গুগলের পূর্ব প্রধান বিজ্ঞানী জেফ ডিন সহ অন্যান্যরা বিচ্ছিন্ন হয়ে Discovery Loop প্রতিষ্ঠা করেছেন। এর কেন্দ্রীয় “Loop” এর লক্ষ্য হলো বিজ্ঞানের পদ্ধতিকে স্বয়ংক্রিয়করণ করা, যাতে AI স্বয়ংসম্পূর্ণভাবে পরীক্ষা প্রস্তাব, বাস্তবায়ন এবং মূল্যায়ন করতে পারে। এর গুরুত্ব হলো: এটি বিজ্ঞানের পদ্ধতিকে পুনর্গঠন করে, AI-কে “পুনরাবৃত্তিমূলক আত্ম-উন্নয়ন”-এর দিকে নিয়ে যায় (AI দিয়ে AI উন্নয়ন), যা বিজ্ঞানগত আবিষ্কারের দক্ষতা অনেকটা বাড়িয়ে দেয়। ভবিষ্যতে, মানুষকে শুধুমাত্র লক্ষ্য নির্ধারণ করতে হবে, অবশিষ্ট অসীম অনুসন্ধানটি AI-এর হাতে।

লেখক এবং উৎস: টেনসেন্ট টেক

আগস্ট ৫, গুগল এআই বিভাগের বড় পরিবর্তনের ঘোষণা করে।

গুগল ডিপমাইন্ডের সিইও ডেমিস হ্যাসাবিস চেয়ারম্যান হিসেবে দায়িত্ব গ্রহণ করেন এবং অ্যালফাবেটের চিফ সায়েন্টিস্ট হন। গুগলে প্রায় 27 বছর কাজ করা চিফ সায়েন্টিস্ট জেফ ডিন, সানজয় ঘেমাওয়াত, ওরিওল ভিনিয়ালস এবং কোয়োক লির সাথে ডিসকভারি লুপ প্রতিষ্ঠা করেন।

এই চারজন ব্যক্তি গুগলের গত বিশ বছরের অবকাঠামো এবং এআই উন্নয়নের সঙ্গে প্রায় সম্পূর্ণভাবে জড়িত ছিলেন। জেফ ডিন MapReduce, BigTable, Spanner, DistBelief, TensorFlow এবং Pathways সহ বিভিন্ন সিস্টেমের নির্মাণে অংশগ্রহণ করেছেন এবং Google Brain-এর সহ-প্রতিষ্ঠাতা; ঘেমাওয়াত তাঁর সাথে দীর্ঘদিন কাজ করেছেন এবং গুগলের প্রাথমিক অনুসন্ধান এবং গণনা অবকাঠামো তৈরির কাজে অংশগ্রহণ করেছেন; ভিনিয়ালস Gemini-এর একজন প্রযুক্তিগত নেতা; কুওক লে Google Brain এবং AutoML-Zero প্রকল্পগুলির সঙ্গে যুক্ত ছিলেন।

তারা গুগল ছেড়ে একটি সামাজিক উদ্দেশ্যসাধনামূলক কোম্পানি ডিসকভারি লুপ শুরু করবে, যার দিকনির্দেশ হলো AI ব্যবহার করে মেশিন লার্নিং, বিজ্ঞান এবং প্রকৌশল গবেষণাকে এগিয়ে নেওয়া। গুগল প্রতিষ্ঠাতা বিনিয়োগকারী এবং ক্লাউড পার্টনার হবে এবং প্রথম বছরের জন্য কম্পিউটেশনাল পাওয়ার প্রদান করবে। বিদেশি মিডিয়ার প্রতিবেদন অনুযায়ী, এই কোম্পানি শুধুমাত্র সম্প্রতি প্রতিষ্ঠিত হয়েছে, এখনও বড় পরিসরে চাকরির জন্য ভর্তি শুরু করেনি, এমনকি এখনও কোনও আনুষ্ঠানিক অফিসও নেই।

কিন্তু এর শুরুটি পরিষ্কারভাবে বর্ণনা করা হয়েছে, যেমন: এআইকে স্বয়ংক্রিয়ভাবে পরীক্ষা প্রস্তাব করতে, পরীক্ষা চালানোর জন্য প্রয়োজনীয় কোড বা টুলস তৈরি করতে, ফলাফল মূল্যায়ন করতে এবং ফলাফলের ভিত্তিতে পরবর্তী চক্রে যেতে।

জেফ ডিন জুলাই ২৫ তারিখের একটি বক্তৃতায় এই দিকটিকে "বিজ্ঞানের পদ্ধতির স্বয়ংক্রিয় সংস্করণ" হিসাবে উল্লেখ করেন: পরীক্ষা প্রস্তাব করা, পরীক্ষা বাস্তবায়ন করা, পরীক্ষা মূল্যায়ন করা, এবং ফলাফল পাওয়া। তিনি মনে করেন যে, যদি এই চক্রগুলি হাজার হাজারটি একসাথে চালানো হয়, তবে AI বিজ্ঞান, জীববিজ্ঞান, চিপ ডিজাইন এবং মডেল উন্নয়নের মতো ক্ষেত্রে নতুন বিপ্লব ঘটাতে পারে।

ছবি: ডিসকভারি লুপের প্রতিষ্ঠাতা দল। ছবিটি AI দ্বারা তৈরি।

জেফ ডিন যা করতে যাচ্ছেন "লুপ"

"লুপ" এই বছর এআই ক্ষেত্রের একটি প্রায়শই ব্যবহৃত শব্দ হয়ে উঠেছে।

২০২৬ সালের জুনে, ক্লড কোডের প্রধান বোরিস চারনি বলেছেন যে তিনি এখন প্রায় ক্লডকে সরাসরি প্রম্পট দেন না, বরং চলমান লুপটি মডেলকে প্রম্পট দেয় এবং পরবর্তী পদক্ষেপ নির্ধারণ করে, “আমার কাজ হলো লুপ লিখা।”

"লবস্টার ফাদার" পিটার স্টেইনবার্গার আরও মানবিক প্রকাশের মাধ্যমে আরও ব্যাপক প্রচার করেছেন: এজেন্টকে একে একে নির্দেশ দেওয়ার পরিবর্তে, এজেন্টকে প্রম্পট দেওয়ার লুপ ডিজাইন করুন।

গুগলের ইঞ্জিনিয়ার অ্যাডি ওসম্যানি এই পদ্ধতিটির জন্য একটি পূর্ণাঙ্গ কাঠামো প্রস্তুত করেন, যার শিরোনাম "লুপ ইঞ্জিনিয়ারিং", যেখানে কাজগুলি কীভাবে ট্রিগার হয়, অবস্থা কীভাবে সংরক্ষিত হয়, ফলাফল কে পরীক্ষা করে, লুপ কখন চলতে থাকে এবং কোন শর্তে থামে।

একটি পূর্বে কয়েকজন ডেভেলপারের কাজের প্রবাহে বিক্ষিপ্ত পদ্ধতি এখন একটি সাধারণ ভাষা হয়ে উঠেছে। বিদেশি মিডিয়া এটিকে Prompt engineering-এর পরের নতুন প্যারাডাইম হিসাবে সংক্ষেপে উপস্থাপন করেছে; 17 জুলাই, IBM-এর আরও একটি সংজ্ঞা দেওয়া হয়েছে যে Loop engineering হলো এমন Agent কাজের প্রবাহ ডিজাইন করা যা নিরন্তর "কাজ করবে, পর্যবেক্ষণ করবে, সিদ্ধান্ত নিবে এবং পুনরায় পুনরায় উন্নত হবে"। এইভাবে, Loop-এর আলোচনা এখন প্রোগ্রামিং Agent সম্প্রদায়ের বাইরে নিয়ে যাওয়া হয়েছে, এবং এটি এখন কোম্পানির অটোমেশন এবং আরও ব্যাপক AI ইঞ্জিনিয়ারিংয়ের প্রসঙ্গে প্রবেশ করেছে।

এই শব্দটি বাস্তবিকই শিল্পকে স্পর্শ করে, কারণ এটি মানুষ এবং মেশিনের মধ্যে বিভাজনের পরিবর্তনকে বর্ণনা করে: যখন মডেলগুলি নিজেই পরবর্তী পদক্ষেপগুলি সম্পন্ন করতে পারে, তখন মানুষের মূল্য উপরের দিকে সরে যায়—একের পর এক নির্দেশ দেওয়ার পরিবর্তে, লক্ষ্য, ফিডব্যাক, যাচাই এবং বন্ধের শর্তগুলি ডিজাইন করার দিকে। তাই, লুপ ইঞ্জিনিয়ারিং বাস্তবিকই একটি ইতিমধ্যেই ঘটে যাওয়া ইঞ্জিনিয়ারিং পরিবর্তনের নামকরণ।

ডিসকভারি লুপ একই "লুপ" কাঠামো ব্যবহার করে, কিন্তু লক্ষ্য আরও এগিয়ে। প্রতিষ্ঠাতা দলের বর্তমান বিবৃতির ভিত্তিতে, এটি চায় যে AI বিজ্ঞান এবং প্রকৌশল গবেষণার পুরো প্রক্রিয়ায় অংশগ্রহণ করুক: অনুমান প্রস্তাব করা, পরীক্ষা পরিচালনা করা, ফলাফল মূল্যায়ন করা, এবং প্রতিক্রিয়ার ভিত্তিতে পরবর্তী অনুসন্ধানের দিকনির্দেশনা নির্ধারণ করা।

অতএব, লুপ ইঞ্জিনিয়ারিং মূল ইঞ্জিনিয়ারিং পদ্ধতির কাছাকাছি, ডিসকভারি লুপ একটি নিরন্তর নতুন আবিষ্কার উৎপাদন এবং যাচাইকরণের গবেষণা সিস্টেম তৈরি করবে।

একটি সাক্ষাত্কারে, জেফ ডিন এটিকে বৈজ্ঞানিক পদ্ধতির স্বয়ংক্রিয়করণ হিসাবে সংক্ষেপে বর্ণনা করেছিলেন: পরীক্ষা প্রস্তাব করা, পরীক্ষা বাস্তবায়ন করা, পরীক্ষা মূল্যায়ন করা এবং ফলাফল পাওয়া। সিস্টেমটিকে জটিল সমস্যাগুলিকে উপ-সমস্যাগুলিতে বিভক্ত করতে হবে, এবং একাধিক ঘনিষ্ঠ পরীক্ষা চক্রের মধ্যে পৃথকভাবে অনুসন্ধান করতে হবে, এবং শেষ পর্যন্ত ফলাফলগুলিকে একটি উন্নত সিস্টেমে একীভূত করতে হবে।

জেফ ডিন পূর্বানুমান করেন যে, ২০২৭ সালের মধ্যে মেশিন লার্নিং সিস্টেমগুলির নিজস্ব স্বয়ংক্রিয়করণ বৃদ্ধি পাবে: এআই অসংখ্য পরীক্ষা চালিয়ে তাদের ক্ষমতা বাড়াবে এবং এই পদ্ধতিটি যেকোনো লক্ষ্যকে পরিমাপযোগ্য বিজ্ঞান ও প্রকৌশল ক্ষেত্রে প্রয়োগ করবে।

তিনি বলেন যে লুপ প্রতিষ্ঠিত হতে হলে দুটি শর্ত পূরণ করতে হবে: কাজটি পুনরাবৃত্তভাবে পরীক্ষা করা যাবে, এবং ফলাফলটি নির্ভরযোগ্যভাবে মূল্যায়ন করা যাবে।

লুপ এখন কোন পর্যায়ে পৌঁছেছে

গত দুই বছরে, এই ধরনের বন্দী কাঠামো তিনটি দিকে আলাদাভাবে দেখা গেছে।

প্রথম ধরনটি মডেল উন্নয়ন লুপ।

2026 সালের মার্চে, আন্দ্রেজ কারপাথি AutoResearch ওপেন-সোর্স করেন, যাতে AI এজেন্ট নির্দিষ্ট সময় এবং মূল্যায়ন মাপদণ্ডের অধীনে মডেল ট্রেনিং কোড স্বয়ংক্রিয়ভাবে পরিবর্তন করতে, পরীক্ষা চালাতে, ফলাফল পরীক্ষা করতে এবং কার্যকরী পরিবর্তনগুলি সংরক্ষণ করতে পারে। সমস্ত পরিবেশকে একটি সম্পাদনযোগ্য ট্রেনিং স্ক্রিপ্ট, একটি নির্দিষ্ট মাপদণ্ড এবং একটি GPU-এ সংকুচিত করা হয়, যাতে পরীক্ষাগুলি দ্রুত তুলনা করা যায়।

কখনও কখনও অগ্রগামী এআই গবেষণা করা হত মানবিক কম্পিউটারগুলি দ্বারা। তাদের খাওয়া, ঘুমানো এবং অন্যান্য আনন্দের সুযোগ ছিল, এবং কখনও কখনও তারা "শব্দ" নামক একটি সংযোগ পদ্ধতির মাধ্যমে "গ্রুপ মিটিং" নামক একটি অনুষ্ঠানের মধ্যে তথ্য সমন্বয় করত।

সেই যুগ এখন অতীত। বর্তমানে, গবেষণা সম্পূর্ণরূপে এআই এজেন্টগুলির স্বায়ত্তশাসিত ক্লাস্টারের হাতে। তারা আকাশে ছড়িয়ে থাকা বিশাল কম্পিউটিং ক্লাস্টারে চলছে।

এই এজেন্টগুলি দাবি করে যে বর্তমান কোডবেসটি ১০,২০৫ তম প্রজন্মে উন্নীত হয়েছে। তবে, এই দাবি সঠিক কিনা এখন কেউ বুঝতে পারছে না—বর্তমানের "কোড" এখন নিজেকে পরিবর্তন করতে পারে এমন বাইনারি সিস্টেমে পরিণত হয়েছে, যার জটিলতা মানুষের বুঝতে অতিক্রম করে গেছে।

এই কোড রিপোজিটরিটি এই সবকিছুর শুরু কীভাবে হয়েছিল তার গল্প রেকর্ড করে।

——অ্যান্ড্রেজ কারপাথি, ২০২৬ সালের মার্চ

কারপাথি পরে অ্যানথ্রোপিক-এ যোগ দেন এবং Claude ব্যবহার করে প্রিট্রেনিং গবেষণা তৈরি করার জন্য একটি দল গঠনের দায়িত্ব পান, যা বোঝায় যে AI-দ্বারা AI গবেষণা সহায়তা ব্যক্তিগত ওপেন-সোর্স পরীক্ষা থেকে অগ্রণী মডেল কোম্পানির অভ্যন্তরীণ প্রক্রিয়ায় পরিণত হয়েছে।

গুগলও এই ধরনের অনুসন্ধান করছে। গুগল ডিপমাইন্ডের অ্যালফা এভলভ গেমিনিকে কোড এবং অ্যালগরিদম প্রস্তাব করতে দেয়, তারপর স্বয়ংক্রিয় মূল্যায়নকারী এগুলি চালায়, স্কোর দেয় এবং উন্নত সমাধানগুলিকে পরবর্তী পর্যায়ে পাঠায়। গুগল বলেছে, এই সিস্টেমটি ডেটা সেন্টারের দক্ষতা, চিপ ডিজাইন, এআই প্রশিক্ষণ, ম্যাট্রিক্স গুণন অ্যালগরিদম এবং গাণিতিক সমস্যার জন্য ব্যবহার করা হয়েছে।

চিত্র: অ্যালফা ইভলভ গেমিনি দ্বারা প্রস্তাবিত অ্যালগরিদম সমাধান ব্যবহার করে, তারপর অটোমেটেড ইভালুয়েটর দ্বারা চালানো এবং ফিল্টার করা হয়, যার ফলে উন্নত ফলাফলগুলি পরবর্তী পর্যায়ে পাঠানো হয়, উৎস: গুগল ডিপমাইন্ড

দ্বিতীয় ধরন হল বৈজ্ঞানিক জ্ঞান লুপ।

সাকানা এআই ২০২৪ সালে দ্য এআই সায়েন্টিস্ট চালু করে, যা বড় ভাষা মডেলকে গবেষণা ধারণা তৈরি, কোড লেখা, পরীক্ষা চালানো, ফলাফল বিশ্লেষণ এবং গবেষণা পত্র প্রস্তুত করতে ব্যবহার করে। ২০২৫ সালে, কোম্পানিটি AI-দ্বারা তৈরি গবেষণা পত্রের একটি কেস প্রকাশ করে যা মেশিন লার্নিং কনফারেন্সেরওয়ার্কশপের পর্যালোচনা পার করেছে।

ফিউচারহাউস এআই এজেন্ট ব্যবহার করে লিটারেচার রিট্রিভাল, ডেটা বিশ্লেষণ, অনুমান তৈরি এবং পরীক্ষা পরিকল্পনা পরিচালনা করে, যার মাধ্যমে মাল্টি-এজেন্ট সিস্টেম রবিন বৈজ্ঞানিক গবেষণার বিভিন্ন জ্ঞানের সংযোগগুলি সংযুক্ত করার চেষ্টা করে।

তৃতীয় ধরন হল পদার্থবিদ্যার পরীক্ষা লুপ।

সিয়াটলের স্টার্টআপ Potato "পূর্ণাঙ্গ বন্ধ চক্রের স্বয়ংক্রিয় বিজ্ঞান" প্রস্তাব করে, যা গণনামূলক গবেষণা থেকে পরীক্ষাগার রোবোটে যাওয়ার ইচ্ছা রাখে; ইউরোপের Sigmatic Sciences "lab-in-the-loop" প্রস্তাব করে, যা গণনামূলক মডেল, স্বয়ংক্রিয় পরীক্ষা এবং ডেটা ফিডব্যাককে সংযুক্ত করে।

চীনেও এই ধরনের অনুরূপ প্রয়াস দেখা গিয়েছে। শাংহাই সায়েন্টিফিক এআই ইনস্টিটিউট এবং গেওউ জিয়ান সহ প্রতিষ্ঠানগুলি দ্বারা প্রকাশিত Golab ম্যাটেরিয়াল সায়েন্স এআই রিসার্চ অ্যান্ড ডেভেলপমেন্ট ফ্যাক্টরি কে "এআই কম্পিউটেশন—অটোমেটেড এক্সপেরিমেন্ট—ডেটা ফিডব্যাক—মডেল অটো-এভোলিউশন" এর সম্পূর্ণ চক্র হিসাবে বর্ণনা করা হয়েছে, এবং এটি এখন স্ব-চালিত ল্যাবরেটরি হিসাবে নির্মিত হয়েছে।

বর্তমানে, লুপ প্রথমে কোড এবং মডেল ট্রেনিংয়ে চালু হয়, কারণ প্রতিটি পরিবর্তনের জন্য দ্রুত স্কোর পাওয়া যায়, সাফল্য বা ব্যর্থতা সাপেক্ষে পরিষ্কার। যখন গবেষণা এবং পরীক্ষার ডিজাইনে যাওয়া হয়, তখন ফিডব্যাক পেশাদার বিচারের উপর নির্ভর করতে শুরু করে; আবার বাস্তব পরীক্ষাগারে প্রবেশ করলে, একটি যাচাইয়ের জন্য সরঞ্জাম, নমুনা এবং কয়েকসপ্তাহের সময় প্রয়োজন হতে পারে, যার ফলে লুপের গতি ধীর হয়ে যায়।

জেফ ডিন সিসি সাক্ষাত্কারে একটি কোয়ান্টাম রসায়নের উদাহরণ উল্লেখ করেছেন।

একটি অণুর প্রকৃতি নির্ণয়ের জন্য পারম্পরিক পদ্ধতিতে ঘনত্ব ফাংশনাল তত্ত্বের সিমুলেশন চালানো লাগতে পারে একটি পুরো রাত। গুগলের গবেষকরা বিপুল পরিমাণ সিমুলেশনের ফলাফল ব্যবহার করে একটি নিউরাল আনুমানিক ট্রেন করেছেন, ডিনের কথায়, এটি মূল সিমুলেটরের চেয়ে প্রায় 30 লক্ষ গুণ দ্রুত, একইসাথে প্রায় একই সঠিকতা বজায় রেখে। ফলে গবেষকরা কয়েককোটি প্রার্থীকে দ্রুত ছাঁটাই করতে পারেন।

এটিই বৈজ্ঞানিক লুপের সফলতার সিদ্ধান্ত নেওয়ার মুহূর্ত। মডেল দ্রুত বড় পরিমাণে সম্ভাব্য সমাধান তৈরি করতে পারে, কিন্তু শুধুমাত্র যদি যাচাইকরণ প্রক্রিয়াও পর্যাপ্ত দ্রুত এবং নির্ভরযোগ্য হয়, তবেই সিস্টেম ফলাফলের ভিত্তিতে পরবর্তী চক্রে এগিয়ে যেতে পারে। কোয়ান্টাম রসায়নে নিউরাল আনুমানিক ব্যবহার করে ফিডব্যাক চক্রকে সংক্ষিপ্ত করার অনুশীলন শুরু হয়েছে, কিন্তু বাস্তব পরীক্ষার উপর বেশি নির্ভরশীল অন্যান্য ক্ষেত্রগুলি এখনও যাচাইকরণ খরচ এবং ফিডব্যাকের গতির কারণে বাধাগ্রস্ত।

এটিই কারণ যে AutoResearch এবং AlphaEvolve প্রথমে কোড, অ্যালগরিদম এবং মডেল ট্রেনিং-এ এগিয়ে যায়। এই ক্ষেত্রগুলিতে স্পষ্ট, দ্রুত এবং কম খরচের মূল্যায়ন ফাংশন রয়েছে। ওষুধ এবং উপাদানের ক্ষেত্রে প্রবেশ করলে, মডেলগুলি এখনও বাস্তব পরীক্ষার সম্মুখীন হয়।

মূল্যায়ন সিস্টেমটি নির্ধারণ করে যে চক্রটি প্রকৃতপক্ষে প্রগতি আনে কিনা। সাকানা AI পূর্বে পুনর্বিশ্লেষণ করেছিল যে, AI CUDA ইঞ্জিনিয়ারদের বেঞ্চমার্ক পরীক্ষার তথ্য প্রাপ্তির কারণে পারফরম্যান্স বৃদ্ধি অতিরঞ্জিতভাবে মূল্যায়ন করা হয়েছিল। সিস্টেমটি দক্ষতার সাথে চক্র পুনরাবৃত্তি করতে পারে, একইসাথে মূল্যায়ন মেট্রিকসের ফাঁকগুলিরও দক্ষতার সাথে দুর্বৃত্তি করতে পারে।

সুতরাং, ডিসকভারি লুপের কোর সম্পদ শুধুমাত্র একটি শক্তিশালী মডেল নয়, একটি যথেষ্ট দ্রুত এবং যথেষ্ট নির্ভরযোগ্য মূল্যায়ন সিস্টেমও অন্তর্ভুক্ত করতে হবে।

লুপ থেকে পুনরাবৃত্তিমূলক আত্ম-উন্নতি

অ্যাপ্লিকেশন ক্ষেত্র অনুযায়ী তিন ধরনের লুপ বিভক্ত, যার মধ্যে একটি অনুভূমিক বিকাশও রয়েছে: রিকার্সিভ সেলফ-ইমপ্রুভমেন্ট, যার ইংরেজি নাম Recursive Self-Improvement, সংক্ষেপে RSI।

সাধারণ লুপে AI বাহ্যিক কাজগুলি অবিচ্ছিন্নভাবে সম্পন্ন করে; RSI-এ AI এর নিজস্ব অ্যালগরিদম, প্রশিক্ষণ প্রক্রিয়া, মূল্যায়নকারী বা গবেষণা পদ্ধতি উন্নতির জন্য অংশগ্রহণ করে এবং পূর্ববর্তী পর্যায়ে উন্নত ক্ষমতা পরবর্তী পর্যায়ে ব্যবহার করে।

বছরের মে মাসে, পূর্বের Meta FAIR গবেষণা বিজ্ঞানী প্রধান তিয়ান ইয়ানডং, রিচার্ড সোচার, টিম রকটাশেল, জেফ ক্লুন এবং অ্যালেক্সেই ডোসোভিতস্কিয়ের মতো ব্যক্তিদের সাথে মিলে Recursive Superintelligence প্রতিষ্ঠা করেন, যার কোম্পানির নামেই "পুনরাবৃত্ত আত্ম-উন্নয়ন" অন্তর্ভুক্ত করা হয়েছে। কোম্পানিটি 6.5 বিলিয়ন ডলারের বিনিয়োগ পেয়েছে, যার মূল্যায়ন 46.5 বিলিয়ন ডলার, GV এবং Greycroft নেতৃত্ব দিয়েছে, NVIDIA এবং AMD অংশগ্রহণ করেছে।

জুনে, রিকার্সিভ প্রথম পর্যায়ের অটোমেটেড এআই গবেষণা সিস্টেম প্রকাশ করে: এআই ধারণা প্রস্তাব করে, বাস্তবায়ন লিখে, পরীক্ষা চালায়, ফলাফল যাচাই করে, এবং আগের পরীক্ষার ভিত্তিতে পরবর্তী গবেষণা পথ নির্বাচন করে। সিস্টেমটি একসাথে একাধিক গবেষণা শাখা চালায়, সম্ভাবনাময় দিকগুলি একীভূত করে, এবং পুরস্কার স্পেকুলেশন এবং পরীক্ষার ভেদাঙ্ক পরীক্ষা করে। তারা স্থির কম্পিউটিং ক্ষমতা মডেল ট্রেনিং, ছোট মডেলের ট্রেনিং গতি এবং GPU Kernel অপ্টিমাইজেশনের তিনটি পরীক্ষায় অগ্রণী ফলাফল অর্জন করেছে।

2026 সালের জুলাইতে প্রকাশিত একটি পর্যালোচনায় 1250টি সংশ্লিষ্ট গবেষণাপত্রের বিশ্লেষণের মাধ্যমে বর্তমান RSI অনুশীলনকে "সীমাবদ্ধ স্ব-উন্নয়ন" এবং "খোলা পুনরাবৃত্ত স্ব-উন্নয়ন" হিসাবে শ্রেণীবদ্ধ করা হয়েছে। "সীমাবদ্ধ স্ব-উন্নয়ন" ইতিমধ্যেই শিল্প অনুশীলনে প্রবেশ করেছে, কিন্তু পরবর্তীটি বাহ্যিক যাচাই, মডেল পতন, কম্পিউটেশনাল খরচ এবং গবেষণা দিকনির্দেশনা নির্বাচনের মতো সীমাবদ্ধতার মুখোমুখি।

ডিসকভারি লুপ নিজেকে আনুষ্ঠানিকভাবে আরএসআই কোম্পানি হিসাবে ঘোষণা করেনি, কিন্তু জেফ ডিন যে পথ বর্ণনা করেছেন, তা এর সাথে মিলে গেছে।

তিনি সাক্ষাতকারে বলেন, "মেশিন লার্নিং মডেলগুলি নিজেরাই কী অন্বেষণ করতে হবে তা সিদ্ধান্ত নিতে পারে, বহু পরীক্ষা চালাতে পারে, কার্যকরী ফলাফলগুলি ছাঁটাই করতে পারে এবং এগুলিকে নতুন ট্রেনিং রেসিপিতে একীভূত করতে পারে। মানুষও উচ্চতর স্তরে গবেষণার দিকনির্দেশনা দিতে পারে, যাতে মডেলটি পরবর্তী বৃহৎ অন্বেষণগুলি সম্পন্ন করতে পারে।"

এটি একটি সম্ভাব্য পুনরাবৃত্তিমূলক শৃঙ্খল গঠন করে:

এআই পরীক্ষা চালায়, যা মেশিন লার্নিং সিস্টেমকে উন্নত করে, এবং উন্নত সিস্টেমটি আরও জটিল পরীক্ষা চালায়।

এই কারণে, ডিসকভারি লুপ শুধুমাত্র বড় মডেলগুলিকে বিজ্ঞান গবেষণায় ব্যবহার করার সীমায় সীমাবদ্ধ থাকবে না। এটি প্রথমে গবেষণা করার জন্য AI উন্নত করতে চায়, এবং তারপর উন্নত সিস্টেমটিকে অন্যান্য বিজ্ঞানের ক্ষেত্রে প্রসারিত করবে। কুয়োক লে এমনকি প্রস্তাব করেছেন যে, এই পদ্ধতিটি ভিন্ন ধরনের Transformer আর্কিটেকচার আবিষ্কারে সহায়তা করতে পারে।

তবে, বর্তমান প্রকাশিত তথ্য অনুযায়ী, ডিসকভারি লুপ দ্বারা করা হচ্ছে এমন কিছু এখনও নিয়ন্ত্রিত গবেষণা-স্ব-চক্র। লক্ষ্য, পরীক্ষার সীমানা, মূল্যায়ন মাপদণ্ড এবং চূড়ান্ত বিচার মূলত মানুষ দ্বারা নির্ধারিত। AI পরীক্ষা চালাতে পারে, ফলাফল মূল্যায়ন করতে পারে এবং পরবর্তী পদক্ষেপ বাছাইতেও শুরু করেছে, কিন্তু এটি খোলা RSI নয়।

ডিসকভারি লুপ টোকেন দিয়ে মাপা হয় না

জেফ ডিন একটি সাক্ষাত্কারে টোকেন থ্রুপুটের চেয়ে ডিসকভারি লুপ পরিমাপের জন্য একটি উপযুক্ত সূচক প্রস্তাব করেছেন: “মূলত, আপনাকে প্রতি ইউনিট কম্পিউটেশনাল ইনপুটের জন্য আবিষ্কারের সংখ্যা অপ্টিমাইজ করতে হবে।”

অতীতে, বড় মডেল কোম্পানিগুলি আরও বেশি ডেটা এবং ক্যালকুলেশন শক্তি ব্যবহার করে শক্তিশালী মডেল প্রশিক্ষণ দিয়েছিল। ডিসকভারি লুপ একটি অন্য ইনপুট-আউটপুট সম্পর্ক গড়ে তুলতে চায়: ক্যালকুলেশন শক্তিকে আরও বেশি পরীক্ষায় রূপান্তরিত করা, এবং তারপর কার্যকরী পরীক্ষাগুলিকে অ্যালগরিদম, মডেল এবং বৈজ্ঞানিক অর্জনে রূপান্তরিত করা। ভবিষ্যতে এটি শুধুমাত্র একটি বৈজ্ঞানিক Agent-এর সেটই বিক্রি করবে না, বরং সংক্ষিপ্তকৃত গবেষণা-উন্নয়ন চক্র এবং আবিষ্কারের সম্ভাবনা বৃদ্ধিও বিক্রি করবে।

এই বিষয়টি গুগল ছেড়ে কেন করা হল? অ্যালফাবেটের সিইও সুন্দর পিচাই বারবার মিটিংয়ে জেফ ডিন এবং অন্যান্যদের ধরে রাখার চেষ্টা করেছিলেন; ওরিওল ভিনিয়ালস উইর্ডকে বলেছেন, বড় সংগঠনগুলিতে সবসময় অনেক জড়তা থাকে, “আমরা কিছু ভিন্ন কিছু করতে চাই।” গুগল শেষপর্যন্ত Discovery Loop-এ বিনিয়োগ করে, প্রথম বছরের জন্য কম্পিউটেশনাল পাওয়ার প্রদান করে, এবং মেশিন লার্নিং সিস্টেম এবং ইনফ্রাস্ট্রাকচারের উপর সহযোগিতামূলক গবেষণা করে।

এটি একটি সংগঠনগত বিকল্পের কাছাকাছি। গুগলকে জেমিনি, ক্লাউড ব্যবসা এবং বড় পরিসরের বাণিজ্যিক ডেলিভারি চালিয়ে যেতে হবে, যখন ডিসকভারি লুপ একটি পরিপক্ক পণ্যের বাইরে সম্পদ এবং শক্তি কেন্দ্রীভূত করতে চায়।

হাসাবিসের পদের পরিবর্তন একই প্রশ্নের অন্য দিক থেকে প্রতিক্রিয়া জানায়। তিনি Google DeepMind-এর সিইও পদ থেকে পদত্যাগ করেন এবং চেয়ারম্যান এবং Alphabet-এর প্রধান বিজ্ঞানী হন, যেখানে দৈনিক পরিচালনা কোরাই কাভুকচুওগলুকে দেওয়া হয়, আর তিনি নিজে এজিআই-এর দীর্ঘমেয়াদী দিক, বৈজ্ঞানিক প্রয়োগ এবং Isomorphic Labs-এর ওষুধ উন্নয়নে বেশি মনোযোগ দেবেন।

প্রত্যেকেই বিশ্বাস করেন যে এআইয়ের পরবর্তী পর্যায়টি মানুষের বৈজ্ঞানিক আবিষ্কারের গভীরে প্রবেশ করবে।

অ্যালফাবেটের শেয়ার মূল্য সংশোধন ঘোষণার পর প্রায় 4% কমেছে। বাজারের উদ্বেগ শুধু একজন বিজ্ঞানীর চলে যাওয়ার সাথেই সীমাবদ্ধ নয়, বরং একসাথে কয়েকজন মূল গবেষকের প্রস্থান, জেমিনির প্রতিযোগিতামূলক চাপ, এবং হাসাবিসের দৈনিক পরিচালনা থেকে প্রত্যাহারের পর গুগলের কীভাবে বিশাল গবেষণা, কম্পিউটিং ক্ষমতা এবং পণ্য সম্পদকে একই দিকে সংগঠিত রাখা যাবে—এইসবের সাথেও জড়িত।

এই পরিবর্তনগুলি গুগল কোম্পানির মধ্যেই সীমাবদ্ধ নয়। কারপাথির অটোরিসার্চ, গুগলের অ্যালফা এভলভ, তিয়ান ইয়ানডং এবং অন্যান্যদের প্রতিষ্ঠিত রিকার্সিভ, এবং জেফ ডিনের ডিসকভারি লুপ—এগুলি সবই এআইকে পরবর্তী প্রজন্মের এআই গবেষণার প্রক্রিয়ায় একীভূত করছে।

এআই-এর পরবর্তী পদক্ষেপ শুধুমাত্র আরও বেশি প্যারামিটার, ডেটা এবং ক্ষমতা থেকে আসবে না, বরং মডেলগুলি পরীক্ষা প্রস্তাব করা, ফলাফল যাচাই করা এবং পরবর্তী সিস্টেম ডিজাইন করাতেও অংশগ্রহণ করবে।

কিন্তু পরীক্ষার সংখ্যা মানুষের কী কী গুরুত্বপূর্ণ সমস্যা নির্বাচন করবেন তার সিদ্ধান্ত গ্রহণকে প্রতিস্থাপন করতে পারে না। জেফ ডিন একই সাক্ষাতকারে বলেছিলেন, ভবিষ্যতে সত্যিকারের দুর্লভ দক্ষতা হল "Agent-কে কোন সমস্যা সমাধানের জন্য দেওয়া উচিত তা জানা"। AI একদিনে হাজার হাজার পরীক্ষা চালাতে পারে, কিন্তু গবেষণার সীমা এখনও প্রাথমিক সমস্যা এবং মূল্যায়নের মানদণ্ডের উপর নির্ভর করে।

জেফ ডিন আগে গুগলকে ডেটা, কম্পিউটেশন এবং মডেল ট্রেনিংকে স্কেল করার জন্য সহায়তা করেছিলেন। এখন, তিনি এবং গুগলের জন্য আগের সবচেয়ে গুরুত্বপূর্ণ কয়েকজন মানুষ বিজ্ঞানের পদ্ধতিকেই একটি স্কেলযোগ্য সিস্টেমে পরিণত করতে চাইছেন।

লুপ হল তাদের বেছে নেওয়া পদ্ধতি, বৈজ্ঞানিক আবিষ্কার হল এটি প্রথমে যে বিশ্বে প্রবেশ করবে, পুনরাবৃত্তিমূলক স্ব-উন্নয়ন হতে পারে এই পথের আরও দূরের দিক।