টুরিং পুরস্কার পেলেন সেই দুজন, যাঁরা যন্ত্রকে ভুল করে শিখতে শিখিয়েছেন—আর যাঁরা এরপর যা ঘটল, তা নিয়ে অস্বস্তিতে

অ্যাসোসিয়েশন ফর কম্পিউটিং মেশিনারি ২০২৪ সালের টুরিং পুরস্কার—অ্যালান টুরিংয়ের নামের এই পুরস্কারকে সাধারণত কম্পিউটারবিজ্ঞানের নোবেল বলা হয়—দিয়েছে অ্যান্ড্রু জি বার্তো ও রিচার্ড এস সাটনকে, রিইনফোর্সমেন্ট লার্নিংয়ের জন্য। তাঁরা ভাগ করছেন ১০ লাখ ডলার। স্বীকৃতি ১৯৭০-এর দশকের শেষে ম্যাসাচুসেটস আমহার্স্ট বিশ্ববিদ্যালয়ে শুরু করা কাজের, যা এরপরের বেশির ভাগ বছর ছিল একাডেমিক এআইয়ের একটি সম্মানিত কোণ, আর এখন সেই কৌশল, যা গেম খেলা ব্যবস্থা, রোবট আর সর্বশেষ রূপে সবার ব্যবহার করা চ্যাটবটকে প্রশিক্ষণ দেয়।

রিইনফোর্সমেন্ট লার্নিং কী

বেশির ভাগ মেশিন লার্নিং মডেলকে সঠিক উত্তর দেখিয়ে নকল করতে বলে। রিইনফোর্সমেন্ট লার্নিং কোনো উত্তরই দেয় না—শুধু একটি লক্ষ্য, কিছু সম্ভাব্য কাজ আর একটি পুরস্কারের সংকেত। ব্যবস্থাটি কিছু একটা চেষ্টা করে, দেখে পুরস্কার বাড়ল না কমল, আর নিজেকে বদলায়—শিশু যেভাবে সাইকেল চালানো শেখে বা পথের কুকুর শেখে কোন রেস্তোরাঁ খাবার ফেলে রাখে। বার্তো ও সাটন সেই স্বজ্ঞাকে গণিত দিলেন: টেম্পোরাল ডিফারেন্স লার্নিং, যা খেলার শেষের অপেক্ষা না করে ভবিষ্যৎ পুরস্কারের পূর্বাভাস থেকে শিখতে দেয়, আর পলিসি গ্রেডিয়েন্ট পদ্ধতি, যা কৌশলকে সরাসরি উন্নত করে। বার্তোর সঙ্গে সাটনের পাঠ্যবই, অনলাইনে বিনা মূল্যে, যা দিয়ে ক্ষেত্রটির বেশির ভাগ মানুষ বিষয়টি শিখেছেন।

চল্লিশ বছর লাগল কেন

ধারণাগুলো ছিল হার্ডওয়্যারের আগে। রিইনফোর্সমেন্ট লার্নিংয়ের দরকার বিপুল সংখ্যক চেষ্টা, যা সাশ্রয়ী হলো কেবল আধুনিক জিপিইউ ও সিমুলেটরে। ২০১৬ সালে ডিপমাইন্ডের আলফাগো ছিল প্রকাশ্য যুগান্তকারী ঘটনা; একই নীতি এখন গুদামের রোবট চালায়, আর ‘মানুষের প্রতিক্রিয়া থেকে রিইনফোর্সমেন্ট লার্নিং’ হিসেবে সেই ধাপ, যা কাঁচা ভাষা মডেলকে ভদ্রভাবে উত্তর দেওয়া চ্যাটবটে বদলায়। চ্যাটজিপিটি ব্যবহার করা বাংলাদেশি শিক্ষার্থী তাঁদের কাজই ব্যবহার করেছেন।

বিজয়ীদের সতর্কবার্তা

দুজনই মুহূর্তটি কাজে লাগালেন এআই যেভাবে জনসমক্ষে ঠেলে দেওয়া হচ্ছে, তা নিয়ে অস্বস্তি জানাতে। আলবার্টা বিশ্ববিদ্যালয়ের অধ্যাপক ও কিন টেকনোলজিসের বিজ্ঞানী ৬৭ বছরের সাটনের যুক্তি, আজকের ব্যবস্থাগুলো বোঝার আগেই লাখো মানুষের কাছে মোতায়েন হচ্ছে—যাকে তিনি তুলনা করেন সেতু বানিয়ে মানুষকে পার হতে দিয়ে পরীক্ষা করার সঙ্গে। আমহার্স্টের ইমেরিটাস ৭৬ বছরের বার্তোও প্রায় একই কথা বলেছেন। যাঁদের পুরস্কার আংশিকভাবে সেই ব্যবস্থাগুলো সম্ভব করার জন্য, তাঁদের কাছ থেকে এটি চমকে দেওয়া অবস্থান—আর একটি স্মারক যে কাজের সবচেয়ে কাছের বিজ্ঞানীরাই প্রায়ই তার ঘিরে থাকা হইচইয়ে সবচেয়ে কম মুগ্ধ।

সূত্র: ইন্ডিয়া টুডে, দ্য ভার্জ, প্রথম আলোর বরাতে।