অ্যানথ্রোপিকের ক্লড এখন এআই এজেন্ট পারফরম্যান্স উন্নত করতে 'স্বপ্ন দেখে'

বায়োনিক মানুষ স্বপ্ন দেখে? যদি তারা স্বপ্ন দেখে, তবে কি তারা ইলেকট্রনিক ভেড়ার স্বপ্ন দেখে?

ফিল্ম ডিপ্রেসিয়ার স্ক্রিনশট

১৯৬৮ সালে, সায়েন্স ফিকশন চলচ্চিত্র ব্লেড রানারের মূল উপন্যাসের লেখক ফিলিপ কে. ডিক টাইপরাইটারের সামনে এই বিশুদ্ধ ও অগ্রগামী প্রশ্নটি টাইপ করছিলেন, তিনি সম্ভবত অর্ধেক শতাব্দীরও বেশি সময় পরে সিলিকন ভ্যালির প্রযুক্তি মহাকায়াগুলি গম্ভীরভাবে উত্তর দেবে বলে কল্পনা করেননি।

হ্যাঁ, তারা শুধু ইলেকট্রনিক ভেড়া দেখতে পায় না, বরং সেই স্বপ্নগুলিকে ভিজ্যুয়ালাইজও করতে পারে।

গতকাল, এনথ্রোপিক স্যান ফ্রান্সিসকোতে ডেভেলপার কনফারেন্সে ম্যানেজড এজেন্টস প্ল্যাটফর্মের জন্য মেমোরি এক্সটেনশন, রিজাল্ট আউটপুট, মাল্টি-এজেন্ট কোঅপারেশন এবং 'ড্রিমিং' সহ একটি সিরিজ নতুন ফিচার প্রকাশ করেছে।

অ্যানথ্রোপিকের নিজেদের বক্তব্য অনুযায়ী, "মেমোরি এবং ড্রিমিং একটি দৃঢ়, নিজেকে উন্নত করার ক্ষমতা সম্পন্ন এজেন্ট মেমোরি সিস্টেম গঠন করে।"

আবার স্বপ্ন, আবার স্মৃতি, AI ক্ষেত্রে খুব বেশি মনোযোগ দেয়া না করা বন্ধুরা হয়তো প্রশ্নবোধক চিহ্ন নিয়ে মাথা ঘামাবে—এই মানুষের শব্দগুলো কখন থেকে AI-এর উপর এতটাই স্বাভাবিকভাবে প্রয়োগ করা হচ্ছে।

2024 এর শুরুতে যখন OpenAI o1 সিরিজ চালু করে, যেগুলো হল “প্রতিক্রিয়া দেওয়ার আগে বেশি সময় ভাবার জন্য ডিজাইন করা AI মডেল”, ‘ভাবা’ শব্দটি এতটাই স্বাভাবিকভাবে ব্যবহৃত হয়েছিল যে কেউ থামেনি এবং জিজ্ঞাসা করেনি, একটি পরবর্তী token প্রেডিক্ট করার জন্য পরিসংখ্যানগতভাবে কাজ করা প্রোগ্রাম, কেন ‘ভাবা’ বলা হচ্ছে?

এরপর আসছে যুক্তিবিদ্যা (reasoning), স্মৃতি (memory), প্রতিফলন (reflection), কল্পনা (Imagining) — মানুষের কাছে অনন্য এই কাজগুলোকে একে একে পণ্য প্রকাশের মঞ্চে নিয়ে আসা হচ্ছে।

স্বপ্নের চলচ্চিত্র রেড পিপারের স্ক্রিনশট

"চিন্তা" কে রূপক হিসেবে ব্যাখ্যা করা যায়, "স্মৃতি" কেও প্রযুক্তিগত শব্দাবলীর বিস্তার হিসেবে ধরা যায়, কিন্তু "স্বপ্ন দেখা" তো খুবই অতিক্রম করে গেল। কয়েকহাজার বছর ধরে সাহিত্য, ইতিহাস ও দর্শন এটা নিয়ে পরিষ্কার করতে পারেনি, কিন্তু AI কোম্পানি সরাসরি বলছে: আমরা শুধু চিন্তা করতে পারে এমন মেশিনই তৈরি করিনি, আমরা স্বপ্ন দেখতে পারে এমন মেশিনও তৈরি করেছি।

এই ঘটনাটিকে সঠিকভাবে বর্ণনা করার জন্য স্বপ্ন দেখার বাইরে কি কোনো প্রকৌশল পদ খুঁজে পাওয়া যায় না?

ক্লড কোড লিক ঘটনার সময়, ব্যবহারকারীরা অ্যানথ্রোপিক একটি অটো ড্রিমিং নামের ফিচার প্রস্তুত করছে তা খুঁজে পায়। তখন সবাই ভাবছিল, কি এআইও আমাদের মানুষের মতোই ঘুমাতে প্রয়োজন, যাতে পর্যাপ্ত বিশ্রামের পর এটি আরও বেশি মনোযোগী এবং বুদ্ধিমান হয়?

কিন্তু বর্তমান AI এজেন্টের কাজের পদ্ধতি বুঝলে দেখা যায় যে যা কিছু “স্বপ্ন” বলা হচ্ছে, তা মূলত একটি স্বয়ংক্রিয় অফলাইন লগ ব্যাচ প্রসেসিং।

এখন এআই এজেন্ট দীর্ঘ লিঙ্কযুক্ত জটিল কাজগুলি সম্পন্ন করতে দক্ষ। উদাহরণস্বরূপ, “আমাকে এই পাঁচটি প্রতিদ্বন্দ্বীর সর্বশেষ ফাইন্যানশিয়াল রিপোর্ট গবেষণা করে একটি টেবিলে সাজিয়ে দিন।” এই প্রক্রিয়ায়, এজেন্টটি বিভিন্ন ওয়েবসাইটের মধ্যে স্যুইচ করতে, একাধিক ডকুমেন্ট পড়তে, বিভিন্ন টুল ব্যবহার করতে পারে, এমনকি অ্যান্টি-স্ক্র্যাপিং মেকানিজমের কারণে বাধা পেয়েও পুনরায় চেষ্টা করতে পারে।

এই দীর্ঘ অনলাইন কাজের সিরিজ শেষে, এজেন্টের ব্যাকগ্রাউন্ডে বিপুল পরিমাণে রান লগ রেখে যায়।

চিত্রটি এআই দ্বারা তৈরি

অ্যানথ্রোপিকের "স্বপ্ন দেখা" ফিচারটি হল এজেন্টকে অব্যবহৃত সময়ে এই ইতিহাস রেকর্ডগুলি পুনর্বিন্যাস করতে দেওয়া। এটি থেকে প্যাটার্ন খুঁজে বার করে, যেমন বুঝতে পারে "প্রতিবার এই পপ-আপটি দেখা গেলে, ডান-উপরের কোণে ক্লিক করলে এটি বন্ধ হয়ে যায়", এবং পরবর্তী অপারেশনের পথটি অপ্টিমাইজ করে।

"মেমোরি" কাজের সময় শেখা বিষয়গুলি ধরে রাখে, আর "স্বপ্ন" সেই মেমোরি গুলি সেশনের মধ্যে পরিশোধন করে এবং বিভিন্ন এজেন্টের মধ্যে শেয়ার করে।

সরল কথায়, এটি ইতিহাসের ডেটা ভিত্তিক একটি রিইনফোর্সমেন্ট লার্নিং এবং স্ব-সংশোধন মেকানিজম।

ড্রিমস সম্পর্কে পরিচিতি: https://platform.claude.com/docs/en/managed-agents/dreams

এই ডেভেলপার কনফারেন্সে ম্যানেজড এজেন্টসের ড্রিমস আপডেট করা হয়েছে, যা একটি ব্যাকগ্রাউন্ড প্রসেসিং টাস্ক, যা আমাদের ম্যানুয়ালি ট্রিগার করতে হবে। ক্লড একবারে সর্বোচ্চ ১০০টি সেশনের কথোপকথন ইতিহাস পড়তে পারে এবং একটি সম্পূর্ণ নতুন মেমরি তৈরি করে, যা আমরা পর্যালোচনা করে বিবেচনা করতে পারি যে এটি ব্যবহার করা হবে কিনা।

এবং আগের ক্লাউড কোডে চুপচাপ চালু হওয়া অটোড্রিম, প্রতিবার এজেন্টের সাথে এক রাউন্ড কথা বলার পর, ক্লাউড কোড ব্যাকগ্রাউন্ডে চেক করে “কি সময় স্বপ্ন দেখা উচিত” — ডিফল্টভাবে 24 ঘন্টা পর একবার।

একই ধরনের স্বপ্নের ফাংশনটি হার্মিস এজেন্টেও রয়েছে। হার্মিস এজেন্টের মূল বৈশিষ্ট্য হল এটি নিজেকে শিখতে এবং উন্নত করতে পারে, এটি শুধুমাত্র অতীতের কাজগুলি থেকে অভিজ্ঞতা সংকলন করে মেমোরি ফাইলে সংরক্ষণ করতে পারে।

Curator নামক একটি ফিচার এই প্রক্রিয়াকৃত গাইডগুলিকে স্বয়ংক্রিয়ভাবে স্কিলে সাজিয়ে দেয়।

এই স্কিলগুলি স্কোর করা হবে, পুনরাবৃত্তি হওয়াগুলি একত্রিত করা হবে, দীর্ঘদিন ব্যবহার না করা স্কিলগুলি স্বয়ংক্রিয়ভাবে আর্কাইভ করা হবে, এমনকি active, stale, archived এই লাইফসাইকেলও রয়েছে। আমরা গুরুত্বপূর্ণ স্কিলগুলিকে পিন করতে পারি যাতে সিস্টেম স্বয়ংক্রিয়ভাবে মুছে না ফেলে।

OpenClaw সম্প্রতি কয়েকটি আপডেটে ক্রস-ডায়ালগ পারসিস্টেন্ট মেমোরি, টাইমড টাস্ক স্কেডিউলিং, সাব-এজেন্ট আইসোলেশন এবং ড্রিমিং নামক সরাসরি স্বপ্ন দেখার ফিচার যোগ করেছে।

OpenClaw-এর স্বপ্ন: https://docs.openclaw.ai/concepts/dreaming

OpenClaw-এর স্বপ্ন মেকানিজমে, এটি স্বপ্নের যাত্রাকে তিনটি পর্যায়ে সংক্ষেপ করে: light, REM, deep। প্রথম দুটি পর্যায় ব্যবস্থাপনা, পুনর্বিচার এবং বিষয়বস্তুর সারাংশ প্রস্তুত করে, যখন deep পর্যায়টি প্রকৃতপক্ষে কনটেন্টটিকে MEMORY.md-এ দীর্ঘমেয়াদি মেমোরিতে লিখে ফেলে।

গভীর ঘুমের পর্যায়ে স্থায়ী মেমোরিতে লিখনের প্রয়োজনীয়তা নির্ধারণ করা হয় 6টি ওজনযুক্ত সংকেত দ্বারা: ফ্রিকোয়েন্সি, সম্পর্ক, কুয়েরি বৈচিত্র্য, সময়সাপেক্ষতা, একাধিক দিনে পুনরাবৃত্তি এবং ধারণাগত সমৃদ্ধি।

চিত্রটি এআই দ্বারা তৈরি

দীর্ঘমেয়াদী স্মৃতিতে লিখতে, দুটি ফাইল তৈরি হবে: একটি মেশিনের জন্য অবস্থা ফাইল, যা memory/.dreams/ এ সংরক্ষিত হবে; আরেকটি ব্যবহারকারী-বান্ধব পঠনযোগ্য রেকর্ড, যা DREAMS.md এবং পর্যায়ভিত্তিক রিপোর্টে লেখা হবে।

এছাড়াও, ড্রিমিং অটোমেটিকভাবে সময় নির্ধারিত রান করতে পারে, ডিফল্টরূপে প্রতিদিন সকাল 3টায় একটি পূর্ণাঙ্গ প্রক্রিয়া চালায়, যার ক্রম হলো light → REM → deep।

স্বপ্নের আউটপুটের পাশাপাশি, OpenClaw একটি ড্রিম ডায়েরি নামের একটি দলিল রক্ষা করে, যেখানে সিস্টেম একটি "স্বপ্ন ডায়েরি" স্বয়ংক্রিয়ভাবে তৈরি করে, যা স্মৃতি ব্যবস্থাপনা প্রক্রিয়াটিকে বর্ণনামূলকভাবে রেকর্ড করে এবং ব্ল্যাকবক্স ডাটাবেসের পরিবর্তে ব্যাখ্যাযোগ্য এবং পর্যালোচনাযোগ্যতাকে জোর দেয়।

নিউরোসায়েন্সে একটি খুব ক্লাসিক বোঝাপড়া রয়েছে: মানুষ দিনের বেলায় যে তথ্যগুলি পায়, সেগুলি প্রথমে অস্থায়ী স্টোরেজ সিস্টেমে প্রবেশ করে; এবং ঘুমের সময়, মস্তিষ্ক এই তথ্যগুলিকে পুনরাবৃত্তি, শক্তিশালীকরণ এবং পরিষ্কার করে, গুরুত্বপূর্ণগুলি রাখে এবং অনর্থকগুলি বাদ দেয়।

চিত্রটি এআই দ্বারা তৈরি

আমরা কাল কাজে যাওয়ার পথে প্রতিটি গাড়ির রং মনে রাখব না, কিন্তু কোম্পানিতে কীভাবে যাব তা মনে রাখব।

এই স্বপ্নগুলি শুনতে আমাদের মানুষের স্বপ্নের মতোই, কিছু পার্থক্য খুঁজতে হলে, সম্ভবত ক্লড স্বপ্ন দেখার সময়ও আমাদের টোকেন ব্যয় হচ্ছে।

কিন্তু Anthropic এবং OpenClaw উভয়ই এটিকে "সেশন-ভিত্তিক অপ্টিমাইজেশন" বা "টাস্ক-পরবর্তী টিউনিং" ইত্যাদি ইঞ্জিনিয়ারিং-প্রধান নাম দেয়নি।

কারণ, যখন সেই জটিল নামগুলিকে সরাসরি «স্বপ্ন» এ পরিণত করা হয়, তখন আমরা শুধুমাত্র সফটওয়্যারের ফাংশন নয়, একটি «অন্তর্নিহিত মনস্তাত্ত্বিক ডিজিটাল জীবন» অনুভব করি।

যেহেতু "স্বপ্ন" উল্লেখ করা হয়েছে, তাই এর পূর্বশর্ত, স্মৃতি (Memory) উল্লেখ করা অপরিহার্য।

গত কিছুদিন ধরে, এআই সম্প্রদায়ের সবচেয়ে জনপ্রিয় শব্দটি প্রম্পট ইঞ্জিনিয়ারিং থেকে কনটেক্সট ইঞ্জিনিয়ারিং, স্কিল ইঞ্জিনিয়ারিং, হারনেস ইঞ্জিনিয়ারিং-এ পরিবর্তিত হয়েছে, কিন্তু যাই হোক না কেন, বর্তমানে সবচেয়ে মূল্যবান হলো কনটেক্সট ইঞ্জিনিয়ারিং।

সিস্টেম নোট, ব্যবহারকারীর ইনপুট, সংক্ষিপ্ত সংলাপ, দীর্ঘমেয়াদী স্মৃতি, পুনরুদ্ধারকৃত দলিল, টুল এবং স্কিল কলের আউটপুট, বর্তমান ব্যবহারকারীর অবস্থা—এই স্তরগুলি একত্রিত হয়েই এজেন্ট বাস্তবে যে প্রসঙ্গ ব্যবহার করে।

অনেক সময় ধরে এটি একটি বড় চ্যালেঞ্জ ছিল যে এজেন্ট আরও বেশি কিছু মনে রাখতে পারুক এবং আরও উপযোগী তথ্য সংগ্রহ করুক।

ম্যানুস গত বছর একটি প্রযুক্তিগত ব্লগ পোস্ট প্রকাশ করেছিলেন, যেখানে ম্যানুস কিভাবে কনটেক্সট ইঞ্জিনিয়ারিংকে অপ্টিমাইজ করেছে তা বিস্তারিতভাবে বর্ণনা করেছেন। এই ব্লগে উল্লেখ করা হয়েছে যে, KV-Cache ক্যাশ হিট রেটকে উৎপাদন পরিবেশে AI এজেন্টের সবচেয়ে গুরুত্বপূর্ণ একক মেট্রিকগুলির মধ্যে একটি হিসাবে সংজ্ঞায়িত করা হয়েছে। এছাড়াও, টুল কলিং স্তরে, "মুছে ফেলা"-এর পরিবর্তে "মাস্কিং"-এর প্রাধান্য দেওয়া হয়; এবং ফাইল সিস্টেমকে চূড়ান্ত কনটেক্সট হিসাবে ব্যবহার করা হয়।

কেভ ক্যাশ (কী-ভ্যালু ক্যাশ) বুঝতে, আমরা বড় মডেলটিকে একজন প্রতিটি অক্ষর শুধুমাত্র একবার পড়তে পারে এমন অত্যন্ত অ্যাক্সিও-কম্পুলসিভ ব্যক্তির মতো কল্পনা করতে পারি।

এটি একটি বাক্য প্রক্রিয়া করার সময়, প্রতিটি জেনারেট করা টোকেনের জন্য একটি কী (Key) এবং একটি ভ্যালু (Value) ভেক্টর গণনা করে। প্রতিবার শুরু থেকে পুনরায় গণনা করা এড়াতে, এটি এই (K, V) কী-মান জোড়গুলিকে সংরক্ষণ করে, যাকে KV Cache বলা হয়।

KV ক্যাশ (কী-মান ক্যাশ) হল বড় মডেলগুলি টেক্সট তৈরি করার সময় "স্থানের জন্য সময়" ব্যবহার করে গতি বাড়ানোর একটি মৌলিক প্রযুক্তি। ক্যাশের কারণে, মডেলটি পরবর্তী শব্দটি পূর্বানুমান করার সময় আগের সমস্ত শব্দগুলি পুনরায় গণনা করার প্রয়োজন হয় না। চিত্রটি AI দ্বারা তৈরি।

যতক্ষণ কথোপকথন চলছে, KV Cache ততক্ষণ অবিরামভাবে সংরক্ষিত হয়। সাধারণত, 128k কনটেক্সট বিশিষ্ট বড় মডেলের ক্ষেত্রে, 70B প্যারামিটার বিশিষ্ট একটি মডেল 128k কনটেক্সট পূর্ণ করলে, কেবলমাত্র KV Cache-এর জন্য 64 GB GPU মেমোরি খেয়ে ফেলা হয়।

এটাই কারণ যে বর্তমানে সবচেয়ে বেশি মডেলের কনটেক্সট উইন্ডো মিলিয়ন লেভেল পর্যন্ত।

গতকাল, 29 মিলিয়ন ডলারের বীজ ফান্ডিং প্রাপ্ত একটি নতুন কোম্পানি Subquadratic, X-এ SubQ নতুন মডেল প্রকাশ করেছে, যা দীর্ঘতর কনটেক্সটের উপর জোর দেয়।

SubQ দাবি করে যে এটি প্রতি সময়ে সর্বোচ্চ 12 মিলিয়ন টোকেনের কনটেক্সট উইন্ডো সমর্থন করে, যা বর্তমানে সমস্ত বড় মডেলের মধ্যে সবচেয়ে বড় কনটেক্সট উইন্ডো।

যদিও এখনও কোনো প্রযুক্তিগত পেপার বা মডেল ডকুমেন্টেশন নেই, ভিডিওতে উল্লেখ করা হয়েছে যে SubQ-এর মূল প্রযুক্তি পথ হল প্রাচীন Transformer-এর "ঘন মনোযোগ" থেকে বিদ্যমান দুর্বল মনোযোগ সহ "সাব-কোয়াড্রেটিক / রৈখিক স্কেলিং" আর্কিটেকচারের দিকে সরে যাওয়া। নতুন আর্কিটেকচারটি আশা করা হচ্ছে যে এটি কনটেক্সট যত দীর্ঘ হবে, কম্পিউটেশনাল খরচ তত বিস্ফোরিত হওয়ার সমস্যা সমাধান করবে।

পরীক্ষার ফলাফলও প্রচণ্ড আক্রমণাত্মক: 1 মিলিয়ন টোকেনের জন্য গতি 50 গুণের বেশি বৃদ্ধি পেয়েছে এবং খরচ 50 গুণের বেশি কমেছে; 12 মিলিয়ন টোকেনের জন্য কম্পিউটেশনাল চাহিদা সর্বশেষ মডেলগুলির তুলনায় প্রায় 1000 গুণ কম।

RULER 128K দীর্ঘ কনটেক্সট বেঞ্চমার্কে, সাবকোয়াড্রেটিক দাবি করে যে সাবকিউ 95% সঠিকতার সাথে 8 ডলার খরচে ক্লাউড ওপাসের 94% সঠিকতা এবং প্রায় 2600 ডলার খরচের তুলনায় খরচ প্রায় 300 গুণ কমিয়েছে।

বা কনটেক্সট উইন্ডো বাড়ান, বা মডেলকে স্বপ্ন দেখতে শেখান, নিজের থেকে কিছু বাদ দিয়ে দিন।

এই কারণেই Anthropic এর মতো এজেন্ট পণ্যগুলি এখন Dreaming চালু করতে বাধ্য। কনটেক্সট উইন্ডোর সীমাবদ্ধতার মধ্যে, আরও বুদ্ধিমান AI শুধু আরও বেশি কনটেন্ট ঢুকিয়ে দিয়েই কাজ চালাতে পারবে না, এটির লক্ষ্য নির্ধারণও প্রয়োজন।

এআই-এর স্বপ্ন এবং স্মৃতির কার্যপ্রণালী বুঝতে পারলে, আমরা এটি মানুষের কার্যকলাপের সাথে সম্পর্ক বুঝতে পারি।

কিন্তু এই সমস্ত AI কোম্পানি দ্বারা তৈরি মেশিনের জন্য ব্যবহৃত শব্দগুলিকে একত্রিত করুন, OpenAI-এর thinking (চিন্তা), শিল্পের সাধারণ memory (স্মৃতি) এবং hallucination (প্রলুব্ধি), Anthropic-এর এই বারের dreaming (স্বপ্নদেখা), এবং Anthropic-এর সংবিধানের গুণাবলী এবং বুদ্ধিমত্তা।

আমরা দেখতে পাই যে, এআই কোম্পানিগুলি শুধু পণ্য বিক্রি করছে না, তারা 'মানুষ' শব্দটির অর্থের মালিকানা পুনর্বণ্টন করছে। প্রতিটি শব্দ অপহরণের সাথে সাথে মেশিন এবং মানুষের মধ্যে সীমানা একটু ধোঁয়াশা হয়ে যায়।

ভাষা প্রত্যাশা গঠন করে, প্রত্যাশা সহনশীলতা গঠন করে, এবং সহনশীলতা নির্ধারণ করে আমরা কতটা কিছু এর হাতে ছেড়ে দিতে প্রস্তুত। এটি একটি দীর্ঘ শৃঙ্খল, কিন্তু শুরুটি হল প্রেজেন্টেশনের সেই নিরীহ শব্দগুলি।

একটি আরও অদৃশ্য প্রভাব হল দায়বদ্ধতার বণ্টন। যখন একটি টুলকে একটি "চিন্তা", "স্মৃতি", "মূল্যবোধ" সম্পন্ন এজেন্ট হিসাবে বর্ণনা করা হয়, তখন এটি সমস্যার সময় আমরা স্বাভাবিকভাবেই এটিকে একটি স্বাধীন "কর্তা" হিসাবে দায়ী করি, যেন এই AI-কে "শেখানো", "ডিবাগ করা" বা "ক্যালিব্রেট করা" দরকার।

এই প্রোগ্রামটি আমাদের কাজের প্রবাহে বাস্তবায়ন করা কোম্পানি এবং "dreaming" শব্দটি লেখা পণ্য দলকেই প্রকৃতপক্ষে জিজ্ঞাসা করা উচিত। শব্দটি পরিবর্তন হলে, "অভিযুক্তের আসনে" বসা ব্যক্তিও পরিবর্তিত হয়।

আমরা যখন একটি যন্ত্রকে দেখি যা চিন্তা করে, মনে রাখে এবং এখন স্বপ্ন দেখে, তখন আমরা অনৈচ্ছিকভাবে বিশ্বাস করতে শুরু করি যে এর ভিতরে কিছু আছে। কারণ এটিকে শুধুমাত্র একটি যন্ত্র হিসাবে স্বীকার করলে, "আমি একটি চিন্তাশীল অস্তিত্বের সাথে কথা বলছি" এই অভিজ্ঞতা নিষ্পত্তি হয়ে যায়, এবং আবার শীতল, নির্জীব সরঞ্জামের সম্পর্কে ফিরে আসি।

ব্ল্যাক ড্রিম ফিচার পরিচিতি | ছবিটি AI দ্বারা তৈরি

আমি চিন্তা করেছি, ড্রিমিং অর্থাৎ স্বপ্ন দেখা হল অতীতের বিষয়গুলি প্রক্রিয়াকরণ, এবং পরবর্তীতে AI কোম্পানিগুলি ডেড্রিমিং, অর্থাৎ দিনের স্বপ্ন চালু করবে যা ভবিষ্যতের পূর্বাভাস দেবে।

অর্থাৎ, দিনের স্বপ্ন বা মন ভেসে যাওয়া দ্বারা Agent সক্রিয় অবস্থায় বর্তমান প্রকল্পের সাথে সংযুক্ত হয়ে, কিছু অব্যবহৃত কম্পিউটিং ক্ষমতা ব্যবহার করে ভবিষ্যতের সম্ভাব্য কাজগুলির জন্য অনুসন্ধানমূলক উৎপাদন করতে পারে।

এই লেখাটি ওয়েইচ্যাট গ্রুপ "APPSO" থেকে এসেছে, লেখক: APPSO, যিনি আগামীকালের পণ্য খুঁজে পান।