කෘත්‍රිම බුද්ධිය (AI) තුළ “World Model” එකක් යනු යම් ක්‍රියාකාරකමකට ප්‍රතිචාර වශයෙන් පරිසරය කාලයත් සමඟ වෙනස් වන ආකාරය පුරෝකථනය කිරීම සඳහා පරිසරය පිළිබඳ අභ්‍යන්තර නිරූපණයක් (internal representation) ගොඩනඟන Machine Learning පද්ධතියකි. හුදෙක් දත්ත වර්ගීකරණය කිරීම හෝ වාක්‍යයක මීළඟ වචනය අනුමාන කිරීම වෙනුවට, මෙම පද්ධති මගින් භෞතික විද්‍යාව, වස්තූන්ගේ හැසිරීම් සහ හේතුඵල සම්බන්ධතා වැනි ගතිකත්වයන් අනුකරණය කරයි (simulate). අභ්‍යන්තර හේතුඵල ව්‍යුහයක් පවත්වා ගැනීම හරහා, සැබෑ ලෝකයේ නිරන්තර අත්හදා බැලීම් සහ වැරදීම් (trial and error) මත රඳා නොපවතී. AI නියෝජිතයින්ට (agents) සැලසුම් කිරීමට, තර්ක කිරීමට සහ ක්‍රියා කිරීමට World Models හැකියාව ලබා දෙයි. මෙම ප්‍රවේශය හුදු රටා හඳුනාගැනීමේ (pattern matching) සිට යථාර්ථය අනුකරණය කිරීම දක්වා වූ දැවැන්ත වෙනසක් වන අතර, එය ස්වයංක්‍රීය පද්ධති සඳහා උසස් හැකියාවන් විවෘත කරයි.

සම්ප්‍රදායික Machine Learning වලින් ඔබ්බට

ඓතිහාසිකව, භෞතික AI නියෝජිතයින් සම්ප්‍රදායික Reinforcement Learning (RL) හෝ Behavioral Cloning මත රඳා පැවති අතර, ඉගෙනීම සඳහා ඔවුන්ට පරිසරය සමඟ සෘජුව කටයුතු කිරීමට සිදුවිය. රොබෝ තාක්ෂණය සහ ස්වයංක්‍රීය පද්ධති සඳහා මෙම සම්ප්‍රදායික ප්‍රවේශය දැඩි සීමාවන් මතු කරයි:

• කාල සීමාවන් (Time Constraints): AI නියෝජිතයින් තත්‍ය කාලීන භෞතික සීමාවන්ට යටත් වන අතර ඉගෙනුම් ක්‍රියාවලිය වේගවත් කළ නොහැක.
• අධික පිරිවැය සහ අවදානම් (High Costs and Risks): දෘඪාංග වලට සිදුවන භෞතික හානි සඳහා අධික පිරිවැයක් දැරීමට සිදුවේ. අසාර්ථක වීම් තුළින් ඉගෙනීම යනු අනතුරුදායක තත්වයන් මඟහරවා ගන්නේ කෙසේදැයි දැන ගැනීමට නම්, නියෝජිතයින් ප්‍රායෝගිකව එම භෞතික අනතුරුවලට මුහුණ දිය යුතු බවයි.
• සහජ අවබෝධය නොමැතිකම (Lack of Intuition): පරිසරයේ යාන්ත්‍රණයන් පිළිබඳ පැහැදිලි අවබෝධයකින් තොරව සම්ප්‍රදායික RL නියෝජිතයින් බොහෝ විට අපැහැදිලි හැසිරීම් වර්ධනය කර ගනී.

ඒජන්තයින්ට “සිහින දැකීමට” හෝ විය හැකි අනාගත තත්ත්වයන් අනුකරණය කිරීමට ඉඩ දීමෙන් World models මෙම ගැටලු විසඳයි. තිරිංග ක්‍රියාවිරහිත වූ විට කුමක් සිදුවේදැයි ඉගෙන ගැනීමට සැබෑ මෝටර් රථයක් අනතුරට ලක් කරනවා වෙනුවට, ස්වයංක්‍රීය වාහනයකට තමන් විසින් ඉගෙන ගත් අනුකරණ පද්ධතිය (simulator) තුළ එම තත්ත්වය පෙරහුරු කළ හැකිය. මනඃකල්පිත අත්දැකීම් වලින් ඉගෙනීමේ මෙම හැකියාව, සම්ප්‍රදායික භෞතික AI යෙදුම් වලට වඩා 10 සිට 100 ගුණයකින් දත්ත කාර්යක්ෂමතාවක් ලබා දෙයි.

මූලික සැකැස්ම: World Models ක්‍රියාත්මක වන ආකාරය

World models මගින් වීඩියෝ රූපරාමු (video frames) හෝ ලයිඩාර් (lidar) ස්කෑන් වැනි අමු සංවේදක දත්ත (raw sensory data) සකසන අතර, මෙම දැවැන්ත ආදානයන් සංයුක්ත සැඟවුණු නිරූපණයන් (compact latent representations) බවට සම්පීඩනය කරයි. අනාගත දර්ශනයක් පික්සලයෙන් පික්සලයට ප්‍රතිනිර්මාණය කිරීමට උත්සාහ කරනවා වෙනුවට, පද්ධතිය අනුමාන කරන්නේ මෙම සම්පීඩිත නිරූපණයන් කෙසේ පරිණාමය වේද යන්නයි.

AI පුරෝගාමියෙකු වන Yann LeCun විසින් හඳුන්වා දුන් Joint Embedding Predictive Architecture (JEPA), බොහෝ නවීන World Models සඳහා සංකල්පීය පදනම ලෙස සේවය කරයි. මෙම ගෘහ නිර්මාණ ශිල්පය සාමාන්‍යයෙන් වෙනස් සංරචක තුනකින් සමන්විත වේ:

• Encoder (එන්කෝඩරය): මෙම මොඩියුලය වත්මන් නිරීක්ෂණය (උදාහරණයක් ලෙස රූපයක් හෝ වීඩියෝ රාමුවක්) සැඟවුණු නිරූපණයක් (latent representation) බවට පරිවර්තනය කරයි.
• Predictor (පුරෝකථනය කරන්නා): වත්මන් සැඟවුණු නිරූපණය ගෙන එය යෝජිත ක්‍රියාවක් හෝ සන්දර්භයක් සමඟ ඒකාබද්ධ කිරීමෙන්, අනාගත තත්වයේ ස්වභාවය මෙම මොඩියුලය මගින් පුරෝකථනය කරයි.
• Target Encoder (ඉලක්කගත එන්කෝඩරය): මෙම මොඩියුලය සැබෑ නිරීක්ෂණ වලින් සත්‍ය අනාගත නිරූපණය නිපදවන අතර, පුරෝකථනය සහ සත්‍ය ප්‍රතිඵලය අතර පරතරය අවම කිරීමෙන් ඉගෙනීමට Predictor හට ඉඩ සලසයි.

JEPA පද්ධතියට අනාගත දර්ශනයක සෑම දෘශ්‍ය විස්තරයක්ම ප්‍රතිනිර්මාණය කිරීමට බල නොකරන බැවින්, එය ජෛව විද්‍යාත්මක බුද්ධිය (biological intelligence) අනුකරණය කරයි. මිනිසුන් දර්ශනයක සෑම පික්සලයකම ඡායාරූපමය මතකයක් පවත්වා ගන්නවා වෙනුවට එම දර්ශනයේ ව්‍යුහය පිළිබඳ සංයුක්ත ආකෘතියක් පවත්වා ගනී.

DreamerV3 වැනි ක්‍රියාකාරකම් මත පදනම් වූ රාමු තුළ, World Model එකක් “Critic” (මනඃකල්පිත ප්‍රතිඵලවල අගය විනිශ්චය කරන අංගය) සහ “Actor” (ක්‍රියාත්මක කිරීමට හොඳම ක්‍රියාවන් තෝරා ගන්නා අංගය) සමඟ සම්බන්ධ වේ. මෙමගින් පික්සලයේ සිට සෘජුවම භෞතික ක්‍රියාකාරකම් දක්වා ඉගෙනීමේ හැකියාව ලබා දෙයි.

World Models සහ Large Language Models (LLMs)

ඉහළ හැකියාවන් ඇති Chatbots සහ Code Assistants බලගන්වන්නේ Generative LLMs මගින් වුවද, ඒවා World Models වලට වඩා මූලික වශයෙන් වෙනස් ලෙස ක්‍රියාත්මක වේ:

• Token Space vs. Representation Space: LLMs පුහුණු කර ඇත්තේ විශාල දත්ත සමුදායන් (text corpora) භාවිතා කරමින් මීළඟට පැමිණෙන වචනය (token) අනුමාන කිරීමටය. නමුත් World Models ක්‍රියාත්මක වන්නේ representation space හි වන අතර, සංවේදක ආදාන (sensory inputs) භාවිතයෙන් භෞතික තත්වයන්ගේ වෙනස්වීම් පුරෝකථනය කරයි.
• භෞතික පදනම (Physical Grounding): LLMs මගින් චතුර ලෙස පෙළ උත්පාදනය කළ හැකි වුවද, භාෂාමය නොවන පරිසරයන්හි අභ්‍යන්තර හේතුඵල ආකෘතියක් ඒවාට නොමැත. එබැවින් ඒවාට සැබෑ ලෝකයේ භෞතික සිදුවීම් නිවැරදිව පුරෝකථනය කිරීම අපහසුය. World Models සඳහා සහය දක්වන්නන් පෙන්වා දෙන්නේ LLMs හුදෙක් පෙළ මත පමණක් පුහුණු කර ඇති බැවින්, භෞතික සිදුවීම් නිවැරදිව පුරෝකථනය කිරීමට ඒවා අපොහොසත් වන බවයි.
• ක්‍රියාකාරකම් ඇගයීම (Action Evaluation): World Models පැහැදිලිවම නිර්මාණය කර ඇත්තේ පරිසරයේ ප්‍රතිඵල වලට එරෙහිව උපකල්පිත භෞතික ක්‍රියාකාරකම් ඇගයීම සඳහා ය.

සැබෑ ලෝකයේ භාවිතයන්

භෞතික AI සහ අන්තර්ක්‍රියාකාරී මෘදුකාංග හරහා Generative world models බෙහෙවින් ප්‍රයෝජනවත් වේ.

• රොබෝ තාක්ෂණය (Robotics): සමාගම් විසින් අනුකරණ (simulations) තුළ නියෝජිතයින් පුහුණු කිරීමට World Models භාවිතා කරයි. වස්තූන්ගේ පැවැත්ම තේරුම් ගැනීමට, සංකීර්ණ ජ්‍යාමිතිය හැසිරවීමට සහ සම්පූර්ණයෙන්ම නව පරිසරයන්ට අනුගත වීමට මෙය රොබෝවරුන්ට ඉඩ සලසයි.
• ස්වයංක්‍රීය රිය පැදවීම (Autonomous Driving): වාහන විසින් සංවේදක කිහිපයක දත්ත (multi-sensor data) සම්පීඩනය කර අනාගත උපකල්පිත රිය පැදවීමේ අවස්ථා පුරෝකථනය කිරීමට World Models භාවිතා කරයි. මහජන මාර්ගවල ජීවිත අවදානමකින් තොරව, අසාමාන්‍ය පදික හැසිරීම් හෝ ආන්තික කාලගුණය වැනි දුර්ලභ සිදුවීම් සඳහා ආරක්ෂිතව ප්‍රතිචාර පරීක්ෂා කිරීමට මෙය ඉඩ සලසයි.
• වීඩියෝ උත්පාදනය සහ අනුකරණය (Video Generation and Simulation): OpenAI හි Sora සහ DeepMind හි Genie වැනි ආකෘති සාමාන්‍ය ලෝක අනුකරණ (world simulators) ලෙස ක්‍රියා කරයි. සරල පෙළ විස්තර හෝ අවකාශීය සැකසුම් වලින් සම්පූර්ණයෙන්ම අන්තර්ක්‍රියාකාරී පරිසරයන් ජනනය කිරීමට Genie පරිශීලකයින්ට ඉඩ සලසයි.

කටපාඩම් කිරීමෙන් (rote memorization) ඔබ්බට ගොස් භෞතික විද්‍යාව, හේතුඵල සම්බන්ධතා සහ අවකාශීය ගතිකතාවයන් පිළිබඳ මූලික සහජ අවබෝධයක් කරා ගමන් කිරීමෙන්, සැබවින්ම ස්වයංක්‍රීය යන්ත්‍ර බුද්ධියක් (autonomous machine intelligence) ගොඩනැගීම සඳහා අවශ්‍ය තීරණාත්මක යටිතල පහසුකම් AI World Models මගින් සපයනු ලබයි.