AI-এর গণিত সাফল্যের ধাপ গবেষণার কাজ নতুন করে ভাবতে বাধ্য করছে

AI এখন গণিত সহকারী থেকে গণিতিক অংশগ্রহণকারীতে রূপ নিচ্ছে

বছরের পর বছর কৃত্রিম বুদ্ধিমত্তাকে গবেষণার জন্য একটি আশাব্যঞ্জক সহায়ক টুল হিসেবে বর্ণনা করা হয়েছে। গণিতে, সেই framing এখন খুবই সীমিত মনে হতে শুরু করেছে। সাম্প্রতিক AI-সম্পর্কিত ফলাফলের একটি ধারাবাহিকতা, যার চূড়ান্ত পরিণতি ছিল একটি দীর্ঘদিনের খোলা বিখ্যাত conjecture-কে চ্যালেঞ্জ করা, গণিতবিদদের একটি কঠিন প্রশ্নের মুখে ফেলছে: যখন সিস্টেমটি শুধু গবেষণার paperwork-এ সাহায্য করছে না, বরং এমন অগ্রগতিতে অবদান রাখছে যা মানুষ দশকের পর দশক ধরে পৌঁছাতে পারেনি, তখন কী ঘটে?

দেওয়া প্রতিবেদনের মতে, একটি বড় মোড় আসে 2026 সালের মে মাসে, যখন OpenAI Unit Distance Conjecture-এর একটি counterexample প্রকাশ করে। এটি geometric graph theory-র এমন একটি সমস্যা, যা 1946 সাল থেকে খোলা ছিল এবং Paul Erdos-সংশ্লিষ্ট খোলা প্রশ্নের বিস্তৃত নেটওয়ার্কের সঙ্গে যুক্ত ছিল। গণিতে counterexample গুরুত্বপূর্ণ, কারণ এগুলো শুধু একটি পুরোনো ধারণাকে একটু একটু করে ক্ষয় করে না। এগুলো হঠাৎ একটি গবেষণার পথ বন্ধ করে দিয়ে একাধিক নতুন পথ খুলে দিতে পারে, ফলে গবেষকদের এমন ধারণাগুলো পুনর্বিবেচনা করতে হয়, যা তারা বছরের পর বছর ধরে ধরে কাজ করে এসেছে।

উৎস উপাদানে যেমন বলা হয়েছে, ওই ঘটনার গুরুত্ব ছিল কেবল ফলাফলে নয়। তার পর কী হলো, সেটাই ছিল আসল বিষয়। এক সপ্তাহের মধ্যেই মানব গবেষকেরা নাকি মূল proof technique গ্রহণ করে তা ব্যবহার করে আরেকটি বড় conjecture খণ্ডন করেন। এই ধারাবাহিকতা একবারের কৌতূহল নয়, বরং একটি feedback loop-এর ইঙ্গিত দেয়: AI একটি কার্যকর সাফল্য দেয়, গণিতবিদেরা সেই পদ্ধতি গ্রহণ করেন, এবং সম্মিলিত গতি আরও আবিষ্কারকে ত্বরান্বিত করে।

একক ফলাফল থেকে ধারাবাহিক ধারা

সাম্প্রতিক কার্যকলাপের ঢেউ একটি মাত্র আলোচিত উদাহরণের চেয়েও বিস্তৃত বলে মনে হচ্ছে। উৎস পাঠে গণিতে AI-র অংশগ্রহণের একটি ধারাবাহিক প্রবাহের বর্ণনা রয়েছে, যেখানে counterexample আবিষ্কার, বিস্তৃত patterns শনাক্তকরণ, এবং যুক্তিকে machine-checkable proofs-এ রূপান্তর করতে সহায়তা করা অন্তর্ভুক্ত। FrontierMath benchmark-এর জন্য পরিচিত Epoch AI তাদের open-problems track-এ দ্বিতীয় solution ঘোষণা করেছে। OpenAI-ও তার Astra model-কে দশটি ভিন্ন কঠিনতার solution সহ উপস্থাপন করেছে, যা দেখায় যে frontier labs এখন advanced mathematical reasoning-কে benchmark এবং বাস্তব research domain, উভয় হিসেবেই দেখছে।

এটি গুরুত্বপূর্ণ, কারণ গণিতকে দীর্ঘদিন ধরে reasoning quality-এর কঠোর পরীক্ষা হিসেবে ধরা হয়েছে। সাবলীল লেখা তৈরি করা এক জিনিস; একটি খোলা conjecture সামলানো আরেক জিনিস। AI সিস্টেম যদি বারবার প্রকৃত গবেষণার সমস্যায় সাহায্য করতে পারে, তাহলে আলোচনা আর এই প্রশ্নে সীমাবদ্ধ থাকে না যে মডেলগুলো গণিতের ভাষা অনুকরণ করতে পারে কি না, বরং এই প্রশ্নে যায় যে তারা বিশ্বাসযোগ্যভাবে গণিতীয় আবিষ্কারে অংশ নিতে পারে কি না।

উৎস উপাদান আরও দেখায় কেন ক্ষেত্রের ভেতরে প্রতিক্রিয়া এত মিশ্র। কিছু গণিতবিদ এই সিস্টেমগুলোকে শক্তিশালী সহযোগী হিসেবে দেখেন। Queen Mary University of London-এর professor Abhishek Saha লিখেছেন, তাঁর ক্ষেত্রে frontier AI models অন্তত একজন দক্ষ, নিরলস PhD student-এর মতোই ভালো। তিনি GPT-5.5 Pro নিয়ে একদিন ধরে এমন রুটিন কাজ করেছেন, যা আগে সপ্তাহ লাগত, এবং বলেছেন যে অভিজ্ঞতাটি তাঁকে সবকিছু নিজে করার বদলে একজন conductor-এর মতো কাজ পরিচালনা করতে শিখিয়েছে।

এই তুলনাটি তাৎপর্যপূর্ণ। এটি দাবি করে না যে AI expert judgment, taste, বা strategic decision-making-এর জায়গা নিয়ে নিয়েছে। বরং এটি কাজের নতুন বিভাজন নির্দেশ করে। মানব গবেষক লক্ষ্য স্থির করেন, যুক্তি যাচাই করেন, এবং কী গুরুত্বপূর্ণ তা ঠিক করেন। মডেল অনুসন্ধানকে দ্রুত করে, প্রযুক্তিগত ভূখণ্ডে পথ আঁকে, এবং এক ব্যক্তির পক্ষে যুক্তিসঙ্গতভাবে করা সম্ভব নয় এমন পরিমাণ trial work সামলায়।

পেশা এখন শুধু সক্ষমতা নয়, অভিযোজন নিয়েও বিতর্ক করছে

গভীর উত্তেজনাটি সাংস্কৃতিকও। গণিত originality, rigor, এবং ব্যক্তিগত insight-কে অসাধারণ মূল্য দেয়। কঠিনভাবে অর্জিত proof-কে কেন্দ্র করে গড়ে ওঠা একটি শাস্ত্র এমন টুলকে সহজে গ্রহণ করে না, যা কয়েক সপ্তাহের প্রযুক্তিগত পরিশ্রমকে এক দিনে সঙ্কুচিত করতে পারে। উৎস প্রতিবেদন এই বিভাজন স্পষ্টভাবে তুলে ধরেছে। Saha-এর মতে, অনেক গণিতবিদ এখনো উপলব্ধি করেন না যে বর্তমান সিস্টেমগুলো ইতিমধ্যেই কী করতে পারে, এবং তিনি মনে করেন ক্ষেত্রটি early adopters ও holdouts-এ ভাগ হয়ে যাবে।

এই বিভাজন careers, training, এবং collaboration norms গঠন করবে। AI যদি একটি standard research instrument হয়ে যায়, তাহলে graduate education আরও উচ্চ-স্তরের problem selection, verification, এবং synthesis-এর দিকে সরে যেতে পারে। রুটিন derivations এবং exploratory dead ends-এ মানুষের সময় কম লাগতে পারে। একই সঙ্গে, ক্ষেত্রের prestige structure-এ চাপ পড়তে পারে। যদি একটি মডেল নির্ণায়ক ধারণা সামনে আনতে পারে বা লুকানো counterexample বের করতে পারে, তাহলে গণিতবিদদের credit, authorship, এবং ব্যক্তিগত contribution-এর অর্থ নিয়ে সিদ্ধান্ত নিতে হবে।

এই বিতর্ককে জরুরি মনে হওয়ার একটি ব্যবহারিক কারণও আছে। একবার কোনো দল এমন টুল গ্রহণ করলে যা গবেষণার সময় বাস্তবভাবে কমিয়ে দেয়, অন্যদেরও প্রতিযোগিতায় টিকে থাকতে তা অনুসরণ করতে হতে পারে। এটি বিজ্ঞান ও প্রকৌশলে পরিচিত একটি pattern, কিন্তু গণিত ঐতিহ্যগতভাবে ভিন্ন গতিতে এগিয়েছে। এখানে সেই গতি বাড়াই shock-এর অংশ হতে পারে।

তবুও, দেওয়া উপাদান একটি সরল replacement narrative সমর্থন করে না। সবচেয়ে আশাবাদী কণ্ঠও AI-কে মানব workflow-এ embedded একটি tool হিসেবেই বর্ণনা করছে, স্বায়ত্তশাসিত গণিতীয় সম্প্রদায় হিসেবে নয়। কোন প্রশ্নগুলো গুরুত্বপূর্ণ, কোনো ফলাফল আকর্ষণীয় নাকি শুধু সঠিক, এবং বিচ্ছিন্ন ফলাফলগুলোকে বৃহত্তর তত্ত্বের সঙ্গে কীভাবে যুক্ত করতে হবে, তা নির্ধারণের জন্য এখনও গবেষকদের দরকার। মেশিন proof বা counterexample তৈরি করতে পারে, কিন্তু সেই output-এর তাৎপর্য এখনও মানব গণিতবিদরাই নির্ধারণ করেন।

এই মুহূর্তটি গণিতের বাইরেও কেন গুরুত্বপূর্ণ

সাম্প্রতিক উন্নয়নগুলো pure math-এর বাইরেও গুরুত্বপূর্ণ, কারণ এগুলো advanced AI নিয়ে একটি বৃহত্তর দাবিকে পরীক্ষা করছে: এই সিস্টেমগুলো এখন শুধু বিদ্যমান তথ্যকে পুনর্বিন্যাসই করছে না, বরং বিশেষায়িত ক্ষেত্রে নতুন জ্ঞানও তৈরি করতে পারে। গণিত একটি বিশেষভাবে কঠোর ক্ষেত্র, কারণ এখানে মানদণ্ড অত্যন্ত unforgiving। একটি বৈধ proof, একটি বৈধ counterexample, বা একটি machine-checkable argument অনেক নরম ধরনের knowledge task-এর চেয়ে অনেক পরিষ্কার signal দেয়।

এই pattern বজায় থাকলে, AI কীভাবে অন্য expert work বদলায় তার একটি প্রাথমিক মডেল হয়ে উঠতে পারে গণিত। বিশেষজ্ঞদের সরিয়ে দিয়ে নয়, বরং expertise কোন কাজে ব্যয় হবে তা বদলে দিয়ে। প্রশ্ন framing, বিস্ময়কর output scrutinize করা, এবং ফলাফলকে একটি সুসংগত জ্ঞানভাণ্ডারে যুক্ত করার কাজে আরও সময় যেতে পারে। brute-force exploratory labor-এ কম সময় লাগতে পারে।

এ মুহূর্তে, দেওয়া প্রতিবেদনের ভিত্তিতে সবচেয়ে শক্তিশালী সিদ্ধান্তটি আরও সংকীর্ণ হলেও যথেষ্ট তাৎপর্যপূর্ণ: AI-সহায়তায় গণিত একটি আকর্ষণীয় সম্ভাবনা থেকে একটি সক্রিয় গবেষণা শক্তিতে পরিণত হয়েছে। ফলাফলটি ঐকমত্য নয়। এটি এমন একটি পেশা, যা নতুন একটি সক্ষমতার অর্থ নিয়ে আলোচনা করছে, এবং সেটিকে উপেক্ষা করা এখন আর সম্ভব নয় বলেই এটি খুবই উৎপাদনশীল হয়ে উঠেছে।

এই নিবন্ধটি The Decoder-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.