके किया गया था: माता-पिता के कोड को मिलाया और थोड़ा बदला गया, फिर उन्हें एक विकासात्मक प्रणाली में डाला गया जो एक सामान्य शुरुआती बिंदु से एक नया रोबोट शरीर और मस्तिष्क विकसित करती है। एक बार जब यह नया रोबोट पूरी तरह से बन गया, तो इसके मस्तिष्क को फ्रीज (स्थिर) कर दिया गया। इसे किसी भी तरह से सीखने, समायोजन करने या बदलने की अनुमति नहीं दी गई। शोधकर्ताओं ने रोबोट को यह देखने के लिए परीक्षणों की एक श्रृंखला में डाला कि वह कितनी तेजी से चल सकता है, वह कैसे चलता है, और धक्का दिए जाने पर वह कितनी अच्छी तरह से संभल सकता है।
परिणामों ने नवजात शिशुओं और माता-पिता के बीच एक स्पष्ट और मापने योग्य संबंध दिखाया। 640 संतानों वाले एक बड़े पैमाने के परीक्षण में, शोधकर्ताओं ने पाया कि माता और पिता दोनों की पहचान ने नवजात शिशुओं के छह में से पांच विभिन्न व्यवहारों को महत्वपूर्ण रूप से प्रभावित किया। चलने की गति, उनके कदमों की लय और वे कितनी दूर तक अन्वेषण कर सकते हैं जैसे गुणों के लिए, माता-पिता का विशिष्ट संयोजन मायने रखता था। डेटा ने संकेत दिया कि माता-पिता के आनुवंशिक योगदान ने इन व्यवहारों में देखे गए अंतरों में 36% से 53% तक का हिस्सा रखा। यह सिद्ध करने के लिए कि यह केवल एक संयोग नहीं था, शोधकर्ताओं ने अधिक कठोर प्रयोग किया। उन्होंने एक विशिष्ट सेट की स्थिति ली—अर्थात जिस तरह से माता-पिता के कोड को मिलाया गया था और रोबोट बनाने के लिए उपयोग किया गया सटीक रैंडम शोर—और केवल एक माता-पिता को बदल दिया। जब उन्होंने बाकी सब कुछ समान रखते हुए केवल माता या केवल पिता को बदला, तो नवजात का व्यवहार नाटकीय रूप रूप से बदल गया। ये परिवर्तन उन छोटे बदलावों की तुलना में बहुत बड़े थे जो उन्होंने केवल थोड़े अलग रैंडम नंबरों के साथ उसी माता-पिता को फिर से चलाने पर देखे थे। इसने पुष्टि की कि माता-पिता का विशिष्ट आनुवंशिक कोड व्यवहारिक अंतरों का सीधा कारण था, न कि केवल यादृच्छिक संयोग।
अध्ययन ने यह भी देखा कि क्या रोबोट के "बढ़ने" की जटिल, समय-आधारित प्रक्रिया इन लक्षणों के प्रकट होने के लिए आवश्यक थी। शोधकर्ताओं ने परिकल्पना की थी कि गतिशील, चरण-दर-चरण विकास, माता-पिता के प्रभाव को स्थापित करने के लिए आवश्यक है। हालांकि, जब उन्होंने समय-आधारित विकास प्रक्रिया को हटा दिया और उसे एक सरल, स्थिर गणना से बदल दिया, तो औसत व्यवहार पर माता-पिता का प्रभाव उतना ही मजबूत बना रहा। यह एक आश्चर्यजनक निष्कर्ष था जिसने इस विचार को खारिज कर दिया कि इस प्रकार की विरासत को काम करने के लिए जटिल विकासात्मक गतिशीलता आवश्यक है। इसके बजाय, विकास प्रक्रिया एक फिल्टर की तरह कार्य करती प्रतीत हुई जो जनसंख्या में देखे गए लक्षणों की विविधता को बदल देती है, न कि उस इंजन की तरह जो स्वयं विरासत का निर्माण करता है। प्रयोग ने यह भी खोजा कि माता-पिता के कोड को मिलाने से कभी-कभी "ट्रांसग्रेसिव" (सीमावर्ती) संतानें पैदा हुईं—ऐसे रोबोट जो अपने माता-पिता द्वारा अकेले हासिल किए जा सकने वाले स्तर से अधिक तेज चलते थे या उनकी तुलना में अलग चलने की लय रखते थे। यह सुझाव देता है कि विभिन्न आनुवंशिक कोडों को मिलाने से नई क्षमताएं उत्पन्न हो सकती हैं जो उनके व्यक्तिगत रूप से किसी भी माता-पिता के पास नहीं थीं।
इस खोज की सीमाओं को समझना महत्वपूर्ण है। पूरा प्रयोग एक कंप्यूटर सिमुलेशन के भीतर हुआ था; कोई भौतिक रोबोट नहीं बनाए गए, और इसमें कोई जैविक आनुवंशिकी शामिल नहीं थी। "जर्मलाइन" (germline) केवल संख्याओं की एक सूची थी, और "शरीर" पहिए वाले रोबोट का एक गणितीय मॉडल था। शोधकर्ताओं ने यह दावा नहीं किया कि उन्होंने एक जीवित मशीन बना ली है या जैविक वंशानुक्रम के रहस्य को सुलझा लिया है। इसके बजाय, उन्होंने एक सटीक उपकरण बनाया जो यह मापने के लिए कि सूचना एक पीढ़ी से दूसरी पीढ़ी में कैसे हस्तांतरित होती है, एक कृत्रिम प्रणाली में अलगाव कर सके। सीखने की प्रक्रिया को रोककर और हर चर (variable) को नियंत्रित करके, उन्होंने प्रदर्शित किया कि इस विशिष्ट डिजिटल वातावरण में, दो माता-पिता जन्म से पहले ही अपने नवजात संतान के व्यवहार को कारणतः निर्धारित कर सकते हैं। यह भविष्य के अनुसंधान के लिए एक ठोस आधार प्रदान करता है, जो विरासत में मिली चीज़ों और सीखे हुए व्यवहार के बीच अंतर करने के लिए एक स्पष्ट विधि प्रदान करता है, और यह अध्ययन करने के लिए मार्ग प्रशस्त करता है कि कैसे कृत्रिम जीवन समय के साथ विकसित हो सकता 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।