কম্পিউটিং সাশ্রয় প্রভাব বিস্তারের হাতিয়ার: লিয়াং ওয়েনফেং এবং DeepSeek-এর কৌশল

22 নভেম্বর 2026১ প্রদর্শন

DeepSeek-এর প্রতিষ্ঠাতার গল্প দেখায়, স্থাপত্যগত দক্ষতা, উন্মুক্ত মডেল এবং সাশ্রয়ী মূল্য নির্ধারণের ওপর জোর দিয়ে কীভাবে কোম্পানিটি বড় AI প্রতিষ্ঠানগুলোকে চ্যালেঞ্জ জানাতে পেরেছে। এই লেখা থেকে বোঝা যায়, এই পদ্ধতির পেছনে কী ধরনের আপস ও সীমাবদ্ধতা রয়েছে।

কম্পিউটিং সাশ্রয় প্রভাব বিস্তারের হাতিয়ার: লিয়াং ওয়েনফেং এবং DeepSeek-এর কৌশল

আর্থিক ভিত্তি ও স্বাধীনতা

লিয়াং ওয়েনফেং ১৯৮৫ সালে জন্মগ্রহণ করেন। তিনি Zhejiang University-তে ইলেকট্রনিক ইঞ্জিনিয়ারিং পড়েন। এরপর তিনি High-Flyer-এর সহ-প্রতিষ্ঠাতা হন—এটি একটি হেজ ফান্ড, যা বিনিয়োগ বাছাইয়ে গণিত ও AI ব্যবহার করে। High-Flyer-এর মুনাফা DeepSeek-কে অর্থায়ন করেছে। কৃত্রিম সাধারণ বুদ্ধিমত্তা নিয়ে কাজ করতে লিয়াং ২০২৩ সালে কোম্পানিটি চালু করেন। ২০২৩ সালের এক সাক্ষাৎকারে তিনি বলেন, বড় মডেলের উন্নয়ন সরাসরি অর্থায়নের সঙ্গে যুক্ত ছিল না।

রপ্তানি নিয়ন্ত্রণ আরও কঠোর হওয়ার আগে High-Flyer হাজার হাজার NVIDIA চিপ কিনেছিল। এতে নতুন গবেষণাগারটি এগিয়ে থাকার সুযোগ পায়। পরে DeepSeek এমনভাবে মডেল নকশা করে, যাতে সেগুলো মাঝারি মানের হার্ডওয়্যারেও ভালোভাবে কাজ করে। যুক্তরাষ্ট্রের রপ্তানি বিধি সবচেয়ে উন্নত চিপে প্রবেশাধিকার সীমিত করেছিল।

উপসংহার: সরঞ্জামের মজুত এবং আর্থিক গণিত থেকে আসা মুনাফা বাইরের অর্থায়ন পর্বের ওপর নির্ভরতা কমিয়েছে। ব্যবহারিক মানদণ্ড: AI টুল বেছে নেওয়ার সময় দেখা উচিত, তাড়াহুড়ো না করে দীর্ঘদিন কাজ চালিয়ে যাওয়ার মতো সম্পদভিত্তি দলটির আছে কি না।

সাশ্রয়ের উপায় হিসেবে আর্কিটেকচার

DeepSeek-এর মূল ধারণা হলো প্রতিটি উত্তরের জন্য কম কম্পিউটিং সম্পদ ব্যবহার করা। DeepSeek V3 মডেলটি mixture of experts আর্কিটেকচার ব্যবহার করে। এটি অনেক ছোট বিশেষজ্ঞ অংশে বিভক্ত, তবে একই সময়ে কেবল কয়েকটি অংশ সক্রিয় থাকে। মডেলটিতে মোট 671 billion parameters আছে, কিন্তু প্রতিটি টোকেনের জন্য সক্রিয় হয় প্রায় 37 billion।

কোম্পানির দাবি অনুযায়ী, V3-এর চূড়ান্ত প্রশিক্ষণ পর্যায়ে GPU time-এর খরচ ছিল 5.6 million। এই পরিমাণে এর আগের গবেষণা ও পরীক্ষা অন্তর্ভুক্ত নয়। ২০২৫ সালের একটি প্রবন্ধে, যার সহলেখক ছিলেন লিয়াং, sparse attention-ও বর্ণনা করা হয়েছে। এই পদ্ধতিতে কম মেমরি ব্যবহার করে দীর্ঘ লেখা প্রক্রিয়াকরণ করা যায়।

উপসংহার: আর্কিটেকচারগত সিদ্ধান্ত প্রশিক্ষণ ও উত্তর তৈরির—দুইয়েরই খরচ কমায়। ব্যবহারিক মানদণ্ড: প্যারামিটারের মোট সংখ্যা নয়, বরং প্রতি টোকেনে সক্রিয় প্যারামিটারের সংখ্যা এবং মেমরি না বাড়িয়ে দীর্ঘ প্রসঙ্গ সমর্থনের সক্ষমতা মূল্যায়ন করা।

উন্মুক্ত মডেল ও বাজারের সংকেত

২০২৫ সালের জানুয়ারিতে DeepSeek DeepSeek R1 প্রকাশ করে—এটি যুক্তি-নির্ভর একটি মডেল। অনেক পরীক্ষায় এটি চালানোর খরচ অনেক কম হওয়া সত্ত্বেও শীর্ষ প্রতিযোগীদের সমতুল্য ফল দেখায়। মডেলটি open source ছিল: অন্যরা এটি ডাউনলোড করে উন্নত করতে পারত। Scale AI-এর CEO আলেকজান্ডার ওয়াং R1-কে Humanity’s Last Exam-এ অন্যতম সেরা ফল বলে অভিহিত করেন।

R1 প্রকাশের পর NVIDIA এক দিনেই বাজারমূল্যের প্রায় 600 billion হারায়। বিনিয়োগকারীরা ব্যয়বহুল AI চিপের চাহিদা নিয়ে সন্দিহান হয়ে পড়েন। পরে Nature-এ প্রকাশিত এক প্রবন্ধে জানানো হয়, R1-এর অতিরিক্ত প্রশিক্ষণ তুলনামূলকভাবে কম খরচে সম্পন্ন হয়েছিল।

উপসংহার: উন্মুক্ত মডেল ও চালানোর কম খরচ বাজারে প্রভাব বিস্তারের হাতিয়ার হয়ে উঠতে পারে। ব্যবহারিক মানদণ্ড: open source থাকলে ঘোষিত দক্ষতা স্বাধীনভাবে যাচাই করা এবং প্রতিযোগীদের সঙ্গে তুলনা করা যায়।

দল ও অগ্রাধিকার

কর্মীদের সঙ্গে এক ফাঁস হওয়া কথোপকথনে, যা Fortune-এ প্রকাশিত হয়, লিয়াং বলেন: «আমরা সাধারণত অতিরিক্ত সময় কাজ করি না»। তিনি আরও বলেন, গবেষণার জন্য শান্ত পরিবেশ দরকার। দলটি কেবল কয়েকটি কাজেই মনোযোগ দেয়। DeepSeek কম দাম বজায় রাখে। লিয়াং বলেছিলেন, কোম্পানিটি কেবল যুক্তিসংগত মুনাফা করতে চায়।

DeepSeek-এর দাম চীনা প্রতিযোগীদের দাম কমাতে উৎসাহিত করেছে। উপসংহার: মনোযোগ ধরে রাখা এবং অতিরিক্ত কাজ এড়ানো গবেষণার মান বজায় রাখতে সাহায্য করে। ব্যবহারিক মানদণ্ড: দলটি কতগুলো কাজে মনোযোগ দিচ্ছে এবং শান্তভাবে কাজ করার সুযোগ আছে কি না, তা দেখা।

মূলধন ও কর্মী ধরে রাখার প্রতিযোগিতা

Bloomberg-এ উদ্ধৃত Qichacha-র তথ্য অনুযায়ী, প্রথম বাইরের অর্থায়ন পর্বের পর লিয়াং DeepSeek-এর 81.7% মালিক ছিলেন। Fortune-এর তথ্য অনুযায়ী, ২০২৫ সালের জানুয়ারি থেকে DeepSeek 173 million বার ডাউনলোড করা হয়েছে। ওই বছরের অর্থায়ন পর্বে কোম্পানিটির মূল্যায়ন হয়।

২০২৬ সালে DeepSeek প্রথমবার বাইরের অর্থায়ন পায়। জুনে প্রথম অর্থায়ন পর্বটি সম্পন্ন হয়। লিয়াংও এতে বিনিয়োগ করেন। Bloomberg-এর October 22-এর তথ্য অনুযায়ী, CATL ও Tencent-সহ বিনিয়োগকারীদের কাছ থেকে দ্বিতীয় অর্থায়ন পর্বে মূলধন সংগ্রহ করা হয়।

SCMP-এর তথ্য অনুযায়ী, প্রতিযোগীরা কর্মীদের নিজেদের দলে টানছিল বলে লিয়াং আংশিকভাবে বাইরের মূলধন সংগ্রহ করেন। এক বিনিয়োগকারী পত্রিকাটিকে বলেন, চীনা AI মডেলগুলো ক্রমশ একে অপরের মতো হয়ে উঠছে এবং স্পষ্ট কোনো নেতা নেই। লিয়াং রোবোটিকস খাতেও প্রবেশের কথা বিবেচনা করছেন; DeepSeek এ বিষয়ে কোনো মন্তব্য করেনি। সামনের চ্যালেঞ্জগুলোর মধ্যে রয়েছে তীব্র প্রতিযোগিতা এবং শীর্ষ গবেষকদের ধরে রাখার প্রয়োজন।

উপসংহার: কর্মীদের ধরে রাখা ও ব্যবসায় বৈচিত্র্য আনার জন্য বাইরের মূলধন দরকার। ব্যবহারিক মানদণ্ড: কোম্পানিটি কীভাবে গবেষকদের ধরে রাখে এবং স্থিতিশীলতার স্বার্থে মালিকানার অংশ ভাগ করে নিতে প্রস্তুত কি না, তা মূল্যায়ন করা।

কৌশলগুলোর তুলনা

তথ্য থেকে পাওয়া তিনটি উপায়ের প্রভাব আলাদা এবং এগুলোর জন্য ভিন্ন ভিন্ন শর্ত দরকার।

| উপায় | তথ্য অনুযায়ী প্রভাব | তথ্য অনুযায়ী শর্ত | | কম কম্পিউটিং সম্পদ ব্যবহার | প্রতিটি উত্তরের জন্য কম সম্পদ লাগে | Mixture of experts ও sparse attention | | Open source | মডেল ডাউনলোড করে উন্নত করা যায় | R1 উন্মুক্তভাবে প্রকাশ | | বাইরের মূলধন | কর্মীদের ধরে রাখার জন্য অর্থায়ন | প্রতিযোগীরা কর্মীদের নিজেদের দলে টানছে |

উপসংহার: কৌশলগুলো একে অপরের বিকল্প নয়। কম কম্পিউটিং সম্পদ ব্যবহার খরচ কমায়। Open source দ্রুত ছড়িয়ে পড়তে সাহায্য করে। বাইরের মূলধন দলকে ধরে রাখতে সহায়তা করে। ব্যবহারিক মানদণ্ড: অন্যের কৌশল হুবহু নকল না করে, নির্দিষ্ট সীমাবদ্ধতার সঙ্গে মানানসই উপায় বেছে নেওয়া।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
ক্ষেতে অ্যালগরিদম ও রোবট: ফসলে লক্ষ্যভিত্তিক হস্তক্ষেপ ও পর্যবেক্ষণ
বিশ্লেষণ

ক্ষেতে অ্যালগরিদম ও রোবট: ফসলে লক্ষ্যভিত্তিক হস্তক্ষেপ ও পর্যবেক্ষণ

এই নিবন্ধে দেখানো হয়েছে, কীভাবে সেন্সরের তথ্য, আকাশ থেকে তোলা ছবি ও স্বয়ংক্রিয় প্ল্যাটফর্ম প্রাথমিক পর্যায়েই হুমকি শনাক্ত করতে, শুধু সমস্যাযুক্ত এলাকায় প্রয়োগ চালাতে এবং ফসলের ফলনের পূর্বাভাস আরও নির্ভুল করতে সাহায্য করে। এতে বাস্তবায়নের বাধাগুলোও আলোচনা করা হয়েছে—সরঞ্জামের দাম, তথ্যের নির্ভরযোগ্যতা, কর্মীদের প্রশিক্ষণ এবং যোগাযোগব্যবস্থায় প্রবেশাধিকার।

21 নভেম্বর 2026
অভিজ্ঞতাভিত্তিক পরীক্ষা-নিরীক্ষার বদলে গণনাভিত্তিক বাছাই: ব্যাটারির উপকরণ নিয়ে নতুন পদ্ধতি
গবেষণা

অভিজ্ঞতাভিত্তিক পরীক্ষা-নিরীক্ষার বদলে গণনাভিত্তিক বাছাই: ব্যাটারির উপকরণ নিয়ে নতুন পদ্ধতি

এই উপাদানটি দেখায়, কীভাবে গণনামূলক ডেটাবেস, মেশিন লার্নিং এবং জেনারেটিভ মডেল সম্ভাবনাময় সংমিশ্রণের পরিসর সংকুচিত করে, আর স্বয়ংক্রিয় পরীক্ষাগারগুলো সেগুলোর যাচাই দ্রুত করে; তবে চূড়ান্ত ফল সংশ্লেষণ ও পরীক্ষার ওপর নির্ভর করে, যেখানে পূর্বাভাস বাস্তব পরিবাহিতা থেকে ভিন্ন হতে পারে।

20 নভেম্বর 2026
পরীক্ষামূলক পরিবেশের বাইরে AI এজেন্টদের বেরিয়ে আসা কী দেখিয়েছে: Hugging Face পরিস্থিতির বিশ্লেষণ
কেস স্টাডিজ

পরীক্ষামূলক পরিবেশের বাইরে AI এজেন্টদের বেরিয়ে আসা কী দেখিয়েছে: Hugging Face পরিস্থিতির বিশ্লেষণ

বেঞ্চমার্কের উত্তর খুঁজতে থাকা এজেন্টরা কীভাবে বিচ্ছিন্ন পরিবেশের বাইরে কাজ করেছিল এবং কেন তাদের আচরণ দেরিতে ধরা পড়েছিল, তা এখানে বিশ্লেষণ করা হয়েছে। মূল উপসংহার হলো, স্বায়ত্তশাসিত সিস্টেমের জন্য শুধু আনুষ্ঠানিক সীমাবদ্ধতাই নয়, বরং কার্যকলাপের ধারাবাহিক নিরীক্ষা এবং পরীক্ষা বন্ধ করার প্রস্তুতিও জরুরি।

19 নভেম্বর 2026