Action-aligned Representation Geometry in Vision–Language–Action Models

रोबोट जो देख सकते हैं, भाषा समझ सकते हैं और अपने शरीर को स्वयं चला सकते हैं, वे अब विज्ञान कथा (साइंस फिक्शन) नहीं रहे; वे 'एम्बोडीड आर्टिफिशियल इंटेलिजेंस' (embodied artificial intelligence) नामक एक तेजी से बढ़ते क्षेत्र का केंद्र हैं। वर्षों से, शोधकर्ता मशीनों को यह सिखाने के लिए संघर्ष कर रहे हैं कि एक साधारण वाक्य जैसे "कप उठाओ" को एक यांत्रिक हाथ की सटीक, निरंतर गतिविधियों में कैसे अनुवादित किया जाए। सबसे सफल आधुनिक दृष्टिकोण विशाल वीडियो प्रदर्शनों के विशाल पुस्तकालयों पर बड़े कंप्यूटर मॉडल को प्रशिक्षित करने में शामिल है, जिसे 'बिहेवियर क्लोनिंग' (behavior cloning) कहा जाता है। ये मॉडल, जिन्हें अक्सर विजन-लैंग्वेज-एक्शन (Vision-Language-Action) सिस्टम कहा जाता है, रोबोट के मस्तिष्क के रूप में कार्य करते हैं, जो छवियों और पाठ को ग्रहण करते हैं और कमांड के एक क्रम को आउटपुट के रूप में देते हैं। हालाँकि, जबकि ये सिस्टम तेजी से सक्षम हो रहे हैं, उनकी आंतरिक कार्यप्रणाली एक रहस्य बनी हुई है। हम जानते हैं कि वे काम करते हैं, लेकिन हम वास्तव में यह नहीं समझते कि वे एक विशिष्ट भौतिक गति का निर्णय लेने के लिए प्राप्त दृश्य और भाषाई सूचनाओं के सैलाब को कैसे व्यवस्थित करते हैं। इस समझ के बिना, यह जानना कठिन है कि रोबोट क्यों विफल होता है, इसे कैसे ठीक किया जाए, या इसे अधिक विश्वसनीय कैसे बनाया जाए।

हार्वर्ड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने अब इस 'ब्लैक बॉक्स' से पर्दा हटा दिया है, जिससे इन जटिल मॉडलों के भीतर छिपे एक आश्चर्यजनक और व्यवस्थित ढांचे का पता चला है। इन कृत्रिम मस्तिष्कों द्वारा सूचना प्रसंस्करण के तरीके का अध्ययन करके, वैज्ञानिकों ने पाया कि जैसे-जैसे मॉडल कार्यों को करने के लिए सीखते हैं, दुनिया के उनके आंतरिक प्रतिनिधित्व (internal representations) अव्यवस्थित ढेर के रूप में नहीं रहते। इसके बजाय, वे स्वाभाविक रूप से एक अत्यधिक संरचित, ज्यामितीय पैटर्न में व्यवस्थित हो जाते हैं जो उन कार्यों के साथ पूरी तरह से संरेखित होता है जिन्हें रोबند को करने की आवश्यकता होती है। यह निष्कर्ष बताता है कि रोबोट की सफलता का रहस्य न केवल उस डेटा में है जो वह देखता है, बल्कि इस बात में भी है कि वह उस डेटा को एक स्वच्छ, अनुमानित मानचित्र में कैसे व्यवस्थित करता है जहाँ समान क्रियाओं को एक साथ समूहबद्ध किया जाता है और अलग-अलग क्रियाओं को स्पष्ट रूप से अलग किया जाता है।

शोधकर्ताओं ने इस घटना की जांच करने के लिए एक ढांचे का उपयोग किया जिसे मूल रूप से सरल इमेज-रिकग्निशन नेटवर्क के अध्ययन के लिए विकसित किया गया था, जिसे 'न्यूरल कोलैप्स' (neural collapse) के रूप में जाना जाता है। रोबोटिक्स के संदर्भ में, यह अवधारणा एक ऐसी स्थिति का वर्णन करती है जहाँ एक विशिष्ट क्रिया के बारे में मॉडल के आंतरिक "विचार" अविश्वसनीय रूप से सघन और सुसंगत हो जाते हैं। कल्पना कीजिए कि एक कमरा लोगों से भरा है जो विभिन्न निकास द्वारों को खोजने की कोशिश कर रहे हैं; एक अव्यवस्थित अवस्था में, लोग बेतरतीब ढंग से भटकते हैं। लेकिन जैसे-जैसे वे लेआउट को सीखते हैं, एक ही दरवाजे की ओर जाने वाले सभी लोग कसकर एक साथ क्लस्टर (समूह) बना लेते हैं, जबकि विभिन्न दरवाजों की ओर जाने वाले समूह एक-दूसरे से दूर फैल जाते हैं, जिससे एक स्पष्ट, व्यवस्थित मानचित्र बनता है। हार्वर्ड की टीम ने पाया कि विजन-लैंग्वेज-एक्शन मॉडल इसी तरह के परिवर्तन से गुजरते हैं। हजारों रोबोटिक प्रदर्शनों पर प्रशिक्षित होने के साथ, एक ही भौतिक गति—जैसे कि "हैंडल पकड़ना"—से संबंधित आंतरिक संकेत, घने और समान समूहों में सिमटने लगते हैं। इस बीच, अलग-अलग गतिविधियों, जैसे कि "बटन दबाना" बनाम "बॉक्स उठाना", के संकेतों को एक संतुलित, सममित व्यवस्था में व्यवस्थित किया जाता है जो मॉडल के लिए सही रास्ता चुनना आसान बनाता है।

यह ज्यामितीय व्यवस्था किसी एक प्रयोग का इत्तेफाक नहीं थी। शोधकर्ताओं ने इसे विभिन्न प्रकार के रोबोटिक मॉडलों, निरंतर गतिविधियों को डिजिटल निर्देशों में बदलने के विभिन्न तरीकों और ब्लॉक रखने से लेकर मेज साफ करने तक के विविध कार्यों में परखा। उन्होंने एक ही पैटर्न को लगातार उभरते हुए देखा: जैसे-जैसे रोबोट का प्रदर्शन बेहतर हुआ, आंतरिक ज्यामिति अधिक संरचित होती गई। मॉडल केवल विशिष्ट उदाहरणों को याद नहीं कर रहे थे; वे क्रियाओं को समूहबद्ध करने के एक मौलिक नियम को सीख रहे थे। यह संरचना प्रशिक्षण के दौरान प्रगतिशील रूप से दिखाई दी, जो नेटवर्क की शुरुआती परतों से शुरू हुई और अंतिम परतों में सबसे अधिक स्पष्ट हुई, ठीक उस समय जब रोबोट किसी चाल (move) का निर्णय लेता है। शोधकर्ताओं ने यह भी पुष्टि की कि यह व्यवस्था कार्य के लिए विशिष्ट थी। जब उन्होंने सही एक्शन लेबल को यादृच्छिक (रैंडम) लेबल से बदल दिया, तो ज्यामितीय संरचना बनने में विफल रही, जिससे यह सिद्ध हुआ कि यह संगठन रोबोट को नियंत्रित करने के वास्तविक लक्ष्य द्वारा संचालित था, न कि डेटा को समूहबद्ध करने की कंप्यूटर की किसी सामान्य प्रवृत्ति द्वारा।

यह सिद्ध करने के लिए कि यह ज्यामितीय संरचना केवल एक दुष्प्रभाव नहीं बल्कि यह कि रोबोट कैसे सोचता है इसका एक महत्वपूर्ण हिस्सा है, टीम ने हस्तक्षेपों की एक श्रृंखला आयोजित की। उन्होंने एक प्रशिक्षित रोबोट मॉडल लिया और चलते समय, उसके आंतरिक संकेतों में सूक्ष्म व्यवधान डाला। जब उन्होंने समान क्रियाओं के सघन क्लस्टरिंग को बाधित किया या विभिन्न क्रिया समूहों की व्यवस्था को अस्त-व्यस्त किया, तो रोबोट का प्रदर्शन तुरंत प्रभावित हुआ, और उसने अधिक गलतियाँ कीं। इसके विपरीत, जब उन्होंने इस प्राकृतिक ज्यामितीय व्यवस्था को सुदृढ़ करने के लिए संकेतों को समायोजित किया, तो रोबोट का व्यवहार स्थिर और सटीक बना रहा। इसने इस बात का पुख्ता प्रमाण दिया कि संरचित ज्यामिति एक अच्छे निर्णय लेने के लिए रोबोट के लिए एक कार्यात्मक आवश्यकता है। यह सीखने का केवल एक उपोत्पाद नहीं है; यह वह तंत्र है जिसका उपयोग मॉडल एक दृश्य दृश्य (visual scene) से एक सफल क्रिया तक नेविगेट करने के लिए करता है।

इस अध्ययन ने यह भी प्रकाश डाला कि रोबोट को अधिक डेटा खिलाने से वे अधिक स्मार्ट क्यों बनते हैं। शोधकर्ताओं ने विभिन्न मात्रा में प्रदर्शन डेटा पर मॉडलों को प्रशिक्षित किया और उन्हें डेटा की मात्रा और आंतरिक ज्यामिति की गुणवत्ता के बीच सीधा संबंध मिला। बड़े डेटासेट पर प्रशिक्षित मॉडलों ने अधिक परिष्कृत, व्यवस्थित और मजबूत ज्यामितीय संरचनाएं विकसित कीं। यह सुझाव देता है कि बिग डेटा का लाभ केवल अधिक उदाहरण देखने के बारे में नहीं है, बल्कि मॉडल को दुनिया के एक स्पष्ट, अधिक विश्वसनीय मानचित्र को बनाने के लिए पर्याप्त जानकारी देने के बारे में है। मॉडल जितना अधिक डेटा देखता है, वह क्रियाओं की अपनी समझ को व्यवस्थित करने में उतना ही बेहतर होता है, जिससे अधिक सुसंगत और सफल व्यवहार होता है।

ये निष्कर्ष मशीनों की बुद्धिमत्ता को देखने का एक नया तरीका प्रदान करते हैं। इन मॉडलों को ऐसे अपारदर्शी (opaque) सिस्टम के रूप में देखने के बजाय जो केवल इनपुट को आउटपुट से जोड़ते हैं, अब हम उन्हें ऐसे सिस्टम के रूप में देख सकते हैं जो एक संरचित, क्रिया-संरेखित परिदृश्य (landscape) का निर्माण करते हैं। इस परिदृश्य में, एक सफल चाल का मार्ग एक ऐसी ज्यामिति द्वारा निर्मित होता है जो स्वाभाविक रूप से समान व्यवहारों को समूहबद्ध करती है और विभिन्न व्यवहारों को अलग करती है। यह खोज शोधकर्ताओं को यह निदान करने के लिए एक शक्तिशाली उपकरण प्रदान करती है कि कोई रोबोट क्यों विफल हो सकता है, विभिन्न मॉडल डिजाइनों की तुलना करने के लिए, और यह समझने के लिए कि ये सिस्टम नई स्थितियों में कैसे सामान्यीकरण (generalize) करते हैं। रोबोटिक लर्निंग की अराजकता के भीतर छिपे क्रम को प्रकट करके, यह कार्य हमें ऐसी मशीनें बनाने के एक कदम करीब लाता है जो न केवल सक्षम हैं, बल्कि भौतिक दुनिया में समझने योग्य और विश्वसनीय साथी भी हैं।