ওপেনএআই তার বেশিরভাগ গবেষণা এমন মডেলের পেছনে ব্যয় করছে যা এখনো তৈরি হয়নি
ওপেনএআই তার গবেষণা সক্ষমতার বিরাট অংশ এমন মডেলের পেছনে নিয়োজিত করছে যা এখনো তৈরি হয়নি। কোম্পানির অ্যাপ্লাইড রিসার্চ প্রধান বরিস পাওয়ার এই সংখ্যাটি ৮০ থেকে ৯০ শতাংশ বলে উল্লেখ করেছেন, যা GPT-7, GPT-8 এবং তার পরবর্তী প্রজন্মের মডেলগুলোর দিকে পরিচালিত। যুক্তিটি সরল: কোম্পানি বিশ্বাস করে, "বেশিরভাগ মূল্য" শেষ পর্যন্ত এখানেই সৃষ্টি হবে।
ফেলো ফোরামে একটি সেশনে দেওয়া এই তথ্য বাইরের পর্যবেক্ষকদের জন্য ওপেনএআই-এর ধারাবাহিক মধ্য-চক্রের মডেল প্রকাশের অর্থ নতুন করে ব্যাখ্যা করে। ওই আপডেটগুলো সত্যিকারের পণ্য, যা গ্রাহকরা প্রতিদিন ব্যবহার করেন, কিন্তু কোম্পানির গবেষণা মনোযোগ সেখানে কেন্দ্রীভূত নয়।
পাওয়ারের বর্ণনা এমন একটি প্রতিষ্ঠানের দিকে ইঙ্গিত করে, যা প্রতিটি সংখ্যাযুক্ত প্রজন্মকে পণ্যের পুনরাবৃত্তি নয়, বরং একটি প্ল্যাটফর্ম পরিবর্তন হিসেবে দেখে — এমন এক ধাপ পরিবর্তন, যা প্রযুক্তিটি কী করতে পারে এবং কোথা থেকে রিটার্ন আসবে সে সম্পর্কে অনুমান নতুন করে নির্ধারণ করে।
ফ্রন্টিয়ার এআই ল্যাবগুলোর মানদণ্ডেও এই প্রতিশ্রুতির পরিধি অস্বাভাবিক। প্রকাশের কয়েক প্রজন্ম দূরে থাকা সিস্টেমে গবেষণা সম্পদের স্পষ্ট সংখ্যাগরিষ্ঠ অংশ বরাদ্দ করা এই বিশ্বাস প্রকাশ করে যে, সবচেয়ে বড় অর্থনৈতিক ও সক্ষমতা অর্জন বিদ্যমান বিষয়ের পরিমার্জনের মাধ্যমে পাওয়া যাবে না।
ক্রমবর্ধমান আপডেট ইচ্ছাকৃত স্বল্পমেয়াদি বাজি
প্রধান প্রজন্মগুলোর মাঝে ওপেনএআই ছোট উন্নতি প্রকাশ করে। পাওয়ার GPT-5.1 থেকে GPT-5.2-এ উত্তরণকে এর প্রতিনিধিত্বমূলক উদাহরণ হিসেবে উল্লেখ করেছেন। এ ধরনের কাজ মূলত বিশেষায়িত প্রশিক্ষণ ডেটার ওপর নির্ভর করে — লক্ষ্যভিত্তিক ডেটাসেট, যা অন্তর্নিহিত পদ্ধতি না বদলে নির্দিষ্ট ক্ষেত্রে মডেলের আচরণকে শান দেয়।
পাওয়ার বলেন, অভ্যন্তরীণভাবে এই ক্রমবর্ধমান প্রকাশগুলোকে "অত্যন্ত স্বল্পদৃষ্টিসম্পন্ন" হিসেবে বিবেচনা করা হয়। এটি সমালোচনার চেয়ে বরং কৌশলের স্বীকৃতি: কোম্পানি জানে এগুলো দীর্ঘমেয়াদি খেলা নয়, তবুও এগুলো প্রকাশ করা হয়।
এর যৌক্তিকতা গতি। ঘন ঘন আপডেট ওপেনএআই-কে বর্তমানে দ্রুত পুনরাবৃত্তি, সংকেত সংগ্রহ ও শেখার সুযোগ দেয়, যদিও এই পদ্ধতি কোম্পানিকে দীর্ঘমেয়াদে যেখানে পৌঁছাতে চায় সেখানে নিয়ে যাবে না। অন্য কথায়, স্বল্পমেয়াদি বাজিগুলো সেই শেখাকে সহায়তা করে, যা দীর্ঘমেয়াদি বাজিগুলোকে পথ দেখায়।
- বেশিরভাগ গবেষণা সক্ষমতা: GPT-7, GPT-8 এবং তার পরবর্তী মডেলের লক্ষ্যে।
- মধ্য-চক্রের আপডেট: বিশেষায়িত প্রশিক্ষণ ডেটা দ্বারা পরিচালিত।
- অভ্যন্তরীণ দৃষ্টিভঙ্গি: এই আপডেটগুলো উপযোগী, কিন্তু কৌশলগতভাবে সংকীর্ণ।
- দীর্ঘমেয়াদি ফল: নতুন মডেল প্রজন্মের সঙ্গে আসার প্রত্যাশা।
প্রকৃত লাফ আসে নতুন প্রজন্মের সঙ্গে
পাওয়ার প্রজন্মগত উত্তরণকে সেই মুহূর্ত হিসেবে বর্ণনা করেছেন, যখন "বাকি সবকিছু অনেক ভালোভাবে কাজ করে।" এক প্রজন্মে যা ভঙ্গুর বা আংশিক ছিল, পরের প্রজন্মে সেই সক্ষমতাগুলো সাধারণত সংহত হয়, যা পূর্ববর্তী মডেলে যতই ফাইন-টিউনিং করা হোক, পুনরুৎপাদন করা যায় না।
পার্থক্যটি হলো সংকীর্ণ কাজে মডেলকে শান দেওয়া এবং একসঙ্গে সবকিছুর সীমা বাড়ানোর মধ্যে। বিশেষায়িত প্রশিক্ষণ ডেটা নির্দিষ্ট ধরনের অনুরোধ মডেল কীভাবে সামলায় তা উন্নত করতে পারে; নতুন প্রজন্ম সর্বক্ষেত্রে মডেলের যুক্তি, নির্দেশ অনুসরণ এবং অস্পষ্টতা সামলানোর ক্ষমতা উন্নত করতে পারে।
এই গতিশীলতা একটি অস্বাভাবিক পরিচালন ব্যয় বহন করে। প্রতিটি ধাপ উত্তরণের পর দ্রুত সাফল্যের জন্য কোথায় বিনিয়োগ করতে হবে তা ওপেনএআই-কে নতুন করে শিখতে হয়। যে কৌশলগুলো একসময় অর্থবহ লাভ দিত, বেস মডেল নিজে থেকেই উন্নত হলে সেগুলো অপ্রয়োজনীয় হয়ে যেতে পারে — এমন এক চলমান লক্ষ্য, যা কোম্পানিকে প্রতিটি প্রজন্মের সঙ্গে তার খেলার বই নতুন করে তৈরি করতে বাধ্য করে।
মডেলের গুণমান নয়, অনবোর্ডিংই প্রধান বাধা
পাওয়ারের বর্ণনার সম্ভবত সবচেয়ে তাৎপর্যপূর্ণ অংশ হলো, তিনি আজকের এআই সহায়কদের সামনে প্রধান বাধা হিসেবে যা দেখেন। সেটি মডেলের গুণমান নয়। সেটি অনবোর্ডিং।
তিনি বলেন, বেশিরভাগ ChatGPT ব্যবহারকারী জানেন না, এআই দিয়ে তারা আসলে কী করতে পারেন। এই ব্যবধান সক্ষমতার নয়, আবিষ্কারের: মডেলগুলো ইতিমধ্যেই বিস্তৃত পরিসরের কাজ সামলাতে পারে, যা অনেক ব্যবহারকারী কখনো চেষ্টা করার কথা ভাবেন না। এই ব্যবধান কমানো গবেষণার মতোই একটি ডিজাইন ও পণ্য সমস্যা।
যার কাজ গবেষণার সীমান্তের কাছাকাছি, তার কাছ থেকে এটি একটি উল্লেখযোগ্য দাবি। এটি ইঙ্গিত করে, বাস্তব-জগতের মূল্যের সীমাবদ্ধতা পরবর্তী মডেল কতটা বুদ্ধিমান তার চেয়ে বরং মানুষ এটিকে কী করতে বলবে তা বুঝতে পারে কি না তার ওপর বেশি নির্ভর করে। বেশি সক্ষম একটি সিস্টেম, যা ব্যবহারকারীরা কম ব্যবহার করেন, তার সম্ভাবনার চেয়ে কম দেয়।
ভবিষ্যতের মডেল সম্পর্কে পাওয়ারের পরামর্শ হলো, সেগুলো কী সম্ভব তা আরও ভালোভাবে তুলে ধরতে এবং জিজ্ঞাসা করার আগেই ব্যবহারকারীর কী প্রয়োজন তা অনুমান করতে আরও দক্ষ হওয়া উচিত। এটি এমন সহায়কের দিকে ইঙ্গিত করে, যা পদক্ষেপ প্রস্তাব করে, কর্মপ্রবাহ সুপারিশ করে এবং কোথা থেকে শুরু করবেন তা বের করার বোঝা কমায়।
প্রতিটি প্রজন্ম ব্যবহারকারীর অভিজ্ঞতা কীভাবে বদলায়
পাওয়ার সাম্প্রতিক ওপেনএআই মডেলগুলোর ব্যবহারযোগ্যতার বিবর্তন সুনির্দিষ্টভাবে তুলে ধরেছেন:
- GPT-4 সতর্ক প্রম্পটিং দাবি করত — ব্যবহারকারীদের জিজ্ঞাসা করার দক্ষতা শিখতে হতো।
- GPT-5-এর সঙ্গে কাজ করা সহজ হলো, তবে পথে থাকতে এখনো অনেক প্রতিক্রিয়া প্রয়োজন হতো।
- GPT-6 আরও বেশি সক্ষম সহকর্মীর মতো আচরণ করে: আপনি একটি লক্ষ্য দিতে পারেন এবং এটি কাজ করতে দিতে পারেন।
তিনি যে গতিপথ বর্ণনা করেছেন, তা একটি সরঞ্জামকে নির্দেশ দেওয়া থেকে একজন সহযোগীর কাছে দায়িত্ব অর্পণের দিকে পরিবর্তন। প্রতিটি ধাপ ব্যবহারকারীর প্রয়োজনীয় দক্ষতার পরিমাণ কমায়, যা ফলস্বরূপ সিস্টেম থেকে কে মূল্য আহরণ করতে পারবে তার পরিধি বাড়ানো উচিত।
এটি ওপেনএআই-এর রোডম্যাপ যুক্তি সম্পর্কে যা বলে
সামগ্রিকভাবে পাওয়ারের মন্তব্যগুলো একটি দ্বৈত-পথের কৌশল তুলে ধরে। একটি পথ ঘন ঘন, ডেটা-চালিত আপডেটের মাধ্যমে বর্তমান পণ্যকে প্রতিযোগিতামূলক রাখে। অন্য পথটি — যেখানে গবেষণা বাজেটের বেশিরভাগ অংশ প্রবাহিত হয় — প্রজন্মগত রিসেটের লক্ষ্যে, যা পূর্ববর্তী পথের অপ্টিমাইজেশনকে অপ্রচলিত করে তোলে।
এই বিভাজনই ব্যাখ্যা করে, কেন কোম্পানি প্রতিটি নতুন প্রজন্মকে নির্ণায়ক ঘটনা হিসেবে দেখে। যদি সবচেয়ে বড় লাভ পরিমার্জনের বদলে রিসেট থেকে আসে, তাহলে গবেষণা অগ্রাধিকার রিসেটকে অনুসরণ করা উচিত, এমনকি যখন মধ্যবর্তী প্রকাশগুলোই আজ গ্রাহকরা প্রকৃতপক্ষে ব্যবহার করেন।
অমীমাংসিত প্রশ্নটি পাওয়ার নিজেই উত্থাপন করেছেন: আজকের মডেলগুলোতে ইতিমধ্যে যে মূল্য তৈরি হয়েছে, তা কি এমন মানুষের কাছে পৌঁছাতে পারে, যারা এখনো সেগুলো ভালোভাবে ব্যবহার করছেন না? তাঁর নিজের বর্ণনা অনুযায়ী, এটি মডেলগুলোকে আরও বুদ্ধিমান করার বিষয় কম, বরং বাকি সবার কাছে সেগুলোকে বোধগম্য করার বিষয় বেশি।
আপাতত কোম্পানিটি এই বিনিময় নিয়ে স্বস্তিতে আছে বলে মনে হচ্ছে। এটি ছোট আপডেট প্রকাশ চালিয়ে যাবে, আর তার গবেষণার বড় অংশ বাজি রাখবে সেই প্রজন্মগুলোর ওপর, যেগুলো এখনো আসেনি।
এই নিবন্ধটি The Decoder-এর প্রতিবেদনের ভিত্তিতে তৈরি। মূল নিবন্ধ পড়ুন।
Originally published on the-decoder.com
