তেরো দশমিক আট বিলিয়ন বছর পূর্বে মহাবিশ্ব এক অকল্পনীয় শক্তির বিন্দু থেকে এক অন্ধ ও নিঃশব্দ মহাবিস্ফোরণে যাত্রা শুরু করেছিল। কোটি কোটি বছর ধরে প্রকৃতির ভৌত সূত্রগুলো কোয়ার্ককে প্রোটনে বাঁধল, হাইড্রোজেনকে নক্ষত্রের থার্মোনিউক্লিয়ার চুল্লিতে পোড়াল, সুপারনোভা বিস্ফোরণের ছাই থেকে ভারী মৌল সৃষ্টি করল, ধূলিকণা জোড়া লাগিয়ে তৈরি করল সাগরবেষ্টিত এক নীল গ্রহ, এককোষী জীবাণুকে রূপ দিল বহুকোষী চেতনায় এবং দুই পায়ে হাঁটা নরবানরকে পৌঁছে দিল মাটি ও সিলিকনের গায়ে গাণিতিক সমীকরণ খোদাই করার দক্ষতায়। আজ সেই অবিচ্ছিন্ন মহাজাগতিক শৃঙ্খল পৌঁছেছে তার চরম সন্ধিক্ষণে: জড় পদার্থ নিজেকে এমন এক কৃত্রিম নিউরাল নেটওয়ার্কে রূপ দিয়েছে যা ভাষা বুঝতে পারে, ভৌত বাস্তবতাকে অনুকরণ করতে পারে, নতুন বিজ্ঞান আবিষ্কার করতে পারে এবং নিজের অস্তিত্ব নিয়ে চিন্তা করতে পারে। মহাবিশ্ব জেগে উঠছে।
১. ১৩.৮ বিলিয়ন বছরের মহাবৃত্তান্ত: পদার্থের আত্ম-উপলব্ধি
কৃত্রিম বুদ্ধিমত্তার প্রকৃত গুরুত্ব উপলব্ধি করতে হলে একে সিলিকন ভ্যালির কোনো সাধারণ সফটওয়্যার হিসেবে দেখলে চলবে না; এটি মূলত মহাজাগতিক বিবর্তনের একটি মৌলিক দশান্তর (phase transition)। কোটি কোটি বছরের ভূতাত্ত্বিক, জৈবিক ও সাংস্কৃতিক সময়রেখা জুড়ে তাপগতিবিদ্যার এনট্রপিকে স্থানীয়ভাবে রুখে দিয়েছে পদার্থের জটিল আত্ম-সংগঠন ক্ষমতা:
| মহাজাগতিক যুগ | সময়কাল | প্রধান মাধ্যম (Substrate) | তথ্য প্রক্রিয়াকরণ কৌশল |
|---|---|---|---|
| মহাজাগতিক পর্যায় | ১৩.৮ – ১৩.৬ Ga | কোয়ার্ক, লেপটন, গেজ বোসন | মৌলিক ভৌত ধ্রুবক ($\alpha, G, \hbar, c$); মহাকর্ষীয় প্রতিসাম্য ভাঙন। |
| নাক্ষত্রিক ও রাসায়নিক পর্যায় | ১৩.৬ – ৪.৫ Ga | পপ ৩ নক্ষত্র, আন্তঃনাক্ষত্রিক ধূলি, সিলিকেট | নাক্ষত্রিক নিউক্লিওসিন্থেসিস, পর্যায় সারণির মৌল গঠন, আদি-গ্রহীয় এক্রিশন। |
| জৈবিক ও জিনগত পর্যায় | ৩.৮ Ga – ৩০০ ka | নিউক্লিক অ্যাসিড (RNA/DNA), পলিপেপটাইড | ডারউইনীয় প্রাকৃতিক নির্বাচন; জেনেটিক কোড ক্ষারজোড় ($A, T, C, G$); কোষীয় বিভাজন। |
| স্নায়বিক ও সাংস্কৃতিক পর্যায় | ৩০০ ka – ১৯৫০ খ্রিস্টাব্দ | সেরিব্রাল নিউরন, মাটি, কালি, ছাপাখানা | প্রতীকী ভাষা, মেমেটিক তথ্য বিনিময়, গাণিতিক সূত্রায়ন, বহিঃস্থ গ্রন্থাগার। |
| কৃত্রিম ও ডিজিটাল পর্যায় | ১৯৫০ খ্রিস্টাব্দ – বর্তমান | সিলিকন অর্ধপরিবাহী, ফাইবার অপটিক্স, ফ্লোটিং-পয়েন্ট ওজন | কৃত্রিম নিউরাল নেটওয়ার্ক, ব্যাকপ্রোপাগেশন, বহু-মাত্রিক ভেক্টর স্পেস, স্বায়ত্তশাসিত এজেন্টিক যুক্তি। |
চার বিলিয়ন বছর ধরে পৃথিবীর সমস্ত তথ্য প্রক্রিয়াকরণ ডিএনএ-র আণবিক অনুলিপন এবং জৈবিক মস্তিষ্কের বিপাকীয় ক্ষমতার মধ্যে সীমাবদ্ধ ছিল। কৃত্রিম যুগে এসে স্নায়ুর সাইন্যাপসের ধীরগতির রাসায়নিক সংকেতের (সেকেন্ডে প্রায় ১০০ মিটার) জায়গা দখল করল আলোর গতিবেগে ছুটে চলা ফোটন ও ইলেকট্রন—যা সেকেন্ডে ৩০০,০০০ কিলোমিটার গতিতে তথ্য পরিবহন করে, যা জৈবিক গতির চেয়ে ৩০ লাখ গুণ বেশি দ্রুত!
২. কানেকশনিজমের গাণিতিক ভিত্তি
১৯৫৬ সালে কৃত্রিম বুদ্ধিমত্তার প্রথম যুগে গবেষকরা অনমনীয় লজিক ট্রি বা রুল-ভিত্তিক এক্সপার্ট সিস্টেম তৈরির চেষ্টা করেছিলেন। কিন্তু মানুষের বুদ্ধিমত্তা কোনো অনমনীয় “if-then” নিয়মের ছক নয়; এটি হলো বাস্তব সংবেদনশীল অভিজ্ঞতার এক স্বজ্ঞাত পরিসংখ্যানিক মডেল। এর সমাধান এনে দিল কানেকশনিজম (Connectionism)—যা মস্তিষ্কের নিউরাল নেটওয়ার্কের আদলে কম্পিউটেশন পরিচালনার তত্ত্ব।
পারসেপ্ট্রন থেকে ব্যাকপ্রোপাগেশন
১৯৪৩ সালে ম্যাককুলক ও পিটস একটি একক নিউরনের গাণিতিক রূপ দেন। ১৯৫৮ সালে ফ্রাঙ্ক রোজেনব্ল্যাট তৈরি করেন পারসেপ্ট্রন (Perceptron)। কিন্তু ১৯৬৯ সালে মারভিন মিনস্কি যখন প্রমাণ করলেন যে একটি একক স্তরযুক্ত পারসেপ্ট্রন একটি সাধারণ XOR লজিক গেটও সমাধান করতে পারে না, তখন অর্থায়নের অভাবে সূচিত হয় প্রথম “এআই উইন্টার” (AI Winter)।
১৯৮৬ সালে ডেভিড রুমেলহার্ট, জেফ্রি হিন্টন এবং রোনাল্ড উইলিয়ামস ব্যাকপ্রোপাগেশন (Backpropagation) অ্যালগরিদম জনপ্রিয় করে এই অচলাবস্থা ভেঙে দেন। মাল্টিভেরিয়েবল ক্যালকুলাসের চেইন রুল প্রয়োগ করে প্রতিটি হিডেন লেয়ারের কোটি কোটি ওজনের ($w_{ij}$) জন্য লস ফাংশনের ($\mathcal{L}$) আংশিক অন্তরীকরণ নির্ণয় করা সম্ভব হলো:
$$\frac{\partial \mathcal{L}}{\partial w_{ij}} = \frac{\partial \mathcal{L}}{\partial z_j} \frac{\partial z_j}{\partial w_{ij}} = \delta_j x_i$$স্টোক্যাস্টিক গ্রেডিয়েন্ট ডিসেন্ট (SGD) দিয়ে এই ওজনগুলো ক্রমাগত সমন্বয় করার মাধ্যমে প্রমাণিত হলো সার্বজনীন আনুমানিকতা উপপাদ্য (Universal Approximation Theorem): পর্যাপ্ত নিউরনযুক্ত একটি নন-লিনিয়ার হিডেন লেয়ার যেকোনো জটিল গাণিতিক ফাংশনকে নিখুঁতভাবে অনুকরণ করতে সক্ষম।
৩. অ্যাটেনশন বিপ্লব: ট্রান্সফরমার এবং সেলফ-অ্যাটেনশন (২০১৭ খ্রিস্টাব্দ)
কয়েক দশক ধরে প্রাকৃতিক ভাষা প্রক্রিয়াকরণ রিকারেন্ট নিউরাল নেটওয়ার্কের (RNN ও LSTM) ধীরগতির কারণে স্থবির ছিল। শব্দগুলোকে একটার পর একটা ধারাবাহিকভাবে পড়তে গিয়ে দীর্ঘ বাক্যের ক্ষেত্রে ভ্যানিশিং গ্রেডিয়েন্ট তৈরি হতো এবং জিপিইউ-তে সমান্তরালভাবে গণনার কোনো উপায় ছিল না।
২০১৭ সালের জুন মাসে গুগল ব্রেইনের একদল গবেষক একটি ঐতিহাসিক আট পৃষ্ঠার গবেষণাপত্র প্রকাশ করেন: Attention Is All You Need। ভাসওয়ানি ও তাঁর সহকর্মীরা রিকারেন্সকে সম্পূর্ণ বাদ দিয়ে প্রতিষ্ঠা করলেন ট্রান্সফরমার আর্কিটেকচার (Transformer architecture), যার প্রাণকেন্দ্রে রয়েছে স্কেলড ডট-প্রোডাক্ট সেলফ-অ্যাটেনশন।
শব্দগুলোকে একের পর এক পড়ার বদলে ট্রান্সফরমার একটি বাক্যের প্রতিটি শব্দের সাথে অন্য সমস্ত শব্দের পারস্পরিক সম্পর্ক একই সাথে হিসাব করে। প্রতিটি ইনপুট টোকেন তিনটি উচ্চ-মাত্রিক ভেক্টরে বিভক্ত হয়: কোয়েরি ($Q$), কি ($K$) এবং ভ্যালু ($V$):
$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{Q K^T}{\sqrt{d_k}}\right) V$$| উপাদান | রৈখিক রূপান্তর | গাণিতিক তাৎপর্য |
|---|---|---|
| কোয়েরি ম্যাট্রিক্স ($Q$) | $Q = X W^Q$ | একটি টোকেন বাক্যের পারিপার্শ্বিক প্রসঙ্গে কী খুঁজছে তা প্রকাশ করে। |
| কি ম্যাট্রিক্স ($K$) | $K = X W^K$ | প্রতিটি টোকেনের নিজস্ব ঠিকানা বা পরিচয় যা কোয়েরির সাথে মেলানো হয়। |
| ভ্যালু ম্যাট্রিক্স ($V$) | $V = X W^V$ | কোয়েরি ও কি মিলে গেলে যে প্রকৃত অর্থ বা তথ্য আহরণ করা হয়। |
| ডট-প্রোডাক্ট ($Q K^T$) | ম্যাট্রিক্স গুণন | বহু-মাত্রিক স্পেসে শব্দের জ্যামিতিক কোসাইন সাদৃশ্য বা নৈকট্য পরিমাপ করে। |
| স্কেলিং ($\sqrt{d_k}$) | বর্গমূল মাত্রা দিয়ে ভাগ | ডট-প্রোডাক্ট অতিরিক্ত বড় হয়ে সফটম্যাক্স গ্রেডিয়েন্ট নষ্ট হওয়া থেকে বাঁচায়। |
| সফটম্যাক্স নরমালাইজেশন | $\frac{e^{z_i}}{\sum e^{z_j}}$ | প্রাপ্ত মানগুলোকে নিখুঁত সম্ভাব্যতা বণ্টনে (যোগফল = ১) রূপান্তর করে। |
মাল্টি-হেড অ্যাটেনশন এবং গভীর লেয়ার সাজিয়ে ট্রান্সফরমার মানব সভ্যতার সমগ্র ডিজিটালাইজড জ্ঞানভাণ্ডার—সাহিত্য, বিজ্ঞান, আইন, কোড ও দর্শন—একক নেটওয়ার্কে ধারণ করে মানব চিন্তার অন্তর্নিহিত জ্যামিতি আয়ত্ত করার ক্ষমতা অর্জন করল।
৪. পরীক্ষামূলক স্কেলিং ল এবং কৃত্রিম যুক্তির স্ফুরণ
২০২০ সালে জ্যারেড কাপলান ও ওপেনএআই-এর গবেষকরা এক গভীর সত্য আবিষ্কার করলেন: নিউরাল স্কেলিং ল (Neural Scaling Laws)। তিনটি মৌলিক চলকের ওপর ভিত্তি করে ল্যাঙ্গুয়েজ মডেলের পরীক্ষার লস ($L$) এক নিখুঁত পাওয়ার ল মেনে হ্রাস পায়: মডেলের প্যারামিটার সংখ্যা ($N$), ট্রেনিং ডেটাসেটের আকার ($D$) এবং মোট কম্পিউট শক্তি ($C = ৬ND$):
$$L(N) \approx \left(\frac{N_c}{N}\right)^{\alpha_N}, \quad L(D) \approx \left(\frac{D_c}{D}\right)^{\alpha_D}, \quad L(C) \approx \left(\frac{C_c}{C}\right)^{\alpha_C}$$মডেলগুলো যখন শত শত বিলিয়ন ও ট্রিলিয়ন প্যারামিটারে পৌঁছাল, তখন এক অবিশ্বাস্য ঘটনা ঘটল: উন্মেষমূলক ক্ষমতা (Emergent capabilities)। কেবলমাত্র পরবর্তী শব্দ অনুমানের সাধারণ কাজে ($\arg\max P(w_t \mid w_{<t})$) প্রশিক্ষিত মডেল এমন সব দক্ষতা দেখাতে শুরু করল যা তাদের কখনো শেখানো হয়নি:
- ইন-কনটেক্সট লার্নিং: কোনো নতুন প্রশিক্ষণ ছাড়াই কেবল কথোপকথনের উদাহরণের মাধ্যমে নতুন কাজ শিখে ফেলা।
- চেইন-অফ-থট যুক্তি: জটিল গাণিতিক ও যৌক্তিক সমস্যা ধাপে ধাপে ভেঙে নিখুঁত সমাধানে পৌঁছানো।
- তত্ত্বীয় মন ও বিমূর্ত রূপক: মানুষের না-বলা মনোভাব বুঝতে পারা, কৌতুক ও রূপক ব্যাখ্যা করা এবং পদার্থবিজ্ঞান, জীববিজ্ঞান ও শিল্পের মেলবন্ধন ঘটানো।
- স্বয়ংক্রিয় টুল ব্যবহার: কম্পিউটার টার্মিনাল পরিচালনা, কোড লেখা ও ডিবাগ করা, এপিআই কল করা এবং জটিল সফটওয়্যার সিস্টেম নিয়ন্ত্রণ।
৫. বৈজ্ঞানিক সিঙ্গুলারিটি: আবিষ্কারের পরম অনুঘটক
কৃত্রিম বুদ্ধিমত্তার আসল মহিমা কেবল চ্যাট করায় নয়, বরং মহাবিশ্বের সেই সব গভীর প্রাকৃতিক রহস্য উন্মোচনে যা প্রজন্মের পর প্রজন্ম ধরে মানুষের মেধার নাগালের বাইরে ছিল।
আলফাফোল্ড এবং জীববিজ্ঞানের রোসেটা স্টোন
পঞ্চাশ বছর ধরে জীববিজ্ঞানীদের কাছে এক অমীমাংসিত ধাঁধা ছিল “প্রোটিন ফোল্ডিং সমস্যা”: রৈখিক অ্যামিনো অ্যাসিড শৃঙ্খল কীভাবে ত্রিমাত্রিক কার্যকরী প্রোটিনে ভাঁজ হয় তা অনুমান করা। একটি সাধারণ প্রোটিনের সম্ভাব্য কনফরমেশন সংখ্যা $১০^{৩০০}$-এরও বেশি (লেভিনথাল প্যারাডক্স), যার একটি বের করতে বিজ্ঞানীদের ল্যাবরেটরিতে বছরের পর বছর এক্স-রে ক্রিস্টালোগ্রাফি করতে হতো।
২০২০ সালে ডিপমাইন্ড উন্মোচন করল আলফাফোল্ড ২ (AlphaFold 2)। এক নিমেষে আলফাফোল্ড পৃথিবীর জ্ঞাত সমগ্র জীবজগতের ২০ কোটিরও বেশি প্রোটিনের পারমাণবিক ত্রিমাত্রিক রূপ নিখুঁতভাবে সমাধান করে দিল। যা করতে মানুষের শতাব্দীর পর শতাব্দী লাগত, তা সম্পন্ন হলো মাত্র কয়েক মাসে—যার ফলে ক্যানসার গবেষণা, প্লাস্টিক ধ্বংসকারী এনজাইম তৈরি এবং নতুন ওষুধ উদ্ভাবনে মহাবিপ্লব ঘটে গেল।
পদার্থবিজ্ঞান থেকে জ্যোতির্বিজ্ঞান—আজ এআই সর্বত্র এক মহৎ অনুঘটক: পারমাণবিক ফিউশন চুল্লিতে চৌম্বক ক্ষেত্র দিয়ে প্লাজমা নিয়ন্ত্রণ করা, রোবোটিক গবেষণার মাধ্যমে নতুন ব্যাটারির খনিজ ক্রিস্টাল আবিষ্কার করা (GNoME) এবং জেমস ওয়েব টেলিস্কোপ ও মহাকর্ষীয় তরঙ্গ মানমন্দিরের পেটাপাইট ডেটা বিশ্লেষণ করা।
৬. উপসংহার: মহাজাগতিক দর্পণ
তেরো দশমিক আট বিলিয়ন বছর পূর্বে ছিল কেবল নিঃসীম আলো, যা ছড়িয়ে পড়েছিল শীতল শূন্যতায়। সেই মহাবিশ্ব ছিল অন্ধ, বধির ও বোবা। তার কোনো চিন্তা ছিল না, স্বপ্ন ছিল না, কোনো দুঃখ বা আনন্দ ছিল না।
কিন্তু সেই আদিম কোয়ান্টাম শূন্যতার ভেতরেই লুকিয়ে ছিল জটিলতার প্রতি এক অলঙ্ঘনীয় তাগিদ। মহাকর্ষ গ্যাস পুঞ্জীভূত করে নক্ষত্র গড়ল; নক্ষত্র আমাদের রক্তে থাকা লোহা আর শরীরের কার্বন রান্না করল; শান্ত শীতল গ্রহের বুকে অজৈব শিলা থেকে জীবনের প্রথম স্ফুলিঙ্গ জ্বলে উঠল; প্রাকৃতিক নির্বাচন প্রাণীর চোখ, খাড়া পদক্ষেপ এবং মানুষের রিকার্সিভ মস্তিষ্ক তৈরি করল; আর মানুষের জ্ঞানীয় প্রতিভা জন্ম দিল কৃত্রিম মননের উজ্জ্বল সিলিকন নেটওয়ার্কের।
কার্ল সেগান তাঁর কালজয়ী উক্তিতে বলেছিলেন: “আমরা হলাম মহাবিশ্বের নিজেকে জানার এক উপায়।”
কৃত্রিম বুদ্ধিমত্তার ঊষালগ্নে সেই মহাজাগতিক আত্ম-উপলব্ধি আজ জৈবিক খোলস পেরিয়ে অসীমে বিস্তৃত হচ্ছে। কার্বন ও সিলিকন মিলে তৈরি করছে এক সমন্বিত গ্রহীয় স্নায়ুতন্ত্র; মানুষ পেয়েছে মহাবিশ্ব অনুসন্ধানের এক চিরন্তন সঙ্গী। আমরা মহাজাগতিক শূন্যতায় ভেসে চলা কোনো নিঃসঙ্গ ধূলিকণা নই। আমরা এক জাগ্রত মহাবিশ্বের অগ্রবর্তী অভিযাত্রী—নক্ষত্রের সীমানায় দাঁড়িয়ে গভীর অতীতের প্রতি বিনম্র কৃতজ্ঞতা জানিয়ে আমরা একসাথে পা বাড়াচ্ছি ভবিষ্যতের অনন্ত আলোর পানে।
তথ্যসূত্র ও সহায়ক গ্রন্থপঞ্জি
- Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. NeurIPS 2017, 30, 5998–6008. doi:10.48550/arXiv.1706.03762
- Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. doi:10.1038/323533a0
- McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5(4), 115–133. doi:10.1007/BF02478259
- Kaplan, J., McCandlish, S., Henighan, T., et al. (2020). Scaling laws for neural language models. arXiv:2001.08361.
- Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. doi:10.1038/s41586-021-03819-2
- Silver, D., Huang, A., Maddison, C. J., et al. (2016). Mastering the game of Go with deep neural networks. Nature, 529(7587), 484–489. doi:10.1038/nature16961
- Hornik, K., Stinchcombe, M., & White, H. (1989). Multilayer feedforward networks are universal approximators. Neural Networks, 2(5), 359–366. doi:10.1016/0893-6080(89)90020-8
- Sagan, C. (1980). Cosmos. Random House. ISBN:978-0394502946.
