2026 की पहली छमाही में, चीन में AI क्षेत्र के वर्ल्ड मॉडल सेगमेंट में फंडिंग की कुल राशि लगभग 900 बिलियन युआन थी, जिसमें 5 गुना से अधिक की वृद्धि हुई।लेखक, स्रोत: लेफेंगवेन
2026 की पहली छमाही में, चीन के AI वृत्त में पैसा और लोग एक ही दिशा में बह रहे हैं: वर्ल्ड मॉडल।
केवल पहले छह महीनों में, घरेलू विश्व मॉडल खेल में घोषित कुल फंडिंग लगभग 30 अरब युआन थी, और यदि "एम्बॉडीड इंटेलिजेंस + विश्व मॉडल" एकीकृत खेल को शामिल किया जाए, तो यह संख्या 900 अरब से अधिक हो जाती है।
पिछले वर्ष की इसी अवधि की तुलना में फंडिंग की वृद्धि दर 5 गुना से अधिक है।
अरबों धनराशि, असंख्य प्रतिभाएँ, लहरों की तरह बह रही हैं।
एक अपरिहार्य प्रश्न यह है: इतने सारे लोग अंदर आ रहे हैं, तो वास्तव में कितने लोगों ने समझा है कि यह चीज़ वास्तव में क्या है?
पेशेवर दिशा ढूंढ रहे हैं, निवेशक लोग ढूंढ रहे हैं, शीर्षक निकाय की संरचना जानने की कोशिश कर रहे हैं, और बड़ी कंपनियों के रणनीति विभाग यह अध्ययन कर रहे हैं कि कौन बच पाएगा।
एक अजीब बात यह है कि सभी एक ही प्रश्न पूछ रहे हैं: क्या कोई भी विश्व मॉडल के बारे में स्पष्ट कर सकता है?
हाँ।
हम आज IDEA रिसर्च इंस्टीट्यूट के चेयर साइंटिस्ट और शिक्षा फ्यूचर के संस्थापक ज़ंग लेई का गहन साक्षात्कार कर रहे हैं, और इस बारे में बात करते हैं।
वह IEEE Fellow हैं, जिनके Google Scholar पर 77,000 से अधिक उद्धरण हैं। उनका DINO श्रृंखला COCO पर 5 महीने तक शीर्ष पर रही, और Grounding DINO तथा उसके बाद का DINO-X ने Google और Meta को पीछे छोड़ दिया, जिसे SAILab, NVIDIA, Galaxy AI जैसी कई वैश्विक शीर्ष संस्थानों द्वारा "मानक" रूप से संदर्भित किया गया है।
2025 में, उन्होंने अपनी टीम के साथ IDEA से इंक्यूबेट करके शिक्षा भविष्य की स्थापना की, और एंजेल राउंड में एक महीने में लगभग एक अरब युआन प्राप्त हुए।
पीछे दो AI विशालकाय खड़े हैं: शैक्षणिक मार्गदर्शक ज़ंग बो एकेडमिशियन (चीनी कृत्रिम बुद्धिमत्ता के संस्थापकों में से एक), और उद्योग मार्गदर्शक शेन चियांगयांग एकेडमिशियन (पूर्व माइक्रोसॉफ्ट ग्लोबल एग्जीक्यूटिव वाइस प्रेसिडेंट, पूर्व माइक्रोसॉफ्ट एशिया रिसर्च इंस्टीट्यूट के डायरेक्टर)।
लेकिन ये हमारे उसे ढूंढने के मुख्य कारण नहीं हैं।
हम उन्हें इसलिए ढूंढ रहे हैं क्योंकि 2026 में, जब सभी लोग “विश्व मॉडल क्या है?” पर बहस कर रहे थे, वांग लेई एक अल्पसंख्यक थे जिन्होंने स्पष्ट, कार्यात्मक और किसी भी प्रमुख प्रवृत्ति के साथ समझौता न करने वाला उत्तर दिया।
माइक्रोसॉफ्ट रिसर्च के मुख्य शोधकर्ता से लेकर IDEA रिसर्च के सीनियर वैज्ञानिक और फिर उद्यमी बनने तक—उनका करियर कई बार बदला, लेकिन उनका शोध विषय कभी नहीं बदला: "AI को वस्तुओं को समझने के लिए प्रेरित करना।"
वर्ल्ड मॉडल, यह उस बात का महत्वपूर्ण उत्तर है, जिस पर वर्षों से काम किया जा रहा है, भौतिक दुनिया में।
अगर आप वर्ल्ड मॉडल रेस को देख रहे हैं, और जानना चाहते हैं कि क्या यह वास्तव में बुलबुला है, कौन जीतेगा, और किस प्रकार की टीम के साथ जुड़ना सबसे अच्छा है—तो इस व्यक्ति की बातचीत पूरी पढ़ने लायक है। क्योंकि, It's totally worth your time।
यह बातचीत का अनुवाद है, जिसे AI टेक रिव्यू ने मूल अर्थ को बनाए रखते हुए संपादित किया है।
डॉ. ज़ांग लेई, IEEE Fellow, विशी के भविष्य के संस्थापक और सीईओ, वर्तमान में IDEA अनुसंधान संस्थान के कंप्यूटर दृष्टि और रोबोटिक्स केंद्र (CVR) के चेयर साइंटिस्ट, हांगकांग साइंस एंड टेक्नोलॉजी यूनिवर्सिटी (गुआंगज़ो) के सहायक प्रोफेसर, पूर्व माइक्रोसॉफ्ट एशिया रिसर्च इंस्टीट्यूट और माइक्रोसॉफ्ट हेडक्वार्टर्स रिसर्च के मुख्य शोधकर्ता, जिन्होंने कंप्यूटर दृष्टि के क्षेत्र में 200 से अधिक पेपर प्रकाशित किए हैं, Google Scholar पर 77,000 से अधिक संदर्भ और H-Index 107 है, और 60 से अधिक अमेरिकी पेटेंट रखते हैं। विशाल छवि पहचान और मल्टीमीडिया सूचना खोज में उनके उत्कृष्ट योगदान के लिए उन्हें IEEE Fellow के रूप में चुना गया है।
एम्बॉडिड इंटेलिजेंस का सबसे बड़ा बाधक शरीर नहीं, बल्कि दिमाग है
AI टेक रिव्यू: पिछले साल से एम्बॉडीड इंटेलिजेंस का विस्फोट हुआ है, और सभी रोबोट कंपनियाँ गति नियंत्रण में लगातार आश्चर्यजनक प्रगति कर रही हैं, यूशु के रोबोट मैराथन ट्रैक पर दौड़ रहे हैं, और ज़हुआन के रोबोट उलटी लपेटें मार सकते हैं। हालाँकि, हमने देखा है कि व्यावहारिक अनुप्रयोगों में अभी भी एक कदम की कमी है। आपके विचार में, एम्बॉडीड इंटेलिजेंस को वास्तविकता में लाने के लिए अभी कौन-सी चुनौतियाँ हल करनी आवश्यक हैं?
ज़ंग लेई: रोबोट को हल करने के लिए मूल रूप से दो चीजें हैं: सफलता की दर और सामान्यीकरण क्षमता। सफलता की दर का अर्थ है कि किसी कार्य को पर्याप्त रूप से विश्वसनीयता से पूरा किया जा सकता है; सामान्यीकरण क्षमता का अर्थ है कि एक ही कार्य को वातावरण या शरीर बदलने पर भी विश्वसनीयता से पूरा किया जा सकता है।
चार विशिष्ट चुनौतियाँ हैं:
पहला, एकल परिदृश्य की सामान्यीकरण क्षमता पर्याप्त नहीं है। अब कई टीमें एकल परिदृश्य में सफलता दर को 70% या यहां तक कि 80% तक पहुंचा सकती हैं, जो एक बड़ी उपलब्धि जैसा लगता है। लेकिन वास्तविक अनुप्रयोग में 80% का क्या अर्थ है? इसका अर्थ है कि प्रत्येक पांच संचालन में से एक विफल होता है, जिसके लिए अभी भी बड़ी मात्रा में मानव संसाधनों की आवश्यकता होती है, और इसे पूरी तरह से स्वतंत्र रूप से तैनात नहीं किया जा सकता।
दूसरा, क्षैतिज रूप से स्थितियों की सार्वभौमिकता पर्याप्त नहीं है। पहले एकल बिंदु क्षमता को अपनी सीमा तक ले जाना चाहिए, और फिर क्षैतिज रूप से स्थिति अनुप्रयोगों की विस्तार को बढ़ाना चाहिए, ताकि यह अधिक जटिल परिस्थितियों में अधिक और अधिक जटिल कार्य कर सके। यही रोबोट को "प्रयोगशाला प्रदर्शन" से "वास्तविक अनुप्रयोग" तक पहुँचाने में सबसे बड़ी बाधा है।
तीसरा, "मस्तिष्क" की गहन क्षमताओं का अभाव। वर्तमान में गहन शिक्षण अधिकांशतः बुद्धिमत्ता के "व्यवहार" को सीख रहा है, न कि "क्रियाविधि" (बुद्धिमत्ता के पीछे के कार्य सिद्धांत)। शरीरिक मस्तिष्क को भौतिक दुनिया के लिए वास्तविक कारण-परिणाम निष्कर्ष (केवल सांख्यिकीय संबंध नहीं, बल्कि "क्योंकि A, इसलिए B" के तर्क श्रृंखला को समझना) और सामान्य ज्ञान और समायोज्यता की आवश्यकता होती है, और इस पहलू में हम केवल शुरुआत कर रहे हैं।
चौथा, यह अभी भी "एंड-टू-एंड" स्तर के अनुप्रयोग तक पहुंचा नहीं है। वर्तमान में अधिकांश रोबोट विशाल बाहरी कंप्यूटिंग समर्थन पर निर्भर हैं; इसे व्यापक परिदृश्यों में लागू करने और "अनुप्रयोग-डेटा-दोहराव" का एक सकारात्मक चक्र बनाने के लिए, "मानवीय समर्थन की आवश्यकता न हो" यह मूल समस्या को हल करने की आवश्यकता है।
AI टेक रिव्यू: ईमानदारी से कहूं, इस मुद्दे पर उद्योग में दृष्टिकोण काफी विभाजित है। हार्डवेयर टीम का मानना है कि चीनी सप्लाई चेन का लाभ स्पष्ट है, इसलिए पहले मूल लागत को कम किया जाना चाहिए; जबकि एल्गोरिदम टीम का मानना है कि वास्तविक बाधा मस्तिष्क है। आपका क्या मत है?
जांग लेई: दिमाग अधिक कठिन है, और अधिक महत्वपूर्ण है।
हार्डवेयर के मामले में, चीन के हार्डवेयर अपग्रेड के बारे में गर्व करने की बात है। यूशू और ज़हुयुआन जैसी कंपनियाँ सिमुलेशन-आधारित रीइनफोर्समेंट लर्निंग (वर्चुअल वातावरण में नियंत्रण एल्गोरिथम को प्रशिक्षित करके फिर उसे वास्तविक रोबोट पर स्थानांतरित करना) के माध्यम से मोशन कंट्रोल को बार-बार अपडेट कर रही हैं, और मोटर, ट्रांसमिशन मैकेनिज़म जैसे महत्वपूर्ण घटकों पर लगातार काम कर रही हैं, जिससे लागत और विश्वसनीयता में काफी सुधार हुआ है, और उन्होंने एक बहुत मजबूत मार्ग अपनाया है। हालाँकि, मैराथन और प्रदर्शन में हार्डवेयर द्वारा प्रदर्शित क्षमता केवल पशुओं की मूलभूत क्षमता को ही प्राप्त कर पाई है—पशुओं की प्राकृतिक प्रतिक्रिया, कूदना, बचना और परिवेश के साथ अंतःक्रिया की क्षमता, हार्डवेयर अभी तक प्राप्त नहीं कर पाया है।
AI टेक रिव्यू: आप कह रहे हैं कि "मस्तिष्क" अधिक कठिन है, कठिन क्यों? क्या डेटा कम है, या क्या हमारी बुद्धिमत्ता के प्रति समझ अभी बहुत कम है?
ज़ंग लेई: कठिनाई इस बात में है कि हम इसके पीछे के तंत्र को वास्तव में समझ नहीं पाए हैं। मानव मस्तिष्क, अन्य जीवों की तुलना में, सबसे अधिक भिन्नता और सबसे उच्च स्तर की बुद्धिमत्ता रखता है। अब तक के सभी गहन सीखने के क्रांतिकारी विकास, मस्तिष्क की बुद्धिमत्ता के बाह्य पहलुओं को देखकर किए गए हैं, और फिर उन्हें एल्गोरिदम के माध्यम से प्राप्त किया गया है। AI वास्तव में मानव व्यवहार को सीख रहा है, न कि मानव बुद्धिमत्ता को सीख रहा है। जैसा कि ज़ंग बो के शिक्षक अक्सर कहते हैं, बड़े भाषा मॉडल मनुष्य की तरह बोल सकते हैं, लेकिन वे भाषा को मनुष्य के सम्पूर्ण अलग तरीके से समझते हैं।
क्यों वर्ल्ड मॉडल को बीस साल तक नज़रअंदाज़ किया गया, और आज अचानक यह लोकप्रिय क्यों हो गया?
AI टेक रिव्यू: एम्बॉडीमेंट बूम के साथ, "वर्ल्ड मॉडल" शब्द अचानक लोकप्रिय हो गया। लेकिन इस क्षेत्र के लोग जानते हैं कि यह एक नया शब्द नहीं है, 90 के दशक में ही कुछ शोधकर्ताओं ने इसका उल्लेख किया था। हमें यह दिलचस्प लगता है कि इस अवधारणा को क्यों बीस साल तक नजरअंदाज किया गया, और आज अचानक यह क्यों ट्रेंड में आ गया?
ज़ंग लेई: यह एक अच्छा प्रश्न है। विश्व मॉडल एक नया अवधारणा नहीं है। 90 के दशक की शुरुआत में, शोधकर्ताओं ने एजेंट (पर्यावरण को समझने और लक्ष्य प्राप्त करने के लिए कार्रवाई करने में सक्षम AI प्रणाली) के बीच अंतःक्रिया के लिए पर्यावरण का मॉडलिंग करने का प्रयास किया, ताकि प्रवर्धित शिक्षण के अल्गोरिदम में सुधार हो सके, लेकिन उस समय गहरी शिक्षा अभी उभरी नहीं थी, इसलिए अवधारणा के प्रस्ताव के बाद इसकी पुष्टि करना मुश्किल था।
यह अवधारणा लगभग 2018-2019 के आसपास सचमुच साबित हुई, जब "World Models" नामक पेपर आए और इन्हें गेमिंग स्थितियों में लागू किया गया, क्योंकि गेम्स रीइनफोर्समेंट लर्निंग की पुष्टि के लिए सबसे अच्छा वातावरण हैं।
कुछ वर्षों के बाद रीइनफोर्समेंट लर्निंग के विकास के साथ, AI अब गेम में मानव खिलाड़ियों को हरा सकता है। इस समय शोधकर्ता यह सोचने लगे: क्या AI एजेंट को गेम वातावरण के साथ लगातार बातचीत करते हुए स्वयं एक विश्व मॉडल "सीखने" की अनुमति दी जा सकती है, जिसमें वातावरण के विकास की प्रक्रिया को समाहित किया जा सके? यह विचार 2018 से 2020 के बीच पूरी तरह से सत्यापित किया गया।
AI टेक रिव्यू: तो इसका आज के एम्बॉडिड इंटेलिजेंस से क्या संबंध है? हमने सुना, ऐसा लगता है कि वास्तव में एम्बॉडिड ही वह तिनका है जिसने वर्ल्ड मॉडल को लोकप्रिय बना दिया?
ज़ंग लेई: इस संबंध की शुरुआत भाषा मॉडल से होती है। उद्योग ने पहले VLA (Vision-Language-Action, यानी दृश्य-भाषा-क्रिया मॉडल) बनाया, जिसमें रोबोट दृश्य को देखकर अगला कदम भविष्यवाणी करता है; यह भाषा मॉडल के अनुकरण सीखने के प्रतिरूप का उपयोग करता है: भाषा मॉडल Next Token Prediction करता है; शरीरिक VLA में रोबोट वर्तमान दृश्य को देखकर अगला कार्य कैसे करना है, यह भविष्यवाणी करता है।
लेकिन यह तरीका जल्दी ही सीमा पर पहुँच गया। यह सीमा केवल डेटा में नहीं है, मुझे लगता है कि डेटा केवल एक पहलू है, दूसरा पहलू यह है कि प्रबलन अधिगम का उपयोग अभी अपर्याप्त है। मेरे पास एक उपमा है: अनुकरण अधिगम भाषा मॉडल को बोलना सिखाता है, जबकि प्रबलन अधिगम भाषा मॉडल को सही बोलना सिखाता है।
रोबोट की बुद्धिमत्ता और कार्रवाई की सफलता की दर को भी रीइनफोर्समेंट लर्निंग की आवश्यकता होती है।
लेकिन शरीरिक रूप में रीइनफोर्समेंट लर्निंग का उपयोग करने से दो घातक बाधाएँ उत्पन्न होती हैं: पहली, डेटा संग्रह की दक्षता बहुत कम है, जो भाषा मॉडल की तुलना में काफी कम है; रोबोट को प्रत्येक क्रिया को वास्तविक वातावरण में वास्तविक रूप से निष्पादित करना पड़ता है और भौतिक प्रतिक्रिया का इंतजार करना पड़ता है; दूसरी, विफलता की लागत असहनीय है, डिशवॉशिंग सीखने में असफल होने पर बर्तन टूट जाते हैं, और स्वयंचालित गाड़ियाँ दुर्घटनाओं से बचना सीखने के लिए कई वास्तविक दुर्घटनाओं का अनुभव कर सकती हैं। यह भाषा मॉडल के डिजिटल दुनिया में कम लागत वाली परीक्षण-त्रुटि से पूरी तरह अलग है।
वर्चुअल वातावरण, जो वर्ल्ड मॉडल प्रदान करता है, यही समस्याओं का हल है। यदि एक मॉडल यह भविष्यवाणी कर सकता है कि "अगर मैंने यह कार्रवाई की, तो वातावरण कैसा बन जाएगा", तो रोबोट वास्तविक रूप से एक हजार कटोरे तोड़े बिना, वर्चुअल दुनिया में असंख्य प्रयास-त्रुटि कर सकता है।
(लेखक का नोट: इस बात की तर्क श्रृंखला को सरलता से समझें। पहला, रोबोट को किसी चीज़ को सीखने के लिए कई प्रयास और त्रुटियों की आवश्यकता होती है। दूसरा, वास्तविक दुनिया में त्रुटियाँ करना बहुत महंगा और खतरनाक होता है। तीसरा, विश्व मॉडल रोबोट के लिए एक “वर्चुअल ट्रेनिंग फील्ड” बनाता है, जहाँ वह अपने मन में विभिन्न कार्रवाइयों के परिणामों का अनुमान लगाता है। चौथा, केवल सर्वोत्तम समाधान को वास्तविक दुनिया में लागू किया जाता है। यही कारण है कि इस समय विश्व मॉडल पूरे उद्योग का केंद्रीय ध्यान बन गया है।)
बिना कार्रवाई को इनपुट की शर्त बनाए, इसे वर्ल्ड मॉडल नहीं कहा जा सकता
AI टेक रिव्यू: अब उद्योग में "वर्ल्ड मॉडल" की परिभाषा काफी अस्पष्ट है। वीडियो जनरेशन को वर्ल्ड मॉडल कहा जाता है, 3D स्पेस मॉडलिंग को वर्ल्ड मॉडल कहा जाता है, और LeCun का JEPA (जॉइंट एम्बेडिंग प्रेडिक्शन आर्किटेक्चर) भी वर्ल्ड मॉडल कहलाता है। तो आपके अनुसार, एक मॉडल को इन चार शब्दों के लायक होने के लिए कम से कम क्या-क्या सुविधाएँ होनी चाहिए?
ज़ंग लेई: मुझे लगता है कि विश्व मॉडल में अवश्य ही क्रिया-आधारित (Action Conditioned) होना चाहिए, अर्थात्, क्रिया को इनपुट के रूप में लेकर, मॉडल को यह जवाब देना चाहिए कि "अगर कोई विशिष्ट क्रिया की जाती है, तो परिवेश कैसा बन जाएगा?"
एजेंट का पर्यावरण के साथ बातचीत करने का कारण क्रिया है: एजेंट की क्रियाएँ पर्यावरण में परिवर्तन लाती हैं, और पर्यावरण में परिवर्तन के बाद एक नया स्थिति उत्पन्न होती है और इसे एजेंट को प्रतिक्रिया के रूप में भेजा जाता है, जो उसे बताती है कि वर्तमान क्रिया लक्ष्य की ओर एक कदम बढ़ा रही है या नहीं। यह एक पूर्ण बंद चक्र है, जिसमें पर्यावरण की प्रत्येक स्थिति संक्रमण पिछले कदम में निष्पादित विशिष्ट क्रिया पर निर्भर करती है।
लोग अक्सर कहते हैं कि विश्व मॉडल भाषा मॉडल के अगले टोकन भविष्यवाणी को अगली स्थिति भविष्यवाणी में बदल देता है, लेकिन मुझे लगता है कि यह परिभाषा पर्याप्त रूप से कठोर नहीं है, क्योंकि इसमें एक महत्वपूर्ण शर्त कम है। सही व्यक्ति यह होनी चाहिए: क्रिया-सशर्त अगली स्थिति भविष्यवाणी। केवल जब क्रिया की इस पूर्वशर्त को शामिल किया जाता है, तभी स्थिति भविष्यवाणी का अर्थ होता है, और यही वास्तविक रूप से प्रबलन सीखने की आवश्यकताओं के अनुरूप विश्व मॉडल है।
AI टेक रिव्यू: सच बताऊं, बहुत से लोग, जिनमें कुछ निवेशक भी शामिल हैं, BP में Sora जैसे वीडियो जनरेशन मॉडल को भी वर्ल्ड मॉडल कहते हैं। लेकिन आपके द्वारा अभी दिए गए मानदंड के अनुसार, उनमें स्पष्ट रूप से एक्शन का आयाम कम है। हम चाहते हैं कि आप इस समस्या को कैसे विघटित करते हैं, इसके बारे में आपकी राय सुनें?
ज़ंग लेई: हम यहाँ चर्चा कर रहे हैं वर्ल्ड मॉडल, जो प्रबलन शिक्षा के क्षेत्र से आया है, और यह स्मार्ट एजेंट को वातावरण के साथ अधिक प्रभावी ढंग से बातचीत करने में मदद करने के लिए है। हालांकि वर्ल्ड मॉडल के कई अनुप्रयोग हैं, लेकिन एम्बॉडीड इंटेलिजेंस वर्तमान में सबसे स्पष्ट और सबसे मूल्यवान अनुप्रयोग है।
इस अर्थ में, Sora जैसे शुरुआती शुद्ध वीडियो जनरेशन मॉडल को विश्व मॉडल नहीं कहा जा सकता। मुख्य कारण यह है कि इसने "क्रियाएँ" का मॉडलिंग नहीं किया है; यह मूल रूप से एक संगठित वीडियो अनुक्रम उत्पन्न कर रहा है, पिक्सेल के कैसे बदलने का भविष्यवाणी कर रहा है, लेकिन पूरी तरह से रोबोट और पर्यावरण के बीच अंतःक्रिया की क्रियाओं का मॉडलिंग नहीं कर रहा है। क्या यह रोबोट की मदद कर सकता है? हाँ, यह विश्व के परिवर्तन के कुछ नियम सीख सकता है, लेकिन रोबोट को पर्यावरण के साथ बेहतर तरीके से अंतःक्रिया करने में मदद करना मुश्किल है।
AI टेक रिव्यू: हाल के समय में बहुत लोकप्रिय हो रहा World Action Model (वर्ल्ड एक्शन मॉडल) क्या है? हमने सुना है कि यह भी एक्शन के बारे में बात कर रहा है, क्या यह एक अलग प्रकार का वर्ल्ड मॉडल है?
ज़हांग लेई: WAM भी रीइनफोर्समेंट लर्निंग के अर्थ में वर्ल्ड मॉडल नहीं है। यह भविष्य के फ्रेम के पिक्सेल-लेवल के सुपरवाइज़न का उपयोग करके एक्शन प्रेडिक्शन में सुधार करता है, और कुछ कार्यों में VLA से बेहतर प्रदर्शन दिखाया है। हालाँकि, इसका मॉडलिंग क्रम प्रभाव के बाद कारण का है—यह पहले भविष्य के फ्रेम को जनरेट करता है, फिर एक्शन को बैकवर्ड इन्फर करता है, और इसलिए रीइनफोर्समेंट लर्निंग के लिए उपयोग नहीं किया जा सकता, इसलिए यह हमारे यहाँ चर्चा किए जा रहे वर्ल्ड मॉडल की परिभाषा के साथ मेल नहीं खाता।
PixelPunk vs.隐空间: दोनों वास्तव में एक ही काम कर रहे हैं
AI टेक रिव्यू: रूट प्रतिस्पर्धा की बात करें, तो यह वर्तमान में विश्व मॉडल क्षेत्र में सबसे अधिक चर्चित विषय है। लेक्यून इम्प्लिसिट स्पेस स्कूल के प्रमुख हैं, जबकि Sora पिक्सेल स्कूल का प्रतिनिधित्व करता है। दोनों रास्ते लगते हैं कि असंगत हैं, आपका क्या मत है?
ज़हांग लेई: सबसे पहले, हमें यह देखना चाहिए कि दोनों रास्तों में समानता है।
वास्तव में, अब सभी को लगता है कि उनके बीच बहुत अधिक विरोधाभास है, शायद इसलिए कि लेकुन अपने दृष्टिकोण को स्पष्ट और दृढ़ता से रखते हैं, कभी-कभी एक विद्वान अपने दृष्टिकोण को बाहरी लोगों के लिए याद रखने के लिए इसे बहुत स्पष्ट तरीके से प्रस्तुत करते हैं।
लेकिन पिक्सेल रूट वास्तव में लेटेंट स्पेस का उपयोग करके ही काम करती है। Stable Diffusion, Sora दोनों पहले इमेज या वीडियो को लो-डाइमेंशनल रिप्रेजेंटेशन स्पेस में कम्प्रेस करते हैं और फिर उसे प्रोसेस करते हैं। इसलिए, रिप्रेजेंटेशन स्पेस ही अधिक मूलभूत समस्या है। दोनों रूट्स का वास्तविक अंतर यह नहीं है कि क्या लेटेंट स्पेस का उपयोग करना चाहिए या नहीं, बल्कि लेटेंट स्पेस में प्रवेश करने के बाद क्या बरकरार रखना है और क्या छोड़ देना है।
अंतर यह है: इम्बेडेड स्पेस रूट चाहती है कि प्रकाश, छाया, बनावट जैसे ऐसे पिक्सेल विवरणों को बाहर रखा जाए जो भौतिक नियमों द्वारा नियंत्रित नहीं होते, जिससे मॉडल को स्थिति परिवर्तन के पीछे के अधिक मूलभूत नियम सीखने में मदद मिलती है, लेकिन इसका प्रतिनिधित्व पतन का खतरा है; यदि एक हजार अलग-अलग छवियाँ पूरी तरह समान प्रतिनिधित्व में मैप हो जाती हैं, तो प्रतिनिधित्व पतन हो जाता है, जिसका मतलब है कि मॉडल क्षमता खो देता है कि वह अलग-अलग स्थितियों को अलग कर सके। पिक्सेल रूट सभी बारीकियों को स्पष्ट रूप से प्राप्त करने की कोशिश करता है, जो मूल रूप से मनुष्य की आँखों को संतुष्ट करने की कोशिश है, क्योंकि मनुष्य दृश्य विवरणों के प्रति बहुत संवेदनशील होते हैं।
AI टेक रिव्यू: इतना बातचीत के बाद हमें एक अनुभूति हुई। क्या मानव मस्तिष्क द्वारा निष्कर्ष निकालना भी एक छिपे हुए स्थान में होता है? जब आप आँखें बंद करके किसी कार्रवाई के परिणाम की कल्पना करते हैं, तो क्या कोई अपने मस्तिष्क में प्रत्येक पिक्सेल को धीरे-धीरे रेंडर करता है?
ज़हांग लेई: हाँ। यदि मानव मस्तिष्क में एक विश्व मॉडल मौजूद है, तो मनुष्य अपनी कल्पना में गतिविधियों को कैसे परिवेश बदलती हैं, वह वास्तव में एक छिपे हुए स्थान में संचालित होती है, और पूरी छवि को मस्तिष्क में पिक्सेल-दर-पिक्सेल नहीं गुजारती। इसलिए, विश्व मॉडल के मूल्यांकन के लिए मानव आँखों द्वारा चित्र गुणवत्ता का आधार अपर्याप्त है। यदि पिक्सेल दृष्टिकोण को विश्व मॉडल के रूप में उपयोग किया जाना है, तो वास्तव में इसका लक्ष्य पिक्सेल की वास्तविकता नहीं, बल्कि जनरेट किए गए वीडियो सीक्वेंस की भौतिक समझौतापूर्णता होनी चाहिए।
(लेखक का टिप्पणी: यह संवाद AI विश्व मॉडल के दो दृष्टिकोणों के बीच के विवाद के बारे में है। Sora के प्रतीक के साथ पिक्सेल स्कूल केवल दृश्य वास्तविकता पर ध्यान केंद्रित करता है, जिससे अक्सर कप उड़ते हुए, वस्तुओं का एक-दूसरे में घुसना, या मोमबत्ती को बुझाने में असमर्थता जैसे भौतिकी के सामान्य नियमों के खिलाफ बग्स उत्पन्न होते हैं; जबकि LeCun और Zhang Lei का छिपा स्थान स्कूल, पहले दृश्य को नियमों में अमूर्त करता है और फिर उनका अनुमान लगाता है, जिससे भौतिक कारण-परिणाम को बेहतर समझा जाता है। Zhang Lei का मुख्य नवाचार, छिपे हुए स्थान में "वस्तु संरचना" जोड़ना है, जिससे AI पहले कप, मेज, व्यक्ति जैसी स्वतंत्र वस्तुओं को पहचानता है, और फिर उनके बीच की प tương tác के नियमों को सीखता है, जिससे Sora के प्रकार की दृश्य त्रुटियों से बचा जा सकता है, और शुद्ध अमूर्त छिपे हुए स्थान की तुलना में, रोबोट को वास्तविक दुनिया में बाधाओं से बचने, पकड़ने और कार्रवाई की योजना बनाने में अधिक उपयुक्त होता है।)
AI टेक रिव्यू: आप लेकुन के साथ एक ही इम्बेडेड स्पेस रास्ता अपना रहे हैं। लेकिन हमने सुना है कि आपका तरीका उनके से एक महत्वपूर्ण अंतर रखता है, आप "वस्तु संरचना को शामिल करने" पर जोर देते हैं। मूल अंतर क्या है?
ज़हांग लेई: हमारा रास्ता लेकुन के साथ एक ही प्राथमिक सिद्धांत को साझा करता है: मानव मस्तिष्क एक्शन-सशर्त तरीके से विपरीत-कथन तर्क („अगर मैं ऐसा करूंगा तो क्या होगा?“ का अनुमान) करता है, यह अमूर्त प्रतिनिधित्व में तर्क करता है, पिक्सल में पुनर्निर्माण नहीं करता।
लेकुन ने पिछले कुछ वर्षों में I-JEPA, V-JEPA, LeJEPA के माध्यम से इस अभिधारणा की पुष्टि की है: भविष्यवाणी अभिव्यक्ति स्थान में होनी चाहिए। हालाँकि, शरीरिक दिशा के भौतिक स्थान की जटिलता बहुत अधिक है, और हम मानते हैं कि इस विधि को बड़े पैमाने पर वास्तविक परिवेशों में लागू करने के लिए, छिपे हुए स्थान में आवश्यक संरचना शामिल करने की आवश्यकता है।
यह दृष्टिकोण हमारे सत्यापित क्षमताओं से आता है। हमारी कोर टीम द्वारा विकसित DINO-X ने ओपन-वर्ल्ड में "वस्तुओं को देखने" की समस्या को हल कर दिया है। इसलिए, अब हम वस्तुओं को वर्ल्ड मॉडल के पूर्वानुमान और योजना की आधारभूत इकाई बना रहे हैं। सीधे शब्दों में, भौतिक नियम वस्तुओं पर लागू होते हैं; जब आप छिपे हुए स्थान प्रतिनिधित्व में वस्तुओं को समझते हैं, तो भौतिक नियमों को सीखना अधिक कुशलता से होता है।
AI टेक रिव्यू: रुकिए, हम एक सवाल और पूछना चाहते हैं। लेकुन के AMI Labs ने अरबों डॉलर का निवेश किया है और इस दिशा में कड़ी मेहनत कर रहे हैं। आपका “वस्तु संरचना को शामिल करना” सुधार, उनके बड़े ढांचे पर आगे बढ़ने के लिए क्यों मानता है कि यह अधिक प्रभावी होगा?
ज़ंग लेई: क्योंकि हमने पहले DINO-X पर काम किया था, जो एक ओपन-एंडेड ऑब्जेक्ट परसेप्शन जनरल मॉडल है, और इसने "ऑब्जेक्ट को समझना" को दुनिया में सबसे अच्छा किया है। हमारी विजुअल मॉडल मैकेनिज़म की समझ, यानी विजुअल मॉडल क्यों भौतिक रूप से तर्कसंगत होते हैं, वह सभी मूल रूप से जनरल ऑब्जेक्ट अंडरस्टैंडिंग के इसी पथ से मेल खाती है।
सरल शब्दों में, लेकुन का रास्ता एक बुनियादी ढांचा है, और हम इस ढांचे पर वस्तु संरचना शामिल करते हैं और इसे वास्तविक वातावरण में बंद चक्र में लाते हैं। यह "बंद चक्र" क्षमता हमने पिछले कुछ वर्षों में विकसित की है।
DINO श्रृंखला क्यों गूगल और मेटा पर श्रेष्ठता प्राप्त करती है?
AI टेक रिव्यू: आपकी टीम ने विजुअल लार्ज मॉडल चरण में बहुत उल्लेखनीय कार्य किया है। ग्राउंडिंग DINO और बाद में लॉन्च किए गए DINO-X ने गूगल और मेटा को पीछे छोड़ दिया, और ली फेईफेई टीम, न्वीडिया, गैलेक्सी जनरल जैसी वैश्विक शीर्ष संस्थाओं द्वारा मानक रूप से संदर्भित किया जाता है। हमने इसके बारे में अंदरूनी रूप से चर्चा की है, और सभी को लगा कि यह कुछ "असामान्य" है: सामान्यतः चीनी टीमें विदेशी टीमों का पीछा करती हैं, आपने कैसे ऐसा किया कि विदेशी टीमें आपका पीछा करने लगीं?
ज़ंग लेई: दो आयाम विशेष रूप से उभर रहे हैं।
परंपरागत रूप से, हम विजुअल डोमेन में पहली टीम हैं जिसने Transformer (एक स्व-ध्यान आधारित गहरी शिक्षा आर्किटेक्चर, जो बड़े भाषा मॉडल की नींव है) का उपयोग करके SOTA (State of the Art, क्षेत्र का सर्वश्रेष्ठ स्तर) प्राप्त किया है। Grounding DINO ने भाषा मॉडल के परंपरा को शामिल किया और पहली बार वस्तु पहचान को ओपन-डोमेन में विस्तारित किया, इस प्रकार मॉडल अब केवल "प्रशिक्षित वस्तु श्रेणियों" की पहचान सीमित नहीं है, बल्कि कोई भी पहले कभी न देखी गई वस्तु का पता लगा सकता है। आज तक, यह ओपन-सोर्स मॉडल्स में सबसे अधिक संदर्भित और डाउनलोड किया जाने वाला मॉडल है, जिसे परंपरागत स्तर की क्रांति कहा जा सकता है।
ग्राउंडिंग DINO के बाद, हमने डेटा और इंजीनियरिंग रणनीति पर बंद स्रोत दिशा की ओर रुख किया और सत्यापित विचारों को स्केलिंग की ओर आगे बढ़ाया। इसके साथ ही, मैंने कार्य के मानकों के लिए बहुत उच्च आवश्यकताएँ रखीं। हालाँकि उस समय टीम युवा थी और इतनी मजबूत कार्यक्षमता का अनुभव नहीं था, फिर भी मैंने स्तर को कड़ा रखा और यह जोर दिया कि केवल बड़े संस्करण के स्तर की क्रांति ही प्रकाशित की जाए। इसलिए हमने Grounding DINO 1.5 को लॉन्च करने में लगभग एक साल का समय लगाया, और DINO-X को लॉन्च करने में आधा साल। साबित हुआ कि इस एक से अधिक साल के प्रयास से विकसित संस्करणों की उद्योग में बहुत अच्छी स्वीकृति मिली।
AI टेक रिव्यू: आप जो विजुअल लार्ज मॉडल बना रहे हैं, वे आज के वर्ल्ड मॉडल बनाने से किस प्रकार संबंधित हैं?
ज़हांग लेई: हमारा काम एक ही रेखा पर आधारित है। पहले वस्तु संवेदन पर काम करते समय, हमारा मुख्य लक्ष्य रोबोट को संवेदनात्मक आधार प्रदान करना था, और बाद में कई टीमों ने हमारे Grounding DINO का उपयोग एम्बॉडिड वातावरण की समझ को हल करने के लिए किया।
टेक्निकल रूप से, वर्ल्ड मॉडल्स भाषा की तुलना में अधिक विजुअल-नेटिव हैं, और लगभग सभी वर्ल्ड मॉडल कार्य GPT जैसी केवल भाषात्मक आर्किटेक्चर पर आधारित नहीं हैं।
टीम के अनुभव के संदर्भ में, हमारी दृश्य मॉडल की कार्यप्रणाली की समझ मूल रूप से सामान्य वस्तु समझ के तकनीकी पथ के साथ बहुत अधिक मेल खाती है। यही कारण है कि हम विश्व मॉडल को लगातार अपडेट करने में आत्मविश्वास रखते हैं।
यह टीम IDEA से निकली 20 से अधिक सदस्यों की एक बहुत स्थिर टीम है। हमने बंद स्रोत मॉडल बनाते समय भी बाहरी एल्गोरिदम और इंजीनियरिंग में महारत हासिल करने वाले लोगों को आकर्षित किया है। ये 20 से अधिक लोग ही आज के Shiqi Future के "बीज" हैं।
DINO सीरीज मॉडल से वर्ल्ड मॉडल तक का विकास मार्ग
AI को वास्तव में वस्तुओं को “देखने” के लिए कैसे सिखाएं?
AI टेक रिव्यू: आप कहते हैं कि मौजूदा इम्बेडेड स्पेस समाधान "वास्तव में वस्तुओं को समझते नहीं हैं", उन्हें पता नहीं होता कि सीन में कौन सी स्वतंत्र वस्तुएँ हैं और वस्तुओं के बीच क्या संबंध हैं। हमें यह जानने में दिलचस्पी है कि इसका आकलन कैसे किया जाता है? कैसे पता चलता है कि मॉडल वास्तव में "वस्तुओं को समझ रहा है" या केवल "समझने का नाटक कर रहा है"?
ज़हांग लेई: समझना सीधे सत्यापित करना मुश्किल है। भाषा मॉडल वास्तव में भाषा को कैसे समझते हैं, अभी कोई भी स्पष्ट रूप से नहीं बता सकता; केवल व्यवहार के बाह्य लक्षणों के माध्यम से ही निर्णय लिया जा सकता है। यदि यह लगातार पाठ उत्पन्न करता है और आपको लगता है कि यह मनुष्य द्वारा कही गई बात से अलग नहीं है, तो आप कह सकते हैं कि यह समझता है।
वर्ल्ड मॉडल भी समान समस्या का सामना कर रहे हैं। यह स्पष्ट रूप से कहना मुश्किल है कि मॉडल ने भौतिक नियमों को वास्तव में समझा है या नहीं, और क्या वह वस्तुओं की संरचना को वास्तव में पकड़ पाया है। हम मध्यवर्ती चरणों के दृश्यीकरण के माध्यम से विश्लेषण करेंगे; यदि परिणाम मानव अनुभव के साथ संगत है, तो इसका अर्थ है कि यह संभवतः वस्तुओं की संरचना को पकड़ पाया है।
AI टेक रिव्यू: क्या कोई विशिष्ट परीक्षण विधि है? क्या हम एक प्रयोग कर सकते हैं और देख सकते हैं?
ज़ंग लेई: हाँ। काल्पनिक परीक्षण एक अच्छी विधि है, जिसमें मॉडल को विभिन्न क्रियाओं का प्रयास करने और देखने के लिए कहा जाता है कि क्या यह भौतिक रूप से तर्कसंगत परिणाम दे सकता है। यदि थोड़ा अलग पथ भी सही ढंग से किया जा सकता है, तो इसका मतलब है कि नियम सीख लिए गए हैं; यदि नहीं किया जा सकता, तो संभवतः केवल सांख्यिकीय सहसंबंध ही सीखे गए हैं।
यह दृष्टिकोण की जांच करता है। जैसा कि रिचर्ड सटन प्रोफेसर ने कहा, शोधकर्ता हमेशा मॉडल की मदद करने के लिए अपने अनुभव को डालने की कोशिश करते हैं। भाषा मॉडल शोधकर्ता पहले वाक्य संरचना विश्लेषण करना, शब्दों और वाक्यांशों को इसमें डालना चाहते थे, लेकिन अंततः "अगला टोकन भविष्यवाणी करना" इस सरल परिप्रेक्ष्य ने हराया।
मैं इस सरल पैटर्न के आगे बढ़ने की शक्ति पर बहुत विश्वास करता हूँ। अधिक मानव-डिज़ाइन किया गया अस्थायी रूप से प्रभावी होता है, लेकिन लंबे समय में इटरेशन को रोकता है।
AI टेक रिव्यू: भौतिक दुनिया में कुछ बहुत मुश्किल वस्तुएँ हैं, जैसे बहती रेत, पानी का प्रवाह, धुआँ, कपड़े, जिनकी स्पष्ट सीमाएँ नहीं होतीं। हम चिंतित हैं कि क्या आपका "वस्तु-केंद्रित" ढांचा वस्तु की अवधारणा के कारण ही सीमित हो जाएगा?
ज़हांग लेई: हम खुद इस प्रश्न पर विचार कर रहे हैं। तकनीकी दृष्टिकोण से, सबसे सरल प्रवेश बिंदु Mask है, जो वस्तु क्षेत्र के पिक्सेल को अलग करता है। पिछले कुछ वर्षों में दृश्य क्षेत्र में वस्तु सामग्री समझ और Mask भविष्यवाणी में बहुत अधिक परिपक्वता प्राप्त हो चुकी है, जिससे रेत, जल जैसी अनियमित वस्तुओं को भी संभाला जा सकता है।
इसलिए, मास्क से शुरू करना एक व्यावहारिक शुरुआत है। और हमारे पास सामान्य वस्तु संवेदन में ऐसी जमीनी जानकारी है जो बाहर किसी भी टीम से अधिक गहरी है।
EgoTwin: मनुष्य के हाथ से रोबोट के हाथ को सिखाएं
AI टेक रिव्यू: आपके टेक्नोलॉजी फ्रेमवर्क में एक बहुत महत्वपूर्ण अवधारणा है, जिसे "एक्शन अलाइनमेंट" कहा जाता है, जो मानव हाथ, दो-उंगली क्लैम्प, और बहु-उंगली डेक्सट्रस हैंड जैसे विभिन्न कॉन्फ़िगरेशन के एक्शन को एक ही इम्बेडेड स्पेस में मैप करती है। हम इसे इस तरह समझते हैं, यह थोड़ा ऐसा लगता है जैसे रोबोट को एक "भाषा" से दूसरी "भाषा" में अनुवाद करना, क्या यह सही है?
ज़हांग लेई: वर्ल्ड मॉडल के मुख्य इनपुट दो हैं: दृश्य (अवस्था) और कार्रवाई, इसलिए कार्रवाई की समझ बहुत महत्वपूर्ण है।
एक्शन अलाइनमेंट मल्टी-ऑब्जेक्ट प्रॉब्लम की बुनियादी आवश्यकता है। हाथ और मैनिपुलेटर का अलाइनमेंट और भी कठिन है: मैनिपुलेटर के जॉइंट्स की स्थिति भौतिक स्थान के XYZ निर्देशांक में सटीक रूप से ज्ञात होती है, लेकिन मानव हाथ का डेटा आमतौर पर 2D वीडियो होता है, जिसमें केवल द्वि-आयामी छवि होती है, त्रि-आयामी निर्देशांक नहीं। सीधे मिलाने पर कार्यक्षमता कम होती है।
हमारी विधि 3D की बिंदुओं को निकालना है, जिससे मानव हाथ के 2D वीडियो को 3D स्थान में ऑपरेशन सीक्वेंस में बदला जा सके और इसे मैकेनिकल आर्म डेटा के साथ एक ही भौतिक स्थान में समायोजित किया जा सके। यही वर्तमान में उद्योग द्वारा Ego डेटा (पहले व्यक्ति के दृष्टिकोण से एकत्रित मानव ऑपरेशन डेटा) के संग्रह और प्रसंस्करण को कहा जाता है।
हमने पहले EgoTwin जारी किया था, जो मुख्य रूप से इस प्रकार की डेटा संग्रह समस्याओं को हल करता है, और अब हम बाइडु क्लाउड के डेटा संग्रह टीम के साथ सहयोग कर रहे हैं।
AI टेक रिव्यू: EgoTwin "हाथ कैसे चलते हैं" के डेटा समस्या को हल करता है। लेकिन हम एक और सवाल पूछना चाहते हैं, मानव वीडियो में उच्चतर स्तर की जानकारी भी छिपी होती है, "हाथ इसलिए क्यों चलते हैं" का इरादा—इस हिस्से का क्या होगा?
ज़हांग लेई: उच्चतर स्तर की कार्रवाई के इरादों को समझने के लिए, हम इसे विश्व मॉडल या VLA मॉडल पर छोड़ देंगे। लेकिन इसकी पूर्वशर्त यह है कि डेटा की गुणवत्ता पर्याप्त उच्च हो। डेटा कच्चा माल बहुत महत्वपूर्ण है। उद्योग में डेटा संग्रह पर बहुत सारा मानव संसाधन और लागत खर्च की जाती है, लेकिन कई मामलों में डेटा का उपयोग कुशलतापूर्वक नहीं होता। हमारे Grounding DINO और DINO-X के कार्यों में एकत्रित मुख्य अनुभव यह है कि एल्गोरिदम को समझने वाले लोगों को डेटा पर गहराई से काम करने के लिए भेजा जाए, अन्यथा संग्रहित डेटा प्रशिक्षण के दौरान पूरी तरह से उपयोगी नहीं हो सकता। एल्गोरिदम और डेटा दोनों को समानांतर रूप से पुनरावृत्ति करना आवश्यक है।
जांग बो और शेन यांग: दो मार्गदर्शक, एक ही आधार
AI टेक रिव्यू: हमने ध्यान दिया कि आपके पीछे दो ऐसे व्यक्ति खड़े हैं जिन्होंने आप पर गहरा प्रभाव डाला है—ज़हंग बो एकेडमिशियन (चीनी कृत्रिम बुद्धिमत्ता के संस्थापकों में से एक) और शेन जियांगयांग एकेडमिशियन (पूर्व माइक्रोसॉफ्ट ग्लोबल एग्जीक्यूटिव वाइस प्रेसिडेंट, पूर्व माइक्रोसॉफ्ट एशिया रिसर्च इंस्टीट्यूट के डायरेक्टर)। एक अधिक शैक्षणिक हैं, दूसरा अधिक उद्योग-केंद्रित हैं—हम जानना चाहते हैं कि उन्होंने प्रत्येक ने आपको क्या दिया?
ज़ंग लेई: ज़ंग बो एकेडमिशियन हमेशा मेरे गुरु और प्रेरणा के स्रोत रहे हैं। मैंने जब अपनी स्नातक पढ़ाई के दौरान त्सिंगहुआ विश्वविद्यालय के शोध कक्ष में प्रवेश किया, तब मैंने पहली बार ज़ंग शिक्षक को जाना, जो प्रयोगशाला के प्रमुख थे। उस समय मैं AGV (ऑटोमैटिक गाइडेड व्हीकल) पर काम कर रहा था और अपने अधिकांश अवकाश समय को प्रयोगशाला में हार्डवेयर को टेस्ट करने और प्रयोग करने में बिता रहा था, और उस समय मैंने अक्सर ज़ंग शिक्षक को प्रयोगशाला में डॉक्टरल छात्रों को रोबोटिक्स से संबंधित कार्य पर मार्गदर्शन देते हुए देखा। बाद में, मैंने भाग्यवश ज़ंग शिक्षक के डॉक्टरल छात्र के रूप में काम करने का सौभाग्य प्राप्त किया। सबसे अधिक प्रभावित होने की बात यह है कि उनकी नई प्रौद्योगिकियों के प्रति अत्यधिक संवेदनशीलता और मजबूत जिज्ञासा है। हर बार मैं परिणामों पर चर्चा के लिए उनसे मिलता, तो वे हमेशा सक्रियता से पास बैठते, "इसे थोड़ा बदलो, देखो कैसे होता है," कहते। वे इस प्रकार से स्वयं की समझ को भी गहरा करते। आप देख सकते हैं कि किसी विद्वान की, एल्गोरिदमों और समस्याओं की समझ पूरी तरह से जिज्ञासा से प्रेरित होती है।
आज भी उपयोगी बात यह है कि उन्होंने "चीजों को पूरी तरह समझना" पर जोर दिया, क्योंकि अगर आप समझ नहीं पाएंगे, तो आपको धोखा दिया जाएगा, और केवल तभी आप नींव के सिद्धांत को समझ पाएंगे। बाद में यही बात मेरे छात्रों को सिखाने का मानदंड बन गई: पूर्णतः समझें, सर्वश्रेष्ठ की कोशिश करें।
शेन जियांगयांग के मुझ पर बहुत बड़ा प्रभाव रहा है। माइक्रोसॉफ्ट में मेरे समय, वह हमेशा मेरे बड़े बॉस रहे हैं, जिन्होंने मेरी पूरी करियर की दिशा को प्रभावित किया: चीन से अमेरिका जाना उन्होंने मुझे भेजा, और अमेरिका से शेन्ज़ेन वापस आना भी उन्होंने मुझे प्रेरित किया। इसके अलावा, उनकी उद्योग की दिशा में बहुत तीव्र निर्णय क्षमता थी, टीम निर्माण से लेकर फंडिंग तक, उन्होंने मुझे कई व्यावहारिक सुझाव और अनुभव साझा किए।
AI टेक रिव्यू: सुना है कि जांग बो जी, जो 90 साल के हैं, अभी भी आपकी टीम से बातचीत के लिए आए हैं? हमें सुनकर यह बहुत प्रभावित करता है।
ज़ंग लेई: हाँ। पिछले नवंबर में, त्सिंहुआ ग्रेजुएट स्कूल ने उन्हें शेन्ज़ेन में पाठ पढ़ने के लिए आमंत्रित किया, उन्होंने सुबह पाठ पढ़ाया और दोपहर का समय हमारी टीम के लिए छोड़ दिया। पूरे दोपहर तक हमने बातचीत की और शाम को साथ में खाना खाया। उनका दृष्टिकोण बहुत व्यापक है, और हमारे जनरल विजुअल अंडरस्टैंडिंग और रोबोटिक्स के क्षेत्र के लिए उन्होंने कई सुझाव दिए। हालाँकि वे बुजुर्ग हैं, लेकिन उनकी सोच बहुत स्पष्ट है, और समस्याओं की समझ की तार्किकता और गहराई कहीं कम नहीं है—यह युवाओं के समान है।
हर लहर कल्पना से अधिक होती है, लेकिन लहरें खुद आपके पास आएंगी
AI टेक रिव्यू: पिछले कुछ वर्षों में, गहरी सीख से लेकर बड़े मॉडल और शरीरिक और विश्व मॉडल तक, आपने हर लहर में गहरी भागीदारी की है। हम जानना चाहते हैं कि क्या कोई ऐसा पल था जिसमें आपको लगा “यही मेरा काम है”?
ज़हांग लेई: वस्तु निर्धारण का कार्य, आपके द्वारा वर्णित इस स्थिति के बहुत करीब है। यह कार्य मुझे बहुत गर्व का विषय है, क्योंकि मैं देख सकता हूँ कि पूरे क्षेत्र में क्रांतिकारी प्रगति हुई है।
अगला विश्व मॉडल भी एक ऐसा दिशा है जो मुझे बहुत उत्साहित करती है और जिसमें मैं पूरी तरह से लगना चाहता हूँ। पिछले कुछ दशकों में प्रबलन सीखने और विश्व मॉडल के वैकल्पिक विकास की प्रक्रिया, और भाषा मॉडल की सफलता के प्रतिरूप, दोनों को इसके लिए अनुप्रयोगित किया जा सकता है। मुझे लगता है कि यह दिशा पूरे AI उद्योग पर बड़ा प्रभाव डालेगी।
AI टेक रिव्यू: शोधकर्ताओं के उच्च बिंदुओं की अक्सर चर्चा की जाती है, लेकिन निम्न बिंदुओं के बारे में कम ही बात की जाती है। क्या आपने कभी तकनीकी निम्नता का अनुभव किया है?
ज़हांग लेई: हाँ। 2018 के आसपास, मैंने वस्तु निर्धारण के लिए कमजोर निरीक्षण डेटा का उपयोग करने का प्रयास किया, जिसमें केवल चित्र श्रेणी लेबल के साथ निर्धारण किया जा सकता था, और प्रत्येक वस्तु के बॉक्स को चिह्नित करने से बचा जा सकता था। यह विधि बहुत आकर्षक लगी, मैंने काफी समय बिताया, लेकिन मैंने इसे कभी पूरी तरह से हल नहीं किया।
बाद में, IDEA पर Grounding DINO के साथ, हमने भाषा की समझ और पता लगाने की क्षमताओं को जोड़ा, जिससे समस्या को एक अलग दृष्टिकोण से हल किया गया। यह क्रांति एक ओर हमारे DINO ऑब्जेक्ट डिटेक्शन मॉडल पर हमारे नवीनता से प्राप्त मजबूत आधार के कारण हुई, और दूसरी ओर भाषा मॉडल के विकास के कारण बहुत अधिक लाभान्वित हुई। Grounding DINO की क्रांति 2022 के अंत और 2023 की शुरुआत में हुई, जो ठीक ChatGPT के आने के समय था। एक कहावत है: "जब डेटा पर्याप्त बड़ा होता है, तो बुद्धिमत्ता स्वयं प्रकट हो जाती है"; पर्याप्त डेटा होने पर, एल्गोरिथम पर्याप्त सरल हो सकते हैं।
मुझे लगता है कि असफलताओं से गुजरना सामान्य है, महत्वपूर्ण बात यह है कि आपके पास कठिन समस्याओं के साथ लड़ने की जुनूनी इच्छाशक्ति हो। अगर एक तरीका काम नहीं करता, तो एक अलग कोण से देखें, खाने-पीने और सोने के दौरान भी उस पर विचार करें, और उसके चारों ओर लगातार घूमते रहें। वास्तविक रूप से अच्छी समस्याएं कई सालों तक आपके मन में बनी रहती हैं, और फिर किसी क्षण में, स्वाभाविक रूप से एक गुणात्मक क्रांति का उदय हो सकता है।
AI टेक रिव्यू: अब कई युवा विश्व मॉडल स्टार्टअप भी कर रहे हैं, जैसे निवर्स मैट्रिक्स के चेन बोयुआन और जी जियामिंग, बाईज़े टेक के बाई यिनकी, और वे अभी भी स्नातक छात्र हैं। हमें यह बहुत दिलचस्प लगता है, आप इस "बाद की लहर" के बारे में क्या सोचते हैं?
ज़हांग लेई: इससे स्पष्ट होता है कि अनुसंधान में प्रवेश की बाधा वास्तव में कम हो गई है। गहन अधिगम के उदय से पहले, नए प्रवेशकर्ताओं को कई वर्षों तक बुनियादी ज्ञान अर्जित करना पड़ता था। अब ओपन-सोर्स प्रौद्योगिकियाँ तकनीक को सरल कर रही हैं, और Transformer को समझने से इस क्षेत्र में प्रवेश किया जा सकता है। युवाओं का लाभ यह है कि उनके पास कोई बोझ नहीं होता, और वे प्रथम सिद्धांतों से शुरू करके नए परिप्रेक्ष्य को आसानी से स्वीकार करते हैं। हालाँकि, वास्तविक कठिन समस्याओं के लिए, दृष्टि, समझ और दिशा को नियंत्रित करने की क्षमता वाले अनुभवी शोधकर्ताओं की आवश्यकता होती है।
सामाजिक ट्रेंड हमेशा बदलते रहते हैं, लेकिन अगर आप केवल ट्रेंड का पीछा करने के लिए पीछा करते हैं, तो आप उसे पकड़ नहीं पाएंगे। मूल बात यह है: चाहे दिशा कैसे भी बदले, हर टीम को हमेशा सबसे कुशल लोगों की आवश्यकता होती है। आपको बस सीखने की भावना बनाए रखनी है और अपनी नींव मजबूत रखनी है, तो सबसे अग्रणी दिशाएँ आपको स्वयं ढूंढ़ लेंगी।
एक आविष्कार
इस साक्षात्कार में हमें सबसे अधिक प्रभावित करने वाली बात ज़ांग लेई की चमकदार तकनीकी उपलब्धियाँ नहीं थीं, और न ही उनके द्वारा मार्गदर्शन किए गए उन युवा प्रतिभाओं—इंटर्न हुआंग ज़ेंग, ली शुएलोंग, और माइक्रोसॉफ्ट के पहली पीढ़ी के चेहरा पहचान एल्गोरिथम प्रोजेक्ट में शामिल टीम सदस्य झू लोंग, शियाओ रोंग और यान शुईचेंग।
हमें सबसे अधिक प्रभावित करने वाली बात उनके द्वारा बार-बार उठाए गए शब्द "समझना" था।
यह शब्द, चांग लेई ने तीस साल तक लिखा है।
1990 के शुरुआत में, चिंगहुआ यूनिवर्सिटी के कैंपस में, कृत्रिम बुद्धिमत्ता एक ऐसा विषय था जिसकी कोई दिलचस्पी नहीं थी, और ज़ांग लेई कंप्यूटर विज्ञान विभाग में एक अंडरग्रेजुएट छात्र थे जो AGV कारों के साथ काम कर रहे थे। उस समय प्रयोगशाला प्रमुख डॉक्टरेट के छात्रों को रोबोटिक्स से संबंधित कार्य करने का मार्गदर्शन कर रहे थे, जिसने उन्हें गहरा प्रभाव छोड़ा, और बाद में वे उनके शिष्य बन गए।
उस प्रयोगशाला के प्रमुख का नाम ज़हांग बो है, जो चीनी कृत्रिम बुद्धिमत्ता के स्थापकों में से एक हैं। जब ज़हांग लेई उन्हें प्रयोग के परिणाम देखने के लिए आमंत्रित करते, तो वे हमेशा उत्साह से ज़हांग लेई के पास बैठ जाते, स्क्रीन को कुछ क्षणों तक देखते, और अपनी उंगली बढ़ाकर कहते: "इसे थोड़ा बदल दो, देखो क्या होता है।" यह गृहकार्य की जाँच नहीं है, बल्कि वे सचमुच जानना चाहते हैं कि जब तुम पैरामीटर बदलते हो, तो क्या होता है।
ज़ंग बो ने ज़ंग लेई को जो सिखाया, वह बाद में तीन शब्दों में संक्षिप्त हो गया: "समझ लो".
जो लोग समझ नहीं पाते, वे धोखा खा जाते हैं, जबकि जो समझ जाते हैं, वे बुनियादी सिद्धांत क्या हैं, यह जान जाते हैं।
चीन के पीढ़ी-दर-पीढ़ी वैज्ञानिकों की भावना इन सूक्ष्म बातों से आगे बढ़ती है।
2018 में, ज़ंग लेई ने माइक्रोसॉफ्ट में कमजोर निरीक्षण वस्तु निरीक्षण पर काम किया, लेकिन वह सफल नहीं हुआ, उसने विषय नहीं बदला।
अगर यह चक्र काम नहीं करता, तो एक अलग कोण से देखें, खाने और सोने के दौरान भी इसके बारे में सोचें, इसके चारों ओर लगातार घूमते रहें।
यह रूपक नहीं है, यह उसकी दिनचर्या है।
बाद में, IDEA पर ग्राउंडिंग DINO करते समय, उन्होंने समस्या को एक अलग दृष्टिकोण से हल किया। उल्लेखनीय क्षण 2022 के अंत में ChatGPT के आने का था—भाषा मॉडल की क्षमताएं बढ़ गईं, डेटा पर्याप्त रूप से बड़ा हो गया।
ज़ंग लेई ने एक वर्णन किया: "स्वाभाविक रूप से उभरना"।
AGV रोबोट के पैरामीटर्स को बदलने से लेकर विश्व मॉडल को समझने तक, बीच में तीस साल का अंतर था। इस तीस साल के दौरान उन्होंने बड़े पैमाने पर छवि खोज से लेकर सामान्य दृश्य समझ तक हर समस्या को पूरी तरह समझने और उसे सर्वोत्तम ढंग से हल करने का प्रयास किया, जब तक कि वे फिर से “रोबोट के लिए विश्व मॉडल बनाना” इस दिशा में नहीं आ गए। जैसा स्टीव जॉब्स ने कहा था — “डॉट्स कनेक्ट करें” — हर एक गंभीरता से किया गया काम, बर्बाद नहीं होता।
2025 के अंत तक, 90 वर्षीय ज़ांग बो शेन्ज़ेन आए और पाठ पढ़े। सुबह पाठ पूरा करने के बाद, उन्होंने दोपहर को शिक्षा भविष्य के कार्यालय में बिताया। सात-आठ युवा उनके चारों ओर इकट्ठे हो गए, और वे पूरे दोपहर बोलते रहे। शाम को एक साथ खाना खाते समय, उन्होंने अपने पढ़ाई के समय की कहानियाँ सुनाईं और इस दिशा के बारे में अपने निर्णयों की व्याख्या की। उनकी सोच स्पष्ट थी, तर्क सुदृढ़ था, और वे युवाओं से कम नहीं थे। ज़ांग लेई ने भी अपने शिक्षक को अपने वर्तमान कार्यों के बारे में बताया।
शिक्षक को अपनी शोध प्रगति के बारे में बताते हुए ज़ांग लेई
तीस साल पहले, चिंगहुआ गार्डन में, शिक्षक छात्र के पास बैठकर कहते थे: आप इसे थोड़ा बदलिए, देखिए कैसा लगता है।
तीस साल बाद, शेन्ज़ेन कार्यालय, एक छात्र अपने 90 वर्षीय शिक्षक को अपने द्वारा बनाए जा रहे विश्व मॉडल के बारे में बता रहा है।
यह कितना भावुक दृश्य पुनर्निर्माण है।
लोग बूढ़े हो जाते हैं, ज्वार भाटा उतर जाता है, ट्रेंड्स ठंडे पड़ जाते हैं, लेकिन चीनी वैज्ञानिकों की एक-एक करके विश्व की समस्याओं को “पूरी तरह समझने” की लगन कभी नहीं बदली। Leifengwang