বিজ্ঞান দীর্ঘদিন ধরেই এমন উদাহরণে ভরা যেখানে বড় আবিষ্কারগুলো কঠোর পরিকল্পনার বাইরে ঘটে: এলোমেলো পর্যবেক্ষণ, অপ্রত্যাশিত ফলাফল এবং গবেষণার পার্শ্বশাখাগুলো প্রায়শই পূর্বনির্ধারিত লক্ষ্যের চেয়ে বেশি মূল্যবান। তবে, বৈজ্ঞানিক কাজের জন্য তৈরি আধুনিক স্বায়ত্তশাসিত সিস্টেমগুলো «এজেন্টকে একটি কাজ এবং চূড়ান্ত মেট্রিক দাও — আর সে নিজেই যুগান্তকারী আবিষ্কারে পৌঁছে যাবে» এই নীতিতে নির্মিত। ২০২৬ সালের আগস্টে arXiv-এ প্রকাশিত একটি সাম্প্রতিক প্রিপ্রিন্ট দেখায় কেন এই দৃষ্টান্তটি ব্যর্থ হতে বাধ্য: এজেন্ট-ভিত্তিক অটো-গবেষকরা যারা শুধুমাত্র চূড়ান্ত ফলাফল অপ্টিমাইজ করে, তারা মূলত ফাজিং-টেস্টিং করছে, কিন্তু ফাজারদের প্রধান শিক্ষা — কভারেজ সম্পর্কে মধ্যবর্তী সংকেতের মূল্য — তারা ব্যবহার করছে না।
পরিকল্পিত যুগান্তকারী আবিষ্কারের মায়া
বেশিরভাগ আধুনিক অটো-গবেষণা সিস্টেমে, বৈজ্ঞানিক আবিষ্কারকে একটি অপ্টিমাইজেশন সমস্যা হিসেবে দেখা হয়। এজেন্টকে এক সেট পরীক্ষা-নিরীক্ষা এবং একটি চূড়ান্ত বেঞ্চমার্ক দেওয়া হয়, এবং আশা করা হয় যে স্কোর সর্বাধিক করাই নতুন জ্ঞানের দিকে নিয়ে যাবে। সমস্যা হলো, চূড়ান্ত মূল্যায়ন একটি বিরল সংকেত। এটি শেষে মাত্র একবার আসে এবং মধ্যবর্তী কোন ধাপগুলো কার্যকর ছিল সে সম্পর্কে কিছুই বলে না। যখন এজেন্ট শুধুমাত্র চূড়ান্ত ফলাফলের জন্য পুরস্কৃত হয়, তখন সে অনিবার্যভাবে পরীক্ষার শর্তের সাথে অতিমাত্রায় খাপ খাইয়ে নেয় এবং ঝুঁকি না নিয়ে একই রকমের বিকল্পগুলো অন্ধভাবে নমুনা করতে শুরু করে, অপরিচিত মোডগুলোতে ঢোকার সাহস করে না।
এই পদ্ধতিটি এমন একটি পরীক্ষার মতো যেখানে একজন শিক্ষার্থীকে প্রথমে প্রশ্নের একটি তালিকা দেওয়া হয়, এবং তারপর শুধুমাত্র উত্তরগুলোর সঠিকতা মূল্যায়ন করা হয়, কীভাবে সে সমাধান খুঁজেছে তা উপেক্ষা করে। যদি শিক্ষার্থী সাধারণ সমস্যাগুলো মুখস্থ করে থাকে, সে প্রশিক্ষণের উদাহরণগুলোতে ভালো ফলাফল দেখাবে, কিন্তু সে পদার্থবিজ্ঞানের নতুন কোনো সূত্র আবিষ্কার করবে এমন সম্ভাবনা কম। একইভাবে, চূড়ান্ত স্কোরের দিকে লক্ষ্য রাখা এজেন্টরা নতুন কিছু খুঁজে পায় না, বরং শুধুমাত্র এমন কিছু খুঁজে পায় যা ইতিমধ্যে পরিচিত তথ্যকে নিশ্চিত করে।
গবেষণার মডেল হিসেবে ফাজিং
প্রিপ্রিন্টের লেখকরা একটি অপ্রত্যাশিত সমান্তরাল টানেন: একজন এজেন্ট-গবেষক, যিনি একটি বৈজ্ঞানিক সমস্যা সমাধান করেন, তিনি সফ্টওয়্যারে দুর্বলতা খোঁজার জন্য গ্রেবক্স-ফাজারের মতো একই বিরল প্রতিক্রিয়ার সম্মুখীন হন। ফাজার সবসময় সাথে সাথে একটি বাগ খুঁজে পায় না। যদি সে শুধুমাত্র «ত্রুটি আছে/ত্রুটি নেই» এই সংকেতটি পেত, তার কাজ অর্থহীন হয়ে যেত: বেশিরভাগ রান ফলহীনভাবে শেষ হয়।
ফাজিংয়ের রহস্য হলো, প্রোগ্রামের প্রতিটি রান শুধুমাত্র ক্র্যাশ হওয়ার ভিত্তিতে নয়, কোড কভারেজের ভিত্তিতেও পরিমাপ করা হয়। এই ঘন সংকেত আংশিক অগ্রগতি দেখতে দেয়: এমনকি যদি দুর্বলতা খুঁজে না পাওয়া যায়, একটি নতুন এক্সিকিউশন পাথ — তা-ও এক ধাপ এগিয়ে যাওয়া। ফাজার ইনপুট ডেটা মিউটেট করতে এবং কোন শাখায় সম্পদ ব্যয় করতে হবে তা সিদ্ধান্ত নিতে কভারেজ ব্যবহার করে। সে প্রস্তুত রানগুলোকে র্যাঙ্ক করে না, বরং অনুসন্ধানকে সক্রিয়ভাবে অজানা এলাকায় পরিচালিত করে।
বিজ্ঞানে, একই রকম একটি প্রক্রিয়া ঠিক একইভাবে কাজ করতে পারে। প্রতিটি পরীক্ষা, এমনকি চূড়ান্ত অনুমানের দিক থেকে ব্যর্থ হলেও, মূল্যবান যদি এটি জ্ঞানতাত্ত্বিক মানচিত্রকে প্রসারিত করে — তত্ত্বের স্থানের কোন অংশগুলো ইতিমধ্যে পরীক্ষা করা হয়েছে এবং কোনগুলো এখনও অজানা রয়ে গেছে সে সম্পর্কে জ্ঞান।
একটি কার্যকর গবেষণা এজেন্টের জন্য দুটি শর্ত
একটি অটো-গবেষক সত্যিই অনুসন্ধান করবে, নমুনা নেবে না, তার জন্য তার দুটি সম্পর্কিত ক্ষমতা প্রয়োজন।
- সস্তা ঘন সংকেত। চূড়ান্ত বৈজ্ঞানিক যাচাইকরণ উপলব্ধ হওয়ার আগেই প্রতিটি পরীক্ষাকে জ্ঞানতাত্ত্বিক অগ্রগতির একটি পর্যবেক্ষণযোগ্য সূচক দিতে হবে। এটি অগত্যা সত্যতার একটি সুনির্দিষ্ট মেট্রিক নয়, বরং নতুনত্ব, অজানা বা বর্তমান বিশ্ব-মডেল থেকে বিচ্যুতির একটি সূচক।
- প্রতিক্রিয়া অবশ্যই কাজকে পরিচালনা করবে। প্রাপ্ত সংকেতকে পরবর্তী হস্তক্ষেপের পছন্দকে প্রভাবিত করতে হবে। যদি এজেন্ট কেবল একটি লগে অগ্রগতি রেকর্ড করে কিন্তু একই এলাকায় নমুনা নিতে থাকে, তাহলে সামান্যই লাভ। অগ্রগতির সংকেতকে গবেষণার «ইনপুট ডেটা» মিউটেট করতে হবে, যেমন ফাজার পরীক্ষার উদাহরণগুলোকে মিউটেট করে।
গুরুত্বপূর্ণ হলো, ঘন সংকেত একটি দিকনির্দেশ, চূড়ান্ত রায় নয়। তাই চূড়ান্ত যাচাইকরণ এখনও প্রয়োজনীয়: এটি অভিযোজনযোগ্য পুনঃব্যবহার থেকে সুরক্ষিত প্রমাণ ব্যবহার করে দাবিগুলো মূল্যায়ন করে। অন্যথায়, যে এজেন্ট হাজার হাজার বার সংকেতের সাথে নিজেকে সামঞ্জস্য করে, সে случайно একটি মিথ্যা আবিষ্কার উপস্থাপন করতে পারে যা শুধুমাত্র অতিমাত্রায় খাপ খাওয়ানোর কারণে যাচাইকরণে উত্তীর্ণ হবে।
পরীক্ষা: অনুসন্ধান বনাম নমুনা
কাজের লেখকরা একটি সিমুলেটেড পদার্থবিজ্ঞান পরিবেশে এই ধারণাগুলো পরীক্ষা করেছেন। AI-এজেন্টকে একটি লুকানো পদার্থবিজ্ঞানের সূত্র আবিষ্কার করতে হয়েছিল। এজেন্টদের মধ্যে একজনকে এমনভাবে ডিজাইন করা হয়েছিল যে সে তার নিজের মধ্যবর্তী জ্ঞানতাত্ত্বিক অগ্রগতি ট্র্যাক করত — «সম্ভাব্য ব্যাখ্যার স্থানের কভারেজ»-এর মতো কিছু। অন্য এজেন্টরা চূড়ান্ত ফলাফলের ক্লাসিক্যাল অপ্টিমাইজেশন ব্যবহার করত।
ফলাফল দেখিয়েছে যে অগ্রগতি ট্র্যাক করা এজেন্ট সফলভাবে লুকানো সূত্রটি খুঁজে পেয়েছে। মৌলিক অপ্টিমাইজেশন পদ্ধতিগুলো ব্যর্থ হয়েছে: তারা বারবার ইতিমধ্যে থাকা ডেটা নমুনা করেছে এবং সেগুলোর উপর অতিমাত্রায় খাপ খেয়েছে, কখনও অজনপ্রিয় মোডগুলো পরীক্ষা করার সাহস করেনি। এটি নিশ্চিত করে যে স্বায়ত্তশাসিত গবেষণার কেন্দ্রীয় বাধা অনুমান তৈরি করার ক্ষমতা, মডেলের শক্তি বা এমনকি ডেটার পরিমাণে নয়, বরং প্রতিক্রিয়ার স্থাপত্যে।
এটি কী পরিবর্তন করে
বৈজ্ঞানিক অটো-গবেষকদের ফাজারের সাথে তুলনা করা কেবল একটি রূপক নয়, একটি প্রকৌশল নীতি। যদি আমরা চাই যে AI প্রকৃত আবিষ্কার করুক, তাহলে আমরা তাকে শুধুমাত্র একটি বিরল লক্ষ্য দিয়ে অপেক্ষা করতে পারি না। আমাদের ঘন সংকেত ডিজাইন করতে হবে যা ধীর অগ্রগতিও দৃশ্যমান করবে, এবং তারপর এজেন্টকে অনুসন্ধানের জন্য এই সংকেতগুলো ব্যবহার করার অনুমতি দিতে হবে।
এই পদ্ধতি বিজ্ঞানে ব্যর্থতার প্রতি দৃষ্টিভঙ্গি পরিবর্তন করে: শুধুমাত্র সফল পরীক্ষাই মূল্যবান নয়, বরং যেকোনো পদক্ষেপ যা অজানা স্থানকে সংকুচিত করে। এক অর্থে, এটি আমাদের বাস্তবে মানব বিজ্ঞান যেভাবে কাজ করে সেখানে ফিরিয়ে আনে: বিজ্ঞানীরা একটি আংশিক ফলাফল থেকে অন্যটিতে যান, এবং মাঝে মাঝে এই পথগুলো একটি বড় যুগান্তকারী আবিষ্কারে রূপ নেয় যা আগে থেকে পরিকল্পনা করা অসম্ভব ছিল। স্বায়ত্তশাসিত গবেষণা সিস্টেমগুলোকেও একই শিখতে হবে বলে মনে হচ্ছে — আবিষ্কারের পরিকল্পনা করা নয়, বরং এমন পরিস্থিতি তৈরি করা যেখানে সেগুলো সম্ভব হয়ে ওঠে।
