লিখেছেন পেসাখ বেনসন এবং ওমের নভোসেলস্কি • 5 নভেম্বর, 2026
জেরুজালেম, 5 নভেম্বর, 2026 (টিপিএস-আইএল) — তেল আবিব বিশ্ববিদ্যালয় এবং স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের গবেষকরা দেখিয়েছেন যে কৃত্রিম বুদ্ধিমত্তা (এআই) মডেলগুলো বাস্তব জগতের ডেটার ওপর প্রশিক্ষিত না হয়েও সাধারণ শেখার ক্ষমতা তৈরি করতে পারে, যা উচ্চমানের প্রশিক্ষণ সামগ্রী ক্রমেই দুর্লভ হয়ে ওঠার প্রেক্ষাপটে এআই উন্নয়নের একটি নতুন পথ উন্মোচন করতে পারে।
এই গবেষণার ফলাফল এআই শিল্পের সবচেয়ে বড় সীমাবদ্ধতাগুলোর একটি কাটিয়ে উঠতে সাহায্য করতে পারে: মানুষের তৈরি প্রশিক্ষণ ডেটার জোগান।
“আমরা দেখিয়েছি যে একটি মডেল বাস্তব টেক্সট, ছবি, অডিও, সঙ্গীত, ডিএনএ এবং কোডের ওপর কখনো প্রশিক্ষণ না নিয়েও সেগুলোর পূর্বাভাস দেওয়ার ক্ষেত্রে ক্রমাগত আরও দক্ষ হয়ে উঠতে পারে,” ড. ইয়োভ লেভিন দ্য প্রেস সার্ভিস অব ইসরায়েল-কে বলেছেন। গবেষণাটি অনলাইন গবেষণা সংগ্রহস্থল arXiv-এ প্রিপ্রিন্ট হিসেবে প্রকাশিত হয়েছে এবং এটি এখনো পিয়ার-রিভিউ প্রক্রিয়ার মধ্য দিয়ে যায়নি।
গবেষণাটি তেল আবিব বিশ্ববিদ্যালয়ের স্কুল অব কম্পিউটার সায়েন্স অ্যান্ড এআই-এর লেভিনের তত্ত্বাবধানে পরিচালিত হয়েছিল এবং এটি স্ট্যানফোর্ড বিশ্ববিদ্যালয়ের গবেষকদের সহযোগিতায় ড. কেফির দোলেভের পোস্টডক্টরাল কাজের অংশ হিসেবে সম্পন্ন হয়।
প্রচলিত এআই সিস্টেমগুলোর মতো নয়—যা বই, ওয়েবসাইট, ছবি এবং রেকর্ডিংয়ের বিশাল সংগ্রহ থেকে শেখে—নতুন এই পদ্ধতিটি দুটি নেটওয়ার্ক ব্যবহার করে যা শূন্য থেকে শুরু করে এবং একসাথে শেখে। একটি নেটওয়ার্ক ছোট কম্পিউটার প্রোগ্রাম তৈরি করে যা প্রতীকের অনুক্রম (সিকোয়েন্স) তৈরি করে, অন্যদিকে দ্বিতীয়টি পরবর্তী প্রতীকের পূর্বাভাস দিতে শেখে। প্রথম নেটওয়ার্কটি প্রতিক্রিয়া পায় যে তার অনুশীলনগুলো দ্বিতীয়টিকে কতটা উন্নত করতে সাহায্য করছে, যার ফলে এটি ধীরে ধীরে আরও কার্যকর চ্যালেঞ্জ তৈরি করতে শেখে।
“সাধারণ ধারণা হলো এআই-এর জন্য কম্পিউটিং ক্ষমতা এবং ডেটা প্রয়োজন। আমরা জানতে চেয়েছি যে ডেটা ছাড়া, কেবল কম্পিউটের ওপর নির্ভর করে কত দূর যাওয়া সম্ভব,” লেভিন টিপিএস-আইএল-কে বলেছেন।
তিনি এই পদ্ধতিকে আলফাজিরো (AlphaZero)-এর সাথে তুলনা করেছেন, যা মানুষের খেলা শেখার পরিবর্তে নিজের সাথে খেলে দাবা এবং গো (Go) খেলা শিখেছিল। গবেষকরা দেখেছেন যে লার্নিং মডেলটির নিজস্ব অগ্রগতিই সাফল্যের একটি পরিমাপক হিসেবে কাজ করতে পারে, যা অন্য নেটওয়ার্কটিকে উত্তরোত্তর কার্যকর অনুশীলন তৈরি করতে নির্দেশনা দেয়।
এই দক্ষতাগুলো কৃত্রিম প্রশিক্ষণের বাইরে কার্যকর হয় কিনা তা পরীক্ষা করার জন্য গবেষকরা মডেলটিকে বাস্তব জগতের এমন কিছু উপাদানের ওপর মূল্যায়ন করেছিলেন যার মুখোমুখি এটি আগে কখনো হয়নি। কম্পিউটিং সংস্থান বাড়ানোর সাথে সাথে বেশ কয়েকটি ক্ষেত্রে এর পূর্বাভাস দেওয়ার ক্ষমতা উন্নত হয়েছে। এটি অতিরিক্ত প্রশিক্ষণ ছাড়াই পরীক্ষার সময় উপস্থাপিত উদাহরণগুলো থেকে নিয়ম অনুমান করতেও সক্ষম হয়েছিল।
গবেষকরা আরও দেখেছেন যে সিস্টেমটি স্বাধীনভাবে গাণিতিক কাঠামো তৈরি করেছে, যার মধ্যে রয়েছে জ্যামিতিক অনুক্রম, ফিবোনাচ্চি-সদৃশ প্যাটার্ন এবং দ্বিঘাত ও ত্রিঘাত অনুক্রম। লেভিন জানান, একই ক্ষেত্র থেকে যথেচ্ছভাবে বাছাই করা 164 মিলিয়ন প্রোগ্রামের কোনোটিতেই এগুলো দেখা যায়নি, যা ইঙ্গিত দেয় যে সিস্টেমটি এগুলো আবিষ্কার করেছে কারণ এগুলো তার অংশীদারকে আরও ভালো পূর্বাভাস দিতে সহায়তা করেছে।
ডেটার সীমাবদ্ধতা পেরিয়ে
যেসব ক্ষেত্রে ডেটা দুর্লভ বা সংগ্রহ করা ব্যয়বহুল, সেখানে এই পদ্ধতি প্রশিক্ষণ সামগ্রীর একটি নতুন উৎস হতে পারে।
“এটি গুরুত্বপূর্ণ হয়ে ওঠে যখন উচ্চমানের ডেটা একটি বাধা হয়ে দাঁড়ায়, যা অনেকেই মানুষের তৈরি টেক্সট বা কোডের ক্ষেত্রে ঘটবে বলে ধারণা করছেন, এবং যেসব ক্ষেত্রে ডেটা দুর্লভ বা ব্যয়বহুল সেখানে এটি আরও বেশি প্রযোজ্য,” লেভিন টিপিএস-আইএল-কে বলেছেন।
এটি প্রচলিত এআই প্রশিক্ষণের আগে একটি প্রাথমিক প্রশিক্ষণ ধাপ হিসেবেও কাজ করতে পারে। গবেষকরা তাদের পরীক্ষায় দেখেছেন যে স্ব-উত্পাদিত অনুশীলনের মুখোমুখি হওয়া মডেলগুলো বাস্তব জগতের ডেটা পাওয়ার পর দ্রুত শিখতে পেরেছে।
তবে এতে উল্লেখযোগ্য সীমাবদ্ধতা রয়েছে। এই পরীক্ষাগুলোতে 25 মিলিয়নেরও কম প্যারামিটারযুক্ত মডেল ব্যবহার করা হয়েছিল, যা আজকের বৃহত্তম এআই সিস্টেমগুলোর তুলনায় 10,000 গুণেরও বেশি ছোট। সেই বৃহৎ পরিসরে ফলাফলগুলো কার্যকর থাকবে কিনা তা এখনো অজানা। লেভিন জানান, গবেষকরা এখন অনুসন্ধান করছেন যে এই পদ্ধতিটি উল্লেখযোগ্যভাবে বৃহত্তর মডেলগুলোতে প্রয়োগ করা যায় কিনা।
স্ব-নির্দেশিত শিক্ষা বিশ্ব সম্পর্কে বাস্তবিক জ্ঞানের বিকল্পও হতে পারে না। একটি সিস্টেম গণনার মাধ্যমে গাণিতিক প্যাটার্ন আবিষ্কার করতে পারে, তবে এটি পর্যবেক্ষণ না করে স্বাধীনভাবে ঐতিহাসিক তথ্য প্রতিষ্ঠা করতে বা ভৌত বাস্তবতা সম্পর্কে জানতে পারে না।
“সেলফ-প্লে সাধারণ কাঠামো শেখায়, যা অনেক ধরনের ডেটাজুড়ে থাকা সাধারণ প্যাটার্ন, কিন্তু আমাদের পৃথিবী সম্পর্কে তথ্য নয়, যেমন কে হ্যামলেট লিখেছেন,” লেভিন টিপিএস-আইএল-কে বলেছেন। “সেগুলো এখনো বাস্তব ডেটা থেকেই আসতে হবে, তাই এই দিকগুলোতে এটি মানুষের তৈরি ডেটাকে প্রতিস্থাপন করার পরিবর্তে তার পরিপূরক হিসেবে কাজ করে।”
গবেষকরা এআই সিস্টেমের নিজের ভুলগুলো পুনরাবৃত্তি এবং বাড়িয়ে তোলার ঝুঁকির বিষয়টিও সমাধান করেছেন।
“আমাদের লার্নার প্রোগ্রামগুলো বাস্তবে চালানোর পর যে আউটপুট দেয় তার ওপর প্রশিক্ষণ নেয়। ডেটা হলো প্রতিটি প্রোগ্রাম প্রকৃতপক্ষে যা গণনা করে তা-ই, ফলে এখানে আরও জোরদার করার মতো কোনো হ্যালুসিনেশন নেই,” লেভিন টিপিএস-আইএল-কে ব্যাখ্যা করেছেন। “আমরা যে ঝুঁকির মুখোমুখি হই তা হলো প্রোগ্রাম-লেখক একটি সংকীর্ণ অংশে আটকে যাওয়া, আগে যা খুঁজে পেয়েছে তা ভুলে যাওয়া, বা এর পুরস্কার নিয়ে প্রতারণা করা। আমরা প্রকৃত শেখার অগ্রগতিকে পুরস্কৃত করে, বৈচিত্র্যময় প্রোগ্রামের একটি সংরক্ষণাগার বজায় রেখে, আগের প্রোগ্রামগুলো পুনরায় চালিয়ে যাতে সেগুলো ভুলে না যায় এবং জেনারেটরটিকে প্রোগ্রামগুলোর একটি সাধারণ প্রারম্ভিক বিন্যাসের কাছাকাছি রেখে এগুলোর বিরুদ্ধে সুরক্ষা নিশ্চিত করি।”
লেভিন জানান, পরবর্তী প্রধান মাইলফলক হবে এটি প্রদর্শন করা যে এই পদ্ধতিটি কোটি কোটি (বিলিয়ন) প্যারামিটারযুক্ত মডেলগুলোর ক্ষেত্রে কাজ করে এবং স্ব-উত্পাদিত প্রশিক্ষণ প্রচলিত প্রশিক্ষণ ডেটার একটি পরিমাপযোগ্য পরিমাণ অংশ প্রতিস্থাপন করতে পারে। পরিশেষে, গবেষকরা নির্ধারণ করতে চান যে কোনো এআই মডেল তার জন্য উপলব্ধ বাস্তব জগতের প্রশিক্ষণ সামগ্রী শেষ হওয়ার পরেও সেলফ-প্লে-র মাধ্যমে উন্নতি অব্যাহত রাখতে পারে কিনা।
