Rebooting AI বাংলা সামারি: নির্ভরযোগ্য কৃত্রিম বুদ্ধিমত্তা গড়ার বাস্তব পথ

বই ও লেখকের সংক্ষিপ্ত পরিচিতি

Rebooting AI: Building Artificial Intelligence We Can Trust লিখেছেন cognitive scientist Gary Marcus এবং computer scientist Ernest Davis। বইটির hardcover সংস্করণ Pantheon Books থেকে ১০ সেপ্টেম্বর ২০১৯ প্রকাশিত হয়; ২০২০ সালে Vintage paperback প্রকাশ করে। বইটি প্রায় ২৮৮ পৃষ্ঠার এবং সাধারণ পাঠক, প্রযুক্তি পেশাজীবী ও নীতিনির্ধারকদের জন্য লেখা। এটি কোনো programming textbook নয়; বরং AI কী পারে, কী পারে না এবং কী ধরনের গবেষণা ও নকশা তাকে বিশ্বাসযোগ্য করতে পারে—তার একটি বিশ্লেষণধর্মী মানচিত্র।

শিরোনামের “Rebooting” শব্দটি গুরুত্বপূর্ণ। লেখকেরা AI গবেষণা বন্ধ করতে বলেন না, deep learning-এর অর্জনও অস্বীকার করেন না। তাঁরা মনে করেন বর্তমান পথকে নতুন ভিত্তি, নতুন লক্ষ্য এবং একাধিক পদ্ধতির সমন্বয়ে পুনর্গঠন করতে হবে। শুধু বড় dataset, বেশি computing power এবং বৃহত্তর neural network দিয়ে সাধারণ বুদ্ধিমত্তা স্বয়ংক্রিয়ভাবে তৈরি হবে—এই ধারণাকে তাঁরা প্রশ্ন করেন।

লেখক পরিচিতি

Gary Marcus

Gary Marcus একজন cognitive scientist, লেখক ও উদ্যোক্তা। তিনি New York University-তে psychology ও neural science-এর অধ্যাপক হিসেবে কাজ করেছেন। মানুষের ভাষা শেখা, জ্ঞানীয় বিকাশ, মস্তিষ্ক ও machine intelligence-এর সম্পর্ক তাঁর গবেষণার গুরুত্বপূর্ণ ক্ষেত্র। তিনি Geometric Intelligence নামের machine-learning startup প্রতিষ্ঠা করেন; প্রতিষ্ঠানটি ২০১৬ সালে Uber অধিগ্রহণ করে। বর্তমানে তিনি Robust.AI-এর প্রতিষ্ঠাতা ও CEO। তাঁর আগের বইগুলোর মধ্যে Kluge, The Birth of the Mind এবং Guitar Zero উল্লেখযোগ্য।

Marcus দীর্ঘদিন ধরে দাবি করে আসছেন যে statistical learning অত্যন্ত কার্যকর হলেও সাধারণ বুদ্ধিমত্তার জন্য যথেষ্ট নয়। তাঁর ২০১৮ সালের গবেষণামূলক প্রবন্ধ Deep Learning: A Critical Appraisal-এ data hunger, transfer সমস্যা, causality-এর ঘাটতি, অস্পষ্টতা এবং adversarial vulnerability-সহ কয়েকটি সীমাবদ্ধতা তুলে ধরা হয়। Rebooting AI সেই সমালোচনাকে সাধারণ পাঠকের উপযোগী বিস্তৃত কাঠামোয় নিয়ে এসেছে।

Ernest Davis

Ernest Davis New York University-এর computer science-এর অধ্যাপক এবং commonsense reasoning, knowledge representation, automated reasoning ও natural-language understanding নিয়ে দীর্ঘদিন গবেষণা করেছেন। তাঁর কাজের একটি মৌলিক প্রশ্ন হলো: মানুষ যে দৈনন্দিন জ্ঞান খুব সহজে ব্যবহার করে—বস্তু পড়ে যায়, পাত্রে তরল থাকে, মানুষ উদ্দেশ্য নিয়ে কাজ করে, ঘটনাগুলোর সময়ক্রম আছে—কম্পিউটারকে তা কীভাবে উপস্থাপন ও শেখানো যায়?

Davis-এর উপস্থিতি বইটির যুক্তিকে বিশেষ ভারসাম্য দিয়েছে। Marcus যেখানে cognitive science ও learning-এর সীমা ব্যাখ্যা করেন, Davis সেখানে formal knowledge, logical representation এবং বাস্তব জগতের জটিলতা দেখান। দুই লেখকের মিলিত দৃষ্টিভঙ্গি বইটিকে শুধু “deep learning সমালোচনা” না রেখে একটি বিকল্প গবেষণা কর্মসূচির প্রস্তাবে পরিণত করেছে।

বইটি কেন লেখা হয়েছিল

২০১০-এর দশকে image recognition, speech recognition, machine translation, recommendation এবং board game-এ deep learning দ্রুত সাফল্য পায়। সংবাদমাধ্যম, বিনিয়োগকারী এবং প্রযুক্তি কোম্পানির ভাষ্যে প্রায়ই মনে হচ্ছিল—আরও data ও compute দিলে human-level AI অনিবার্য। Marcus ও Davis দেখলেন, demo-তে চমৎকার ফল করা system বাস্তব পরিবেশে সামান্য পরিবর্তনেই ভেঙে পড়তে পারে। একটি model হাজারো ছবি দেখে বস্তু চিনলেও নতুন পরিস্থিতিতে সম্পর্ক, উদ্দেশ্য বা সম্ভাব্য পরিণতি বুঝতে পারে না।

বইটি তাই দুই ধরনের ভুল ধারণা সংশোধন করতে চায়। প্রথমটি হলো অতিরিক্ত আশাবাদ—বর্তমান AI-কে মানুষের মতো বোঝে বলে ধরে নেওয়া। দ্বিতীয়টি হলো অতিরিক্ত ভয়—আজকের system-কে সর্বশক্তিমান superintelligence হিসেবে কল্পনা করা। লেখকদের মতে, বাস্তব ঝুঁকি অনেক সময় আরও সাধারণ: self-driving system অপ্রত্যাশিত পরিস্থিতি বুঝতে না পারা, medical software ভুল confidence দেখানো, household robot দৈনন্দিন পদার্থবিদ্যা না বোঝা, বা language system বাক্যের অর্থের বদলে surface pattern অনুসরণ করা।

তাঁরা এমন AI চান যা শুধু benchmark-এ ভালো নয়, বাস্তব জগতে নির্ভরযোগ্য; যা অনিশ্চয়তা শনাক্ত করতে পারে, নিজের সীমা জানে, ব্যাখ্যা দিতে পারে, নতুন পরিস্থিতিতে জ্ঞান স্থানান্তর করতে পারে এবং মানুষের লক্ষ্যকে ভুলভাবে ব্যাখ্যা করে ক্ষতি করে না।

ঐতিহাসিক ও প্রযুক্তিগত প্রেক্ষাপট

AI গবেষণার ইতিহাসে symbolic AI এবং neural network—দুটি বড় ধারা বহুবার প্রতিদ্বন্দ্বিতা করেছে। Symbolic পদ্ধতিতে জ্ঞানকে নিয়ম, ধারণা ও সম্পর্ক হিসেবে প্রকাশ করা হয়; reasoning engine সেই নিয়ম ব্যবহার করে সিদ্ধান্ত নেয়। এর সুবিধা হলো ব্যাখ্যাযোগ্যতা ও নির্দিষ্ট যুক্তির ধাপ। দুর্বলতা হলো বাস্তব জগতের বিপুল জ্ঞান হাতে লিখে দেওয়া কঠিন এবং নিয়মভিত্তিক system অনিশ্চিত data-তে ভঙ্গুর হতে পারে।

Neural network উল্টো পথে চলে। এটি উদাহরণ থেকে pattern শেখে, feature নিজে তৈরি করে এবং vision বা speech-এর মতো noisy data-তে অত্যন্ত কার্যকর। বড় dataset, GPU এবং উন্নত training method-এর কারণে ২০১২ সালের পর deep learning দ্রুত প্রধান ধারায় পরিণত হয়। কিন্তু pattern recognition আর world understanding এক নয়। একটি system “কুকুর” শব্দের আশেপাশে কোন শব্দ আসে তা শিখতে পারে, তবু কুকুর কেন দরজা খুলতে পারে না বা ভেজা কুকুর ঘরে ঢুকলে কী ঘটতে পারে—তা সত্যিকার অর্থে নাও বুঝতে পারে।

Rebooting AI প্রকাশিত হয় ChatGPT-পূর্ব সময়ে। ফলে এতে বর্তমান large language model-এর নির্দিষ্ট বিশ্লেষণ নেই। তবু বইয়ের মূল প্রশ্ন—statistical fluency কি understanding-এর সমান, scale কি causality ও common sense-এর ঘাটতি পূরণ করে, এবং high-stakes কাজে reliability কীভাবে প্রমাণ করা হবে—generative AI যুগেও গুরুত্বপূর্ণ। বইটি ঐতিহাসিকভাবে এমন এক সতর্কবার্তা, যা পরবর্তী hallucination, prompt sensitivity এবং inconsistent reasoning বিতর্ককে আগেই ধারণাগত ভাষা দিয়েছিল।

মূল ধারণাভিত্তিক বিশ্লেষণ

১. Narrow intelligence আর general intelligence এক নয়

বর্তমান AI সাধারণত একটি নির্দিষ্ট লক্ষ্য পূরণে প্রশিক্ষিত। দাবা খেলা system গাড়ি চালাতে পারে না; ছবি শনাক্তকারী model গল্পের চরিত্রের উদ্দেশ্য বুঝতে পারে না। মানুষের বুদ্ধিমত্তা তুলনামূলকভাবে নমনীয়: অল্প উদাহরণ থেকে শেখে, এক ক্ষেত্রের জ্ঞান অন্য ক্ষেত্রে নেয়, অসম্পূর্ণ তথ্যেও অনুমান করে এবং ভুল বুঝলে কৌশল বদলায়। লেখকদের মতে, benchmark-এ superhuman performance দেখে general intelligence অনুমান করা category error।

২. Deep learning-এর সাফল্য বাস্তব, কিন্তু সীমাবদ্ধ

বইটি deep learning-কে অকার্যকর বলে না। speech-to-text, visual classification, translation, game-playing ও recommendation-এ এর অর্জন অসাধারণ। সমস্যা হলো এই সাফল্যের প্রকৃতি ভুলভাবে ব্যাখ্যা করা। Neural network correlation শিখতে দক্ষ, কিন্তু কেন একটি ঘটনা ঘটে, কোন নিয়ম ব্যতিক্রম হতে পারে, অথবা নতুন পরিস্থিতিতে কোন জ্ঞান প্রযোজ্য—এসব সবসময় নির্ভরযোগ্যভাবে ধরতে পারে না। Training distribution বদলালে performance কমে যেতে পারে; adversarial বা অস্বাভাবিক input বিভ্রান্ত করতে পারে।

৩. Common sense হলো অদৃশ্য অবকাঠামো

মানুষ কথোপকথন, পড়া বা দৈনন্দিন কাজের সময় বিপুল background knowledge ব্যবহার করে। “রাহিম গ্লাসটি টেবিলের কিনারায় রাখল, পরে সেটি মেঝেতে ভাঙা পাওয়া গেল”—এখানে আমরা gravity, support, fragility, সময়ক্রম এবং সম্ভাব্য কারণ ব্যবহার করি। বাক্যে সব তথ্য লেখা নেই। AI সত্যিকারের reading comprehension করতে চাইলে তাকে ভাষার সঙ্গে world model যুক্ত করতে হবে। কেবল শব্দের co-occurrence যথেষ্ট নয়।

৪. Open-ended world কঠিন

Laboratory benchmark সাধারণত নির্দিষ্ট input ও output ধরে। বাস্তব জগৎ উন্মুক্ত, পরিবর্তনশীল এবং ব্যতিক্রমে ভরা। একটি household robot-কে শিশু, পোষা প্রাণী, ভেজা মেঝে, ভাঙা কাপ, অর্ধেক খোলা দরজা এবং অস্পষ্ট মানব নির্দেশ একসঙ্গে সামলাতে হতে পারে। প্রতিটি সম্ভাব্য পরিস্থিতির training example দেওয়া অসম্ভব। তাই robust AI-কে rules, objects, agents, goals, time, space ও causality সম্পর্কে কাঠামোবদ্ধ ধারণা দরকার।

৫. Reading মানে শব্দ শনাক্ত করা নয়

বইটির অন্যতম শক্তিশালী আলোচনা হলো machine reading। কোনো passage থেকে সরাসরি লেখা উত্তর বের করা তুলনামূলক সহজ; কিন্তু implied relation, irony, unstated cause বা চরিত্রের বিশ্বাস বুঝতে background knowledge দরকার। লেখকেরা দেখান, একটি system প্রচুর text process করলেও consistent mental model না থাকলে প্রশ্নের ভাষা সামান্য বদলালেই ব্যর্থ হতে পারে। তাই natural-language understanding-কে retrieval বা pattern completion-এর সঙ্গে এক করে দেখা বিপজ্জনক।

৬. Causality ছাড়া সিদ্ধান্ত দুর্বল

Correlation বলছে দুটি ঘটনা একসঙ্গে ঘটে; causality ব্যাখ্যা করে একটি অন্যটির কারণ কি না। স্বাস্থ্য, অর্থনীতি, নীতি বা নিরাপত্তায় এই পার্থক্য অত্যন্ত গুরুত্বপূর্ণ। কোনো রোগী-গোষ্ঠীর data-তে একটি বৈশিষ্ট্য outcome-এর সঙ্গে সম্পর্কিত হলেও তা causal intervention-এর ভিত্তি নাও হতে পারে। AI যদি কারণ, উদ্দেশ্য ও counterfactual বুঝতে না পারে, তবে নতুন পরিস্থিতিতে তার prediction ভেঙে পড়বে।

৭. Hybrid AI: শেখা ও প্রতীকের সমন্বয়

লেখকদের প্রস্তাব হলো neural learning এবং symbolic reasoning-এর শক্তি একত্র করা। Neural component perception ও messy data থেকে pattern শিখবে; symbolic বা structured component concepts, rules, objects, relations ও reasoning পরিচালনা করবে। এর সঙ্গে built-in cognitive structure, curated knowledge এবং শেখার ক্ষমতা যুক্ত হতে পারে। তাঁরা কোনো একক প্রস্তুত architecture দেন না; বরং গবেষণার দিকনির্দেশ দেন—AI-কে শুধু বেশি data নয়, ভালো representation ও reasoning mechanism দরকার।

৮. Trustworthiness একটি engineering requirement

“Trust” শুধু ব্যবহারকারীর অনুভূতি নয়; এটি testable properties-এর সমষ্টি। System কোন পরিবেশে কাজ করে, কোথায় ব্যর্থ হয়, uncertainty কীভাবে প্রকাশ করে, decision audit করা যায় কি না, error হলে safe fallback আছে কি না—এসব নকশার অংশ হওয়া উচিত। একটি AI ৯৯ শতাংশ সঠিক হলেও অবশিষ্ট এক শতাংশ ভুল যদি বিরল কিন্তু প্রাণঘাতী পরিস্থিতিতে ঘটে, average accuracy বিভ্রান্তিকর হতে পারে।

৯. মানুষের মতো না হলেও মানবজ্ঞান থেকে শিক্ষা

লেখকেরা মানব মস্তিষ্ক হুবহু অনুকরণ করার কথা বলেন না। মানুষের cognition নিজেও bias ও error-এ ভরা। কিন্তু শিশু অল্প data থেকে category শেখে, object permanence বোঝে, intention অনুমান করে এবং নতুন নিয়ম দ্রুত প্রয়োগ করে। এসব ক্ষমতা AI architecture-এর জন্য inspiration হতে পারে। লক্ষ্য biological copy নয়; বরং flexible learning ও structured reasoning-এর নীতিগুলো বোঝা।

১০. অতি-প্রতিশ্রুতি সামাজিক আস্থাকে ক্ষতিগ্রস্ত করে

AI কোম্পানি বা গবেষক যখন prototype-কে প্রায়-সমাধান হিসেবে তুলে ধরে, তখন নীতি, বিনিয়োগ ও জনমত ভুল পথে যেতে পারে। অসম্পূর্ণ system দ্রুত high-stakes কাজে বসালে ক্ষতি হয়; আবার ব্যর্থতার পর AI winter-এর মতো হতাশাও তৈরি হতে পারে। লেখকদের মতে, অগ্রগতিকে মূল্য দিতে হবে, কিন্তু capability claim নির্দিষ্ট, পরীক্ষাযোগ্য ও context-sensitive হওয়া উচিত।

কেন্দ্রীয় দর্শন ও গুরুত্বপূর্ণ ধারণা

বইটির কেন্দ্রীয় দর্শন হলো: বুদ্ধিমত্তা শুধু pattern শনাক্তকরণ নয়; এটি knowledge, abstraction, reasoning, causality, common sense এবং goal-sensitive action-এর সমন্বয়। নির্ভরযোগ্য AI তৈরি করতে হলে এই উপাদানগুলোর স্থায়ী প্রতিনিধিত্ব দরকার। System যেন একটি পরিস্থিতির বিভিন্ন অংশকে বিচ্ছিন্ন signal হিসেবে না দেখে, বরং একটি coherent world model হিসেবে বিবেচনা করে।

এখানে “innate” বা built-in structure নিয়ে লেখকদের অবস্থানও গুরুত্বপূর্ণ। শিশুরা সম্পূর্ণ blank slate নয়—তাদের learning system কিছু প্রাথমিক কাঠামো, attention bias এবং object সম্পর্কে প্রত্যাশা নিয়ে কাজ করে। AI-তে কিছু structured prior যোগ করা মানে সব জ্ঞান হাতে লিখে দেওয়া নয়; বরং শেখার জন্য উপযুক্ত conceptual foundation দেওয়া।

বাস্তব প্রয়োগ: বইটির শিক্ষা কীভাবে ব্যবহার করবেন

প্রযুক্তি পণ্য মূল্যায়নে

কোনো AI solution কেনার আগে শুধু demo বা overall accuracy দেখবেন না। প্রশ্ন করুন: training data কোন পরিবেশের, target users কারা, distribution shift হলে কী হয়, rare case কীভাবে test করা হয়েছে, confidence score calibrated কি না, human review আছে কি না এবং failure log রাখা হয় কি না। Vendor “AI-powered” বললেই intelligence প্রমাণ হয় না।

Software ও model development-এ

Development team benchmark optimization-এর পাশাপাশি out-of-distribution test, adversarial test, counterexample, causal stress test এবং scenario-based evaluation রাখতে পারে। Model যে input বোঝে না, সেখানে confident answer না দিয়ে abstain বা escalation করা গুরুত্বপূর্ণ। Knowledge base, rule engine, retrieval, verification layer এবং human oversight যুক্ত করে hybrid workflow গড়া যায়।

শিক্ষা ও গবেষণায়

শিক্ষার্থীদের AI output গ্রহণের আগে source verification, logical consistency এবং real-world plausibility যাচাই শেখাতে হবে। একটি fluent answer সত্য নাও হতে পারে। গবেষণায় accuracy-এর সঙ্গে error distribution, subgroup performance এবং reproducibility প্রকাশ করা দরকার। বইটি “আরও বড় model”কে একমাত্র গবেষণা agenda না ধরে representation, reasoning ও cognition নিয়ে কাজের গুরুত্ব মনে করায়।

নীতিনির্ধারণে

High-stakes AI-এর জন্য pre-deployment testing, independent audit, incident reporting, appeal process এবং accountability নির্ধারণ করা দরকার। Risk proportionality গুরুত্বপূর্ণ: গান সুপারিশের ভুল আর medical triage-এর ভুল সমান নয়। নীতিমালা তাই technology label-এর বদলে use case, সম্ভাব্য ক্ষতি এবং reversibility অনুযায়ী হওয়া উচিত।

একটি ব্যবহারিক পরীক্ষা: কোনো AI system সম্পর্কে পাঁচটি প্রশ্ন করুন—এটি কী জানে, কীভাবে জানে, কোথায় ব্যর্থ হয়, ব্যর্থতা চিনতে পারে কি না, এবং ভুল হলে কে দায় নেবে? সন্তোষজনক উত্তর না থাকলে system-টিকে high-stakes সিদ্ধান্তে ব্যবহার করা উচিত নয়।

বাংলাদেশ প্রসঙ্গ: Martvan-এর প্রাসঙ্গিক বিশ্লেষণ

নোট: নিচের অংশটি বইয়ের সরাসরি বাংলাদেশ আলোচনা নয়; Rebooting AI-এর নীতিগুলো বাংলাদেশের সম্ভাব্য ব্যবহারক্ষেত্রে প্রয়োগ করে Martvan-এর বিশ্লেষণ। এখানে উল্লেখিত উদাহরণগুলো সম্ভাবনা বা নকশাগত সতর্কতা, কোনো নির্দিষ্ট প্রতিষ্ঠানের বর্তমান কার্যক্রম সম্পর্কে দাবি নয়।

বাংলাদেশে AI-ভিত্তিক সেবা ভবিষ্যতে ব্যাংকিং, ডিজিটাল ঋণ, নিয়োগ, শিক্ষা, স্বাস্থ্য, কৃষি পরামর্শ, বাংলা ভাষার কনটেন্ট এবং সরকারি ডিজিটাল সেবায় গুরুত্বপূর্ণ ভূমিকা রাখতে পারে। কিন্তু স্থানীয় ভাষা, অনানুষ্ঠানিক অর্থনীতি, আঞ্চলিক বৈচিত্র্য, অসম data coverage এবং মানবিক সহায়তার সীমাবদ্ধতা system reliability-কে কঠিন করে তুলবে। বিদেশি dataset-এ ভালো করা model বাংলাদেশের বাস্তবতায় একই ফল দেবে—এমন নিশ্চয়তা নেই।

বাংলা ভাষা processing-এ surface fluency দেখে understanding অনুমান করা বিশেষ ঝুঁকিপূর্ণ। একই শব্দ অঞ্চলভেদে ভিন্ন অর্থ বহন করতে পারে; code-mixed বাংলা, বানানভেদ, ব্যঙ্গ, সম্মানসূচক ভাষা ও সাংস্কৃতিক ইঙ্গিত model ভুল বুঝতে পারে। তাই local-language benchmark, মানব ভাষাবিদের review, error taxonomy এবং অভিযোগের ব্যবস্থা দরকার। শুধু “বাংলা সমর্থন করে” লেখা যথেষ্ট নয়।

ডিজিটাল credit scoring বা নিয়োগে historical data ব্যবহার করলে অতীতের বৈষম্য pattern হিসেবে শিখে যেতে পারে। Informal income, rural transaction বা career break-এর মতো বৈশিষ্ট্য ভুলভাবে risk signal হতে পারে। Rebooting AI-এর আলোকে system-কে causal ও contextual প্রশ্ন করতে হবে: এই feature সত্যিই repayment বা job performance-এর কারণ, নাকি data collection-এর অসমতার proxy? সিদ্ধান্তের ব্যাখ্যা এবং মানুষের appeal না থাকলে প্রযুক্তি দক্ষতার বদলে অস্বচ্ছ বাধা তৈরি করতে পারে।

স্বাস্থ্য ও কৃষির মতো ক্ষেত্রে distribution shift আরও গুরুত্বপূর্ণ। একটি model শহুরে হাসপাতালের data-তে প্রশিক্ষিত হলে গ্রামীণ রোগীর presentation, equipment availability বা record quality ভিন্ন হতে পারে। কৃষিতে মাটি, আবহাওয়া, ফসলের জাত ও স্থানীয় চাষপদ্ধতি পরিবর্তিত হয়। তাই pilot, local validation, uncertainty warning এবং expert confirmation অপরিহার্য। AI-কে সিদ্ধান্তদাতা নয়, সহায়ক হিসেবে শুরু করা বেশি নিরাপদ।

বাংলাদেশি প্রতিষ্ঠানগুলোর জন্য একটি বাস্তবসম্মত পথ হতে পারে “human-centered hybrid system”: model সম্ভাব্য উত্তর বা risk flag দেবে; structured rule, verified database ও domain expert তা পরীক্ষা করবেন; ব্যবহারকারী ব্যাখ্যা ও সংশোধনের সুযোগ পাবেন। এতে automation-এর গতি এবং মানুষের contextual judgment একত্র হয়। বইটির ভাষায়, reliable intelligence গড়তে শুধু scale নয়—knowledge, reasoning এবং accountability দরকার।

বাংলাদেশের জন্য সম্ভাব্য নীতিগত অগ্রাধিকার

• বাংলা ও আঞ্চলিক ভাষার independent benchmark তৈরি করা।
• High-stakes use case-এ human review ও appeal বাধ্যতামূলক করা।
• Urban-rural, gender, income ও ভাষাভিত্তিক subgroup error আলাদাভাবে পরীক্ষা করা।
• Model update হলে পুনরায় local validation করা।
• সরকারি বা বেসরকারি procurement-এ failure condition ও audit access চাওয়া।
• ব্যবহারকারীকে স্পষ্টভাবে জানানো—কখন AI ব্যবহৃত হয়েছে এবং সিদ্ধান্তের সীমা কী।

বইটির শক্তি, সীমাবদ্ধতা ও সমালোচনা

বইটির প্রধান শক্তি

প্রথম শক্তি হলো conceptual clarity। লেখকেরা pattern recognition, understanding, generalization এবং reasoning-এর পার্থক্য সাধারণ ভাষায় ব্যাখ্যা করেন। দ্বিতীয় শক্তি হলো বাস্তব উদাহরণ। Language, robotics, vision এবং self-driving-এর সমস্যা দিয়ে দেখানো হয় কেন closed benchmark-এর সাফল্য open world-এ যথেষ্ট নয়। তৃতীয় শক্তি হলো balanced position: তাঁরা AI বিরোধী নন, আবার marketing hype-ও গ্রহণ করেন না।

চতুর্থ শক্তি হলো বিকল্প দিকনির্দেশ। অনেক সমালোচনামূলক বই শুধু সমস্যা বলে; Rebooting AI knowledge representation, common sense, cognitive architecture এবং hybrid approach-এর কথা বলে। পঞ্চম শক্তি হলো সময়ের পরীক্ষায় টিকে থাকা। ২০১৯ সালের নির্দিষ্ট system পুরনো হলেও hallucination, compositional error, weak reasoning ও reliability-এর প্রশ্ন generative AI যুগে নতুনভাবে ফিরে এসেছে।

সীমাবদ্ধতা

বইটির সবচেয়ে বড় সীমা হলো এটি কোনো complete technical blueprint দেয় না। Hybrid AI বলা সহজ, কিন্তু neural representation ও symbolic knowledge কীভাবে scalable, trainable এবং maintainableভাবে যুক্ত হবে—এটি অত্যন্ত কঠিন গবেষণা সমস্যা। পাঠক একটি শক্তিশালী diagnosis পান, কিন্তু engineering roadmap তুলনামূলকভাবে কম নির্দিষ্ট।

দ্বিতীয় সীমা হলো লেখকদের কিছু দাবি বিতর্কিত। Deep-learning গবেষকেরা যুক্তি দিতে পারেন যে scale, self-supervised learning, multimodal training, tool use এবং retrieval-এর মাধ্যমে অনেক সীমা ধীরে ধীরে কমছে। ২০১৯-এর পর language model অপ্রত্যাশিত কিছু generalization দেখিয়েছে। ফলে “বর্তমান paradigm দিয়ে কতদূর যাওয়া সম্ভব”—এ প্রশ্নের উত্তর এখনো খোলা। বইটি সন্দেহের পক্ষে শক্ত যুক্তি দেয়, কিন্তু ভবিষ্যৎ architecture নিশ্চিত করে না।

তৃতীয় সীমা হলো social, economic ও political governance তুলনামূলকভাবে কম বিস্তৃত। Reliability মূলত cognitive ও engineering দৃষ্টিকোণ থেকে আলোচিত; data labor, market concentration, surveillance, intellectual property বা global inequality নিয়ে পরবর্তী বইগুলোর মতো গভীর আলোচনা নেই।

সমালোচনার ভারসাম্যপূর্ণ পাঠ

বইটিকে “deep learning ব্যর্থ” ঘোষণাপত্র হিসেবে পড়লে ভুল হবে। ভালো পাঠ হলো: narrow benchmark performance থেকে broad competence অনুমান করবেন না; system-এর error structure বুঝুন; scale-এর পাশাপাশি representation ও reasoning গবেষণা করুন; এবং বাস্তব deployment-এ uncertainty ও human oversight রাখুন। পরবর্তী AI অগ্রগতি বইটির নির্দিষ্ট উদাহরণকে বদলাতে পারে, কিন্তু capability claim যাচাইয়ের এই পদ্ধতি বহাল থাকে।

Rebooting AI থেকে শীর্ষ ১০টি শিক্ষা

1. সাবলীল output বোঝার প্রমাণ নয়। ভাষা বা ছবি নিখুঁত দেখালেও system-এর world model দুর্বল হতে পারে।
2. Benchmark পুরো বাস্তবতা নয়। Test set-এর score deployment-এর rare ও পরিবর্তিত পরিস্থিতি ঢেকে রাখে।
3. Common sense অতিরিক্ত সুবিধা নয়। নিরাপদ reading, robotics ও decision-making-এর মৌলিক অবকাঠামো।
4. Correlation ও causation আলাদা। বিশেষত স্বাস্থ্য, ঋণ ও নীতিতে এই পার্থক্য না বুঝলে ক্ষতি হয়।
5. আরও data সব সমস্যার সমাধান নয়। ভালো representation, prior knowledge ও reasoning mechanism প্রয়োজন হতে পারে।
6. Hybrid পদ্ধতি বাস্তবসম্মত দিক। Learning-এর নমনীয়তা ও symbolic reasoning-এর কাঠামো একত্র করা দরকার।
7. AI-এর নিজের সীমা জানা উচিত। অনিশ্চিত হলে উত্তর না দেওয়া বা মানুষের কাছে পাঠানো একটি গুরুত্বপূর্ণ capability।
8. নির্ভরযোগ্যতা আগে থেকেই নকশা করতে হয়। পরে কয়েকটি guardrail জুড়ে দিলে মৌলিক দুর্বলতা দূর হয় না।
9. হাইপ নীতিগত ভুল তৈরি করে। অতিরঞ্জিত দাবি দ্রুত deployment ও ভুল বিনিয়োগের দিকে ঠেলে দেয়।
10. মানুষের তত্ত্বাবধান অর্থবহ হতে হবে। শুধু final approval button নয়; reviewer-এর তথ্য, সময়, ক্ষমতা ও appeal mechanism থাকতে হবে।

সচরাচর জিজ্ঞাসিত প্রশ্ন

Rebooting AI বইটির মূল বক্তব্য কী?

বর্তমান deep-learning AI সংকীর্ণ কাজে শক্তিশালী হলেও সাধারণ জ্ঞান, reasoning, causality ও নতুন পরিস্থিতিতে নির্ভরযোগ্য generalization-এ দুর্বল। Trustworthy AI-এর জন্য learning-এর সঙ্গে structured knowledge ও reasoning যুক্ত করতে হবে।

বইটি কি deep learning-এর বিরোধী?

না। লেখকেরা deep learning-এর বাস্তব সাফল্য স্বীকার করেন। তাঁদের আপত্তি হলো এটিকে একমাত্র পথ হিসেবে দেখা এবং narrow performance থেকে human-like intelligence অনুমান করা।

Hybrid AI বলতে কী বোঝানো হয়েছে?

Data থেকে শেখা neural system-এর সঙ্গে explicit concepts, rules, knowledge representation এবং logical বা causal reasoning যুক্ত করা। উদ্দেশ্য হলো perception-এর শক্তি ও structured thought-এর শক্তি একত্র করা।

বইটি কি প্রযুক্তিগত পাঠকের জন্য?

প্রযুক্তিবিদরা গভীর ধারণাগত উপকার পাবেন, তবে programming বা mathematics জানা বাধ্যতামূলক নয়। উদাহরণ ও ভাষা সাধারণ পাঠকের জন্যও উপযোগী।

ChatGPT যুগে বইটি কি পুরনো?

নির্দিষ্ট উদাহরণ pre-ChatGPT, কিন্তু hallucination, unreliable reasoning, compositionality, common sense এবং deployment trust-এর প্রশ্ন এখনো অত্যন্ত প্রাসঙ্গিক। বর্তমান system-এর নতুন সক্ষমতা বিবেচনায় নিয়ে বইটি পড়া উচিত।

বইটি AGI কবে আসবে বলে?

এটি নির্দিষ্ট সময়সীমা দেয় না। বরং বলে, বর্তমান অগ্রগতি থেকে সরল রেখায় human-level general intelligence-এর আগমন অনুমান করা বৈজ্ঞানিকভাবে দুর্বল।

Common sense computer-কে শেখানো এত কঠিন কেন?

কারণ দৈনন্দিন জ্ঞান বিপুল, context-dependent, ব্যতিক্রমপূর্ণ এবং প্রায়ই ভাষায় সরাসরি লেখা থাকে না। Physical, social, temporal ও causal জ্ঞানকে একসঙ্গে উপস্থাপন করতে হয়।

বাংলাদেশের পাঠকের জন্য সবচেয়ে গুরুত্বপূর্ণ শিক্ষা কী?

বিদেশি benchmark বা vendor claim সরাসরি স্থানীয় বাস্তবতায় গ্রহণ না করা। বাংলা ভাষা, rural-urban data, subgroup error, human review ও appeal আলাদাভাবে যাচাই করা।

বইটির সবচেয়ে বড় দুর্বলতা কী?

সমস্যার diagnosis শক্তিশালী হলেও scalable hybrid architecture তৈরির বিস্তারিত engineering solution সীমিত। এটি গবেষণার দিক দেখায়, প্রস্তুত নকশা নয়।

বইটি পড়ার পর কোন বই পড়া ভালো?

AI alignment-এর জন্য The Alignment Problem ও Human Compatible, দীর্ঘমেয়াদি ভবিষ্যতের জন্য Life 3.0, এবং AI claim যাচাইয়ের জন্য AI Snake Oil পড়া যেতে পারে।

কারা পড়বেন এই বই

• AI, machine learning বা software development-এ কাজ করেন এবং model reliability বুঝতে চান।
• প্রতিষ্ঠানে AI tool কেনা, পরীক্ষা বা deployment-এর সিদ্ধান্ত নেন।
• শিক্ষক, গবেষক ও শিক্ষার্থী, যারা intelligence ও learning-এর ধারণাগত পার্থক্য জানতে চান।
• নীতিনির্ধারক, সাংবাদিক ও আইনজীবী, যারা AI capability claim যাচাই করেন।
• সাধারণ পাঠক, যারা AI নিয়ে অন্ধ উচ্ছ্বাস বা অযৌক্তিক ভয়—দুটোর বাইরে একটি বাস্তবসম্মত দৃষ্টিভঙ্গি চান।

যারা কেবল সাম্প্রতিক product guide বা prompt ব্যবহার শেখার বই খুঁজছেন, তাদের জন্য এটি সরাসরি ব্যবহারিক manual নয়। কিন্তু AI system কেন অপ্রত্যাশিত ভুল করে এবং “বিশ্বাসযোগ্য” বলতে কী বোঝায়—তা বুঝতে বইটি শক্ত ভিত্তি দেয়।

Martvan-এ সম্পর্কিত বই

• The Alignment Problem বাংলা সামারি — data, reward ও human values-এর alignment সমস্যা বুঝতে।
• AI Snake Oil বাংলা সামারি — AI hype, prediction ও প্রমাণ যাচাইয়ের ব্যবহারিক কাঠামো পেতে।
• Life 3.0 বাংলা সামারি — AGI, superintelligence ও মানবজাতির দীর্ঘমেয়াদি ভবিষ্যৎ নিয়ে ভাবতে।
• Human Compatible বাংলা সামারি — AI-কে মানবিক লক্ষ্য ও নিয়ন্ত্রণের সঙ্গে সামঞ্জস্যপূর্ণ করার প্রস্তাব জানতে।

AI বিষয়ে আরও নির্বাচিত বই একসঙ্গে দেখতে পড়ুন সেরা AI বইয়ের বাংলা সামারি category pillar page।

চূড়ান্ত মূল্যায়ন

নির্ভরযোগ্য উৎস ও আরও পড়ুন

• Penguin Random House — Rebooting AI official book page
• NYU — Rebooting AI authors page
• Gary Marcus ও Ernest Davis — Rebooting AI updates
• Gary Marcus — Deep Learning: A Critical Appraisal
• InfoQ — Rebooting AI বিষয়ে লেখকদের প্রশ্নোত্তর