ফিল্ডস পুরস্কার বিজয়ী ওপেনএআই-এ যোগ দিলেন, বাইটডান্স এসটিইএম বিজ্ঞানী প্রোগ্রাম শুরু করল

এই বছরের ফিল্ডস পুরস্কারকে বলা হচ্ছে "শেষ প্রজন্মের শুদ্ধ রক্ত" – ভবিষ্যতের বিপ্লবী গবেষণাগুলি সম্ভবত AI-এর সাথে একীভূত হয়ে সম্পন্ন হবে।

এই রূপান্তরের প্রক্রিয়াটি আমাদের কল্পনার চেয়েও দ্রুত হতে পারে: ফিল্ডস পুরস্কারের প্রেস কনফারেন্সে, একজন কানাডিয়ান গণিতবিদ জেকব টসিমানের পরবর্তী কাজটি কী তা জিজ্ঞাসা করলে, তিনি বলেন যে তিনি AI নিরাপত্তা গবেষণায় রূপান্তরিত হয়েছেন এবং শীঘ্রই OpenAI-এর সিকিউরিটি ডিপার্টমেন্টে যোগদান করবেন।

অন্যদিকে, ওপেনএআই-এর প্রধান গবেষণা পরিচালক মার্ক চেন তাৎক্ষণিকভাবে স্বাগত জানান।

শীর্ষস্থানীয় বিদ্বানরা এখন শীর্ষস্থানীয় এআই কোম্পানিগুলিকে নিজেদের আকাঙ্ক্ষা প্রকাশের প্ল্যাটফর্ম হিসেবে দেখছেন। সম্প্রতি, গণিতবিদ, পদার্থবিদ, জীববিদ সহ অনেক শীর্ষস্থানীয় বিজ্ঞানী শীর্ষস্থানীয় বড় মডেল কোম্পানিগুলিতে আসছেন। এই বছরের প্রথম ছয় মাসের মধ্যেই নোবেল পুরস্কার বিজয়ী জন জাম্পার, অর্থনীতিবিদ চ্যাড জোনস, দার্শনিক হারভি লেডারম্যান ইত্যাদি অ্যানথ্রোপিক-এ যোগদান করেছেন।

এর পেছনে, শীর্ষ AI কোম্পানিগুলি একই দিকের দিকে তাদের দৃষ্টি আকর্ষণ করছে: তারা সবাই বিজ্ঞানীদের AI গবেষণা ও উন্নয়নের ক্ষেত্রে আনছে। AI এবং অগ্রগামী বিজ্ঞানের গভীর একীভূতকরণ এখন বিকল্প থেকে অপরিহার্য হয়ে উঠছে।

এই সপ্তাহের বৃহস্পতিবার, বাইটডান্সের সিড এজ দল সিড স্টেম বিজ্ঞানী প্রকল্প ঘোষণা করেছে, যা গণিত, পদার্থবিদ্যা, রসায়ন, জীববিদ্যা ইত্যাদি অগ্রগামী বিজ্ঞানের ক্ষেত্রের বিজ্ঞানী এবং ডক্টরাল ছাত্রদের জন্য ১০০টি সহযোগিতার স্থান খুলেছে। তারা সিডের সাথে মৌলিক বিজ্ঞানের অজ্ঞাত সমস্যাগুলি অনুসন্ধানের আমন্ত্রণ জানিয়েছে। প্রকাশিত তথ্য অনুযায়ী, এটি চীনের প্রথম বৃহৎ পরিসরের AI-চালিত অগ্রগামী বিজ্ঞানের আবিষ্কারকে ত্বরান্বিত করার প্রকল্প।

এখনকার এআই ক্ষেত্রের দিনে দিনে দ্রুত প্রতিযোগিতার প্রেক্ষাপটে, দীর্ঘমেয়াদি মৌলিক এআই গবেষণায় গভীরভাবে নিবেদিত হওয়া সাধারণত কোডিং দক্ষতা উন্নত করা বা মূল্যায়ন স্কোর বাড়ানোর তুলনায় অনেক কম প্রত্যক্ষ: পরবর্তীটির দক্ষতা বৃদ্ধি দ্রুত পণ্যের অভিজ্ঞতা এবং ব্যবসায়িক আয়ে রূপান্তরিত হয়, অন্যদিকে, মৌলিক গবেষণা এবং এআই-এর মাধ্যমে বিজ্ঞানের আবিষ্কারকে ত্বরান্বিত করার ফিডব্যাক চক্র অনেক বেশি দীর্ঘ, এবং অনুসন্ধানের পথও অনিশ্চিত।

কিন্তু বিপরীতভাবে দেখলে, এই পথে যদি প্রকৃত বিপ্লব ঘটে, তাহলে এর ফলে যে প্যারাডাইম-লেভেলের মূল্য তৈরি হবে, তা সাধারণ পণ্যের পুনরায় উন্নয়নের চেয়ে অনেক বেশি হবে।

যাও শুনঝু আগে তার দলের সাথে একটি মতামত শেয়ার করেছিলেন: বড় মডেল প্রশিক্ষণের মধ্যে জাদু নেই। প্রকৃত চ্যালেঞ্জটি হল সবচেয়ে মৌলিক, নিশ্চিতভাবে সঠিকভাবে করা যায় এমন কাজগুলি সঠিকভাবে করা। এই মতামতটি Anthropic-এর CEO ড্যারিওর দীর্ঘদিনের ধারণার সাথে মিলে যায় — AI-এর উন্নতির মূল উপাদানগুলি হল ক্যালকুলেশন ক্ষমতা, ডেটার গুণগত মান ও পরিসর, প্রশিক্ষণের সময়কাল এবং স্কেলযোগ্য লক্ষ্য ফাংশন, “সব বুদ্ধিমানের পদ্ধতি এবং কৌশলগুলি আসলে ততটা গুরুত্বপূর্ণ নয়”।

ক্লড, সিডান্স এর মতো প্রকৃত সর্বোচ্চ মডেলগুলির পিছনে কোনও সহজ পথ নেই; মূলত এগুলি শীঘ্রই দিকনির্দেশনা নির্ধারণ করে ডেটা গুণগত মান এবং মূল আর্কিটেকচারের উপর অসংখ্য মৌলিক কাজ করেছে।

অ্যানথ্রোপিক মডেলের কোডিং ক্ষমতা উন্নতির দিকে সম্পদ কেন্দ্রীভূত করে, শক্তিশালী শেখার মাধ্যমে মডেলটিকে পুনরাবৃত্তি পরীক্ষা-নিরীক্ষার মাধ্যমে উচ্চমানের কোড বুঝতে এবং তৈরি করতে সক্ষম করে, এবং ব্যবহারকারীর প্রতিক্রিয়ার ভিত্তিতে একটি স্ব-ত্বরিত বিকাশের চক্র গঠন করে।

অনেক বড় কোম্পানিতেই যে ভিডিও জেনারেশন ক্ষেত্রে স্থায়ীভাবে এগিয়ে যাওয়া কঠিন, সেখানে Seedance নতুন মডেল আর্কিটেকচার এবং পরিশ্রমী ডেটা কাজের মাধ্যমে AI ভিডিও জেনারেশনকে একটি “লটারি”-এর মতো পরীক্ষামূলক প্রক্রিয়া থেকে আরও নিয়ন্ত্রিত এবং সৃজনশীল শিল্প-মানের উৎপাদন টুলে পরিণত করেছে।

দেখা যাচ্ছে যে, মডেলের ক্ষমতার সীমানা নির্ধারণ করে কৌশলের সঞ্চয় নয়, বরং ডেটা শক্তিশালী করা, মৌলিক কাঠামোকে স্থিতিশীল করা এবং দীর্ঘমেয়াদি লক্ষ্য রাখা, একটি কৌশলগত স্থিরতা এবং যথেষ্ট ধৈর্যশীলতা বজায় রাখা।

এটি বর্তমান পরিস্থিতিতে সহজ নয়, কিন্তু আমরা দেখতে পাচ্ছি যে দেশীয় বড় মডেল প্রতিযোগিতায় আরও বেশি কোম্পানি এই কঠিন কিন্তু সঠিক পথে যাওয়ার জন্য প্রস্তুত।

এই বছর, ডিপসিক mHC (ম্যানিফোল্ড-কনস্ট্রেইন্ড হাইপারকানেকশন) আর্কিটেকচারটি বড় মডেল বেসিক আর্কিটেকচার ক্ষেত্রে একটি বিপ্লব হিসাবে বিবেচিত। এটি এছাড়াও ডিপসিক এর মধ্যে একটি গুরুত্বপূর্ণ আর্কিটেকচারাল আপগ্রেড হল প্রাচীন রেজিডুয়াল কানেকশনকে প্রতিস্থাপন করা, যা সম্পূর্ণ মডেল জুড়ে ব্যাপকভাবে ব্যবহার করা হয়েছে। উল্লেখযোগ্য যে, mHC গবেষণা বাইটডান্স সিড টিম দ্বারা প্রস্তাবিত হাইপার-কানেকশনস (HC) উল্লেখ করেছে।

এর আগে, রেসিডুয়াল কানেকশনকে ট্রান্সফরমারের মূল কাঠামো হিসেবে শিল্পে ডিফল্ট কনফিগারেশন হিসেবে বিবেচনা করা হত, HC প্রথমবারের মতো এই একক-প্রবাহ প্যারাডাইম ভাঙে, প্রায় কোনো ক্যালকুলেশন বৃদ্ধি ছাড়াই মডেলের ফিচার এক্সপ্রেশন ক্ষমতা উল্লেখযোগ্যভাবে বৃদ্ধি করে। HC-এর আবিষ্কার থেকে mHC-এর ইঞ্জিনিয়ারিংয়ের বাস্তবায়ন পর্যন্ত, এটি চীনা AI টিমগুলির নিম্নস্তরের আর্কিটেকচার ক্ষেত্রে প্রযুক্তিগত উদ্ভাবনের একটি প্রতীক হয়ে উঠেছে, যা গতকালের বড় মডেল প্রযুক্তির বিকাশে খুবই দুর্লভ।

গত বছরের শুরুতে, বাইটডান্স সিড একটি বিশেষ দল এজ গঠন করেছিল, যা কম নির্ধারণমূলক, সংক্ষিপ্ত সময়ের মধ্যে ফলাফল দেখা যাওয়ার সম্ভাবনা কম এমন গবেষণা বিষয়গুলির সাথে কাজ করার আশা নিয়ে। গবেষকদের জন্য স্থিতিশীল পরিবেশ নিশ্চিত করতে, তারা পারফরম্যান্স মূল্যায়নের সময়সূচীও পরিবর্তন করেছিল—মধ্যবর্তীতে কোনও মূল্যায়ন ব্যবস্থা ছিল না, ফলাফল পাওয়ার পরেই একসাথে মূল্যায়ন করা হত।

এই দলটি গঠনের পর থেকে সবসময় নীরব ছিল, কিন্তু সাম্প্রতিক সময়ে তারা X-এ EdgeBench নামক একটি দীর্ঘ-পরিসর মূল্যায়ন সেট প্রকাশ করেছে, যা শিল্পে প্রথমবারের মতো বাস্তব পরিবেশের অধীনে Agent-এর শিক্ষার নিয়মগুলি ব্যবস্থিতভাবে সংজ্ঞায়িত করেছে, পরিবেশ শিক্ষার মাত্রা সম্পর্কে একটি নতুন Scaling আইন খুঁজে পেয়েছে, এবং শিল্পের অনেক বড় বড়দের মধ্যে আলোচনা তৈরি করেছে।

বলা হয়ে থাকে যে, ওপেনএআইও এই পরীক্ষার সেটটি ব্যবহার করে তাদের মডেলের দীর্ঘ পরিসরের ক্ষমতা পরীক্ষা করছে।

এআই ক্ষেত্রে, সাধারণত মনোযোগ দেওয়া হয় বড় মডেলগুলির উপর, কিন্তু বেঞ্চমার্ক তৈরি করতে দীর্ঘ সময় এবং ব্যাপক মানবসম্পদের প্রয়োজন হয়। উন্নত এআই ক্ষমতার জন্য বেঞ্চমার্ক ডিজাইন করা এবং ওপেন-সোর্স করা শুধুমাত্র নিজেদের অগ্রগতি মাপার জন্যই নয়, বরং শিল্পের মানদণ্ড প্রতিষ্ঠা করে এবং মডেলের দুর্বলতা প্রকাশ করে, সমগ্র ক্ষেত্রকে আরও স্বচ্ছ এবং বিশ্বস্ত দিকে পরিচালিত করার জন্যও। শীর্ষস্থানীয় এআই গবেষণাগারগুলি বেঞ্চমার্ক তৈরির উপর বিশাল বিনিয়োগ করে।

OpenAI একটি ওপেন-সোর্স Evals ফ্রেমওয়ার্ক প্রকাশ করেছে, যা বড় ভাষা মডেল এবং LLM-ভিত্তিক সিস্টেম মূল্যায়নের জন্য শিল্পের মানক টুল হয়ে উঠেছে। বিশেষ করে অগ্রণী ক্ষমতাগুলির জন্য, OpenAI SimpleQA, BrowseComp, MLE-bench ইত্যাদি বিশেষায়িত বেঞ্চমার্ক ডিজাইন করেছে।

Anthropic এসডব্লিউ-বেঞ্চের উপর অনেক কাজ করেছে, তারা Claude-এর কোডিং ক্ষমতার শক্তিস্থলকে স্পষ্টভাবে চিহ্নিত করেছে; তারা টার্মিনাল-বেঞ্চও প্রকাশ করেছে, যা এজেন্টের বাস্তব কমান্ড লাইন পরিবেশে দীর্ঘ লিঙ্কযুক্ত কাজ সম্পন্ন করার ক্ষমতা মূল্যায়নের জন্য ব্যবহৃত হয়।

এই মূল্যায়নগুলি এবং বিভিন্ন মডেলের ক্ষমতার শক্তিস্থানগুলির মধ্যে সম্পর্ক দৈবিক নয়।

দেখা যাচ্ছে যে, অগ্রগামী এআই দলগুলি এআই বিকাশের পথ সম্পর্কে তাদের মূল্যায়ন পরিবর্তন হচ্ছে, বড় মডেলগুলির ক্ষমতার উন্নতি এখন শুধুমাত্র প্যারামিটার এবং ডেটা সঞ্চয়ের উপর নির্ভরশীল প্রিট্রেনিং লাভের পর্যায় থেকে বেরিয়ে এসেছে, পরবর্তী পর্যায়ের মূল বৃদ্ধির গতি অবশ্যই বাস্তব খোলা পরিবেশে মডেলের নিরন্তর ইন্টারঅ্যাকশন, ফিডব্যাক এবং স্বয়ংসমৃদ্ধির উপর নির্ভর করবে।

বেসিক সায়েন্সের ফ্রন্টিয়ার হল খোলা অজানা সিনেরিওর সর্বোচ্চ রূপ। এবং বাইটডান্স যে সিড এসটিইএম বিজ্ঞানী প্রোগ্রামটি প্রকাশ করেছে, তা হল বিজ্ঞানীদের সাথে মিলে গবেষণাগত সমস্যাগুলি চিহ্নিত করা এবং এগিয়ে যাওয়া, AI-এর মাধ্যমে বিজ্ঞানের আবিষ্কারকে ত্বরান্বিত করার সম্ভাবনা অনুসন্ধান করা। বিজ্ঞানীদের প্রদান করা শুধুমাত্র প্রশ্নই নয়, বরং সমস্যার সচেতনতা, বিচারের মাপকাঠি এবং ফিডব্যাকের পদ্ধতি।

বিজ্ঞানীদের সাথে কেন সহযোগিতা করবেন? উত্তরটি হলো, এখন বাকি রাখা 'প্রশ্নগুলি' বড় মডেলগুলির জন্য যথেষ্ট কঠিন নয়।

বর্তমানে প্রচলিত মডেল মূল্যায়ন পদ্ধতিগুলি বেশিরভাগই স্ট্যান্ডার্ড উত্তরযুক্ত বন্ধ কাজের চারপাশে ঘুরে বেড়ায়। প্রশ্নগুলির নির্দিষ্ট সমাধান থাকে, মূল্যায়নের জন্য নির্দিষ্ট মানদণ্ড থাকে, এবং মডেলের ক্ষমতা বৃদ্ধির পথটি স্পষ্ট। কিন্তু প্রকৃত বৈজ্ঞানিক গবেষণা সম্পূর্ণভাবে অন্য একটি যুক্তি: এটির কোনও স্পষ্ট সমাধানের পথ নেই, গবেষকদের নিজেদের থেকে অনুমান প্রস্তাব করতে, যাচাইকরণের পরিকল্পনা তৈরি করতে, অস্বাভাবিক এবং শব্দযুক্ত ডেটা পরিচালনা করতে, এবং মৌলিক কার্যপ্রণালী উপস্থাপন করতে হয়—সমগ্র প্রক্রিয়াটি পরীক্ষা-ভুল, পুনরাবৃত্তি এবংঅনিশ্চয়তা দিয়ে পরিপূর্ণ।

বাস্তব জগতের কাজই এআই মডেলের ক্ষমতা পরীক্ষার চূড়ান্ত মাপকাঠি। প্রি-ট্রেনিং স্কেলিং এবং টেস্টিং সময় স্কেলিংয়ের পরে, শিল্পটি পরবর্তী স্কেলিং দিকটি খুঁজছে, এবং "বাস্তব খোলা পরিবেশে নিরন্তর ইন্টারঅ্যাকশন শেখা" হল সবচেয়ে বেশি আশাবাদী পথগুলির মধ্যে একটি।

অতএব, বিশ্বব্যাপী এআই-এর শীর্ষ দলগুলি প্রান্তিক মডেল ডেভেলপমেন্টের সময় শুধুমাত্র এআই দলের দ্বারা মডেল পরিশোধনের উপর নির্ভর করছে না, বরং বিভিন্ন বিষয়ের শীর্ষ গবেষকদের সংযুক্ত করছে, যাতে বাস্তব ক্ষেত্রের সমস্যাগুলি মডেলের ক্ষমতা উন্নয়নের জন্য ট্র্যাকশন হয়ে উঠতে পারে।

উত্তর আমেরিকায়, সাম্প্রতিক সময়ে অনেক বিশ্ববিদ্যালয়ের গবেষকরা বড় মডেল কোম্পানিগুলিতে যোগ দিয়েছেন। জুলাইয়ের শুরুতে, বার্কলির EECS বিভাগের প্রধান জেলানি নেলসন শিক্ষাগত ছুটি নিয়ে Anthropic-এ যোগ দেওয়ার ঘোষণা করেন। এই বছরের মধ্যে, স্ট্যানফোর্ড, বার্কলি, হার্ভার্ডসহ অন্যান্য বিশ্ববিদ্যালয়গুলিতে কমপক্ষে 22 জন অধ্যাপক ও গবেষক তাদের কাজ স্থানান্তরিত বা কমিয়েছেন, এবং OpenAI, Anthropic, DeepMind এবং Meta-এ যোগ দিয়েছেন। এই চারটি কোম্পানি এখনও কমপক্ষে 80টিরও বেশি বর্তমান বা পূর্ববর্তী বিশ্ববিদ্যালয়ের অধ্যাপককে একত্রিত করেছে।

বড় বুলেরা ধারাবাহিকভাবে যোগ দেওয়ার পিছনে একটি ব্যবস্থাগত প্রকল্প রয়েছে।

ওপেনএআই-এ, রেসিডেন্সি প্রোগ্রামটি ওপেনএআই-এর বার্ষিক উচ্চস্তরের প্রতিভার আকর্ষণের একটি স্থায়ী পথে পরিণত হয়েছে, যা স্পষ্টভাবে সেই প্রতিভাদের জন্য উদ্দেশ্যপূর্ণ যারা বর্তমানে এআইকে মূল গবেষণার ক্ষেত্র হিসাবে বিবেচনা করেন না। এই প্রোগ্রামের অংশগ্রহণকারীরা প্রথম দিন থেকেই ওপেনএআই-এর অগ্রগামী অ্যাপ্লিকেশন এবং গবেষণা দলের সাথে সরাসরি কাজ করেন। এই প্রোগ্রামটি "ত্বরান্বিত ডক্টরেট প্রশিক্ষণ" এর মতো, যা বহুবিষয়ক বিশেষজ্ঞদের দ্রুত বিষয়ভিত্তিক সমন্বয়ে সহায়তা করে। ImageGPT, Codex-এর মতো অনেকগুলি ঐতিহাসিক প্রকল্পে রেসিডেন্ট গবেষকদের গভীর অংশগ্রহণ ছিল। GPT-সিরিজের মডেলগুলির গণিতীয় যুক্তি, জীববিজ্ঞানীয় কাঠামোর অনুমানের গবেষণাগত অগ্রগতিরও এই বহুবিষয়ক প্রতিভাদের নিরন্তর অবদানই কারণ।

অ্যানথ্রোপিক-এ, 2026 সালে বিজ্ঞান, প্রযুক্তি, প্রকৌশল এবং গণিতের বিশেষজ্ঞদের জন্য STEM Fellows Program-এর সিস্টেমেটিক এবং বৃহৎ সম্প্রসারণ ঘটে। এই প্রোগ্রামটি কয়েক মাস ধরে চলে, যেখানে পদার্থবিদ, জীববিজ্ঞানী, গণিতবিদ, অর্থনীতিবিদদের মতো AI-এর বাইরের শীর্ষস্থানীয় বিশেষজ্ঞদের অ্যানথ্রোপিকের ভিতরে আমন্ত্রণ জানানো হয়। তারা নিজেদের ক্ষেত্রের অমীমাংসিত সমস্যা বা জটিল কাজের প্রবাহ নিয়ে, এখনও প্রকাশিত হয়নি এমন Claude মডেল এবং অভ্যন্তরীণ মূল্যায়ন টুলগুলির সরাসরি ব্যবহার করতে পারেন।

এই ধরনের প্রকল্পে, উপাদান বিজ্ঞানীরা ক্লডের জন্য পর্যায় স্থিতিশীলতা যুক্তির জন্য বিশেষায়িত মূল্যায়ন প্রক্রিয়া তৈরি করেন, আবহাওয়া বিজ্ঞানীরা পেশাদার বাতাসের মডেলিং টুলগুলি মডেলের সাথে গভীরভাবে একীভূত করেন। স্থায়ী সময়কালের মধ্যে, 80% এরও বেশি গবেষক উচ্চ মানের শিক্ষাগত ফলাফল তৈরি করেছেন, এবং এই বাস্তব বিষয়গুলির থেকে প্রাপ্ত প্রতিক্রিয়াগুলি সরাসরি মডেলের পুনরায় প্রশিক্ষণের সংকেত হয়ে উঠেছে, যা ক্লডের গবেষণা-ভিত্তিক যুক্তি এবং জটিল টুলগুলির ব্যবহারের উন্নতিকে উৎসাহিত করেছে।

এই ধরনের প্রকল্পের মূল্য ইতিমধ্যেই গবেষণার চেয়ে অনেক বেশি। শীর্ষস্থানীয় এআই কোম্পানিগুলি এখন এলাকার বিজ্ঞানীদের আকর্ষণকে ক্যালকুলেশন ক্ষমতা আকর্ষণের সমান গুরুত্ব দিচ্ছে।

বিজ্ঞানীদের জন্যও সহযোগিতার মূল্য অপরিসীম। বড় মডেলগুলি নতুন বৈজ্ঞানিক অবকাঠামো হয়ে উঠছে: সূত্র প্রতিষ্ঠা, সংখ্যাগত সিমুলেশন থেকে শুরু করে বিপুল পরিমাণ গবেষণা পত্র এবং পরীক্ষাগত ডেটা বিশ্লেষণের মধ্যে, AI বৈজ্ঞানিক পদ্ধতি পুনরায় গঠন করছে, যা আগে মানব শক্তি এবং কম্পিউটিং ক্ষমতার সীমাবদ্ধতার কারণে অসম্ভব ছিল।

বড় মডেল দলে অন্তর্ভুক্ত হওয়া এবং স্থানীয় গবেষণায় অংশগ্রহণ করা একজন জ্যোতির্বিদের জন্য পরবর্তী প্রজন্মের সুপার স্পেস টেলিস্কোপের একচেটিয়া ব্যবহারের অধিকার পাওয়ার সমান গুরুত্বপূর্ণ। এই ধরনের প্রকল্পগুলি বিজ্ঞানীদের অনেক সুবিধা দেয়, যার মধ্যে রয়েছে বড় পরিমাণে AI ক্যালকুলেশন শক্তি, অগ্রণী মডেলগুলির অভিজ্ঞতা, এবং AI-কে ‘বাহ্যিক মস্তিষ্ক’ হিসাবে ব্যবহার করে সমস্যা সংজ্ঞায়িত করার উপর মনোযোগ দেওয়া।

এই অ্যানথ্রোপিক এবং ওপেনএআই-এ প্রবেশ করা বিজ্ঞানীদের জন্য, এই গভীর সহযোগিতা হল গবেষণার দক্ষতার একটি গুণক এবং নতুন আবিষ্কারের জন্য একটি কুঁচি। এখন আমরা দেশীয় পরিসরে দৃষ্টি ফিরিয়ে আনি, আমরা দেখি যে AI এবং মৌলিক গবেষণার সংযোগস্থলের ফাঁকটি বাইটড্যান্ড সিড দ্বারা প্রথমেই পূরণ হচ্ছে।

যখন ফিল্ডস পুরস্কার বিজয়ীরা ওপেনএআই-এ যোগ দেয়, যখন আরও বেশি এসটিইএম বিজ্ঞানীরা মডেল টিমের সাথে যোগ দেয়, তখন এআই-এর পরবর্তী পর্যায়ের প্রতিযোগিতা সংক্ষিপ্ত পণ্য পুনরায় উন্নয়ন, র‍্যাঙ্কিং স্কোর এবং একক কাজের বিচ্ছিন্ন অগ্রগতির পরিবর্তে দীর্ঘমেয়াদী, জটিলতর এবং অধিক অগ্রণী মৌলিক প্রশ্নের দিকে সরে যাচ্ছে।

বিজ্ঞান গবেষণা গুরুত্বপূর্ণ কারণ এটি মানব জ্ঞানের সর্বোচ্চ সীমানায় অবস্থিত। যদি এই ধরনের উচ্চ জটিলতার খোলা পরিবেশে স্থিতি লাভ করা যায়, তাহলে পরবর্তী প্রজন্মের এআই প্রকৃত জটিল কাজগুলিতে অংশগ্রহণের ক্ষমতা অর্জন করেছে বলে বিবেচিত হবে।

এই পথটি দ্রুত উল্লেখযোগ্য ফলাফল দিতে কঠিন, এবং সংক্ষিপ্ত সময়ের মধ্যে স্পষ্ট ব্যবসায়িক বন্ধন গড়ে তোলা কঠিন। এটি ধীর, ভারী এবং অনিশ্চিততায় পরিপূর্ণ। কিন্তু এই কারণেই, এটি একটি দলের মৌলিক ও অগ্রগামী কাজে সত্যিকারের মনোযোগ দেওয়ার ইচ্ছা পরীক্ষা করার জন্য সবচেয়ে বেশি উপযুক্ত।

মহাকায় মডেলের চূড়ান্ত পরীক্ষা হল মানুষের সাথে এখনও সমাধান করা হয়নি এমন সমস্যাগুলি এগিয়ে নেওয়ার ক্ষমতা।

বিজ্ঞানের উন্নতির জন্য দীর্ঘমেয়াদি দৃষ্টিভঙ্গি প্রয়োজন, এবং একইভাবে এজিআই-এর বাস্তবায়নের জন্যও।

এই লেখাটি ওয়েইচ্যাট গ্রুপ "মেশিন সিন্টিস" (ID: almosthuman2014) থেকে এসেছে, লেখক: জে নান