शहरी सिमुलेशन को मानव व्यवहार की आवश्यकता क्यों है — परिचय
कल्पना कीजिए कि आप किसी शहर के भविष्य को "रिवाइंड" कर सकते हैं: यदि केंद्रीय सड़क बंद कर दी जाए तो यातायात कैसे बदलेगा, या किसी क्षेत्र से निकासी के दौरान लोग कैसा व्यवहार करेंगे। शहरी सिमुलेशन ठीक इसी के लिए हैं — वे परिवहन नीति में निर्णय लेने, जोखिमों का आकलन करने और सामाजिक प्रक्रियाओं का अध्ययन करने में मदद करते हैं, बिना वास्तविक जीवन को प्रभावित किए। लेकिन लंबे समय तक ऐसे मॉडल या तो मानव व्यवहार की पूरी जटिलता को समझने के लिए बहुत सरल थे, या कठोर परिदृश्यों पर आधारित थे जो जल्दी पुराने हो जाते थे।
बड़े भाषा मॉडल (LLM) के विकास के साथ, ऐसे एजेंट बनाना संभव हो गया है जो अपने दिन की योजना बनाते हैं: काम पर जाते हैं, दुकानों पर, मीटिंगों में — और यह पूरे शहर के पैमाने पर करते हैं। ऐसे सिमुलेशन विश्वसनीय दिखते हैं, लेकिन उनमें एक छिपा हुआ दोष है। मानक दृष्टिकोण few-shot prompting पर निर्भर करता है: मॉडल को कुछ उदाहरण दिखाए जाते हैं और समान व्यवहार करने के लिए कहा जाता है। परिणामस्वरूप, एजेंट निवासियों की वास्तविक आदतों को नहीं, बल्कि व्यवहार के बारे में एक "औसत" धारणा को पुन: पेश करते हैं, जो भाषा मॉडल में ही अंतर्निहित होती है। यह ऐसा ही है जैसे किसी ऐसे व्यक्ति से पूछना जो कभी आपके शहर में नहीं गया, कि स्थानीय लोग कैसे रहते हैं — वह सामान्य शब्दों में जवाब देगा, अधिक से अधिक समाजशास्त्र की पाठ्यपुस्तक से।
CityReal कैसे काम करता है
"टेम्पलेट-आधारित" और "वास्तविक" व्यवहार के बीच इस अंतर को पाटने के लिए, शोधकर्ताओं के एक समूह — Nicolas Bougie, Xiaotong Ye और Narimasa Watanabe — ने CityReal फ्रेमवर्क प्रस्तावित किया। इसका मुख्य विचार यह है कि सिम्युलेटेड एजेंट टेम्पलेट के अनुसार कार्य नहीं करते, बल्कि इरादों द्वारा निर्देशित होकर वास्तविक लोगों की तरह निर्णय लेते हैं।
चरण-दर-चरण क्रियाओं के बजाय जो बस एक-दूसरे पर "टंगी" होती हैं, CityReal एजेंट अपनी गतिविधि और आवाजाही की एक सुसंगत योजना बनाता है। वह "कैफे जाना" जैसी अलग क्रिया निर्वात में नहीं करता: यह यात्रा उसके दिन, सप्ताह और यहां तक कि मासिक लक्ष्यों के व्यापक कार्यक्रम में एकीकृत होती है। यह दृष्टिकोण वास्तविक मानव व्यवहार के बहुत करीब है, जो अपने कामों की योजना बनाता है और समय, मार्गों और प्राथमिकताओं के बीच समझौते खोजता है।
मॉड्यूलर आर्किटेक्चर और इरादे
CityReal में प्रत्येक एजेंट कई मॉड्यूलों से बना होता है, जो व्यवहार के विभिन्न पहलुओं के लिए जिम्मेदार होते हैं: मार्गों की लॉजिस्टिक्स, गतिविधियों का चयन, समय प्रबंधन और अन्य एजेंटों के साथ बातचीत। ये सभी मॉड्यूल इरादों के केंद्रीय ब्लॉक के अधीन होते हैं, जो निर्णयों का समन्वय करता है। इसके लिए धन्यवाद, एजेंट अलग-अलग कार्यों के संग्रह के रूप में नहीं, बल्कि अपनी आदतों और प्राथमिकताओं वाले एक समग्र व्यक्तित्व के रूप में कार्य करता है।
समय के साथ, एजेंट सीखते हैं। वे बाधाओं के अनुकूल होते हैं — जैसे दुकानों के खुलने का समय या सार्वजनिक परिवहन की समय-सारणी — और धीरे-धीरे स्थिर मार्ग और दिनचर्या बनाते हैं। यह उनके व्यवहार को केवल विश्वसनीय नहीं, बल्कि वास्तव में उभरता हुआ (emergent) बनाता है: सरल नियमों और सीखने से जटिल पैटर्न उत्पन्न होते हैं जो डेवलपर्स द्वारा सीधे निर्धारित नहीं किए गए थे।
टेक्स्टुअल एडेप्टर और जनसंख्या सांख्यिकी
लेकिन सबसे दिलचस्प वह तंत्र है जो एजेंटों के व्यवहार को वास्तविक जनसंख्या सांख्यिकी से जोड़ता है। इसके लिए CityReal में टेक्स्टुअल एडेप्टर का उपयोग किया जाता है। ये विशेष प्रशिक्षण योग्य घटक हैं जो व्यवहारिक मॉड्यूल को देखे गए डेटा के अनुसार "ट्यून" करते हैं। उदाहरण के लिए, यदि आंकड़ों के अनुसार शहर के निवासी आमतौर पर काम तक पहुंचने में लगभग 40 मिनट बिताते हैं, तो एडेप्टर मार्गों और निकलने के समय के चयन को समायोजित करेंगे ताकि यह वास्तविक वितरण से मेल खाए।
इस प्रकार, एजेंट केवल "औसत व्यक्ति" के व्यवहार की नकल नहीं करते, बल्कि एक विशिष्ट जनसंख्या की सांख्यिकीय नियमितताओं को पुन: पेश करते हैं: कोई साइकिल चलाता है, कोई सार्वजनिक परिवहन पसंद करता है, किसी का कार्य शेड्यूल गैर-मानक होता है। एडेप्टर के कारण ही सिमुलेशन पूरे शहर के स्तर पर डेटा के साथ संगत हो जाता है, न कि केवल व्यक्तिगत व्यक्तियों के स्तर पर।
प्रयोग और परिणाम
शोधकर्ताओं ने CityReal के साथ प्रयोग किए, सिमुलेशन को दसियों हज़ार एजेंटों तक स्केल किया। यह न केवल व्यक्तिगत प्रक्षेप पथों का विश्लेषण करने के लिए पर्याप्त है, बल्कि शहरी घटनाओं का भी: भीड़ का घनत्व, स्थानों की लोकप्रियता, मोबाइल प्रवाह और यहां तक कि विभिन्न परिदृश्यों में एजेंटों की भलाई का स्तर। उदाहरण के लिए, सुबह के पीक आवर या सामूहिक कार्यक्रम का मॉडल बनाया जा सकता है और देखा जा सकता है कि बुनियादी ढांचे पर भार कैसे बदलता है।
परिणामों से पता चला कि CityReal शास्त्रीय LLM-एजेंटों की तुलना में वास्तविक मानव व्यवहार के साथ संगतता में काफी सुधार करता है। सूक्ष्म स्तर पर — यह व्यक्तिगत निर्णयों की सटीकता है: कहाँ जाना है, किस मार्ग से, किस समय। स्थूल स्तर पर — सामान्य पैटर्न का मिलान: किस समय शहर का केंद्र भरता है, मुख्य प्रवाह किस दिशा में जाते हैं, कौन से क्षेत्र "बाधा बिंदु" बनते हैं।
इसके अलावा, सुधार न केवल दृश्य रूप से, बल्कि लेखकों द्वारा उपयोग की गई मात्रात्मक मेट्रिक्स में भी ध्यान देने योग्य है। इसका मतलब है कि सिमुलेशन का उपयोग पूर्वानुमान के लिए किया जा सकता है — उदाहरण के लिए, परिवहन योजना में बदलाव के परिणामों का आकलन करने या कार्यक्रमों की योजना बनाने के लिए। मॉडल वास्तविक व्यवहार को जितना अधिक सटीक रूप से दर्शाता है, उस पर आधारित निष्कर्ष उतने ही विश्वसनीय होते हैं।
व्यवहार में इसका क्या लाभ है
फ्रेमवर्क के निर्माता इस बात पर जोर देते हैं कि CityReal केवल एक और सिमुलेशन नहीं है, बल्कि शहरी नियोजन और पूर्वानुमान के लिए एक स्केलेबल परीक्षण मंच है। यह शहरी योजनाकारों, परिवहन योजनाकारों, सड़क सुरक्षा विशेषज्ञों और सामाजिक विज्ञान के शोधकर्ताओं के लिए उपयोगी हो सकता है।
कल्पना कीजिए: आप समझना चाहते हैं कि एक नए पुल का निर्माण निवासियों के यात्रा समय को कैसे प्रभावित करेगा। मोटे अनुमानों पर भरोसा करने के बजाय, आप दसियों हज़ार एजेंटों के साथ एक सिमुलेशन चलाते हैं जो वास्तविक लोगों की तरह व्यवहार करते हैं — उनकी आदतों, प्राथमिकताओं और परिवर्तनों के प्रति प्रतिक्रिया के साथ। या आपको आपात स्थिति में निकासी की योजना बनाने की आवश्यकता है: CityReal लोगों के प्रवाह, बाधा बिंदुओं और आबादी को सुरक्षित रूप से निकालने के लिए आवश्यक समय का मॉडल बनाने की अनुमति देता है।
महत्वपूर्ण बात यह है कि CityReal के साथ काम करने के लिए प्रत्येक एजेंट के लिए नियम मैन्युअल रूप से लिखने की आवश्यकता नहीं है। आर्किटेक्चर सेट करना और वास्तविक जनसंख्या के आंकड़े लोड करना पर्याप्त है — आगे एजेंट स्वयं उचित व्यवहार करना सीखते हैं। यह मॉडल को नए शहर या परिदृश्य में ढालने की प्रक्रिया को काफी सरल बनाता है।
यह जोड़ना उचित होगा कि यह कार्य 8 जुलाई 2026 को arXiv पर प्रस्तुत किया गया था और यह एक साथ कई श्रेणियों से संबंधित है: physics.soc-ph, cs.AI और cs.MA। यह संयोजन शोध की अंतःविषय प्रकृति को रेखांकित करता है — सामाजिक प्रणालियों के भौतिकी, कृत्रिम बुद्धिमत्ता और मल्टी-एजेंट मॉडलिंग के प्रतिच्छेदन पर।
CityReal उन सिमुलेशनों की ओर एक कदम है जो वास्तव में शहर के जीवन को दर्शाते हैं, न कि इसके बारे में रूढ़िबद्ध धारणाओं को। शायद जल्द ही ऐसे मॉडल उन लोगों के लिए एक मानक उपकरण बन जाएंगे जो हमारे शहरों के भविष्य के बारे में निर्णय लेते हैं।
