সব স্মার্ট প্রाणी কি শেয়ার করে?

ইয়ান লেকু, মেটার প্রধান AI বিজ্ঞানী, এর চারটি মূল বৈশিষ্ট্য রয়েছে বলে জানান। প্যারিসে এই বছরের শুরুতে AI অ্যাকশন সামিটে রাজনৈতিক নেতৃবৃন্দ ও AI বিশেষজ্ঞরা মিলিত হয়েছিলেন AI উন্নয়নের বিষয় আলোচনা করতে। এ সময়, লেকু তার মৌলিক সংজ্ঞা প্রকাশ করেছিলেন জ্ঞানসংক্রান্ত মেকানিজমের জন্য IBM এর AI নেতা অ্যানথনি আন্নুজিয়াতার সঙ্গে। “প্রত্যেক জন্তু—অথবা তুলনামূলকভাবে চালাক জন্তু—এবং নিঃসন্দেহে মানুষের মধ্যে থাকতেও থাকা চারটি অপরিহার্য বৈশিষ্ট্য রয়েছে, ” তিনি ব্যাখ্যা করেন। “এগুলো হলো—ভৌতিক বিশ্ব বোঝা, স্থায়ী স্মৃতি, যুক্তি দেখার সক্ষমতা, এবং পরিকল্পনা করার ক্ষমতা, বিশেষ করে জটিল ক্রিয়াকলাপগুলি স্তরবিন্যাস মাধ্যমে পরিকল্পনা করার।“ লেকু উল্লেখ করেন যে, AI, বিশেষ করে বড় ভাষার মডেলগুলো, এখনও এই স্তরে পৌঁছায়নি। এ সক্ষমতা সংযুক্ত করতে তাদের ট্রেনিং পদ্ধতিতে পরিবর্তন আনতে হবে। এ কারণেই বর্তমানে অনেক শীর্ষ প্রযুক্তি সংস্থা তাদের বিদ্যমান মডেলের উপর নতুন ক্ষমতা সংযুক্ত করে প্রতিযোগিতা চালাচ্ছে AI ক্ষেত্রে নেতৃত্ব দেওয়ার জন্য। “ভৌতিক বিশ্ব বোঝার জন্য, আপনি আলাদা একটি ভিশন সিস্টেম ট্রেন করেন এবং সেটি বড় ভাষার মডেলের সঙ্গে সংযুক্ত করেন। স্মৃতি জন্য, আপনি রিট্রিভাল অগমেন্টেড জেনারেশন (RAG) ব্যবহার করেন, কিছু সংযোগীয় স্মৃতি যোগ করেন, অথবা সরাসরি মডেলকে স্কেল আপ করেন, ” তিনি বলেন। (RAG হলো একটি প্রযুক্তি যা Meta-তে তৈরি, যেখানে বড় ভাষার মডেল উন্নত করতে বাহ্যিক জ্ঞান উৎস সংযুক্ত করা হয়।) তবুও, লেকু মনে করেন যে এই সব প্রচেষ্টা কেবল “হ্যাক” বা অসঙ্গতিপূর্ণ তদ্বির। তিনি বারংবার বিশ্ব-ভিত্তিক মডেল নামে এক বিকল্প পদ্ধতির কথা বলেন, যেগুলো বাস্তব বিশ্বের পরিস্থিতিতে ট্রেন হয় এবং সাধারণ প্যাটার্ন চিনতে পারার বাইরে উচ্চতর জ্ঞানীয় ক্ষমতা প্রদর্শন করে। অ্যান্নুজিয়াতার সঙ্গে তার আলোচনা চলাকালে তিনি এই ধারণাটির ওপরে বিশদ বিশ্লেষণ করেন। “আপনি কোনো নির্দিষ্ট সময় T এ বিশ্বের অবস্থা নিয়ে ভাবনা শুরু করেন, একটি ক্রিয়া কল্পনা করেন, এবং তারপর বিশ্ব মডেল ভবিষ্যদ্বাণী করে কিভাবে সেই ক্রিয়ার প্রতিক্রিয়ায় বিশ্বের অবস্থা পরিবর্তিত হবে, ” তিনি ব্যাখ্যা করেন। তবে, যেহেতু বিশ্ব অজস্র অপ্রত্যাশিত সম্ভাবনার মাধ্যমে বিকশিত হয়, এই ধরনের মডেল ট্রেন করার একমাত্র বাস্তব উপায় হলো বিমূর্তকরণ (অ্যাবস্ট্রাকশন) এর মাধ্যমে। Meta ইতিমধ্যেই এই ধারণাটি নিয়ে কাজ করছে V-JEPA নামে একটি মডেল দিয়ে, যা ফেব্রুয়ারিতে সাধারণ মানুষদের জন্য প্রকাশিত হয়েছে। এটি একটি গঠনমূলক নয়—অর্থাৎ, এটি এমন একটি মডেল যা ভিডিওতে অনুলিপি বা মাক্সড অংশের ভবিষ্যদ্বাণী করে শেখে। “মূল ভাবনা হলো— আপনি পিক্সেল স্তরে প্রত্যক্ষভাবে ভবিষ্যদ্বাণী করেন না। বরং, আপনি একটি সিস্টেমকে প্রশিক্ষণ দেন ভিডিওর একটি বিমূর্ত উপস্থাপনার উপর কাজ করার জন্য, যাতে এটি সেই বিমূর্তে প্রত্যাশা করতে পারে। আদর্শভাবে, এই উপস্থাপনা অপ্রত্যাশিত বিবরণগুলি ফিল্টার করে দেয়, ” লেকু বললেন। এই পদ্ধতিটি কেমিস্টরা পদার্থের মৌলিক উপাদানগুলি বোঝার জন্য গঠিত এক স্তরীয় শৃঙ্খলা প্রতিষ্ঠা করার মতো। “আমরা বিমূর্তকরণ তৈরি করেছি: কণিকা, যার উপর অ্যাটম, তারপর অণু, এবং অবশেষে উপাদানসমূহ, ” তিনি বললেন। “প্রতিটি স্তর উপরে থেকে অনেক অপ্রয়োজনীয় তথ্য ছেঁকে ফেলে, কাজের উপর নির্ভর করে।” মূলতঃ, এর অর্থ হলো—আমরা শারীরিক বিশ্বকে বোঝার জন্য শৃঙ্খলার বিন্যাস তৈরি করি, যা জ্ঞানপ্রতিপাদনের মৌলিক ধারণা।