এআই-এর উত্থান: গবেষণার নতুন দিগন্ত

কৃত্রিম বুদ্ধিমত্তা (AI) বিজ্ঞান গবেষণার পদ্ধতিকে নতুন করে তৈরি করছে। এটি কেবল বিজ্ঞানীদের সরঞ্জামগুলির উন্নতি নয়, বরং এটি এমন একটি বিপ্লবী পরিবর্তন যা বৈজ্ঞানিক পদ্ধতি এবং সমগ্র গবেষণা ইকোসিস্টেমকে নতুন রূপ দিচ্ছে। আমরা একটি নতুন বৈজ্ঞানিক দৃষ্টান্তের জন্ম দেখছি, যা বিজ্ঞান বিপ্লবের মতোই গুরুত্বপূর্ণ।

AI-এর দুটি ক্ষমতা—ভবিষ্যদ্বাণী করার ক্ষমতা এবং উৎপাদন করার ক্ষমতা—এই পরিবর্তনের মূল চালিকাশক্তি। এই দুটি শক্তি AI-কে ধারণা তৈরি থেকে শুরু করে চূড়ান্ত আবিষ্কার পর্যন্ত প্রায় প্রতিটি গবেষণার পর্যায়ে অংশ নিতে সক্ষম করে।

প্রথাগত দৃষ্টান্ত: অনুমান এবং মিথ্যা প্রমাণের জগৎ

ক্লাসিক চক্র: “অনুমান-পরীক্ষা-যাচাইকরণ”

ঐতিহ্যগতভাবে, বিজ্ঞান অগ্রগতি একটি সুস্পষ্ট এবং শক্তিশালী লজিক্যাল চক্র অনুসরণ করে, “অনুমান-পরীক্ষা-যাচাইকরণ”। বিজ্ঞানীরা প্রথমে বিদ্যমান জ্ঞান এবং পর্যবেক্ষণের ভিত্তিতে একটি নির্দিষ্ট, পরীক্ষামূলক অনুমান প্রস্তাব করেন। পরবর্তীতে, তারা এই অনুমানটি পরীক্ষা করার জন্য কঠোর পরীক্ষা ডিজাইন এবং পরিচালনা করেন। অবশেষে, সংগৃহীত অভিজ্ঞতামূলক তথ্যের ভিত্তিতে, অনুমানটি নিশ্চিত করা হয়, সংশোধন করা হয় বা সম্পূর্ণরূপে বাতিল করা হয়। এই প্রক্রিয়াটি কয়েক শতাব্দী ধরে বৈজ্ঞানিক জ্ঞানের ভিত্তিস্বরূপ কাজ করেছে।

দার্শনিক ভিত্তি: পপারের মিথ্যা প্রমাণবাদ

এই ক্লাসিক মডেলের দার্শনিক ভিত্তি মূলত বিজ্ঞান দার্শনিক কার্ল পপারের মিথ্যা প্রমাণবাদের তত্ত্বের ওপর প্রতিষ্ঠিত।

• সীমারেখা সমস্যা: পপার একটি মূল ধারণা প্রস্তাব করেছিলেন যে বিজ্ঞানকে অ-বিজ্ঞান (যেমন ছদ্ম বিজ্ঞান) থেকে আলাদা করার চাবিকাঠি হল একটি তত্ত্বকে সত্য হিসাবে প্রমাণ করা যায় কিনা তা নয়, বরং এটিকে মিথ্যা প্রমাণ করা সম্ভব কিনা। একটি বিজ্ঞান তত্ত্বকে এমন কিছু পূর্বাভাস করতে হবে যা অভিজ্ঞতার মাধ্যমে খণ্ডন করা যায়। বিখ্যাত উদাহরণ হল “সমস্ত হংস সাদা” এই উক্তিটি। আমরা যত সাদা হংসই দেখি না কেন, এটি চূড়ান্তভাবে প্রমাণ করতে পারি না। তবে, যদি একটি কালো হংস দেখা যায়, তবে এটি সম্পূর্ণরূপে মিথ্যা প্রমাণিত হবে। অতএব, মিথ্যা প্রমাণযোগ্যতা একটি বিজ্ঞান তত্ত্বের প্রয়োজনীয় বৈশিষ্ট্য।
• আবিষ্কারের যুক্তি: এর ভিত্তিতে, পপার বিজ্ঞান অগ্রগতিকে একটি অবিরাম চক্র হিসাবে বর্ণনা করেছেন: “সমস্যা—অনুমান—খণ্ডন—নতুন সমস্যা…” বিজ্ঞান স্থিতিশীলভাবে তথ্য সংগ্রহ করে না, বরং এটি ক্রমাগত ত্রুটি দূর করার মাধ্যমে সত্যের কাছাকাছি যাওয়ার একটি গতিশীল বিপ্লবী প্রক্রিয়া।

সমালোচনা এবং বিবর্তন

অবশ্যই, বিশুদ্ধ পপার মডেল একটি আদর্শ চিত্রণ। পরবর্তী বিজ্ঞান দার্শনিক, যেমন টমাস কুহন এবং ইমরে লাকাটোস, এটিকে পরিপূরক এবং সংশোধন করেছেন। কুহন “প্যারাডাইম” এবং “নিয়মিত বিজ্ঞান” ধারণাগুলি প্রবর্তন করেন। তিনি উল্লেখ করেন যে বেশিরভাগ সময় বিজ্ঞানীরা একটি স্থিতিশীল তাত্ত্বিক কাঠামোর মধ্যে সমস্যা সমাধান করেন এবং সেই দৃষ্টান্তটি বজায় রাখার চেষ্টা করেন, যতক্ষণ না “অসঙ্গতি”-র স্তূপ তৈরি হয়, যা “বৈজ্ঞানিক বিপ্লব” ঘটায়। লাকাটোস “বৈজ্ঞানিক গবেষণা কর্মসূচি”-র তত্ত্ব প্রস্তাব করেন। তিনি বলেন যে একটি মূল তত্ত্বকে সহায়ক অনুমানের “সুরক্ষামূলক বেষ্টনী” দ্বারা ঘিরে রাখা হয়। ফলে মূল তত্ত্বের মিথ্যা প্রমাণ করা আরও জটিল হয়ে যায়। এই তত্ত্বগুলি একত্রে ঐতিহ্যবাহী বৈজ্ঞানিক গবেষণার একটি জটিল এবং ঐতিহাসিক চিত্রণ তৈরি করে।

যাইহোক, পপারের আদর্শ মডেল বা কুহনের ঐতিহাসিক দৃষ্টিকোণ যাই হোক না কেন, তাদের সাধারণ ভিত্তি হল এই প্রক্রিয়াটি মানুষের জ্ঞানীয় ক্ষমতা দ্বারা সীমাবদ্ধ। আমরা যে অনুমানগুলি করতে পারি, তা আমাদের জ্ঞানের পরিধি, কল্পনা এবং উচ্চ-মাত্রিক জটিল তথ্য প্রক্রিয়াকরণের ক্ষমতার দ্বারা আবদ্ধ। “সমস্যা—অনুমান”—এই গুরুত্বপূর্ণ পদক্ষেপটি মূলত একটি মানবকেন্দ্রিক জ্ঞানীয় বাধা। বিজ্ঞানের বড় সাফল্য প্রায়শই বিজ্ঞানীদের অন্তর্দৃষ্টি, অনুপ্রেরণা বা এমনকি আকস্মিক ভাগ্যের উপর নির্ভরশীল। এই মৌলিক সীমাবদ্ধতাই AI-এর বিপ্লবী ভূমিকার সূচনা করে। AI মানুষের মন যা করতে পারে তার চেয়ে অনেক বেশি বিস্তৃত এবং জটিল অনুমানের স্থান অন্বেষণ করতে সক্ষম। এটি এমন কিছু নিদর্শন চিহ্নিত করতে পারে যা মানুষের কাছে স্পষ্ট নয় বা এমনকি স্বজ্ঞাত বিরোধীও হতে পারে। এর মাধ্যমে ঐতিহ্যবাহী বৈজ্ঞানিক পদ্ধতির মূল জ্ঞানীয় বাধা সরাসরি অতিক্রম করতে পারে।

নতুন পদ্ধতির আবির্ভাব: চতুর্থ দৃষ্টান্ত

চতুর্থ দৃষ্টান্তের সংজ্ঞা: ডেটা-ইনটেনসিভ সায়েন্টিফিক ডিসকভারি

তথ্য প্রযুক্তির বিকাশের সাথে সাথে, একটি নতুন বৈজ্ঞানিক গবেষণা মডেলের উদ্ভব হয়েছে। ট্যুরিং পুরস্কার বিজয়ী জিম গ্রে এটিকে “চতুর্থ দৃষ্টান্ত” হিসাবে আখ্যায়িত করেছেন, যা “ডেটা-ইনটেনসিভ সায়েন্টিফিক ডিসকভারি” নামে পরিচিত। এই দৃষ্টান্তটি বিজ্ঞান ইতিহাসের প্রথম তিনটি দৃষ্টান্ত থেকে স্বতন্ত্র—প্রথম দৃষ্টান্ত (অভিজ্ঞতা এবং পর্যবেক্ষণ বিজ্ঞান), দ্বিতীয় দৃষ্টান্ত (তাত্ত্বিক বিজ্ঞান) এবং তৃতীয় দৃষ্টান্ত (গণনা এবং মডেলিং বিজ্ঞান)। চতুর্থ দৃষ্টান্তের মূল বিষয় হল এটি বিশাল ডেটা সেটকে বৈজ্ঞানিক আবিষ্কার প্রক্রিয়ার কেন্দ্রে স্থাপন করে, যা তত্ত্ব, পরীক্ষা এবং মডেলিংকে একত্রিত করে।

“অনুমান চালিত” থেকে “ডেটা চালিত”

এই পরিবর্তনের মূল বিষয় হল গবেষণার শুরুটা “একটি বিদ্যমান অনুমানের প্রমাণ করার জন্য ডেটা সংগ্রহ করা” থেকে সরে গিয়ে “ডেটা অনুসন্ধানের মাধ্যমে নতুন অনুমান তৈরি করা”-র দিকে যাচ্ছে। গুগল রিসার্চের পরিচালক পিটার নরভিগের ভাষায়: “সমস্ত মডেল ভুল, তবে আপনি মডেল ছাড়াই আরও বেশি সাফল্য পেতে পারেন”। এটি ইঙ্গিত করে যে বৈজ্ঞানিক গবেষণা পূর্বের শক্তিশালী অনুমানের উপর নির্ভরতা থেকে সরে গিয়ে মেশিন লার্নিংয়ের মতো প্রযুক্তির ব্যবহার করে বিশাল ডেটা থেকে লুকানো নিদর্শন, সম্পর্ক এবং নিয়মাবলী খুঁজে বের করে, যা মানুষের বিশ্লেষণের মাধ্যমে সম্ভব নয়।

gray এর তত্ত্ব অনুসারে, ডেটা-ইনটেনসিভ বিজ্ঞানের তিনটি স্তম্ভ রয়েছে:

1. ডেটা সংগ্রহ: জিনোম সিকোয়েন্সার, উচ্চ-শক্তি সম্পন্ন কণা সংঘর্ষকারী, রেডিও টেলিস্কোপের মতো উন্নত যন্ত্রের মাধ্যমে অভূতপূর্ব পরিসরে এবং গতিতে বৈজ্ঞানিক ডেটা ক্যাপচার করা।
2. ডেটা ব্যবস্থাপনা: এই বিশাল ডেটা সেটগুলি সংরক্ষণ, পরিচালনা, ইনডেক্স এবং ভাগ করার জন্য শক্তিশালী অবকাঠামো তৈরি করা, যাতে সেগুলি দীর্ঘমেয়াদে, প্রকাশ্যে অ্যাক্সেস এবং ব্যবহার করা যায় - gray এর মতে এটি ছিল সেই সময়ের প্রধান চ্যালেঞ্জ।
3. ডেটা বিশ্লেষণ: ডেটা অন্বেষণ, জ্ঞান এবং অন্তর্দৃষ্টি নিষ্কাশনের জন্য উন্নত অ্যালগরিদম এবং ভিজ্যুয়ালাইজেশন সরঞ্জাম ব্যবহার করা।

AI for Science: পঞ্চম দৃষ্টান্তের সূচনা?

বর্তমানে, জেনারেটিভ AI-এর মতো নতুন প্রযুক্তির ঢেউ চতুর্থ দৃষ্টান্তের গভীর বিবর্তন ঘটাচ্ছে, এমনকি একটি পঞ্চম দৃষ্টান্তের জন্ম দিতে পারে। যদি চতুর্থ দৃষ্টান্ত ডেটা থেকে অন্তর্দৃষ্টি নিষ্কাশনের উপর দৃষ্টি নিবদ্ধ করে, তবে AI দ্বারা চালিত নতুন দৃষ্টান্ত ডেটা থেকে সম্পূর্ণ নতুন জ্ঞান, সত্তা এবং অনুমান উৎপাদন করার উপর জোর দেয়। এটি “ডেটা-ইনটেনসিভ ডিসকভারি” থেকে “ ডেটা-জেনারেটিভ ডিসকভারি “-তে একটি উল্লম্ফন।

AI চতুর্থ দৃষ্টান্তের ইঞ্জিন হিসাবে: ভবিষ্যদ্বাণী থেকে উৎপাদন

AI উপাদান, জীববিজ্ঞান এবং অন্যান্য ক্ষেত্রে শক্তিশালী ভবিষ্যদ্বাণী এবং উৎপাদন ক্ষমতা প্রদর্শন করছে, যা চতুর্থ দৃষ্টান্তকে পরিপক্কতার দিকে চালিত করার মূল ইঞ্জিন হয়ে উঠেছে।

কেস স্টাডি: জীববিজ্ঞান বিজ্ঞানের বিপ্লব

• প্রোটিন ভাঁজ সমস্যার সমাধান: জীববিজ্ঞান ক্ষেত্রের ৫০ বছরের পুরনো একটি বড় চ্যালেঞ্জ—প্রোটিন ভাঁজ সমস্যা, গুগল DeepMind দ্বারা তৈরি AI মডেল AlphaFold এক নিমেষে সমাধান করেছে। AI আসার আগে, পরীক্ষামূলক উপায়ে একটি প্রোটিনের গঠন বিশ্লেষণ করতে কয়েক বছর সময় এবং প্রচুর খরচ লাগত। এখন, AlphaFold কয়েক মিনিটের মধ্যে অ্যামিনো অ্যাসিডের ক্রম অনুসারে প্রায় পরীক্ষামূলক নির্ভুলতার সাথে এর ত্রিমাত্রিক গঠন অনুমান করতে পারে।
• স্কেল এবং গণতন্ত্রায়ন: AlphaFold-এর যুগান্তকারী ফলাফল এখানেই থেমে থাকেনি। DeepMind ২00 মিলিয়নেরও বেশি প্রোটিন কাঠামোর পূর্বাভাস বিনামূল্যে প্রকাশ করেছে, যা একটি বিশাল ডাটাবেস তৈরি করেছে, যা বিশ্বব্যাপী এই সম্পর্কিত ক্ষেত্রগুলিতে গবেষণাকে ব্যাপকভাবে চালিত করেছে। এটি কোভিড -১৯ ভ্যাকসিন তৈরি থেকে শুরু করে প্লাস্টিক ডিগ্রেডিং এনজাইম ডিজাইন পর্যন্ত বিভিন্ন উদ্ভাবনকে ত্বরান্বিত করেছে।
• ভবিষ্যদ্বাণী থেকে উৎপাদন: এই বিপ্লবের পরবর্তী পদক্ষেপ হল জেনারেটিভ AI ব্যবহার করে প্রোটিনের স্ক্র্যাচ থেকে ডিজাইন করা। ২০২৪ সালের রসায়নে নোবেল পুরস্কার বিজয়ী ডেভিড বেকারের গবেষণা অনুসারে, বিজ্ঞানীরা AI ব্যবহার করে নতুন ফাংশন সহ এমন প্রোটিন ডিজাইন করছেন যা প্রকৃতিতে বিদ্যমান নেই। এটি নতুন ওষুধ তৈরি, দক্ষ অনুঘটক ডিজাইন এবং নতুন জৈব উপকরণ তৈরির অসীম সম্ভাবনা উন্মোচন করে। AlphaFold 3-এর সর্বশেষ সংস্করণ এমনকি প্রোটিন এবং DNA, RNA এবং ছোট অণু লিগান্ডের মধ্যে মিথস্ক্রিয়া অনুকরণ করতে পারে, যা ওষুধ আবিষ্কারের জন্য অমূল্য।

কেস স্টাডি: নতুন উপকরণ তৈরি ত্বরান্বিত করা

• ঐতিহ্যবাহী গবেষণা এবং উন্নয়ন প্রক্রিয়ার সীমাবদ্ধতা: জীববিজ্ঞানের মতোই, নতুন উপকরণ আবিষ্কার ঐতিহ্যগতভাবে “চেষ্টা ও ত্রুটি” পদ্ধতির উপর নির্ভরশীল ছিল, যা একটি ধীর এবং ব্যয়বহুল প্রক্রিয়া ছিল। AI পরমাণুর বিন্যাস, মাইক্রোস্ট্রাকচার এবং উপকরণের ম্যাক্রোস্কোপিক বৈশিষ্ট্যগুলির মধ্যে জটিল সম্পর্ক স্থাপন করার মাধ্যমে এই পরিস্থিতি সম্পূর্ণরূপে পরিবর্তন করছে।

• AI-চালিত ভবিষ্যদ্বাণী এবং ডিজাইন:

  • Google-এর GNoME: DeepMind-এর GNoME (Graph Networks for Materials Exploration) প্ল্যাটফর্ম গ্রাফ নিউরাল নেটওয়ার্ক প্রযুক্তি ব্যবহার করে ২২ মিলিয়ন সম্ভাব্য নতুন অজৈব স্ফটিক উপাদানের স্থিতিশীলতা অনুমান করেছে। এই অনুসন্ধানে, AI প্রায় ৩,৮০,০০০টি নতুন থার্মোডাইনামিকভাবে স্থিতিশীল উপাদান আবিষ্কার করেছে, যা প্রায় ৮০০ বছর ধরে মানব বিজ্ঞানীদের গবেষণার মোট পরিমাণের সমান। এই নতুন উপাদানগুলির ব্যাটারি, সুপারকন্ডাক্টর এবং অন্যান্য ক্ষেত্রে বিশাল প্রয়োগের সম্ভাবনা রয়েছে।
  • Microsoft-এর MatterGen: Microsoft Research দ্বারা তৈরি জেনারেটিভ AI সরঞ্জাম MatterGen, গবেষকদের দ্বারা নির্ধারিত লক্ষ্য বৈশিষ্ট্যগুলির (যেমন পরিবাহিতা, চৌম্বকত্ব ইত্যাদি) উপর ভিত্তি করে সরাসরি নতুন উপাদান কাঠামোর প্রার্থী তৈরি করতে পারে। এই সরঞ্জামটি সিমুলেশন প্ল্যাটফর্ম MatterSim-এর সাথে মিলিত হয়ে দ্রুত এই প্রার্থী উপাদানগুলির কার্যকারিতা যাচাই করতে পারে, যা গবেষণা এবং উন্নয়ন চক্রকে ব্যাপকভাবে সংক্ষিপ্ত করে।

• সহযোগী সম্পর্ক: উল্লেখযোগ্যভাবে, AI এবং উপাদান বিজ্ঞানের মধ্যে একটি সহযোগী সম্পর্ক তৈরি হয়েছে। নতুন উপাদানের আবিষ্কার AI-এর জন্য আরও উন্নত কম্পিউটিং হার্ডওয়্যার সরবরাহ করতে পারে, এবং আরও শক্তিশালী AI নতুন উপাদানের গবেষণা এবং উন্নয়ন প্রক্রিয়াকে ত্বরান্বিত করতে পারে।

এই ঘটনাগুলি একটি গভীর পরিবর্তন প্রকাশ করে: বিজ্ঞান গবেষণা “প্রকৃতি আবিষ্কার” (discovering what is) থেকে “ভবিষ্যত ডিজাইন” (designing what can be) এর দিকে যাচ্ছে। ঐতিহ্যবাহী বিজ্ঞানীরা ছিলেন অনুসন্ধানকারীর মতো, যারা প্রকৃতিতে বিদ্যমান বস্তু এবং নিয়মাবলী খুঁজে বের করতেন এবং বর্ণনা করতেন। জেনারেটিভ AI-এর আবির্ভাবের সাথে, বিজ্ঞানীরা ক্রমবর্ধমানভাবে “স্রষ্টা” হয়ে উঠছেন। তারা নির্দিষ্ট কার্যকারিতার প্রয়োজনীয়তা অনুসারে (উদাহরণস্বরূপ, “একটি প্রোটিন যা একটি নির্দিষ্ট ক্যান্সার কোষের লক্ষ্যবস্তুর সাথে আবদ্ধ হতে পারে” বা “উচ্চ তাপ পরিবাহিতা এবং অন্তরক বৈশিষ্ট্য উভয় রয়েছে এমন একটি উপাদান”), AI ব্যবহার করে এই প্রয়োজনীয়তাগুলি পূরণ করে এমন নতুন পদার্থ ডিজাইন এবং তৈরি করতে পারেন। এটি কেবল মৌলিক বিজ্ঞান এবং প্রায়োগিক প্রকৌশলের মধ্যে সীমানা মুছে ফেলছে না, বরং ভবিষ্যতের ওষুধ গবেষণা, উৎপাদন এবং এমনকি সামাজিক নৈতিকতার জন্য নতুন প্রস্তাবনা তৈরি করছে।

গবেষণা প্রক্রিয়ার পুনর্গঠন: অটোমেশন এবং ক্লোজড-লুপ ল্যাবরেটরি

AI কেবল সামগ্রিকভাবে বৈজ্ঞানিক দৃষ্টান্ত পরিবর্তন করছে না, বরং এটি আণুবীক্ষণিক স্তরেও গবেষণা কাজের প্রতিটি নির্দিষ্ট দিককে নতুন রূপ দিচ্ছে। এর মাধ্যমে অটোমেশন এবং ক্লোজড-লুপ “স্ব-চালিত পরীক্ষাগার”-এর জন্ম দিচ্ছে।

AI-চালিত অনুমান তৈরি

ঐতিহ্যগতভাবে, নতুন এবং মূল্যবান বৈজ্ঞানিক অনুমান প্রস্তাব করাকে মানুষের সৃজনশীলতার চূড়ান্ত শিখর হিসাবে বিবেচনা করা হত। তবে, AI এখন এই ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা পালন করতে শুরু করেছে। AI সিস্টেমগুলি লক্ষ লক্ষ বৈজ্ঞানিক প্রবন্ধ, পেটেন্ট এবং পরীক্ষামূলক ডেটাবেস স্ক্যান করে মানব গবেষকদের জ্ঞানীয় সীমাবদ্ধতা বা পক্ষপাতিত্বের কারণে উপেক্ষা করা অস্পষ্ট সংযোগগুলি আবিষ্কার করতে পারে এবং এর মাধ্যমে সম্পূর্ণ নতুন বৈজ্ঞানিক অনুমান প্রস্তাব করতে পারে।

কিছু গবেষণা দল একাধিক AI এজেন্ট সমন্বিত “AI বিজ্ঞানী” সিস্টেম তৈরি করছে। এই সিস্টেমগুলিতে, বিভিন্ন AI বিভিন্ন ভূমিকা পালন করে: উদাহরণস্বরূপ, “অনুমান এজেন্ট”-এর কাজ হল গবেষণার ধারণা তৈরি করা, “যুক্তি এজেন্ট”-এর কাজ হল ডেটা এবং সাহিত্য বিশ্লেষণ করে অনুমানের মূল্যায়ন করা এবং “গণনা এজেন্ট”-এর কাজ হল মডেলিং পরীক্ষা চালানো। কেমব্রিজ বিশ্ববিদ্যালয়ের একটি গবেষণা অত্যন্ত প্রতিনিধিত্বমূলক: গবেষকরা বৃহৎ ভাষার মডেল GPT-4 ব্যবহার করে বিদ্যমান অ-ক্যান্সার বিরোধী ওষুধ থেকে ক্যান্সার কোষকে কার্যকরভাবে দমন করতে পারে এমন নতুন ওষুধের সংমিশ্রণ সফলভাবে খুঁজে বের করেছেন। AI বিশাল সংখ্যক সাহিত্য থেকে লুকানো প্যাটার্ন বিশ্লেষণ করে এই সংমিশ্রণগুলি প্রস্তাব করেছে এবং পরবর্তী পরীক্ষাগুলিতে সেগুলি যাচাই করা হয়েছে। এটি প্রমাণ করে যে, AI মানব বিজ্ঞানীদের জন্য একটি ক্লান্তিহীন “ব্রেইনস্টর্মিং পার্টনার” হতে পারে।

পরীক্ষার নকশা অপটিমাইজেশন

পরীক্ষার নকশা (Design of Experiments, DoE) হল একটি ক্লাসিক পরিসংখ্যানিক পদ্ধতি। এর মাধ্যমে একাধিক পরীক্ষামূলক পরামিতি পরিবর্তন করে, স্বল্প সংখ্যক পরীক্ষার মাধ্যমে একটি বিস্তৃত পরামিতি স্থান কার্যকরভাবে অনুসন্ধান করা যায়। ফলে অনুকূল প্রক্রিয়া শর্ত খুঁজে বের করা সম্ভব হয়। AI প্রযুক্তি এই ক্লাসিক পদ্ধতিতে নতুন প্রাণ সঞ্চার করছে। ঐতিহ্যবাহী DoE সাধারণত একটি পূর্বনির্ধারিত পরিসংখ্যানিক পরিকল্পনা অনুসরণ করে। কিন্তু AI সক্রিয় শিক্ষা (Active Learning) -এর মতো কৌশল প্রবর্তন করতে পারে। এই পদ্ধতিতে পূর্ববর্তী পরীক্ষার ফলাফলের উপর ভিত্তি করে, পরবর্তী কোন পরীক্ষামূলক বিন্দুটি অন্বেষণ করার মতো, তা গতিশীলভাবে এবং বুদ্ধিমত্তার সাথে নির্ধারণ করা যায়। এই অভিযোজিত পরীক্ষামূলক কৌশল দ্রুত অনুকূল সমাধানে পৌঁছাতে পারে, যা পরীক্ষামূলক দক্ষতা উল্লেখযোগ্যভাবে বৃদ্ধি করে।

“স্ব-চালিত পরীক্ষাগার”: ক্লোজড-লুপের বাস্তবায়ন

AI-চালিত অনুমান generation, পরীক্ষার নকশা এবং স্বয়ংক্রিয় পরীক্ষামূলক প্ল্যাটফর্মকে একত্রিত করলে, নতুন দৃষ্টান্তের চূড়ান্ত রূপটি তৈরি হয়—“স্ব-চালিত পরীক্ষাগার” (Self-Driving Lab)।

এই পরীক্ষাগারটি একটি সম্পূর্ণ ক্লোজড-লুপ সিস্টেম গঠন করে:

1. ড্রাই ল্যাব (Dry Lab): AI মডেল (“মস্তিষ্ক”) বিদ্যমান ডেটা বিশ্লেষণ করে, একটি বৈজ্ঞানিক অনুমান তৈরি করে এবং সেই অনুযায়ী একটি যাচাইকরণ পরীক্ষার পরিকল্পনা তৈরি করে।
2. স্বয়ংক্রিয় প্ল্যাটফর্ম: পরীক্ষার পরিকল্পনাটি একটি রোবট-চালিত স্বয়ংক্রিয় প্ল্যাটফর্মে (“ওয়েট ল্যাব” বা “হাত”) পাঠানো হয়। এই প্ল্যাটফর্ম স্বয়ংক্রিয়ভাবে রাসায়নিক সংশ্লেষণ, কোষ সংস্কৃতি এবং অন্যান্য পরীক্ষামূলক কার্যক্রম সম্পাদন করতে সক্ষম।
3. ডেটা রিটার্ন: পরীক্ষার সময় উত্পাদিত ডেটা রিয়েল-টাইমে, স্বয়ংক্রিয়ভাবে সংগ্রহ করা হয় এবং AI মডেলে ফেরত পাঠানো হয়।
4. শিক্ষা এবং পুনরাবৃত্তি: AI মডেল নতুন পরীক্ষার ডেটা বিশ্লেষণ করে, গবেষণা বস্তুর অভ্যন্তরীণ “বোঝাপড়া” আপডেট করে এবং নতুন বোঝার ভিত্তিতে পরবর্তী অনুমান এবং পরীক্ষার নকশা তৈরি করে। এই চক্র ক্রমাগত চলতে থাকে, যা 24/7 বিরতিহীন স্বায়ত্তশাসিত অনুসন্ধান নিশ্চিত করে।

লিভারপুল বিশ্ববিদ্যালয়ের “রোবট রসায়নবিদ” একটি সফল উদাহরণ। এই সিস্টেমটি 10 টি পরিবর্তনশীল সহ একটি জটিল পরামিতি স্থান স্বায়ত্তশাসিতভাবে অনুসন্ধান করেছে এবং অবশেষে আলোক অনুঘটক হাইড্রোজেন উৎপাদনের জন্য একটি উচ্চ-কার্যকারিতা সম্পন্ন অনুঘটক আবিষ্কার করেছে, যার কার্যকারিতা প্রাথমিক চেষ্টার চেয়ে কয়েকগুণ বেশি।

এই ক্লোজড-লুপ মডেল “ বৈজ্ঞানিক চক্রের সংকোচন “ ঘটায়। ক্লাসিক মডেলে, একটি সম্পূর্ণ “অনুমান-পরীক্ষা-যাচাইকরণ” চক্র সম্পন্ন করতে একজন পিএইচডি ছাত্রের কয়েক বছর সময় লাগতে পারে। যেখানে “স্ব-চালিত পরীক্ষাগার” এই চক্রকে কয়েক বছর বা মাস থেকে কমিয়ে কয়েক দিন বা এমনকি কয়েক ঘন্টায় নিয়ে আসে। এই পুনরাবৃত্তির মাত্রার উন্নতি “পরীক্ষা”-র সংজ্ঞা পরিবর্তন করছে। পরীক্ষা আর মানব বিজ্ঞানীদের নকশা করা বিচ্ছিন্ন ঘটনা নয়, বরং এটি একটি AI-চালিত, ক্রমাগত, অভিযোজিত অনুসন্ধান প্রক্রিয়া। সম্ভবত, বৈজ্ঞানিক অগ্রগতির পরিমাপক একক এককভাবে প্রকাশিত প্রবন্ধ হবে না, বরং এই ক্লোজড-লুপ লার্নিং সিস্টেমের শেখার হার হবে। এটি আমাদের বৈজ্ঞানিক অবদান মূল্যায়ন এবং পরিমাপ করার পদ্ধতি পুনর্বিবেচনা করতে বাধ্য করবে।

পদ্ধতিগত প্রভাব: গবেষণা ইকোসিস্টেমের পুনর্গঠন

AI-চালিত গবেষণা নতুন দৃষ্টান্তের প্রভাব পরীক্ষাগারের গণ্ডি ছাড়িয়ে গেছে এবং এটি সমগ্র গবেষণা ইকোসিস্টেমের তহবিল বরাদ্দ, সাংগঠনিক কাঠামো এবং প্রতিভা চাহিদার উপর পদ্ধতিগত প্রভাব ফেলছে।

তহবিলের ভূ-রাজনীতি এবং কর্পোরেট বিজ্ঞানের উত্থান

• জাতীয় পর্যায়ে কৌশলগত বিন্যাস: বিশ্বের প্রধান অর্থনীতি “AI for Science” কে বিশ্বব্যাপী “প্রতিযোগিতামূলক সুবিধা” এবং “প্রযুক্তিগত সার্বভৌমত্ব” বজায় রাখার জন্য একটি গুরুত্বপূর্ণ কৌশলগত ক্ষেত্র হিসেবে বিবেচনা করেছে। মার্কিন যুক্তরাষ্ট্রের ন্যাশনাল সায়েন্স ফাউন্ডেশন (NSF) প্রতি বছর AI ক্ষেত্রে $700 মিলিয়নের বেশি বিনিয়োগ করে এবং ন্যাশনাল আর্টিফিশিয়াল ইন্টেলিজেন্স রিসার্চ ইনস্টিটিউটের মতো বড় প্রকল্প চালু করেছে। ইউরোপীয় ইউনিয়ন একটি সমন্বিত পরিকল্পনা তৈরি করেছে, যার লক্ষ্য “বিশ্বাসযোগ্য AI”-এর বৈজ্ঞানিক প্রয়োগে নেতৃত্ব প্রতিষ্ঠা করা। একই সময়ে, চীনের গবেষণা প্রতিষ্ঠানগুলিও উন্নত AI-এর গবেষণা সক্রিয়ভাবে চালাচ্ছে।
• কর্পোরেট এবং শিক্ষাবিদদের মধ্যে বিভাজন: একটি ক্রমবর্ধমান দ্বন্দ্ব হল GPT-4, Gemini -এর মতো সবচেয়ে শক্তিশালী AI বেসিক মডেলগুলি বেশিরভাগ গুগল, মাইক্রোসফট, মেটার মতো কয়েকটি প্রযুক্তি জায়ান্টের নিয়ন্ত্রণে রয়েছে। এই মডেলগুলিকে প্রশিক্ষণ দিতে এবং চালানোর জন্য প্রচুর পরিমাণে ডেটা এবং আকাশছোঁয়া কম্পিউটিং সংস্থান প্রয়োজন, যা বেশিরভাগ একাডেমিক গবেষণা দলের সামর্থ্যের বাইরে। এটি শিক্ষাবিদদের প্রান্তীয় হওয়ার উদ্বেগ বাড়িয়েছে।
• মালিকানাধীন মডেল এবং ওপেন সায়েন্সের মধ্যে দ্বন্দ্ব: যদিও কিছু সংস্থা তাদের মডেল ওপেন সোর্স করার সিদ্ধান্ত নিয়েছে (যেমন মেটার LLaMA সিরিজ), সবচেয়ে ভালো পারফরম্যান্স করা মডেলগুলি প্রায়শই বাণিজ্যিক গোপনীয়তা হিসাবে কঠোরভাবে সুরক্ষিত থাকে, যা কার্যত “ব্ল্যাক বক্স” এ পরিণত হয়েছে। এটি বিজ্ঞানীদের দীর্ঘদিনের প্রচারিত উন্মুক্ত, স্বচ্ছ এবং পুনরুৎপাদনযোগ্যতার নীতির সাথে সরাসরি conflicting,যা সরকারি অর্থায়নে পরিচালিত বিজ্ঞান গবেষণা কে বেসরকারি সংস্থাগুলির অবকাঠামোর উপর নির্ভরশীল করে তুলেছে।
• তহবিলের রাজনৈতিক অনিশ্চয়তা: গবেষণা তহবিলের বরাদ্দ সম্পূর্ণরূপে রাজনৈতিক প্রভাব থেকে মুক্ত নয়। উদাহরণস্বরূপ, এমন খবর পাওয়া গেছে যে NSF নতুন রাজনৈতিক নির্দেশে 1500 টিরও বেশি গবেষণা অনুদান বাতিল করেছে, যার মধ্যে অনেকগুলি বৈচিত্র্য, সাম্যতা এবং অন্তর্ভুক্তি (DEI) উদ্যোগের সাথে সম্পর্কিত।

ভবিষ্যত পরীক্ষাগার: ওয়েট ল্যাব থেকে ভার্চুয়াল স্পেস

• শারীরিক স্থানের পুনর্গঠন: AI এবং অটোমেশন পরীক্ষাগারের গঠন পরিবর্তন করছে। দ্রুত পরিবর্তনশীল গবেষণা প্রক্রিয়ার সাথে খাপ খাইয়ে নিতে, নমনীয় এবং পরিবর্তনযোগ্য “মডুলার ল্যাবরেটরি” ডিজাইন জনপ্রিয় হচ্ছে। ঐতিহ্যগতভাবে, ওয়েট ল্যাব এবং ডেটা বিশ্লেষণ ও লেখার জায়গার ক্ষেত্রফলের অনুপাত বিপরীত হচ্ছে, যেখানে পরেরটির গুরুত্ব বাড়ছে।
• ভার্চুয়াল পরীক্ষাগারের উত্থান: অনেক গবেষণা পরিস্থিতিতে, শারীরিক পরীক্ষাগারগুলি ভার্চুয়াল পরীক্ষাগার দ্বারা প্রতিস্থাপিত হচ্ছে। AI, মেশিন লার্নিং এবং এমনকি ভবিষ্যতের কোয়ান্টাম কম্পিউটিংয়ের সহায়তায়, গবেষকরা কম্পিউটারে অণু, উপকরণ এবং জৈবিক সিস্টেমের উচ্চ-নির্ভুলতা সম্পন্ন মডেল তৈরি করতে পারেন; যার ফলে পরীক্ষার নকশা, পরীক্ষা এবং অপটিমাইজেশন টেস্টটিউবে স্পর্শ লাগানোর আগেই সম্পন্ন করা যেতে পারে। এটি শুধুমাত্র প্রচুর সময় এবং অর্থ সাশ্রয় করে না, সেইসাথে পরীক্ষাগারের প্রাণীর উপর নির্ভরতা কমিয়ে এনে গবেষণা নৈতিকতাকে উন্নত করে।
• পরীক্ষাগার ব্যবস্থাপনার অটোমেশন: AI পরীক্ষাগারের দৈনন্দিন কার্যক্রমকেও পরিবর্তন করছে। AI-চালিত ইনভেন্টরি ম্যানেজমেন্ট সিস্টেম রিএজেন্টের ব্যবহার কত দ্রুত হচ্ছে তা ভবিষ্যদ্বাণী করতে পারে এবং স্বয়ংক্রিয়ভাবে পুনরায় স্টক করতে পারে। স্মার্ট শিডিউলিং সরঞ্জাম ব্যয়বহুল যন্ত্রপাতির ব্যবহার অপ্টিমাইজ করতে পারে, সরঞ্জামের অলস সময় এবং গবেষকদের সারিতে অপেক্ষা করার সময় কমিয়ে আনতে পারে, যার ফলে তারা প্রশাসনিক কাজ থেকে মুক্তি পায়।

এআই-এর যুগে মানব বিজ্ঞানী: পরিচয়ের পুনর্গঠন

• “নির্বাহক” থেকে “কমান্ডার”: ডেটা প্রক্রিয়াকরণ এবং পরীক্ষামূলক কার্যক্রম AI এবং রোবট দ্বারা করার ফলে, মানব বিজ্ঞানীদের মূল ভূমিকা পরিবর্তিত হচ্ছে। তারা আর গবেষণা প্রক্রিয়ার “অপারেটর” নন, বরং পুরো গবেষণা প্রকল্পের “কৌশলগত কমান্ডার” হয়ে উঠেছেন। তাদের মূল দায়িত্ব হল:
  • গভীর প্রশ্ন উত্থাপন: উচ্চ-স্তরের গবেষণার লক্ষ্য নির্ধারণ করা এবং AI অনুসন্ধানের জন্য দিকনির্দেশনা দেওয়া
  • পর্যবেক্ষণ ও নির্দেশনা: AI-এর “সুপারভাইজার” বা “সহযোগী ড্রাইভার” হিসাবে, গবেষণার প্রক্রিয়া চলাকালীন গুরুত্বপূর্ণ প্রতিক্রিয়া এবং দিকনির্দেশনা দেওয়া।
  • সমালোচনামূলক মূল্যায়ন: AI-এর আউটপুট সতর্কতার সাথে ব্যাখ্যা করা, বিশাল সংখ্যক ফলাফলের মধ্যে থেকে মূল্যবান অনুমান নির্বাচন করা এবং চূড়ান্ত, નિર્ણায়ক যাচাইকরণ পরীক্ষার ডিজাইন করা।
• নতুন দক্ষতার চাহিদা: AI এবং ডেটা সাক্ষরতা: ভবিষ্যতের কর্মক্ষেত্রে ডেটা সাক্ষরতার সবচেয়ে বেশি প্রয়োজন হবে—ডেটা পড়া, প্রক্রিয়াকরণ, বিশ্লেষণ এবং যোগাযোগের জন্য ডেটা ব্যবহার করার ক্ষমতা। ডেটা সাক্ষরতা হল AI সাক্ষরতার ভিত্তি, যার মধ্যে AI সরঞ্জামগুলির কার্যকারিতা বোঝা, নৈতিকভাবে সেগুলি ব্যবহার করা এবং এর আউটপুট সমালোচনামূলকভাবে মূল্যায়ন করা অন্তর্ভুক্ত। ভবিষ্যতের বিজ্ঞানীদের অবশ্যই প্রম্পট ইঞ্জিনিয়ারিং, অ্যালগরিদমিক চিন্তা এবং ডেটা পক্ষপাতের গভীর ধারণা থাকতে হবে।
• ক্রমবর্ধমান গবেষণা দল: পরীক্ষাগারের কর্মীবিন্যাসও পরিবর্তিত হচ্ছে। ঐতিহ্যবাহী “প্রধান গবেষক (PI) - পোস্টডক্টরাল ফেলো - স্নাতক ছাত্র” -এর পিরামিড কাঠামো নতুন, অপরিহার্য ভূমিকা দ্বারা প্রতিস্থাপিত হচ্ছে, যেমন AI/মেশিন লার্নিং প্রকৌশলী, ডেটা প্রকৌশলী, ডেটা আর্কিটেক্ট এবং এমনকি ডেটা গোপনীয়তা কর্মকর্তা। বিভিন্ন ভূমিকার দক্ষতার চাহিদাও একত্রিত হচ্ছে, ডেটা বিজ্ঞানীদের কাছ থেকে আরও ইঞ্জিনিয়ারিং এবং স্থাপনার দক্ষতা প্রত্যাশা করা হচ্ছে, অন্যদিকে প্রকৌশলীদের আরও গভীর ডোমেইন জ্ঞানের প্রয়োজনীয়তা বাড়ছে।

নতুন দিগন্ত পরিচালনা করা: চ্যালেঞ্জ, ঝুঁকি এবং মানব তত্ত্বাবধানের প্রয়োজনীয়তা

AI-চালিত বিজ্ঞান দৃষ্টান্তের উজ্জ্বল সম্ভাবনা থাকলেও, এটি অভূতপূর্ব চ্যালেঞ্জ এবং ঝুঁকি নিয়ে আসে। সতর্কতার সাথে পরিচালনা না করা হলে, এই শক্তিশালী প্রযুক্তি বৈজ্ঞানিক প্রক্রিয়াকে বিভ্রান্ত করতে পারে।

“ব্ল্যাক বক্স” দ্বিধা এবং ব্যাখ্যাযোগ্যতার সাধনা

• সমস্যা: অনেকগুলি উচ্চ-কার্যকারিতা সম্পন্ন AI মডেল, বিশেষ করে ডিপ লার্নিং সিস্টেমগুলির অভ্যন্তরীণ সিদ্ধান্ত নেওয়ার প্রক্রিয়া মানুষের কাছে সম্পূর্ণরূপে অস্বচ্ছ, যা একটি “ব্ল্যাক বক্স”-এর মতো। তারা অত্যন্ত নির্ভুল পূর্বাভাস দিতে পারে, কিন্তু তারা কেন এই সিদ্ধান্তে উপনীত হয়েছে তা ব্যাখ্যা করতে পারে না।
• বৈজ্ঞানিক ঝুঁকি: এটি কার্যকারণ ব্যাখ্যার অনুসন্ধানের বৈজ্ঞানিক চেতনার পরিপন্থী। AI সম্ভবত ডেটাতে মিথ্যা বা অ-বৈজ্ঞানিক পরিসংখ্যানগত সম্পর্ক খুঁজে পাওয়ার কারণে সিদ্ধান্ত নিতে পারে। এর যুক্তিবাদী প্রক্রিয়া না বুঝে অন্ধভাবে AI এর সিদ্ধান্তের উপর নির্ভর করে বৈজ্ঞানিক গবেষণা কে বালির উপর স্থাপন করার মতোই।
• সমাধান: ব্যাখ্যাযোগ্য AI (XAI): এই চ্যালেঞ্জ মোকাবেলার জন্য, ব্যাখ্যাযোগ্য AI (Explainable AI, XAI) ক্ষেত্রটি তৈরি হয়েছে। XAI-এর লক্ষ্য হল নতুন প্রযুক্তি এবং পদ্ধতি তৈরি করা, যাতে AI মডেলের সিদ্ধান্ত গ্রহণের প্রক্রিয়া স্বচ্ছ এবং বোধগম্য করা যায়। এটি মানব বিজ্ঞানীদের যাচাই করতে সক্ষম করে যে AI বাস্তব বৈজ্ঞানিক নীতি শিখেছে কিনা, নাকি শুধুমাত্র ডেটা সেটের মধ্যে থাকা পরিসংখ্যানগত শর্টকাট ব্যবহার করেছে।

পক্ষপাতের ভূত: “আবর্জনা প্রবেশ, গসপেল নির্গমন”

• পক্ষপাতের প্রক্রিয়া: AI মডেল ডেটা থেকে শেখে। প্রশিক্ষণের জন্য ব্যবহৃত ডেটাতে যদি ঐতিহাসিক, সামাজিক বা পরিমাপগত পক্ষপাতিত্ব থাকে তবে AI কেবল সেই পক্ষপাতিত্বগুলি বিশ্বস্তভাবে অনুলিপি করবে না, এমনকি সেগুলিকে বাড়িয়েও দিতে পারে।
• বিজ্ঞান ক্ষেত্রে উদাহরণ: চিকিৎসা গবেষণায়, যদি কোনও AI মডেলের প্রশিক্ষণ ডেটা প্রাথমিকভাবে কোনও নির্দিষ্ট জাতিগোষ্ঠীর কাছ থেকে আসে, তবে এটি অন্যান্য প্রতিনিধিত্বকারী গোষ্ঠীর ক্ষেত্রে উল্লেখযোগ্যভাবে খারাপ পারফর্ম করতে পারে, ভুল নির্ণয় করতে পারে বা অকার্যকর চিকিৎসা পদ্ধতির সুপারিশ করতে পারে, যার ফলে বিদ্যমান স্বাস্থ্য বৈষম্য আরও বাড়তে পারে।
• ক্ষতিকর প্রতিক্রিয়া চক্র: পক্ষপাতের সাথে AI সিস্টেম একটি ক্ষতিকর চক্র তৈরি করতে পারে। উদাহরণস্বরূপ, একটি AI যদি গবেষণা প্রকল্পের আবেদনগুলি মূল্যায়ন করার জন্য ব্যবহৃত হয়, এবং এর প্রশিক্ষণ ডেটাতে কিছু গবেষণা ক্ষেত্র বা প্রতিষ্ঠানের প্রতি ঐতিহাসিক পক্ষপাতিত্ব থাকে, তবে এটি সেই ক্ষেত্রগুলি থেকে উদ্ভাবনী ধারণাগুলিকে পদ্ধতিগতভাবে প্রত্যাখ্যান করতে পারে। যে প্রকল্পগুলো তহবিল পায় না, সেগুলো নতুন ডেটা তৈরি করতে পারে না, যা AI মডেলের আসল পক্ষপাতিত্বকে আরও শক্তিশালী করে।

পুনরুত্পাদনযোগ্যতার সংকট এবং যাচাইকরণের প্রধান স্থান

• AI এর নিজস্ব পুনরুত্পাদনযোগ্যতার চ্যালেঞ্জ: AI গবেষণা ক্ষেত্রটি নিজেই একটি “পুনরুত্পাদনযোগ্যতার সংকট”-এর সম্মুখীন হচ্ছে। মডেলের জটিলতা, প্রশিক্ষণ ডেটার মালিকানা এবং নির্দিষ্ট কম্পিউটিং পরিবেশের উপর নির্ভরতা অন্যান্য গবেষকদের প্রকাশিত ফলাফলগুলি স্বাধীনভাবে পুনরুত্পাদন করা কঠিন করে তোলে।
• AI এর অবিশ্বস্ততা: Large language model-এর মতো AI সিস্টেমের “হ্যালুসিনেশন” (hallucination) সমস্যা রয়েছে, যা সম্পূর্ণ ভুল বা মনগড়া তথ্য আত্মবিশ্বাসের সাথে তৈরি করে। এটি AI দ্বারা তৈরি সামগ্রীর কঠোর যাচাইকরণকে গুরুত্বপূর্ণ করে তোলে এবং মানুষের বিশেষজ্ঞদের দ্বারা পর্যালোচনা করা হয়নি এমন কোনও AI আউটপুট সরাসরি গ্রহণ করা উচিত নয়।
• পরীক্ষামূলক যাচাইকরণের চূড়ান্ত সালিস: বৈজ্ঞানিক সত্যের চূড়ান্ত সালিসকারী হল অভিজ্ঞতাবাদী জগতের পরীক্ষা। AI-সহায়তাযুক্ত ওষুধ আবিষ্কার গবেষণার একটি পর্যালোচনায় উল্লেখ করা হয়েছে যে, যদিও গবেষণাটিতে প্রচুর পরিমাণে কম্পিউটার মডেলিং করা হয়েছিল, কঠোর জৈবিক পরীক্ষামূলক যাচাইকরণের অভাবে এর উপসংহারের বিশ্বাসযোগ্যতা হ্রাস পেয়েছে।

জ্ঞানীয় অ্যাট্রোফি এবং অন্তর্দৃষ্টির “আউটসোর্সিং” ঝুঁকি

• গভীর উদ্বেগ: যদি বিজ্ঞানীরা অনুমান তৈরি করতে এবং গবেষণার নির্দেশনা দেওয়ার জন্য AI-এর উপর ক্রমবর্ধমানভাবে নির্ভরশীল হন, তবে মানব সৃজনশীলতা, বৈজ্ঞানিক অন্তর্দৃষ্টি এবং সমালোচনামূলক চিন্তাভাবনার ক্ষমতা হ্রাস হওয়ার ঝুঁকি রয়েছে কিনা?
• “আউটসোর্সিং থিংকিং”: একজন গবেষকের উদ্বেগের মতো, AI-এর উপর অত্যধিক নির্ভরতা হল চিন্তাভাবনা প্রক্রিয়া-“গবেষণার সবচেয়ে আকর্ষণীয় অংশ”-কে আউটসোর্স করার মতো। এটি একটি গভীর দার্শনিক প্রশ্ন উত্থাপন করে: বিজ্ঞানের উদ্দেশ্য কি শুধুমাত্র দক্ষতার সঙ্গে ফলাফল তৈরি করা, নাকি মহাবিশ্বের বোঝা এবং সেই প্রক্রিয়ায় মানুষের মানসিক বিকাশ এবং পরিতৃপ্তি অন্তর্ভুক্ত?