নতুন device-control standard দিয়ে স্ক্রিনের বাইরে AI-কে এগিয়ে নিচ্ছে Anthropic

Anthropic-এর নতুন standard-এর লক্ষ্য AI agents-কে বাস্তব বিশ্বের যন্ত্রের সঙ্গে যুক্ত করা

Anthropic Model Hardware Standard, বা MHS, নামে যা বলছে তা চালু করেছে। এটি একটি research-preview framework, যা AI agents-কে physical devices-এর সঙ্গে সংযোগের একটি সাধারণ উপায় দিতে তৈরি করা হয়েছে। ধারণাটি সহজ, কিন্তু এর প্রভাব উল্লেখযোগ্য হতে পারে: workflow-এর প্রতিটি microscope, camera, robotic arm, laser system, বা অন্য machine-এর জন্য custom software links প্রয়োজন না হয়ে, MHS-এর উদ্দেশ্য shared drivers এবং data formats-এর একটি সেট দেওয়া, যাতে systems এক standardized layer-এর মাধ্যমে যোগাযোগ করতে পারে।

এটি গুরুত্বপূর্ণ, কারণ আজকের অধিকাংশ agentic AI কার্যকলাপ এখনও digital environments-এর মধ্যেই সীমাবদ্ধ। Models ইতিমধ্যে text তৈরি করতে পারে, code লিখতে পারে, images পরিবর্তন করতে পারে, এবং software tools-এর মধ্যে actions নিতে পারে। কিন্তু সেই জগত থেকে physical systems-এ যাওয়া কঠিন। বাস্তব equipment বিভিন্ন vendor, protocol, এবং এক-অফ interface-এ ছড়িয়ে থাকে, এবং একটি automated workflow চালানোর আগে সেগুলো সংযুক্ত করতে প্রায়শই weeks বা months engineering work লাগে।

Anthropic-এর দাবি, MHS এই integration burden কমাতে পারে। কোম্পানির বিবরণ অনুযায়ী, standard ব্যবহারকারী devices network-এর মাধ্যমে data ভাগ করতে এবং instructions গ্রহণ করতে পারে, প্রতিটি connection-এর জন্য আলাদা translator-এর দরকার ছাড়াই। বাস্তবে, এটি একটি খণ্ডিত lab বা industrial setup-কে automation-এর জন্য common operating environment-এর কাছাকাছি নিয়ে যেতে পারে।

প্রথম লক্ষ্য scientific research কেন

Anthropic শুরুতে MHS-কে consumer robotics বা factory automation-এর বদলে science-এর চারপাশে স্থাপন করছে। কোম্পানি বলছে, research preview-এর লক্ষ্য scientists-দের সেই custom software কাজ থেকে বাঁচানো, যা প্রায়ই experiment design এবং executable setup-এর মাঝখানে বাধা হয়ে দাঁড়ায়। অনেক advanced lab-এ, বিভিন্ন supplier-এর instruments-কে অত্যন্ত নির্ভুলভাবে synchronize করতে হয়, কিন্তু সেগুলো কখনও একই ভাষায় কথা বলার জন্য তৈরি হয়নি।

ঘোষণার সঙ্গে থাকা বিবরণে Anthropic বলেছে, প্রকল্পটি Virginia-এর Ashburn-এ Howard Hughes Medical Institute-এর Janelia Research Campus-এর কাজ থেকে অনুপ্রাণিত। সেখানে neuroscientist Arco Bast memory formation in the brain নিয়ে গবেষণার সময় rotating lasers, microscopes, cameras, এবং অন্যান্য experimental components-কে shared interface-এর মাধ্যমে সমন্বয় করার উপায় তৈরি করেছিলেন। Anthropic technical staffer Alek Kemeny বলেন, এই উদাহরণটি একটি বৃহত্তর সম্ভাবনার ইঙ্গিত দিয়েছে: যদি একটি lab একটি জটিল experiment-এর জন্য একীভূত control layer তৈরি করতে পারে, তবে একটি standardized approach AI-কে শেষ পর্যন্ত আরও অনেক experimental system চালাতে বা সমন্বয় করতে দিতে পারে।

নিকট-মেয়াদের প্রতিশ্রুতি সম্পূর্ণ autonomous science-এর মতো নাটকীয় নয়, তবে তবুও গুরুত্বপূর্ণ। যদি MHS integration work-কে কয়েক মাস থেকে কয়েক ঘণ্টা বা মিনিটে নামিয়ে আনতে পারে, যেমন Anthropic বলছে, তবে এটি বদলে দিতে পারে sophisticated experimental setup automation করার ক্ষমতা কার হাতে থাকবে। আজ, সেই ক্ষমতা প্রায়ই অস্বাভাবিকভাবে শক্তিশালী in-house engineering talent-এর ওপর নির্ভর করে। একটি standard interface automation-কে labs এবং institutions-এর মধ্যে আরও portable করতে পারে, instrument connect করা, runs orchestrate করা, এবং structured data আরও ধারাবাহিকভাবে capture করতে চাওয়া teams-এর friction কমাতে পারে।

শুধু AI feature নয়, একটি translation layer

ঘোষণার একটি উল্লেখযোগ্য দিক হলো MHS-কে শুধু AI-only infrastructure হিসেবে দেখানো হয়নি। Anthropic বলছে, standard সমর্থনকারী devices language model ছাড়াই সরাসরি command-line prompts এবং API code files-এর মাধ্যমে নিয়ন্ত্রণ করা যায়। এই framing গুরুত্বপূর্ণ, কারণ এটি standard-কে Claude-এর জন্য একটি marketing wrapper-এর চেয়ে কম এবং একটি interoperability layer-এর মতো দেখায়, যা নিজস্ব প্রযুক্তিগত গুণে দাঁড়াতে পারে।

AI angle আসে যখন MHS-কে Model Context Protocol-এর সঙ্গে যুক্ত করা হয়, যা models-কে tools এবং external systems-এর সঙ্গে সংযোগ করার জন্য আরেকটি Anthropic-backed প্রচেষ্টা। একসঙ্গে, এই দুটি layer এমন একটি stack-এর ইঙ্গিত দেয় যেখানে একটি model উপলব্ধ devices বুঝতে পারে, shared control interface-এর মাধ্যমে instructions জারি করতে পারে, এবং প্রতিটি instrument pairing-এর জন্য custom glue code ছাড়াই structured feedback পেতে পারে।

এই পদ্ধতি physical AI-এর সবচেয়ে বড় bottleneck-গুলোর একটি সমাধান করে: কেবল reasoning নয়, নির্ভরযোগ্য action। একটি model ধাপের ধারাবাহিকতা পরিকল্পনা করতে পারে, কিন্তু hardware যদি predictable controls এবং readable states প্রকাশ করতে পারে তবেই সেই পরিকল্পনাগুলো কাজে লাগে। MHS সেই অনুপস্থিত consistency-ই সরবরাহ করতে চায়।

Adoption হলে কী বদলাতে পারে

MHS-এর গুরুত্ব ঘোষণা থেকে কম, আর device makers, labs, এবং automation teams এটি গ্রহণ করে কি না তার ওপর বেশি নির্ভর করবে। Standard তখনই শক্তিশালী হয় যখন বহু পক্ষ তার চারপাশে গড়ে তোলার খরচ মেনে নেয়। MHS যদি Anthropic demos-এর সঙ্গে যুক্ত একটি সীমিত research preview হিসেবেই থাকে, তবে এর প্রভাব সীমিত হবে। instruments এবং workflows জুড়ে সমর্থন পেলে, এটি এমন এক বিস্তৃত পরিবর্তন ত্বরান্বিত করতে পারে, যেখানে AI advisory software থেকে বেরিয়ে physical systems-এর সক্রিয় coordination-এ প্রবেশ করবে।

Scientific labs একটি স্পষ্ট প্রথম proving ground, কারণ সেখানে ইতিমধ্যে বৈচিত্র্যময়, software-controlled hardware আছে এবং উচ্চমূল্যের workflows তৈরি হয় যেখানে integration time ব্যয়বহুল। কিন্তু অন্তর্নিহিত যুক্তি research-এর অনেক বাইরে যেতে পারে। networked devices, machine-readable outputs, এবং পুনরাবৃত্ত configuration work থাকা যেকোনো পরিবেশ common control layer থেকে লাভবান হতে পারে।

এর মানে এই নয় যে standard সব চ্যালেঞ্জ সমাধান করে। Physical systems chatbot বা coding assistant-এর তুলনায় অনেক বেশি কঠোর reliability, safety, calibration, এবং supervision দাবি করে। একটি common interface orchestration সহজ করতে পারে, কিন্তু AI-কে machinery-তে action নিতে দিলে guardrails-এর প্রয়োজন দূর হয় না। এটি model-দের ambiguous বা high-stakes পরিস্থিতিতে ভালো সিদ্ধান্ত নেবে এমন নিশ্চয়তাও দেয় না।

তবুও Anthropic-এর এই পদক্ষেপ উল্লেখযোগ্য, কারণ এটি সেই বাস্তব বাধাকে লক্ষ্য করছে যা digital agents থেকে embodied বা device-linked AI-তে রূপান্তরকে ধীর করেছে। physical world-এ AI control নিয়ে শিল্প আলোচনার বেশিরভাগই model capability-তে কেন্দ্রীভূত। MHS বরং plumbing-এ নজর দেয়: drivers, formats, এবং interfaces, যা নির্ধারণ করে সক্ষম models বাস্তব equipment-এর সঙ্গে আসলেই উপযোগী কাজ করতে পারে কি না।

ঘোষণার সবচেয়ে গুরুত্বপূর্ণ সংকেত সম্ভবত এটাই। Anthropic শুধু বলছে না যে AI-কে machines নিয়ন্ত্রণ করা উচিত। এটি প্রস্তাব করছে, সেখানে যাওয়ার পথ standardization-এর মধ্য দিয়েই যায়। যদি সেই thesis সঠিক প্রমাণিত হয়, তবে agentic AI-এর পরবর্তী ধাপ intelligence-এ নাটকীয় লাফের চেয়ে hardware-কে বোধগম্য, addressable, এবং বড় পরিসরে interoperable করে তোলার শান্ত কাজের ওপর বেশি নির্ভর করবে।

এই নিবন্ধটি Ars Technica-এর প্রতিবেদনভিত্তিক। মূল নিবন্ধ পড়ুন.