Semantic Visual Representations Emerge from Embodied Self-Supervised Learning
यह शोध पत्र एम्बॉडीड सेल्फ-सुपरवाइज्ड लर्निंग (E-SSL) प्रस्तुत करता है, जो एक ऐसा मॉडल है जो उच्च-स्तरीय सिमेंटिक विजुअल रिप्रजेंटेशन उत्पन्न करने के लिए प्राकृतिक मानवीय अंतःक्रिया से प्राप्त टेम्पोरल कंसिस्टेंसी और सेंसरिमोटर कॉन्टिनजेंसी का लाभ उठाता है, जो मौजूदा मॉडलों से बेहतर प्रदर्शन करता है, पूर्व-मौखिक बच्चों के विजुअल कॉर्टेक्स के साथ अधिक निकटता से संरेखित होता है, और मानव दृश्य विकास तथा स्ट्रीम विशेषज्ञता की उत्पत्ति में नई अंतर्दृष्टि प्रदान करता है।
मूल पेपर CC BY 4.0 (https://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
मस्तिष्क का गुप्त जीपीएस: कैसे हिलना-डुलना हमें देखने में मदद करता है
कल्पना कीजिए कि आप एक स्थिर, जमी हुई तस्वीर को घूरकर यह सीखने की कोशिश कर रहे हैं कि "कुत्ता" कैसा दिखता है। आप रंगों और बालों की बनावट को याद कर सकते हैं, लेकिन आप यह नहीं देख पाएंगे कि दौड़ते समय उसके कान कैसे फड़फड़ाते हैं या सिर घुमाने पर उसका आकार कैसे बदलता है। अब, एक कुत्ते के चारों ओर घूमकर, उसे हर कोण से देखकर और यह महसूस करके सीखने की कल्पना करें कि उसे अपनी दृष्टि में बनाए रखने के लिए आपका अपना शरीर कैसे हिलता है। यह एक स्थिर कंप्यूटर प्रोग्राम और एक मानव शिशु के बीच का अंतर है। दशकों से, वैज्ञानिक एक बड़े सवाल से हैरान रहे हैं: मानव मस्तिष्क, बिना किसी शिक्षक और बिना किसी पाठ्यपुस्तक के, इतनी जल्दी दुनिया को समझना कैसे सीख लेता है? हम जानते हैं कि बच्चे केवल स्थिर नहीं बैठते; वे रेंगते हैं, हाथ बढ़ाते हैं और लुढ़कते हैं, लगातार अपनी आँखों और शरीर को हिलाते रहते हैं। यह शोध पत्र इस विचार की खोज करता है कि यह हलचल केवल जीवित होने का एक दुष्प्रभाव नहीं है—यह वास्तव में वह कुंजी है जो हमारी देखने और चीजों को समझने की क्षमता को खोलती है।
शोधकर्ता दो मुख्य विचारों का परीक्षण कर रहे हैं जो विज्ञान में काफी समय से चर्चा में हैं। पहला है टेम्पोरल कंसिस्टेंसी (Temporal Consistency), जो एक फैंसी तरीका है यह कहने का कि "जो चीजें समय में एक-दूसरे के करीब होती हैं, वे संभवतः संबंधित होती हैं।" यदि आप एक लाल गेंद देखते हैं, और फिर एक सेकंड बाद आप एक लाल गेंद को थोड़ा अलग स्थान पर देखते हैं, तो आपका मस्तिष्क मानता है कि यह वही गेंद है। दूसरा विचार है सेंसरिमोटर कॉन्टिनजेंसीज़ (Sensorimotor Contingencies), जो यह नियम है कि "मेरे कार्यों से जो मैं देखता हूँ, वह बदल जाता है।" यदि मैं अपना सिर बाईं ओर घुमाता हूँ, तो दुनिया दाईं ओर खिसक जाती है। यदि मैं एक कप उठाता हूँ, तो उसका हैंडल दिखाई देने लगता है। यह शोध पत्र पूछता है: यदि हम एक कंप्यूटर को केवल लोगों के हिलने-डुलने और देखने के वीडियो देखकर सीखने के लिए प्रशिक्षित करें, और केवल इन दो सरल नियमों का उपयोग करें, तो क्या वह मनुष्यों की तरह देखना सीख जाएगा? और अधिक महत्वपूर्ण बात यह है कि, क्या वह एक ऐसे बच्चे की तरह देखना सीख पाएगा जिसने अभी तक बोलना भी नहीं सीखा है?
वह रोबोट जो "चलकर" सीखता है
E-SSL (एम्बोडीड सेल्फ-सुपरवाइज्ड लर्निंग) से मिलिए। इसे एक डिजिटल रोबोटिक मस्तिष्क के रूप में समझें जिसके पास न तो कोई शिक्षक है, न कोई पाठ्यपुस्तक और न ही कोई भाषा। लाखों लेबल वाली तस्वीरों (जैसे "यह एक बिल्ली है" या "यह एक कार है") को खिलाने के बजाय, इस रोबोट को वास्तविक मनुष्यों द्वारा पहने गए चश्मों से रिकॉर्ड किए गए 300 घंटों के कच्चे, फर्स्ट-पर्सन वीडियो फुटेज दिए गए हैं। ये वीडियो दिखाते हैं कि मनुष्यों ने वास्तव में क्या देखा, उनकी आँखें कहाँ देख रही थीं, और उनके सिर और शरीर कैसे हिले।
रोबोट का काम अपने आप दुनिया के नियमों को समझना है। यह दो तरकीबों का उपयोग करता है। पहला, यह एक सेकंड के बहुत छोटे अंतराल पर ली गई दो तस्वीरों को देखता है। यदि छवि में बहुत अधिक बदलाव नहीं हुआ है, तो वह मान लेता है कि वस्तु वही है (टेम्पोरल कंसिस्टेंसी)। दूसरा, वह उन दो तस्वीरों के बीच मानव के सिर या आँखों की गति को देखता है। वह यह सीखने की कोशिश करता है कि "जब मैं अपना सिर इस तरह से घुमाता हूँ, तो दुनिया उस तरह से खिसकती है" (सेंसरिमोटर कॉन्टिनजेंसीज़)। यह एक बच्चे के सीखने जैसा है कि यदि वे गोल घूमते हैं, तो कमरा उनके साथ घूमता है, लेकिन यदि वे केवल पलक झपकाते हैं, तो कमरा स्थिर रहता है।
उन्हें क्या मिला?
परिणाम आश्चर्यजनक रूप से शक्तिशाली थे। भले ही रोबोट ने कभी एक भी शब्द नहीं सुना और न ही कभी उसे किसी वस्तु के बारे में बताने वाला कोई लेबल देखा, फिर भी उसने दुनिया का एक मानसिक मानचित्र बनाना शुरू कर दिया जो काफी हद तक मानव के समान था।
1. इसने वस्तुओं को पहचानना सीख लिया (लगभग वयस्कों जितना अच्छा)
जब शोधकर्ताओं ने रोबलेट का मानक चित्र क्विज़ (जैसे ImageNet-1k डेटासेट में वस्तुओं की पहचान करना) पर परीक्षण किया, तो उसने लगभग 71% उत्तर सही दिए। यह उन अन्य "बायो-इंस्पायर्ड" कंप्यूटर मॉडलों की तुलना में एक बड़ी छलांग है जो मस्तिष्क की नकल करने की कोशिश करते हैं लेकिन गति का उपयोग नहीं करते। हालांकि यह पूरी तरह से विकसित वयस्क मानव (जिसके पास भाषा और अनुभव के वर्षों का अनुभव है) से लगभग 20% पीछे है, लेकिन यह अन्य कंप्यूटर मॉडलों के समूह से बहुत आगे है। इसने साबित कर दिया कि "मग" या "कुत्ता" क्या है, यह सीखने के लिए आपको किसी शिक्षक की आवश्यकता नहीं है; आपको बस इधर-उधर घूमना है और देखना है कि चीजें कैसे बदलती हैं।
2. यह एक बच्चे की तरह सोचता है
यहाँ मामला वास्तव में दिलचस्प हो जाता है। शोधकर्ताओं ने रोबोट के "मस्तिष्क" की तुलना वास्तविक शिशुओं के मस्तिष्क से की। उन्होंने पाया कि रोबोट के देखने का तरीका वयस्कों के मस्तिष्क की तुलना में 9 महीने के शिशुओं की मस्तिष्क गतिविधि से बहुत बेहतर मेल खाता था।
- "आकार बनाम बनावट" का परीक्षण: बच्चे आकार (Shape) को पहचानने के लिए प्रसिद्ध हैं, न कि रंग या बनावट के लिए। एक लाल गेंद और एक नीली गेंद एक बच्चे के लिए दोनों "गेंदें" हैं। रोबोट ने, गति के साथ सीखने के बाद, बिल्कुल ऐसा ही करना शुरू कर दिया। उसने वस्तुओं के आकार पर ध्यान केंद्रित करना सीखा, ठीक एक छोटे बच्चे की तरह।
- "हैंडल" की खोज: रोबोट ने सीखा कि यदि उसे हैंडल दिखता है, तो वह शायद एक मग है, भले ही उसने अभी तक पूरा मग न देखा हो। यह एक कौशल है जो मानव बच्चों में लगभग 18 महीने की उम्र में उभरता है, और रोबोट ने यह केवल लोगों को चलते हुए देखकर विकसित किया।
3. गति ही असली सफलता का मंत्र है
शोध पत्र ने यह देखने के लिए एक दिलचस्प प्रयोग चलाया कि क्यों गति मायने रखती है। उन्होंने रोबोट का एक "पपेट" (कठपुतली) संस्करण सिम्युलेट किया। इस संस्करण में, रोबोट ने वही वीडियो देखे, लेकिन सिर की हरकतें बदली हुई या नकली थीं। रोबोट उतना अच्छा नहीं सीख पाया।
- "देर से चलने वाला" प्रभाव: उन्होंने एक ऐसे रोबोट का भी अनुकरण किया जिसने प्रशिक्षण के कुछ समय बाद अपना सिर हिलाना शुरू किया। परिणाम? रोबोट का विजन (दृष्टि) उस रोबोट की तुलना में खराब था जिसने तुरंत हिलना शुरू कर दिया था। यह सुझाव देता है कि जब एक मानव बच्चा रेंगना या चलना (लोकोमोशन) शुरू करता है, तो वह उनकी दृष्टि के लिए एक महत्वपूर्ण "अहा!" क्षण होता है। यह केवल यह नहीं है कि वे अधिक देखते हैं; बल्कि यह है कि उनका मस्तिष्क अंततः अपने मांसपेशियों के आदेशों को जो देख रहे हैं उससे जोड़ पाता है, जिससे उनकी सीखने की क्षमता अत्यधिक बढ़ जाती है।
4. मस्तिष्क के दो राजमार्ग
अंत में, शोध पत्र ने यह भी खोजा कि रोबोट के "मस्तिष्क" ने खुद को कैसे व्यवस्थित किया। मानव मस्तिष्क में दो मुख्य विजुअल हाईवे होते हैं:
- वेंट्रल स्ट्रीम (Ventral Stream - "क्या" मार्ग): यह हमें पहचानने में मदद करता है कि कोई वस्तु क्या है (जैसे, "वह एक बिल्ली है")।
- डॉर्सल स्ट्रीम (Dorsal Stream - "कहाँ/कैसे" मार्ग): यह हमें समझने में मदद करता है कि कोई वस्तु कहाँ है और उसके साथ कैसे इंटरैक्ट करना है (जैसे, "मुझे उस कप को पकड़ने की जरूरत है")।
शोधकर्ताओं ने पाया कि रोबोट ने स्वाभाविक रूप से इन दो प्रकार के मार्गों में अपने सीखने को विभाजित किया, ठीक वैसे ही जैसे मानव मस्तिष्क करता है। रोबोट का वह हिस्सा जिसने "समय" (टेम्पोरल कंसिस्टेंसी) के बारे में सीखा, वह वस्तुओं को पहचानने में बहुत अच्छा हो गया (वेंट्रल)। जिस हिस्से ने "गति" (सेंसरिमोटर कॉन्टिनजेंसीज़) के बारे में सीखा, वह स्थानिक परिवर्तनों और क्रियाओं को समझने में बहुत अच्छा हो गया (डॉर्सल)। यह सुझाव देता है कि हमारे मस्तिष्क में ये दो अलग-अलग मार्ग जन्मजात नहीं होते, बल्कि वास्तव में दुनिया को देखने और हिलने-डुलने के सरल कार्य से स्वाभाविक रूप से उभरते हैं।
निष्कर्ष
यह शोध पत्र बताता है कि मानव दृष्टि का रहस्य केवल एक उच्च गुणवत्ता वाले कैमरे (हमारी आँखें) या एक सुपर-कंप्यूटर (हमारा मस्तिष्क) में नहीं है। यह इस तथ्य में है कि हम एम्बोडीड (Embodied) हैं। हम हिलते हैं, हम छूते हैं, और हम अपना दृष्टिकोण बदलते हैं। बस दुनिया में घूमकर और यह देखकर कि हमारे कार्यों से हमें क्या दिखता है, हमारे मस्तिष्क स्वाभाविक रूप से आकारों को पहचानना, वस्तुओं को समझना और दृष्टि को "क्या" और "कहाँ" में विभाजित करना सीख जाते हैं।
हालांकि रोबोट अभी तक 3 साल के बच्चे जितना स्मार्ट नहीं है (जो आकारों को और भी बेहतर तरीके से सामान्य बना सकता है), यह साबित करता है कि दुनिया को देखना शुरू करने के लिए आपको भाषा या विशाल डेटासेट की आवश्यकता नहीं है। आपको बस हिलना-डुलना शुरू करना है। यह सुझाव देता है कि जिस क्षण एक बच्चा रेंगना शुरू करता है, उनके मस्तिष्क को एक बड़ा अपग्रेड मिलता है, जो रंगों के धुंधलेपन को पहचान योग्य, पकड़ने योग्य वस्तुओं की दुनिया में बदल देता 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।