Can Environment-Agnostic Agents Solve ARC-AGI-3 from Warped and Noisy Images?
यह शोध पत्र प्रदर्शित करता है कि जहाँ पर्यावरण-अज्ञेय (environment-agnostic) एजेंट अत्यधिक विकृत और शोर वाले चित्रों से ARC-AGI-3 कार्यों को हल करने में संघर्ष करते हैं, वहीं GPT-6-astra मॉडल इन चरम स्थितियों में लगभग उच्चतम प्रदर्शन (near-ceiling performance) प्राप्त करता है, जो अनिश्चितता के तहत छवि प्रसंस्करण को निर्णय लेने के साथ प्रभावी ढंग से संयोजित करके GPT-5.6-sol से काफी बेहतर प्रदर्शन 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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसे कंप्यूटर प्रोग्राम की कल्पना करें जिसे खेल खेलना सीखने के लिए नियमों को पढ़ने या संख्याओं के एक साफ ग्रिड को देखने की आवश्यकता नहीं है, बल्कि उसे गेम बोर्ड की एक तस्वीर देखनी है। यह एक 'एनवायरनमेंट-एग्नोस्टिक एजेंट' (वातावरण-निरपेक्ष एजेंट) बनाने की चुनौती है: एक एकल सॉफ्टवेयर मन जो विभिन्न डिजिटल दुनियाओं में प्रवेश कर सके, केवल देखकर समझ सके कि वे कैसे काम करती हैं, और बिना हर नए खेल के लिए पुन: प्रोग्राम किए हुए, जीतने के लिए कदम उठा सके। कठिनाई तब कई गुना बढ़ जाती है जब वह चित्र जो वह देखता है, स्पष्ट नहीं होता। क्या होगा यदि छवि धुंधली और शोर (static) से भरी हो, या यदि बोर्ड स्वयं मुड़ा हुआ, खिंचा हुआ या टेढ़ा-मेढ़ा हो जैसे कि उसे किसी फनहाउस मिरर (जादुई दर्पण) के माध्यम से देखा जा रहा हो? वास्तविक दुनिया में, हमारी आँखें और मस्तिष्क इन विकृतियों को ठीक करने में असाधारण रूप से कुशल होते हैं, लेकिन एक मशीन के लिए, एक विकृत लक्ष्य को देखना और फिर मूल, सपाट बोर्ड पर सटीक रूप से क्लिक करने का स्थान निर्धारित करना, बुद्धिमत्ता की एक गहन परीक्षा है। यह प्रश्न एक नए अध्ययन के केंद्र में है जो यह खोज रहा है कि क्या कृत्रिम बुद्धिमत्ता (AI) दृश्य अराजकता के धुंधलके के माध्यम से स्पष्ट रूप से देखना सीख सकती है।
सिंगुलैरिटीनेट (SingularityNET) के शोधकर्ताओं ने एक विशिष्ट प्रकार के कृत्रिम एजेंट को ARC-AGI-3 नामक तर्क पहेलियों की एक श्रृंखला खिलाकर इसका परीक्षण करने का निर्णय लिया। ये पहेलियाँ तर्क शक्ति का परीक्षण करने के लिए बनाई गई हैं, जिनमें समाधान करने वाले को छिपे हुए नियमों और पैटर्नों की खोज करनी होती है। इस प्रयोग में, एजेंट को बोर्ड का कभी भी संख्याओं की साफ सूची या पाठ्य विवरण नहीं दिया गया। इसके बजाय, इसे केवल छवियां प्राप्त हुईं। कार्य को अत्यंत कठिन बनाने के लिए, शोधकर्ताओं ने जानबूझकर इन छवियों को दूषित किया। उन्होंने इसमें यादृच्छिक शोर (static) जोड़ा, जैसा कि पुराने टेलीविजन स्क्रीन पर दिखने वाले दाने होते हैं, और उन्होंने ज्यामितीय विकृतियाँ (geometric warps) लागू कीं जिन्होंने बोर्ड की सीधी रेखाओं को वक्रों में मोड़ दिया या परिप्रेक्ष्य (perspective) को पूरी तरह से बदल दिया। महत्वपूर्ण बात यह है कि प्रत्येक फ्रेम के साथ विरूपण बदल जाता था, जिसका अर्थ था कि भले ही गेम की स्थिति न बदली हो, बोर्ड एक क्षण से दूसरे क्षण में अलग दिख सकता था। एजेंट को एक मुड़ी हुई, शोर वाली छवि को देखना था, यह समझना था कि क्या हो रहा है, और फिर मूल, बिना विकृत बोर्ड पर एक सटीक निर्देशांक (coordinate) सबमिट करना था ताकि चाल चली जा सके। यह एक ऐसी दीवार पर लक्ष्य साधने जैसा था जिसे आप एक डगमगाती, गंदी खिड़की के माध्यम से देख रहे हों जो बार-बार अपना आकार बदल रही हो।
अध्ययन ने दो अलग-अलग कृत्रिम बुद्धिमत्ता संस्करणों की तुलना की, एक पुराना और एक नया, यह देखने के लिए कि वे इस दृश्य अराजकता को कैसे संभालते हैं। पुराना संस्करण, विकृत छवियों का सामना करते समय, काफी संघर्ष करता था। इसका प्रदर्शन काफी गिर गया, विशेष रूप से जब छवियां जटिल तरीकों से मुड़ी हुई थीं। शोधकर्ताओं ने पाया कि छवि का मुड़ना केवल शोर (static noise) की तुलना में मशीन के लिए कहीं अधिक भ्रमित करने वाला था। पुराने एजेंट की मदद करने के लिए, वैज्ञानिकों ने एक सरल उपकरण पेश किया: एक "कर्सर फीडबैक" विशेषता। इसने एजेंट को बोर्ड पर एक स्थान प्रस्तावित करने और यह देखने की अनुमति दी कि वह बिंदु विकृत छवि पर कहाँ दिखाई देगा, जो अनिवार्य रूप से उसे अपनी चाल चलने से पहले अपने अनुमान की जांच करने की अनुमति देता था। इसने पुराने एजेंट को उसकी खोई हुई क्षमता को कुछ हद तक वापस पाने में मदद की, विशेष रूप से उन खेलों में जिनमें क्लिक करने की आवश्यकता थी, लेकिन यह सबसे गंभीर विकृतियों पर विजय प्राप्त नहीं कर सका। इस सहायता के बावजूद, पुराना एजेंट अधिकांश कठिन पहेलियों को हल करने में विफल रहा जब छवियां अत्यधिक शोर युक्त और अत्यधिक विकृत थीं।
हालाँकि, नए कृत्रिम बुद्धिमत्ता ने आश्चर्यजनक लचीलापन दिखाया। उन्हीं गंभीर विकृतियों का सामना करते हुए जिन्होंने पुराने मॉडल को लगभग पंगु बना दिया था, इस एजेंट ने लगभग हर पहेली को हल किया, और कर्सर फीडबैक टूल के बिना भी नब्बे प्रतिशत से अधिक की सफलता दर हासिल की। इसने मुड़ी हुई, शोर वाली छवियों के बीच रास्ता बनाने और मूल बोर्ड पर सही निर्देशांकों की पहचान करने में सफलतापूर्वक काम किया। शोधकर्ताओं ने इस एजेंट को फॉलो-अप परीक्षणों में और आगे बढ़ाया, शोर को उस स्तर तक बढ़ा दिया जहाँ व्यक्तिगत पिक्सेल लगभग अविभाज्य थे और बोर्ड में यादृच्छिक रोटेशन (घुमाव) जोड़ दिए। इन चरम स्थितियों के तहत भी, एजेंट विफल नहीं हुआ। हालाँकि इसकी समग्र सफलता दर में गिरावट आई, फिर भी यह खेलों का एक महत्वपूर्ण हिस्सा हल करने में सफल रहा। एक विशिष्ट खेल में, इसने लगभग पूर्ण स्कोर प्राप्त किया, बावजूद इसके कि छवियां इतनी शोर युक्त और विकृत थीं कि वे एक मानव पर्यवेक्षक के लिए लगभग अपरिचित लग रही थीं।
इस एजेंट की सफलता की गहराई में जाने के लिए, शोधकर्ताओं ने उन फाइलों का विश्लेषण किया जो इसने अपने खेल के दौरान बनाई थीं। उन्होंने पाया कि एजेंट ने छवियों को संसाधित करने के लिए अपने स्वयं के कंप्यूटर स्क्रिप्ट लिखे थे। इसने शोर को साफ करने और विकृत रेखाओं को सीधा करने के लिए इन उपकरणों का उपयोग किया, जिससे प्रभावी रूप से अराजक इनपुट से बोर्ड का एक स्पष्ट दृश्य पुनर्गठित किया गया, और उसके बाद ही निर्णय लिए गए। यह सुझाव देता है कि एजेंट ने केवल भ्रम के बीच "अनुमान" नहीं लगाया; बल्कि इसने अराजकता से निपटने के लिए विकसित किए गए उपकरणों का उपयोग करके वास्तविकता की एक स्पष्ट तस्वीर सक्रिय रूप से निर्मित की। अध्ययन निष्कर्ष निकालता है कि जबकि गंभीर दृश्य विरूपण सरल मॉडलों को तोड़ सकते हैं, अधिक उन्नत एजेंट गेम के आंतरिक मॉडल बनाकर और अपने दृश्य को सुधारने के लिए इमेज-प्रोसेसिंग टूल्स का उपयोग करके इसकी भरपाई करना सीख सकते हैं। निष्कर्ष बताते हैं कि मजबूत कृत्रिम बुद्धिमत्ता का मार्ग केवल दुनिया को वैसे देखने में नहीं है जैसी वह प्रस्तुत की गई है, बल्कि विरूपण के पीछे की दुनिया को समझने के लिए सक्रिय रूप से कार्य करने की क्षमता में निहित 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।