বিষয়বস্তুতে চলুন

কৃত্রিম বুদ্ধিমত্তা

আন্তঃউইকি সংযোগ সম্পাদনা
উইকিপিডিয়া, মুক্ত বিশ্বকোষ থেকে

কৃত্রিম বুদ্ধিমত্তা[১][২] বা আর্টিফিশিয়াল ইন্টেলিজেন্স (এআই) হলো কম্পিউটার ব্যবস্থার এমন কিছু কাজ করার সক্ষমতা, যা সাধারণ ভাষায় মানব বুদ্ধিমত্তার সাথে সম্পর্কিত; যেমন: শেখা, বিচারবুদ্ধি প্রয়োগ, সমস্যা সমাধান, প্রত্যক্ষণ এবং সিদ্ধান্ত গ্রহণ।[৩] এটি কম্পিউটার বিজ্ঞানের একটি গবেষণাক্ষেত্র, যা এমন বিভিন্ন ব্যবস্থা ও সফটওয়্যার তৈরি ও বিশ্লেষণ করে, যা যন্ত্রকে পারিপার্শ্বিক পরিবেশ অনুধাবন করতে এবং শেখার ক্ষমতা ও বুদ্ধিমত্তা প্রয়োগ করে কাঙ্ক্ষিত লক্ষ্য অর্জনে সাহায্য করে।[৪]

প্রয়োগ

[সম্পাদনা]

কৃত্রিম বুদ্ধিমত্তার উল্লেখযোগ্য প্রয়োগসমূহের মধ্যে রয়েছে উন্নত সার্চ ইঞ্জিন (যেমন: গুগল অনুসন্ধান); সুপারিশ ব্যবস্থা বা রেকমেন্ডেশন সিস্টেম (যা ইউটিউব, অ্যামাজন ও নেটফ্লিক্স ব্যবহার করে); ভার্চুয়াল সহকারী (যেমন: গুগল অ্যাসিস্ট্যান্ট, সিরি, অ্যালেক্সা, চ্যাটজিপিটি ও জেমিনি); স্বয়ংক্রিয় গাড়ি বা যানবাহন (যেমন: ওয়েমো); উৎপাদনশীল ও সৃজনশীল টুল (যেমন: ভাষা মডেল ও কৃত্রিম বুদ্ধিমত্তানির্ভর শিল্পকলা); এবং বিভিন্ন কৌশলভিত্তিক খেলা (যেমন: দাবা ও গো) খেলা ও বিশ্লেষণ করা। তবে কৃত্রিম বুদ্ধিমত্তার অনেক প্রয়োগকেই এখন আর পৃথকভাবে কৃত্রিম বুদ্ধিমত্তা হিসেবে চিহ্নিত করা হয় না; একে বলা হয় "কৃবু প্রভাব" (AI effect)। উদাহরণস্বরূপ, "অত্যাধুনিক কৃত্রিম বুদ্ধিমত্তার অনেক প্রযুক্তিই সাধারণ ব্যবহারে মিশে গেছে। কোনো প্রযুক্তি যখন যথেষ্ট কার্যকর ও বহুল প্রচলিত হয়ে ওঠে, তখন সাধারণত সেটিকে আর কৃত্রিম বুদ্ধিমত্তা বলা হয় না।"[৫][৬]

কৃত্রিম বুদ্ধিমত্তা গবেষণার বিভিন্ন উপক্ষেত্র নির্দিষ্ট কিছু লক্ষ্য এবং সরঞ্জাম ব্যবহারের ওপর ভিত্তি করে গঠিত। কৃত্রিম বুদ্ধিমত্তা গবেষণার প্রথাগত লক্ষ্যগুলোর মধ্যে রয়েছে শেখার ক্ষমতা, যুক্তিপ্রয়োগ, জ্ঞান উপস্থাপন, পরিকল্পনা, স্বাভাবিক ভাষা প্রক্রিয়াকরণ, অনুধাবন এবং রোবটবিদ্যার উন্নতি সাধন। এসব লক্ষ্য অর্জনে কৃত্রিম বুদ্ধিমত্তা গবেষকেরা বেশ কিছু পদ্ধতি গ্রহণ ও সমন্বয় করেছেন; যার মধ্যে রয়েছে অনুসন্ধান ও গাণিতিক অপটিমাইজেশন, গাণিতিক যুক্তি, কৃত্রিম নিউরাল নেটওয়ার্ক এবং পরিসংখ্যান, অপারেশনস রিসার্চ ও অর্থনীতিভিত্তিক বিভিন্ন পদ্ধতি।[ক] এ ছাড়া কৃত্রিম বুদ্ধিমত্তা ক্ষেত্রটি মনোবিজ্ঞান, ভাষাবিজ্ঞান, দর্শন, স্নায়ুবিজ্ঞানসহ বিভিন্ন শাস্ত্রের ওপর নির্ভর করে।[৭] বর্তমানে ওপেনএআই, গুগল ডিপমাইন্ড এবং মেটার[৮] মতো প্রতিষ্ঠানগুলো কৃত্রিম সাধারণ বুদ্ধিমত্তা (এজিআই) তৈরির লক্ষ্যে কাজ করছে। এটি এমন এক ধরনের কৃত্রিম বুদ্ধিমত্তা, যা মানুষের মতো যেকোনো বুদ্ধিবৃত্তিক কাজ সমমানের দক্ষতায় সম্পন্ন করতে সক্ষম।

১৯৫৬ সালে কৃত্রিম বুদ্ধিমত্তা একটি একাডেমিক ক্ষেত্র হিসেবে প্রতিষ্ঠিত হয়[৯] এবং এর ইতিহাসে বেশ কয়েকবার এটি ব্যাপক আশা-আকাঙ্ক্ষার সঞ্চার করে।[১০][১১] তবে পরবর্তী সময়ে নানা ব্যর্থতা ও অর্থায়নের ঘাটতির কারণে এটি স্থবির হয়ে পড়ে, যা 'এআই উইন্টার' নামে পরিচিত।[১২][১৩]

২০১২ সালের পর থেকে অর্থায়ন ও আগ্রহ ব্যাপকভাবে বৃদ্ধি পায়, যখন গ্রাফিক্স প্রসেসিং ইউনিট (জিপিইউ) ব্যবহার করে স্নায়ুজাল বা নিউরাল নেটওয়ার্কের গতি দ্রুত বৃদ্ধি করা সম্ভব হয় এবং গভীর শিখন (ডিপ লার্নিং) প্রযুক্তি পূর্ববর্তী সকল কৃত্রিম বুদ্ধিমত্তার কৌশলকে ছাড়িয়ে যায়।[১৪] ২০১৭ সালের পর ট্রান্সফরমার আর্কিটেকচারের উদ্ভাবনের ফলে এই অগ্রগতি আরও ত্বরান্বিত হয়।[১৫] ২০২০-এর দশকে উৎপাদনী কৃত্রিম বুদ্ধিমত্তার দ্রুত অগ্রগতির মাধ্যমে একটি সম্ভাবনাময় নতুন যুগের সূচনা হয়, যা 'এআই বুম' নামে পরিচিত। তবে উৎপাদনী কৃত্রিম বুদ্ধিমত্তার স্বয়ংক্রিয়ভাবে কনটেন্ট তৈরি ও পরিবর্তনের ক্ষমতা কিছু অনাকাঙ্ক্ষিত ক্ষতিকর প্রভাবও সৃষ্টি করেছে। মানবজাতির ওপর কৃত্রিম বুদ্ধিমত্তার দীর্ঘমেয়াদি প্রভাব ও অস্তিত্বগত ঝুঁকি নিয়ে নানা নৈতিক প্রশ্ন উঠে এসেছে।[১৬] ফলে এই প্রযুক্তির নিরাপত্তা ও সঠিক ব্যবহার নিশ্চিত করার লক্ষ্যে বিভিন্ন আইনি ও নীতিগত নিয়ন্ত্রণ নিয়ে আলোচনা শুরু হয়েছে।

ইতিহাস

[সম্পাদনা]
ক্রিটে প্রাপ্ত একটি রৌপ্য মুদ্রায় প্রাচীন পৌরাণিক স্বয়ংক্রিয় যন্ত্র ‘ট্যালোস’ (Talos), যাকে কৃত্রিম বুদ্ধিমত্তার অন্যতম আদি ধারণা মনে করা হয়।

চিন্তা করতে সক্ষম কৃত্রিম মানুষের ধারণাটি প্রথম দিকে কেবল পৌরাণিক গল্প ও কল্পকাহিনিতে দেখা যেত। তবে যুক্তিসঙ্গতভাবে চিন্তা করতে পারে এমন কোনো যন্ত্র তৈরির প্রকৃত চেষ্টা শুরু হয় সম্ভবত রামন লোলের (আনুমানিক ১৩০০ খ্রিস্টাব্দ) গবেষণার মাধ্যমে।[১৭] পরবর্তীতে গটফ্রিড লাইবনিৎস তাঁর 'ক্যালকুলাস র‍্যাটিওসিনেটর' (Calculus ratiocinator)-এর মাধ্যমে গণনা যন্ত্রের ধারণাটিকে আরও সম্প্রসারিত করেন (যদিও ১৬২৩ খ্রিস্টাব্দ নাগাদ উইলহেলম শিকার্ড প্রথম যান্ত্রিক গণকযন্ত্রের নকশা করেছিলেন)। লাইবনিৎসের উদ্দেশ্য ছিল কেবল সংখ্যার হিসাব নয়, বরং বিভিন্ন ধারণার ওপর ভিত্তি করে গাণিতিক প্রক্রিয়া পরিচালনা করা। উনিশ শতক থেকে বৈজ্ঞানিক কল্পকাহিনিতে কৃত্রিম মানুষ বা মানবীয় যন্ত্রের ব্যবহার একটি জনপ্রিয় বিষয়ে পরিণত হয়; যার উৎকৃষ্ট উদাহরণ মেরি শেলির ফ্রাঙ্কেনস্টাইন এবং কারেল চাপেকের নাটক আর.ইউ.আর. (রুমস ইউনিভার্সাল রোবটস)।


যান্ত্রিক বা প্রাতিষ্ঠানিক যুক্তিশাস্ত্রের চর্চা প্রাচীনকালেই দার্শনিক ও গণিতবিদদের হাত ধরে শুরু হয়েছিল। পরবর্তীতে গাণিতিক যুক্তিবিজ্ঞান বিষয়ক গবেষণা অ্যালান টিউরিংকে গণনার তত্ত্ব গঠনে অনুপ্রাণিত করে। এই তত্ত্বের মূল কথা ছিল একটি যন্ত্র কেবল "০" ও "১" এই দুটি প্রতীক ব্যবহারের মাধ্যমে যেকোনো গাণিতিক যুক্তিপ্রক্রিয়া সম্পন্ন করতে পারে। ডিজিটাল কম্পিউটার যে যেকোনো প্রাতিষ্ঠানিক যুক্তিপ্রক্রিয়া অনুকরণ করতে সক্ষম, এই অন্তর্দৃষ্টিটিই পরবর্তীতে চার্চ-টিউরিং থিসিস নামে পরিচিতি লাভ করে।

পরবর্তীকালে স্নায়ুবিজ্ঞান, তথ্য তত্ত্ব এবং সাইবারনেটিক্স ক্ষেত্রের নানা আবিষ্কার গবেষকদের মনে একটি ইলেকট্রনিক বা 'বৈদ্যুতিক মস্তিষ্ক' তৈরির সম্ভাবনাকে জোরালো করে তোলে। ১৯৪৩ সালে ওয়ারেন ম্যাককালো ও ওয়াল্টার পিটস কর্তৃক প্রকাশিত কৃত্রিম নিউরনের গাণিতিক মডেলটিই বর্তমানে কৃত্রিম বুদ্ধিমত্তার (এআই) ক্ষেত্রে প্রথম আনুষ্ঠানিক কাজ হিসেবে বিবেচিত হয়।

১৯৫০ সালে প্রকাশিত একটি গবেষণাপত্রে অ্যালান টিউরিং কোনো যন্ত্রের বুদ্ধি পরীক্ষা করার জন্য একটি পদ্ধতি প্রস্তাব করেন, যা পরবর্তীতে 'টিউরিং পরীক্ষা' (Turing test) নামে পরিচিত লাভ করে। মূলত 'ইমিটেশন গেম' (Imitation Game) নামের একটি খেলার ওপর ভিত্তি করে নির্মিত এই পরীক্ষাটি কৃত্রিম বুদ্ধিমত্তা গবেষণার প্রাথমিক ভিত্তি তৈরি করেছিল।[১৮]

১৯৫৬ সালে ডার্টমাউথ কলেজে অনুষ্ঠিত একটি কর্মশালায় কৃত্রিম বুদ্ধিমত্তা গবেষণার প্রাকসূচনা ঘটে। অ্যালেন নিউয়েল (সিএমইউ), হারবার্ট সাইমন (সিএমইউ), জন ম্যাকার্থি (এমআইটি), মার্ভিন মিনস্কি (এমআইটি) এবং আর্থার স্যামুয়েল (আইবিএম) কৃত্রিম বুদ্ধিমত্তা গবেষণার অন্যতম প্রতিষ্ঠাতা ও অগ্রদূত হিসেবে আবির্ভূত হন। তাঁরা এবং তাঁদের শিক্ষার্থীরা যেসব প্রোগ্রাম বা সফটওয়্যার তৈরি করেছিলেন, তৎকালীন সংবাদপত্রগুলো সেগুলোকে "বিস্ময়কর" বলে অভিহিত করে। সেসব কম্পিউটার প্রোগ্রাম ডামস (চেকার্স) খেলায় জয়লাভ করে, বীজগণিতের পাটিগণিতীয় বা শব্দের সমস্যা সমাধান করে, যৌক্তিক উপপাদ্য প্রমাণ করে এবং এমনকি ইংরেজিতে কথা বলতেও সক্ষম হয়। ১৯৬০-এর দশকের মাঝামাঝি সময়ে মার্কিন প্রতিরক্ষা বিভাগ থেকে এই গবেষণায় বিপুল পরিমাণ অর্থায়ন করা হয় এবং বিশ্বজুড়ে বিভিন্ন গবেষণাগার প্রতিষ্ঠিত হয়। কৃত্রিম বুদ্ধিমত্তার প্রতিষ্ঠাতারা এই প্রযুক্তির ভবিষ্যৎ নিয়ে অত্যন্ত আশাবাদী ছিলেন। যেমন হারবার্ট সাইমন ভবিষ্যদ্বাণী করেছিলেন, "বিশ বছরের মধ্যে একটি যন্ত্র মানুষের করা যেকোনো কাজ করতে সক্ষম হবে।" মার্ভিন মিনস্কিও এতে সহমত পোষণ করে বলেন, "এক প্রজন্মের মধ্যেই... কৃত্রিম বুদ্ধিমত্তা তৈরির যাবতীয় সমস্যার সমাধান হয়ে যাবে।"

তবে কৃত্রিম বুদ্ধিমত্তার বাকি কাজগুলোর জটিলতা বুঝতে গবেষকেরা ব্যর্থ হয়েছিলেন। ফলে অগ্রগতির গতি ধীর হয়ে যায় এবং ১৯৭৪ সালে স্যার জেমস লাইটহিলের সমালোচনামূলক প্রতিবেদন প্রকাশের পর, ব্রিটিশ সরকার এবং মার্কিন কংগ্রেসের চাপের মুখে গবেষণামূলক এআই প্রকল্পে অর্থায়ন বন্ধ করে দেওয়া হয়। পরবর্তী সময়ে এই অনুদানহীন ও স্থবির সময়কালটিই 'এআই উইন্টার' নামে পরিচিতি পায়।

১৯৮০-এর দশকের শুরুতে বিশেষজ্ঞ ব্যবস্থার বাণিজ্যিক সাফল্যের মাধ্যমে এআই গবেষণায় পুনরায় প্রাণের সঞ্চার ঘটে। এটি ছিল এমন এক ধরনের প্রোগ্রাম, যা মানুষের জ্ঞান ও বিশ্লেষণাত্মক দক্ষতাকে অনুকরণ করতে পারতো। ১৯৮৫ সাল নাগাদ এআই প্রযুক্তির বৈশ্বিক বাজার ১০০ কোটি (১ বিলিয়ন) ডলার ছাড়িয়ে যায়। একই সময়ে জাপানের 'পঞ্চম প্রজন্মের কম্পিউটার প্রকল্প' যুক্তরাষ্ট্র ও যুক্তরাজ্য সরকারকে পুনরায় এআই গবেষণায় অনুদান প্রদানে উৎসাহিত করে। কিন্তু ১৯৮৭ সালে লিস্প মেশিন বাজারের পতনের সাথে সাথে এআই প্রযুক্তি আবারও তার সুনাম হারায় এবং দ্বিতীয়বারের মতো এক দীর্ঘস্থায়ী মন্দার কবলে পড়ে।

১৯৯০-এর দশক এবং একবিংশ শতাব্দীর শুরুর দিকে লজিস্টিকস, ডাটা মাইনিং, চিকিৎসা নির্ণয়সহ বিভিন্ন গুরুত্বপূর্ণ ক্ষেত্রে কৃত্তিম বুদ্ধিমত্তার ব্যবহার বিস্তৃত হতে শুরু করে। কম্পিউটিং ক্ষমতার ক্রমাগত বৃদ্ধি (মুরের সূত্র দ্রষ্টব্য), সুনির্দিষ্ট সমস্যা সমাধানের প্রতি মনোযোগ, অন্যান্য শাস্ত্রের সাথে কৃত্রিম বুদ্ধিমত্তার আন্তঃসম্পর্ক এবং গাণিতিক ও বৈজ্ঞানিক মানের ওপর গবেষকদের অধিক গুরুত্ব দেওয়াই ছিল এই সফলতার প্রধান কারণ। ১৯৯৭ সালের ১১ মে আইবিএমের ডিপ ব্লু কম্পিউটারটি তৎকালীন বিশ্ব দাবা চ্যাম্পিয়ন গ্যারি কাসপারভকে পরাজিত করে ইতিহাস গড়ে, যা ছিল কোনো কম্পিউটারের বিশ্ব দাবা চ্যাম্পিয়নকে হারানোর প্রথম ঘটনা। উন্নত পরিসংখ্যানিক কৌশল (যা সংক্ষেপে ডিপ লার্নিং নামে পরিচিত), বিপুল পরিমাণের তথ্য ব্যবহারের সুযোগ এবং দ্রুতগতির কম্পিউটিং ক্ষমতার বদৌলতে মেশিন লার্নিং ও কৃত্রিম অনুধাবনের ক্ষেত্রে অভূতপূর্ব অগ্রগতি সাধিত হয়। ২০১০-এর দশকের মাঝামাঝি নাগাদ বিশ্বজুড়ে মেশিন লার্নিং অ্যাপ্লিকেশনগুলোর ব্যবহার ব্যাপক রূপ নেয়। ২০১১ সালে আইবিএমের প্রশ্নোত্তরী ব্যবস্থা 'ওয়াটসন' আমেরিকান কুইজ শো জিওপার্ডির একটি প্রদর্শনী ম্যাচে এর ইতিহাসের দুই সেরা চ্যাম্পিয়ন ব্র্যাড রাটার ও কেন জেনিংসকে বড় ব্যবধানে পরাজিত করে। অন্যদিকে এক্সবক্স ৩৬০ ও এক্সবক্স ওয়ানের জন্য নির্মিত কাইনেক্ট যা ত্রিমাত্রিক শারীরিক অঙ্গভঙ্গি শনাক্ত করতে পারতো দীর্ঘদিনের কৃত্রিম বুদ্ধিমত্তা গবেষণা থেকে উদ্ভূত অ্যালগরিদম ব্যবহার করে তৈরি করা হয়। একইভাবে স্মার্টফোনে বুদ্ধিমত্তাভিত্তিক ভার্চুয়াল সহকারী প্রযুক্তিগুলোও যুক্ত হতে শুরু করে।

মার্চ ২০১৬-এ, আলফাগো একটি ঐতিহাসিক ম্যাচে কোনোপ্রকার প্রতিবন্ধকতা ছাড়াই বিশ্বখ্যাত পেশাদার গো খেলোয়াড় লি সেডলকে ৫টি খেলার মধ্যে ৪টিতে পরাজিত করে। এর মাধ্যমে এটি কোনো পেশাদার গো খেলোয়াড়কে পরাজিত করা প্রথম কম্পিউটার প্রোগ্রামে পরিণত হয়। পরবর্তীতে ২০১৭ সালের ফিউচার অব গো সামিটে আলফাগো তৎকালীন টানা দুই বছরের বিশ্বসেরা গো খেলোয়াড় খ্য খ্যেকে টানা ৩টি খেলায় পরাজিত করে।

ব্লুমবার্গের জ্যাক ক্লার্কের মতে, ২০১৫ সালটি কৃত্রিম বুদ্ধিমত্তার জন্য একটি বিশেষ মাইলফলক ছিল; কারণ এই সময়ে গুগলে এআই ব্যবহারকারী সফটওয়্যার প্রকল্পের সংখ্যা ২০১২ সালের সামান্য ব্যবহার ("স্পোরাডিক ইউস") থেকে বৃদ্ধি পেয়ে ২,৭০০-এরও বেশি প্রকল্পে গিয়ে পৌঁছায়। ক্লার্ক তথ্যসূত্রের মাধ্যমে আরও দেখান যে, ২০১১ সাল থেকে ইমেজ প্রসেসিং বা চিত্র প্রক্রিয়াকরণের ভুল বা ত্রুটির হার আশঙ্কাজনকভাবে কমে এসেছে। ক্লাউড কম্পিউটিং অবকাঠামোর বিকাশ এবং সাশ্রয়ী মূল্যে নিউরাল নেটওয়ার্ক ব্যবহারের সুযোগ তৈরি হওয়াকেই তিনি এই উন্নতির প্রধান কারণ হিসেবে চিহ্নিত করেন। অন্যান্য গুরুত্বপূর্ণ অগ্রগতির মধ্যে ছিল মাইক্রোসফটের স্কাইপ সিস্টেমের উন্নয়ন, যা স্বয়ংক্রিয়ভাবে এক ভাষা থেকে অন্য ভাষায় অনুবাদ করতে পারতো এবং ফেসবুকের এমন একটি ব্যবস্থা যা দৃষ্টিপ্রতিবন্ধীদের জন্য ছবির বর্ণনা তৈরি করতে সক্ষম ছিল।[১৯][২০]

২০২৫ সালের হালনাগাদ ঘটনা

[সম্পাদনা]

আন্তর্জাতিক নিরাপত্তা ও নীতি

[সম্পাদনা]
  • ফ্রেমওয়ার্ক কনভেনশন অন আর্টিফিশিয়াল ইন্টেলিজেন্স নামে একটি আন্তর্জাতিক চুক্তি ৫ সেপ্টেম্বর ২০২৪-এ কাউন্সিল অব ইউরোপের অধীনে গৃহীত হয়। এর লক্ষ্য হলো মানবাধিকার, গণতন্ত্র ও আইনের শাসন সমুন্নত রেখে কৃত্রিম বুদ্ধিমত্তা প্রযুক্তির দায়িত্বশীল ব্যবহার নিশ্চিত করা। ৫০টিরও বেশি দেশ এই চুক্তিতে স্বাক্ষর করেছে।[২১]
  • প্রথম আন্তর্জাতিক এআই সেফটি রিপোর্ট ২৯ জানুয়ারি ২০২৫-এ প্রকাশিত হয়। ২০২৩ সালের এআই সেফটি সামিটের সিদ্ধান্ত অনুযায়ী বিশিষ্ট এআই বিশেষজ্ঞ ইয়োশুয়া বেঞ্জিওর নেতৃত্বে ৯৬ জন এআই গবেষক এটি তৈরি করেন। রিপোর্টটির মূল উদ্দেশ্য হলো সর্বজনীন কৃত্রিম বুদ্ধিমত্তা থেকে উদ্ভূত সম্ভাব্য ঝুঁকি নিরূপণ করা এবং তা মোকাবেলায় করণীয় নির্ধারণ করা।[২২][২৩]
  • ২০২৫ এআই অ্যাকশন সামিট ১০–১১ ফেব্রুয়ারি ফ্রান্সে অনুষ্ঠিত হয়, যেখানে বিভিন্ন দেশের রাষ্ট্রপ্রধান ও আন্তর্জাতিক প্রতিনিধিগণ অংশ নেন। সম্মেলনে ইউরোপীয় কমিশন ২০০ বিলিয়ন ইউরো বিনিয়োগের ঘোষণা দেয় (যার মধ্যে ২০ বিলিয়ন ইউরো 'এআই গিগাফ্যাক্টরি' নির্মাণে বরাদ্দ)। পাশাপাশি, এক ডজনেরও বেশি সংস্থার সমন্বয়ে ১৫০ বিলিয়ন ইউরোর একটি নতুন বেসরকারি বিনিয়োগ তহবিল চালু করা হয়।[২৪]

প্রযুক্তিগত অগ্রগতি

[সম্পাদনা]
  • গুগল ডিপমাইন্ড তাদের নতুন "Genie 3" ওয়ার্ল্ড মডেল উন্মোচন করেছে, যা এআই এজেন্টদের ভার্চুয়াল পরিবেশে (যেমন গুদামঘর বা প্রাকৃতিক পরিবেশ) বাস্তবসম্মত ভৌত মিথস্ক্রিয়ার মাধ্যমে প্রশিক্ষণ দিতে সক্ষম।[২৫]
  • ওপেনএআই জিপিটি-৫ মডেল ৭ আগস্ট ২০২৫-এ মুক্তি পায়। এটি ব্যবহারকারীদের জন্য আরও সহজ, দক্ষ ও নিরাপদ এআই কাঠামো প্রদান করে; সাধারণ চ্যাটজিপিটি ব্যবহারকারীরাও সীমিতভাবে এটি ব্যবহারের সুযোগ পান।[২৬]
  • জিপিটি-৫-এর বিশেষত্ব: বহুমাধ্যমনির্ভর ক্ষমতা (টেক্সট, ছবি, অডিও ইত্যাদি), উন্নত আবেগীয় বুদ্ধিমত্তা, প্রসারিত স্মৃতিশক্তি, স্বায়ত্তশাসিত এজেন্ট এবং সুদৃঢ় নিরাপত্তা কাঠামো। এটি কেবল একটি সাধারণ সংস্করণ বৃদ্ধি নয়, বরং এআই-কে সহযোগীর ভূমিকায় নিয়ে যাওয়ার ক্ষেত্রে একটি গুরুত্বপূর্ণ পদক্ষেপ।[২৭]
  • দক্ষিণ কোরিয়ার Upstage স্টার্টআপের নতুন এআই মডেল "Solar Pro 2" জুলাই ২০২৫-এ উন্মোচিত হয়। মাত্র ৩০ বিলিয়ন প্যারামিটার বিশিষ্ট এই মডেলটি তৎকালীন সেরা 'ফ্রন্টিয়ার মডেল' হিসেবে স্বীকৃতি পায় এবং বিভিন্ন বেঞ্চমার্কে জিপিটি-৪.১, ক্লদ ৩.৭ সনেট ও ডিপসিক ভি৩-এর তুলনায় এগিয়ে থাকে।[২৮]

শিল্প, নীতিমালা ও ভবিষ্যৎ

[সম্পাদনা]
  • এনভিডিয়া তাদের GTC ২০২৫ সম্মেলনে "Blackwell Ultra" এবং "Vera Rubin" নামক দুটি এআই চিপ উন্মোচন করে, যা এআই ও রোবোটিক্স প্রশিক্ষণে খরচ কমাতে এবং কার্যক্ষমতা বাড়াতে সহায়তা করবে। এর পাশাপাশি তারা ওপেন সোর্স হিউম্যানয়েড রোবোটিক্স ফ্রেমওয়ার্ক "Isaac GR00T N1" এবং "Cosmos AI" নামক কৃত্রিম প্রশিক্ষণ ডাটা মডেল চালু করে।[২৯]
  • চীন এআই নিয়ন্ত্রণের জন্য আন্তর্জাতিক স্তরের একটি কাঠামোর প্রস্তাব দেয়, যাতে বিশ্বব্যাপী প্রযুক্তির নিরাপদ ও উন্মুক্ত ব্যবহার নিশ্চিত করা যায়। এতে ওপেন সোর্স এআই মডেল নিশ্চিতকরণ এবং জাতিসংঘের নেতৃত্বে একটি নির্দিষ্ট নীতিমালা তৈরির বিষয়ে জোর দেওয়া হয়।[৩০]
  • ডেমিস হাসাবিস, গুগল ডিপমাইন্ডের সিইও এবং আলফাফোল্ডের জন্য নোবেলজয়ী বিজ্ঞানী, ভবিষ্যতে কৃত্রিম সাধারণ বুদ্ধিমত্তার (এজিআই) সম্ভাবনার ওপর গুরুত্বারোপ করেন। তবে তিনি সতর্ক করেন যে এটি অর্জনের আগে একটি সুদৃঢ় নৈতিক ও আন্তর্জাতিক নিয়ন্ত্রণ কাঠামো প্রতিষ্ঠা করা অপরিহার্য।[৩১]
  • সাম্প্রতিক বিভিন্ন বিশ্লেষণে ইঙ্গিত দেওয়া হয়েছে যে ২০২৭ সালের মধ্যে এজিআই রূপ নেওয়ার সম্ভাবনা রয়েছে; তবে এর সাথে স্বায়ত্তশাসন বৃদ্ধি, প্রতারণা এবং নিয়ন্ত্রণ হারানোর মতো গুরুতর ঝুঁকিগুলো এড়াতে সতর্কতার প্রয়োজন।[৩২]

২০২৬ সালের হালনাগাদ ঘটনা

[সম্পাদনা]

বিশ্বজুড়ে এজেন্টনির্ভর এআই ও প্রযুক্তিগত উন্নয়ন

[সম্পাদনা]
  • এজেন্টনির্ভর এআই সম্প্রসারণ: ২০২৬ সাল নাগাদ বিশ্বজুড়ে বড় প্রাতিষ্ঠানিক প্রক্রিয়া ও সফটওয়্যার প্রকৌশলে স্বায়ত্তশাসিত এআই এজেন্টদের ব্যবহার দ্রুত বৃদ্ধি পায়, যা কেবল প্রশ্নের উত্তর দেওয়ার পরিবর্তে স্বয়ংক্রিয়ভাবে জটিল কর্মপ্রবাহ সম্পন্ন করতে সক্ষম হয়।[৩৩]
  • সীমান্তবর্তী মডেলে নতুন মাইলফলক: ওপেনএআই তাদের নতুন ফ্ল্যাগশিপ মডেল এস্ট্রা উন্মোচন করে, যা জটিল গণিত, বিজ্ঞান এবং স্বায়ত্তশাসিত কাজের জটিলতায় অভূতপূর্ব অগ্রগতি প্রদর্শন করে এবং শিল্পখাতে 'এআই সক্ষমতার নতুন যুগের' সূচনা হিসেবে আলোচিত হয়।[৩৪]

এআই নিরাপত্তা, সাইবার ঝুঁকি ও আন্তর্জাতিক ঐকমত্য

[সম্পাদনা]
  • ২০২৬ সিঙ্গাপুর কনসেনসাস : বিশ্বের বিভিন্ন দেশের এআই সেফটি ইনস্টিটিউট, প্রযুক্তি গবেষক ও সুশীল সমাজের ১০০ জনেরও বেশি বিশেষজ্ঞ একত্রিত হয়ে আন্তর্জাতিক এআই নিরাপত্তা বিষয়ক চুক্তি 'সিঙ্গাপুর কনসেনসাস' গ্রহণ করেন। এতে এআইয়ের অপব্যবহার রোধ, সাইবার নিরাপত্তা জোরদার এবং উন্মুক্ত ফ্রন্টিয়ার মডেলের ঝুঁকি কমানোর বিষয়ে অগ্রাধিকার নির্ধারণ করা হয়।[৩৫]
  • নিরাপত্তা ও নীতিগত নিয়ন্ত্রণ: ইউরোপীয় ইউনিয়নসহ বিশ্বজুড়ে বিভিন্ন আন্তর্জাতিক সংস্থা ডিপফেক, ভুয়া কনটেন্ট এবং স্বায়ত্তশাসিত এআই মডেলের সাইবার আক্রমণ নিয়ন্ত্রণের জন্য এআই প্রস্তুতকারকদের ওপর কঠোর লেবেলিং এবং ফ্রন্টিয়ার সেফটি ফ্রেমওয়ার্ক জোরদার করে।[৩৬]

লক্ষ্য

[সম্পাদনা]

কৃত্রিম বুদ্ধিমত্তা গবেষণার সামগ্রিক লক্ষ্য হলো এমন প্রযুক্তি উদ্ভাবন করা, যার মাধ্যমে কম্পিউটার ও বিভিন্ন যন্ত্রসমূহ বুদ্ধিমত্তার সাথে কাজ করতে সক্ষম হবে। বুদ্ধিমত্তা গঠনের জটিল প্রক্রিয়াটিকে গবেষকেরা কয়েকটি ছোট উপ-সমস্যায় বিভক্ত করেছেন। একটি বুদ্ধিমত্তাভিত্তিক ব্যবস্থা বা ইন্টেলিজেন্ট সিস্টেমের কাছে গবেষকরা নির্দিষ্ট কিছু বৈশিষ্ট্য ও সক্ষমতা আশা করেন; যার মধ্যে নিচের বিষয়গুলো সবচেয়ে বেশি প্রাধান্য পেয়েছে।

এরিক স্যান্ডওয়াল বিশেষ করে এমন পরিকল্পনা ও শেখার ক্ষমতার ওপর জোর দিয়েছেন, যা যেকোনো নির্দিষ্ট পরিস্থিতির প্রেক্ষাপটে প্রাসঙ্গিক ও কার্যকর হতে পারে।

বর্তমান প্রেক্ষাপটে কৃত্রিম বুদ্ধিমত্তার লক্ষ্য আরও বিস্তৃত হয়েছে। এটি এখন আর কেবল মানুষের বুদ্ধিমত্তাকে অনুকরণের মধ্যে সীমাবদ্ধ নেই, বরং এমন প্রযুক্তি গড়ে তোলার দিকে নির্দেশিত যাতে:

  • জটিল সিদ্ধান্ত গ্রহণ ও সমস্যা সমাধানে সহায়তা করা যায়;[৩৭]
  • স্বাস্থ্যসেবায় রোগ নির্ণয়, ওষুধ উদ্ভাবন ও চিকিৎসা সেবার উন্নয়ন সম্ভব হয়;[৩৮]
  • শিক্ষা ব্যবস্থায় ব্যক্তিকেন্দ্রিক শেখার অভিজ্ঞতা প্রদান করা যায়;[৩৯]
  • ব্যবসা ও শিল্পক্ষেত্রে স্বয়ংক্রিয়তা, উৎপাদনশীলতা ও দক্ষতা বাড়ানো যায়;[৪০]
  • ভাষা প্রক্রিয়াকরণ ও যোগাযোগে নতুন মাত্রা যোগ করা যায় (যেমন অনুবাদ, কথোপকথন, বিষয়বস্তু বা কনটেন্ট তৈরি ইত্যাদি);[৪১]
  • নৈতিক ও দায়িত্বশীল এআই ব্যবহারের মাধ্যমে সমাজ ও পরিবেশে ইতিবাচক প্রভাব ফেলা যায়।[৪২]

এছাড়াও আধুনিক গবেষণায় কৃত্রিম সাধারণ বুদ্ধিমত্তা বা এজিআই[৪৩] হাসিলের দিকে মনোযোগ দেওয়া হচ্ছে, যা মানুষের মতো বিভিন্ন ক্ষেত্রে সমানভাবে দক্ষ হয়ে উঠতে পারবে।[৪৪]


যুক্তি ও সমস্যা সমাধান

[সম্পাদনা]

প্রাথমিক যুগের গবেষকেরা এমন কিছু অ্যালগরিদম তৈরি করেছিলেন, যা মানুষ যেভাবে যুক্তি প্রয়োগ করে বা ধাপভিত্তিক যুক্তিনির্ভর সিদ্ধান্তে পৌঁছায়, সেভাবেই সমস্যা সমাধান করতে পারত। পরবর্তী সময়ে, ১৯৮০ ও ১৯৯০-এর দশকের শেষের দিকে অনিশ্চিত বা অসম্পূর্ণ তথ্য প্রক্রিয়াকরণ, সম্ভাবনাতত্ত্ব এবং অর্থনীতি শাস্ত্রের বিভিন্ন ধারণা অন্তর্ভুক্ত করার মাধ্যমে এআই গবেষণাকে আরও সমৃদ্ধ করা হয়।

তবে জটিল সমস্যা সমাধানের জন্য অ্যালগরিদমগুলোর ব্যাপক কম্পিউটিং ক্ষমতার প্রয়োজন হতে পারে; যা প্রায়শই কম্বিনেটোরিয়াল এক্সপ্লোশন বা সমন্বয়মূলক মাত্রাতিরিক্ত বৃদ্ধির মতো জটিলতার মুখোমুখি হয় যেখানে সমস্যার আকার সামান্য বাড়লেই প্রয়োজনীয় মেমোরি বা সময় জ্যামিতিক হারে বেড়ে যায়। ফলে আরও দক্ষ ও দ্রুতগতির সমস্যা-সমাধান অ্যালগরিদমের সন্ধান এআই গবেষণায় সর্বদা উচ্চ অগ্রাধিকার পেয়ে আসছে।

মানুষ সচরাচর ধাপে ধাপে জটিল গাণিতিক যুক্তির চেয়ে দ্রুত ও অভিজ্ঞতাভিত্তিক অনুমানমূলক কৌশলের ওপর ভিত্তি করে সিদ্ধান্ত নেয়। প্রাথমিক এআই গবেষণায় মানুষের মানসিক মডেল অনুকরণ করার চেষ্টা দেখা যায়। পরবর্তীতে এআই সাব-সিম্বলিক বা প্রতীক-উত্তর পদ্ধতি ব্যবহারের মাধ্যমে বড় অগ্রগতি অর্জন করে: যেমন এমবডিড এআই এজেন্টগুলো কেবল উচ্চতর যুক্তির চেয়ে ইন্দ্রিয়-পেশিজাত বা সংবেদী-সংচালনমুখী দক্ষতার ওপর জোর দেয়। আবার মানব মস্তিষ্কের স্নায়বিক কাঠামোর অনুকরণে পরিচালিত গবেষণা এই দক্ষতা বৃদ্ধিতে সহায়তা করে।

আধুনিক দৃষ্টিভঙ্গি অনুযায়ী, জটিল সমস্যা সমাধানের জন্য কৃত্রিম বুদ্ধিমত্তায় হিউরিস্টিক সার্চ বা অভিজ্ঞতাভিত্তিক অনুসন্ধান ব্যাপকভাবে ব্যবহৃত হয়, যার মধ্যে এ* সার্চ, গ্রিডি সার্চ এবং অন্যান্য তথ্যভিত্তিক অনুসন্ধান পদ্ধতি অন্যতম।[৪৫] এগুলো ব্রুট-ফোর্স বা অন্ধ অনুসন্ধানের তুলনায় অনেক বেশি কার্যকর। একইভাবে, সীমাবদ্ধতা সন্তুষ্টির সমস্যা বা কনস্ট্রেইন্ট স্যাটিসফ্যাকশন প্রবলেম সমাধানের জন্য বিশেষ অ্যালগরিদম তৈরি করা হয়েছে; যা সময়সূচি নির্ধারণ, পরিকল্পনা এবং সম্পদ বণ্টনের মতো কাজে ব্যবহৃত হয়।

এছাড়া গেম থিওরি এবং মাল্টি-এজেন্ট সিস্টেমে জটিল যুক্তি ও সিদ্ধান্ত গ্রহণের কৌশল গুরুত্বপূর্ণ ভূমিকা পালন করে।[৪৬] বর্তমান সময়ে অনুমাননির্ভর বা প্রোবাবিলিস্টিক রিজনিং এবং বায়েসিয়ান নেটওয়ার্ক জটিল ও অনিশ্চিত পরিবেশে সঠিক সিদ্ধান্ত নেওয়ার ক্ষেত্রে শক্তিশালী হাতিয়ার হিসেবে ব্যবহৃত হচ্ছে।

সবশেষে, ডিপ লার্নিং এবং নিউরো-সিম্বলিক সিস্টেমের সংমিশ্রণ কৃত্রিম বুদ্ধিমত্তার যুক্তিভিত্তিক সমস্যা সমাধানের নতুন দিগন্ত উন্মোচন করেছে; যেখানে প্রতীকী যুক্তি এবং কানেকশনিস্ট মডেল একত্রে কাজ করে আরও নির্ভুল সিদ্ধান্ত নিতে সক্ষম হয়।

জ্ঞানের প্রতিনিধিত্ব

[সম্পাদনা]

জ্ঞানের প্রতিনিধিত্ব এবং জ্ঞান প্রকৌশল হলো কৃত্রিম বুদ্ধিমত্তা গবেষণার অন্যতম কেন্দ্রীয় বিষয়।[৪৭] কম্পিউটার বা যন্ত্রকে দিয়ে জটিল সমস্যার সমাধান করতে হলে বাস্তব বিশ্ব সম্পর্কে তাদের বিস্তৃত জ্ঞান থাকা আবশ্যক। কৃত্রিম বুদ্ধিমত্তা যেসব বিষয়কে উপস্থাপন করে তার মধ্যে রয়েছে: বস্তু, বৈশিষ্ট্য, শ্রেণী এবং বস্তুসমূহের মধ্যকার পারস্পরিক সম্পর্ক; পরিস্থিতি, ঘটনা, অবস্থা ও সময়; কারণ ও প্রভাব; জ্ঞান সম্পর্কিত জ্ঞান (অন্য মানুষ কী জানে সে সম্পর্কে অবগত হওয়া); এবং অন্যান্য বিভিন্ন জটিল ক্ষেত্র। জ্ঞানের এই প্রতিনিধিত্ব হলো যার অস্তিত্ব আছে তাকে রূপ দেওয়া: অর্থাৎ বস্তুর সেট, ধারণা ও সম্পর্কের কাঠামো যা যন্ত্র বুঝতে পারে। এর মধ্যে সর্বজনীন বা উচ্চতর তত্ত্ববিদ্যা বলতে বোঝায় এমন একটি মৌলিক কাঠামো, যা অন্যান্য সকল জ্ঞানকে ভিত্তি প্রদান করে।[৪৮]

জ্ঞানের প্রতিনিধিত্বের ক্ষেত্রে প্রধান জটিলতাগুলো নিচে আলোচনা করা হলো:

ডিফল্ট যুক্তি ও যোগ্যতার সমস্যা

[সম্পাদনা]

মানুষ অধিকাংশ জ্ঞানকে কাজের সুবিধার্থে নির্দিষ্ট অনুমান হিসেবে ধরে নেয়। উদাহরণস্বরূপ, কোনো পাখির আলোচনা এলে মানুষ সাধারণত এমন একটি প্রাণীর কথা চিন্তা করে যার নির্দিষ্ট আকার ও চিহ্ন রয়েছে এবং যা উড়তে পারে। তবে এই বৈশিষ্ট্যগুলো সকল পাখির ক্ষেত্রে শতভাগ সত্য নয় (যেমন: পেঙ্গুইন উড়তে পারে না)। ১৯৬৯ সালে জন ম্যাকার্থি এই সমস্যাটিকে যোগ্যতার সমস্যা হিসেবে চিহ্নিত করেন।[৪৯] মানুষের সাধারণ জ্ঞানের নিয়মগুলোতে কৃত্রিম বুদ্ধিমত্তা গবেষকেরা যত নীতিই যুক্ত করুন না কেন, সর্বদা কিছু না কিছু ব্যতিক্রম থেকে যায়। বিমূর্ত যুক্তির বাইরে বাস্তব জগতে প্রায় কোনো তথ্যই পুরোপুরি ‘সত্য’ বা ‘মিথ্যা’ হয় না। এই সমস্যা সমাধানের জন্য অ-একঘেয়ে যুক্তিবিদ্যা সহ বিভিন্ন পদ্ধতির আশ্রয় নেওয়া হয়েছে।[৫০]

সাধারণ জ্ঞানের বিশালতা

[সম্পাদনা]

বাস্তব বিশ্বের সাধারণ জ্ঞানের পরিধি যে কতটা বিশাল, তা সবার জানা। সাধারণ জ্ঞানভিত্তিক বৃহৎ উপাত্ত ভাণ্ডার গড়ে তোলার জন্য প্রচুর শ্রমসাধ্য প্রকৌশলের প্রয়োজন হয়, যেখানে বহু জটিল ধারণা নিজে থেকে যুক্ত করতে হয়।[৫১] এর মূল লক্ষ্য হলো কম্পিউটারকে প্রাথমিক কিছু মৌলিক ধারণা বোঝানো, যাতে সেটি পরবর্তীতে বই বা ইন্টারনেটের মতো উৎস থেকে স্বায়ত্তশাসিতভাবে নতুন জ্ঞান পড়ে বুঝতে পারে এবং নিজস্ব জ্ঞানভাণ্ডারে তা যুক্ত করতে সক্ষম হয়।

অব্যাক্ত জ্ঞান

[সম্পাদনা]

মানুষ যা জানে তার অনেকটাই প্রাতিষ্ঠানিক তথ্য বা বিবৃতি হিসেবে মুখে প্রকাশ করা যায় না।[৫২] উদাহরণস্বরূপ, একজন দাবাড়ু একটি নির্দিষ্ট চাল এড়িয়ে চলেন কারণ তার মনে হয় এটি ঝুঁকিপূর্ণ, কিংবা একজন শিল্প সংগ্রাহক কোনো চিত্রকর্ম দেখেই মুহূর্তের মধ্যে বুঝতে পারেন যে সেটি নকল। এটি মানব মস্তিষ্কের সচেতনতা-পূর্ব বা উপ-প্রতীকী প্রক্রিয়ার ফল। ঐতিহ্যবাহী প্রতীকী কৃত্রিম বুদ্ধিমত্তা কেবল সচেতন জ্ঞান নিয়ে কাজ করতে পারে। ফলে এই অব্যাক্ত বা অভিজ্ঞতাভিত্তিক জ্ঞানকে সংজ্ঞায়িত করতে অবস্থানভিত্তিক কৃত্রিম বুদ্ধিমত্তা, গণনাভিত্তিক বুদ্ধিমত্তা বা পরিসংখ্যানগত ব্যবস্থার সহায়তা নেওয়া হয়।[৫৩]

পরিকল্পনা

[সম্পাদনা]

একটি বুদ্ধিমান উপাদানকে লক্ষ্য নির্ধারণ করতে এবং তা অর্জনের জন্য পরিকল্পনা করতে হয়। এর জন্য ভবিষ্যতের দৃশ্যপট কল্পনা করা, বাস্তব বিশ্বের ওপর নিজস্ব আচরণের প্রভাব বিচার করা এবং উপলব্ধ বিকল্পগুলোর মধ্যে থেকে সর্বাধিক উপযোগী পথটি বেছে নেওয়ার ক্ষমতা প্রয়োজন।[৫৪]

ধ্রুপদী পরিকল্পনা সমস্যায় ধরে নেওয়া হয় উপাদানটি পরিবেশের একমাত্র চালক, যা তার প্রতিটি পদক্ষেপের নিশ্চিত ফলাফল দেয়। কিন্তু বাস্তব পরিবেশে একাধিক উপাদান উপস্থিত থাকলে চরম অনিশ্চয়তার সৃষ্টি হয়। এর জন্য এমন ব্যবস্থার প্রয়োজন যা কেবল পরিবেশকে মূল্যায়ন ও পূর্বাভাসই করবে না, বরং গতিশীলভাবে সেই পূর্বাভাসের পরিবর্তন পর্যবেক্ষণ করে নিজের সিদ্ধান্ত সামঞ্জস্য করবে।

বহু-উপাদান পরিকল্পনায় একটি নির্দিষ্ট লক্ষ্য অর্জনে একাধিক উপাদানের সহযোগিতা ও প্রতিযোগিতা দেখা যায়। উদাহরণস্বরূপ, বিবর্তনীয় অ্যালগরিদম ও ঝাঁক বুদ্ধিমত্তা প্রযুক্তিতে এ ধরনের আচরণ পরিলক্ষিত হয়।[৫৫]

শিক্ষা বা শিখন

[সম্পাদনা]

যন্ত্রের শিক্ষা হলো কৃত্রিম বুদ্ধিমত্তা গবেষণার একটি মৌলিক শাখা, যা অভিজ্ঞতার মাধ্যমে কম্পিউটার অ্যালগরিদমের স্বয়ংক্রিয় উন্নতি সাধন নিয়ে কাজ করে।[৫৬]

  • অনিয়ন্ত্রিত শিখন: এর মাধ্যমে উপাত্তের মধ্যে বিদ্যমান অজানা ধাঁচ বা প্যাটার্ন খুঁজে বের করা হয়।[৫৭]
  • নিয়ন্ত্রিত শিখন: এতে শ্রেণিবিন্যাস এবং সংখ্যাসূচক রিগ্রেশন অন্তর্ভুক্ত। শ্রেণিবিন্যাসের মাধ্যমে কোনো উপাদান কোন ক্যাটাগরির অন্তর্ভুক্ত তা নির্ধারণ করা হয়, আর রিগ্রেশন ইনপুট ও আউটপুটের মধ্যকার গাণিতিক সম্পর্ক তৈরি করে ভবিষ্যতের ফল পূর্বাভাস দেয়।
  • শক্তিবৃদ্ধিমূলক শিখন: এই পদ্ধতিতে যন্ত্রটি সঠিক সিদ্ধান্তের জন্য পুরস্কৃত হয় এবং ভুল সিদ্ধান্তের জন্য দণ্ডিত হয়। এর ওপর ভিত্তি করে এটি ধীরে ধীরে কৌশল নির্ধারণ করে।[৫৮]

সিদ্ধান্ত তত্ত্বের মাধ্যমে এই তিন ধরনের শিখনের কার্যকারিতা বিশ্লেষণ করা যায়। যন্ত্রের শিক্ষা সংক্রান্ত অ্যালগরিদমের গাণিতিক বিশ্লেষণকে গণনামূলক শিখন তত্ত্ব বলা হয়, যা তাত্ত্বিক কম্পিউটার বিজ্ঞানের একটি গুরুত্বপূর্ণ শাখা।[৫৯]

প্রযুক্তি

[সম্পাদনা]

কৃত্রিম বুদ্ধিমত্তার গবেষণায় নির্দিষ্ট লক্ষ্য পূরণের জন্য বিভিন্ন ধরনের প্রযুক্তি ও কৌশল ব্যবহার করা হয়।

অনুসন্ধান এবং অপ্টিমাইজেশন

[সম্পাদনা]

সম্ভাব্য একাধিক সমাধানের মধ্য থেকে বুদ্ধিমত্তার সাথে সঠিক সমাধানটি বেছে নেওয়ার জন্য কৃত্রিম বুদ্ধিমত্তায় অনুসন্ধান কৌশল ব্যবহৃত হয়। এতে প্রধানত দুই ধরনের অনুসন্ধান পদ্ধতি বেশি প্রচলিত: অবস্থা স্থান অনুসন্ধান এবং স্থানীয় অনুসন্ধান।

অবস্থা স্থান অনুসন্ধান

[সম্পাদনা]

অবস্থা স্থান অনুসন্ধানে একটি গাছের মতো কাঠামোর মাধ্যমে সম্ভাব্য বিভিন্ন অবস্থা পরীক্ষা করে কাঙ্ক্ষিত লক্ষ্য অবস্থায় পৌঁছানোর চেষ্টা করা হয়। উদাহরণস্বরূপ, পরিকল্পনা অ্যালগরিদম লক্ষ্য ও উপ-লক্ষ্যের কাঠামোর মধ্যে অনুসন্ধান পরিচালনা করে, যেখানে উপায়-উদ্দেশ্য বিশ্লেষণ পদ্ধতি ব্যবহার করা হয়।

কোনো কৌশল ছাড়া সাধারণ অন্ধ বা ক্লান্তিকর অনুসন্ধান বাস্তব ক্ষেত্রের জটিল সমস্যাগুলোতে খুব একটা কার্যকর হয় না, কারণ এতে অনুসন্ধানের পরিধি অত্যন্ত দ্রুত জ্যামিতিক হারে বেড়ে যায়। ফলে অনুসন্ধান প্রক্রিয়া ধীরগতির হয়ে পড়ে বা কখনোই সম্পন্ন হয় না। এই সমস্যা সমাধানের জন্য অভিজ্ঞতাভিত্তিক কিছু সহজ নিয়ম ব্যবহার করা হয়, যা দ্রুত লক্ষ্য অবস্থায় পৌঁছাতে সাহায্য করে।

দাবা বা গো খেলার মতো কৌশলগত খেলায় প্রতিপক্ষের সম্ভাব্য চাল অনুমান করতে প্রতিদ্বন্দ্বিতামূলক অনুসন্ধান ব্যবহার করা হয়। এই পদ্ধতিতে জয়সূচক অবস্থানে পৌঁছানোর জন্য খেলাটির সম্ভাব্য চাল ও প্রতিচাল নিয়ে গঠিত সিদ্ধান্ত গাছের মধ্যে অনুসন্ধান চালানো হয়।

স্থানীয় অনুসন্ধান

[সম্পাদনা]

স্থানীয় অনুসন্ধান হলো এক ধরনের গাণিতিক অপ্টিমাইজেশন পদ্ধতি, যা প্রাথমিক একটি অনুমান থেকে যাত্রা শুরু করে ধাপে ধাপে সমাধানের মান উন্নত করে।

গ্রেডিয়েন্ট ডিসেন্ট একটি বহুল ব্যবহৃত স্থানীয় অনুসন্ধান পদ্ধতি, যা সংখ্যাগত পরামিতিগুলোকে ধাপে ধাপে সামঞ্জস্য করার মাধ্যমে ক্ষতির পরিমাণ সর্বনিম্ন পর্যায়ে নিয়ে আসে। পশ্চাৎপ্রসারণ অ্যালগরিদম ব্যবহার করে কৃত্রিম নিউরাল নেটওয়ার্ক প্রশিক্ষণে এই পদ্ধতি ব্যাপকভাবে ব্যবহৃত হয়।

স্থানীয় অনুসন্ধানের আরেকটি রূপ হলো বিবর্তনীয় গণনা, যেখানে সম্ভাব্য সমাধানগুলোকে মিউটেশন ও রিকম্বিনেশনের মাধ্যমে ক্রমান্বয়ে উন্নত করা হয় এবং প্রতিটি প্রজন্মে কেবল সেরা সমাধানগুলোকেই টিকিয়ে রাখা হয়।

এছাড়া সমন্বিত অনুসন্ধানের জন্য ঝাঁক বুদ্ধিমত্তাভিত্তিক অ্যালগরিদমও ব্যবহার করা হয়। এর মধ্যে দুটি জনপ্রিয় অ্যালগরিদম হলো কণা ঝাঁক অপ্টিমাইজেশন (যা পাখির ঝাঁকের আচরণ থেকে অনুপ্রাণিত) এবং পিপীলিকা দল অপ্টিমাইজেশন (যা পিঁপড়ার খাদ্য অনুসন্ধানের পথ থেকে অনুপ্রাণিত)।

যুক্তি

[সম্পাদনা]

আনুষ্ঠানিক যুক্তি ব্যবহার করা হয় যুক্তিতর্ক এবং জ্ঞান উপস্থাপনে। এর দুটি প্রধান রূপ রয়েছে: প্রস্তাবনামূলক যুক্তি (যা সত্য বা মিথ্যা বিবৃতির ওপর কাজ করে) এবং বিধেয় যুক্তি (যা বস্তু, বিধেয় ও পারস্পরিক সম্পর্ক নিয়ে কাজ করে)।

যুক্তিতে অবরোহী যুক্তি ব্যবহার করা হয় বিদ্যমান সত্য থেকে নতুন সিদ্ধান্তে পৌঁছানোর জন্য। সাধারণত প্রমাণ গাছ ব্যবহার করে এই কাঠামোগুলো তৈরি করা হয়।

হর্ন ক্লজ ব্যবহারের মাধ্যমে সমস্যার সমাধান সামনের দিক থেকে কিংবা পেছনের দিক থেকে সম্পন্ন করা সম্ভব। প্রোলগ প্রোগ্রামিং ভাষা এই যুক্তির ওপর ভিত্তি করেই তৈরি, যা টুরিং সম্পূর্ণ।

ফাজি যুক্তি ব্যবহার করে অনিশ্চিত বা আংশিক সত্য বক্তব্য বিশ্লেষণ করা যায়। অন্যদিকে অ-একঘেয়ে যুক্তি সাধারণত ডিফল্ট যুক্তিনির্ভর অনুমানের জন্য ব্যবহৃত হয়।

অনিশ্চিত যুক্তির জন্য সম্ভাব্য পদ্ধতি

[সম্পাদনা]

অনেক কৃত্রিম বুদ্ধিমত্তা সংক্রান্ত সমস্যা যেমন পরিকল্পনা, শিক্ষণ, ধারণা, এবং রোবটবিজ্ঞান ইত্যাদিতে কোনো উপাদান বা এজেন্টকে অসম্পূর্ণ কিংবা অনিশ্চিত তথ্য নিয়ে কাজ করতে হয়। এই সমস্যার সমাধানে সম্ভাব্যতা তত্ত্ব ও অর্থনীতি থেকে বিভিন্ন পদ্ধতি গ্রহণ করা হয়েছে। এর মধ্যে রয়েছে সিদ্ধান্ত তত্ত্ব, মার্কভ সিদ্ধান্ত প্রক্রিয়া, গতিশীল সিদ্ধান্ত জালিকা, এবং ক্রীড়া তত্ত্ব।

যুক্তি উপস্থাপন, শিক্ষা, পরিকল্পনা এবং ধারণার জন্য বায়েসিয়ান জালিকা ব্যাপকভাবে ব্যবহৃত হয়। এছাড়া সময়ভিত্তিক উপাত্ত বিশ্লেষণে লুকায়িত মার্কভ মডেল কিংবা কালমান ছাঁকনি প্রয়োগ করা হয়।

শ্রেণিবিন্যাসকারী ও পরিসংখ্যানভিত্তিক শিক্ষণ পদ্ধতি

[সম্পাদনা]

কৃত্রিম বুদ্ধিমত্তার সবচেয়ে সহজ প্রয়োগগুলোকে প্রধানত দুটি ভাগে ভাগ করা যায়: শ্রেণিবিন্যাসকারী এবং নিয়ন্ত্রক। শ্রেণিবিন্যাসকারী পদ্ধতিটি প্যাটার্ন মিল ব্যবহারের মাধ্যমে প্রাপ্ত পর্যবেক্ষণগুলোকে বিভিন্ন শ্রেণীতে বিন্যস্ত করে। নিয়ন্ত্রিত শিখনের মাধ্যমে এগুলোকে উপযুক্ত উপাত্ত দিয়ে প্রশিক্ষিত করা যায়।

বহুল প্রচলিত কিছু শ্রেণিবিন্যাস অ্যালগরিদমের মধ্যে রয়েছে সিদ্ধান্ত বৃক্ষ, কে-নিকটতম প্রতিবেশী অ্যালগরিদম, সাপোর্ট ভেক্টর মেশিন, নাইভ বায়েস শ্রেণিবিন্যাসকারী এবং কৃত্রিম নিউরাল নেটওয়ার্ক।

কৃত্রিম নিউরাল নেটওয়ার্ক

[সম্পাদনা]

একটি কৃত্রিম নিউরাল নেটওয়ার্ক কৃত্রিম নিউরন দ্বারা তৈরি, যা জীববিজ্ঞানের নিউরন অনুকরণ করে। এটি বিন্যাসের ধরণ চিনতে প্রশিক্ষিত হয়। সাধারণত এতে একটি ইনপুট স্তর, অন্তত একটি গোপন স্তর এবং একটি আউটপুট স্তর থাকে। যদি দুই বা তার বেশি গোপন স্তর থাকে, তবে সেটিকে গভীর নিউরাল নেটওয়ার্ক বলা হয়।

ব্যাকপ্রোপাগেশন অ্যালগরিদম ব্যবহার করে নেটওয়ার্ক প্রশিক্ষণ দেওয়া হয়। ফিড ফরোয়ার্ড নিউরাল নেটওয়ার্ক, পারসেপট্রন, রেকারেন্ট নিউরাল নেটওয়ার্ক, লং শর্ট-টার্ম মেমরি, কনভোলিউশনাল নিউরাল নেটওয়ার্ক ইত্যাদি এর গুরুত্বপূর্ণ প্রকার।

ডিপ লার্নিং

[সম্পাদনা]

ডিপ লার্নিং হলো মেশিন লার্নিংয়ের একটি উপশাখা, যা মূলত কৃত্রিম বুদ্ধিমত্তার অন্তর্ভুক্ত। এটি ইনপুট ও আউটপুটের মধ্যবর্তী বহু স্তরের নিউরন ব্যবহার করে কাজ করে।

কম্পিউটার ভিশন, বাক্ স্বীকৃতি, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ ইত্যাদি ক্ষেত্রে ডিপ লার্নিং বিরাট পরিবর্তন এনেছে। এর সফলতার প্রধান কারণ মূলত দ্রুতগতির গ্রাফিক্স প্রসেসিং ইউনিট, ইমেজনেটের মতো বিশাল উপাত্তভাণ্ডার এবং শক্তিশালী ব্যাকপ্রোপাগেশন।

জিপিটি

[সম্পাদনা]

জেনারেটিভ প্রি-ট্রেইন্ড ট্রান্সফরমার (জিপিটি) হলো বৃহৎ ভাষা মডেল যা শব্দ এবং ধারণার মধ্যে অর্থগত সম্পর্ক বিশ্লেষণ করে নতুন পাঠ্য বা বিষয়বস্তু প্রস্তুত করে। এগুলো প্রথম ধাপে ইন্টারনেট থেকে সংগৃহীত বিশাল উপাত্তভাণ্ডারে প্রশিক্ষিত করা হয়। পরবর্তীতে মডেলগুলোকে আরও সুনির্দিষ্ট ও নিরাপদ করতে মানব প্রতিক্রিয়াভিত্তিক শক্তিবৃদ্ধিমূলক শিখন পদ্ধতি প্রয়োগ করা হয়।

বর্তমানে জিপিটি মডেলগুলো বিভিন্ন বুদ্ধিমান চ্যাটবট হিসেবে ব্যবহৃত হচ্ছে, যার মধ্যে রয়েছে চ্যাটজিপিটি, ক্লড, জেমিনি, কোপাইলট এবং মেটা এআই। আধুনিক অনেক বহু-মাধ্যমভিত্তিক জিপিটি মডেল পাঠ্য লেখার পাশাপাশি ছবি, ভিডিও, অডিও এবং কম্পিউটার কোড প্রক্রিয়া ও বিশ্লেষণ করতে পারে।

প্রথম জিপিটি মডেল-১ প্রকাশিত হয় ২০১৮ সালে, এরপর ২০১৯ সালে জিপিটি-২ এবং ২০২০ সালে জিপিটি-৩ আত্মপ্রকাশ করে। জিপিটি-৩ ছিল একটি বড় মাইলফলক, কারণ এতে ১৭৫ বিলিয়ন প্যারামিটার ব্যবহার করা হয়েছিল। পরবর্তীতে ২০২৩ সালে জিপিটি-৪ চালু হয় যা বহু-মাধ্যমভিত্তিক ইনপুট গ্রহণে সক্ষমতা দেখায়। ২০২৫ সালে উন্নত তর্কমূলক ক্ষমতা এবং স্বায়ত্তশাসিত কার্যসম্পাদনার সুবিধাসহ জিপিটি-৫ উন্মোচন করা হয়।[৬০] জিপিটি সিরিজের ধারাবাহিক উন্নয়নে ওপেনএআই প্রধান ভূমিকা পালন করলেও অ্যানথ্রোপিক, গুগল ও মেটার মতো অন্যান্য প্রতিষ্ঠানও একই ধরনের শক্তিশালী ভাষা মডেল তৈরি করছে।

জিপিটি মডেলগুলো কেবল সাধারণ কথোপকথন নয়, বরং স্বায়ত্তশাসিত কনটেন্ট তৈরি, ভাষান্তর, সফটওয়্যার কোডিং, ডেটা বিশ্লেষণ, বৈজ্ঞানিক গবেষণা ও আইটি নিরাপত্তার জটিল কাজে বিস্তৃতভাবে ব্যবহৃত হচ্ছে। একই সাথে এসব উচ্চক্ষমতাসম্পন্ন মডেলের নির্ভরযোগ্যতা, তথ্যের নির্ভুলতা, গোপনীয়তা, বুদ্ধিবৃত্তিক সম্পদের অধিকার এবং সম্ভাব্য অপব্যবহার নিয়ে বৈশ্বিক পর্যায়ে নীতিগত ও নিরাপত্তামূলক আলোচনা অব্যাহত রয়েছে।[৬১][৬২]

হার্ডওয়্যার ও সফটওয়্যার

[সম্পাদনা]

প্রথমদিকে প্রোলগের মতো বিশেষায়িত প্রোগ্রামিং ভাষা ব্যবহৃত হলেও বর্তমানে পাইথন সবচেয়ে বেশি ব্যবহৃত হয়। টেনসরফ্লো এবং গ্রাফিক্স প্রসেসিং ইউনিটের উন্নতির ফলে বড় যন্ত্রীয় শিক্ষণ মডেল প্রশিক্ষণে সেন্ট্রাল প্রসেসিং ইউনিটের পরিবর্তে গ্রাফিক্স প্রসেসিং ইউনিট প্রধান হয়ে উঠেছে।

মুরের সূত্র অনুযায়ী ট্রানজিস্টরের ঘনত্ব প্রতি ১৮ মাসে দ্বিগুণ হয়। এনভিডিয়ার জেনসেন হুয়াংয়ের নামানুসারে পরিচিত হুয়াংয়ের নীতি অনুসারে গ্রাফিক্স প্রসেসিং ইউনিটের অগ্রগতি আরও দ্রুত গতিতে ঘটছে।

সর্বশেষ হালনাগাদ

[সম্পাদনা]

২০২৬ সালে কৃত্রিম বুদ্ধিমত্তা প্রক্রিয়া করার প্রসেসর বা এআই চিপের বাজারে ব্যাপক পরিবর্তন এসেছে। গুগল তাদের সপ্তম প্রজন্মের টিপিইউ আয়রনউড মেগাওয়াট স্কেলের ডেটা সেন্টারের জন্য পূর্ণাঙ্গভাবে চালু করেছে। এই চিপে রয়েছে ১৯২ জিবি হাই ব্যান্ডউইথ মেমোরি এবং প্রতি সেকেন্ডে ৭.৩৭ টেরাবাইট মেমোরি আদান-প্রদানের ক্ষমতা, যা বৃহৎ ভাষার মডেল বা এলএলএম চালানোর জন্য বিশেষ উপযোগী। এনভিডিয়া তাদের ব্ল্যাকওয়েল চিপের পর ২০২৬ সালে ভেরা রুবিন নামের নতুন স্থাপত্য উন্মোচন করেছে, যেখানে অষ্টম প্রজন্মের এনভিলিঙ্ক প্রযুক্তি ও উন্নত মেমোরি যোগ করা হয়েছে। এনভিডিয়ার কুডা প্ল্যাটফর্মে রিস্ক-ফাইভ নির্দেশ সেট যুক্ত হওয়ায় উন্মুক্ত প্রসেসর চালনার পথ আরও সহজ হয়েছে। ইলন মাস্কের এক্সএআই কোম্পানি তাদের বিশাল সুপারকম্পিউটিং ক্লাস্টারে নতুন চিপ যুক্ত করে ৫০ এক্সাফলপস ক্ষমতার প্রশিক্ষণ কেন্দ্র গড়ে তোলার কাজটি দ্রুত এগিয়ে নিয়ে যাচ্ছে।[৬৩][৬৪]

অন্যদিকে এএমডি তাদের ইনস্টিঙ্কট এমআই৪০০ চিপের ঘোষণা দিয়েছে, যাতে ৪৩২ জিবি এইচবিএম৪ মেমোরি সংযুক্ত করা হয়েছে যা র‍্যাক-স্কেল প্ল্যাটফর্মের ভিত্তি তৈরি করছে। চীনভিত্তিক প্রযুক্তি প্রতিষ্ঠান হুয়াওয়ে তাদের অ্যাসেন্ড চিপ এবং ওপেন সোর্স সফটওয়্যার টুলকিট ক্যানের মাধ্যমে বিশ্ববাজারে নিজস্ব ইকোসিস্টেম জোরদার করছে।

এছাড়া পার্সোনাল কম্পিউটার, ল্যাপটপ এবং স্মার্টফোনে এআই ফিচারগুলো দ্রুত ও কম বিদ্যুতে চালানোর জন্য নিউরাল প্রসেসিং ইউনিট বা এনপিইউয়ের ব্যবহার ব্যাপকভাবে বৃদ্ধি পেয়েছে। এনভিডিয়ার প্রধান নির্বাহী জেনসেন হুয়াং এআই হার্ডওয়্যারের এই বিকাশকে হাইপার মুরস ল হিসেবে অভিহিত করে প্রতি বছর নতুন চিপ উন্মোচনের গতি ধারা বজায় রেখেছে।[৬৫]

সম্পূর্ণ উৎসসমূহ

[সম্পাদনা]
  1. ↑ বিশ্বাস, অতনু (২৬ ডিসেম্বর ২০২৩)। "'কৃবু', 'নবু', না 'এআই'?"। সংবাদ প্রতিদিন। সৃঞ্জয় বসু। সংগ্রহের তারিখ ১৪ ফেব্রুয়ারি ২০২৬।
  2. ↑ "কৃবুর প্রকোপে গবেষণার সংকট"। বিজ্ঞানভাষ। বিজ্ঞানভাষ। ৯ ফেব্রুয়ারি ২০২৬। সংগ্রহের তারিখ ১৪ ফেব্রুয়ারি ২০২৬।
  3. ↑ "What is Artificial Intelligence?"। NASA। সংগ্রহের তারিখ ১৭ সেপ্টেম্বর ২০২৫।
  4. ↑ Russell ও Norvig (2021), পৃ. 1–4।
  5. ↑ AI set to exceed human brain power ওয়েব্যাক মেশিনে আর্কাইভকৃত ১৯ ফেব্রুয়ারি ২০০৮ তারিখে সিএনএন (26 July 2006)
  6. ↑ Kaplan, Andreas; Haenlein, Michael (২০১৯)। "Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence"। Business Horizons। ৬২: ১৫–২৫। ডিওআই:10.1016/j.bushor.2018.08.004। [উৎস প্রশ্নটি Snow White থেকে অনুপ্রাণিত]
  7. ↑ Russell ও Norvig (২০২১, §1.2).
  8. ↑ "Tech companies want to build artificial general intelligence. But who decides when AGI is attained?"। অ্যাসোসিয়েটেড প্রেস (ইংরেজি ভাষায়)। ৪ এপ্রিল ২০২৪। সংগ্রহের তারিখ ২০ মে ২০২৫।
  9. ↑ Dartmouth workshop: Russell ও Norvig (২০২১, p. 18), McCorduck (২০০৪, pp. 111–136), NRC (১৯৯৯, pp. 200–201)
    The proposal: McCarthy ও অন্যান্য (১৯৫৫)
  10. ↑ Successful programs of the 1960s: McCorduck (২০০৪, pp. 243–252), Crevier (১৯৯৩, pp. 52–107), Moravec (১৯৮৮, p. 9), Russell ও Norvig (২০২১, pp. 19–21)
  11. ↑ Funding initiatives in the early 1980s: Fifth Generation Project (Japan), Alvey (UK), Microelectronics and Computer Technology Corporation (US), Strategic Computing Initiative (US): McCorduck (২০০৪, pp. 426–441), Crevier (১৯৯৩, pp. 161–162, 197–203, 211, 240), Russell ও Norvig (২০২১, p. 23), NRC (১৯৯৯, pp. 210–211), Newquist (১৯৯৪, pp. 235–248)
  12. ↑ First AI Winter, Lighthill report, Mansfield Amendment: Crevier (১৯৯৩, pp. 115–117), Russell ও Norvig (২০২১, pp. 21–22), NRC (১৯৯৯, pp. 212–213), Howe (১৯৯৪), Newquist (১৯৯৪, pp. 189–201)
  13. ↑ Second AI Winter: Russell ও Norvig (২০২১, p. 24), McCorduck (২০০৪, pp. 430–435), Crevier (১৯৯৩, pp. 209–210), NRC (১৯৯৯, pp. 214–216), Newquist (১৯৯৪, pp. 301–318)
  14. ↑ Deep learning revolution, AlexNet: Russell ও Norvig (২০২১, p. 26), Christian (২০২০, p. 21-22), Goldman (২০২২), McKinsey (২০১৮)
  15. ↑ Toews (2023)।
  16. ↑ তালুকদার, পারভেজ হুসেন। "কৃত্রিম বুদ্ধিমত্তার ইতিবাচক ও নেতিবাচক ব্যবহার"। জাগো নিউজ। সংগ্রহের তারিখ ১২ মে ২০২৫।
  17. ↑ Press, Gil। "12 Artificial Intelligence (AI) Milestones: 2. Ramon Llull And His 'Thinking Machine'"। Forbes (ইংরেজি ভাষায়)। সংগ্রহের তারিখ ২৭ ফেব্রুয়ারি ২০২৩।
  18. ↑ "আর্টিফিশিয়াল ইন্টেলিজেন্স (এআই) বা কৃত্রিম বুদ্ধিমত্তা কী? - বিজ্ঞান জগৎ" (মার্কিন ইংরেজি ভাষায়)। ২৮ জানুয়ারি ২০২২। ২৩ এপ্রিল ২০২২ তারিখে মূল থেকে আর্কাইভকৃত। সংগ্রহের তারিখ ২৩ এপ্রিল ২০২২।
  19. ↑ "History of ChatGPT: Timeline of Major Updates"। Search Engine Journal। সংগ্রহের তারিখ ১৭ আগস্ট ২০২৫।
  20. ↑ Coursera Staff (২৪ মে ২০২৫)। "The History of AI: A Timeline of Artificial Intelligence"। Coursera। সংগ্রহের তারিখ ১৫ সেপ্টেম্বর ২০২৫।
  21. ↑ "The Framework Convention on Artificial Intelligence - Artificial Intelligence - www.coe.int"। Artificial Intelligence (ব্রিটিশ ইংরেজি ভাষায়)। ১৫ জুলাই ২০২৫ তারিখে মূল থেকে আর্কাইভকৃত। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  22. ↑ "এআই নিরাপত্তা রিপোর্ট ঝুঁকি এবং প্রতিরোধমূলক কৌশলসমূহের মূল বিষয়বস্তু"। neuron.expert। ২৫ আগস্ট ২০২৫ তারিখে মূল থেকে আর্কাইভকৃত। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  23. ↑ "AI Safety Summits"। Future of Life Institute (মার্কিন ইংরেজি ভাষায়)। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  24. ↑ blogger, a guest (৩১ জানুয়ারি ২০২৫)। "Context and Agenda for the 2025 AI Action Summit"। Future of Life Institute (মার্কিন ইংরেজি ভাষায়)। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  25. ↑ "Genie 3 and the Virtual Worlds Powering AI Futures"। MobilesInsight.com (ইংরেজি ভাষায়)। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।[স্থায়ীভাবে অকার্যকর সংযোগ]
  26. ↑ "Introducing GPT-5"। openai.com (মার্কিন ইংরেজি ভাষায়)। ৭ আগস্ট ২০২৫। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  27. ↑ "GPT-5 Is Here: The AI That Knows You Better Than You Know Yourself"। The Economic Times। ৮ আগস্ট ২০২৫। আইএসএসএন 0013-0389। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  28. ↑ "Client Challenge"। www.ft.com। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  29. ↑ Parvini, Sarah (১৮ মার্চ ২০২৫)। "Nvidia CEO Jensen Huang unveils new Rubin AI chips at GTC 2025"। AP News। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  30. ↑ "Client Challenge"। www.ft.com। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  31. ↑ Perrigo, Billy (১৫ এপ্রিল ২০২৫)। "Demis Hassabis Is Preparing for AI's Endgame"। TIME (ইংরেজি ভাষায়)। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।[স্থায়ীভাবে অকার্যকর সংযোগ]
  32. ↑ published, Keumars Afifi-Sabet (১ আগস্ট ২০২৫)। "AI is entering an 'unprecedented regime.' Should we stop it — and can we — before it destroys us?"। Live Science। সংগ্রহের তারিখ ১১ আগস্ট ২০২৫।
  33. ↑ "The State of AI: Global Survey 2026"। McKinsey & Company। সংগ্রহের তারিখ ৮ সেপ্টেম্বর ২০২৬।[স্থায়ীভাবে অকার্যকর সংযোগ]
  34. ↑ "OpenAI hails 'new era of artificial general intelligence' with Astra model release"। The Guardian। ৩ সেপ্টেম্বর ২০২৬। সংগ্রহের তারিখ ৮ সেপ্টেম্বর ২০২৬।
  35. ↑ "The 2026 Singapore Consensus on Global AI Safety Research Priorities"। AI Safety Priorities। সংগ্রহের তারিখ ৮ সেপ্টেম্বর ২০২৬।
  36. ↑ "Strengthening our Frontier Safety Framework"। Google DeepMind। সংগ্রহের তারিখ ৮ সেপ্টেম্বর ২০২৬।
  37. ↑ D’Adderio, Luciana; Bates, David W. (২৪ জানুয়ারি ২০২৫)। "Transforming diagnosis through artificial intelligence"। npj Digital Medicine (ইংরেজি ভাষায়)। ৮ (1): ৫৪। ডিওআই:10.1038/s41746-025-01460-1। আইএসএসএন 2398-6352।
  38. ↑ Blanchard, Sam (৩০ আগস্ট ২০২৫)। "New AI stethoscope size of playing card can spot heart conditions faster"। The Irish Sun (ইংরেজি ভাষায়)। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।{{ওয়েব উদ্ধৃতি}}: উদ্ধৃতি শৈলী রক্ষণাবেক্ষণ: ইউআরএল-অবস্থা (লিঙ্ক)
  39. ↑ K, Sneha S.; Singh, Puyaan (২ সেপ্টেম্বর ২০২৫)। "AI-driven drug discovery picks up as FDA pushes to reduce animal testing"। Reuters (ইংরেজি ভাষায়)। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।
  40. ↑ Bajwa, Junaid; Munir, Usman; Nori, Aditya; Williams, Bryan (৮ জুলাই ২০২১)। "Artificial intelligence in healthcare: transforming the practice of medicine"। Future Healthcare Journal। ৮ (2): e১৮৮ – e১৯৪। ডিওআই:10.7861/fhj.2021-0095। আইএসএসএন 2514-6645। পিএমসি 8285156। পিএমআইডি 34286183।
  41. ↑ "Client Challenge"। www.ft.com। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।
  42. ↑ Kant, Shashi; Deepika; Roy, Saheli (২ জুন ২০২৫)। "Artificial intelligence in drug discovery and development: transforming challenges into opportunities"। Discover Pharmaceutical Sciences (ইংরেজি ভাষায়)। ১ (1): ৭। ডিওআই:10.1007/s44395-025-00007-3। আইএসএসএন 3005-1835।
  43. ↑ "AGI Simple Meaning and Future for the Next Generation"। MobilesInsight.com (ইংরেজি ভাষায়)। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।{{ওয়েব উদ্ধৃতি}}: উদ্ধৃতি শৈলী রক্ষণাবেক্ষণ: ইউআরএল-অবস্থা (লিঙ্ক)[স্থায়ীভাবে অকার্যকর সংযোগ]
  44. ↑ "US Education Department is all for using AI in classrooms: Key guidelines explained"। The Times of India। ৩১ আগস্ট ২০২৫। আইএসএসএন 0971-8257। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।
  45. ↑ "Heuristic Search Techniques in AI"। GeeksforGeeks (মার্কিন ইংরেজি ভাষায়)। ২৭ মে ২০২৪। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।
  46. ↑ "Game-Theoretic Multiagent Reinforcement Learning"। Cornell University। ১ নভেম্বর ২০২০। সংগ্রহের তারিখ ৪ সেপ্টেম্বর ২০২৫।{{ওয়েব উদ্ধৃতি}}: উদ্ধৃতি শৈলী রক্ষণাবেক্ষণ: ইউআরএল-অবস্থা (লিঙ্ক)
  47. ↑ Russell, Stuart J.; Norvig, Peter (২০১০)। Artificial Intelligence: A Modern Approach (3rd সংস্করণ)। Prentice Hall। আইএসবিএন ৯৭৮-০১৩৬০৪২৫৯৪।
  48. ↑ Sowa, John F. (২০০০)। "Knowledge Representation: Logical, Philosophical, and Computational Foundations"। Brooks/Cole। আইএসবিএন ৯৭৮-০৫৩৪৯৪৯৬৫৫।
  49. ↑ McCarthy, John. "Some Philosophical Problems from the Standpoint of Artificial Intelligence".
  50. ↑ McCarthy, John (১৯৮০)। "Circumscription—A Form of Non-Monotonic Reasoning"। Artificial Intelligence। খণ্ড ১৩ নং 1–2। পৃ. ২৭–৩৯। ডিওআই:10.1016/0004-3702(80)90015-2।
  51. ↑ Lenat, Douglas B. (১৯৯৫)। "CYC: A Large-Scale Investment in Knowledge Infrastructure"। Communications of the ACM। খণ্ড ৩৮ নং 11। পৃ. ৩৩–৩৮। ডিওআই:10.1145/219717.219745।
  52. ↑ Polanyi, Michael (১৯৬৭)। The Tacit Dimension। Anchor Books। আইএসবিএন ৯৭৮-০২২৬৬৭২৯৮৪।
  53. ↑ Pfeifer, Rolf; Scheier, Christian (১৯৯৯)। Understanding Intelligence। MIT Press। আইএসবিএন ৯৭৮-০২৬২৬৬১২৫৬।
  54. ↑ Ghallab, Malik; Nau, Dana; Traverso, Paolo (২০০৪)। Automated Planning: Theory and Practice। Morgan Kaufmann। আইএসবিএন ৯৭৮-১৫৫৮৬০৮৫৬৬।
  55. ↑ Kennedy, James; Eberhart, Russell C. (২০০১)। Swarm Intelligence। Morgan Kaufmann। আইএসবিএন ৯৭৮-১৫৫৮৬০৫৯৫৪।
  56. ↑ Jordan, M. I.; Mitchell, T. M. (১৬ জুলাই ২০১৫)। "Machine learning: Trends, perspectives, and prospects"। Science। ৩৪৯ (6245): ২৫৫–২৬০। বিবকোড:2015Sci...349..255J। ডিওআই:10.1126/science.aaa8415। পিএমআইডি 26185243।
  57. ↑ Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome (২০০৯)। The Elements of Statistical Learning। Springer। আইএসবিএন ৯৭৮-০৩৮৭৮৪৮৫৭০।
  58. ↑ Sutton, Richard S.; Barto, Andrew G. (২০১৮)। Reinforcement Learning: An Introduction (2nd সংস্করণ)। MIT Press। আইএসবিএন ৯৭৮-০২৬২০৩৯২৪৬।
  59. ↑ Kearns, Michael J.; Vazirani, Umesh V. (১৯৯৪)। An Introduction to Computational Learning Theory। MIT Press। আইএসবিএন ৯৭৮-০২৬২১১১৯৩৫।
  60. ↑ "OpenAI releases GPT-5"। The Verge (ইংরেজি ভাষায়)। ৭ আগস্ট ২০২৫। সংগ্রহের তারিখ ৯ সেপ্টেম্বর ২০২৬।
  61. ↑ "Language Models are Few-Shot Learners"। Cornell University। ২৮ মে ২০২০। সংগ্রহের তারিখ ৯ সেপ্টেম্বর ২০২৬।{{ওয়েব উদ্ধৃতি}}: উদ্ধৃতি শৈলী রক্ষণাবেক্ষণ: ইউআরএল-অবস্থা (লিঙ্ক)
  62. ↑ "OpenAI Presents GPT-3, a 175 Billion Parameters Language Model"। NVIDIA Technical Blog (মার্কিন ইংরেজি ভাষায়)। ৭ জুলাই ২০২০। সংগ্রহের তারিখ ৯ সেপ্টেম্বর ২০২৬।
  63. ↑ "Ironwood: The first Google TPU for the age of inference"। Google Blog (ইংরেজি ভাষায়)। ৯ এপ্রিল ২০২৬। সংগ্রহের তারিখ ৯ সেপ্টেম্বর ২০২৬।
  64. ↑ "NVIDIA Vera Rubin Delivers World-Class Supercomputers for Science"। NVIDIA Newsroom (ইংরেজি ভাষায়)। ২২ জুন ২০২৬। সংগ্রহের তারিখ ৯ সেপ্টেম্বর ২০২৬।
  65. ↑ "AMD MI400 Instinct Architecture for AI Training (2026)"। IoT Digital Twin PLM (ইংরেজি ভাষায়)। ২৬ মে ২০২৬। সংগ্রহের তারিখ ৯ সেপ্টেম্বর ২০২৬।
  1. ↑ This list of tools is based on the topics covered by the major AI textbooks, including: Russell ও Norvig (২০২১), Luger ও Stubblefield (২০০৪), Poole, Mackworth ও Goebel (১৯৯৮) and Nilsson (১৯৯৮).

আরও দেখুন

[সম্পাদনা]

তথ্যসূত্র

[সম্পাদনা]

গ্রন্থপঞ্জি

[সম্পাদনা]

কৃবুর ইতিহাস

[সম্পাদনা]

অন্যান্য সূত্র

[সম্পাদনা]

বহিঃসংযোগ

[সম্পাদনা]
'https://bn.wikipedia.org/w/index.php?title=কৃত্রিম_বুদ্ধিমত্তা&oldid=9204178' থেকে আনীত