কেন ছোট মডেলের উন্নতি বড় পরিবর্তন আনছে
সবচেয়ে বড় আর্টিফিশিয়াল ইন্টেলিজেন্স মডেল তৈরির দৌড় এখন এক স্থবিরতায় এসে ঠেকেছে। যদিও খবরের শিরোনামে ট্রিলিয়ন প্যারামিটারযুক্ত বিশাল সিস্টেমের কথা থাকে, কিন্তু আসল অগ্রগতি হচ্ছে ছোট পরিসরে। এই মডেলগুলো কীভাবে ডেটা প্রসেস করে, তার ছোট ছোট উন্নতিগুলো দৈনন্দিন সফটওয়্যারের কাজে বিশাল পরিবর্তন আনছে। আমরা এমন এক সময় থেকে বেরিয়ে আসছি যেখানে শুধু আকারই ছিল একমাত্র মাপকাঠি। বর্তমানে ফোকাস হলো, কীভাবে কম জায়গায় বেশি বুদ্ধিমত্তা ধরে রাখা যায়। এই পরিবর্তন প্রযুক্তিকে সবার জন্য সহজলভ্য ও দ্রুততর করছে। এখন আর বড় মস্তিষ্ক তৈরির বিষয় নয়, বরং বিদ্যমান মস্তিষ্ককে আরও বেশি দক্ষতার সাথে কাজ করানোর বিষয়। যখন একটি মডেল দশ শতাংশ ছোট হয়েও তার নির্ভুলতা বজায় রাখে, তখন তা শুধু সার্ভার খরচই বাঁচায় না, বরং হার্ডওয়্যার সীমাবদ্ধতার কারণে আগে অসম্ভব ছিল এমন সব নতুন অ্যাপ্লিকেশনের পথ খুলে দেয়। এই রূপান্তরটি বর্তমান প্রযুক্তি খাতের সবচেয়ে গুরুত্বপূর্ণ ট্রেন্ড, কারণ এটি বিশাল ডেটা সেন্টার থেকে উন্নত কম্পিউটেশনের ক্ষমতাকে আপনার হাতের মুঠোয় নিয়ে আসছে।
বড় মানেই ভালো—এই যুগের সমাপ্তি
এই ছোটখাটো পরিবর্তনগুলো কেন গুরুত্বপূর্ণ তা বুঝতে হলে আমাদের দেখতে হবে এগুলো আসলে কী। বেশিরভাগ অগ্রগতি তিনটি ক্ষেত্র থেকে আসে: ডেটা কিউরেশন, কোয়ান্টাইজেশন এবং আর্কিটেকচারাল রিফাইনমেন্ট। দীর্ঘ সময় ধরে গবেষকরা বিশ্বাস করতেন যে বেশি ডেটা মানেই ভালো। তারা পুরো ইন্টারনেট স্ক্র্যাপ করে মেশিনে ফিড করতেন। এখন আমরা জানি যে, বিশাল পরিমাণের চেয়ে উচ্চমানের ডেটা অনেক বেশি মূল্যবান। ডেটাসেট পরিষ্কার করে এবং অপ্রয়োজনীয় তথ্য সরিয়ে ইঞ্জিনিয়াররা ছোট মডেল তৈরি করতে পারছেন যা তাদের বড় পূর্বসূরিদের চেয়েও ভালো কাজ করে। একে প্রায়ই টেক্সটবুক কোয়ালিটি ডেটা বলা হয়। আরেকটি বড় কারণ হলো কোয়ান্টাইজেশন। এটি এমন একটি প্রক্রিয়া যেখানে মডেলের হিসাব করার জন্য ব্যবহৃত সংখ্যার প্রিসিশন কমিয়ে আনা হয়। উচ্চ প্রিসিশন ডেসিমেলের পরিবর্তে মডেলটি সাধারণ ইন্টিজার ব্যবহার করতে পারে। শুনতে মনে হতে পারে এটি ফলাফল নষ্ট করবে, কিন্তু চতুর গণিতের মাধ্যমে মডেলটি প্রায় আগের মতোই বুদ্ধিমান থাকে অথচ মেমোরি খরচ অনেক কমে যায়। আপনি এই প্রযুক্তিগত পরিবর্তনগুলো সম্পর্কে QLoRA এবং মডেল কমপ্রেশন বিষয়ক সাম্প্রতিক গবেষণায় আরও পড়তে পারেন।
পরিশেষে, অ্যাটেনশন মেকানিজমের মতো আর্কিটেকচারাল পরিবর্তন রয়েছে যা বাক্যের সবচেয়ে প্রাসঙ্গিক অংশগুলোর ওপর ফোকাস করে। এগুলো কোনো বিশাল পরিবর্তন নয়, বরং গণিতের সূক্ষ্ম সমন্বয় যা সিস্টেমকে নয়েজ এড়িয়ে চলতে সাহায্য করে। যখন আপনি এই বিষয়গুলোকে একত্রিত করেন, তখন এমন একটি মডেল পাওয়া যায় যা রুমভর্তি বিশেষ চিপের বদলে সাধারণ ল্যাপটপেই চলে। মানুষ প্রায়ই সাধারণ কাজের জন্য বিশাল মডেলের প্রয়োজনীয়তাকে অতিরঞ্জিত করে। তারা বুঝতে পারে না যে কয়েক বিলিয়ন প্যারামিটারের মধ্যে কতটা লজিক ধরে রাখা সম্ভব। আমরা এমন একটি ট্রেন্ড দেখছি যেখানে বেশিরভাগ কনজ্যুমার প্রোডাক্টের জন্য ‘যথেষ্ট ভালো’ মানদণ্ড হয়ে উঠছে। এটি ডেভেলপারদের উচ্চ ক্লাউড খরচ মেটানোর জন্য সাবস্ক্রিপশন ফি ছাড়াই অ্যাপে স্মার্ট ফিচার যুক্ত করার সুযোগ দিচ্ছে। এটি সফটওয়্যার তৈরি ও বিতরণের পদ্ধতিতে একটি মৌলিক পরিবর্তন।
কেন ক্লাউড পাওয়ারের চেয়ে লোকাল ইন্টেলিজেন্স বেশি গুরুত্বপূর্ণ
এই ছোট উন্নতিগুলোর বৈশ্বিক প্রভাব অপরিসীম। বিশ্বের বেশিরভাগ মানুষের কাছে বিশাল ক্লাউড-ভিত্তিক মডেলের সাথে ইন্টারঅ্যাক্ট করার মতো হাই-স্পিড ইন্টারনেট নেই। যখন বুদ্ধিমত্তার জন্য ভার্জিনিয়া বা ডাবলিনের সার্ভারের সাথে সবসময় সংযুক্ত থাকতে হয়, তখন তা ধনীদের বিলাসিতা হয়েই থাকে। ছোট মডেলের উন্নতি এই পরিস্থিতি বদলে দিচ্ছে, কারণ এটি সফটওয়্যারকে মিড-রেঞ্জ হার্ডওয়্যারে লোকালি চলার সুযোগ দেয়। এর মানে হলো, গ্রামীণ এলাকার একজন শিক্ষার্থী বা উদীয়মান বাজারের একজন কর্মীও টেক হাবের মানুষের মতোই সমান সহায়তা পেতে পারেন। এটি খেলার মাঠকে এমনভাবে সমান করে যা বিশাল স্কেলিং কখনোই করতে পারত না। বুদ্ধিমত্তার খরচ শূন্যের দিকে নেমে আসছে। এটি প্রাইভেসি ও সিকিউরিটির জন্য বিশেষভাবে গুরুত্বপূর্ণ। যখন ডেটা ডিভাইস থেকে বাইরে যাওয়ার প্রয়োজন হয় না, তখন ডেটা ব্রিচের ঝুঁকি অনেক কমে যায়। সরকার ও স্বাস্থ্যসেবা প্রদানকারীরা এই দক্ষ মডেলগুলোকে নাগরিকের ডেটা সুরক্ষিত রেখে সেবা প্রদানের উপায় হিসেবে দেখছে।
এই পরিবর্তন পরিবেশের ওপরও প্রভাব ফেলে। বড় স্কেলের ট্রেনিং রান প্রচুর বিদ্যুৎ ও কুলিংয়ের জন্য পানি খরচ করে। দক্ষতার ওপর ফোকাস করে ইন্ডাস্ট্রি তাদের কার্বন ফুটপ্রিন্ট কমিয়েও ভালো প্রোডাক্ট দিতে পারে। Nature-এর মতো বৈজ্ঞানিক জার্নালগুলো হাইলাইট করেছে যে কীভাবে দক্ষ এআই ইন্ডাস্ট্রির পরিবেশগত ক্ষতি কমাতে পারে। এই বৈশ্বিক পরিবর্তন যেভাবে প্রকাশ পাচ্ছে তার কয়েকটি উদাহরণ:
- ইন্টারনেট সংযোগ ছাড়াই কাজ করা লোকাল ট্রান্সলেশন সার্ভিস।
- দূরবর্তী ক্লিনিকে পোর্টেবল ট্যাবলেটে চলা মেডিকেল ডায়াগনস্টিক টুল।
- কম খরচের হার্ডওয়্যারে শিক্ষার্থীর প্রয়োজন অনুযায়ী মানিয়ে নেওয়া এডুকেশনাল সফটওয়্যার।
- ভিডিও কলের জন্য রিয়েল-টাইম প্রাইভেসি ফিল্টারিং যা পুরোপুরি ডিভাইসেই ঘটে।
- সস্তা ড্রোন ও লোকাল প্রসেসিং ব্যবহার করে কৃষকদের জন্য স্বয়ংক্রিয় ফসল পর্যবেক্ষণ।
এটি শুধু সবকিছু দ্রুত করার বিষয় নয়, বরং সবকিছুকে সর্বজনীন করার বিষয়। যখন হার্ডওয়্যারের প্রয়োজনীয়তা কমে যায়, তখন সম্ভাব্য ব্যবহারকারীর সংখ্যা বিলিয়ন বিলিয়ন বেড়ে যায়। এই ট্রেন্ডটি এআই ডেভেলপমেন্টের সর্বশেষ ট্রেন্ডের সাথে ঘনিষ্ঠভাবে যুক্ত, যা ক্ষমতার চেয়ে অ্যাক্সেসিবিলিটিকে অগ্রাধিকার দেয়।
অফলাইন অ্যাসিস্ট্যান্টের সাথে একটি মঙ্গলবার
মার্কাস নামে একজন ফিল্ড ইঞ্জিনিয়ারের জীবনের একটি দিনের কথা ভাবুন। তিনি অফশোর উইন্ড টারবাইনে কাজ করেন যেখানে ইন্টারনেট নেই। অতীতে, মার্কাস যদি এমন কোনো যান্ত্রিক ত্রুটির সম্মুখীন হতেন যা তিনি চিনতেন না, তবে তাকে ছবি তুলে উপকূলে ফেরার জন্য অপেক্ষা করতে হতো এবং ম্যানুয়াল বা সিনিয়র সহকর্মীর পরামর্শ নিতে হতো। এতে মেরামত কয়েক দিন পিছিয়ে যেত। এখন, তিনি একটি রাগেডাইজড ট্যাবলেটে অত্যন্ত অপ্টিমাইজড লোকাল মডেল ব্যবহার করেন। তিনি টারবাইন কম্পোনেন্টের দিকে ক্যামেরা ধরলে মডেলটি রিয়েল-টাইমে সমস্যা শনাক্ত করে। এটি মেশিনের নির্দিষ্ট সিরিয়াল নম্বরের ওপর ভিত্তি করে ধাপে ধাপে মেরামতের নির্দেশিকা দেয়। মার্কাস যে মডেলটি ব্যবহার করেন তা কোনো ট্রিলিয়ন প্যারামিটারের দানব নয়। এটি একটি ছোট, বিশেষায়িত সংস্করণ যা মেকানিক্যাল ইঞ্জিনিয়ারিং বোঝার জন্য রিফাইন করা হয়েছে। এটি একটি বাস্তব উদাহরণ যে কীভাবে মডেলের দক্ষতার ছোট উন্নতি উৎপাদনশীলতায় বিশাল পরিবর্তন আনে।
দিনের শেষের দিকে, মার্কাস একই ডিভাইস ব্যবহার করে বিদেশি সরবরাহকারীর একটি টেকনিক্যাল ডকুমেন্ট অনুবাদ করেন। অনুবাদটি প্রায় নিখুঁত কারণ মডেলটি ছোট কিন্তু উচ্চমানের ইঞ্জিনিয়ারিং টেক্সটের সেটের ওপর ট্রেনিং করা হয়েছে। তাকে ক্লাউডে একটি ফাইলও আপলোড করতে হয়নি। এই নির্ভরযোগ্যতা প্রযুক্তিকে বাস্তব জগতে কার্যকর করে তোলে। অনেকে মনে করেন এআইকে সাহায্যকারী হতে হলে জেনারেলিস্ট হতে হবে, কিন্তু মার্কাস প্রমাণ করেছেন যে বিশেষায়িত ছোট সিস্টেমগুলো পেশাদার কাজের জন্য প্রায়ই বেশি কার্যকর। মডেলের ছোট আকার আসলে একটি ফিচার, বাগ নয়। এর মানে হলো সিস্টেমটি দ্রুত, বেশি প্রাইভেট এবং পরিচালনায় সস্তা। মার্কাস গত সপ্তাহে তার সর্বশেষ আপডেট পেয়েছেন এবং গতির পার্থক্য তাৎক্ষণিকভাবে বোঝা গেছে।
BotNews.today কন্টেন্ট গবেষণা, লেখা, সম্পাদনা এবং অনুবাদের জন্য এআই টুল ব্যবহার করে। আমাদের দল তথ্যকে দরকারী, স্পষ্ট এবং নির্ভরযোগ্য রাখতে প্রক্রিয়াটি পর্যালোচনা ও তত্ত্বাবধান করে।
এখানে বৈপরীত্য হলো, মডেলগুলো ছোট হচ্ছে কিন্তু তাদের কাজের পরিধি বড় হচ্ছে। আমরা চ্যাটবটের সাথে কথা বলার পরিবর্তে ওয়ার্কফ্লোতে টুল ইন্টিগ্রেট করার দিকে ঝুঁকছি। মানুষ মডেলের কবিতা লেখার ক্ষমতার গুরুত্বকে অতিরঞ্জিত করে। তারা এমন মডেলের মূল্যকে কম মূল্যায়ন করে যা ঝাপসা ইনভয়েস থেকে নিখুঁতভাবে ডেটা বের করতে পারে বা স্টিলের বিমের সূক্ষ্ম ফাটল শনাক্ত করতে পারে। এই কাজগুলোই বিশ্ব অর্থনীতিকে চালিত করে। এই ছোট উন্নতিগুলো অব্যাহত থাকলে স্মার্ট সফটওয়্যার ও সাধারণ সফটওয়্যারের মধ্যে পার্থক্য মুছে যাবে। সবকিছুই আরও ভালোভাবে কাজ করবে। বর্তমান প্রযুক্তি পরিবেশের এটাই বাস্তবতা।
দক্ষতার ট্রেড-অফের বিষয়ে কঠিন প্রশ্ন
তবে, আমাদের এই ট্রেন্ডের প্রতি কিছুটা সক্রেটিক সংশয়বাদ প্রয়োগ করতে হবে। যদি আমরা ছোট, আরও অপ্টিমাইজড মডেলের দিকে এগিয়ে যাই, তবে আমরা কী পেছনে ফেলে আসছি? একটি কঠিন প্রশ্ন হলো, দক্ষতার ওপর ফোকাস কি আমাদের ‘যথেষ্ট ভালো’র একটি মালভূমিতে নিয়ে যাচ্ছে? যদি একটি মডেল দ্রুত হওয়ার জন্য অপ্টিমাইজ করা হয়, তবে কি এটি সেই এজ কেসগুলো সামলানোর ক্ষমতা হারায় যা একটি বড় মডেল ধরতে পারত? আমাদের জিজ্ঞাসা করতে হবে যে মডেল ছোট করার এই তাড়াহুড়ো কি নতুন কোনো ধরনের বায়াস তৈরি করছে? যদি আমরা এই সিস্টেমগুলোকে ট্রেনিং করার জন্য শুধুমাত্র উচ্চমানের ডেটা ব্যবহার করি, তবে গুণমান কে নির্ধারণ করে? আমরা হয়তো ভুলবশত প্রান্তিক গোষ্ঠীর কণ্ঠস্বর ও দৃষ্টিভঙ্গি ফিল্টার করে ফেলছি কারণ তাদের ডেটা টেক্সটবুক স্ট্যান্ডার্ডের সাথে খাপ খায় না।
আপনার কি কোনো এআই গল্প, টুল, প্রবণতা, বা প্রশ্ন আছে যা আপনার মনে হয় আমাদের কভার করা উচিত? আপনার প্রবন্ধের ধারণা আমাদের পাঠান — আমরা তা শুনতে আগ্রহী।
লুকানো খরচের প্রশ্নও রয়েছে। যদিও ছোট মডেল চালানো সস্তা, একটি বড় মডেলকে ছোট করার জন্য প্রয়োজনীয় গবেষণা ও উন্নয়ন অবিশ্বাস্য রকমের ব্যয়বহুল। আমরা কি শুধু ইনফারেন্স পর্যায় থেকে এনার্জি কনজাম্পশন ট্রেনিং ও অপ্টিমাইজেশন পর্যায়ে সরিয়ে নিচ্ছি? এছাড়া, এই মডেলগুলো ব্যক্তিগত ডিভাইসে সাধারণ হয়ে উঠলে আমাদের প্রাইভেসির কী হবে? এমনকি মডেলটি লোকালি চললেও, আমরা কীভাবে এটি ব্যবহার করি তার মেটাডেটা সংগ্রহ করা হতে পারে। আমাদের জিজ্ঞাসা করা দরকার যে লোকাল ইন্টেলিজেন্সের সুবিধা কি আরও বেশি অনুপ্রবেশকারী ট্র্যাকিংয়ের ঝুঁকির যোগ্য? যদি আপনার ফোনের প্রতিটি অ্যাপের নিজস্ব ছোট মস্তিষ্ক থাকে, তবে সেই মস্তিষ্কগুলো আপনার সম্পর্কে কী শিখছে তা কে পর্যবেক্ষণ করছে? আমাদের হার্ডওয়্যারের দীর্ঘস্থায়িত্ব নিয়েও ভাবতে হবে। যদি সফটওয়্যার আরও দক্ষ হতে থাকে, তবে কোম্পানিগুলো কি আমাদের প্রতি বছর ডিভাইস আপগ্রেড করতে বাধ্য করবে? নাকি এটি এমন এক টেকসই যুগে নিয়ে যাবে যেখানে পাঁচ বছরের পুরনো ফোনও সর্বশেষ টুলগুলো চালানোর ক্ষমতা রাখবে? প্রযুক্তি বিকশিত হওয়ার সাথে সাথে এই বৈপরীত্যগুলোর মুখোমুখি আমাদের হতেই হবে।
কমপ্রেশনের পেছনের ইঞ্জিনিয়ারিং
পাওয়ার ইউজার ও ডেভেলপারদের জন্য, ছোট মডেলের দিকে যাওয়া প্রযুক্তিগত সুনির্দিষ্টতার বিষয়। সবচেয়ে গুরুত্বপূর্ণ মেট্রিক এখন আর শুধু প্যারামিটার সংখ্যা নয়। এটি হলো বিটস পার প্যারামিটার। আমরা ১৬-বিট ফ্লোটিং পয়েন্ট ওয়েট থেকে ৮-বিট এবং এমনকি ৪-বিট কোয়ান্টাইজেশনের দিকে যেতে দেখছি। এটি এমন একটি মডেলকে ১০ গিগাবাইটের কম জায়গায় ফিট করতে সাহায্য করে, যার জন্য সাধারণত ৪০ গিগাবাইট ভি-র্যাম লাগত। এটি লোকাল স্টোরেজ ও জিপিইউ রিকোয়ারমেন্টের জন্য বিশাল পরিবর্তন। ডেভেলপাররা এখন পুরো সিস্টেম রিট্রেন না করেই নির্দিষ্ট কাজে মডেলগুলোকে ফাইন-টিউন করার জন্য LoRA বা লো-র্যাঙ্ক অ্যাডাপ্টেশনের দিকে তাকাচ্ছেন। এটি ওয়ার্কফ্লো ইন্টিগ্রেশনকে অনেক সহজ করে তোলে। আপনি এই পদ্ধতিগুলোর টেকনিক্যাল ডকুমেন্টেশন MIT Technology Review-এ খুঁজে পাবেন।
অ্যাপ্লিকেশন তৈরির সময় আপনাকে নিচের প্রযুক্তিগত সীমাবদ্ধতাগুলো বিবেচনা করতে হবে:
- লোকাল ইনফারেন্সের জন্য মেমোরি ব্যান্ডউইথ প্রায়ই কাঁচা কম্পিউট পাওয়ারের চেয়ে বড় বাধা হয়ে দাঁড়ায়।
- ক্লাউড মডেলের এপিআই লিমিটগুলো কম প্রাসঙ্গিক হয়ে উঠছে কারণ লোকাল হোস্টিং প্রোডাকশনের জন্য কার্যকর হয়ে উঠছে।
- কনটেক্সট উইন্ডো ম্যানেজমেন্ট ছোট মডেলগুলোর জন্য এখনও একটি চ্যালেঞ্জ কারণ তারা দীর্ঘ কথোপকথনের ট্র্যাক দ্রুত হারিয়ে ফেলে।
- FP8 ও INT4 প্রিসিশনের মধ্যে পছন্দ সৃজনশীল কাজে হ্যালুসিনেশনের হারে উল্লেখযোগ্য প্রভাব ফেলতে পারে।
- লোকাল স্টোরেজের প্রয়োজনীয়তা কমছে কিন্তু দ্রুত মডেল লোড করার জন্য হাই-স্পিড NVMe ড্রাইভের প্রয়োজন রয়ে গেছে।
আমরা স্পেকুলেটিভ ডিকোডিংয়ের উত্থানও দেখছি, যেখানে একটি ছোট মডেল পরবর্তী কয়েকটি টোকেন প্রেডিক্ট করে এবং একটি বড় মডেল সেগুলো যাচাই করে। এই হাইব্রিড পদ্ধতি ছোট মডেলের গতি ও বড় মডেলের নির্ভুলতার সুবিধা দেয়। এটি মডেলের আকারের প্রথাগত ট্রেড-অফগুলো এড়িয়ে যাওয়ার একটি চতুর উপায়। এই ক্ষেত্রে এগিয়ে থাকতে চাওয়া যে কারো জন্য, মডেল স্ক্র্যাচ থেকে তৈরি করার চেয়ে এই কমপ্রেশন টেকনিকগুলো বোঝা বেশি গুরুত্বপূর্ণ। ভবিষ্যৎ তাদের, যারা কম দিয়ে বেশি করতে পারে। ফোকাস এখন কাঁচা ক্ষমতার চেয়ে চতুর ইঞ্জিনিয়ারিংয়ের দিকে সরছে।
অপ্টিমাল পারফরম্যান্সের চলমান লক্ষ্য
সারকথা হলো, ‘বড় মানেই ভালো’—এই যুগের অবসান ঘটছে। সবচেয়ে গুরুত্বপূর্ণ অগ্রগতি এখন আর বেশি লেয়ার বা বেশি ডেটা যোগ করার বিষয় নয়। এগুলো হলো রিফাইনমেন্ট, দক্ষতা এবং অ্যাক্সেসিবিলিটির বিষয়। আমরা এমন এক পরিবর্তন দেখছি যা উন্নত কম্পিউটেশনকে ক্যালকুলেটরের মতোই সাধারণ করে তুলবে। এই অগ্রগতি শুধু একটি প্রযুক্তিগত অর্জন নয়, এটি একটি সামাজিক অর্জনও বটে। এটি হার্ডওয়্যার বা ইন্টারনেট সংযোগ নির্বিশেষে সবার কাছে সবচেয়ে উন্নত গবেষণার ক্ষমতা নিয়ে আসে। এটি অপ্টিমাইজেশনের পেছনের দরজা দিয়ে বুদ্ধিমত্তার গণতন্ত্রীকরণ।
সম্পাদকের মন্তব্য: আমরা এই সাইটটি একটি বহুভাষিক এআই সংবাদ এবং নির্দেশিকা কেন্দ্র হিসাবে তৈরি করেছি তাদের জন্য যারা কম্পিউটার বিশেষজ্ঞ নন, কিন্তু তবুও কৃত্রিম বুদ্ধিমত্তা বুঝতে চান, এটিকে আরও আত্মবিশ্বাসের সাথে ব্যবহার করতে চান এবং যে ভবিষ্যত ইতিমধ্যেই আসছে, তা অনুসরণ করতে চান।
কোনো ত্রুটি বা সংশোধনের প্রয়োজন এমন কিছু খুঁজে পেয়েছেন? আমাদের জানান।আমরা যখন সামনের দিকে তাকাই, তখন প্রশ্ন থেকেই যায়: আমরা কি বুদ্ধিমত্তাকে ছোট করার উপায় খুঁজে পাব, নাকি শেষ পর্যন্ত এমন কোনো ভৌত সীমায় পৌঁছাব যা আমাদের ক্লাউডে ফিরে যেতে বাধ্য করবে? আপাতত, ট্রেন্ড পরিষ্কার। ছোটই এখন নতুন বড়। আগামীকাল আমরা যে সিস্টেমগুলো ব্যবহার করব, তা তারা কতটা জানে তার দ্বারা নয়, বরং তাদের কাছে যা আছে তা তারা কতটা ভালোভাবে ব্যবহার করে তার দ্বারা সংজ্ঞায়িত হবে।
