The World Is a Hypothesis: Epistemic Control for Executable World-Model Agents in Novel Interactive Environments
यह शोध पत्र THEA को प्रस्तुत करता है, जो एक प्रॉम्प्ट-परिभाषित संशोधन नीति (revision policy) है जो निष्पादन योग्य विश्व मॉडलों (executable world models) को जनक एजेंटों और विशेषज्ञ उप-एजेंटों को संचालित करने के लिए मिथ्याकरण योग्य सिद्धांतों (falsifiable theories) के रूप में मानती है, जिससे यह सुनिश्चित करते हुए कि परिकल्पना संशोधन स्पष्ट, ऑडिट योग्य और लागत प्रभावी बना रहे, 25 में से 22 ARC-AGI-3 खेलों में काफी कम लागत के साथ अत्याधुनिक प्रदर्शन प्राप्त किया गया 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
कल्पना कीजिए कि आप एक रोबोट को एक बिल्कुल नया वीडियो गेम खेलना सिखाने की कोशिश कर रहे हैं, लेकिन आप उसे न तो कोई नियम पुस्तिका दे सकते हैं, न ही कोई मानचित्र, और न ही लक्ष्य के बारे में कोई संकेत। रोबोट को स्क्रीन देखते हुए, बटन दबाते हुए और यह देखते हुए कि क्या होता है, सब कुछ खुद ही समझना होगा। यह "एग्जीक्यूटेबल वर्ल्ड मॉडल्स" (executable world models) की दुनिया है, जो एक फैंसी तरीका है यह कहने का कि: "आइए एक ऐसा कंप्यूटर प्रोग्राम लिखें जो गेम के सिमुलेशन की तरह काम करे ताकि रोबोट वास्तव में हिलने-डुलने से पहले अपने दिमाग के भीतर अभ्यास कर सके।"
आमतौर पर, वैज्ञानिक सोचते हैं कि यदि यह सिमुलेशन वास्तविक गेम से पूरी तरह मेल खाता है—फ्रेम दर फ्रेम, पिक्सेल दर पिक्सेल—तो रोबोट स्मार्ट और जीतने के लिए तैयार होगा। लेकिन यहाँ एक पेंच है: एक सिमुलेशन एक "परफेक्ट झूठ" हो सकता है। यह संयोग से जो हुआ उसके इतिहास से मेल खा सकता है, जैसे कि एक टूटी हुई घड़ी जो दिन में दो बार सही समय दिखाती है, जबकि वह पूरी तरह से इस बात को गलत समझ रही है कि चीजें क्यों होती हैं। रोबले के लिए बड़ा सवाल यह है: हम एक ऐसा एजेंट कैसे बनाएं जो यह जान सके कि उसका अपना आंतरिक मानचित्र कब गलत है और वह बिना भ्रम के चक्रव्यूह में फंसे इसे कैसे ठीक करे?
यह पेपर THEA (Typed Hypothesis-driven Epistemic Agents) नामक एक नई प्रणाली पेश करता है जो ठीक इसी समस्या को हल करती है। THEA को एक एकल सुपर-स्मार्ट रोबोट के रूप में नहीं, बल्कि एक सख्त, संगठित वैज्ञानिक टीम के रूप में देखें जो एक 'गेम नाइट' चला रही है। "पैरेंट" (Parent) मुख्य खिलाड़ी है जो कंट्रोलर थामे रहता है और बड़ी तस्वीर को ध्यान में रखता है। लेकिन THEA के पास विशेषज्ञों की एक टीम (जिन्हें स्पेशलिस्ट कहा जाता है) भी है जो केवल तभी हस्तक्षेप करती है जब चीजें गलत होती हैं।
यह कैसे काम करता है: पैरेंट गेम खेलता है और लगातार अपने आंतरिक "सिद्धांत" (एक कंप्यूटर प्रोग्राम) को अपडेट करता है। जब तक सिद्धांत गेम के परिणाम की सही भविष्यवाणी करता है, पैरेंट खेलता रहता है। लेकिन यदि पैरेंट कोई गलती करता है, या यदि गेम बहुत अजीब हो जाता है, तो एक जासूस (detective) को बुलाया जाता है। ये जासूस कंट्रोलर को नहीं छूते; वे बस सबूतों को देखते हैं। एक जासूस यह जांच सकता है कि क्या रोबोट किसी सजावट की वस्तु को वास्तविक गेम मैकेनिक समझ रहा है। दूसरा यह साबित करने की कोशिश कर सकता है कि गेम के बारे में दो अलग-अलग सिद्धांत वास्तव में अलग हैं, जिसके लिए एक विशिष्ट "टेस्ट मूव" (test move) का सुझाव दिया जाएगा जो प्रत्येक सिद्धांत के लिए अलग परिणाम दे सकता है।
पेपर ने इस प्रणाली का परीक्षण 25 विभिन्न अमूर्त पहेली खेलों (ARC-AGI-3 बेंचमार्क का हिस्सा) पर किया। परिणाम प्रभावशाली थे: THEA 22 में से 25 खेलों को पूरी तरह से हल करने में सफल रहा। औसतन, यह अविश्वसनीय रूप से कुशल था, जिसने केवल लगभग 92.63 "रिलेटिव ह्यूमन एक्शन एफिशिएंसी" (एक स्कोर जहाँ 100 पूर्ण मानव दक्षता है) का उपयोग किया। शायद सबसे आश्चर्यजनक रूप से, इसने पिछले सर्वश्रेष्ठ सिस्टम की तुलना में 19.52% कम कंप्यूटर प्रोसेसिंग पावर का उपयोग करते हुए यह हासिल किया, जिसने केवल 20 गेम हल किए थे।
हालाँकि, यह पेपर इस बात का दावा करने में बहुत सावधान है कि THEA एक जादुई समाधान (magic bullet) है। यह स्पष्ट रूप से दिखाता है कि यह "जांच टीम" वाला दृष्टिकोण हमेशा सस्ता या तेज़ नहीं होता है। उन 3 खेलों के लिए जिन्हें THEA हल नहीं कर सका, और उन आसान खेलों के लिए जिन्हें इसने हल किया, अतिरिक्त जांच की परत ने कभी-कभी अंतिम परिणाम बदले बिना समय और पैसा अधिक खर्च किया। लेखकों ने पाया कि यह प्रणाली तब चमकती है जब गेम कठिन होता है और रोबोट को अपना विचार बदलने की आवश्यकता होती है, लेकिन सरल कार्यों के लिए यह बहुत अधिक (overkill) हो सकती है।
यह पेपर "विफलता की कहानियाँ" भी साझा करता है ताकि यह साबित हो सके कि यह केवल अपनी प्रशंसा नहीं कर रहा है। एक मामले में, रोबोट के पास गेम का एक सटीक सिमुलेशन था लेकिन फिर भी वह विफल हो रहा था क्योंकि वह स्क्रीन के गलत हिस्से को देख रहा था। दूसरे मामले में, रोबोट ने सही नियमों को समझ लिया, लेकिन केवल तब जब वह पहले ही अपने सभी मूव्स (चालें) इस्तेमाल कर चुका था, जिससे साबित हुआ कि बहुत देर से सही होना भी गलत होने जितना ही बुरा है।
अंततः, THEA हमें सिखाता है कि एक AI को वास्तव में स्मार्ट होने के लिए, उसे दुनिया की अपनी समझ को एक "हाइपोथीसिस" (परिकल्पना)—एक अनुमान जिसे गलत साबित किया जा सकता है—के रूप में मानना चाहिए। अपने अनुमानों की जांच और सुधार की प्रक्रिया को दृश्यमान, ऑडिट योग्य और एक केंद्रीय "पैरेंट" द्वारा नियंत्रित बनाकर, यह प्रणाली अपनी गलतियों में फंसने से बच सकती है। यह एक ऐसे AI के निर्माण की दिशा में एक कदम है जो केवल पैटर्न को याद नहीं करता, बल्कि वास्तव में खेल के नियमों को इतना समझता है कि उसे पता चल सके कि उसे कब अपनी नियम पुस्तिका को फिर से लिखने की आवश्यकता 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।