এই পাতাটি কেন আছে
এই ম্যানুয়ালের বেশিরভাগই এজিআই ঝুঁকিকে গুরুত্বের সাথে নেওয়ার দিকে ঝুঁকে থাকে, যেহেতু এর বেশিরভাগই কভার করে আশাবাদীরা সঠিক হলে কী হয়। সেই অবস্থান সংশয়বাদীদের একটি খড়ের পুতুলে চ্যাপ্টা করা সহজ করে তোলে — “তারা শুধু স্কেলিং বোঝে না” — এবং এগিয়ে যায়। এটি এমন গবেষকদের ধারণ করা একটি বাস্তবিক অবস্থানের প্রতি অন্যায়, যারা ক্ষেত্রের কিছু মৌলিক সরঞ্জাম তৈরি করেছেন। এই পাতাটি তাদের প্রকৃত যুক্তি উপস্থাপন করে, হারানোর জন্য তৈরি একটি সংস্করণ নয়, কে সঠিক তা বিচার না করে; দেখুন এজিআই সংক্রান্ত দাবি কীভাবে ওজন করবেন এবং এজিআই সময়রেখা পূর্বাভাস মতামতের পরিসর সাধারণত কীভাবে প্রতিবেদিত হয় তার জন্য।
Yann LeCun: কোনো বিশ্ব মডেল নেই, কোনো পরিকল্পনা নেই
Yann LeCun নভেম্বর 2025-এ Meta ছাড়েন বারো বছর পর, যার মধ্যে ছিল তার FAIR ল্যাব প্রতিষ্ঠা, এবং মার্চ 2026 নাগাদ তিনি ছিলেন AMI Labs-এর Executive Chairman ও সহ-প্রতিষ্ঠাতা, একটি প্যারিস-ভিত্তিক স্টার্টআপ যা $1.03 বিলিয়ন সিড রাউন্ড উত্থাপন করেছে — প্রতিবেদিতভাবে রেকর্ডে সবচেয়ে বড় ইউরোপীয় স্টার্টআপ সিড রাউন্ড — তিনি যাকে “বিশ্ব মডেল” বলেন তা তৈরি করতে (TechCrunch)। এটি গুরুত্বপূর্ণ: LeCun-এর সংশয়বাদ একটি সংরক্ষণে নরম হয়নি — এটি একটি কোম্পানিতে কঠিন হয়েছে যার ওপর তিনি তার ক্যারিয়ারের বাজি ধরছেন।
লেকুনের আপত্তি একটি স্থাপত্যগত যুক্তি; ট্রান্সফরমার পরিকল্পনা করতে পারে না—এমন কোনো উপপাদ্য নয়। প্রচলিত অটোরিগ্রেসিভ মডেল স্পষ্ট ও স্থায়ী বিশ্ব-মডেল বা আলাদা পরিকল্পনাকারী ছাড়াই টোকেন পূর্বানুমান করে। মডেলের প্রতিটি পাস একটি স্থির গণনাচিত্র ব্যবহার করে, তবে বৃহত্তর ব্যবস্থা অতিরিক্ত টোকেন তৈরি, মূল্যায়ন বা সংশোধন করে ইনফারেন্সে বেশি গণনা ব্যয় করতে পারে। এতে ফল উন্নত হতে পারে, কিন্তু বাস্তবভিত্তিক দীর্ঘমেয়াদি পরিকল্পনা প্রমাণিত হয় না।
এর বদলে লেকুন এমন একটি কনফিগারযোগ্য বিশ্ব-মডেলের প্রস্তাব দেন যা সম্ভাব্য ভবিষ্যৎ অবস্থা অনুমান করে, সঙ্গে থাকে এমন একটি কর্তা যা বিমূর্ততার একাধিক স্তরে পদক্ষেপ খোঁজে (লেকুনের অবস্থানপত্র; মেটার গবেষণা-সারাংশ)। এটি তাঁর প্রস্তাবিত গবেষণার দিক, বর্তমান ভাষা-মডেল কখনো কী করতে পারবে না সে বিষয়ে প্রতিষ্ঠিত সিদ্ধান্ত নয়। ধারণাটি হলো, শক্তিশালী স্বায়ত্তশাসিত বুদ্ধিমত্তার জন্য শুধু পাঠ নয়, ভিডিও এবং স্থানিক ও সংবেদন-চালন অভিজ্ঞতা থেকে শেখা স্থাপত্য প্রয়োজন হবে।
Andrew Ng: প্রমাণের মান বাড়ান
Andrew Ng — DeepLearning.AI-এর প্রতিষ্ঠাতা, AI Fund-এর Managing General Partner, এবং Stanford-এ সহকারী অধ্যাপক — যুক্তি দেন “এজিআই একটি সুনির্দিষ্ট অর্থসহ শব্দের বদলে প্রচারণার একটি শব্দে পরিণত হয়েছে,” এবং শিল্পটি এমন একটি সিস্টেম থেকে দশক দূরে যা একজন মানুষ করতে পারে এমন কোনো বৌদ্ধিক কাজ করতে পারে, একটি ট্রাক চালানো থেকে একটি ডক্টরাল থিসিস লেখা পর্যন্ত (PYMNTS)। তার কংক্রিট অবদান পদ্ধতিগত: একটি প্রস্তাবিত “টুরিং-এজিআই পরীক্ষা,” যেখানে একজন বিচারক একটি বহু-দিনের প্রকৃত-কাজের পরীক্ষা ডিজাইন করেন — প্রকৃত কাজ, কোনো কিউরেটেড ডেমো নয় — এবং সিস্টেমটি তখনই পাস করে যদি এটি একজন দক্ষ মানুষের মতো ভালোভাবে সম্পাদন করে। বিষয়টি: লিডারবোর্ড স্কোর থেকে গোলপোস্ট সরিয়ে টেকসই কর্মক্ষমতায় নিয়ে যাওয়া, যা তিনি বুদবুদ-ঝুঁকি প্রচারণা হিসেবে দেখেন তা প্রশমিত করে।
Gary Marcus: হ্যালুসিনেশন, যুক্তির পতন, এবং যৌগিক অনুমানের গণিত
Gary Marcus, NYU-তে মনোবিজ্ঞান ও স্নায়ু বিজ্ঞানের প্রফেসর এমেরিটাস এবং Geometric Intelligence ও Robust.AI-এর প্রতিষ্ঠাতা, একটি বহু-ফ্রন্ট মামলা তৈরি করেছেন। নির্ভরযোগ্যতার ওপর: LLM “আক্ষরিক অর্থে সত্য ও মিথ্যার মধ্যে পার্থক্য জানে না,” এবং তিনি একটি আনুষ্ঠানিক প্রমাণ উদ্ধৃত করেন যে তারা নিখুঁত তথ্য ও সীমাহীন কম্পিউট দেওয়া হলেও হ্যালুসিনেট করবে — যা প্রমাণিত হয়েছে, তিনি বলেন, যখন GPT-5 (আগস্ট 2025) হ্যালুসিনেশন সমাধান করতে ব্যর্থ হয় এবং OpenAI-এর o3 তার পূর্বসূরিদের চেয়ে বেশি হ্যালুসিনেট করে (Marcus on AI)। যুক্তির ওপর: “আমরা এমন সিস্টেম দিয়ে পদার্থবিজ্ঞান সমাধান করতে যাচ্ছি না যা 8টি ডিস্কের একটি টাওয়ারে Tower of Hanoi খেলতে পারে না” — Apple-এর অনুসন্ধান উদ্ধৃত করে যে LLM “যুক্তি” মডেলগুলো একটি জটিলতা সীমারেখা অতিক্রম করার পরে ধীরে ধীরে অবনতির বদলে ভেঙে পড়ে।
তার সবচেয়ে ব্যাপকভাবে আলোচিত হস্তক্ষেপ পদ্ধতিগত: “AI 2027” পূর্বাভাস পরিদৃশ্যকে “বিজ্ঞান হিসেবে পোশাক পরা কল্পকাহিনী” বলে একটি খণ্ডন — বর্ণনামূলক কৌশল ধার করা যখন উদ্ধৃতি ও পাদটীকা এমনভাবে উপস্থাপন করা যেন ফলাফলটি একটি পূর্বাভাস। Marcus পরিদৃশ্যটিকে প্রায় আটটি ক্রমিক “বিশ্বাসের লাফ” মাইলফলকে বিভক্ত করেন, তাদের অন্তর্নিহিত পৃথক সম্ভাবনাগুলোকে গুণ করেন, এবং দেখান যে সম্পূর্ণ শৃঙ্খল নির্ধারিত সময়ে অবতরণের যৌগিক সম্ভাবনা শূন্যের কাছাকাছি (Substack) — পূর্বাভাসের নিজস্ব ট্র্যাক রেকর্ড দ্বারা সমর্থিত: 2024-এ “সমাধান করা” ঘোষিত হ্যালুসিনেশন, 2017 নাগাদ ড্রাইভারবিহীন গাড়ি সর্বত্র থাকার কথা ছিল। উল্লেখযোগ্যভাবে, Marcus যুক্তি দিচ্ছেন না “এজিআই অসম্ভব” — “যে কেউ মনে করে এজিআই অসম্ভব” তিনি বলেন, তা তার মতোই ভুল যে কেউ মনে করে এটি আসন্ন — এবং এখন 2027 নয়, 2100 নাগাদ সম্ভাব্য আগমন রাখেন। সেই অবস্থানটি নিজেই প্রমাণ যে সংশয়বাদী শিবিরটি একটি একক অবস্থান নয়, একটি বিস্তার — একটি বিষয় যা সময়রেখা পূর্বাভাস পাতাটি সামগ্রিকভাবে ক্ষেত্র সম্পর্কে তোলে।
Tim Dettmers: গণনা ভৌত
Tim Dettmers, Allen Institute for AI-এর একজন গবেষক, একটি যুক্তি তৈরি করেন যা মডেল আর্কিটেকচারের ওপর নির্ভর করে না — এটি পদার্থবিজ্ঞান সম্পর্কে। GPU প্রতি-ডলার কর্মক্ষমতা প্রায় 2018-এর দিকে মালভূমিতে পৌঁছেছে, তিনি যুক্তি দেন, এবং তারপর থেকে বেশিরভাগ দৃশ্যমান লাভ এসেছে নিম্ন-নির্ভুলতা সংখ্যাবিদ্যা থেকে — একই গণিত সস্তায় করা — প্রকৃত কম্পিউট বৃদ্ধি থেকে নয়। তিনি অনুমান করেন “হয়তো এক, হয়তো দুই বছরের স্কেলিং বাকি আছে” মেমরি, I/O, এবং শক্তি দেয়ালে আঘাত করার আগে, যেখানে শক্তি ও খরচ শুধুমাত্র রৈখিক সক্ষমতা লাভের জন্য সূচকীয়ভাবে বৃদ্ধি পায় (timdettmers.com)। তিনি “এজিআই”-কে বেঞ্চমার্ক স্কোরের বদলে ভৌত কাজে অর্থনৈতিকভাবে অর্থবহ দক্ষতা প্রয়োজন হিসেবে গঠন করেন, এবং যুক্তিটিকে তার প্রান্তে সম্প্রসারিত করেন: একটি অতিবুদ্ধিমত্তা তার নিজস্ব ইনফারেন্স স্ট্যাক উন্নত করার সময় একই ভৌত সীমাবদ্ধতার মুখোমুখি হবে। ওপরের যুক্তিগুলোর বিপরীতে, এটি নির্দিষ্টভাবে LLM সম্পর্কে সঠিক হওয়ার ওপর নির্ভর করে না — এটি যেকোনো ডিজিটাল বুদ্ধিমত্তা যে ভিত্তির ওপর চলে সে সম্পর্কে একটি দাবি।
সংক্ষিপ্ত তালিকা: এছাড়াও দেখুন
একটি সংক্ষিপ্ত তালিকা মামলাটি সম্পূর্ণ করে। Rodney Brooks, Robust.AI-এর CTO এবং MIT-এর রোবটবিদ্যার প্রফেসর এমেরিটাস, একটি বার্ষিক, তারিখযুক্ত, খণ্ডনযোগ্য পূর্বাভাস স্কোরকার্ড চালান — এআই ভাষ্যকারদের মধ্যে বিরল শৃঙ্খলা — এবং দশকের রোবটবিদ্যা অভিজ্ঞতা থেকে যুক্তি দেন যে সংকীর্ণ বেঞ্চমার্ক অগ্রগতি বারবার সাধারণ দক্ষতা বলে ভুল করা হয়। François Chollet, ARC-AGI বেঞ্চমার্কের নির্মাতা, মুখস্থবিদ্যা প্রতিরোধ করতে নির্মিত কাজে প্রায় শূন্য স্কোর করা মডেলগুলোর দিকে ইঙ্গিত করেন — নতুন ARC-AGI-3 2026-এর সেরা মডেলগুলোকে মানুষের 100%-এর বিপরীতে 1%-এরও কম স্কোর করতে দেখেছে — বুদ্ধিমত্তা স্কেল নয়, দক্ষতা-অর্জন দক্ষতা তার প্রমাণ হিসেবে। Arizona State-এর Subbarao Kambhampati যুক্তি দেন যে প্রম্পটিং নির্বিশেষে LLM পরিকল্পনা বা স্ব-যাচাই করতে পারে না, এবং এখন প্রশ্ন তোলেন চেইন-অফ-থট টোকেন আদৌ প্রকৃত যুক্তি প্রতিনিধিত্ব করে কিনা। Santa Fe Institute-এর Melanie Mitchell যুক্তি দেন LLM সাফল্য কার্যকারণ যুক্তির বদলে প্রশিক্ষণ বণ্টনের ওপর প্যাটার্ন-ম্যাচিং প্রতিফলিত করে। Emily Bender, University of Washington-এর একজন ভাষাবিদ ও “Stochastic Parrots”-এর সহ-লেখক, যুক্তি দেন সাবলীল আউটপুট ভিত্তিহীন বোঝাপড়া ছাড়া রূপ — শব্দ ক্রম পূর্বাভাস দিতে প্রশিক্ষিত মডেলের যোগাযোগমূলক উদ্দেশ্যে প্রবেশাধিকার নেই।
পূর্বাভাস পদ্ধতিটি নিজেই একটি লক্ষ্যবস্তু
যেকোনো একক গবেষকের বাইরে, সংশয়বাদীরা এজিআই সময়রেখা কীভাবে তৈরি হয় তা সরাসরি লক্ষ্য করেন। বিশেষজ্ঞ-জরিপ পদ্ধতি একটি ভালোভাবে-নথিভুক্ত “চলমান দিগন্ত” প্রভাব দেখায় — উত্তরদাতারা যখনই জিজ্ঞাসা করা হোক না কেন এজিআইকে মোটামুটি পনেরো থেকে পঁচিশ বছর দূরে রাখেন — নির্বাচন প্রভাব ও শব্দচয়ন সংবেদনশীলতা দ্বারা যৌগিক। মার্চ 2026-এর একটি RAND প্রতিবেদন জরিপ, পূর্বাভাস-বাজার, এবং কম্পিউট-এক্সট্রাপোলেশন পদ্ধতি জুড়ে এই সমস্যাগুলো পদ্ধতিগতভাবে ক্যাটালগ করে (RAND)।
METR-এর নিজস্ব “সময় দিগন্ত” মেট্রিক — ত্বরণের প্রমাণ হিসেবে সবচেয়ে বেশি উদ্ধৃত সক্ষমতা বক্ররেখা, এবং সময়রেখা পূর্বাভাস পাতায় আলোচিত — METR নিজে থেকেসহ পরীক্ষণ টেনেছে। জানুয়ারি 2026-এর একটি বিজ্ঞপ্তি প্রকাশ করেছে যে একটি নির্দিষ্ট-ঢাল লজিস্টিক ফিটে 35% সংশোধন প্রয়োগ করা হয়েছিল, যে প্রায় এক-তৃতীয়াংশ কাজ-অসুবিধা অনুমান পরিমাপের বদলে অনুমান করা, এবং METR-এর “কোনো ধারণা নেই” একটি মডেলের প্রকৃত সময় দিগন্ত প্রকৃতপক্ষে তার প্রতিবেদিত আত্মবিশ্বাস ব্যবধানের মধ্যে অবস্থিত কিনা (METR)। কয়েকদিন আগে প্রকাশিত একটি স্বাধীন সমালোচনা আরও এগিয়ে যায়: কাজগুলো অবাস্তবভাবে পরিষ্কার, সর্বজনীন সমাধান তথ্যকে দূষিত করে থাকতে পারে, এবং মানব ভিত্তিরেখা সময় একটি ছোট, আর্থিকভাবে প্রণোদিত নমুনা থেকে এসেছে যা সম্ভবত কাজগুলো “কত সময় নেওয়া উচিত” তা বাড়িয়ে দিয়েছে — এআই-এর আপাত ত্বরণকে আংশিকভাবে তুলনার একটি শিল্পকর্ম করে তুলেছে (Transformer News)। যেভাবেই হোক, ক্ষেত্রের সময়রেখা অনুমানের একটি বড় অংশ একটি একক গোলমেলে বক্ররেখা ফিটের ওপর পুনঃমূল্য নির্ধারণ করে যার নিজস্ব লেখকরাই সম্পূর্ণভাবে নিশ্চিত করতে পারেন না।
এটি একটি পুরনো সমস্যার সাথে যৌগিক হয়: বেঞ্চমার্কে প্রয়োগ করা Goodhart-এর সূত্র। একবার একটি বেঞ্চমার্ক একটি অপ্টিমাইজেশন লক্ষ্যে পরিণত হলে, ল্যাবগুলো এটি পরিমাপকারী গঠনের বদলে লিডারবোর্ডের দিকে সূক্ষ্ম-সমন্বয় করে — MMLU 2020-এ 90-পয়েন্ট মানব ভিত্তিরেখার বিপরীতে একটি 43-পয়েন্ট GPT-3 স্কোর থেকে 2024-এর মাঝামাঝি নাগাদ শীর্ষ মডেলগুলো এত ঘনিষ্ঠভাবে একত্রিত হয়ে গেছে যে পার্থক্যগুলো প্রম্পট-ফরম্যাটিং শব্দের মধ্যে পড়ে যায়। বেঞ্চমার্ক-ফাঁস দূষণ ক্রমবর্ধমান স্কোরকে প্রকৃত লাভ হিসেবে পড়া কঠিনতর করে তোলে। দেখুন এজিআই সংক্রান্ত দাবি কীভাবে ওজন করবেন এবং সক্ষমতার সিঁড়ি কেন “একটি বেঞ্চমার্ক হারায়” এবং “এজিআই-তে পৌঁছায়” ভিন্ন দাবি তার জন্য।
এই পাতাটি কী দাবি করছে না
এর কোনোটিই এজিআই অসম্ভব এমন একটি মামলার সমান নয়, এবং ওপরের কোনো গবেষকই সেই দাবি করেন না — Marcus স্পষ্টভাবে উভয় প্রান্তই ভুল। এটি যা প্রতিষ্ঠা করে তা হলো প্রকৃত বিষয়বস্তু: স্থাপত্যগত সীমাবদ্ধতা যা স্কেলের সাথে সুস্পষ্টভাবে সমাধান হয় না, যেকোনো রোডম্যাপের প্রতি উদাসীন একটি ভৌত কম্পিউট সিলিং, এবং একটি পূর্বাভাস যন্ত্র যা, METR-এর নিজস্ব স্বীকৃতি অনুযায়ী, সবাই যে বক্ররেখা উদ্ধৃত করে তার জন্য সম্পূর্ণভাবে নিশ্চিত করতে পারে না। তা “দশক দূরে” নাকি “এই পাতা যা প্রস্তাব করে তার চেয়ে কাছাকাছি” যোগ করে কিনা তা ঠিক সেই বিষয় যা এই ম্যানুয়াল পাঠকের জন্য নিষ্পত্তি করতে অস্বীকার করে। এটি যা করবে না তা হলো সংশয়বাদী মামলাকে একটি ব্যঙ্গচিত্র হতে দেওয়া।