হারবার্ট এল. রইটব্লাটের কাজের উপর ভিত্তি করে তৈরি এই বিশ্লেষণটি, কৃত্রিম সাধারণ বুদ্ধিমত্তার (এজিআই) আসন্ন আগমন সম্পর্কিত প্রচলিত বর্ণনার একটি বিপরীতমুখী ও সমালোচনামূলক দৃষ্টিভঙ্গি উপস্থাপন করে। মূল থিসিসটি দাবি করে যে, বর্তমান ও নিকট ভবিষ্যতের জেনারেটিভ এআই (জেনএআই) মডেলগুলি, যার মধ্যে বৃহৎ ভাষা মডেল (এলএলএম) অন্তর্ভুক্ত, মৌলিকভাবে এজিআই অর্জনে অক্ষম। এর কারণ হল "নৃতাত্ত্বিক ঋণ" নামক একটি মৌলিক সীমাবদ্ধতা। এই ঋণ বলতে সমস্যা কাঠামো, স্থাপত্য নকশা এবং নির্বাচিত প্রশিক্ষণ ডেটার জন্য মানুষের ইনপুটের উপর তাদের ভারী ও অনিবার্য নির্ভরতাকে বোঝায়। গবেষণাপত্রটি যুক্তি দেয় যে, এআই-এর আসল ঝুঁকি সুপারইন্টেলিজেন্স থেকে নয়, বরং এর অন্তর্নিহিত সীমাবদ্ধতা এবং মানুষের সহজবিশ্বাসের সম্মিলিত অপব্যবহার থেকে উদ্ভূত হয়।
নৃতাত্ত্বিক ঋণ হল সেই মূল ধারণাগত কাঠামো যা ব্যাখ্যা করে কেন আধুনিক এআই সাধারণ বুদ্ধিমত্তার পথে নেই।
নৃতাত্ত্বিক ঋণ তিনটি গুরুত্বপূর্ণ নির্ভরতাকে অন্তর্ভুক্ত করে:
এই ঋণের অর্থ হল, এআই সিস্টেমগুলি নতুন সমস্যা-সমাধানের প্যারাডাইম তৈরি করছে না, বরং মানুষ-নির্ধারিত সীমানার মধ্যে অপ্টিমাইজ করছে।
জিপিটি-৪-এর মতো মডেলগুলির সাফল্য প্রায়শই ভুল ব্যাখ্যা করা হয়। রইটব্লাট যুক্তি দেন যে, তারা সফল হয় কারণ মানুষ ইতিমধ্যেই মূল বুদ্ধিবৃত্তিক চ্যালেঞ্জগুলি সমাধান করে ফেলেছে, মডেলটিকে গ্রেডিয়েন্ট ডিসেন্টের মতো "সরল গণনা" সম্পাদনের জন্য রেখে দিয়েছে। মডেলটি একটি শক্তিশালী প্যাটার্ন প্রয়োগকারী, সাধারণ অর্থে সমস্যা সংজ্ঞায়িতকারী বা সমাধানকারী নয়।
বর্তমান জেনএআই প্রতিটি সমস্যাকে একটি ভাষা প্যাটার্ন শেখার সমস্যা হিসেবে উপস্থাপন করে। সেটা কোডিং হোক, ইমেজ জেনারেশন হোক বা যুক্তি হোক, অন্তর্নিহিত প্রক্রিয়াটি হল প্রশিক্ষণ ডেটার পরিসংখ্যানগত সম্পর্কের ভিত্তিতে পরবর্তী টোকেন (শব্দ, পিক্সেল প্যাচ) ভবিষ্যদ্বাণী করা। এই পদ্ধতিটি স্বভাবতই সীমাবদ্ধ সেইসব সমস্যার জন্য যেগুলির জন্য অ-ভাষাগত, বিমূর্ত বা নতুন ধরনের যুক্তির প্রয়োজন, যা পূর্ববর্তী মানুষের অভিব্যক্তিতে অন্তর্ভুক্ত নেই।
এজিআই-এর জন্য স্বায়ত্তশাসনের প্রয়োজন—নিজস্ব লক্ষ্য নির্ধারণ, নতুন সমস্যা সংজ্ঞায়িত এবং স্পষ্ট নির্দেশনা ছাড়াই দক্ষতা অর্জনের ক্ষমতা। লু ও সহকর্মীরা (২০২৪) যেমন উল্লেখ করেছেন, এলএলএমগুলি কেবল নির্দেশ অনুসরণ করে। তাদের স্বায়ত্তশাসিত দক্ষতা আয়ত্ত করার অন্তর্নিহিত চালিকা শক্তি বা ক্ষমতার অভাব রয়েছে, যা সাধারণ বুদ্ধিমত্তার একটি মৌলিক ভিত্তি।
একটি গুরুত্বপূর্ণ বাধা হল একাধিক সমস্যার ধরন চিহ্নিত করতে ব্যর্থতা। কিছু সমস্যা, যেমন "অন্তর্দৃষ্টি সমস্যা" (যেমন, নাইন-ডট সমস্যা), ধাপে ধাপে অপ্টিমাইজেশন বা ডেটা থেকে প্যাটার্ন ম্যাচিং দ্বারা সমাধান করা যায় না। সেগুলির জন্য সমস্যার স্থান পুনর্গঠনের প্রয়োজন—এমন একটি ক্ষমতা যা বর্তমান গ্রেডিয়েন্ট-ভিত্তিক শিক্ষণ ব্যবস্থায় অনুপস্থিত।
এআরসি-এজিআই-এর মতো বেঞ্চমার্কগুলি সার্বজনীনতা পরিমাপের জন্য অপর্যাপ্ত। একটি পরীক্ষায় উত্তীর্ণ হওয়া প্রকাশ করে না যে এটি কীভাবে পাস করা হয়েছে। একটি মডেল একটি সংকীর্ণ, পরীক্ষা-নির্দিষ্ট কৌশল (যেমন, মুখস্থ করা) বা একটি সাধারণ যুক্তি নীতি ব্যবহার করতে পারে। বেঞ্চমার্কগুলি কর্মক্ষমতা পরিমাপ করে, সামর্থ্যের অন্তর্নিহিত সার্বজনীনতা নয়।
গবেষণাপত্রটি এআই মূল্যায়নে একটি মূল যৌক্তিক ত্রুটির উপর আলোকপাত করে: ফলাফলকে সত্য বলে ধরে নেওয়া। এর রূপ হল: যদি কোনো সত্তার এজিআই থাকে, তবে সে টেস্ট টি পাস করবে। সত্তাটি টেস্ট টি পাস করেছে। অতএব, তার এজিআই আছে। এটি একটি ভ্রান্তি। কোনো কাজে সাফল্য যৌক্তিকভাবে সাধারণ বুদ্ধিমত্তার ব্যবহার নির্দেশ করে না, কারণ একই আউটপুট অনেক ভিন্ন (এবং কম সক্ষম) প্রক্রিয়া দ্বারা উৎপাদিত হতে পারে।
এই পরিস্থিতি শিল্প নেতাদের (অল্টম্যান, ২০২৫; লেইক ও সুটস্কেভার, ২০২৩) সাহসী পূর্বাভাস দ্বারা চিহ্নিত, যারা প্রায়শই স্বল্পমেয়াদী এজিআই-এর পূর্বাভাস দেন, প্রায়শই পরিমাপযোগ্য করে (যেমন, "৮৮% সামর্থ্য")। এগুলির বিপরীতে রয়েছে "এআই নিরাপত্তা ঘড়ি"-এর মতো প্রতীকী সতর্কতা।
পূর্বাভাসগুলি উল্লেখযোগ্য উদ্বেগের সৃষ্টি করেছে। সেন্টার ফর এআই সেফটি (২০২৩)-এর বিবৃতিতে এআই ঝুঁকিকে মহামারী ও পারমাণবিক যুদ্ধের সাথে সমতুল্য করা হয়েছে। মার্কিন পররাষ্ট্র দপ্তর কর্তৃক কমিশনকৃত গ্ল্যাডস্টোন রিপোর্ট (হ্যারিস ও সহকর্মী, ২০২৪) ল্যাব প্রতিযোগিতার দ্বারা চালিত "ডব্লিউএমডি-সদৃশ" ঝুঁকির সতর্কতা দেয়। এটি নিয়ন্ত্রক প্রচেষ্টাকে উৎসাহিত করেছে, যেমন ক্যালিফোর্নিয়ার প্রস্তাবিত এসবি-১০৪৭ যার "কিল সুইচ" বাধ্যতামূলকতা রয়েছে, যদিও এটি ভেটো করা হয়েছিল।
বর্তমান মডেলগুলির সীমাবদ্ধতা আংশিকভাবে তাদের অপ্টিমাইজেশনের উদ্দেশ্যের মাধ্যমে বোঝা যায়। একটি আদর্শ এলএলএমকে একটি প্রসঙ্গ $x_{ $$\mathcal{L}_{LLM} = -\sum_{t} \log P(x_t | x_{ যেখানে $\theta$ হল মডেল প্যারামিটার। এই উদ্দেশ্য মডেলটিকে প্রশিক্ষণ ডেটা ম্যানিফোল্ডের মধ্যে ইন্টারপোলেশন-এর বিশেষজ্ঞ হতে বাধ্য করে। যাইহোক, এজিআই-এর জন্য প্রয়োজন এক্সট্রাপোলেশন এবং অ্যাবস্ট্রাকশন—প্রশিক্ষণ উদাহরণগুলির উত্তল আবরণীর বাইরের সমস্যা সমাধান করা। "অন্তর্দৃষ্টি সমস্যা" বাধাটিকে একটি স্থান $S$-এ একটি সমাধান $s^*$ খুঁজে বের করা হিসাবে মডেল করা যেতে পারে, যেখানে সমস্যা $p$ থেকে $s^*$-এর পথের জন্য একটি নন-ডিফারেনশিয়েবল রূপান্তর $T$-এর প্রয়োজন যা ডেটা থেকে শেখা হয়নি: $$s^* = T(p), \quad \text{যেখানে } \nabla_\theta T \text{ অসংজ্ঞায়িত বা শূন্য।}$$ গ্রেডিয়েন্ট-ভিত্তিক শিক্ষণ ($\theta \leftarrow \theta - \eta \nabla_\theta \mathcal{L}$) এমন $T$ আবিষ্কার করতে পারে না। এটি ক্লাসিক্যাল এআই-এর যুক্তির সাথে সামঞ্জস্যপূর্ণ, যেমন "সিম্বল গ্রাউন্ডিং প্রবলেম" (হার্নাড, ১৯৯০), যা প্রশ্ন করে যে কীভাবে শুদ্ধ সিনট্যাক্স ম্যানিপুলেশন থেকে শব্দার্থবিদ্যা উদ্ভূত হতে পারে। ধারণাগত চিত্র: একটি ২ডি সমতল সম্ভাব্য সমস্যা ও সমাধানের স্থানকে উপস্থাপন করে। বিন্দুর একটি ঘন মেঘ প্রশিক্ষণ ডেটা (মানুষ-প্রদত্ত সমস্যা ও সমাধান) উপস্থাপন করে। বর্তমান জেনএআই মডেলগুলি এই মেঘের মধ্যে সমাধান খুঁজে বের করতে (ইন্টারপোলেশন) দক্ষ। লাল "এক্স" চিহ্নটি একটি "অন্তর্দৃষ্টি সমস্যা" নির্দেশ করে—এর সমাধান মেঘের বাইরে অবস্থিত। মসৃণ গ্রেডিয়েন্ট পথ মেঘ থেকে "এক্স"-এ নিয়ে যায় না; সেখানে পৌঁছাতে যুক্তির একটি বিচ্ছিন্ন লাফের প্রয়োজন, যা গ্রেডিয়েন্ট ডিসেন্ট অর্জন করতে পারে না। এটি নৃতাত্ত্বিক ঋণের দৃশ্যত উপস্থাপনা: মডেলটি মানুষ-প্রদত্ত ডেটা মেঘের মধ্যে সীমাবদ্ধ।
চিত্র: ইন্টারপোলেশন বনাম এক্সট্রাপোলেশন ব্যবধান
ভ্রান্তিপূর্ণ বেঞ্চমার্কিংয়ের বাইরে যাওয়ার জন্য, আমরা একটি গুণগত মূল্যায়ন ম্যাট্রিক্স প্রস্তাব করি। "এটি কি পরীক্ষায় পাস করেছে?" জিজ্ঞাসা করার পরিবর্তে, আমরা জিজ্ঞাসা করি "এর সামর্থ্যের প্রকৃতি কী?" যেকোনো টাস্ক টি-এর জন্য, দুটি অক্ষ বরাবর মূল্যায়ন করুন:
কেস উদাহরণ (এআরসি-এজিআই বেঞ্চমার্ক): একটি মডেল যা নির্দিষ্ট এআরসি ধাঁধার প্যাটার্নের সমাধান মুখস্থ করে তার স্কোর (জি=০, এ=০)। একটি মডেল যা অদেখা এআরসি ধাঁধার জন্য প্রযোজ্য একটি সাধারণ ভিজ্যুয়াল যুক্তি হিউরিস্টিক শেখে তার স্কোর (জি=১, এ=০)। একটি সিস্টেম যা কেবল এআরসি ধাঁধা সমাধানই করে না বরং নিজে থেকেই বিমূর্ত যুক্তির ধাঁধার একটি নতুন শ্রেণি চিহ্নিত করে, সেটি (জি=২, এ=২)-এর কাছাকাছি পৌঁছাবে। বর্তমান এসওটিএ মডেলগুলি সম্ভবত (জি=০/১, এ=০) চতুর্ভুজে কাজ করে। প্রকৃত এজিআই-এর জন্য (জি=২, এ=২)-এ ধারাবাহিকভাবে কাজ করার প্রয়োজন। এই কাঠামোটি ফলাফলকে সত্য বলে ধরে নেওয়ার ভ্রান্তিটিকে স্পষ্ট করে তোলে: একটি উচ্চ পরীক্ষার স্কোর কেবল কর্মক্ষমতা নিশ্চিত করে, উচ্চ জি বা এ স্কোর নয়।
এজিআই অর্জনের জন্য শুধুমাত্র বর্তমান স্থাপত্য স্কেলিং নয়, প্যারাডাইম শিফটের প্রয়োজন হবে।
এই বিশ্লেষণের সবচেয়ে তাত্ক্ষণিক "অ্যাপ্লিকেশন" হল নীতি ও বিনিয়োগে: নিয়ন্ত্রণগুলি কংক্রিট, স্বল্পমেয়াদী ক্ষতির উপর ফোকাস করা উচিত যা পক্ষপাতদুষ্ট বা অবিশ্বস্ত সিস্টেম থেকে আসে, অনুমানমূলক এজিআই দখলের উপর নয়। বিনিয়োগ নৃতাত্ত্বিক ঋণ হ্রাস করে এমন মৌলিক গবেষণার দিকে পরিচালিত হওয়া উচিত, শুধুমাত্র ডেটা ও প্যারামিটার স্কেলিংয়ের দিকে নয়।
মূল অন্তর্দৃষ্টি: এআই শিল্পটি "আউটপুট মায়োপিয়া"-র একটি গুরুতর ক্ষেত্রে ভুগছে। আমরা সাবলীল পাঠ্য ও চমকপ্রদ চিত্র দ্বারা মোহিত হয়ে পরিসংখ্যানগত দক্ষতাকে বোঝার সাথে ভুল করছি। রইটব্লাটের "নৃতাত্ত্বিক ঋণ" এই লুকানো নির্ভরতার জন্য নিখুঁত শব্দ। এটি সার্ভার রুমের হাতি। প্রতিটি "যুগান্তকারী আবিষ্কার" পরিদর্শন করলে দেখা যায়, এটি ডেটা নির্বাচন ও সমস্যা কাঠামোতে মানুষের উদ্ভাবনশীলতার প্রমাণ, মেশিন-জাত বুদ্ধিমত্তার নয়। আসল গল্পটি এআই-এর শক্তির নয়; এটি সেই বিপুল, প্রায়শই অদৃশ্য, মানুষের শ্রম যা এটিকে শক্তিশালী দেখায়।
যৌক্তিক প্রবাহ: যুক্তিটি অত্যন্ত সরল ও যৌক্তিকভাবে নিরেট। ১) লক্ষ্য সংজ্ঞায়িত করুন (এজিআইকে স্বায়ত্তশাসিত, সাধারণ সমস্যা-সমাধানকারী হিসেবে)। ২) সরঞ্জামটি পরীক্ষা করুন (জেনএআইকে মানুষের ডেটার উপর একটি প্যাটার্ন ম্যাচার হিসেবে)। ৩) অসামঞ্জস্যতা চিহ্নিত করুন (সরঞ্জামের মূল অপারেশন মানুষের প্রি-প্রসেসিং-এর উপর নির্ভরশীল)। ৪) ত্রুটি নির্ণয় করুন (সরঞ্জামের আউটপুটকে লক্ষ্যের প্রয়োজনীয়তার সাথে গুলিয়ে ফেলা)। ৫) পদ্ধতিগত ত্রুটিটি প্রকাশ করুন (মূল্যায়ন পদ্ধতি যা মুখস্থ করা এবং বোঝার মধ্যে পার্থক্য করতে পারে না)। এটি দর্শন নয়; এটি মৌলিক প্রকৌশল জবাবদিহিতা।
শক্তি ও ত্রুটি: এর শক্তি হল এর মৌলিক সমালোচনা। এটি আশার স্থাপত্যকেই প্রশ্নবিদ্ধ করে পুরো "এজিআই আসন্ন" বর্ণনার ভিত্তিতে আক্রমণ করে। এর ত্রুটি, সম্ভবত, হল যে এটি উদ্ভবের পাল্টা যুক্তির সাথে সম্পূর্ণভাবে জড়িত হয় না—এই সম্ভাবনা যে গুণগতভাবে নতুন সামর্থ্য (যেমন চেইন-অফ-থট যুক্তি) এমন স্কেলে উদ্ভূত হয় যা আমরা এখনও বুঝি না। যাইহোক, গবেষণাপত্রটি সঠিকভাবে প্রত্যুত্তর দেয় যে উদ্ভব যাদু নয়; এটি এখনও প্রশিক্ষণের উদ্দেশ্য $\mathcal{L}_{LLM}$ দ্বারা আবদ্ধ। আপনি এমন একটি লস ফাংশন থেকে স্বায়ত্তশাসন উদ্ভূত করতে পারবেন না যার জন্য এর কোনো পদ নেই।
কার্যকরী অন্তর্দৃষ্টি: নীতিনির্ধারকদের জন্য: সাই-ফাই প্রচারণা উপেক্ষা করুন। আপনার সামনে যা আছে তা নিয়ন্ত্রণ করুন: ডেটা গোপনীয়তা, অ্যালগরিদমিক পক্ষপাত, শ্রম স্থানচ্যুতি এবং প্রশিক্ষণের পরিবেশগত ব্যয়। এমন একটি মডেলের জন্য "কিল সুইচ" যা নিজের জুতার ফিতা বাঁধতে পারে না, তা নিরাপত্তা থিয়েটার। বিনিয়োগকারীদের জন্য: যে কোনো কোম্পানির প্রতি গভীর সন্দেহপ্রবণ হন যার মূল্যায়ন এজিআই অর্জনের উপর ভিত্তি করে। শক্তিশালী এআই দিয়ে নির্দিষ্ট, মূল্যবান সমস্যা সমাধানকারী কোম্পানিগুলিতে বাজি ধরুন, যারা এজিআই ভেপারওয়্যার বিক্রি করে তাদের উপর নয়। গবেষকদের জন্য: বেঞ্চমার্ক লিডারবোর্ড তাড়া করা বন্ধ করুন। এমন পরীক্ষা ডিজাইন করা শুরু করুন যা ইচ্ছাকৃতভাবে আপনার মডেলের বোঝার বিভ্রম ভাঙার চেষ্টা করে। এমন স্থাপত্য অনুসরণ করুন যা নৃতাত্ত্বিক ঋণ হ্রাস করে। সামনে এগোনোর পথ আরও একই ডেটা দিয়ে নয়, বরং মৌলিকভাবে ভিন্ন শিক্ষার নীতির মাধ্যমে। ঘড়িটি এজিআই-এর দিকে টিকটিক করছে না; এটি সেই মুহূর্তের দিকে টিকটিক করছে যখন আমরা উপলব্ধি করব যে আমরা ভুল ফাংশন অপ্টিমাইজ করছি।