কিভাবে গুগল GPT‑কে চালিত করল কিন্তু ওপেনএআইই এআই দৌড় জিতল

ওভারভিউ: কিভাবে গুগল GPT‑কে চালিত করেছিল, তবু ওপেনএআইই এআই দৌড় জিতল

গুগল এতটাই "এআই মিস" করেনি — বরং তারা বর্তমান তরঙ্গকে সম্ভব করেছেন তাৎপর্যপূর্ণ একটি অংশ আবিষ্কার করেছিলেন, এবং পরে অন্যরা সেটাকে সংজ্ঞায়িত প্রোডাক্টে রূপান্তর করেছিল।

গুগলের গবেষকরা ট্রান্সফর্মার আর্কিটেকচার তৈরি করেন, যা GPT মডেলগুলোর মূল ধারণা। ২০১৭ সালের সেই পেপার, “Attention Is All You Need,” বড় মডেলগুলোকে প্রশিক্ষণ দেওয়ার পদ্ধতি দেখিয়েছিল যা ভাষা অনুধাবন ও জেনারেশনে অত্যন্ত সাবলীলতা নিয়ে আসে। ওই কাজ ছাড়া GPT আজকের রূপে থাকত না।

ওপেনএআইর অর্জন ছিল কোনো জাদুকরী নতুন অ্যালগোরিদম নয়। বরং তা ছিল কয়েকটি কৌশলগত সিদ্ধান্ত: ট্রান্সফর্মারকে প্রচলিত ধারণার অনেক বাইরে স্কেলে নিয়ে যাওয়া, বিশাল প্রশিক্ষণ চালানো, এবং ফলাফলটিকে সহজ-ব্যবহারের API এবং পরে ChatGPT হিসেবে প্যাকেজ করা—একটি কনজিউমার প্রোডাক্ট যা কোটি কোটি মানুষের কাছে AI কে স্পর্শ্য করে তুলল।

এই প্রবন্ধটি সেই সিদ্ধান্তগুলো ও ট্রেডঅফগুলো নিয়ে; এতে গুগলের গবেষণা সংস্কৃতি ও ব্যবসায়িক মডেল কীভাবে BERT‑ধাঁচের মডেল ও সার্চ‑উন্নতি পছন্দ করল, আর ওপেনএআই কীভাবে সাধারণ‑উদ্দেশ্য জেনারেটিভ সিস্টেমে ঝুঁকি নিল তা ট্রেস করা হয়েছে।

আমরা ঘুরে দেখবঃ

• কীভাবে গুগল প্রারম্ভিক এআই আধিপত্য তৈরি করল ও বিশ্বমানের গবেষণা প্রতিষ্ঠান দাঁড় করাল
• ট্রান্সফর্মার পেপার কেন এত বিপ্লবী ছিল—এবং এটি বাস্তবে কী পরিবর্তন আনল
• ওপেনএআই কীভাবে সেই ভিত্তি থেকে GPT তৈরি করল
• ভিন্ন কৌশলগুলো: গুগলের জন্য BERT ও সার্চ বনাম ওপেনএআইর স্কেল ও API‑কর্মসংস্থান
• “ChatGPT মুহূর্ত,” যখন ওপেনএআই পাবলিকে গুগলকে ছাপিয়ে গেল
• সাংস্কৃতিক ও প্রণোদনগত পার্থক্যগুলো যা দুই প্রতিষ্ঠানকে গঠন করেছিল
• গুগলের Bard ও Gemini দিয়ে রিসেট
• নির্মাতাদের জন্য বাস্তব পাঠ যাতে তারা গুগলের ভুল পুনরাবৃত্তি না করে

আপনি যদি এআই কৌশলে আগ্রহী হন—কিভাবে গবেষণা প্রোডাক্টে রূপান্তরিত হয়, এবং প্রোডাক্ট কীভাবে স্থায়ী সুবিধায় পরিণত হয়—এই গল্পটি দেখায় যে সেরা পেপার পাওয়াই যথেষ্ট নয়: স্পষ্ট বাজি নেওয়া এবং চালিয়ে যাওয়ার সাহসই বেশি গুরত্বপূর্ণ।

গুগলের প্রারম্ভিক এআই আধিপত্য ও গবেষণা সংস্কৃতি

গুগল আধুনিক মেশিন লার্নিং‑এ প্রবেশ করেছিল দুইটি বড় কাঠামোগত সুবিধা নিয়ে: অপুরিমাণের ডেটা এবং বড় বিতরণকৃত সিস্টেমগুলোর জন্য ইঞ্জিনিয়ারিং সংস্কৃতি। যখন তারা সেই যন্ত্রপাতি এআই দিকে ঘুরাল, তারা দ্রুত ক্ষেত্রটির নিকটস্থ কেন্দ্রবিন্দু হয়ে উঠল।

Google Brain থেকে DeepMind

Google Brain শুরু হয়েছিল ২০১১–২০১২ সময়কালের একটি পার্শ্বপ্রকল্প হিসেবে, নেতৃত্বে ছিলেন Jeff Dean, Andrew Ng, এবং Greg Corrado। দলটি বড়-পর্দায় ডিপ লার্নিংয়ের দিকে মনোনিবেশ করেছিল, গুগলের ডেটা সেন্টার ব্যবহার করে এমন মডেল প্রশিক্ষণ করত যা বেশিরভাগ বিশ্ববিদ্যালয়ের নাগালের বাইরে ছিল।

DeepMind ২০১৪ সালে উচ্চ-প্রোফাইল অধিগ্রহণের মাধ্যমে যোগ হয়। Google Brain প্রোডাক্ট ও অবকাঠামোর নিকট বসবাস করলেও, DeepMind দীর্ঘমেয়াদী গবেষণায় (রিইনফোর্সমেন্ট লার্নিং, গেমস, জেনারেল‑পারপাস লার্নিং সিস্টেম) ঝোঁক রাখত।

একসাথে, তারা গুগলকে অনন্য একটি এআই ইঞ্জিনরুম দিল: একটি দল প্রোডাকশনের স্ট্যাকের কাছে, আরেকটি দল মুনশট গবেষণায় লিপ্ত।

এআই আধিপত্য জানান দেওয়া মাইলফলকগুলো

কয়েকটি প্রকাশ্য মাইলফলক গুগলের অবস্থান দৃঢ় করেছিল:

• ImageNet ব্রেকথ্রু: ২০১২‑এর ImageNet জয় (AlexNet) মূলত টরন্টো বিশ্ববিদ্যালয়ের ক্রেডিট, তবে গুগল দ্রুত অনেক শীর্ষ গবেষক নিয়োগ করে Inception‑এর মত মডেল দিয়ে অবস্থা উন্নত করল। ভিশন বেঞ্চমার্কগুলো গুগলের স্কেল ও টুলিং প্রদর্শনের একটি শোকেস হয়ে উঠল।
• AlphaGo ও উত্তরসূরি: DeepMind‑এর AlphaGo ২০১৬ সালে Lee Sedol-কে পরাজিত করলে দেখা গেল ডিপ রিইনফোর্সমেন্ট লার্নিং জটিল ডোমেইনগুলো মানুষের হস্তক্ষেপ ছাড়া শিখতে পারে।
• “AI‑first” বক্তৃতা: ২০১৬–২০১৭-এর দিকে Sundar Pichai গুগলকে “AI‑first” কোম্পানি বলেও উল্লেখ করলেন। সার্চ, অ্যাডস, YouTube সুপারিশ, Photos, Maps, Android—এসবেই এআই ব্যবহার করা শুরু হল, যদিও অধিকাংশ ব্যবহারকারী সরাসরি মডেলগুলো দেখতে পায়নি।

এই জয়গুলো অনেক গবেষককে বিশ্বাস করিয়ে দেয় যে যদি আপনি সবথেকে উচ্চাভিলাষী এআই সমস্যায় কাজ করতে চান, গুগল বা DeepMind‑এ যেতে হবে।

ট্যালেন্ট ঘনত্ব—উদ্ভাবনের ইঞ্জিন

গুগল বিশ্বজুড়ে অসামান্য পরিমাণ এআই ট্যালেন্ট একত্র করেছিল। Geoffrey Hinton–র মত ট্যুরিং পুরস্কার বিজয়ী এবং Jeff Dean, Ilya Sutskever (OpenAI‑তে যাওয়ার আগে), Quoc Le, Oriol Vinyals, Demis Hassabis, David Silver‑এর মতো উচ্চস্তরের ব্যক্তিত্ব কয়েকটি অর্গ এবং বিল্ডিংয়ে কাজ করতেন।

এই ঘনত্ব শক্তিশালী ফিডব্যাক লুপ তৈরি করেছিল:

• নতুন আইডিয়া দ্রুত অভ্যন্তরে ছড়িয়ে পড়ত—টকস, মেইলিং লিস্ট, শেয়ার করা কোডের মাধ্যমে।
• দলগুলো জমাট হয়ে জটিল সমস্যা আক্রমণ করতে পারত, প্রয়োজনীয় দক্ষতা অভ্যন্তরীণভাবে সহজে পাওয়া যেত।
• গবেষকরা প্রোডাকশন-গ্রেড অবকাঠামো উপভোগ করতেন—ডেটা পাইপলাইন, বিতরণকৃত প্রশিক্ষণ সিস্টেম, এবং বিশেষায়িত হার্ডওয়্যার—নিজে সবকিছু গড়ে তুলতে হচ্ছিল না।

এই মিশ্রণ গুগলকে এমন এক জায়গা করে তুলেছিল যেখানে সীমারান্ত এআই গবেষণার উৎপত্তি ঘটত।

পেপার ও প্ল্যাটফর্মগুলোর পক্ষে অপটিমাইজ করা সংস্কৃতি

গুগলের এআই সংস্কৃতি বেশ বেশি পাবলিশিং ও প্ল্যাটফর্ম বিল্ডিং‑এর দিকে ঝুঁকেছিল, তুলনায় পরিশীলিত কনজিউমার এআই প্রোডাক্ট নির্মাণের।

গবেষণা পক্ষ থেকে নিয়ম ছিল:

• NeurIPS, ICML, ICLR‑এর মতো কনফারেন্সে প্রকাশ করা।
• TensorFlow‑এর মত ওপেন‑সোর্স টুল (গুগলের অভ্যন্তরীণ সিস্টেম প্রতিফলিত করে) মুক্তি করা।
• ভিশন, সিকোয়েন্স মডেলিং, রিইনফোর্সমেন্ট লার্নিং, বড়‑স্কেল ট্রেনিংয়ে প্রভাবশালী পেপার রিলিজ করা।

ইঞ্জিনিয়ারিং অংশে গুগল অবকাঠামোতে প্রচুর সম্পদ ঢালল:

• Tensor Processing Units (TPUs) যা নিউরাল নেটওয়ার্কওয়ার্ক লোডের জন্য তৈরি।
• প্রশিক্ষণ ও সার্ভিং স্ট্যাক—Borg‑এর অনুপ্রেরণায় গঠিত।
• বাস্তব ট্র্যাফিকে বিশাল স্টাডি চালাতে সহজ করে এমন ডেটা ও পরীক্ষা‑পরীক্ষার প্ল্যাটফর্ম।

এই পছন্দগুলো গুগলের মূল ব্যবসার সঙ্গে ঘনিষ্ঠভাবে সঙ্গতিপূর্ণ ছিল। ভাল মডেল ও টুলিং সরাসরি সার্চ প্রাসঙ্গিকতা, অ্যাড টার্গেটিং ও কনটেন্ট সুপারিশ উন্নত করে। এআইকে একটি সাধারণ সক্ষমতা স্তর হিসেবে দেখা হত, একক প্রডাক্ট হিসেবে নয়।

ফলাফল—একটি কোম্পানি যে বিজ্ঞানের ও প্লাম্বিংয়ে আধিপত্য করে, সেটি গভীরভাবে বিদ্যমান সার্ভিসে AI একীভূত করেছে এবং প্রভাবশালী গবেষণার মাধ্যমে প্রগতি প্রচার করেছে—তবু নতুন, ভোগ্‌যোগ্য কনজিউমার‑মুখী AI অভিজ্ঞতা চালিয়ে আনার বিষয়ে সতর্ক ছিল।

ট্রান্সফর্মারের জন্ম: গুগলের ব্রেকথ্রু পেপার

২০১৭ সালে, একটি ছোট Google Brain ও Google Research টিম একটি পেপার প্রকাশ করে পুরো ফিল্ডকে রিরওয়্যার করেছিল: “Attention Is All You Need”—লেখকরা Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan Gomez, Łukasz Kaiser, Illia Polosukhin।

মূল ধারণা সহজ কিন্তু বিপ্লবী ছিল: আপনি recurrence ও convolution বাদ দিয়ে পুরো সিকোয়েন্স মডেল কেবল attention দিয়ে বানাতে পারবেন। সেই আর্কিটেকচারকে উপাধি দেওয়া হল Transformer।

RNN ও LSTM‑এর সমস্যা ট্রান্সফর্মার কীভাবে ঠিক করল

ট্রান্সফর্মারের আগ পর্যন্ত, শ্রেষ্ঠ ভাষা সিস্টেমগুলো RNN ও LSTM‑ভিত্তিক ছিল। তাদের দুইটি প্রধান সমস্যা ছিল:

• অনুক্রমিক বোতলগল: RNN‑গুলো টোকেনগুলো এক এক করে প্রসেস করে—এতে প্রশিক্ষণ ও ইনফারেন্স প্যারালালাইজ করা কঠিন। GPU‑গুলি আগের স্টেপ শেষ না হওয়া পর্যন্ত অপেক্ষা করে থাকত।
• দূরবর্তী-নির্ভরতা: বড় সিকোয়েন্সে RNN‑গুলোর জন্য অনেক ধাপে আগের তথ্য মনে রাখা কঠিন হয়ে পড়ে, LSTM ও attention স্তর লাগালেই সবসময় সমাধান হতো না।

ট্রান্সফর্মার দুটোই সমাধান করল:

• Self-attention প্রতিটি টোকেনকে এক লেয়ারে সরাসরি প্রতিটি অন্য টোকেনের দিকে দেখতে দেয়।
• মডেলটি সমস্ত টোকেন প্যারালেলভাবে প্রসেস করে, প্রশিক্ষণকে GPU‑ফ্রেন্ডলি ম্যাট্রিক্স গুণে পরিণত করে।
• Multi-head attention মডেলকে বিভিন্ন প্রেক্ষিত (সিনট্যাক্স, কোরেফারেন্স, বিষয় ইত্যাদি) একসাথে শিখতে দেয়।

অর্ডার জানার জন্য positional encodings যোগ করা হয়—যা recurrence ছাড়াই ক্রমজ্ঞান দেয়।

কেন এটি স্কেলেবল ও মাল্টিমোডাল মডেল আনল

কারণ সব অপারেশন প্যারালেলাইজেবল এবং ঘন ম্যাট্রিক্স অপারেশনের উপর ভিত্তি করে, ট্রান্সফর্মার স্কেলে ক্লিনলি বাড়ে—অধিক ডেটা ও কম্পিউটের সঙ্গে ক্ষমতা বাড়াতে সহজ। এই স্কেলিং বৈশিষ্ট্যই GPT, Gemini এবং অন্যান্য আধুনিক মডেলের ভিত্তি।

একই attention যন্ত্রপত্র টেক্সটের বাইরে তারকা: ইমেজ প্যাচ, অডিও ফ্রেম, ভিডিও টোকেনগুলোতেও প্রয়োগ করা যায়। ফলে মাল্টিমোডাল মডেলের জন্য এটি একটি স্বাভাবিক ভিত্তি হয়ে উঠল।

ওপেন প্রকাশ এবং GPT‑র পথ

গুরুত্বপুর্ণভাবে, গুগল পেপারটি খোলা ভাবে প্রকাশ করেছিল এবং (পরে follow‑on কাজ ও Tensor2Tensor মতো লাইব্রেরির মাধ্যমে) আর্কিটেকচারকে পুনরুত্পাদন করা সহজ করে দেয়। গবেষক ও স্টার্টআপরা বিশ্বজুড়ে ডিজাইন পড়ে নকল করে স্কেল করতে পারল।

ওপেনএআই ঠিক তাই করল। GPT‑1 আর্কিটেকচারিকভাবে একটি Transformer decoder stack এবং একটি ভাষা-মডেলিং উদ্দেশ্যে প্রশিক্ষিত—গুগলের ট্রান্সফর্মারই এর সোজাসুজি শ্রেষ্ঠ পূর্বসূরী: একই self-attention ব্লক, positional encodings, এবং স্কেলে বাজি—কিন্তু ভিন্ন প্রোডাক্ট ও সংস্থাগত প্রসঙ্গে প্রয়োগ করা।

ট্রান্সফর্মার থেকে GPT: ওপেনএআই কীভাবে গুগলের কাজকে ব্যবহার করল

ওপেনএআই যখন GPT লঞ্চ করল, তারা নতুন কোনো প্যারাডাইম আবিষ্কার করছিল না। তারা গুগলের ট্রান্সফর্মার ব্লূপ্রিন্ট নিয়েছিল এবং সেটিকে অধিকাংশ গবেষণা গ্রুপদের তুলনায় অনেক দূরে স্কেলে নিয়ে গেল।

ট্রান্সফর্মারকে GPT‑তে পরিণত করা

মূল GPT (২০১৮) ছিল ভিত্তিগতভাবে একটি ট্রান্সফর্মার ডিকোডার যা একটি সহজ লক্ষ্য নিয়ে প্রশিক্ষিত—দীর্ঘ টেক্সটের পরবর্তী টোকেন ভবিষ্যদ্বাণী করা। সেই ধারণা সরাসরি গুগলের ২০১৭ ট্রান্সফর্মার থেকে নেয়া, কিন্তু গুগল যেখানে অনুবাদ বেঞ্চমার্কে ফোকাস করেছিল, ওপেনএআই একে "পরবর্তী‑শব্দ‑ভবিষ্যদ্বাণী‑স্কেলে" সাধারণ‑উদ্দেশ্য টেক্সট জেনারেটরের ভিত্তি হিসেবে গ্রহণ করল।

GPT‑2 (২০১৯) সেই রেসিপিটি ১.৫B প্যারামিটার ও অনেক বড় ওয়েব করপাসে স্কেল করল। GPT‑3 (২০২০) লাফিয়ে ১৭৫B প্যারামিটারে গেল, ট্রিলিয়ন টোকেনে প্রশিক্ষিত হয়ে বিশাল GPU ক্লাস্টারে। GPT‑4 আরো সামঞ্জস্য, বেশি কিউরেশন, ও উন্নত RLHF সহ মডেলকে পরিশোধ করল।

এই প্রগতিতে অ্যালগরিদমিক কোর গুগলের ট্রান্সফর্মারের সঙ্গে অনেকটাই অনুরূপ: self-attention ব্লক, positional encodings, স্তর-স্তর স্ট্যাক—ফারাক ছিল শুধু বিশাল স্কেল ও ধারাবাহিক জোরে।

স্কেলকে একটি কৌশল হিসেবে দেখা

যেখানে গুগলের প্রথম ভাষা মডেলগুলো (যেমন BERT) বোঝার কাজগুলো—ক্লাসিফিকেশন, সার্চ র‍্যাঙ্কিং, QA—টার জন্য লক্ষ্য করেছিল, ওপেনএআই খোলা-শেষ জেনারেশন ও ডায়ালগের উপর অপটিমাইজ করেছিল। গুগল প্রায়শই রাজ্য-ও-আর্ট মডেল প্রকাশ করে পরের কাগজে এগিয়ে যেত; ওপেনএআই একটি ধারণাকে প্রোডাক্ট পাইপলাইনে রূপান্তর করল।

গুগল, DeepMind ও একাডেমিক ল্যাবের ওপেন রিসার্চ GPT‑তে সরাসরি খাওয়ানো হয়েছে: ট্রান্সফর্মার ভ্যারিয়েন্ট, অপ্টিমাইজেশন ট্রিক, লার্ণিং‑রেট শিডিউল, স্কেলিং লজিক, ভালো টোকেনাইজেশন। ওপেনএআই এসব পাবলিক ফলাফল গ্রহণ করে, তারপর প্রাইভেট প্রশিক্ষণ দৌড়ে এবং অবকাঠামোতে ব্যাপক বিনিয়োগ করল।

বুদ্ধিবৃত্তিক উত্স—ট্রান্সফর্মার—গুগল থেকে এসেছিল। ট্রান্সফর্মারকে স্কেল করে, API দিয়ে চালান ও চ্যাট ইন্টারফেস তৈরি করা ওপেনএআইর সিদ্ধান্ত ছিল।

কেন গুগল BERT ও সার্চকে GPT‑ধাঁচের প্রোডাক্টের উপরে অগ্রাধিকার দিল

গুগলের প্রাথমিক বাণিজ্যিক সাফল্য এসেছে তাদের মূল অর্থোপার্জনকারী যন্ত্র—সার্চ ও অ্যাডস—কে অধিকতর বুদ্ধিমান করে তোলার মাধ্যমে। সেই প্রেক্ষাপট নতুন আর্কিটেকচার (যেমন ট্রান্সফর্মার) কিভাবে মূল্যায়ন করা হবে তা নির্ধারণ করেছিল। গুগল সার্চ‑ফিট মডেলগুলোতে BERT‑ধাঁচের মডেলকে নজর দিল, যেখানে ওপেনএআই সাধারণ‑উদ্দেশ্য জেনারেটিভ সিস্টেমে ঝুঁকি নিয়েছিল।

BERT—“সার্চ‑নেটিভ” ট্রান্সফর্মার

BERT (Bidirectional Encoder Representations from Transformers) একটি encoder‑only মডেল, masked language modeling দিয়ে প্রশিক্ষিত: বাক্যের অংশ লুকানো হয় এবং মডেলকে দুইপাশের পূর্ণ প্রসঙ্গ ব্যবহার করে মিসিং টোকেন অনুমান করতে বলা হয়।

এই প্রশিক্ষণ উদ্দেশ্য গুগলের সমস্যার সাথে প্রায় নিখুঁতভাবে মিলেছিল:

• কোয়েরি বোঝা: সার্চ কোয়েরি সংক্ষিপ্ত, বিশৃঙ্খল ও অস্পষ্ট হয়। BERT‑এর bidirectional প্রসঙ্গ "bank near me with no monthly fee" বা "how to appeal parking ticket nyc"‑র মত জটিল কুয়েরি বিশ্লেষণে সাহায্য করে।
• ডকুমেন্ট বোঝা: বিলিয়ন পেজ র‍্যাঙ্ক করার জন্য সূক্ষ্ম সেমান্টিক সাদৃশ্য দরকার—BERT embeddings কুয়েরিকে প্যাসেজের সাথে ভালো করে মিলাতে সাহায্য করে।
• কয়ালিটি ও স্প্যাম শনাক্তকরণ: masked LM স্বাভাবিকভাবে এমন টেক্সট চেনতে পারে যা "ভিত্তিহীন", যা জাঙ্ক কনটেন্ট ফিল্টারিংয়ে কাজে লাগে।

সংকেততায়, encoder‑ধাঁচের মডেলগুলি সহজে গুগলের বিদ্যমান রিট্রিভাল ও র‍্যাঙ্কিং স্ট্যাকে বসে: এগুলোকে relevance signal হিসেবে কল করে সার্চ উন্নত করা যায়, পুরো প্রোডাক্ট পুনর্লিখন না করেই।

মাস্কড ল্যাঙ্গুয়েজ মডেলিং গুগলের ব্যবসায় কিভাবে ফিট করল

গুগলকে এমন উত্তর দরকার যা নির্ভরযোগ্য, যাচাইযোগ্য ও মনিটাইজেবল:

• নির্ভরযোগ্য: সার্চ রেজাল্টগুলো বাস্তব পেজ ও সোর্সে লিঙ্ক করে anchor করা উচিত। Masked LM মডেলটিকে ভাষা বোঝাতে শেখায়, দীর্ঘ উত্তর গঠন করতে নয়।
• যাচাইযোগ্য: প্রতিটি রেজাল্ট একটি প্রকাশক‑লিংক দেয়—এর ফলে ব্যবহারকারী তথ্য যাচাই করতে পারে।
• মনিটাইজেবল: সার্চ অ্যাডস র‍্যাঙ্ক করা তালিকার পাশে সহজেই ফিট করে; ভাল রিলেভ্যান্স মানে ক্লিক‑থ্রু বাড়ে ও প্রতি কুয়েরির মূল্য বাড়ে।

BERT সবগুলোই উন্নত করল, এবং বিদ্যমান সার্চ UI বা অ্যাডস মডেলকে বিঘ্নিত না করে। GPT‑ধাঁচের অটোরিগ্রেসিভ জেনারেটর কোনো স্বচ্ছ বৃদ্ধি প্রদান করতে ততটা স্পষ্ট ছিল না।

অভ্যন্তরীণ ঝুঁকি ক্যালকুলাস: সেফটি, মিসইনফরমেশন ও ব্র্যান্ড

ফ্রি‑ফর্ম জেনারেশন তীক্ষ্ণ অভ্যন্তরীণ উদ্বেগ উত্থাপন করেছিল:

• মিসইনফরমেশন ও হ্যালুসিনেশন: জেনারেটিভ মডেলরা আত্মবিশ্বাসীভাবে উপাখ্যান রচনা করে। একটি প্রতিষ্ঠান হিসেবে গুগলের কর্তব্য ছিল বিশ্বাসযোগ্যতা বজায় রাখা—এই ঝুঁকি সরাসরি ব্র্যান্ড ক্ষতি করতে পারে।
• হানিকর কন্টেন্ট: অনিয়ন্ত্রিত জেনারেশন বিষাক্ত বা বিপজ্জনক টেক্সট তৈরি করতে পারে। বৃহৎ স্কেলে তা প্রকাশিত হলে জনমত ও বিধানগত চাপ বাড়ে।
• নিয়ন্ত্রক এক্সপোজার: এআই চ্যাটবট চালু করলে বিশ্বজুড়ে অ্যান্টিট্রাস্ট ও কনটেন্ট রেগুলেশন ঝুঁকি বাড়ে।

অতএব বেশিরভাগ অভ্যন্তরীণ ব্যবহার কেস ছিল সহায়ক ও সিমিটেড: Gmail‑এ অটো‑কমপ্লিশন, স্মার্ট রিপ্লাই, অনুবাদ, ও র‍্যাঙ্কিং বুস্ট—এগুলো encoder‑ধাঁচের মডেল দিয়ে সহজেই সীমাবদ্ধ ও মনিটর করা যায়; অথচ ওপেন‑এন্ড চ্যাটবটকে বাউন্ড করা কঠিন।

ক্যানিবালাইজেশন ভয়: সার্চ ক্যাশ‑ক্যাওকে আরো ক্ষতি করবে না?

যদিও গুগলের কাছে কাজ করা চ্যাট ও জেনারেটিভ প্রোটোটাইপগুলো ছিল, মূল প্রশ্ন ছিল: চমৎকার সরাসরি উত্তর কি সার্চ কুয়েরি ও অ্যাড ক্লিক কমিয়ে দেবে?

একটি চ্যাট অভিজ্ঞতা যদি একবারে পূর্ণ উত্তর দেয়, ব্যবহারকারীর আচরণ বদলে যেতে পারে:

• বহিরাগত সাইটে কম ক্লিক → পাবলিশাররা অসন্তুষ্ট হবে, ওয়েব ইকোসিস্টেম দুর্বল হবে
• প্রচলিত সার্চ অ্যাডস জন্য ইচ্ছা ও ভূমিকা কমবে → রাজস্ব অনিশ্চয়তা

নেতৃত্বের প্রবৃত্তি ছিল AI‑কে সার্চ উন্নতকারী হিসেবে একীভূত করা, না সার্চকে প্রতিস্থাপন করা। ফলে র‍্যাঙ্কিং টুইক, রিচ স্নিপেট, ও ধীরে ধীরে সেমান্টিক বোঝাপড়া—এগুলো BERT‑এর জায়গায় বেশি মানায়—এরচেয়ে সাহসী, স্ট্যান্ডঅ্যালোন কনভার্সেশনাল প্রোডাক্টে বিনিয়োগ কম হলো।

কীভাবে এই পছন্দগুলো পাবলিক‑ফেসিং জেনারেটিভ প্রোডাক্ট ধীর করল

প্রতিটি সিদ্ধান্ত যৌক্তিক ছিল:

• সার্চ ও অ্যাড মেট্রিক সরাসরি উন্নত করা এমন মডেলগুলোকে অগ্রাধিকার দেওয়া
• সেফটি, নির্ভরযোগ্যতা ও নিয়ন্ত্রক সতর্কতাকে ত্বরিত করা
• সার্চ অভিজ্ঞতা ও মনিটাইজেশন মডেল রক্ষা করা

সমষ্টিগতভাবে, এর অর্থ হল গুগল GPT‑ধাঁচের, অটোরিগ্রেসিভ জেনারেশনকে ভোক্তা‑লক্ষ্যকৃতভাবে প্রোডাক্টাইজ করতে পর্যাপ্তভাবে বিনিয়োগ করেনি। গবেষণা দলগুলো বড় ডিকোডার মডেল ও ডায়ালগ সিস্টেমগুলো পরীক্ষা করলেও, প্রোডাক্ট দলগুলোর প্রণোদনা ছিল দুর্বল: এমন একটি চ্যাটবট শিপ করা যা

• মূল সার্চ KPI‑তে স্পষ্ট উন্নতি করবে না
• অ্যাড রাজস্ব ও পাবলিশার সম্পর্ককে হুমকিতে ফেলতে পারে
• উল্লেখযোগ্য সেফটি ও পিআর ঝুঁকি নিয়ে আসে

অপর দিকে ওপেনএআই, যার কাছে সার্চ সাম্রাজ্য ছিল না, উল্টো সিদ্ধান্ত নিল: একটি অত্যন্ত সক্ষম, সহজলভ্য চ্যাট ইন্টারফেস—even with imperfections—বৃহৎ স্কেলে নতুন চাহিদা সৃষ্টি করবে। এই বিলম্বই ChatGPT‑কে শ্রেণির প্রথম প্রোডাক্ট হিসেবে প্রতিষ্ঠিত হতে সাহায্য করে।

ওপেনএআইর বাজি: স্কেল, API, ও কনজিউমার চ্যাট অভিজ্ঞতা

গবেষণা ল্যাব থেকে ক্যাপড‑প্রফিট কোম্পানি

ওপেনএআই ২০১৫‑এ নন‑প্রফিট গবেষণা ল্যাব হিসেবে শুরু করে, প্রযুক্তি প্রতিষ্ঠাতা কিছু ব্যক্তি দ্বারা অর্থায়িত। প্রথম কয়েক বছরে এটি Google Brain বা DeepMind‑এর মতই দেখাত: পেপার প্রকাশ, কোড রিলিজ, বিজ্ঞান এগিয়ে নেওয়া।

কিন্তু ২০১৯‑এ নেতৃত্ব বুঝতে পারে যে frontier মডেলগুলো জন্য কোটি কোটি ডলারের কম্পিউট দরকার হবে। একেবারেই নন‑প্রফিট কাঠামো সেই সাইজের মূলধন তুলতে কঠিন। সমাধান হলো কাঠামোগত নতুনত্ব: OpenAI LP—একটি “ক্যাপড‑প্রফিট” কোম্পানি যেটি নন‑প্রফিটের অধীনে বসে।

এই কাঠামো ইনভেস্টরদের রিটার্ন (এক নির্ধারিত ক্যাপ পর্যন্ত) করার সুযোগ দেয়, যখন বোর্ড AGI‑র মিশন বজায় রাখে। এতে বড় ফাইন্যান্সিং ও ক্লাউড কম্পিউট ডিল সই করা সম্ভব হলো।

কৌশল হিসেবে স্কেল

অনেক ল্যাব যেখানে জটিল আর্কিটেকচারের দিকে ঝোঁক রাখত, ওপেনএআই কড়া বাজি রাখল: অত্যন্ত বড়, সাধারণ‑উদ্দেশ্য ভাষা মডেলগুলোটা যদি আপনি শুধু স্কেল করেন (ডেটা, প্যারামিটার, কম্পিউট), হতে পারে তারা আচরণগত ভাবে অনুপম সক্ষমতা দেখায়।

GPT‑1, GPT‑2, GPT‑3‑এর ধারা ছিল সোজা: মূলত সাধারণ ট্রান্সফর্মার, কিন্তু বড়, দীর্ঘ প্রশিক্ষণ ও বৈচিত্র্যময় টেক্সটে। একাধিক টাস্কের জন্য মডেলকে টিউন না করে prompting ও fine‑tuning দিয়ে "একটি বড় মডেল, অনেক ব্যবহার" ধারা নেওয়া হলো।

এই ছিল শুধু গবেষণার মনোভাব নয়—এটি ব্যবসায়িক কৌশলও: যদি একটি API হাজার হাজার ব্যবহার-ক্ষেত্র শক্তি পুষে দিতে পারে—কপিরাইটিং টুল থেকে কোডিং সহায়ক—তাহলে ওপেনএআই প্ল্যাটফর্ম হতে পারে।

API‑প্রথম: মডেলকে প্ল্যাটফর্মে পরিণত করা

GPT‑3 API (২০২০) সেই কৌশলকে বাস্তবে রূপ দিল। ভারী অন-প্রিমাইজ সফটওয়্যার বা সীমাবদ্ধ এন্টারপ্রাইজ পণ্য না দিয়ে, ওপেনএআই একটি সরল ক্লাউড API দিল:

• পাঠান টেক্সট, পেয়ে যান মডেল আউটপুট।
• টোকেন অনুযায়ী মূল্য প্রদান।
• উপরে যা খুশি তৈরি করুন।

এই API‑প্রথম পন্থা স্টার্টআপ ও এন্টারপ্রাইজদের UX, কমপ্লায়েন্স ও ডোমেইন দক্ষতা হাউস‑কাস্টমাইজ করার সুযোগ দিল, আর ওপেনএআই সারা মডেল প্রশিক্ষণ ও অ্যালাইনমেন্টে ফোকাস করল।

API তাড়াতাড়ি রাজস্ব ইঞ্জিনও তৈরি করে দিল। নিখুঁত, পূর্ণাঙ্গ প্রোডাক্টের অপেক্ষায় না থেকে, ওপেনএআই পার্শ্বচর্চা দিয়ে ইকোসিস্টেমকে ব্যবহার‑কেস আবিষ্কার করতে দিল—একভাবে ডেভেলপররা তাদের পক্ষ থেকে প্রোডাক্ট R&D করল।

খুঁত থাকা সত্ত্বেও শিপ করার ইচ্ছা

ওপেনএআই ধারাবাহিকভাবে মডেল পরিপূর্ণ না হলে ও শিপ করত। GPT‑2‑র সময় সেফটি উদ্বেগ ও স্তরভিত্তিক রিলিজ দেখা গিয়েছিল; GPT‑3 কন্ট্রোলড বেটায় ঢুকেছিল, স্পষ্ট ত্রুটি ছিল—হ্যালুসিনেশন, পক্ষপাত, অসামঞ্জস্য।

এই দর্শনের সবচেয়ে পরিষ্কার প্রকাশ ছিল ChatGPT (শেষ ২০২২)। এটি তাদের সবচেয়ে উন্নত মডেল ছিল না, এবং খুব পরিশচিতও ছিল না। কিন্তু এটি দিয়েছিল:

• এমন এক সহজ চ্যাট ইন্টারফেস যা সবাই বুঝতে পারে।
• প্রথমে ফ্রি অ্যাক্সেস, ব্যাপক পরীক্ষা‑নিরীক্ষার আমন্ত্রণ জানানো।
• বাস্তব ব্যবহারকারীর কথোপকথ্য থেকে দ্রুত ইটারেশন করার লুপ।

প্রাইভেটে অনন্ত টিউনিং না করে ওপেনএআই জনসাধারণকে একটি বিশাল প্রতিক্রিয়া ইঞ্জিন হিসেবে ব্যবহার করল। গার্ডরেইল, মনিটরিং ও UX সপ্তাহ থেকে সপ্তাহে বদলনোর ফলে উন্নতি হয়।

মাইক্রোসফটের সাথে কৌশলগত অংশীদারিত্ব ও কম্পিউট প্রাপ্তি

ওপেনএআইর স্কেল বাজি ব্যাপক কম্পিউট বাজেট চাইত। মাইক্রোসফটের অংশীদারিত্ব এখানে নির্ণায়ক ছিল।

২০১৯ থেকে শুরু করে কয়েক বছরে Microsoft প্রদান করল:

• ওপেনএআই LP‑তে বহু বিলিয়ন ডলারের ইনভেস্টমেন্ট।
• Azure‑তে ওপেনএআই মডেলগুলো হোস্ট করার জন্য একচেটিয়া ক্লাউড হোস্টিং।
• Bing Chat ও Copilot‑এর মত প্রোডাক্টে যৌথ বাজারজাতকরণ।

ওপেনএআইর কাছে এটি প্রধান সীমাবদ্ধতা দূর করল: বড় প্রশিক্ষণ চালাতে নিবেদিত AI সুপারকম্পিউটারের অ্যাক্সেস; নিজেরা ক্লাউড গড়া বা তহবিল সংগ্রহ করা লাগলো না।

প্রতিক্রিয়া‑লুপ: ব্যবহারকারী → ডেটা → রাজস্ব → বড় মডেল

এই সব সিদ্ধান্তগুলো—স্কেল, API‑প্রথম, কনজিউমার চ্যাট, মাইক্রোসফট ডিল—একটি শক্তিশালী পুনরাবৃত্তি লুপে পরিণত হয়:

1. ভালো মডেল ডেভেলপার ও ব্যবহারকারী আকার করে।
2. API ও ChatGPT একীকরণ সহজ করে।
3. ব্যবহার রাজস্ব তৈরি করে, যা বড় প্রশিক্ষণ চালায়।
4. বাস্তব কথোপকথ্য উন্নত ফাইন‑টিউ닝 ও RLHF‑এর জন্য মূল্যবান ডেটা দেয়।
5. উন্নত মডেল নতুন ফিচার (প্লাগইন, টুল, মাল্টিমোডাল) চালায়, যা আরও ব্যবহারকারী আনে।

ওপেনএআই গবেষণা পেপার বা নিখুঁত প্রোডাক্ট অপেক্ষা না করে এই সংযোজিত লুপে অপটিমাইজ করল—স্কেল কেবল বড় মডেল নয়, ব্যবহারকারী, ডেটা ও ক্যাশ‑ফ্লোকে দ্রুত বাড়ানোর কথা বলেছিল।

ChatGPT ধাক্কা: যখন ওপেনএআই গুগলকে সমুন্নত করল

ওপেনএআই যখন ChatGPT ৩০ নভেম্বর ২০২২‑এ লঞ্চ করল, এটি একটি সামান্য‑নিউজ রিসার্চ প্রিভিউ বলে মনে হচ্ছিল: একটুখানি চ্যাট বক্স, কোন পেওয়াল না, সংক্ষিপ্ত ব্লগ পোস্ট। পাঁচ দিনের মধ্যে ব্যবহারকারী সংখ্যা মিলিয়ন পার হয়ে গেল। কয়েক সপ্তাহে টুইটার, টিকটক, লিঙ্কডইন ছবি ও ব্যবহার‑কেসে ভরে উঠল। মানুষ প্রবন্ধ লিখল, কোড ডিবাগ করল, আইনগত ইমেল ড্রাফট করল—সবই এক সরল টুল দিয়ে।

প্রোডাক্টটি উপস্থাপন করা হয়নি "একটি ট্রান্সফর্মার‑ভিত্তিক ল্যাঙ্গুয়েজ মডেলের ডেমো" হিসেবে। বরং: "কিছু জিজ্ঞেস করুন। উত্তর পান।" সেই সরলতা অ-প্রযুক্তিবিদদের জন্য প্রযুক্তিটিকে অবিলম্বে বোধগম্য করে তুলল।

গুগলের অভ্যন্তরীণ ধাক্কা

গুগলের অভ্যন্তরে প্রতিক্রিয়া হয়েছিল বিস্ময়ের চেয়েও সতর্কতা—একটি “কোড রেড” ঘোষণা করা হলো। Larry Page ও Sergey Brin প্রোডাক্ট ও কৌশল আলোচনা তে টেনে আনা হলো। বহু দল যারা বহু বছর কথা বলার মডেলে কাজ করছিল তারা তৎক্ষণাৎ তীব্র নজরের মধ্যে পড়ল।

ইঞ্জিনিয়াররা জানত গুগলের কাছে ChatGPT‑র সঙ্গে তুলনীয় ক্ষমতাসম্পন্ন সিস্টেম ছিল। LaMDA, PaLM, Meena‑এর মত মডেল অভ্যন্তরীণ বেঞ্চমার্কে দারুণ কথোপকথন ও যুক্তি প্রদর্শন করেছিল। কিন্তু সেগুলো গেটেড টুল ও কঠোর নিরাপত্তা‑পর্যালোচনার পেছনে ছিল।

বহির্মুখে এটাই মনে হল গুগল চমকে গিয়েছে।

ChatGPT বনাম LaMDA: প্রযুক্তিগত সমমেয়া, ভিন্ন প্রোডাক্ট

প্রযুক্তিগতভাবে ChatGPT ও LaMDA কাকি: ট্রান্সফর্মার‑ভিত্তিক বড় ভাষা মডেল, ডায়ালগ‑ফাইনটিউন করা। ফারাক প্রধাণত প্রোডাক্ট সিদ্ধান্তে।

ওপেনএআই:

• একটি সহজ, একক ইন্টারফেস শিপ করল
• বাস্তব‑জগতের অশুদ্ধি মেনে নিয়ে দ্রুত ইটারেট করল
• RLHF ও অ্যালাইনমেন্টে বড় বিনিয়োগ করল এবং কোটি কথোপকথন থেকে শিখল

গুগল:

• LaMDA‑কে সীমাবদ্ধ ডেমো হিসেবে রাখল
• ঝুঁকি এড়ানো আর খ্যাতি রক্ষা করল
• গবেষণা প্রোটোটাইপ থেকে কনজিউমার‑ফেসিং প্রোডাক্টে রূপান্তর করা কঠিন হল

Bard‑এর তাড়াহুড়ো করা ডেবিউ ও পাবলিক ভুল

চাপের মুখে ফ্রেবাল হিসেবে গুগল Bard ঘোষণা করে (ফেব্রুয়ারি ২০২৩)। প্রিভিউ‑ডেমো ChatGPT‑র কথোপকথ্যিক ক্ষমতা অনুকরণ করল। কিন্তু একটি প্রধান উত্তরে—James Webb Space Telescope‑এর আবিষ্কারের বিষয়ে—ভুল তথ্য দেয়া হয়। ভুলটি গুগলের মার্কেটিং উপকরণে পরে গিয়ে মিনিটের মধ্যে ধরে পড়ে, এবং এক দিনে Alphabet‑এর মার্কেট ক্যাপ বিলিয়ন ডলারে নেমে যায়। এটি একটি নির্মম ন্যারেটিভ তৈরি করে: গুগল দেরি করেছে, নার্ভাস করেছে, আর অপ্রীতিকরভাবে পরিস্থিতি হ্যান্ডেল করেছে; ওপেনএআই দেখতে আত্মবিশ্বাসী ও প্রস্তুত মনে হলো।

বিরক্তিকর ব্যাপারটি গুগল কর্মীদের জন্য কষ্টদায়ক ছিল। বৃহৎ ভাষা মডেলের হ্যালুসিনেশন সমস্যা জানার পরও, ওপেনএআই তা ব্যবহারকারীদের মানসিকতায় "রিসার্চ প্রিভিউ" আকারে স্বাভাবিক করে তুলেছিল—আর গুগল একটি চকচকে, উচ্চ-দায়িত্বশীল লঞ্চ হিসেবে Bard উপহার দিলে সেটাতে ভুলি ধরা পড়া আরও অপ্রীতিকর ছিল।

গতি, UX, ও ন্যারেটিভ: ওপেনএআইর বাস্তবায়নের সুবিধা

ChatGPT‑র ওপরে ওপেনএআইর সুবিধা কেবল বড় মডেল বা নতুন অ্যালগোরিদম ছিল না—এটি ছিল বাস্তবায়নের গতি ও অভিজ্ঞতার সরলতা।

ওপেনএআই:

• গবেষণা লাইনকে একক ভাইরাল প্রোডাক্টে রূপান্তর করল
• পাবলিক বেটা মনোভাব গ্রহণ করল: "চেষ্টা করুন, ভাঙিয়ে দেখান, বলুন";
• এমন UX ডিজাইন করল যা মানুষের টেক্সট ব্যবহারের প্রকৃত কাজের সাথে মিলছে: প্রশ্ন করুন, উত্তর পেয়�