কৃত্রিম বুদ্ধিমত্তার জন্য এটি এক আকর্ষণীয় সময়। দীর্ঘদিন ধরে AI-এর অগ্রগতি একটি সহজ নিয়ম মেনে চলেছে: মডেলকে আরও বড় করা। আরও বেশি প্যারামিটার, আরও বেশি ডেটা, আরও বেশি গণনাশক্তি। এই পদ্ধতি কাজ করেছে, তবে গুরুতর সমস্যাও তৈরি করেছে। বড় মডেলকে প্রশিক্ষণ দেওয়া ব্যয়বহুল, সময়সাপেক্ষ এবং বিপুল পরিমাণ শক্তি খরচ করে।
সম্প্রতি Nvidia একটি ভিন্ন ধারণা উপস্থাপন করেছে, যার নাম Mixture of Experts বা MOE। প্রতিটি কাজের জন্য পুরো নিউরাল নেটওয়ার্ক সক্রিয় করার বদলে, মডেলটি শিখে নেয় সিস্টেমের কোন অংশগুলো আসলে প্রয়োজন। প্রতিটি অংশ একটি নির্দিষ্ট ক্ষেত্রের বিশেষজ্ঞের মতো কাজ করে। কোনো প্রশ্নের উত্তর দিতে শুধু সবচেয়ে প্রাসঙ্গিক বিশেষজ্ঞদেরই ব্যবহার করা হয়।
এতে সিস্টেমটি আরও দক্ষ ও নমনীয় হয়। মানুষ যেভাবে কাজ করে, তার সঙ্গে এর মিল আছে। প্রতিটি সমস্যায় সাহায্যের জন্য আপনি পরিচিত সবাইকে জিজ্ঞেস করেন না। সেই পরিস্থিতিতে যারা সবচেয়ে উপযুক্ত, তাদেরই জিজ্ঞেস করেন। MOE-এর মাধ্যমে AI সিস্টেমগুলো অপ্রয়োজনীয়ভাবে ভারী না হয়েও আরও বুদ্ধিমান হয়ে উঠতে পারে।
অনেক গবেষক মনে করেন, সাধারণ কৃত্রিম বুদ্ধিমত্তা বা AGI অর্জনের দীর্ঘমেয়াদি লক্ষ্যের জন্য এই দিকটি গুরুত্বপূর্ণ। বহু ধরনের সমস্যা সামলাতে পারে এমন একটি সিস্টেমের জন্য শুধু বিশাল আকারই যথেষ্ট নয়। তার সিদ্ধান্ত নেওয়ার ক্ষমতা দরকার। কোন সক্ষমতা কখন ব্যবহার করতে হবে, তা জানা দরকার।
এই ধারণা শুধু গবেষণাপত্রেই সীমাবদ্ধ নয়।
আসলে, Dvina-এ আমরা একই ধরনের একটি পদ্ধতি নিয়ে কাজ করে আসছি। শুরু থেকেই আমরা ধরে নিয়েছিলাম, কোনো একক ভাষা মডেল বা টুল সব কাজে ভালো হবে না। তাই একটি মডেলের ওপর নির্ভর না করে আমরা একটি অর্কেস্ট্রেটর স্তর তৈরি করেছি, যা একাধিক মডেল, টুল ও ডেটা উৎসের ওপর কাজ করে।
এই অর্কেস্ট্রেটর সিদ্ধান্ত নেওয়ার স্তর হিসেবে কাজ করে। ব্যবহারকারী কোনো প্রশ্ন করলে এটি ঠিক করে কোন মডেল বা সংস্থান ব্যবহার করা উচিত। কখনও এটি একটি ব্যবহার করে। কখনও একাধিক মডেল বা সংস্থান একসঙ্গে ব্যবহার করে এবং ফলাফলগুলো একত্র করে। লক্ষ্য জটিলতা দেখানো নয়, বরং একটি সহজ অভিজ্ঞতার আড়ালে সেই জটিলতা লুকিয়ে রাখা।
ফলে এমন একটি সিস্টেম তৈরি হয়, যা পরিস্থিতির সঙ্গে মানিয়ে নিতে পারে বলে মনে হয়। আপনি একটি প্রশ্ন করেন, আর সিস্টেমটি সবচেয়ে দক্ষ উপায়ে কীভাবে উত্তর দিতে হবে, তা বের করে। মূল ভাবনায় এটি মডেল স্তরে MOE যা প্রস্তাব করে তার খুব কাছাকাছি, তবে এখানে তা সিস্টেম স্তরে প্রয়োগ করা হয়েছে।
AGI এখনও আসেনি। তবে MOE-এর মতো ধারণাগুলো দেখায়, সামনে এগোনোর পথ শুধু আকার বাড়ানোর মধ্যে সীমাবদ্ধ নয়। কাঠামো, সমন্বয় এবং সংস্থানের আরও বুদ্ধিদীপ্ত ব্যবহারও এর অংশ।
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.
