এক্সপার্ট সিস্টেম থেকে চ্যাটজিপিটি: ২০২৬ সালের দিকে দ্রুত যাত্রা

কৃত্রিম বুদ্ধিমত্তার গতিপথকে প্রায়শই একটি আকস্মিক বিস্ফোরণ হিসেবে দেখা হয়, কিন্তু ২০২৬ সালের পথটি কয়েক দশক আগেই তৈরি হয়েছিল। আমরা বর্তমানে স্ট্যাটিক সফটওয়্যারের যুগ থেকে এমন একটি সময়ে প্রবেশ করছি যেখানে সম্ভাবনা আমাদের ডিজিটাল মিথস্ক্রিয়াগুলোকে নিয়ন্ত্রণ করছে। এই পরিবর্তনটি কম্পিউটার কীভাবে মানুষের উদ্দেশ্য প্রক্রিয়া করে তার একটি মৌলিক রূপান্তর। প্রাথমিক সিস্টেমগুলো প্রতিটি সম্ভাব্য নিয়ম হার্ড-কোড করার জন্য মানুষের ওপর নির্ভর করত, যা ছিল ধীর এবং ভঙ্গুর। আজ, আমরা লার্জ ল্যাঙ্গুয়েজ মডেল ব্যবহার করি যা বিশাল ডেটাসেট থেকে প্যাটার্ন শেখে, যা আগে অসম্ভব ছিল এমন নমনীয়তা প্রদান করে। এই রূপান্তরটি কেবল স্মার্ট চ্যাটবট সম্পর্কে নয়। এটি গ্লোবাল প্রোডাক্টিভিটি স্ট্যাকের সম্পূর্ণ পরিবর্তনের বিষয়ে। আগামী দুই বছরের দিকে তাকালে, ফোকাস সাধারণ টেক্সট জেনারেশন থেকে জটিল এজেন্টিক ওয়ার্কফ্লো-এর দিকে সরে যাচ্ছে। এই সিস্টেমগুলো কেবল প্রশ্নের উত্তরই দেবে না, বরং বিভিন্ন প্ল্যাটফর্ম জুড়ে মাল্টি-স্টেপ কাজ সম্পন্ন করবে। এই ক্ষেত্রে তারাই বিজয়ী হবে যাদের ডিস্ট্রিবিউশন এবং ব্যবহারকারীর আস্থা সবচেয়ে বেশি। প্রযুক্তিগত বিপর্যয়ের পরবর্তী ঢেউ অনুমান করার জন্য এই বিবর্তন বোঝা অপরিহার্য।

মেশিন লজিকের দীর্ঘ পথ

আমরা কোথায় যাচ্ছি তা বোঝার জন্য, আমাদের এক্সপার্ট সিস্টেম থেকে নিউরাল নেটওয়ার্কের রূপান্তরটি দেখতে হবে। ১৯৮০-এর দশকে, এআই মানে ছিল “এক্সপার্ট সিস্টেম”। এগুলো ছিল “যদি-তবে” স্টেটমেন্টের বিশাল ডেটাবেস। যদি কোনো রোগীর জ্বর এবং কাশি থাকে, তবে একটি নির্দিষ্ট সংক্রমণের জন্য পরীক্ষা করুন। যৌক্তিক হলেও, এই সিস্টেমগুলো তাদের পূর্বনির্ধারিত নিয়মের বাইরের সূক্ষ্মতা বা ডেটা সামলাতে পারত না। এগুলো ছিল ভঙ্গুর। যদি পৃথিবী পরিবর্তিত হতো, তবে কোডটি হাতে নতুন করে লিখতে হতো। এটি স্থবিরতার একটি সময় নিয়ে এসেছিল যেখানে প্রযুক্তি তার নিজস্ব হাইপের সাথে তাল মিলিয়ে চলতে পারেনি। সেই যুগের যুক্তি আজও কম্পিউটার নির্ভরযোগ্যতা সম্পর্কে আমাদের চিন্তাভাবনাকে প্রভাবিত করে, যদিও আমরা এখন আরও ফ্লুইড মডেলের দিকে এগিয়ে যাচ্ছি।

আধুনিক যুগ ট্রান্সফরমার আর্কিটেকচার দ্বারা সংজ্ঞায়িত, যা ২০১৭ সালের একটি গবেষণাপত্রে প্রবর্তিত হয়েছিল। এটি কম্পিউটারকে নিয়ম শেখানোর লক্ষ্য থেকে সরিয়ে পরবর্তী সিকোয়েন্স অনুমান করতে শেখানোর দিকে নিয়ে গেছে। চেয়ার কী তা বলার পরিবর্তে, মডেলটি লক্ষ লক্ষ ছবি এবং চেয়ারের বর্ণনা দেখে যতক্ষণ না এটি চেয়ারের পরিসংখ্যানগত সারমর্ম বুঝতে পারে। এটিই চ্যাটজিপিটি এবং এর প্রতিদ্বন্দ্বীদের মূল ভিত্তি। এই মডেলগুলো মানুষের মতো তথ্য “জানে” না। তারা পূর্ববর্তী শব্দের প্রেক্ষাপটের ওপর ভিত্তি করে সবচেয়ে সম্ভাব্য পরবর্তী শব্দটি গণনা করে। এই পার্থক্যটি অত্যন্ত গুরুত্বপূর্ণ। এটি ব্যাখ্যা করে কেন একটি মডেল একটি সুন্দর কবিতা লিখতে পারে কিন্তু একটি সাধারণ গণিত সমস্যায় ব্যর্থ হতে পারে। একটি হলো ভাষার প্যাটার্ন, অন্যটির জন্য প্রয়োজন কঠোর যুক্তি যা আমরা এই মডেলগুলোকে কাজ করানোর জন্য সরিয়ে ফেলেছিলাম। বর্তমান যুগটি বিশাল কম্পিউট পাওয়ার এবং বিশাল ডেটার মিলন, যা এমন একটি টুল তৈরি করছে যা মানুষের মতো মনে হয় কিন্তু বিশুদ্ধ গণিতে কাজ করে।

গ্লোবাল ডমিনেন্সের অবকাঠামো

এই প্রযুক্তির বিশ্বব্যাপী প্রভাব সরাসরি ডিস্ট্রিবিউশনের সাথে যুক্ত। একটি শূন্যস্থানে তৈরি উন্নত মডেলের মান একটি বিলিয়ন অফিস স্যুটে একত্রিত সামান্য খারাপ মডেলের তুলনায় কম। এই কারণেই মাইক্রোসফট এবং ওপেনএআই-এর অংশীদারিত্ব শিল্পকে এত দ্রুত পরিবর্তন করেছে। এআই টুলগুলোকে সরাসরি সেই সফটওয়্যারে স্থাপন করে যা বিশ্ব ইতিমধ্যে ব্যবহার করছে, তারা ব্যবহারকারীদের নতুন অভ্যাস শেখার প্রয়োজনীয়তাকে বাইপাস করেছে। এই ডিস্ট্রিবিউশন সুবিধা একটি ফিডব্যাক লুপ তৈরি করে। আরও বেশি ব্যবহারকারী আরও বেশি ডেটা প্রদান করে, যা আরও ভালো রিফাইনমেন্ট এবং পণ্যের পরিচিতি বাড়ায়। ২০২৬ সালের মাঝামাঝি নাগাদ, ইন্টিগ্রেটেড এআই-এর দিকে এই পরিবর্তন সমস্ত প্রধান সফটওয়্যার প্ল্যাটফর্মে প্রায় সর্বজনীন হয়ে উঠবে।

এই আধিপত্যের বিশ্বব্যাপী শ্রম বাজারের জন্য উল্লেখযোগ্য প্রভাব রয়েছে। আমরা এমন একটি পরিবর্তন দেখছি যেখানে ডিজিটাল কাজের “মিডল-ম্যানেজমেন্ট” স্বয়ংক্রিয় হচ্ছে। যে দেশগুলো আউটসোর্স করা টেকনিক্যাল সাপোর্ট বা বেসিক কোডিংয়ের ওপর ব্যাপকভাবে নির্ভর করে, তাদের জন্য ভ্যালু চেইনে উপরে ওঠার চাপ তীব্র। তবে এটি কেবল চাকরি হারানোর একতরফা গল্প নয়। এটি উচ্চ-স্তরের দক্ষতার গণতন্ত্রীকরণের বিষয়েও। পাইথনে কোনো আনুষ্ঠানিক প্রশিক্ষণ ছাড়া একজন ব্যক্তি এখন স্থানীয় ব্যবসার ডেটা বিশ্লেষণের জন্য কার্যকরী স্ক্রিপ্ট তৈরি করতে পারেন। একটি বিস্তৃত কৃত্রিম বুদ্ধিমত্তা বিশ্লেষণ দেখায় যে এটি উন্নয়নশীল অর্থনীতির ছোট উদ্যোগগুলোর জন্য খেলার মাঠ সমান করে দেয় যারা আগে ডেটা সায়েন্স টিম রাখতে পারত না। এই মডেলগুলো চালানোর জন্য প্রয়োজনীয় হার্ডওয়্যারের জন্য দেশগুলোর মধ্যে প্রতিযোগিতার কারণে ভূ-রাজনৈতিক ঝুঁকিও বাড়ছে। স্ট্যানফোর্ড এইচএআই অনুযায়ী, হাই-এন্ড চিপের নিয়ন্ত্রণ এখন জ্বালানি সম্পদের নিয়ন্ত্রণের মতোই গুরুত্বপূর্ণ হয়ে উঠেছে। এই প্রতিযোগিতা পরবর্তী দশকের অর্থনৈতিক সীমানা নির্ধারণ করবে।

নতুন বুদ্ধিমত্তার সাথে বসবাস

২০২৬ সালে একজন প্রজেক্ট কোঅর্ডিনেটরের জীবনের একটি দিন বিবেচনা করুন। তার সকাল শত শত আলাদা ইমেল চেক করে শুরু হয় না। পরিবর্তে, একটি এআই এজেন্ট ইতিমধ্যে তিনটি ভিন্ন টাইম জোন থেকে রাতের যোগাযোগগুলোকে সারসংক্ষেপ করেছে। এটি সিঙ্গাপুরে শিপিং বিলম্ব চিহ্নিত করেছে এবং পূর্ববর্তী চুক্তির শর্তাবলীর ভিত্তিতে তিনটি সম্ভাব্য সমাধান তৈরি করেছে। তিনি টাইপ করে সময় নষ্ট করেন না। পরিবর্তে, তিনি সিস্টেমের তৈরি করা পছন্দগুলো পর্যালোচনা এবং অনুমোদন করে সময় কাটান। এটি নির্মাতা থেকে এডিটর হওয়ার পরিবর্তন। এর টার্নিং পয়েন্ট ছিল এই উপলব্ধি যে এআই কোনো ডেস্টিনেশন ওয়েবসাইট হওয়া উচিত নয়, বরং একটি ব্যাকগ্রাউন্ড সার্ভিস হওয়া উচিত। এটি এখন নির্দিষ্ট লগইন বা আলাদা ট্যাব ছাড়াই দৈনন্দিন কাজের ফ্যাব্রিকের সাথে মিশে গেছে।

সৃজনশীল শিল্পে, এর প্রভাব আরও দৃশ্যমান। একটি মার্কেটিং টিম এখন সপ্তাহের পরিবর্তে কয়েক ঘণ্টায় উচ্চ-মানের ভিডিও ক্যাম্পেইন তৈরি করতে পারে। তারা স্ক্রিপ্ট তৈরি করতে একটি মডেল, ভয়েসওভার তৈরি করতে আরেকটি এবং ভিজ্যুয়াল অ্যানিমেট করতে তৃতীয় একটি মডেল ব্যবহার করে। ব্যর্থতার খরচ প্রায় শূন্যে নেমে এসেছে, যা ক্রমাগত পরীক্ষা-নিরীক্ষার সুযোগ দিচ্ছে। কিন্তু এটি একটি নতুন সমস্যা তৈরি করে: কন্টেন্টের আধিক্য। যখন সবাই “নিখুঁত” উপাদান তৈরি করতে পারে, তখন সেই উপাদানের মূল্য কমে যায়। বাস্তব বিশ্বের প্রভাব হলো সত্যতা এবং মানব-যাচাইকৃত তথ্যের দিকে পরিবর্তন। নেচার-এর গবেষণা থেকে জানা যায় যে মানুষ সেই অসম্পূর্ণতাগুলো পেতে শুরু করেছে যা নির্দেশ করে যে এতে মানুষের অংশগ্রহণ ছিল। সিন্থেটিক কন্টেন্ট ডিফল্ট হয়ে যাওয়ায় এই “হিউম্যান টাচ”-এর আকাঙ্ক্ষা সম্ভবত একটি প্রিমিয়াম মার্কেট সেগমেন্ট হয়ে উঠবে।

একটি সাধারণ বিভ্রান্তি রয়েছে যে এই মডেলগুলো “চিন্তা” বা “যুক্তি” করছে। বাস্তবে, তারা উচ্চ-গতির রিট্রিভাল এবং সিন্থেসিস করছে। যখন একজন ব্যবহারকারী মডেলকে ভ্রমণের পরিকল্পনা করতে বলেন, মডেলটি ম্যাপ দেখছে না। এটি ভ্রমণের পরিকল্পনাগুলো সাধারণত কীভাবে গঠন করা হয় তার প্যাটার্ন মনে করছে। যখন ভুল হয় তখন এই পার্থক্যটি গুরুত্বপূর্ণ। যদি মডেলটি এমন একটি ফ্লাইটের পরামর্শ দেয় যা বিদ্যমান নেই, তবে এটি মিথ্যা বলছে না। এটি কেবল একটি পরিসংখ্যানগতভাবে সম্ভাব্য কিন্তু ভুল অক্ষরের স্ট্রিং প্রদান করছে। জনমত এবং বাস্তবতার মধ্যে এই পার্থক্যটিই যেখানে বেশিরভাগ কর্পোরেট ঝুঁকি থাকে। যে কোম্পানিগুলো মানুষের তত্ত্বাবধান ছাড়া আইনি বা চিকিৎসা সংক্রান্ত ডেটা সামলানোর জন্য এই সিস্টেমগুলোর ওপর বিশ্বাস করে, তারা দেখছে যে “হ্যালুসিনেশন” সমস্যাটি এমন কোনো বাগ নয় যা সহজে ঠিক করা যায়। এটি প্রযুক্তিটি কীভাবে কাজ করে তার একটি মৌলিক অংশ।

সিন্থেটিক ভবিষ্যতের জন্য কঠিন প্রশ্ন

আমরা যখন এই সিস্টেমগুলোকে আমাদের জীবনের গভীরে একীভূত করছি, আমাদের অবশ্যই জিজ্ঞাসা করতে হবে: এই সুবিধার লুকানো খরচ কী? একটি লার্জ মডেলে পাঠানো প্রতিটি কোয়েরির জন্য ডেটা সেন্টার ঠান্ডা রাখতে প্রচুর বিদ্যুৎ এবং পানির প্রয়োজন হয়। যদি একটি সাধারণ সার্চ কোয়েরি এখন পাঁচ বছর আগের তুলনায় দশ গুণ বেশি শক্তি খরচ করে, তবে উত্তরের প্রান্তিক উন্নতি কি পরিবেশগত টোলের যোগ্য? প্রশিক্ষণের জন্য ব্যবহৃত ডেটার গোপনীয়তাও আমাদের বিবেচনা করতে হবে। আমরা আজ যে মডেলগুলো ব্যবহার করি তার বেশিরভাগই নির্মাতাদের স্পষ্ট সম্মতি ছাড়াই ওপেন ইন্টারনেট স্ক্র্যাপ করে তৈরি করা হয়েছে। একটি শক্তিশালী এআই-এর জনস্বার্থ কি সেই শিল্পী এবং লেখকদের ব্যক্তিগত অধিকারের চেয়ে বেশি গুরুত্বপূর্ণ যাদের কাজ এটি সম্ভব করেছে?

আরেকটি কঠিন প্রশ্ন হলো নিউরাল নেটওয়ার্কের “ব্ল্যাক বক্স” প্রকৃতি। যদি একটি এআই ঋণ বা চিকিৎসা প্রত্যাখ্যান করার সিদ্ধান্ত নেয় এবং ডেভেলপাররা নিজেরাই ব্যাখ্যা করতে না পারে যে কেন মডেলটি সেই সিদ্ধান্তে পৌঁছেছে, তবে আমরা কি সত্যিই সিস্টেমটিকে ন্যায্য বলতে পারি? আমরা পারফরম্যান্সের বিনিময়ে স্বচ্ছতা বিসর্জন দিচ্ছি। এটি কি এমন একটি বাণিজ্য যা আমরা আমাদের আইনি এবং বিচার ব্যবস্থায় করতে ইচ্ছুক? আমাদের ক্ষমতার কেন্দ্রীকরণের দিকেও তাকাতে হবে। যদি মাত্র কয়েকটি কোম্পানি এই মডেলগুলোকে প্রশিক্ষণ দেওয়ার জন্য প্রয়োজনীয় বিলিয়ন ডলার খরচ করতে পারে, তবে একটি মুক্ত এবং উন্মুক্ত ইন্টারনেটের ধারণার কী হবে? আমরা এমন একটি ভবিষ্যতের দিকে এগিয়ে যেতে পারি যেখানে “সত্য” হলো সবচেয়ে শক্তিশালী মডেল যা বলে। এগুলো কোড দিয়ে সমাধান করার মতো প্রযুক্তিগত সমস্যা নয়। এগুলো দার্শনিক এবং সামাজিক চ্যালেঞ্জ যার জন্য মানুষের হস্তক্ষেপ প্রয়োজন। এমআইটি টেকনোলজি রিভিউ-এর উল্লেখ অনুযায়ী, আমরা এখন যে নীতিগত সিদ্ধান্তগুলো নিচ্ছি তা আগামী পঞ্চাশ বছরের ক্ষমতার ভারসাম্য নির্ধারণ করবে।

আধুনিক স্ট্যাকের ভেতরে

পাওয়ার ইউজারের জন্য, ফোকাস চ্যাট ইন্টারফেসের বাইরে লোকাল এক্সিকিউশন এবং এপিআই অর্কেস্ট্রেশনের দিকে সরে গেছে। ক্লাউড-ভিত্তিক মডেলগুলো সবচেয়ে বেশি কাঁচা শক্তি প্রদান করলেও, লোকাল স্টোরেজ এবং এক্সিকিউশনের উত্থান ২০২৬ সালের আসল গল্প। ওলামা (Ollama) এবং লামা.সিপিপি (Llama.cpp)-এর মতো টুলগুলো ব্যবহারকারীদের তাদের নিজস্ব হার্ডওয়্যারে ছোট, অত্যন্ত সক্ষম মডেল চালানোর অনুমতি দেয়। এটি গোপনীয়তার সমস্যা সমাধান করে এবং সার্ভারে রাউন্ড-ট্রিপের ল্যাটেন্সি দূর করে। বাজারের গিক সেকশন বর্তমানে কোয়ান্টাইজেশন নিয়ে আচ্ছন্ন, যা একটি মডেলকে ছোট করার প্রক্রিয়া যাতে এটি খুব বেশি বুদ্ধিমত্তা না হারিয়ে একটি স্ট্যান্ডার্ড কনজিউমার জিপিইউ-তে ফিট করে।

ওয়ার্কফ্লো ইন্টিগ্রেশন এখন পরিশীলিত আরএজি (RAG – Retrieval-Augmented Generation) পাইপলাইনের মাধ্যমে পরিচালিত হয়। আপনার সমস্ত ডেটা মডেলে পাঠানোর পরিবর্তে, আপনি আপনার ডকুমেন্টগুলো একটি ভেক্টর ডেটাবেসে সংরক্ষণ করেন। যখন আপনি একটি প্রশ্ন করেন, সিস্টেম আপনার ডেটার প্রাসঙ্গিক অংশগুলো খুঁজে বের করে এবং শুধুমাত্র সেগুলোই প্রেক্ষাপট হিসেবে মডেলে ফিড করে। এটি কঠোর কনটেক্সট উইন্ডো সীমাবদ্ধতাগুলোকে বাইপাস করে যা এখনও অনেক সিস্টেমকে জর্জরিত করে। এপিআই সীমাবদ্ধতাগুলো উচ্চ-ভলিউম অ্যাপ্লিকেশনের জন্য একটি বাধা হিসেবে রয়ে গেছে, যার ফলে অনেক ডেভেলপার “মডেল রাউটিং” বাস্তবায়ন করছেন। এটি এমন একটি কৌশল যেখানে একটি সস্তা, দ্রুত মডেল সহজ কোয়েরিগুলো সামলায় এবং শুধুমাত্র কঠিন প্রশ্নগুলো ব্যয়বহুল, হাই-এন্ড মডেলগুলোতে পাঠানো হয়। এই পদ্ধতিটি খরচ কমায় এবং একক প্রোভাইডারের ওপর নির্ভর করার চেয়ে ল্যাটেন্সি আরও কার্যকরভাবে পরিচালনা করে। আমরা “স্মল ল্যাঙ্গুয়েজ মডেল”-এর দিকেও একটি পদক্ষেপ দেখছি যা পুরো ইন্টারনেটের পরিবর্তে নির্দিষ্ট, উচ্চ-মানের ডেটাসেটে প্রশিক্ষিত। এই মডেলগুলো প্রায়শই কোডিং বা আইনি বিশ্লেষণের মতো বিশেষ কাজগুলোতে তাদের বড় ভাইদের চেয়ে ভালো পারফর্ম করে এবং কম্পিউট পাওয়ারের একটি ভগ্নাংশ প্রয়োজন হয়। ওয়ার্কফ্লোতে এই মডেলগুলোকে অদলবদল করার ক্ষমতা আধুনিক সফটওয়্যার আর্কিটেকচারের জন্য একটি স্ট্যান্ডার্ড প্রয়োজনীয়তা হয়ে উঠছে।

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।

পরবর্তী দিগন্ত

২০২৬ সালের পথটি অগ্রগতির একটি সরল রেখা নয়, বরং ট্রেড-অফের একটি সিরিজ। আমরা স্বচ্ছতা এবং ভবিষ্যদ্বাণীর বিনিময়ে অবিশ্বাস্য গতি এবং নমনীয়তা অর্জন করেছি। টেক জায়ান্টদের ডিস্ট্রিবিউশন সুবিধা এআইকে দৈনন্দিন জীবনের একটি অবিচ্ছেদ্য অংশ করে তুলেছে, তবুও এই মডেলগুলো কীভাবে কাজ করে তার অন্তর্নিহিত বাস্তবতা সাধারণ মানুষের কাছে ভুল বোঝা থেকে গেছে। ২০২৬ সালের দিকে তাকালে, ফোকাস মডেলগুলোকে বড় করার পরিবর্তে সেগুলোকে আরও দক্ষ এবং স্বায়ত্তশাসিত করার দিকে সরে যাবে। সবচেয়ে সফল ব্যক্তি এবং কোম্পানি তারাই হবে যারা এআই-কে সর্বজ্ঞানী ওরাকলের পরিবর্তে একটি শক্তিশালী কিন্তু ভুলযোগ্য অংশীদার হিসেবে বিবেচনা করবে। যে প্রশ্নটি এখনও জীবন্ত তা হলো, আমরা কি এমন একটি সিস্টেম তৈরি করতে পারি যা পুরোনো এক্সপার্ট সিস্টেমের যুক্তি এবং আধুনিক নিউরাল নেটওয়ার্কের ভাষাগত সাবলীলতা উভয়ই ধারণ করে। ততক্ষণ পর্যন্ত, লুপে থাকা মানুষটিই সমীকরণের সবচেয়ে গুরুত্বপূর্ণ অংশ হিসেবে রয়ে গেছে।

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।