প্রযুক্তিগত যুগের এক আকর্ষণীয় সংঘর্ষে, এমন একটি আখ্যান উঠে এসেছে যা ব্যাপকহারে হোম কম্পিউটিংয়ের শুরুর দিনগুলোর সাথে কৃত্রিম বুদ্ধিমত্তার অত্যাধুনিক যুগের সেতুবন্ধন রচনা করেছে। প্রযুক্তি বিশ্বের একজন বিশিষ্ট ব্যক্তিত্ব এবং প্রভাবশালী ভেঞ্চার ক্যাপিটাল ফার্ম Andreessen Horowitz-এর সহ-প্রতিষ্ঠাতা Marc Andreessen সম্প্রতি একটি অসাধারণ কৃতিত্বের উপর আলোকপাত করেছেন: Meta-র Llama কৃত্রিম বুদ্ধিমত্তা মডেলের একটি সংক্ষিপ্ত সংস্করণ সফলভাবে চালানো হয়েছে venerable Windows 98 অপারেটিং সিস্টেমে চালিত একটি কম্পিউটারে, যাতে ছিল মাত্র 128 মেগাবাইট RAM। এই উদ্ঘাটন প্রযুক্তিগত সম্ভাবনার এক শক্তিশালী স্মারক হিসাবে কাজ করে এবং কম্পিউটিংয়ের ঐতিহাসিক গতিপথ সম্পর্কে কৌতুহলোদ্দীপক প্রশ্ন উত্থাপন করে।
একটি অত্যাধুনিক AI, এমনকি একটি ছোট সংস্করণও, এক শতাব্দীরও বেশি পুরনো হার্ডওয়্যারে চালানোর ধারণাটি প্রায় विरोधाभाসী মনে হয়। আধুনিক জেনারেটিভ AI, যা ChatGPT এবং Microsoft-এর নিজস্ব Copilot-এর মতো সরঞ্জামগুলোকে শক্তি জোগায়, সাধারণত শক্তিশালী প্রসেসর, বিশাল মেমরি বরাদ্দ এবং প্রায়শই ক্লাউড-ভিত্তিক পরিকাঠামোর সাথে যুক্ত। Microsoft নিজেই AI সক্ষমতা, বিশেষ করে তার Copilot অ্যাসিস্ট্যান্টকে, তার সর্বশেষ অপারেটিং সিস্টেম Windows 11 এবং Copilot+ PCs নামে পরিচিত নতুন প্রজন্মের হার্ডওয়্যারে গভীরভাবে একীভূত করার জন্য প্রচুর বিনিয়োগ করেছে, যা বিশেষভাবে AI কাজের চাপ মাথায় রেখে ডিজাইন করা হয়েছে। এই বৈপরীত্য Windows 98 পরীক্ষাটিকে আরও আকর্ষণীয় করে তোলে। এটি নির্দিষ্ট AI ফাংশনগুলির জন্য সত্যিই প্রয়োজনীয় সংস্থান সম্পর্কে আমাদের অনুমানকে চ্যালেঞ্জ করে এবং একটি বিকল্প প্রযুক্তিগত টাইমলাইনের আভাস দেয়।
অতীতকে পুনরুজ্জীবিত করা: পরীক্ষার নেপথ্যে হারকিউলিয়ান প্রচেষ্টা
যদিও Andreessen এই কৃতিত্বের প্রতি বৃহত্তর মনোযোগ আকর্ষণ করেছেন, প্রযুক্তিগত কঠিন কাজটি মূলত Exo Labs-এর টিমের পূর্ববর্তী কাজ থেকে উদ্ভূত বলে মনে হয়। এত পুরনো যন্ত্রপাতিতে একটি আধুনিক AI চালানোর তাদের যাত্রা সহজ ছিল না; এটি ছিল ডিজিটাল প্রত্নতত্ত্ব এবং সৃজনশীল সমস্যা সমাধানের একটি অনুশীলন, যা তখনকার এবং এখনকার কম্পিউটিংয়ের মধ্যে বিশাল পার্থক্য তুলে ধরে।
প্রথম বাধা ছিল মৌলিক লজিস্টিকস এবং হার্ডওয়্যার সামঞ্জস্যতা। Windows 98 যুগের কার্যকরী হার্ডওয়্যার খুঁজে পাওয়াই যথেষ্ট চ্যালেঞ্জিং। কিন্তু শুধু মেশিন চালু করার বাইরেও, টিমের পেরিফেরালসের প্রয়োজন ছিল। আধুনিক USB ইন্টারফেস, যা আজ সর্বত্র বিদ্যমান, Windows 98-এর প্রধান সময়ে স্ট্যান্ডার্ড ছিল না। এর জন্য পুরনো PS/2 সংযোগকারী ব্যবহার করে সামঞ্জস্যপূর্ণ ইনপুট ডিভাইস সংগ্রহ করার প্রয়োজন হয়েছিল – কীবোর্ড এবং মাউস যা অনেক তরুণ প্রযুক্তি উত্সাহী হয়তো কখনও দেখেননি।
একবার ভৌত সেটআপ সমাধান হয়ে গেলে, পরবর্তী উল্লেখযোগ্য বাধা ছিল ডেটা স্থানান্তর। আপনি কীভাবে প্রয়োজনীয় AI মডেল ফাইল এবং ডেভেলপমেন্ট টুলগুলি এমন একটি মেশিনে আনবেন যেখানে হাই-স্পিড USB পোর্টের মতো আধুনিক সংযোগ বিকল্প বা নির্বিঘ্ন নেটওয়ার্ক ইন্টিগ্রেশন নেই? এর জন্য সম্ভবত পুরনো, ধীরগতির পদ্ধতি অবলম্বন করতে হয়েছিল, যেমন ফাইলগুলিকে CD-তে বার্ন করা বা সেই সময়ের সীমিত নেটওয়ার্ক প্রোটোকল ব্যবহার করা, যা একটি সাধারণ ফাইল কপিকে একটি সম্ভাব্য সময়সাপেক্ষ প্রক্রিয়ায় পরিণত করেছিল।
তবে, মূল প্রযুক্তিগত চ্যালেঞ্জটি ছিল একটি প্রাচীন পরিবেশের জন্য আধুনিক কোড কম্পাইল করা। Meta-র Llama আর্কিটেকচারের উপর ভিত্তি করে তৈরি AI মডেলটি সমসাময়িক প্রোগ্রামিং অনুশীলন এবং ভাষা ব্যবহার করে নির্মিত। এই কোডটিকে Windows 98 দ্বারা বোধগম্য এবং এক্সিকিউটেবল করার জন্য একটি কম্পাইলারের প্রয়োজন ছিল – একটি প্রোগ্রাম যা সোর্স কোডকে মেশিন ল্যাঙ্গুয়েজে অনুবাদ করে – যা পুরনো অপারেটিং সিস্টেমে চলতে পারে এবং AI কোডের জটিলতাগুলি পরিচালনা করতে পারে।
Exo Labs প্রাথমিকভাবে Borland C++ 5.02-এর দিকে ঝুঁকেছিল, যা নিজেই সফটওয়্যার ইতিহাসের একটি অংশ – একটি 26 বছর বয়সী ইন্টিগ্রেটেড ডেভেলপমেন্ট এনভায়রনমেন্ট (IDE) এবং কম্পাইলার সংমিশ্রণ যা Windows 98-এ নেটিভভাবে চলত। এই পছন্দটি আধুনিক কোড বেস এবং পুরনো অপারেটিং সিস্টেমের মধ্যে একটি সম্ভাব্য সেতু উপস্থাপন করেছিল। যাইহোক, পথটি জটিলতায় পরিপূর্ণ ছিল। আধুনিক C++ স্ট্যান্ডার্ড এবং লাইব্রেরিগুলির জটিলতা Borland কম্পাইলার এবং Windows 98 পরিবেশের ক্ষমতা ও সীমাবদ্ধতার সাথে সামঞ্জস্য করা কঠিন প্রমাণিত হয়েছিল। সামঞ্জস্যতার সমস্যা দেখা দেয়, যা টিমকে পথ পরিবর্তন করতে বাধ্য করে।
তাদের সমাধান ছিল C প্রোগ্রামিং ভাষার একটি পুরনো সংস্করণে প্রত্যাবর্তন করা। যদিও C একটি ভিত্তিগত ভাষা এবং C++-এর পূর্বসূরি, একটি পুরনো C স্ট্যান্ডার্ড ব্যবহার করার অর্থ হল C++-এর কিছু উচ্চ-স্তরের অ্যাবস্ট্রাকশন এবং সুবিধাগুলি ত্যাগ করা। এর জন্য আরও শ্রমসাধ্য কোডিং প্রক্রিয়ার প্রয়োজন ছিল, ফাংশন এবং ভেরিয়েবলের মতো উপাদানগুলি ম্যানুয়ালি পরিচালনা করা যা C++ আরও সুন্দরভাবে পরিচালনা করে। অগ্রগতি অনিবার্যভাবে ধীর ছিল, পুরনো ডেভেলপমেন্ট টুলগুলি সহজে ধরতে পারে না এমন ত্রুটিগুলি এড়াতে সূক্ষ্ম মনোযোগের প্রয়োজন ছিল।
মেমরির চাপ: সীমিত সংস্থানের জন্য Llama-কে নিয়ন্ত্রণ করা
সম্ভবত সবচেয়ে ভয়ঙ্কর সীমাবদ্ধতা ছিল অত্যন্ত সীমিত Random Access Memory (RAM)। টার্গেট মেশিনে মাত্র 128 মেগাবাইট RAM ছিল। এটিকে পরিপ্রেক্ষিতে রাখতে, আধুনিক স্মার্টফোনগুলি নিয়মিতভাবে 8, 12, বা এমনকি 16 গিগাবাইট RAM (এক গিগাবাইট প্রায় 1000 মেগাবাইট) সহ পাঠানো হয়। গেমিং বা পেশাদার কাজের জন্য ডিজাইন করা হাই-এন্ড পিসিগুলিতে প্রায়শই 32GB, 64GB, বা তার বেশি বৈশিষ্ট্য থাকে। একটি AI মডেলের মতো একটি জটিল অ্যাপ্লিকেশন এত ক্ষুদ্র মেমরি ফুটপ্রিন্টের মধ্যে চালানো একটি ঝাড়ুদার আলমারিতে জটিল অস্ত্রোপচার করার মতো।
Meta-র Llama মডেল পরিবার, যদিও সাধারণত OpenAI-এর GPT-4-এর মতো বিশাল মডেলগুলির চেয়ে বেশি সম্পদ-দক্ষ হিসাবে বিবেচিত হয়, তবুও বিলিয়ন প্যারামিটার সহ সংস্করণগুলিকে অন্তর্ভুক্ত করে। উদাহরণস্বরূপ, Llama 2 আর্কিটেকচারে 70 বিলিয়ন প্যারামিটার পর্যন্ত স্কেলিং মডেল অন্তর্ভুক্ত রয়েছে। এই বৃহত্তর মডেলগুলির জন্য উল্লেখযোগ্য কম্পিউটেশনাল শক্তি এবং গুরুত্বপূর্ণভাবে, মডেলের ওজন লোড করতে এবং তথ্য প্রক্রিয়াকরণ ও প্রতিক্রিয়া তৈরিতে জড়িত গণনাগুলি পরিচালনা করার জন্য বিশাল পরিমাণ মেমরির প্রয়োজন হয়। একটি স্ট্যান্ডার্ড Llama 2 মডেল 128MB সীমাবদ্ধতার মধ্যে চালানোর জন্য সম্পূর্ণরূপে অক্ষম হবে।
অতএব, পরীক্ষার সাফল্য নির্ভর করেছিল Llama আর্কিটেকচারের একটি অত্যন্ত অপ্টিমাইজড, উল্লেখযোগ্যভাবে ছোট পুনরাবৃত্তি ব্যবহার বা বিকাশের উপর। এই বিশেষ সংস্করণটিকে গুরুতর হার্ডওয়্যার সীমাবদ্ধতার অধীনে কাজ করার জন্য বিশেষভাবে তৈরি করতে হয়েছিল। এতে সম্ভবত মডেল কোয়ান্টাইজেশন (মডেলের গণনায় ব্যবহৃত সংখ্যার নির্ভুলতা হ্রাস করা) এবং প্রুনিং (নিউরাল নেটওয়ার্কের কম গুরুত্বপূর্ণ অংশগুলি অপসারণ করা) এর মতো কৌশল জড়িত ছিল যাতে এর মেমরি এবং কম্পিউটেশনাল ফুটপ্রিন্ট নাটকীয়ভাবে সঙ্কুচিত হয়। Exo Labs তাদের অভিযোজিত সংস্করণ GitHub-এ উপলব্ধ করেছে, প্রয়োজনীয় নির্দিষ্ট পরিবর্তনগুলি প্রদর্শন করে।
এই ক্ষুদ্র AI, পুরনো হার্ডওয়্যারে চলমান, তার বৃহত্তর, ক্লাউড-চালিত কাজিনদের মতো ব্যাপক জ্ঞান বা সূক্ষ্ম কথোপকথন ক্ষমতা ধারণ করবে না। এর ক্ষমতা সীমিত হবে। তবুও, এটি চলতে পারে এবং মৌলিক জেনারেটিভ কাজ সম্পাদন করতে পারে এই সত্যটি একটি উল্লেখযোগ্য প্রযুক্তিগত অর্জনকে প্রতিনিধিত্ব করে। এটি প্রদর্শন করে যে বৃহৎ ভাষা মডেলগুলির মূল ধারণাগুলি, নীতিগতভাবে, নাটকীয়ভাবে ছোট করা যেতে পারে, এমনকি যদি এই ধরনের চরম পর্যায়ে ব্যবহারিক উপযোগিতা সীমিত হয়।
Andreessen-এর উস্কানি: কথোপকথনমূলক কম্পিউটিংয়ের জন্য একটি হারানো টাইমলাইন?
Marc Andreessen কম্পিউটিংয়ের ইতিহাস এবং সম্ভাব্য ভবিষ্যত সম্পর্কে একটি বৃহত্তর, আরও উস্কানিমূলক পয়েন্ট তৈরি করতে এই প্রযুক্তিগত প্রদর্শনীকে কাজে লাগিয়েছেন। তার প্রতিফলন শুধুমাত্র পুরনো হার্ডওয়্যারে নতুন সফটওয়্যার চালানোর প্রযুক্তিগত কৌতূহল সম্পর্কে ছিল না; এটি মানব-কম্পিউটার মিথস্ক্রিয়ার একটি সম্ভাব্য বিকল্প ইতিহাস সম্পর্কে একটি চিন্তা ছিল।
তিনি এটি স্পষ্ট করে বলেছিলেন যে 26 বছর বয়সী Dell পিসিতে Llama-র সফল অপারেশন কয়েক দশক ধরে একটি মিস করা সুযোগকে বোঝায়। Andreessen বলেন, ‘সেই সব পুরনো পিসি আক্ষরিক অর্থেই এতদিন ধরে স্মার্ট হতে পারত’। ‘আমরা এখন 30 বছর ধরে আমাদের কম্পিউটারের সাথে কথা বলতে পারতাম।’
এই বিবৃতিটি আমাদের এমন একটি বিশ্ব কল্পনা করতে আমন্ত্রণ জানায় যেখানে AI বিকাশের গতিপথ ব্যক্তিগত কম্পিউটিংয়ের উত্থানের সাথে ভিন্নভাবে একত্রিত হয়েছিল। পিসিগুলি প্রাথমিকভাবে গণনা, ডকুমেন্ট তৈরি এবং অবশেষে, ইন্টারনেট অ্যাক্সেস করার সরঞ্জাম হওয়ার পরিবর্তে, সম্ভবত তারা অনেক আগেই কথোপকথনমূলক অংশীদার হিসাবে বিকশিত হতে পারত। যে চিত্রটি তৈরি হয়েছে তা হল ব্যবহারকারীরা তাদের Windows 95, 98, বা এমনকি আগের মেশিনগুলির সাথে প্রাকৃতিক ভাষার মাধ্যমে যোগাযোগ করছে, প্রশ্ন জিজ্ঞাসা করছে, সহায়তা পাচ্ছে এবং এমনভাবে সংলাপে নিযুক্ত হচ্ছে যা শুধুমাত্র আধুনিক ডিজিটাল সহকারী এবং অত্যাধুনিক LLM-এর আবির্ভাবের সাথে মূলধারার বাস্তবতায় পরিণত হয়েছে।
অবশ্যই, এটি একটি উল্লেখযোগ্য কাউন্টারফ্যাকচুয়াল লাফ। জেনারেটিভ AI, যেমনটি আমরা আজ বুঝি, বিশাল ডেটাসেট, অত্যাধুনিক নিউরাল নেটওয়ার্ক আর্কিটেকচার (যেমন Llama এবং GPT মডেলগুলির অন্তর্নিহিত Transformer আর্কিটেকচার), এবং প্রশিক্ষণের জন্য অপরিমেয় কম্পিউটেশনাল শক্তির উপর নির্ভরতা সহ, এটি একটি অপেক্ষাকৃত সাম্প্রতিক ঘটনা। 1980 এবং 1990 এর দশকের AI গবেষণা, যদিও উচ্চাভিলাষী ছিল, বিভিন্ন প্যারাডাইমের উপর দৃষ্টি নিবদ্ধ করেছিল, যেমন এক্সপার্ট সিস্টেম এবং সিম্বলিক রিজনিং। সেই যুগের হার্ডওয়্যার, যদিও Exo Labs দ্বারা প্রদর্শিত স্ট্রিপড-ডাউন Llama চালাতে সক্ষম ছিল, আজকের সিস্টেমগুলির চেয়ে অনেক কম শক্তিশালী ছিল, এবং সক্ষম জেনারেটিভ মডেলগুলিকে প্রশিক্ষণের জন্য প্রয়োজনীয় বিশাল ডিজিটাল ডেটাসেটগুলি কেবল অ্যাক্সেসযোগ্য আকারে বিদ্যমান ছিল না।
Andreessen এই প্রেক্ষাপট স্বীকার করেছেন, 1980 এর দশকের AI বুমের আশাবাদ উল্লেখ করে: ‘80 এর দশকে অনেক স্মার্ট লোক ভেবেছিল এই সব তখনই ঘটবে।’ সেই যুগে কৃত্রিম বুদ্ধিমত্তায় উল্লেখযোগ্য বিনিয়োগ এবং গবেষণা দেখা গিয়েছিল, কিন্তু এটি শেষ পর্যন্ত একটি ‘AI winter’-এর দিকে নিয়ে যায় – যখন প্রযুক্তি তার সবচেয়ে উচ্চাভিলাষী প্রতিশ্রুতিগুলি পূরণ করতে ব্যর্থ হয়েছিল তখন তহবিল এবং আগ্রহ হ্রাসের একটি সময়। কম্পিউটেশনাল শক্তি, ডেটা প্রাপ্যতা এবং অ্যালগরিদমিক পদ্ধতির সীমাবদ্ধতাগুলি গভীর ছিল।
অতএব, Andreessen-এর মন্তব্যটি সম্ভবত আক্ষরিক দাবি হিসাবে বোঝা উচিত নয় যে অত্যাধুনিক, মানুষের মতো AI 1990-এর দশকের হার্ডওয়্যারে সম্ভব ছিল যেভাবে আমরা এখন এটি অনুভব করি, বরং একটি চিন্তা পরীক্ষা হিসাবে। এটি সেই সম্ভাবনা তুলে ধরে যা উন্মোচিত হতে পারত যদি গবেষণার অগ্রাধিকার, অ্যালগরিদমিক অগ্রগতি এবং হার্ডওয়্যার বিকাশ একটি ভিন্ন পথ অনুসরণ করত। এটি এই ধারণাকে জোর দেয় যে কিছু ধরণের বুদ্ধিমান মিথস্ক্রিয়ার বিল্ডিং ব্লকগুলি প্রযুক্তিগতভাবে অর্জনযোগ্য হতে পারত, এমনকি যদি ফলাফলটি আজকের AI-এর চেয়ে অনেক সহজ হত।
বৈপরীত্যময় যুগ: ডায়াল-আপ স্বপ্ন থেকে AI-মিশ্রিত বাস্তবতা
Windows 98 পরীক্ষাটি AI ইন্টিগ্রেশনের বর্তমান ল্যান্ডস্কেপের একটি সুস্পষ্ট বৈপরীত্য বিন্দু হিসাবে কাজ করে। আজ, AI দ্রুত একটি ক্লাউড-কেন্দ্রিক পরিষেবা থেকে অপারেটিং সিস্টেম এবং এমনকি হার্ডওয়্যারের মধ্যেই গভীরভাবে এম্বেড হওয়ার দিকে এগিয়ে যাচ্ছে।
Copilot এবং Copilot+ PCs নিয়ে Microsoft-এর ধাক্কা এই প্রবণতার উদাহরণ দেয়। Windows 11-এ Copilot-এর জন্য অসংখ্য এন্ট্রি পয়েন্ট রয়েছে, যা ডকুমেন্ট সংক্ষিপ্তকরণ এবং ইমেল খসড়া তৈরি থেকে শুরু করে ছবি তৈরি করা এবং সিস্টেম সেটিংস সামঞ্জস্য করার মতো কাজের জন্য AI সহায়তা প্রদান করে। নতুন Copilot+ PC স্পেসিফিকেশনে একটি Neural Processing Unit (NPU) অন্তর্ভুক্ত করা বাধ্যতামূলক – বিশেষায়িত সিলিকন যা AI গণনাগুলিকে দক্ষতার সাথে ত্বরান্বিত করার জন্য ডিজাইন করা হয়েছে। এটি একটি মৌলিক পরিবর্তনের ইঙ্গিত দেয় যেখানে AI প্রক্রিয়াকরণ ব্যক্তিগত কম্পিউটারের একটি মূল ফাংশন হয়ে উঠছে, যা শুধুমাত্র দূরবর্তী সার্ভারের উপর নির্ভর না করে স্থানীয়ভাবে পরিচালিত হচ্ছে।
এই আধুনিক পদ্ধতি প্রচুর সম্পদ অনুমান করে এবং ব্যবহার করে। Copilot+ PCs-এর জন্য ন্যূনতম 16GB RAM এবং দ্রুত সলিড-স্টেট স্টোরেজ প্রয়োজন, যা Windows 98 মেশিনের নম্র 128MB-কে ব্যাপকভাবে ছাড়িয়ে যায়। ব্যবহৃত AI মডেলগুলি, ক্লায়েন্ট-সাইড এক্সিকিউশনের জন্য অপ্টিমাইজ করা হলেও, পরীক্ষায় ব্যবহৃত ক্ষুদ্র Llama সংস্করণের চেয়ে অনেক বেশি জটিল এবং সক্ষম। তারা কয়েক দশকের অ্যালগরিদমিক পরিমার্জন, বিশাল প্রশিক্ষণ ডেটাসেট এবং তাদের প্রয়োজনের জন্য বিশেষভাবে তৈরি করা হার্ডওয়্যার থেকে উপকৃত হয়।
এই বৈপরীত্য বেশ কয়েকটি বিষয় আলোকিত করে:
- সফটওয়্যার অপ্টিমাইজেশন বনাম ব্লোট: Exo Labs পরীক্ষাটি চরম অপ্টিমাইজেশনের একটি প্রমাণ, যা আধুনিক অ্যালগরিদমগুলিকে একটি অত্যন্ত সীমাবদ্ধ পরিবেশে বাধ্য করে। এটি অন্তর্নিহিতভাবে আধুনিক সফটওয়্যারের ক্রমবর্ধমান হার্ডওয়্যার সংস্থান অনুমান করার প্রবণতার সমালোচনা করে, যা কখনও কখনও অদক্ষতা বা ‘ব্লোট’-এর দিকে পরিচালিত করে।
- হার্ডওয়্যারের বিবর্তন: একটি সাধারণ 1998 পিসি এবং একটি 2024 Copilot+ পিসির মধ্যে কম্পিউটেশনাল শক্তি এবং মেমরির নিছক পার্থক্য বিস্ময়কর, যা Moore’s Law এবং আর্কিটেকচারাল উদ্ভাবনের একাধিক প্রজন্মের প্রতিনিধিত্ব করে।
- ডেটার অ্যাক্সেসযোগ্যতা: আধুনিক LLM-এর প্রশিক্ষণ ইন্টারনেট-স্কেল ডেটাসেটের উপর নির্ভর করে যা Windows 98 যুগে অকল্পনীয় ছিল। ডিজিটাল মহাবিশ্ব তখন কেবল খুব ছোট এবং সংযোগ বিচ্ছিন্ন ছিল।
- অ্যালগরিদমিক অগ্রগতি: 2017 সালে Transformer মডেলের মতো আর্কিটেকচারের বিকাশ একটি গুরুত্বপূর্ণ মুহূর্ত ছিল, যা আজকের জেনারেটিভ AI-তে দেখা স্কেলিং এবং কর্মক্ষমতা সক্ষম করে। আগের AI পদ্ধতিগুলির মৌলিক সীমাবদ্ধতা ছিল।
যদিও Andreessen 30 বছর আগে কথা বলা কম্পিউটারের স্বপ্ন দেখেন, বাস্তবতা হল আজকের AI অভিজ্ঞতার জন্য প্রয়োজনীয় হার্ডওয়্যার শক্তি, ডেটা প্রাপ্যতা এবং অ্যালগরিদমিক উদ্ভাবনের সঙ্গম অনেক পরে ঘটেছে।
এর মানে কী? নস্টালজিয়ার বাইরের প্রতিফলন
Windows 98-এ একটি Llama মডেলের সফল স্থাপন কি কেবল একটি চতুর হ্যাক, প্রযুক্তি উত্সাহীদের জন্য একটি নস্টালজিক স্টান্ট? নাকি এর গভীর তাৎপর্য রয়েছে? এটি যুক্তিযুক্তভাবে বেশ কয়েকটি উদ্দেশ্য পূরণ করে:
- চরম স্কেলেবিলিটি প্রদর্শন: এটি প্রমাণ করে যে বৃহৎ ভাষা মডেলগুলির পিছনের মৌলিক নীতিগুলি অবিশ্বাস্যভাবে কঠোর সংস্থান সীমাবদ্ধতার অধীনে কাজ করার জন্য অভিযোজিত হতে পারে। কম-পাওয়ার এমবেডেড সিস্টেম, IoT ডিভাইস, বা বিশ্বের বিভিন্ন অংশে ব্যবহৃত পুরনো হার্ডওয়্যারে AI স্থাপনের জন্য এর সম্ভাব্য প্রভাব রয়েছে।
- সীমাবদ্ধতার শক্তি তুলে ধরা: গুরুতর সীমাবদ্ধতার মধ্যে কাজ করা প্রায়শই উদ্ভাবন এবং দক্ষতাকে বাধ্য করে। Exo Labs টিমকে সৃজনশীল সমাধান খুঁজে বের করতে এবং নির্মমভাবে অপ্টিমাইজ করতে হয়েছিল, এমন দক্ষতা যা সম্পদ-সমৃদ্ধ পরিবেশেও মূল্যবান।
- অনুমানকে চ্যালেঞ্জ করা: এটি প্রতিফলনে প্ররোচিত করে যে আধুনিক অ্যাপ্লিকেশনগুলির দ্বারা ব্যবহৃত সমস্ত কম্পিউটেশনাল শক্তি এবং মেমরি তাদের সরবরাহ করা মূল্যের জন্য কঠোরভাবে প্রয়োজনীয় কিনা। কিছু সফটওয়্যার কি আরও হালকা এবং আরও দক্ষ হতে পারে?
- প্রযুক্তিগত পথের আকস্মিকতা চিত্রিত করা: ইতিহাস খুব কমই একটি সরল রেখা অনুসরণ করে। পুরনো হার্ডওয়্যারে কিছু প্রাথমিক AI সম্ভব হতে পারত এই সত্যটি তুলে ধরে যে কীভাবে বিভিন্ন পছন্দ, গবেষণার দিকনির্দেশ, বা এমনকি সুযোগ আবিষ্কারগুলি আমাদের একটি ভিন্ন প্রযুক্তিগত পথে নিয়ে যেতে পারত।
এই পরীক্ষা ইতিহাস পুনর্লিখন করে না, বা এর মানে এই নয় যে 2024 সালের অত্যাধুনিক AI অভিজ্ঞতাগুলি 1998 সালে কোনওভাবে অর্জনযোগ্য ছিল। সক্ষমকারী প্রযুক্তিগুলির মধ্যে ব্যবধান – প্রসেসিং পাওয়ার, মেমরি, ডেটা, অ্যালগরিদম – বিশাল রয়ে গেছে। যাইহোক, এটি একটি আকর্ষণীয় ডেটা পয়েন্ট, ইঞ্জিনিয়ারিং চাতুর্যের একটি প্রমাণ এবং প্রযুক্তিগত অগ্রগতির ঘুরপথ নিয়ে চিন্তা করার জন্য একটি অনুঘটক প্রদান করে। এটি আমাদের মনে করিয়ে দেয় যে গতকালের সীমাবদ্ধতাগুলি কখনও কখনও আজকের জ্ঞান দিয়ে কাটিয়ে ওঠা যায়, যা আশ্চর্যজনক ফলাফল দেয় এবং আমাদের এখন এবং ভবিষ্যতে কী সম্ভব হতে পারে তা পুনর্বিবেচনা করতে প্ররোচিত করে। পুরনো মেশিনের ভূত কেবল যা ছিল তার কথাই ফিসফিস করে না, বরং সরলতা এবং দক্ষতায় বসবাসকারী অব্যবহৃত সম্ভাবনার কথাও বলে।