সাকানা এআই পুনরাবৃত্ত স্বউন্নয়ন অনুসন্ধানে ল্যাব গঠন করেছে

ফ্রন্টিয়ার অগ্রগতির জন্য সাকানা এআই ভিন্ন পথে বাজি ধরছে

সাকানা এআই পুনরাবৃত্ত স্বউন্নয়ন, বা RSI, নিয়ে গবেষণার জন্য Sakana AI RSI Lab নামে একটি নিবেদিত গবেষণা দল চালু করেছে। ধারণাটি উচ্চাভিলাষী, তবে রূপরেখায় সহজ: এমন এআই সিস্টেম তৈরি করা যা ভবিষ্যৎ এআই সিস্টেমের প্রযুক্তিগত ভিত্তি পুনর্নকশা, অপ্টিমাইজ, এবং প্রসারিত করতে সাহায্য করতে পারে, ফলে উন্নতির একটি যৌগিক চক্র তৈরি হয়।

স্টার্টআপটির যুক্তিটিও কৌশলগত। অগ্রগতিকে মূলত ক্রমশ বড় মডেলকে ক্রমশ বড় কম্পিউট বাজেটে প্রশিক্ষণ দেওয়ার বিষয় হিসেবে না দেখে, সাকানা পুনরাবৃত্ত স্বউন্নয়নকে বেশি দক্ষতা এবং বিস্তৃত প্রাপ্যতার পথ হিসেবে তুলে ধরছে। সেই দৃষ্টিভঙ্গিতে, উন্নত এআই-এর পরবর্তী ধাপ কেবল আরও স্কেল নয়। এটি হতে পারে সিস্টেম উন্নত করার জন্য আরও ভালো সিস্টেম।

এই কারণে ল্যাবটির সূচনা কেবল একটি ব্র্যান্ডিং পদক্ষেপের চেয়ে বেশি। এটি এমন একটি অবস্থান, যা দেখায় যে সবচেয়ে নিবিড়ভাবে অনুসরণ করা এআই স্টার্টআপগুলোর একটি মনে করে বর্তমান ফ্রন্টিয়ার প্রতিযোগিতার একটি অর্থবহ বিকল্প কোথা থেকে আসতে পারে।

তত্ত্ব থেকে নিয়ন্ত্রিত পরীক্ষায়

পুনরাবৃত্ত স্বউন্নয়ন দীর্ঘদিন ধরেই একটি অনুমানভিত্তিক আভা বহন করে এসেছে, এবং প্রায়ই এটিকে ব্যবহারিক গবেষণা কর্মসূচির বদলে দূরবর্তী সম্ভাবনা হিসেবে আলোচনা করা হয়েছে। সাকানা এই ব্যবধান কমাতে চাচ্ছে নির্দিষ্ট পূর্ববর্তী প্রকল্পগুলোর সঙ্গে ধারণাটিকে ভিত্তি দিয়ে। RSI Lab ঘোষণা করতে গিয়ে কোম্পানি গত দুই বছরের কয়েকটি উদ্যোগের কথা উল্লেখ করেছে, যেগুলোকে তারা ধাপ হিসেবে দেখছে।

এর মধ্যে রয়েছে LLM-Squared, যা অনুসন্ধান করে কীভাবে ভাষা মডেল অন্যান্য ভাষা মডেলের জন্য উন্নত প্রশিক্ষণ পদ্ধতি তৈরি করতে পারে। আরেকটি হলো Darwin Godel Machine, যাকে এমন একটি সিস্টেম হিসেবে বর্ণনা করা হয়েছে যা নিজের codebase-এর ভেরিয়েন্ট তৈরি, পরীক্ষা, এবং পুনরাবৃত্তি করে। সাকানা ShinkaEvolve, ALE-Agent, এবং The AI Scientist-ও তুলে ধরেছে; এগুলো সবই বিবর্তনমূলক অপ্টিমাইজেশন, ট্রায়াল-অ্যান্ড-এরর কৌশল আবিষ্কার, বা বৈজ্ঞানিক গবেষণার কিছু অংশের স্বয়ংক্রিয়করণের সঙ্গে যুক্ত প্রকল্প।

এই সেটের একটি শক্তিশালী ইঙ্গিত হলো কোম্পানির দাবি, The AI Scientist-এর পরবর্তী একটি সংস্করণ এমন একটি পেপার লিখেছিল যা peer review পাস করে, এবং অন্তর্নিহিত গবেষণা March 2026-এ Nature-এ প্রকাশিত হয়। সব মিলিয়ে, সাকানা এই প্রকল্পগুলোকে প্রমাণ হিসেবে উপস্থাপন করছে যে পুনরাবৃত্ত স্বউন্নয়ন খাঁটি ভাবনাপ্রসূত পরীক্ষা থেকে নিয়ন্ত্রিত, ধাপে ধাপে প্রদর্শনে রূপ নিয়েছে।

চার ধাপের রোডম্যাপ

সাকানা বলছে, তাদের রোডম্যাপ চার ধাপে অগ্রসর হয়, শুরুতে এমন সিস্টেম দিয়ে যেগুলো চ্যাটবট হিসেবে নয়, বরং উন্মুক্ত-সমাপ্ত প্রযুক্তিগত কাজের সরঞ্জাম হিসেবে ডিজাইন করা। বড় ধারণা হলো মানব-নেতৃত্বাধীন অপ্টিমাইজেশন থেকে এমন এআই এজেন্টের দিকে এগোনো, যারা নিজেদের অন্তর্নিহিত স্থাপত্য, code, এবং নকশাগত সিদ্ধান্তে ক্রমশ বেশি অবদান রাখতে পারে।

এই রোডম্যাপ গুরুত্বপূর্ণ, কারণ এটি আকস্মিক লাফের বদলে একটি পরিমিত রূপান্তরের ইঙ্গিত দেয়। সাকানা বলছে না যে আজকের সিস্টেমগুলো সম্পূর্ণ মাত্রায় স্বায়ত্তশাসিতভাবে নিজেদের পুনর্নির্মাণ করতে পারে। বরং এটি এমন একটি ক্রম দেখাচ্ছে যেখানে সীমিত-পরিসরের অপ্টিমাইজেশন, পরীক্ষা, এবং code তৈরির কাজ ধীরে ধীরে উন্নয়ন চক্রের কেন্দ্রে চলে আসে।

এটি AI-কে ঘিরে প্রভাবশালী বাণিজ্যিক বর্ণনার সঙ্গে উল্লেখযোগ্যভাবে ভিন্ন, যেখানে সক্ষমতার উন্নতি প্রায়ই মূলত মডেলের আকার, প্রশিক্ষণ চালনা, এবং অবকাঠামো ব্যয়ের মাধ্যমে ব্যাখ্যা করা হয়। সাকানা অনুসন্ধান, অভিযোজন, এবং বিবর্তনকে বিকল্প চালিকা শক্তি হিসেবে জোর দিচ্ছে।

বর্তমান AI বাজারে এই পদ্ধতি কেন গুরুত্বপূর্ণ

কম্পিউটের কেন্দ্রীকরণ যখন AI শিল্পের অন্যতম সংজ্ঞায়িত বৈশিষ্ট্যে পরিণত হয়েছে, তখন এই লঞ্চটি এসেছে। ফ্রন্টিয়ার প্রশিক্ষণ চালনা ব্যয়বহুল, হার্ডওয়্যার প্রাপ্তি অসম, এবং সবচেয়ে বড় ল্যাব ও বাকিদের মধ্যে ব্যবধান কাঠামোগত বলে মনে হতে পারে। সাকানার থিসিস হলো, স্বউন্নয়নশীল সিস্টেম কেবল brute-force স্কেলিং-এর ওপর নির্ভরতা কমিয়ে সেই সুবিধাকে কিছুটা প্রশমিত করতে পারে।

এর মানে কম্পিউটকে প্রত্যাখ্যান করা নয়। এটি একটি দাবি যে প্রান্তিক লাভ কোথা থেকে আসতে পারে। যদি এআই সিস্টেম আরও ভালো প্রশিক্ষণ পদ্ধতি আবিষ্কার করতে পারে, নিজের code অপ্টিমাইজ করতে পারে, এবং গবেষণা ও পরীক্ষার কিছু অংশ স্বয়ংক্রিয় করতে পারে, তাহলে অ্যালগরিদমিক উন্নতি এবং কাঁচা অবকাঠামোর মধ্যে ভারসাম্য বদলে যেতে পারে।

পুনরাবৃত্ত স্বউন্নয়নের সবচেয়ে শক্তিশালী রূপ এখনও দূরে থাকলেও, মধ্যবর্তী লাভও মূল্যবান হতে পারে। পরীক্ষার নকশা, code পুনরাবৃত্তি, বা স্বয়ংক্রিয় মডেল উন্নয়নের জন্য আরও ভালো টুলিং সাকানার বাইরের ল্যাবগুলোর কাছেও গুরুত্বপূর্ণ হবে।

সামনের আসল পরীক্ষা

নতুন ল্যাবটির চ্যালেঞ্জ ধারণাগত দৃশ্যমানতা নয়। পুনরাবৃত্ত স্বউন্নয়ন ইতিমধ্যেই AI-র সবচেয়ে আলোচিত দীর্ঘমেয়াদি ধারণাগুলোর একটি। চ্যালেঞ্জ হলো দেখানো যে বর্তমান সিস্টেমগুলো আসলে কী করতে পারে তা বাড়িয়ে না বলে স্থায়ী, পরিমাপযোগ্য অগ্রগতি প্রদর্শন করা।

এখনের জন্য, সাকানার ঘোষণা সর্বোত্তমভাবে এভাবেই পড়া যায় যে কোম্পানি একটি গবেষণা দিককে আনুষ্ঠানিক করছে, যার সম্পর্কে তাদের বিশ্বাস এটি ইতিমধ্যেই প্রাথমিক প্রমাণ দিয়েছে। কোম্পানি বলছে, পুনরাবৃত্ত স্বউন্নয়নকে এখন কেবল দার্শনিক সম্ভাবনা নয়, একটি প্রকৌশল কর্মসূচি হিসেবে বিবেচনা করা উচিত।

যদি সেই যুক্তি কার্যকর হয়, তাহলে তার প্রভাব হবে উল্লেখযোগ্য। এআই অগ্রগতি তখন কম নির্ভর করতে পারে কে কম্পিউটে সবচেয়ে বেশি খরচ করতে পারে, আর বেশি নির্ভর করতে পারে কে এমন সিস্টেম তৈরি করতে পারে যা গবেষণা প্রক্রিয়াকেই উন্নত করে। প্রমাণ করা কঠিন, কিন্তু সম্ভাব্যভাবে আরও গুরুত্বপূর্ণ পথ সেটাই।

মূল পয়েন্ট

• সাকানা এআই পুনরাবৃত্ত স্বউন্নয়ন গবেষণার জন্য RSI Lab তৈরি করেছে।
• কোম্পানি মনে করে RSI বর্তমান কম্পিউট অস্ত্র প্রতিযোগিতার একটি বিকল্প হতে পারে।
• সাকানা LLM-Squared, Darwin Godel Machine, এবং The AI Scientist-সহ আগের প্রকল্পগুলোর সঙ্গে ল্যাবটিকে যুক্ত করেছে।
• কোম্পানি এমন সিস্টেমের দিকে চার ধাপের পথরেখা তুলে ধরেছে, যারা নিজেদের প্রযুক্তিগত ভিত্তি আরও বেশি উন্নত করতে পারে।

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