आर्टिफिशियल इंटेलिजेंस की दुनिया में, शोधकर्ता मशीनों को यह समझने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं कि भौतिक दुनिया कैसे काम करती है। वे चाहते हैं कि रोबोट और स्वायत्त वाहन (सेल्फ-ड्राइविंग कार) केवल चित्रों को याद करने के बजाय, कारण और प्रभाव के एक आंतरिक मानसिक मॉडल का निर्माण करके यह अनुमान लगा सकें कि आगे क्या होने वाला है। इसे करने के लिए, वे एक ऐसी प्रणाली का उपयोग करते हैं जो वास्तविकता के एक संकुचित मानचित्र (कंप्रेस्ड मैप) के रूप में कार्य करती है, जो जटिल संवेदी डेटा को एक सरल, अमूर्त प्रतिनिधित्व (एब्स्ट्रैक्ट रिप्रेजेंटेशन) में बदल देती है। उम्मीद यह है कि यदि मशीन भौतिकी के अंतर्निहित नियमों को समझ लेती है—जैसे गुरुत्वाकर्षण कैसे खींचता है, जोड़ कैसे चलते हैं, या एक कार कैसे मुड़ती है—तो वह अपने कार्यों की योजना अधिक सुरक्षित और कुशलता से बना सकती है। वर्षों से, मानक सलाह यह रही है कि इन नियमों को मशीन के आंतरिक मानचित्र में सीधे डाला जाए, यह मानते हुए कि यह "भौतिकी-सूचित" (फिजिक्स-इन्फॉर्म्ड) मार्गदर्शन मशीन को तेजी से और बेहतर तरीके से सीखने में मदद करेगा।

हालाँकि, एक नए अध्ययन ने खोजा है कि यह सहज दृष्टिकोण वास्तव में हानिकारक है। शोधकर्ताओं ने पाया कि जब आप भौतिक नियमों को मशीन के आंतरिक प्रतिनिधित्व में जबरन डालने की कोशिश करते हैं, तो सिस्टम टूट जाता है, जिससे दुनिया को सटीक रूप से समझने की उसकी क्षमता लुप्त हो जाती है। इसके बजाय, उन्होंने गणितीय रूप से सिद्ध किया और कठोर परीक्षणों के माध्यम से प्रदर्शित किया कि भौतिक नियमों को प्रक्रिया के बिल्कुल अंत में रखा जाना चाहिए, जिसका उपयोग केवल अंतिम आउटपुट की व्याख्या करने के लिए किया जाए, जबकि आंतरिक मानचित्र स्वयं पूरी तरह से स्वतंत्र और लचीला होना चाहिए। यह खोज इस लंबे समय से चले आ रहे रहस्य को सुलझाती है कि पिछले स्मार्ट रोबोट बनाने के प्रयास क्यों विफल रहे, जो इन प्रणालियों को सही ढंग से बनाने के लिए एक स्पष्ट ब्लूप्रिंट प्रदान करता है।

मोहसिन मुस्तफा के नेतृत्व में यह अध्ययन, एक विशिष्ट प्रकार के AI आर्किटेक्चर पर केंद्रित है जिसे वर्तमान स्थिति और क्रियाओं के आधार पर किसी प्रणाली की भविष्य की स्थिति का अनुमान लगाने के लिए डिज़ाइन किया गया है। कल्पना कीजिए कि एक रोबोटिक हाथ सुई में धागा पिरोने की कोशिश कर रहा है। AI दृश्य की एक तस्वीर और रोबोट की वर्तमान स्थिति लेता है, इस जानकारी को एक छिपे हुए कोड (हिडन कोड) में संकुचित करता है, और फिर भविष्यवाणी करने की कोशिश करता है कि एक क्षण बाद रोबमाट कहाँ होगा। लक्ष्य एक "वर्ल्ड मॉडल" बनाना है जो कंप्यूटर के भीतर ही भविष्य का अनुकरण (सिमुलेशन) कर सके, इससे पहले कि रोबोट वास्तव में हिले। शोधकर्ता एक विरोधाभास की जांच कर रहे थे: जब उन्होंने उन नियमों को जोड़ा कि रोबोट के जोड़ कैसे हिलने चाहिए या कैमरा दुनिया को कैसे देखना चाहिए, सीधे उस हिस्से में जो AI का छिपा हुआ कोड बनाता है, तो सिस्टम का प्रदर्शन खराब हो गया। जब उन्होंने उन नियमों को हटा दिया, तो सिस्टम बेहतर काम करने लगा। यह विसंगतिपूर्ण लग रहा था, क्योंकि स्वाभाविक रूप से यह अपेक्षा की जाती है कि भौतिकी के नियमों के बारे में अधिक जानकारी देने से AI को मदद मिलेगी।

इस पहेली को हल करने के लिए, टीम ने गणितीय प्रमाणों की एक श्रृंखला विकसित की जिससे पता चला कि आंतरिक कोड, या "एम्बेडिंग", तब सबसे अच्छा काम करता है जब वह यथासंभव यादृच्छिक (रैंडम) और फैला हुआ हो, जिसे अधिकतम एंट्रॉपी (मैक्सिमम एंट्रॉपी) की स्थिति कहा जाता है। उन्होंने सिद्ध किया कि यदि आप इस कोड को भौतिक नियमों के साथ बाधित करते हैं, तो आप इसे एक संकीर्ण आकार में धकेल देते हैं जो दुनिया की पूरी विविधता का प्रतिनिधित्व नहीं कर सकता। यह एक जटिल, त्रि-आयामी वस्तु को एक सपाट, कठोर बक्से में फिट करने की कोशिश करने जैसा है; वस्तु कुचल जाती है, और आप विवरण खो देते हैं। गणित ने दिखाया कि भविष्यवाणी करने वाला हिस्सा, जो भविष्य का अनुमान लगाता है, आंतरिक कोड को नुकसान पहुँचाए बिना किसी भी प्रकार की भौतिकी को संभाल सकता है, लेकिन कोड को स्वयं अनियंत्रित रहना चाहिए। भौतिक नियम लागू करने के लिए एकमात्र सुरक्षित स्थान बिल्कुल अंत में, "डिकोडर" में है, जो छिपे हुए कोड को वापस रोबोट द्वारा देखे जाने वाले या किए जाने वाले कार्यों के पूर्वानुमान में अनुवादित करता है।

शोधकर्ताओं ने इस सिद्धांत का परीक्षण दो बहुत अलग वास्तविक दुनिया के परिदृश्यों में किया: स्वायत्त ड्राइविंग और रोबोटिक मैनिपुलेशन। उन्होंने nuScenes डेटासेट का उपयोग किया, जिसमें हजारों घंटों के ड्राइविंग फुटेज शामिल हैं, और Mimic-Gen डेटासेट, जिसमें एक द्विपक्षीय (बाइमैनुअल) रोबोट को सुई में धागा पिरोते हुए दिखाया गया है। दोनों मामलों में, उन्होंने सैकड़ों प्रयोग चलाए, AI को विभिन्न कॉन्फ़िगरेशन के साथ प्रशिक्षित किया। उन्होंने उन प्रणालियों की तुलना की जहाँ भौतिकी के नियमों को आंतरिक कोड पर लागू किया गया था, उन प्रणालियों से जहाँ नियम केवल अंतिम आउटपुट पर लागू किए गए थे। परिणाम सुसंगत और सांख्यिकीय रूप से महत्वपूर्ण थे। प्रत्येक परीक्षण में, उस सिस्टम ने जिसने आंतरिक कोड को मुक्त रखा और भौतिकी को केवल अंत में लागू किया, दुनिया का बहुत बेहतर और अधिक विश्वसनीय प्रतिनिधित्व प्रस्तुत किया। जिन प्रणालियों ने कोड में भौतिकी को जबरन डालने की कोशिश की, वे "कोलैप्स" (पतन) का शिकार हुईं, जहाँ आंतरिक मानचित्र बहुत सरल हो गया और विभिन्न स्थितियों के बीच अंतर करने की क्षमता खो दी।

सबसे आश्चर्यजनक निष्कर्षों में से एक रोबोटिक थ्रेडिंग कार्य से आया। शोधकर्ताओं ने एक छिपे हुए विफलता मोड (फेलियर मोड) की खोज की जो पिछले अध्ययनों में अनसुना रह गया था। उन्होंने पाया कि भले ही AI सतह पर सही ढंग से काम करता हुआ दिखाई दे रहा था, लेकिन वह एक ऐसे तरीके से "कोलैप्स" हो सकता था जो मानक जाँचों में अदृश्य था। AI एक ऐसा शॉर्टकट ढूंढ रहा था जहाँ वह नियंत्रण के लिए आवश्यक जटिल संबंधों को वास्तव में सीखे बिना खेल के बुनियादी नियमों को पूरा कर रहा था। ऐसा इसलिए हुआ क्योंकि कार्य इतना सरल था कि AI सिस्टम को दरकिनार कर सका। इसे पकड़ने के लिए, टीम ने एक नया नैदानिक उपकरण (डायग्नोस्टिक टूल) विकसित किया जो AI के आंतरिक संकेतों में गहराई तक देखता है, जिससे पता चला कि "स्मार्ट" सिस्टम वास्तव में खोखला था। यह खोज चेतावनी देती है कि केवल यह जांचना कि क्या कोई AI अगले फ्रेम की भविष्यवाणी कर सकता है, पर्याप्त नहीं है; आपको यह भी सुनिश्चित करना होगा कि आंतरिक प्रतिनिधित्व समृद्ध और विविध है।

अध्ययन ने इस महत्वपूर्ण प्रश्न को भी संबोधित किया कि क्या ये बेहतर प्रतिनिधित्व वास्तव में बेहतर नियंत्रण की ओर ले जाते हैं। शोधकर्ताओं ने एक प्लानिंग सिस्टम बनाया जिसने लक्ष्य तक पहुँचने के लिए सर्वोत्तम चालों के क्रम का पता लगाने के लिए प्रशिक्षित AI का उपयोग किया। उन्हें उम्मीद थी कि सही भौतिकी प्लेसमेंट वाला AI अन्य मॉडलों की तुलना में बेहतर योजना बनाएगा। हालाँकि, उन्हें एक सूक्ष्म जाल मिला। प्लानिंग सिस्टम ऐसे एक्शन सीक्वेंस खोजने में सक्षम था जो AI के आंतरिक 'कॉस्ट फंक्शन' पर तो पूर्ण अंक प्राप्त करते थे, लेकिन वास्तव में सही पथ से बहुत दूर थे। यह ऐसा था जैसे AI ने समस्या को हल करने के बजाय स्कोरिंग सिस्टम को चकमा देने के लिए सीखा हो। यह सभी संस्करणों में हुआ, चाहे वे कैसे भी बने हों। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि उनका नया डिज़ाइन सिद्धांत एक बहुत बेहतर आंतरिक मानचित्र बनाता है, लेकिन यह सिद्ध करने के लिए कि यह मानचित्र बेहतर वास्तविक दुनिया के नियंत्रण की ओर ले जाता है, रोबोट का लाइव वातावरण में परीक्षण करना आवश्यक है, न कि केवल कंप्यूटर सिमुलेशन में।

यह कार्य एक ऐसे समस्या का निर्णायक उत्तर प्रदान करता है जिसने रोबोटिक्स और स्वायत्त ड्राइविंग के क्षेत्र को परेशान किया है। यह दिखाता है कि डोमेन ज्ञान को AI में इंजेक्ट करने का सहज ज्ञान सही है, लेकिन लक्ष्य गलत था। भौतिकी डिकोडर में होनी चाहिए, जहाँ यह दुनिया की व्याख्या करने में मदद करती है, लेकिन कभी भी एनकोडर में नहीं, जहाँ यह सिस्टम की सीखने की क्षमता को नष्ट कर देती है। इस नियम का पालन करके, इंजीनियर ऐसे वर्ल्ड मॉडल बना सकते हैं जो सैद्धांतिक रूप से सुदृढ़ और अनुभवजन्य रूप से मजबूत हों। यह अध्ययन क्षेत्र के लिए एक चेतावनी के रूप में भी कार्य करता है, जो इस बात पर प्रकाश डालता है कि ऑफलाइन परीक्षण भ्रामक हो सकते हैं और वास्तविक सत्यापन के लिए यह देखना आवश्यक है कि सिस्टम वास्तविक दुनिया के साथ कैसे इंटरैक्ट करता है। इन प्रयोगों के कोड और डेटा को सार्वजनिक कर दिया गया है, जिससे अन्य शोधकर्ता इन निष्कर्षों को सत्यापित कर सकते हैं और बुद्धिमान मशीनों के निर्माण के लिए इस नए आधार पर आगे बढ़ सकते हैं।