টিউরিং পুরস্কার বিজয়ী এবং শক্তিশালী শেখার পিতা রিচার্ড সাটন বর্তমান জেনারেটিভ এআই-এর অন্তর্নিহিত সীমাবদ্ধতার সমালোচনা করেন: ভালো অংশগুলি নতুন নয়, আর নতুন অংশগুলি ভালো নয়।

লেখক এবং উৎস: নিউজিয়েন

এআই: ভালো অংশটি নতুন নয়, নতুন অংশটি ভালো নয়

একটি শিক্ষাগত মন্তব্য যা সবচেয়ে বিষাক্ত:

এই কাজটি নতুন এবং খুব ভালো।

দুঃখজনকভাবে, ভালো অংশটি নতুন নয়, আর নতুন অংশটি ভালো নয়।

একজন শক্তিশালী শিক্ষার প্রতিষ্ঠাতা, শক্তিশালী শিক্ষা পাঠ্যবইয়ের লেখক এবং টিউরিং পুরস্কার বিজয়ী রিচার্ড সাটন এই হাস্যরসকে সম্পূর্ণ জেনারেটিভ এআই-এর দিকে নির্দেশ করেছেন।

তিনি বলেন: এই মূল্যায়নটি আজকের আমাদের পরিচিত বেশিরভাগ এআই-এর জন্য প্রযোজ্য।

এআই: ভালো অংশটি নতুন নয়, নতুন অংশটি ভালো নয়

সাটনের মূল যুক্তি অত্যন্ত সরল, যা নির্মম পর্যন্ত সরল।

জেনারেটিভ এআই মূলত সুপারভাইজড লার্নিং।

সুপারভাইজড লার্নিংয়ের যুক্তি হল: মডেলকে অসংখ্য মানুষ তৈরি করা নমুনা দেখানো হয়, যাতে সে অনুকরণ করতে শিখতে পারে।

যত বেশি মিলবে, তত বেশি স্কোর।

প্রশ্ন আসছে।

যখন মডেল শুধুমাত্র প্রশিক্ষণ ডেটার ভিত্তিতে কনটেন্ট তৈরি করে, তখন আউটপুটের মান খুব উচ্চ হয়, কারণ এটি মানুষ ইতিমধ্যে যাচাই করে ফেলা ভালো জিনিসগুলির পুনরাবৃত্তি করছে। কিন্তু এটি নতুন কিছু নয়। এটি শুধুমাত্র মানুষের ইতিমধ্যে জানা বিষয়গুলিকে বিভিন্নভাবে পুনর্বিন্যাস করে পুনরায় প্যাকেজিং করছে।

যখন মডেল প্রশিক্ষণ ডেটা থেকে বিচ্যুত হতে চায় এবং সত্যিকারের নতুন কিছু তৈরি করার চেষ্টা করে, তখন গুণমান ধ্বংস হয়ে যায়। কারণ এর মধ্যে কোনো অন্তর্নিহিত কৌশল নেই যা বিচার করতে পারে “এই নতুন জিনিসটা আসলে ভালো কিনা”। এটি শুধুমাত্র তৈরি করে, মূল্যায়ন করে না।

এটাই সেই গঠনগত বিরোধ:

নতুনত্ব এবং গুণগত মান, শুধুমাত্র প্রত্যক্ষ শিক্ষার কাঠামোর মধ্যে, একটি ঝুলন্ত দড়ির দুই প্রান্ত।

এক পাশ চাপলে অন্য পাশ উঠে যায়।

এটি একটি ইঞ্জিনিয়ারিং সমস্যা নয়। ডেটা জমা করে, মডেল বড় করে বা আরও বেশি GPU যোগ করে এটি সমাধান করা যায় না।

সাটন একটি অত্যন্ত চোখ কাঁপানো তুলনা ব্যবহার করেছেন: "ছলনা" — বড় মডেলের সবচেয়ে বেশি সমালোচিত ত্রুটি — মূলত মডেলের "নতুন" হওয়ার চেষ্টার পার্শ্বপ্রতিক্রিয়া।

আমরা হলুদ পছন্দ করি না, যা একটি বিষয়কে প্রমাণ করে: আমাদের আসলে নতুনত্বের প্রয়োজন নেই। আমাদের শুধুমাত্র উচ্চ মানের অনুকরণের প্রয়োজন।

ভালো কিছু নতুন হয় না, নতুন কিছু ভালো হয় না।

সেই হাস্যকর গল্পে সমালোচকের বিষাক্ত মন্তব্যটি বিশ্বব্যাপী জেনারেটিভ এআই-এর অন্তর্নিহিত সীমাবদ্ধতাকে সঠিকভাবে বর্ণনা করেছে।

সত্যিকারের "আবিষ্কার" এর জন্য তিনটি জিনিস প্রয়োজন

সাটন প্রথম নীতি থেকে সৃজনশীলতার "ত্রিসদৃশ সূত্র" বিশ্লেষণ করেন:

সত্যিকারের আবিষ্কার (Discovery) = পরিবর্তন (Variation) + মূল্যায়ন (Evaluation) + বাছাইকৃত সংরক্ষণ (Retention)।

যে কোনও প্রকৃত সৃজনশীলতা এবং আবিষ্কারের জন্য তিনটি ধাপ প্রয়োজন, যার কোনটিই অপরিহার্য:

1. পরিবর্তন (Variation) বিভিন্নতার সম্ভাবনা তৈরি করে। এটি দৈবিক হতে পারে, বা পূর্ববর্তী জ্ঞানের উপর ভিত্তি করে হতে পারে, কিন্তু এটিতে সত্যিকারের অনিশ্চয়তা থাকতে হবে—অন্যথায় এটি অনুসন্ধান নয়, বরং টেবিল দেখা।

2. মূল্যায়ন (Evaluation): কোন পরিবর্তনগুলি মূল্যবান তা নির্ধারণ করুন। এর জন্য একটি স্পষ্ট লক্ষ্য বা 'ভালো' ও 'খারাপ' চিহ্নিত করার জন্য একটি মানদণ্ড প্রয়োজন।

3. নির্বাচনী ধারণ (Selective Retention): মূল্যবান পরিবর্তনগুলি বজায় রাখুন, যাতে এগুলি ভবিষ্যতের কার্যকলাপ এবং শিক্ষাকে প্রভাবিত করে।

এই তিনটি ধাপ সাটনের আবিষ্কার নয়। এটি প্রাকৃতিক বাছাইয়ের যুক্তি, বৈজ্ঞানিক পদ্ধতির যুক্তি, এবং মানুষের শেখার যুক্তি।

প্রাকৃতিক বাছাই: দৈব জিনিয়াস পরিবর্তন (পরিবর্তন) → পরিবেশগত ছাঁকনি (মূল্যায়ন) → উপযুক্তদের বেঁচে থাকা (নির্বাচনী সংরক্ষণ)।

বৈজ্ঞানিক পদ্ধতি: পরিকল্পনা প্রস্তাব করুন (পরিবর্তন) → পরীক্ষা দ্বারা যাচাই করুন (মূল্যায়ন) → গবেষণা পত্র প্রকাশ করুন (চয়নমূলক সংরক্ষণ)।

মানুষ শেখে: বিভিন্ন সমাধান চেষ্টা করুন (পরিবর্তন) → সঠিক বা ভুল তালিকাভুক্ত করুন (মূল্যায়ন) → কার্যকরী পদ্ধতি মনে রাখুন (বাছাই করে রাখা)।

এখন, জেনারেটিভ এআই কেবল ত্রিত্বের প্রথম ধাপটি সম্পন্ন করেছে: প্রায় কোনো মূল্যায়ন নেই, তার চেয়েও বেশি নির্বাচনী সংরক্ষণ নেই,

এটি একজন বাণিজ্যিক ধনুর্বিদের মতো, যিনি যাদুকরীভাবে বাণ ছোড়েন, কিন্তু চোখ বাঁধা, বাণ ছোড়ার পরে লক্ষ্যবস্তু দেখেন না এবং ফলাফলের ভিত্তিতে আসন পরিবর্তন করেন না।

আপনি এটিকে এক হাজার তীর ছুঁড়তে বলুন, কখনও কখনও লক্ষ্যে মারা যাবে, কিন্তু এটি কখনই জানতে পারবে না কেন মারল।

তাহলে, বিজ্ঞানীদের কোনো ব্যবহার আছে কি?

এখানে আপনি হয়তো কিছুটা উদ্বিগ্ন হয়ে উঠবেন: যদি ভবিষ্যতে এআই সত্যিই স্বয়ংক্রিয়ভাবে “আবিষ্কার”-এর ত্রিসূত্রিক সম্পন্ন করে ফেলে, তাহলে বিজ্ঞানীদের চাকরি যাবে কি?

সাটনের নিজের উত্তর ছিল: প্রতিস্থাপন করা যাবে না, কিন্তু ভূমিকা সম্পূর্ণরূপে রূপান্তরিত হতে হবে।

তিনি তার বক্তব্যে বলেন যে, এখনও মানুষকেই বলতে হয় যে কোন সমস্যাগুলি গুরুত্বপূর্ণ, যদিও AI স্বাধীনভাবে গাণিতিক উপপাদ্য প্রমাণ করতে পারে।

এটি বিনয় নয়, বরং বাস্তবিক জ্ঞানের সীমানা।

রাইস বিশ্ববিদ্যালয়ের অপ্টিমাইজেশন ক্ষেত্রের গণিতবিদ শিকিয়ান মা বলেন: তিনি ChatGPT ব্যবহার করে একটি অ্যালগরিদমের অভিসরণ সমস্যা প্রমাণ করেছেন, যা নিয়ে তিনি ছয় বছর ধরে কাজ করেছেন।

সারাংশে একটি বাক্য রয়েছে:

ChatGPT 5.5 দ্বারা উত্পাদিত এবং লেখক দ্বারা যাচাইকৃত।

এই অ্যালগরিদমের নাম BDRS, যার পূর্ণরূপ Bregman Douglas-Rachford Splitting, যা অপটিমাল ট্রান্সপোর্ট (Optimal Transport) সমস্যা সমাধানের জন্য ব্যবহৃত হয়।

পেপারের শিরোনাম: ব্রেগম্যান ডগলাস-র্যাচফোর্ড স্প্লিটিং পদ্ধতি

প্রিন্ট প্রিপ্রিন্ট ঠিকানা:

এটি তাঁর এবং সহ-লেখকদের নিজেদের তৈরি করা কিছু, যার সঙ্গে তিনি ছয় বছর ধরে সংগ্রাম করেছিলেন—এর অভিসরণের প্রমাণ, অর্থাৎ গাণিতিকভাবে সবচেয়ে কঠোরভাবে “এটি কেন সঠিক”।

arXiv প্রিপ্রিন্ট প্ল্যাটফর্মটি সাবমিশন পেয়েছে, এখনও স্থগিত রাখা হয়েছে।

সে অনুমান করেছে যে কারণটি হল সারাংশে "ChatGPT" শব্দ তিনটি রয়েছে, প্ল্যাটফর্মটি এই ধরনের পেপার কীভাবে প্রক্রিয়া করবে তা জানে না।

কিন্তু মানুষকে এআই প্রতিস্থাপন করতে পারে কি?

তার উত্তর ছিল: না। তিনি স্পষ্টভাবে বললেন:

আমি মনে করি এআই এই ধরনের অ্যালগরিদম সৃষ্টি করতে পারে না এবং দাবি করতে পারে না যে “এটি একটি অপ্টিমাল ট্রান্সপোর্টের জন্য একটি দক্ষ অ্যালগরিদম, এখন আমি এর অভিসরণ প্রমাণের চেষ্টা করি।”

মানুষের নির্দেশ ছাড়া, এআই কোন সমস্যা সমাধান করবে তা জানে না।

এই বাক্যটি Sutton-এর সাথে সঠিকভাবে মিলে যায়: সমস্যাটি নিজেই মানুষ দ্বারা সংজ্ঞায়িত করা হতে হবে।

সে ছয় বছর ধরে শুধুমাত্র "সঠিক প্রশ্ন করতে" পারল:

বিষয়টি সম্পর্কে আপনার খুব গভীর বোঝাপড়া থাকা প্রয়োজন যাতে কী প্রশ্ন করতে হবে তা বুঝতে পারেন।

এই ক্ষেত্রে, আমি এই সমস্যার উপর ছয় বছর ধরে গবেষণা করেছি, তাই আমি এর কঠিন দিকগুলি স্পষ্টভাবে জানি।

এই ছয় বছর ব্যর্থ হয়নি, এটি পূর্বশর্ত।

এই ছয় বছরই তাকে জানিয়েছে যে প্রমাণটি কোথায় আটকে আছে, আগের সমস্ত পথের ব্যর্থতার কারণ কী, এবং ChatGPT কোন দিকটি অনুসরণ করা উচিত এবং কোনটি মিথ্যা।

এবং এটি একবারের প্রম্পট নয়, এটি পাঁচ মাস। এটিই সবচেয়ে বেশি ভুলবোঝার জায়গা, যা নিজেও ভুলবোঝা করেছিলেন:

জানুয়ারি থেকে মে পর্যন্ত, পাঁচ মাস ধরে, অসংখ্য কথোপকথন, প্রতিটি প্রম্পট প্রমাণের দিকে এগিয়ে যাচ্ছিল।

তিনি অত্যন্ত স্পষ্টভাবে সারাংশ দিলেন:

গবেষণার মূল বিষয় অপরিবর্তিত রয়েছে, এটি বারবার পরীক্ষা-ভুল করা। পরিবর্তিত হয়েছে প্রতিটি পরীক্ষা-ভুলের গতি—আগে একটি দিক যাচাই করতে কয়েক সপ্তাহ লাগত, এখন কয়েক মিনিটেই বুঝতে পারা যায় এই পথটি চলবে কি না।

কিন্তু এআইয়ের অবদান অমর:

এরপর, শেষে সরাসরি দেবত্বে পৌঁছায়:

বিডিআরএস-এর অভিসরণ সম্পর্কিত আমার পেপারে, আমি যথেষ্ট নিশ্চিত যে প্রমাণটি সঠিক।

কিন্তু যদি আপনি কোনো ভুল খুঁজে পান, তাহলে সম্পূর্ণ দায় আমার—ChatGPT-কে দোষ দেবেন না, এটি মাত্র 3.5 বছরের।

এটি দুইগুণ মজার কথা: এটি একটি সত্যিকারের দায়বদ্ধতার বিবৃতি এবং একটি সঠিক রূপক।

"3.5 বছর" বর্তমানে AI-এর প্রকৃত অবস্থাকে বর্ণনা করে: অসাধারণ ক্ষমতা, কিন্তু বিচার অপরিপক্ক।

কারণ, মানুষ কখনও ৩.৫ বছর বয়সী শিশুর কাছে কোনো অবদানের আশা করেনি।

যদিও আপনি প্রমাণের চূড়ান্ত স্বাক্ষরের অধিকার এআইকে দিতে পারবেন না, তবুও আপনি এআইয়ের কোনো অবদান না থাকার মতো ভান করতে পারবেন না।

এটাই কারণ যে, প্রকৃত বৈজ্ঞানিক আবিষ্কারগুলি মানুষের হাতে অদৃশ্য হয়ে যায় না।

বরং, এটি মানুষকে আরও কঠোরভাবে ছাঁটাই করবে: যে ব্যক্তি ভালো প্রশ্ন করতে পারে, তারই শক্তিশালী AI পাওয়ার যোগ্যতা আছে।

ভবিষ্যতে, বিজ্ঞানীদের জন্য এআই ছাড়া কাজ করা হয়তো কম্পিউটার ছাড়া জ্যোতির্বিদদের কাজ করার মতো পুরনো হয়ে যাবে।

শেষ করে, আসুন আমরা সাটনের ঘোষণামূলক কথাগুলি পুনর্মনন করি:

যদি আমরা এআই বিজ্ঞানীদের সম্পূর্ণ ক্ষমতা পূর্ণভাবে ব্যবহার করতে চাই, তাহলে আমাদের তাদের সাথে লক্ষ্যগুলি শেয়ার করতে হবে, যাতে তারা সৃষ্টি, মূল্যায়ন এবং আবিষ্কার করতে পারে এবং এই লক্ষ্যগুলি অর্জনে সম্পূর্ণভাবে অংশগ্রহণ করতে পারে।

আসুন একটু সাহসী হই! আসুন সম্পূর্ণভাবে সৃজনশীলতা এবং আবিষ্কারকে স্বয়ংক্রিয় করি!