कब सोचना है, और कब कार्य करना है?
बड़े भाषा मॉडल से लैस रोबोट किसी कार्य के बारे में तर्क करना और योजनाएँ बनाना जानते हैं। लेकिन ऐसी «बुद्धि» की एक छिपी हुई कीमत होती है: मॉडल की हर कॉल में समय लगता है और कंप्यूटिंग संसाधन खर्च होते हैं। जब तक रोबोट सोचता है, वास्तविक दुनिया रुकती नहीं है — वस्तुएँ गतिमान रहती हैं, कार्य पूरा होने में समय बढ़ता जाता है, और लोगों का धैर्य टूटता जाता है। दूसरी ओर, बिना सोचे-समझे कार्य करने पर आसानी से गलतियाँ हो सकती हैं।
इसलिए आधुनिक मूर्त रोबोटिक्स (embodied robotics) का मुख्य प्रश्न यह है: गहन योजना और त्वरित प्रतिक्रिया के बीच संतुलन कैसे खोजा जाए? arXiv पर प्रस्तुत एक नए शोध कार्य का विषय यही समस्या है। इसके लेखकों ने केवल एक और नियंत्रण मॉडल को बेहतर नहीं बनाया, बल्कि समस्या को एक अप्रत्याशित कोण से देखा: रोबोट को बेहतर चलना सिखाने के बजाय, उन्होंने उसे यह सिखाने का निर्णय लिया कि उसे सोचना कब चाहिए।
अनावश्यक «सोच» की कीमत
आमतौर पर, रोबोटिक्स प्रणाली में बड़ा भाषा मॉडल उच्च-स्तरीय निर्णयों के लिए ज़िम्मेदार होता है: आदेशों की व्याख्या, क्रियाओं का क्रम बनाना, अगले चरण का चयन। यह तर्कसंगत है, क्योंकि ऐसे मॉडल वस्तुओं की दुनिया के बारे में जटिल तर्क करने में अच्छे होते हैं। हालाँकि, मॉडल को कॉल करना कोई तात्कालिक क्रिया नहीं है। अनुरोध को संसाधित करना होता है, कभी-कभी तर्क के कई चरणों से गुजरना पड़ता है, और इस पूरे समय रोबोट शारीरिक रूप से कुछ नहीं करता।
यहाँ एक विरोधाभास पैदा होता है: एजेंट जितना «बुद्धिमान» होता जाता है, वास्तविक वातावरण में उतना ही धीमा काम करता है। और समस्या स्वयं मॉडल में नहीं है, बल्कि इस बात में है कि उसका उपयोग कितनी बार और कितना किया जाता है।
- यदि रोबोट बहुत अधिक सोचता है, तो वह क्रियाओं को करने में देरी करता है और आस-पास के बदलावों पर प्रतिक्रिया देने से चूक जाता है।
- यदि तर्क बहुत कम होता है, तो निर्णय आँख मूँद कर लिए जाते हैं — रोबोट यांत्रिक ढंग से कार्य करता है और ऐसी गलतियाँ करता है जिन्हें टाला जा सकता था।
अर्थात, अत्यधिक सोच-विचार और उसकी कमी दोनों ही समान रूप से हानिकारक हैं। एक अनुकूली तंत्र की आवश्यकता है जो संदर्भ को समझे और «सोच की गहराई» को वर्तमान स्थिति के अनुसार समायोजित करे। लेकिन ऐसा तंत्र कैसे बनाया जाए?
ऑर्केस्ट्रेशन नीति का प्रशिक्षण
कार्य के लेखकों ने अपरंपरागत मार्ग अपनाया और RARRL (Resource-Aware Reasoning via Reinforcement Learning) फ्रेमवर्क प्रस्तावित किया। रोबोट को नए सिरे से जोड़-तोड़ करना सिखाने के बजाय, उन्होंने मॉडल के उपयोग के निर्णय को एक अलग स्तर पर स्थानांतरित कर दिया। पदानुक्रम इस प्रकार दिखता है: नीचे गति और वस्तुओं के साथ अंतःक्रिया के परिचित कौशल रहते हैं, और ऊपर एक «ऑर्केस्ट्रेटर» जुड़ता है जो सोचने की प्रक्रिया को नियंत्रित करता है।
यह उच्च-स्तरीय सुदृढीकरण सीखने की नीति को हर समय तीन प्रश्नों का उत्तर देना होता है:
- क्या तर्क को बिल्कुल बुलाना चाहिए?
- किस प्रकार के तर्क का उपयोग करना चाहिए?
- उनके लिए कितना कंप्यूटिंग बजट आवंटित करना चाहिए?
साथ ही, नीति खाली स्थान में कार्य नहीं करती। यह पर्यावरण के वर्तमान अवलोकन, पिछली क्रियाओं के इतिहास और शेष संसाधनों — जैसे समय या ऊर्जा — को ध्यान में रखती है। यदि कार्य लगभग पूरा हो चुका है और बजट समाप्त हो रहा है, तो ऑर्केस्ट्रेटर लंबे विश्लेषण को छोड़ सकता है और रोबोट को सरल निष्पादन क्रियाओं के मोड में स्थानांतरित कर सकता है। और यदि एजेंट के सामने कोई जटिल बाधा आती है, तो वह सावधानीपूर्वक योजना के लिए अधिक गणनाएँ आवंटित करेगा।
यह दृष्टिकोण मॉडल कॉल के निश्चित शेड्यूल से मौलिक रूप से भिन्न है, जहाँ तर्क नियमित अंतराल पर चालू होता है, या सरल अनुमानों (heuristics) से, जो अप्रत्यक्ष संकेतों से सही क्षण का अनुमान लगाने की कोशिश करते हैं। यहाँ «सोचना या कार्य करना» की रणनीति स्वयं सीखने का परिणाम बन जाती है, और इसका अर्थ है कि यह कार्य की वास्तविक सफलता के लिए अनुकूलित होती है।
प्रयोग: ALFRED कार्यों पर परीक्षण
यह समझने के लिए कि यह दृष्टिकोण कितना प्रभावी है, शोधकर्ताओं ने प्रसिद्ध ALFRED बेंचमार्क के अनुभवजन्य विलंब प्रोफाइल का उपयोग करके प्रयोगों की एक श्रृंखला आयोजित की। इन परीक्षणों में, RARRL प्रणाली की तुलना तर्क को बुलाने की निश्चित और अनुमान-आधारित रणनीतियों से की गई।
परिणाम उल्लेखनीय रहे। अनुकूली नीति ने कार्यों के सफल समापन की दर को काफी बढ़ाने में मदद की। साथ ही, समग्र निष्पादन विलंब भी कम हुआ: रोबोट सरल परिस्थितियों में अनावश्यक सोच पर समय बर्बाद करना बंद कर दिया। इसके अलावा, प्रणाली अधिक मजबूत (robust) हो गई — वह गलत तर्क के कारण कम बार गतिरोध में फँसी और जल्दबाजी में किए गए कार्यों से कार्य को कम बार विफल किया।
दिलचस्प बात यह है कि यह लाभ अधिक «बुद्धिमान» भाषा मॉडल के कारण नहीं, बल्कि उसके अधिक बुद्धिमान प्रबंधन के कारण प्राप्त हुआ। यह एक सरल लेकिन महत्वपूर्ण विचार की पुष्टि करता है: हाइब्रिड प्रणालियों में, परिणाम की गुणवत्ता न केवल व्यक्तिगत घटकों की क्षमता पर निर्भर करती है, बल्कि इस बात पर भी निर्भर करती है कि ये घटक किस प्रकार परस्पर क्रिया करते हैं।
आगे क्या: प्रयोगशाला से वास्तविक रोबोट तक
प्राप्त परिणाम रोबोटिक्स के विकास के सामान्य रुझान में अच्छी तरह फिट बैठते हैं। शोधकर्ता तेजी से संज्ञानात्मक आर्किटेक्चर (cognitive architectures) की बात कर रहे हैं, जहाँ मॉडल केवल एक तत्व है, ब्रह्मांड का केंद्र नहीं। समय पर रुककर सोचने या, इसके विपरीत, तेजी से कार्य करने की क्षमता — प्रक्षेप पथ की सटीक योजना बनाने जितना ही महत्वपूर्ण कौशल है।
हालाँकि, खुले प्रश्न भी बने हुए हैं। उच्च-स्तरीय नीति के प्रशिक्षण के लिए अवस्थाओं और क्रियाओं के स्थान (state and action space) के सावधानीपूर्वक डिज़ाइन की आवश्यकता होती है। वास्तविक समय में खर्च किए गए संसाधनों का सही आकलन करना भी आसान नहीं है। अभी प्रयोग अनुभवजन्य विलंब प्रोफाइल के साथ सिम्युलेटेड परिदृश्यों में किए गए थे, लेकिन अगला तार्किक कदम भौतिक रोबोटों पर परीक्षण होगा।
वास्तविक वातावरण में विलंब और भी अप्रत्याशित होते हैं, इसलिए «सोच की गहराई» को गतिशील रूप से बदलने की क्षमता सबसे आगे आ जाएगी। संभवतः, कुछ वर्षों में इस तरह के तर्क-ऑर्केस्ट्रेटर रोबोट आर्किटेक्चर में एक मानक परत बन जाएँगे — गोदामों में काम करने वाले मैनिपुलेटर से लेकर घरेलू सहायकों तक।
समस्या के निरूपण में यह बदलाव — «रोबोट को कार्य करना कैसे सिखाएँ» से «रोबोट को कब सोचना चाहिए» — अपने आप में बहुत आशाजनक लगता है। यह रोबोटों को न केवल अधिक बुद्धिमान बनाने का वादा करता है, बल्कि वास्तविक दुनिया में कहीं अधिक व्यावहारिक भी बनाता है।
