એક નવું AI આર્કિટેક્ચર મંગળ અને ચંદ્રના રોવર્સને પૃથ્વી પરના 4 થી 24 મિનિટના રાઉન્ડ-ટ્રિપની રાહ જોયા વિના શું અભ્યાસ કરવો અને કેવી રીતે આગળ વધવું તે નક્કી કરવાની મંજૂરી આપી શકે છે, જેનાથી લેટન્સી (વિલંબ) ઘટશે જે અત્યારે ઝડપી નિર્ણયો લેવામાં અવરોધ ઊભો કરે છે. 'ડિસિઝન-ટ્રાન્સફોર્મર' (decision-transformer) મોડેલ્સ અને 'ઝીરો-ટ્રસ્ટ ગવર્નન્સ લેયર' (zero-trust governance layer) પર આધારિત આ પ્રસ્તાવ, ભવિષ્યના ગ્રહિય મિશન માટે "વૈજ્ઞાનિક-સ્તરની" સ્વાયત્તતાનું વચન આપે છે.

રોવર્સને શા માટે પોતાના નિર્ણયો લેવાની જરૂર છે

આજકાલના રોવર્સ મૂળભૂત રીતે રિમોટ-કંટ્રોલ કાર જેવા છે. જ્યારે રોબોટ જવાબની રાહ જોતો હોય છે, ત્યારે પૃથ્વી પરથી આવતો કમાન્ડ કતારમાં રહે છે, અને કોઈપણ અણધાર્યો અવરોધ મિશનને કલાકો સુધી અટકાવી શકે છે.

AI માં મોટી સફળતા: ડિસિઝન ટ્રાન્સફોર્મર્સ

ડિસિઝન ટ્રાન્સફોર્મર્સ એક્શન સિલેક્શનને (કાર્ય પસંદગીને) લેંગ્વેજ-મોડેલિંગ કાર્યમાં ફેરવે છે. ટ્રાયલ એન્ડ એરર (ભૂલ કરીને શીખવા) ને બદલે, આ મોડેલ ભૂતકાળની સ્થિતિઓની શ્રેણી—સ્થાન, સેન્સર રીડિંગ્સ—અને તેની સાથે જોડાયેલા રિવોર્ડ્સ—વૈજ્ઞાનિક મૂલ્ય, સુરક્ષા સ્કોર—તપાસે છે અને પછી એવું આગામી પગલું અનુમાનિત કરે છે જે રિવોર્ડને મહત્તમ કરી શકે. અસરકારક રીતે કહીએ તો, વાર્તા અત્યાર સુધી કેવી રીતે ચાલી છે તેના આધારે AI વાર્તાની શ્રેષ્ઠ આગામી પંક્તિ "લખે" છે.

AI ને અવકાશ માટે સુરક્ષિત બનાવવું

ડિઝાઇનમાં બે સુરક્ષા વ્યવસ્થાઓનો સમાવેશ કરવામાં આવ્યો છે:

  • માનવ-સુસંગત ઉદ્દેશ્યો (Human-aligned objectives) – ટીમ મોડેલને ત્રણ મિશન-ક્રિટિકલ લક્ષ્યો વચ્ચે સંતુલન જાળવવા માટે તાલીમ આપે છે: વૈજ્ઞાનિક વળતરને મહત્તમ કરવું (દા.ત., સૌથી રસપ્રદ ખડક પસંદ કરવું), જોખમો ટાળવા (તીવ્ર ઢોળાવ, પાવર લોસ), અને મિશનની મર્યાદાઓનું (સમય, ડેટા બેન્ડવિડ્થ) પાલન કરવું. AI સ્ક્રિપ્ટથી ભટકી જતું નથી; દરેક પસંદગી આ માનવ-નિર્ધારિત પ્રાથમિકતાઓ સામે વજન કરીને કરવામાં આવે છે.

  • ઝીરો-ટ્રસ્ટ ગવર્નન્સ (Zero-trust governance) – સાયબર સિક્યુરિટીમાંથી લેવામાં આવેલ આ ફ્રેમવર્ક એવું માની લે છે કે રોવરનું મગજ હેક થઈ શકે છે અથવા માત્ર ખામીયુક્ત હોઈ શકે છે. એન્જિનિયરો દરેક નિર્ણયને એક અપરિવર્તનીય ઓડિટ ટ્રેલમાં લોગ કરે છે, અને તેઓ AI ને કાર્ય કરવા માટે જરૂરી ન્યૂનતમ પરવાનગીઓ (least-privilege) જ આપે છે.

સાથે મળીને, આ લેયર્સ રોવરને સ્વાયત્ત રીતે કાર્ય કરવા દે છે અને સાથે જ કમાન્ડ ચેઇનને પારદર્શક અને પરિવર્તનીય રાખે છે.

કોને ફાયદો થશે

માર્સ સેમ્પલ રિટર્ન અથવા લુનર પોલર એક્સપ્લોરેશન જેવા ભવિષ્યના મિશનને આ સ્તરની સ્વાયત્તતાની જરૂર છે. ટ્રાન્સફોર્મર મોડેલ્સને કડક સુરક્ષા પ્રોટોકોલ્સ સાથે જોડીને, આપણે આપણા સૌરમંડળમાં વધુ ઊંડાણપૂર્વક સંશોધન કરી શકીએ છીએ.

છુપાયેલા જોખમો

સ્વાયત્તતા જોખમને નવો આકાર આપે છે, અને ઝીરો-ટ્રસ્ટ લેયર દરેક પગલાને વેરિફાયર (verifier) દ્વારા પસાર કરવા માટે મજબૂર કરીને આ જોખમને ઘટાડે છે.

આગળ શું

આ અભિગમ લેખકના અભ્યાસમાં જોવા મળે છે, જે ગ્રહિય ભૂસ્તરશાસ્ત્રીય સર્વેક્ષણ મિશન માટે પદ્ધતિ સૂચવે છે.

મુખ્ય વાત (Takeaway): રોવર્સને નિર્ણય લેવાની પ્રક્રિયાને ભાષાની સમસ્યા તરીકે લેવાનું શીખવીને અને તે ક્ષમતાને કડક ઓડિટ-ફર્સ્ટ સિક્યુરિટી મોડેલમાં લપેટીને, એન્જિનિયરો એવા રોબોટ્સ તરફ આગળ વધી રહ્યા છે જે પૃથ્વી પહોંચની બહાર હોય ત્યારે પણ પોતાની રીતે વિજ્ઞાનના ક્ષેત્રમાં આગળ વધી શકે છે.