জনপ্রিয় বিজ্ঞানের ডেইলি নিউজলেটারে সদস্যতা গ্রহণ করুন যেখানে ছয়দিনই চালু হয় অগ্রগতির খবর, আবিষ্কার, এবং DIY টিপস। কৃত্রিম বুদ্ধিমত্তা (AI) মডেলগুলোর অগ্রগতি প্রায়শই তাদের গেমিং দক্ষতার মাধ্যমে প্রদর্শিত হয়। IBM এর ডিপ ব্লু ১৯৯৭ সালে বিশ্বকে হতভম্ব করে দেয় গ্যারি কাসপারভকে শত্রু করে শত্রুতা করে, এবং প্রায় দুই দশক পরে, Google এর আলফাগো একজন মানব চ্যাম্পিয়নকে গো-তে হারায় — যা একসময় অসম্ভব মনে করা হত। তখন থেকেই, AI বোর্ড গেম থেকে ভিডিও গেমে উন্নতি করেছে, রিইনফোর্সমেন্ট লার্নিং এর মাধ্যমে, যা চ্যাটবট যেমন ChatGPT ট্রেনিংয়ে গুরুত্বপূর্ণ, এবং যন্ত্রগুলোকে আতিকারি গেম এবং ডোটা ২ ও স্টারক্রাফট II এর মতো জটিল কৌশলগত খেলা আয়ত্ব করার ক্ষমতা দেয়। তবুও, AI এখনও বিভিন্ন আরও মুক্ত খেলাধুলা দ্রুত শিখতে সমস্যায় পড়ে — যেখানে মানবরা অত্যন্ত সুবিধাজনক। অজানা কোনো গেমের মুখোমুখি হলে, মানব খেলোয়াড়রা দ্রুত এর মৌলিক बातें বুঝে নেয়, কিন্তু AI মডেল গুলো প্রায়ই ব্যর্থ হয়, যেমনটি সম্প্রতি NYU কম্পিউটার সায়েন্সের অধ্যাপক Julian Togelius ও তার সহযোগীরা এক পেপারে উল্লেখ করেছেন। এই ব্যবধানটি মানব বুদ্ধিমত্তার এবং AI এর বর্তমান ক্ষমতার মধ্যে একটি মৌলিক পার্থক্যকে তুলে ধরে, যা দেখায় AI এর সামনে এখনও দীর্ঘ পথ বাকি, সত্যিকার মানব-স্তরের বুদ্ধিমত্তা অর্জন বা তার কাছাকাছি যাওয়ার জন্য। খেলাধুলা বহু দিন থেকেই AI জন্য উপযুক্ত পরীক্ষার ক্ষেত্র, কারণ এগুলোর নিয়ম, লক্ষ্য, এবং যন্ত্রাংশগুলি পূর্বানুমানের সাথে বেশ মানানসই, যা রিইনফোর্সমেন্ট লার্নিং এর সাথে ভালো কাজে লাগে: মডেলগুলো পুনরায় খেলে গেম, ট্রায়াল এবং এরর এর মাধ্যমে উন্নতি করে। এই পদ্ধতিই ডীপমাইন্ডের ২০১৫ সালে আতিকারি গেমে mastery অর্জনের সূত্র, এবং আজকের বৃহৎ ভাষা মডেলগুলোর উপর প্রভাব ফেলেছে, যা ব্যাপক ইন্টারনেট ডাটা থেকে ট্রেনিং লাভ করে। তবে, এই মডেলগুলো কেবলমাত্র নির্দিষ্ট কাজগুলোতে দক্ষ; গেম ডিজাইনে সামান্য পরিবর্তন AI এর পারফরম্যান্সকে ব্যাহত করতে পারে। AI কখনোই কোনো নির্দিষ্ট গেমে সুপারহিউম্যান স্কিল অর্জন করলেও, এটি মানিয়ে নেওয়া বা নতুন পরিস্থিতি মোকাবেলা করতে পারে না। এই সীমাবদ্ধতা আরও স্পষ্ট হয় আজকের আধুনিক গেমগুলো যত বেশি মুক্ত এবং বিমূর্ত হয়, তত বেশি। যেমন, চেসের মতো নয়, “Red Dead Redemption” এর মতো ওপেন-ভিড গেমগুলোর লক্ষ্যগুলো জটিল ও নীতিমূলক চ্যালেঞ্জের সাথে যুক্ত, যেখানে চরিত্রের নৈতিক দ্বান্দ্বিকতা বা মানবিক মূল্যবোধের সাথে সম্পর্কিত। মানবরা স্বভাবতই এগুলোর সূক্ষ্ম বিষয়বস্তুর বোঝার ক্ষমতা রাখে; যন্ত্রগণ তা বুঝতে পারে না। “Minecraft” এর মতো সরল স্যান্ডবক্স গেমেও AI সাধারণত জাম্প বা অন্যান্য মৌলিক কাজ করে, তবে সেগুলোর অর্থ বা পরিপ্রেক্ষিত বুঝতে পারে না। লেখকরা গুরুত্ব দিয়ে বলেন যে, অভিনব গেমগুলো ভালভাবে ডিজাইন করা হলে, তা মানবের অন্তর্দৃষ্টি, সাধারণ বোধ, ও জীবনের অভিজ্ঞতার সাথে গভীরভাবে সংযুক্ত হয়—যা মানবরা বছরের পর বছর বাস্তব অভিজ্ঞতা দ্বারা সংগ্রহ করে থাকেন। উদাহরণস্বরূপ, শিশুরা yaklaşık ১৮ থেকে ২৪ মাসে বস্তু চিনতে শেখে, কেবলমাত্র অভিজ্ঞতার মাধ্যমে, যদিও মেশিনকে অনেক বেশি নির্দেশনা ও গাইডেন্সের প্রয়োজন। এই অভিজ্ঞতার সুবিধা আমাদের দ্রুত নতুন গেম শিখতে সহায়ক হয়। গবেষণায় দেখা গেছে, কৌতূহলী দেড়জন AI প্রায় চার মিলিয়ন কীপ্রেস বা প্রায় ৩৭ ঘণ্টার নিয়ন্ত্রণে গেম সম্পন্ন করতে পারে, যেখানে সাধারণ মানুষ কয়েক ঘণ্টার মধ্যে নতুন নিয়ম বা কৌশল শিখে নিতে পারে। তবুও, AI সাধারণ খেলার মধ্যে অগ্রসর হচ্ছে। ২০২৩ সালে, গুগল ডীপমাইন্ড SIMA 2 নামে একটি মডেল প্রকাশ করে, যা এর মৌলিক AI এর সাথে তাদের Gemini বৃহৎ ভাষা মডেলের যুক্তির ক্ষমতা সংযোজন করে, ফলে এটি আরও ভালভাবে বোঝে এবং 3D গেমের সঙ্গে যোগাযোগ করতে পারে — এমন গেম যেখানে এটি নির্দিষ্টভাবে প্রশিক্ষিত হয়নি। তবে, Togelius ও তার সহকর্মীরা সতর্ক করে বলেন যে, AI এখনও মানবের অভিযোজন সক্ষমতার সঙ্গে তুলনা করতে অনেক দূর এগোয়নি। তারা একটি মানদণ্ড প্রস্তাব করে যেখানে একটি মডেল স্টিম বা iOS অ্যাপ স্টোরের শীর্ষ ১০০ গেম খেলতে ও জেতার জন্য পূর্ব প্রশিক্ষণ ছাড়াই সক্ষম হবে — এবং সেটি মানুষ যে সময় নেবে তার কাছাকাছি সময়ে করতে পারবে। এটি এখনও একটি সুদূরপ্রসারী লক্ষ্য, যা বর্তমান AI পদ্ধতিগুলোর জন্য বেশ কঠিন এবং যেহেতু এখনো এটিতে কোন গুরুত্বপূর্ণ অগ্রগতি দৃশ্যমান নয়। এই স্তরের সাধারণীকরণ অর্জন করতে AI এর প্রয়োজন সত্যিকার সৃজনশীলতা, ভবিষ্যদ্বাণীমূলক পরিকল্পনা, এবং বিমূর্ত চিন্তা—যা শুধুমাত্র মানব বুদ্ধিমত্তারই বৈশিষ্ট্য। অবশেষে, AI এর “মানব-স্তরের বুদ্ধিমত্তা” অর্জনের সত্যিকার পরীক্ষা হয় না সেগুলো গভীরকা তৈরির বা আধা-নাটক বয়ানে, বরং এটি কতটা দক্ষতার সঙ্গে নানা ধরনের গেম শিখে নেয় ও বোঝে সেটার উপর।