১০টি ডেমো যা ১০০টি আর্টিকেলের চেয়েও ভালো করে AI বোঝায়

বুদ্ধিমত্তার চাক্ষুষ প্রমাণ

AI নিয়ে পড়ার দিন শেষ। এখন সময় তা দেখার। বছরের পর বছর ধরে ব্যবহারকারীরা লার্জ ল্যাঙ্গুয়েজ মডেল কী করতে পারে তা কেবল টেক্সট বর্ণনার ওপর নির্ভর করে জেনেছেন। এখন OpenAI এবং Google-এর মতো কোম্পানির হাই-প্রোফাইল ভিডিও ডেমো পুরো আলোচনার মোড় ঘুরিয়ে দিয়েছে। এই ক্লিপগুলো এমন সফটওয়্যার দেখাচ্ছে যা রিয়েল টাইমে দেখতে, শুনতে এবং কথা বলতে পারে। তারা এমন ভিডিও জেনারেটর দেখাচ্ছে যা একটি মাত্র বাক্য থেকে সিনেমাটিক জগত তৈরি করে। এই ডেমোগুলো রিসার্চ পেপার এবং আসল প্রোডাক্টের মধ্যে সেতুবন্ধন হিসেবে কাজ করে। এগুলো এমন এক ভবিষ্যতের ঝলক দেয় যেখানে কম্পিউটার কেবল একটি টুল নয়, বরং একজন সহযোগী। তবে, একটি ডেমো মানেই একটি পারফরম্যান্স। এটি এমন এক প্রযুক্তির দিকে সতর্কভাবে সাজানো জানালা যা হয়তো এখনও জনসাধারণের জন্য পুরোপুরি প্রস্তুত নয়।

ইন্ডাস্ট্রির বর্তমান অবস্থা বুঝতে হলে চকচকে পিক্সেলের বাইরে তাকাতে হবে। আমাদের প্রশ্ন করতে হবে যে এই ভিডিওগুলো কী প্রমাণ করে আর কী লুকিয়ে রাখে। লক্ষ্য হলো ইঞ্জিনিয়ারিংয়ের সাফল্যকে মার্কেটিংয়ের নাটক থেকে আলাদা করা। এই পার্থক্যই প্রতিটি বড় টেক ফার্মের বর্তমান যুগকে সংজ্ঞায়িত করছে। আমরা এখন আর মডেলগুলোকে শুধু তাদের বেঞ্চমার্ক দিয়ে বিচার করছি না। আমরা তাদের বিচার করছি লেন্স বা মাইক্রোফোনের মাধ্যমে বাস্তব জগতের সাথে মিথস্ক্রিয়া করার ক্ষমতা দিয়ে। এই পরিবর্তন মাল্টিমডাল যুগের সূচনা করে, যেখানে ইন্টারফেসটি তার পেছনের বুদ্ধিমত্তার মতোই গুরুত্বপূর্ণ।

সাজানো বাস্তবতার ব্যবচ্ছেদ

একটি আধুনিক AI ডেমো হলো সফটওয়্যার ইঞ্জিনিয়ারিং এবং ফিল্ম প্রোডাকশনের সংমিশ্রণ। যখন কোনো কোম্পানি মানুষকে একটি মডেলের সাথে মিথস্ক্রিয়া করতে দেখায়, তখন তারা প্রায়শই নিখুঁত অবস্থায় সেরা হার্ডওয়্যার ব্যবহার করে। এই ডেমোগুলো সাধারণত তিনটি ক্যাটাগরিতে পড়ে। প্রথমটি হলো প্রোডাক্ট ডেমো। এটি এমন একটি ফিচার দেখায় যা অবিলম্বে ব্যবহারকারীদের জন্য রোল আউট করা হচ্ছে। দ্বিতীয়টি হলো পসিবিলিটি ডেমো। এটি দেখায় যে Google DeepMind-এর গবেষকরা ল্যাব পরিবেশে কী অর্জন করেছেন কিন্তু এখনও লাখ লাখ ব্যবহারকারীর জন্য স্কেল করতে পারেননি। তৃতীয়টি হলো পারফরম্যান্স। এটি ভবিষ্যতের এমন একটি রূপ যা ভারী এডিটিং বা নির্দিষ্ট প্রম্পটের ওপর নির্ভর করে, যা সাধারণ মানুষের নাগালের বাইরে।

উদাহরণস্বরূপ, যখন আমরা একটি মডেলকে ক্যামেরার লেন্সের মাধ্যমে বস্তু শনাক্ত করতে দেখি, তখন আমরা মাল্টিমডাল প্রসেসিংয়ে একটি বিশাল লাফ দেখছি। মডেলটিকে ভিডিও ফ্রেম প্রসেস করতে হয়, সেগুলোকে ডেটায় রূপান্তর করতে হয় এবং মিলিসেকেন্ডের মধ্যে প্রাকৃতিক ভাষায় উত্তর তৈরি করতে হয়। এটি প্রমাণ করে যে ল্যাটেন্সি বাধা দূর হচ্ছে। এটি দেখায় যে আর্কিটেকচারটি উচ্চ ব্যান্ডউইথ ইনপুট সামলাতে পারে। তবে, যা প্রমাণিত নয় তা হলো এই সিস্টেমগুলোর নির্ভরযোগ্যতা। একটি ডেমো দেখায় না যে মডেলটি কতবার বস্তুটি শনাক্ত করতে ব্যর্থ হয়েছে। এটি সেই হ্যালুসিনেশন দেখায় না যেখানে AI আত্মবিশ্বাসের সাথে একটি বিড়ালকে টোস্টার হিসেবে শনাক্ত করে।

জনসাধারণ এই টুলগুলোর প্রস্তুতির মাত্রাকে অতিরঞ্জিত করে, অথচ একবার কাজ করানোর জন্য প্রয়োজনীয় প্রযুক্তিগত অর্জনকে অবমূল্যায়ন করে। টেক্সট থেকে একটি সামঞ্জস্যপূর্ণ ভিডিও তৈরি করা একটি বিশাল গাণিতিক চ্যালেঞ্জ। পদার্থবিদ্যার নিয়ম মেনে এটি করা আরও কঠিন। আমরা ওয়ার্ল্ড সিমুলেটরের জন্ম দেখছি। এগুলো কেবল ভিডিও প্লেয়ার নয়। এগুলো এমন ইঞ্জিন যা আলো এবং গতির কাজ করার ধরন অনুমান করে। ফলাফলগুলো বর্তমানে সাজানো হলেও, অন্তর্নিহিত সক্ষমতা কম্পিউটিংয়ের বিশাল পরিবর্তনের ইঙ্গিত দেয়।

বৈশ্বিক শ্রমের পরিবর্তন

এই ডেমোগুলোর প্রভাব সিলিকন ভ্যালির বাইরেও অনেক দূর পর্যন্ত বিস্তৃত। বৈশ্বিক পর্যায়ে, এই সক্ষমতাগুলো শ্রম এবং শিক্ষা সম্পর্কে দেশগুলোর চিন্তাভাবনা বদলে দিচ্ছে। যেসব দেশ বিজনেস প্রসেস আউটসোর্সিংয়ের ওপর ব্যাপকভাবে নির্ভরশীল, সেখানে রিয়েল টাইমে AI-কে জটিল কাস্টমার সার্ভিস কল সামলাতে দেখা একটি সতর্কবার্তা। এটি ইঙ্গিত দেয় যে অটোমেটেড বুদ্ধিমত্তার খরচ উন্নয়নশীল অর্থনীতির মানুষের শ্রমের খরচের চেয়ে নিচে নেমে যাচ্ছে। এটি সরকারগুলোর ওপর তাদের অর্থনৈতিক কৌশল পুনর্বিবেচনা করার এক নতুন চাপ সৃষ্টি করছে।

একই সময়ে, এই ডেমোগুলো আন্তর্জাতিক প্রতিযোগিতায় একটি নতুন ফ্রন্টের প্রতিনিধিত্ব করে। Anthropic-এর মতো কোম্পানির সবচেয়ে উন্নত মডেলগুলোর অ্যাক্সেস এখন জাতীয় নিরাপত্তার বিষয় হয়ে দাঁড়িয়েছে। যদি একটি মডেল কোড লিখতে বা হার্ডওয়্যার ডিজাইন করতে সহায়তা করতে পারে, তবে সেরা মডেলের অধিকারী দেশটির স্পষ্ট সুবিধা থাকে। এটি কম্পিউট রিসোর্স এবং ডেটা সার্বভৌমত্বের জন্য দৌড়ঝাঁপ শুরু করেছে। আমরা স্থানীয় মডেলগুলোর দিকে অগ্রসর হতে দেখছি যা গোপনীয়তা রক্ষা এবং নিয়ন্ত্রণ বজায় রাখার জন্য নির্দিষ্ট দেশের সীমানার মধ্যে চলতে পারে।

বৈশ্বিক দর্শক সৃজনশীলতার গণতন্ত্রীকরণও দেখছে। একটি প্রত্যন্ত গ্রামের স্মার্টফোন ব্যবহারকারী এখন হলিউডের স্টুডিওর মতো একই সৃজনশীল শক্তি অ্যাক্সেস করতে পারে। এটি সৃজনশীল অর্থনীতিকে সমতল করার সম্ভাবনা রাখে। এটি এমন সব গল্প এবং ধারণার বৈচিত্র্যকে অনুমতি দেয় যা আগে উচ্চ এন্ট্রি খরচের কারণে বাধাগ্রস্ত ছিল। তবে, এটি ভুল তথ্যের ঝুঁকিও নিয়ে আসে। যে প্রযুক্তি একটি সুন্দর ডেমো তৈরি করে, তা একটি বিশ্বাসযোগ্য মিথ্যাও তৈরি করতে পারে। বৈশ্বিক সম্প্রদায়কে এখন এই বাস্তবতার সাথে লড়াই করতে হবে যে দেখা মানেই বিশ্বাস করা নয়। ইন্টারনেট সংযোগ আছে এমন প্রতিটি ব্যক্তির জন্য এর ঝুঁকি বাস্তব এবং তাৎক্ষণিক।

সিন্থেটিক সহকর্মীদের সাথে বসবাস

নিকট ভবিষ্যতে সারাহ নামের একজন মার্কেটিং ম্যানেজারের জীবনের একটি দিন কল্পনা করুন। সে তার সকাল শুরু করে একটি AI অ্যাসিস্ট্যান্ট খুলে, যা তার শিডিউল এবং ইমেইলগুলো দেখেছে। সে টাইপ করে না। কফি বানানোর সময় সে অ্যাসিস্ট্যান্টের সাথে কথা বলে। AI তিনটি গুরুত্বপূর্ণ কাজের সারসংক্ষেপ দেয় এবং প্রজেক্ট প্রপোজালের জন্য একটি ড্রাফট সাজেস্ট করে। সারাহ AI-কে প্রতিযোগীর প্রোডাক্টের ভিডিও দেখে মূল ফিচারগুলো শনাক্ত করতে বলে। AI কয়েক সেকেন্ডের মধ্যে তা করে ফেলে এবং একটি তুলনামূলক টেবিল তৈরি করে যা সারাহ তার মিটিংয়ে ব্যবহার করতে পারে।

পরের দিন বিকেলে, সারাহর একটি নতুন ক্যাম্পেইনের জন্য ছোট প্রমোশনাল ক্লিপ তৈরি করতে হয়। প্রোডাকশন ক্রু নিয়োগের পরিবর্তে, সে একটি ভিডিও জেনারেশন টুল ব্যবহার করে। সে দৃশ্য, আলো এবং মেজাজ বর্ণনা করে। টুলটি ক্লিপটির চারটি ভিন্ন সংস্করণ তৈরি করে। সে একটি বেছে নেয় এবং AI-কে কোম্পানির ব্র্যান্ডিংয়ের সাথে মিলিয়ে অভিনেতার শার্টের রঙ পরিবর্তন করতে বলে। এডিটটি তাৎক্ষণিকভাবে হয়ে যায়। এটি আজকের দেখা ডেমোগুলোর ব্যবহারিক প্রয়োগ। এটি সারাহকে প্রতিস্থাপন করার বিষয় নয়। এটি তার ধারণা এবং চূড়ান্ত প্রোডাক্টের মধ্যবর্তী ঘর্ষণ দূর করার বিষয়।

তবে, বৈপরীত্যগুলো দৃশ্যমান। যদিও AI সহায়ক, সারাহকে কোম্পানির আইনি সম্মতির বিষয়ে মডেলটির করা একটি ভুল সংশোধন করতে ত্রিশ মিনিট ব্যয় করতে হয়। মডেলটি আত্মবিশ্বাসী ছিল কিন্তু ভুল ছিল। সে আরও লক্ষ্য করে যে AI দক্ষিণ-পূর্ব এশিয়ায় তার টার্গেট মার্কেটের নির্দিষ্ট সাংস্কৃতিক সূক্ষ্মতাগুলোর সাথে লড়াই করছে। ডেমোটি একটি সর্বজনীন বুদ্ধিমত্তা দেখিয়েছিল, কিন্তু বাস্তবতা হলো এটি নির্দিষ্ট ডেটার ওপর প্রশিক্ষিত একটি টুল যার সীমাবদ্ধতা রয়েছে।

প্রত্যাশার পরিবর্তন স্পষ্ট। ব্যবহারকারীরা এখন আশা করে যে তাদের সফটওয়্যার প্রোঅ্যাক্টিভ হবে। তারা আশা করে যে এটি না বলা সত্ত্বেও প্রসঙ্গ বুঝতে পারবে। এটি ওয়েবসাইট এবং অ্যাপ তৈরির ধরন বদলে দিচ্ছে। আমরা বাটন এবং মেনু থেকে সরে এসে স্বাভাবিক কথোপকথনের দিকে যাচ্ছি। এই পরিবর্তন বুঝতে, আরও বিস্তারিত প্রযুক্তিগত বিশ্লেষণের জন্য আধুনিক কৃত্রিম বুদ্ধিমত্তার ট্রেন্ড দেখা উচিত।

সারাহর অভিজ্ঞতা AI সম্পর্কে মানুষের করা দুটি প্রধান ভুল তুলে ধরে:

• তারা অতিরঞ্জিত করে যে AI তার কাজের অর্থ কতটা বোঝে।
• তারা অবমূল্যায়ন করে যে পুনরাবৃত্তিমূলক কাজে তারা কতটা সময় বাঁচাবে।

জাদুর উচ্চ মূল্য

এই ডেমোগুলোকে ঘিরে থাকা উত্তেজনা প্রায়শই দীর্ঘমেয়াদী স্থায়িত্ব সম্পর্কে কঠিন প্রশ্নগুলোকে আড়াল করে। আমাদের অগ্রগতির বর্ণনার প্রতি কিছুটা সন্দেহ পোষণ করতে হবে। প্রথমত, এই মডেলগুলো চালানোর জন্য প্রয়োজনীয় বিশাল কম্পিউট খরচ কে বহন করছে? প্রতিবার যখন একজন ব্যবহারকারী মাল্টিমডাল AI-এর সাথে মিথস্ক্রিয়া করেন, তখন এটি ব্যয়বহুল GPU প্রসেসের একটি চেইন ট্রিগার করে। বর্তমান বিজনেস মডেলগুলো প্রায়শই এই খরচ কভার করে না, যা ভেঞ্চার ক্যাপিটাল বা বিশাল কর্পোরেট ভর্তুকির ওপর নির্ভরতার দিকে নিয়ে যায়। এটি প্রশ্ন তোলে যে ভর্তুকি শেষ হয়ে গেলে কী হবে? এই টুলগুলো কি অল্প কয়েকজনের বিলাসিতায় পরিণত হবে?

দ্বিতীয়ত, আমাদের ডেটার লুকানো খরচের কথা বিবেচনা করতে হবে। বেশিরভাগ মডেল ইন্টারনেটের সম্মিলিত আউটপুটের ওপর প্রশিক্ষিত। এর মধ্যে কপিরাইটযুক্ত কাজ, ব্যক্তিগত ডেটা এবং লাখ লাখ মানুষের সৃজনশীল শ্রম অন্তর্ভুক্ত, যারা কখনোই তাদের কাজ এভাবে ব্যবহারের সম্মতি দেয়নি। মডেলগুলো যত বেশি সক্ষম হয়ে উঠছে, উচ্চ মানের মানব ডেটার সরবরাহ তত কমে আসছে। কিছু কোম্পানি এখন অন্য AI দ্বারা তৈরি ডেটার ওপর AI-কে প্রশিক্ষণ দিচ্ছে। এটি গুণমান হ্রাস বা ত্রুটির ফিডব্যাক লুপের দিকে নিয়ে যেতে পারে।

তৃতীয়ত, গোপনীয়তার সমস্যা রয়েছে। একটি AI-কে সত্যিকার অর্থে সাহায্যকারী হতে হলে, আপনি যা দেখেন তা তাকে দেখতে হয় এবং আপনি যা শোনেন তা তাকে শুনতে হয়। এর জন্য এমন পর্যায়ের নজরদারি প্রয়োজন যা আগে অকল্পনীয় ছিল। আমরা কি একটি উন্নত অ্যাসিস্ট্যান্টের বিনিময়ে আমাদের দৈনন্দিন জীবনের রিয়েল টাইম ফিড কোনো কর্পোরেশনের হাতে তুলে দিতে স্বাচ্ছন্দ্যবোধ করি? ডেমোগুলো সুবিধা দেখায় কিন্তু তারা খুব কমই ডেটা সেন্টারগুলো দেখায় যেখানে এই তথ্য সংরক্ষণ এবং বিশ্লেষণ করা হয়। আমাদের জিজ্ঞাসা করতে হবে যে এই মডেলগুলোর ওয়েট কার মালিকানাধীন এবং কার এগুলো বন্ধ করার ক্ষমতা আছে। ঝুঁকি কেবল উৎপাদনশীলতার নয়। এগুলো ব্যক্তিগত জীবনের মৌলিক অধিকারের বিষয়। এটি ক্ষমতার প্রশ্ন।

এজেন্টিক যুগের নেপথ্যে

পাওয়ার ইউজারদের জন্য, আগ্রহের বিষয় হলো সেই প্রযুক্তিগত প্লাম্বিং যা এই ডেমোগুলোকে সম্ভব করে। আমরা এজেন্টিক ওয়ার্কফ্লোর বিশ্বের দিকে এগিয়ে যাচ্ছি। এর মানে হলো AI কেবল টেক্সট তৈরি করে না। এটি টুল ব্যবহার করে। এটি API কল করে, লোকাল স্টোরেজে লেখে এবং অন্যান্য সফটওয়্যারের সাথে মিথস্ক্রিয়া করে। বর্তমান বাধা মডেলের বুদ্ধিমত্তা নয়, বরং সিস্টেমের *ল্যাটেন্সি*। একটি ডেমোকে সাবলীল দেখাতে, ডেভেলপাররা প্রায়শই বিশেষ হার্ডওয়্যার বা অপ্টিমাইজড ইনফারেন্স ইঞ্জিন ব্যবহার করেন।

এই মডেলগুলোকে পেশাদার ওয়ার্কফ্লোতে সংহত করার সময়, কয়েকটি বিষয় গুরুত্বপূর্ণ হয়ে ওঠে:

• কনটেক্সট উইন্ডো লিমিট: এমনকি সেরা মডেলগুলোও খুব দীর্ঘ কথোপকথনে তথ্যের ট্র্যাক হারিয়ে ফেলতে পারে।
• API রেট লিমিট: উচ্চ মানের মডেলগুলো প্রায়শই থ্রটল করা হয়, যা সেগুলোকে ভারী প্রোডাকশন কাজের জন্য ব্যবহার করা কঠিন করে তোলে।
• লোকাল বনাম ক্লাউড: ম্যাক বা পিসিতে স্থানীয়ভাবে একটি মডেল চালানো গোপনীয়তা এবং গতি দেয় কিন্তু উল্লেখযোগ্য VRAM প্রয়োজন।

আমরা ছোট ল্যাঙ্গুয়েজ মডেলের উত্থান দেখেছি যা কনজিউমার হার্ডওয়্যারে চলতে পারে। এই মডেলগুলো প্রায়শই বড় সংস্করণ থেকে ডিস্টিল করা হয়, যা ফুটপ্রিন্ট কমিয়ে যুক্তির সক্ষমতা ধরে রাখে। এটি সেই ডেভেলপারদের জন্য গুরুত্বপূর্ণ যারা এমন অ্যাপ তৈরি করতে চান যা স্থায়ী ইন্টারনেট সংযোগের ওপর নির্ভর করে না। JSON মোড এবং স্ট্রাকচার্ড আউটপুটের দিকে পরিবর্তন AI-এর জন্য প্রথাগত ডেটাবেসের সাথে কথা বলা সহজ করেছে।

তবে, ডেমো থেকে স্থিতিশীল প্রোডাক্টে রূপান্তর কঠিন রয়ে গেছে। একটি ডেমো এজ কেসগুলোকে উপেক্ষা করতে পারে। একটি প্রোডাকশন এনভায়রনমেন্ট তা পারে না। ডেভেলপারদের মডেল রেসপন্সের ড্রিফট এবং নন-ডিটারমিনিস্টিক সফটওয়্যারের অনিশ্চয়তা পরিচালনা করতে হয়। ইন্ডাস্ট্রির গিক সেকশন বর্তমানে রিট্রিভাল অগমেন্টেড জেনারেশনের প্রতি আসক্ত, যা এই মডেলগুলোকে বাস্তব জগতের তথ্যের ওপর ভিত্তি করে গড়ে তোলার একটি উপায়। হার্ডওয়্যার সফটওয়্যারের সাথে তাল মিলিয়ে চলার সাথে সাথে এই কাজ অব্যাহত থাকবে।

হাইপ সম্পর্কে রায়

যে ডেমোগুলো আমাদের বর্তমান মুহূর্তকে সংজ্ঞায়িত করে, সেগুলো কেবল মার্কেটিংয়ের চেয়েও বেশি কিছু। এগুলো প্রযুক্তির সাথে বেঁচে থাকার একটি নতুন পদ্ধতির জন্য কনসেপ্টের প্রমাণ। তারা দেখায় যে মানুষের উদ্দেশ্য এবং মেশিনের কার্যকর করার মধ্যবর্তী বাধাগুলো বিলীন হয়ে যাচ্ছে। কিন্তু আমাদের সমালোচনামূলক হতে হবে। একটি ডেমো একটি প্রতিশ্রুতি, সমাপ্ত প্রোডাক্ট নয়। এটি এমন একটি টুলের সেরা সম্ভাব্য সংস্করণ দেখায় যা এখনও উন্নয়নের অধীনে রয়েছে। আমাদের ডেমোটিকে বিচার করতে হবে যে এটি যাচাই-বাছাইয়ের অধীনে কী প্রমাণ করে এবং ক্যামেরার জন্য কী সাজানো থাকে তার ওপর ভিত্তি করে।

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।

এই ডেমোগুলোর আসল মূল্য হলো এগুলো আমাদের প্রত্যাশাকে কীভাবে পরিবর্তন করে। এগুলো আমাদের এমন এক জগত কল্পনা করতে বাধ্য করে যেখানে কম্পিউটার আমাদের শর্তে আমাদের বোঝে। আমরা যত এগিয়ে যাব, ফোকাস ভিডিওতে AI কী করতে পারে তা থেকে সরে এসে আমাদের ডেস্কে কী করতে পারে তার দিকে চলে যাবে। চকচকে পারফরম্যান্স এবং অগোছালো বাস্তবতার মধ্যবর্তী বৈপরীত্য ইন্ডাস্ট্রির পরবর্তী পর্যায়কে সংজ্ঞায়িত করবে। ডেমোটিকে বিচার করুন এটি যা প্রমাণ করে তার দ্বারা, কিন্তু টুলটি ব্যবহার করুন এটি বাস্তবে যা প্রদান করে তার জন্য।

কোনো ত্রুটি বা সংশোধনের প্রয়োজন এমন কিছু খুঁজে পেয়েছেন? আমাদের জানান।