DeepMind Co-Scientist-কে পরীক্ষাগারে কাজ করা গবেষণা ব্যবস্থায় সম্প্রসারিত করেছে

DeepMind, Co-Scientist-কে ভাবনার পর্যায়ের বাইরে নিয়ে যাচ্ছে

Google DeepMind বলছে, তাদের AI গবেষণা ব্যবস্থা Co-Scientist এখন হাইপোথিসিস তৈরি থেকে আরও এগিয়ে বৈজ্ঞানিক কর্মপ্রবাহের বড় একটি অংশে অংশ নিচ্ছে, যার মধ্যে রয়েছে পরীক্ষা পরিকল্পনা করা, কোড লেখা, কিছু ল্যাব যন্ত্র পরিচালনা করা, ফলাফল বিশ্লেষণ করা, এবং বৈজ্ঞানিক পান্ডুলিপির খসড়া তৈরি করা। Google একে একটি closed-loop গবেষণা প্রক্রিয়া হিসেবে বর্ণনা করছে, এবং এটি 2025 সালের ফেব্রুয়ারিতে কোম্পানি যে Co-Scientist সংস্করণটি চালু করেছিল তার তুলনায় একটি উল্লেখযোগ্য সম্প্রসারণ.

প্রদত্ত প্রতিবেদনের অনুযায়ী, নতুন সিস্টেমটি বর্তমান Gemini মডেলগুলির উপর নির্মিত এবং এটি এমনভাবে তৈরি যে এটি একটি গবেষণা প্রশ্ন নেয়, সেখান থেকে হাইপোথিসিস তৈরি করে, সেগুলিকে পরীক্ষামূলক পরিকল্পনা বা machine-readable প্রোটোকলে রূপান্তর করে, তারপর প্রাপ্ত ডেটা বিশ্লেষণ করে, এবং শেষে একটি প্রবন্ধ-দৈর্ঘ্যের আউটপুট তৈরি করে। Google আরও বলছে, সিস্টেমটিতে verification modules রয়েছে, যা তৈরি করা লেখার সংখ্যাগত দাবিগুলিকে তার উৎপাদিত কোডের execution logs-এর সঙ্গে তুলনা করে, যাতে বানানো বা অসংগত ফলাফল কমানো যায়.

এটি গুরুত্বপূর্ণ, কারণ বিজ্ঞানে AI সিস্টেমগুলোর অন্যতম কেন্দ্রীয় দুর্বলতা হল বিশ্বাসযোগ্য ভাষা এবং নির্ভরযোগ্য প্রমাণের মধ্যকার ফাঁক। এমন একটি সিস্টেম, যা নিজে যা লিখেছে তা সত্যিই যা চালিয়েছে তার সঙ্গে যুক্ত করতে পারে, এমনকি সীমিত workflow-এর মধ্যেও, machine-generated গবেষণা আউটপুটের সবচেয়ে স্পষ্ট ব্যর্থতার একটি ধরনকে মোকাবিলা করে। এটি আস্থার সমস্যাকে পুরোপুরি সমাধান করে না, কিন্তু দেখায় কোথায় ব্যবহারিক বৈজ্ঞানিক স্বায়ত্তশাসনকে প্রথমে উন্নত করতে হবে.

তিনটি ক্ষেত্র, স্বায়ত্তশাসনের তিনটি স্তর

প্রতিবেদনটি materials science, biology, এবং computer science জুড়ে validation প্রচেষ্টার বর্ণনা দিয়েছে, যেখানে প্রতিটি ক্ষেত্রে যন্ত্রের স্বাধীনতার মাত্রা ভিন্ন। materials work-এ, Co-Scientist মানুষের দ্বারা বাস্তবায়নের জন্য synthesis recipes প্রস্তাব করেছে। biology-তে, এটি expert feedback-এর সঙ্গে একটি prediction pipeline তৈরি করেছে। computer science-এ, Google বলছে সিস্টেমটি পুরোপুরি নিজে থেকেই কাজ করেছে.

এই ধাপে ধাপে গঠিত কাঠামোটি গুরুত্বপূর্ণ। একটি সর্বজনীন autonomous scientist দাবি করার বদলে, Google একটি spectrum উপস্থাপন করছে বলে মনে হয়: যেখানে physical experiments ব্যয়বহুল এবং সংবেদনশীল, সেখানে human-guided ব্যবহার; যেখানে expert oversight কেন্দ্রীয় ভূমিকা পালন করে, সেখানে collaborative ব্যবহার; এবং যেখানে পরীক্ষামূলক পরিবেশ ইতিমধ্যে software-native, সেখানে বেশি স্বায়ত্তশাসন। এই বিভাজন বাস্তবতাকে প্রতিফলিত করে যে AI সিস্টেমগুলি সাধারণত digital domains-এ wet labs বা advanced materials facilities-এর তুলনায় দ্রুত এগোতে পারে, যেখানে timing, contamination, hardware variability, এবং safety constraints automation-কে সীমিত করে.

materials উদাহরণটি সম্ভাবনা এবং সীমা উভয়ই দেখায়। প্রতিবেদনের অনুযায়ী, Co-Scientist-কে একটি semi-automated উচ্চ-তাপমাত্রার furnace-এর সঙ্গে যুক্ত করা হয়েছিল এবং এটি একটি বহুল চাওয়া দুই-মাত্রিক পদার্থের দিকে আরও নিরাপদ পথ চিহ্নিত করে, যা আগে মূলত বিপজ্জনক etching-এর মাধ্যমে তৈরি করা হতো। 25 দফা মানব-পরিমার্জনের পর, দলটি এমন layered structures তৈরি করে, যাদের বৈশিষ্ট্য লক্ষ্য পদার্থের সঙ্গে সাদৃশ্যপূর্ণ। তবে প্রতিবেদনে আরও বলা হয়েছে যে atomic structure-এর চূড়ান্ত নিশ্চিতকরণ এখনও বাকি.

এই সতর্কতাটি গুরুত্বপূর্ণ। সিস্টেমটি recipe generation দ্রুত করেছে এবং search space সংকুচিত করেছে, কিন্তু বৈজ্ঞানিক দাবিটির সবচেয়ে শক্তিশালী সংস্করণ এখনও প্রতিষ্ঠিত হয়নি। অন্যভাবে বললে, ফলাফলটি প্রক্রিয়া-প্রদর্শন হিসেবে আশাব্যঞ্জক, তবে লক্ষ্য পদার্থটি পরিকল্পনামাফিক সম্পূর্ণভাবে তৈরি হয়েছে তার চূড়ান্ত প্রমাণ নয়.

গতি বাড়ার সঙ্গে বাস্তবিক সমঝোতাও আসে

দ্বিতীয় materials পরীক্ষায়, প্রতিবেদনে বলা হয়েছে তিনটি semiconductor thin film প্রথম চেষ্টাতেই synthesized হয়েছে। Co-Scientist সরাসরি যন্ত্র নিয়ন্ত্রণের জন্য Gemini 3 Deep Think ব্যবহার করেছে, এবং Google বলছে এতে recipe development দিন থেকে মিনিটে নেমে এসেছে। যদি এই সময়-তুলনা বৃহত্তর ব্যবহারে টিকে যায়, তবে এটি R&D-তে AI-এর সবচেয়ে স্পষ্ট বাণিজ্যিক যুক্তিগুলোর একটি নির্দেশ করে: ল্যাব পরিবেশে ব্যয়বহুল iteration cycles সংকুচিত করা, যেখানে গবেষকরা প্রায়ই পদ্ধতি ঠিক করতে বিপুল সময় ব্যয় করেন.

একই সঙ্গে, প্রতিবেদন কয়েকটি সীমাবদ্ধতা চিহ্নিত করেছে, যা এই ঘোষণাকে সরাসরি ল্যাব automation-এর সাফল্য হিসেবে পড়তে বাধা দেয়। মানুষকে এখনও নমুনা এবং precursor materials হাতে করে লোড করতে হয়েছে। দ্রুততর operating mode, আরও যত্নসহকারে optimized recipes-এর তুলনায় ছোট এবং কম uniform crystals তৈরি করেছে। আর recipes-গুলোর অন্য ল্যাবগুলিতে transferability এখনও অনির্ধারিত.

এই বিবরণগুলো গুরুত্বপূর্ণ, কারণ reproducibility গবেষণার একটি সংজ্ঞায়িত মানদণ্ড। একটি system, যা এক instrument stack, এক ল্যাবের configuration, এবং এক দলের তত্ত্বাবধানে ভালো কাজ করে, তা এখনও দেখায়নি যে এটি generalized হতে পারে। বৈজ্ঞানিক automation তখনই বেশি মূল্যবান হয়, যখন procedure-গুলি equipment, operator, এবং পরিবেশগত অবস্থার পরিবর্তন সত্ত্বেও টিকে থাকে। recipe transfer-কে একটি open question হিসেবে চিহ্নিত করে, প্রতিবেদন পরোক্ষভাবে দেখায় যে আকর্ষণীয় demonstration এবং ব্যাপকভাবে deployable platform-এর মধ্যে এখনও কত engineering বাকি.

AI research infrastructure-এর জন্য এই পদক্ষেপ কেন গুরুত্বপূর্ণ

এই আপডেটের সবচেয়ে গুরুত্বপূর্ণ অংশ হয়তো কোনো একটি পরীক্ষা নয়। এটি hypothesis generation, execution planning, instrument control, analysis, এবং manuscript drafting-কে একটানা connected system-এ যুক্ত করার ধারণা। এই architecture দেখায় frontier AI developers বিজ্ঞানের পরবর্তী পর্যায়ের টুলিংকে কোথায় দেখছেন: এমন একটি chatbot হিসেবে নয়, যা গবেষকের বিচ্ছিন্ন ধাপে সাহায্য করে, বরং এমন একটি orchestrator হিসেবে, যা কী প্রস্তাব করা হয়েছে, কী চালানো হয়েছে, এবং কী পর্যবেক্ষণ করা হয়েছে তার একটি অভ্যন্তরীণ রেকর্ড রেখে কাজকে বহু ধাপে এগিয়ে নিতে পারে.

এমন সিস্টেম যদি পরিপক্ব হয়, তাহলে search space বড় এবং iteration ব্যয়বহুল এমন ক্ষেত্রগুলিতে গবেষণার অর্থনীতি বদলে দিতে পারে। materials discovery, biological prediction, এবং model design—সবই এমন ক্ষেত্র, যেখানে গবেষকদের হাতে পরীক্ষা করার মতো সম্ভাব্য সংমিশ্রণ খুব বেশি। এমন একটি tool, যা দ্রুত বিকল্প কমিয়ে আনে, executable procedure লেখে, এবং দাবি থেকে ফলাফল পর্যন্ত একটি structured trail বজায় রাখে, পূর্ণ স্বায়ত্তশাসনে না পৌঁছালেও মূল্যবান হয়ে উঠতে পারে.

কিন্তু এই ঘোষণা AI science coverage-এ একটি বৃহত্তর ধাঁচের মধ্যেও পড়ে: capability expansion প্রায়ই স্বাধীন validation-কে ছাড়িয়ে যায়। প্রদত্ত প্রতিবেদন ফলাফলগুলো Google-এর নামে দিচ্ছে এবং তিনটি বিষয়ে পরীক্ষা বর্ণনা করছে, কিন্তু এখানে external replication-এর প্রমাণ দিচ্ছে না। এটি কাজটিকে অকার্যকর করে না, তবে দাবিগুলো কীভাবে ব্যাখ্যা করা উচিত তা নির্ধারণ করে। সবচেয়ে শক্তিশালী পাঠ হল, Google একটি আরও সমন্বিত গবেষণা agent দেখাচ্ছে, যার কিছু experimentally grounded সাফল্য এবং দৃশ্যমান সীমাবদ্ধতা আছে; নয় যে একটি general-purpose autonomous scientist এসে গেছে.

• Google বলছে Co-Scientist এখন hypothesis থেকে draft paper পর্যন্ত গবেষণা চক্রের আরও অংশ সামলায়.
• প্রতিবেদন অনুযায়ী, সিস্টেমটি materials science, biology, এবং computer science-এ বিভিন্ন স্তরের autonomy-সহ পরীক্ষা করা হয়েছে.
• Verification modules, লেখার সংখ্যাগত দাবিগুলোকে execution logs-এর সঙ্গে cross-check করে fabricated ফলাফল কমাতে চায়.
• Reproducibility, অন্য ল্যাবে transfer, এবং দ্রুত operation-এর quality tradeoffs নিয়ে এখনো গুরুত্বপূর্ণ প্রশ্ন রয়ে গেছে.

AI sector-এর জন্য এটি এখনও একটি অর্থপূর্ণ পরিবর্তন। প্রতিযোগিতা আর কেবল কোন model paper summarize করতে পারে বা ideas প্রস্তাব করতে পারে তা নিয়ে নয়। এটি increasingly কোন সিস্টেম reasoning-কে instruments, data pipelines, এবং auditযোগ্য outputs-এর সঙ্গে যুক্ত করতে পারে তা নিয়ে। এখানে বর্ণিত Co-Scientist, সেই দিকের একটি পদক্ষেপ.

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