কৃত্রিম বুদ্ধিমত্তার জন্য এটি সত্যিই এক আকর্ষণীয় সময়। দীর্ঘদিন ধরে AI-তে অগ্রগতি একটি সহজ নিয়ম মেনেই এগিয়েছে: মডেলকে আরও বড় করা। বেশি parameters, বেশি data, বেশি compute। এটি কাজ করেছে, কিন্তু এর ফলে গুরুতর সমস্যাও তৈরি হয়েছে। বড় মডেল train করা ব্যয়বহুল, ধীর, এবং বিপুল পরিমাণ শক্তি খরচ করে।
সম্প্রতি, Nvidia Mixture of Experts, বা MOE নামে একটি ভিন্ন ধারণা উপস্থাপন করেছে। প্রতিটি কাজের জন্য পুরো neural network সক্রিয় করার বদলে, মডেলটি শিখে নেয় সিস্টেমের কোন অংশগুলো আসলে দরকার। প্রতিটি অংশ একটি নির্দিষ্ট ক্ষেত্রে বিশেষজ্ঞের মতো কাজ করে। কোনো নির্দিষ্ট প্রশ্নের ক্ষেত্রে, শুধু সবচেয়ে প্রাসঙ্গিক বিশেষজ্ঞদেরই ব্যবহার করা হয়।
এতে সিস্টেমটি আরও দক্ষ এবং আরও নমনীয় হয়। এটি মানুষের কাজ করার পদ্ধতির সঙ্গেও মিল আছে। আপনি যে কোনো সমস্যায় সাহায্যের জন্য আপনার পরিচিত প্রত্যেককে জিজ্ঞেস করেন না। আপনি তাদেরই জিজ্ঞেস করেন, যারা সেই পরিস্থিতির জন্য সবচেয়ে উপযুক্ত। MOE-এর মাধ্যমে, AI সিস্টেমগুলো অপ্রয়োজনীয়ভাবে ভারী না হয়েও আরও বুদ্ধিমান হয়ে উঠতে পারে।
অনেক গবেষকের বিশ্বাস, Artificial General Intelligence বা AGI-র দীর্ঘমেয়াদি লক্ষ্যে পৌঁছাতে এই দিকটি গুরুত্বপূর্ণ। এমন একটি সিস্টেম, যা বহু ধরনের সমস্যা সামলাতে পারে, তার জন্য শুধু আকার বড় হলেই চলে না। তার সিদ্ধান্ত নেওয়ার ক্ষমতা দরকার। কোন সক্ষমতা কখন ব্যবহার করতে হবে, তা জানাও দরকার।
এই ধারণা শুধু গবেষণাপত্রের মধ্যেই সীমাবদ্ধ নয়।
আসলে, Dvina-এ আমরা অনেক দিন ধরেই এ ধরনের একটি পদ্ধতি নিয়ে কাজ করছি। শুরু থেকেই আমরা ধরে নিয়েছিলাম যে কোনো একক language model বা tool সবকিছুতেই সমান ভালো হবে না। তাই একটি মডেলের ওপর নির্ভর না করে, আমরা এমন একটি orchestrator layer তৈরি করেছি, যা একাধিক model, tool, এবং data source-এর ওপর বসে কাজ করে।
এই orchestrator একটি decision layer হিসেবে কাজ করে। ব্যবহারকারী যখন কোনো প্রশ্ন করেন, তখন এটি ঠিক করে কোন model বা resource ব্যবহার করা উচিত। কখনও এটি একটি ব্যবহার করে। কখনও কয়েকটি একসঙ্গে ব্যবহার করে এবং ফলাফলগুলো একত্র করে। লক্ষ্য জটিলতা দেখানো নয়, বরং সেটিকে একটি সহজ অভিজ্ঞতার আড়ালে লুকিয়ে রাখা।
ফলাফল হলো এমন একটি সিস্টেম, যা নিজেকে পরিস্থিতি অনুযায়ী মানিয়ে নিতে পারে বলে মনে হয়। আপনি একটি প্রশ্ন করেন, আর সিস্টেমটি সবচেয়ে দক্ষ উপায়ে কীভাবে তার উত্তর দিতে হবে, তা নিজেই বের করে। ভাবগতভাবে এটি মডেল স্তরে MOE যা প্রস্তাব করে তার খুব কাছাকাছি, তবে এখানে তা সিস্টেম স্তরে প্রয়োগ করা হয়েছে।
AGI এখনও এসে পৌঁছায়নি। কিন্তু MOE-এর মতো ধারণাগুলো দেখায় যে সামনে এগোনোর পথ শুধু scale-এর বিষয় নয়। এটি structure, coordination, এবং resource-এর আরও বুদ্ধিমান ব্যবহারের বিষয়।
If you are curious what this kind of approach feels like in practice, you can try Dvina for free at https://dvina.ai. It is not AGI, but it gives a small glimpse into how future AI systems may think and operate.
