$7 ট্রিলিয়নের প্রশ্ন

গুরুত্বপূর্ণ সন্ধিক্ষণে AI শিল্প: উদ্ভাবনের সীমা, পুঁজির চাপ এবং ভবিষ্যৎকে নতুন রূপ দেওয়া কৌশলগত বিভাজন

Muhammed Gider
6 মিনিটের পাঠ • 

$7 ট্রিলিয়নের প্রশ্ন

উজ্জ্বল শিরোনামের আড়ালে AI শিল্প উদ্ভাবনের গতি, পুঁজির জোগান কতটা টেকসই এবং মডেল ডেভেলপার ও অ্যাপ্লিকেশন নির্মাতাদের ভিন্নমুখী পথ নিয়ে মৌলিক প্রশ্নের মুখোমুখি হচ্ছে।

শিল্পের নীরব মোড়বদল

গত তিন বছরে কৃত্রিম বুদ্ধিমত্তা নজিরবিহীন গতিতে বেড়েছে। ChatGPT চালু হওয়ার পর থেকে সাধারণ মানুষের মধ্যে এর ব্যবহার রেকর্ড ভেঙেছে, OpenAI থেকে Google পর্যন্ত বড় প্রতিষ্ঠানগুলো একের পর এক মডেল ঘোষণা করেছে এবং Fortune 500 কোম্পানিগুলো তাদের ব্যবসায়িক প্রক্রিয়ার কেন্দ্রে AI-কে স্থান দিয়েছে। তবু আজ, উজ্জ্বল শিরোনামের আড়ালে শিল্পটি সম্পূর্ণ ভিন্ন একটি মৌলিক প্রশ্নের মুখোমুখি:

সত্যিকারের উদ্ভাবন কি এখনও জোর গতিতে এগিয়ে চলেছে, নাকি আমরা এক বিশাল যন্ত্রকে অদৃশ্য সীমায় গিয়ে ঠেকতে দেখছি?

এই প্রশ্নের যথাযথ উত্তর দিতে হলে আমাদের পুরো ইকোসিস্টেমকে দুটি স্বতন্ত্র দৃষ্টিকোণ থেকে দেখতে হবে:

প্রাইমারি বাজার: GPT-4, Claude ও Gemini-এর মতো ভিত্তিমূলক মডেল তৈরি করে যেসব কোম্পানি: OpenAI, Anthropic, Google DeepMind, Meta।

সেকেন্ডারি বাজার: এই মডেলগুলো ব্যবহার করে ব্যবহারকারীদের বাস্তব সমস্যার সমাধান তৈরি করে যেসব কোম্পানি: Perplexity, Cursor, Notion AI, Replit।

দুটি বাজার একই শিল্পের অংশ হলেও তাদের গতিপ্রকৃতি, খরচের কাঠামো, ঝুঁকির ধরন ও প্রবৃদ্ধির প্রত্যাশা মৌলিকভাবে ভিন্ন। আজ আমরা যে টানাপোড়েন দেখছি, তার উৎস ঠিক এই পার্থক্যেই।

মডেল উন্নয়নের স্বাভাবিক সীমা স্পষ্ট হচ্ছে

গত পাঁচ বছরে বৃহৎ ভাষা মডেলের বিবর্তনকে রূপ দিয়েছে চারটি মৌলিক উপাদান:

  • মডেলের আকার (প্যারামিটারের সংখ্যা)
  • প্রশিক্ষণ ডেটা (গুণমান ও বৈচিত্র্য)
  • গণনাশক্তি (GPU/TPU সক্ষমতা)
  • প্রশিক্ষণ কৌশল (ট্রান্সফরমার স্থাপত্য, অ্যাটেনশন প্রক্রিয়া)

2018 থেকে 2023 পর্যন্ত এই চারটি উপাদান একই দিকে সম্প্রসারিত হয়েছে, ফলে বিশাল অগ্রগতি ঘটেছে। এভাবেই আমরা GPT-2 থেকে GPT-4-এ, BERT থেকে PaLM-এ পৌঁছেছি। তবে অগ্রগতির এই ধারা অনির্দিষ্টকাল চলবে না। প্রশিক্ষণ ডেটাই এখন এই শিল্পের অগ্রগতির পথে সবচেয়ে গুরুত্বপূর্ণ বাধা।

উচ্চমানের, বৈচিত্র্যময় ও মৌলিক মানবসৃষ্ট ডেটার ভাণ্ডার সীমিত। আপনি Wikipedia-এর ডেটা দিয়ে মডেল প্রশিক্ষণ দেন, arXiv-এর ডেটা দিয়ে দেন, GitHub-এর ডেটা দিয়ে দেন—তারপর? কপিরাইটের সমস্যা, ডেটার মালিকানা-সংক্রান্ত চুক্তি ও প্রবেশাধিকারের সীমাবদ্ধতার কারণে এই ক্ষেত্রে খরচ সূচকীয় হারে বাড়ছে। আপনি Reddit-এর সঙ্গে চুক্তি করেন, Stack Overflow-এর সঙ্গে দরকষাকষি করেন, The New York Times-এর মামলার মুখোমুখি হন। মডেলের আকার বাড়ানো এখনও প্রযুক্তিগতভাবে সম্ভব, কিন্তু ডেটার সীমাবদ্ধতা সেখানে একটি স্বাভাবিক ঊর্ধ্বসীমা তৈরি করে।

এ কারণেই এই শিল্পে মনোযোগ মডেলের আকার থেকে সরে দক্ষতার দিকে গেছে। ধাপে ধাপে যুক্তি বিশ্লেষণ, মানুষের প্রতিক্রিয়ার ভিত্তিতে রিইনফোর্সমেন্ট লার্নিং (RLHF), আরও কার্যকর নমুনা নির্বাচনের কৌশল, মিক্সচার-অব-এক্সপার্টস (MoE) স্থাপত্য—সবই এই রূপান্তরের অংশ।

এই অগ্রগতিগুলো গুরুত্বপূর্ণ, কিন্তু একা এগুলো টেকসই নয়। কারণ একসময় দক্ষতা বৃদ্ধিও সর্বোচ্চ সীমায় পৌঁছে যায়। এই শিল্প এখন বুঝতে শুরু করেছে যে ভিত্তিমূলক মডেলের উদ্ভাবন এমন এক পর্যায়ে প্রবেশ করেছে, যেখানে অগ্রগতি আরও ধীর ও ব্যয়বহুল।

পুঁজিপ্রবাহের চাপ ও ক্রমবর্ধমান ভঙ্গুরতা

প্রযুক্তিগত সীমাবদ্ধতাগুলো যত স্পষ্ট হয়ে উঠছে, পুঁজির দিকের প্রবৃদ্ধি ততই বেশি ঝুঁকিপূর্ণ হয়ে উঠছে।

ভিত্তিমূলক মডেল নির্মাতা কোম্পানিগুলো বিশাল কম্পিউটিং অবকাঠামো গড়ে তুলছে এবং মেধাবী কর্মী পাওয়ার লড়াইয়ে অত্যন্ত আকর্ষণীয় প্রস্তাব দিচ্ছে। আয়ের শক্ত ভিত গড়ে ওঠার আগেই এসব ব্যয় হচ্ছে। OpenAI-এর বার্ষিক কম্পিউটিং খরচ কয়েক বিলিয়নে পৌঁছায়। Anthropic Microsoft-এর কাছ থেকে কয়েক বিলিয়ন বিনিয়োগ পায়। Google DeepMind-এর জন্য আলাদা বাজেট বরাদ্দ করে।

ডেটা সেন্টারে কয়েক বিলিয়ন বিনিয়োগ, বহু বছরের GPU চুক্তি, Ilya Sutskever-এর মতো ব্যক্তিদের আকাশছোঁয়া বেতন—এসব কোম্পানিগুলোর ব্যয় বিপুলভাবে বাড়িয়ে দেয়।

এই চিত্র দেখায় যে প্রাথমিক বাজার এমন একটি সম্প্রসারণ মডেলের ওপর দাঁড়িয়ে আছে, যা অর্থনৈতিকভাবে অত্যন্ত ভঙ্গুর। মডেল উদ্ভাবনের ব্যয়কাঠামো রাজস্ব বৃদ্ধির হারকে অনেকটাই ছাড়িয়ে যায়।

অ্যাপ্লিকেশন স্তরের নীরব উত্থান

প্রাথমিক বাজার চাপের মধ্যে থাকলেও দ্বিতীয় স্তরের বাজারে প্রবৃদ্ধির ধারা তুলনামূলকভাবে সুস্থ। এই কোম্পানিগুলো ভিত্তিমূলক মডেল নিয়ে সেগুলোকে বাস্তব ব্যবহারের উপযোগী করে তোলে।

  • Perplexity: অনুসন্ধানের অভিজ্ঞতাকে নতুনভাবে সাজাচ্ছে
  • Cursor & Replit: কোডিং প্রক্রিয়াকে রূপান্তর করছে
  • Notion AI: উৎপাদনশীলতার টুলগুলোকে বুদ্ধিমান করে তুলছে
  • Dvina: 120+ অ্যাপ্লিকেশনের সঙ্গে সংযুক্ত হয়ে একটি বুদ্ধিমান স্তর থেকেই পুরো ডিজিটাল জীবন পরিচালনা করছে

এই কোম্পানিগুলোর সুবিধা হলো, তারা ব্যবহারকারীর সবচেয়ে কাছাকাছি থাকে। ব্যবহারকারীর অভিজ্ঞতাতেই সরাসরি প্রকৃত মূল্য তৈরি হয়। অনুসন্ধান, কোডিং, কনটেন্ট তৈরি, উৎপাদনশীলতা, তথ্য প্রক্রিয়াকরণ—এসব ক্ষেত্রেই সহজবোধ্য ও সম্প্রসারণযোগ্য রাজস্ব মডেল রয়েছে।

এ কারণেই অনেক ভিত্তিমূলক মডেল নির্মাতা অ্যাপ্লিকেশন স্তরের দিকে সরে যেতে শুরু করেছে। OpenAI ChatGPT-কে একটি পণ্যে পরিণত করেছে, Anthropic Claude-কে ভোক্তাদের জন্য একটি পণ্যে রূপান্তর করেছে, Google Gemini-কে একীভূত করেছে। উল্লম্ব একীভবনের কৌশল দ্রুত ছড়িয়ে পড়েছে।

কিন্তু এই কৌশলের পার্শ্বপ্রতিক্রিয়াও দেখা দিয়েছে: অধিগ্রহণের খরচ আকাশছোঁয়া হয়েছে, দ্বিতীয় স্তরের বাজারের মূল্যায়ন ফুলে উঠেছে। রাজস্ব তৈরিতে সক্ষম একমাত্র ক্ষেত্র—দ্বিতীয় স্তরের বাজার—এত ব্যয়বহুল হয়ে ওঠায় এই খাতে পুঁজির ঝুঁকি আরও বাড়ছে।

ঐতিহাসিক চক্র ও আজকের স্বাতন্ত্র্য

অতীতে কৃত্রিম বুদ্ধিমত্তা দুটি বড় মন্দার মধ্য দিয়ে গেছে: 1970-এর দশকের শেষভাগে ও 1990-এর দশকের শুরুর দিকে। এই দুই সময়ের মিল ছিল উচ্চ প্রত্যাশা, উদ্ভাবনের ধীর গতি এবং বিনিয়োগের আগ্রহ মিলিয়ে যাওয়া।

আজকের পরিস্থিতি ভিন্ন। প্রযুক্তিগত উদ্ভাবন চলছে, কিন্তু যুগান্তকারী অগ্রগতির গতি কমছে। অন্যদিকে পুঁজিপ্রবাহ বাড়ছে নজিরবিহীন মাত্রায়। Sam Altman $7 ট্রিলিয়নের একটি কম্পিউটিং তহবিল নিয়ে আলোচনা করছেন, Elon Musk xAI-তে কয়েক বিলিয়ন ঢালছেন।

তাই আমরা যে পরিস্থিতির মধ্য দিয়ে যাচ্ছি, তা চিরাচরিত "AI শীতকাল" নয়। বরং এটি পুঁজি বরাদ্দজনিত ভঙ্গুরতার একটি সময়: মূল্যায়ন ফুলে উঠছে, ব্যয় দ্রুত বাড়ছে, কিন্তু উদ্ভাবনের গতি প্রত্যাশা পূরণ করতে পারছে না।

নতুন যুগ: আরও বড় মডেল নয়, জিতবে আরও বুদ্ধিমান পদ্ধতি

আজকের সবচেয়ে গুরুত্বপূর্ণ পার্থক্য হলো: এখন আর বেশি প্যারামিটার যোগ করে আরও বিশাল মডেল তৈরি করাই মূল বিষয় নয়।

প্রকৃত রূপান্তর ঘটবে এই ক্ষেত্রগুলোতে:

  • প্যারামিটারের দক্ষতা বাড়ানো
  • ছোট মডেল দিয়ে আরও ভালো মান অর্জন করা
  • নতুন প্রশিক্ষণ কৌশল তৈরি করা
  • ডেটা আরও কৌশলগত ও কার্যকরভাবে ব্যবহার করা
  • প্রশিক্ষণের খরচ আমূল কমিয়ে আনা

সাম্প্রতিক সময়ের সবচেয়ে উল্লেখযোগ্য উদাহরণগুলোর একটি ছিল DeepSeek। এই চীনা স্টার্টআপটি GPT-4-এর সমপর্যায়ে কাজ করতে পারে এমন একটি মডেল তৈরি করেছে, তবে অনেক কম প্রশিক্ষণ খরচে। মিক্সচার-অব-এক্সপার্টস আর্কিটেকচার, প্যারামিটার অপ্টিমাইজেশন, দক্ষতাকেন্দ্রিক প্রশিক্ষণ কৌশল। বাজার এতে তীব্র প্রতিক্রিয়া দেখায়।

DeepSeek-এর ঘোষণার পর NVIDIA-এর বাজারমূল্য একদিনেই $600 billion কমে যায়। এতে বোঝা যায়, বিনিয়োগকারীরা এখন শুধু আরও বড় মডেল তৈরির প্রতিযোগিতা নয়, দক্ষতা ও আর্কিটেকচারগত উদ্ভাবনের প্রতিযোগিতাও নজরে রাখছেন।

কিন্তু এটুকুও যথেষ্ট নয়। এই খাতে যদি সত্যিকারের বড় অগ্রগতি ঘটে, তা আসবে আর্কিটেকচারের নতুন ধারণার মাধ্যমে। ট্রান্সফরমার আর্কিটেকচারের বাইরের কিছু। হয়তো নিউরোমর্ফিক কম্পিউটিং, হয়তো হাইব্রিড মডেল, অথবা হয়তো সম্পূর্ণ ভিন্ন কোনো শেখার কাঠামো।

এ ধরনের আমূল রূপান্তর সাধারণত বড় কোম্পানি থেকে আসে না। পরিসর বাড়ানোর চাপ, অবকাঠামোর খরচ এবং কর্পোরেট ঝুঁকি ব্যবস্থাপনার কারণে তারা সতর্কভাবে এগোয়। প্রকৃত যুগান্তকারী অগ্রগতি প্রায়ই আসে ছোট, আগ্রাসী, ঝুঁকি নিতে প্রস্তুত, উচ্চাকাঙ্ক্ষী স্টার্টআপ থেকে।

আজকের AI ইকোসিস্টেম সম্ভবত ঠিক এমনই এক আমূল পরিবর্তনের অপেক্ষায় আছে।

উপসংহার: সম্পদ নয়, জয়ী হবে পদ্ধতি

আজকের AI খাত দুই দিকের টানাপোড়েনে দুলছে: একদিকে, সীমার কাছাকাছি পৌঁছে যাওয়া মডেলের আকার বাড়ানোর কৌশল; অন্যদিকে, ক্রমবর্ধমান মূলধনী ঝুঁকি এবং দ্রুত মূল্য বাড়তে থাকা অ্যাপ্লিকেশনের বাজার।

এই চিত্র দেখায় যে মৌলিক সমস্যা এখন সক্ষমতায় নয়, পদ্ধতিতে। আগামী দিনে জয়ী হবে না যারা আরও বড় মডেল তৈরি করবে, বরং তারা, যারা আরও বুদ্ধিদীপ্ত পদ্ধতি গড়ে তুলবে। দক্ষতা, আর্কিটেকচারের নতুন নকশা এবং অপ্টিমাইজ করা প্রশিক্ষণ কৌশলই এই খাতের প্রকৃত বিভাজনরেখা হয়ে উঠছে।

ভবিষ্যতে নির্ধারক হবে সম্পদের শক্তি নয়, পদ্ধতির মান। আর বড় কোম্পানির বদলে দূরদর্শী স্টার্টআপগুলোই পদ্ধতির এই পরিবর্তনের সূচনা করবে—এমন সম্ভাবনা বেশ বেশি।

Dvina-এ যোগ দিন

বিনামূল্যে সাইন আপ করুন এবং আপনার সব টুল একটি সহজ ওয়ার্কস্পেসে নিয়ে আসুন।

আরও ঘুরে দেখুন