নিজস্ব প্রতিবেদন | Bongobuzz
কৃত্রিম বুদ্ধিমত্তা বা Artificial Intelligence (AI) এত দিন মানুষের কাজ সহজ করা, তথ্য বিশ্লেষণ এবং জটিল হিসাব দ্রুত সম্পন্ন করার প্রযুক্তি হিসেবে পরিচিত ছিল। কিন্তু ২০২৬ সালে এসে AI-এর সক্ষমতা নিয়ে বিজ্ঞানীদের ধারণায় বড় পরিবর্তন দেখা যাচ্ছে। এখন আর শুধু মানুষের দেওয়া গণিতের সমস্যা সমাধান নয়, বরং নতুন গাণিতিক ধারণা তৈরি, দীর্ঘদিনের অমীমাংসিত সমস্যার সমাধান এবং গবেষণার প্রচলিত পদ্ধতিকে চ্যালেঞ্জ করার ক্ষেত্রেও এগিয়ে আসছে AI।
সবচেয়ে আলোচিত ঘটনাগুলোর একটি হলো প্রায় ৮০ বছর ধরে গণিতবিদদের আগ্রহের কেন্দ্রে থাকা একটি জ্যামিতিক সমস্যায় OpenAI-এর একটি AI মডেলের নতুন প্রমাণ উপস্থাপন। অন্যদিকে, Anthropic-এর Claude ব্যবহার করে বিখ্যাত ফার্মার শেষ উপপাদ্যের একটি বিস্তৃত গাণিতিক প্রমাণকে কম্পিউটার-যাচাইকৃত আনুষ্ঠানিক রূপ দেওয়া হয়েছে।
এমনকি গবেষণামূলক গণিতের কঠিন পরীক্ষাতেও AI মডেলগুলো উল্লেখযোগ্য সাফল্য দেখিয়েছে। ফলে স্বাভাবিকভাবেই প্রশ্ন উঠছে—AI কি এবার মানুষের গণিতবিদদের জায়গা দখল করতে যাচ্ছে, নাকি গণিত গবেষণার নতুন সহযোগী হিসেবে আবির্ভূত হচ্ছে?
১. ৮০ বছরের পুরোনো গাণিতিক সমস্যায় AI-এর বড় সাফল্য
২০২৬ সালের ২০ মে OpenAI একটি গুরুত্বপূর্ণ গবেষণার ফল প্রকাশ করে। প্রতিষ্ঠানটির দাবি অনুযায়ী, তাদের একটি অভ্যন্তরীণ AI reasoning model জ্যামিতির প্রায় ৮০ বছর ধরে আলোচিত একটি অনুমান ভুল প্রমাণ করতে সক্ষম হয়েছে।
সমস্যাটির নাম Erdős Unit Distance Problem। ১৯৪৬ সালে হাঙ্গেরীয় গণিতবিদ পল এরদশ (Paul Erdős) এই সমস্যাটি উত্থাপন করেন।
সমস্যাটি শুনতে বেশ সহজ। একটি সমতলে নির্দিষ্টসংখ্যক বিন্দু বসানো হলে, তাদের মধ্যে কতগুলো জোড়ার দূরত্ব ঠিক এক একক হতে পারে? অর্থাৎ, প্রতিটি বিন্দুর সঙ্গে অন্য বিন্দুর এমন কতগুলো জোড়া তৈরি করা সম্ভব, যাদের মধ্যকার দূরত্ব সমান?
কিন্তু এই সাধারণ প্রশ্নের উত্তর খুঁজতে গিয়ে কয়েক প্রজন্মের গণিতবিদকে জটিল জ্যামিতি, সংখ্যা তত্ত্ব এবং সমাবেশবিদ্যার (Combinatorics) সাহায্য নিতে হয়েছে।
সমস্যাটি এত কঠিন ছিল কেন?
ধরা যাক, একটি সমতলে (n) সংখ্যক বিন্দু রয়েছে। এখন প্রতিটি বিন্দুর সঙ্গে অন্য বিন্দুগুলোর দূরত্ব পরিমাপ করে একক দূরত্বের জোড়া গণনা করতে হবে।
গণিতবিদদের মূল লক্ষ্য ছিল এমন একটি বিন্যাস খুঁজে বের করা, যেখানে একক দূরত্বের জোড়ার সংখ্যা সর্বাধিক হবে।
এখানে একটি গুরুত্বপূর্ণ গাণিতিক ধারণা রয়েছে। সমস্যাটির জন্য (u(n)) দ্বারা বোঝানো হয়, (n) সংখ্যক বিন্দু থেকে সর্বাধিক কতটি একক-দূরত্বের জোড়া তৈরি করা সম্ভব।
দীর্ঘদিন ধরে প্রচলিত ধারণা ছিল, এই সংখ্যার বৃদ্ধির হার একটি নির্দিষ্ট সীমার মধ্যেই থাকবে। কিন্তু OpenAI-এর মডেল এমন একটি নতুন বিন্যাসের প্রমাণ দেয়, যা সেই দীর্ঘদিনের ধারণাকে ভুল প্রমাণ করে।
AI কী নতুন করল?
OpenAI-এর প্রকাশিত গবেষণা অনুযায়ী, AI মডেলটি এমন একটি নতুন গাণিতিক নির্মাণ (Mathematical Construction) উপস্থাপন করে, যার মাধ্যমে অসীমসংখ্যক নির্দিষ্ট মানের জন্য একক-দূরত্বের জোড়ার সংখ্যা আগের ধারণার চেয়ে উল্লেখযোগ্যভাবে বেশি পাওয়া সম্ভব।
প্রযুক্তিগতভাবে, প্রচলিত অনুমানটি ছিল:
u(n) = n^(1+o(1))
কিন্তু AI-এর নতুন নির্মাণ দেখায়, অসীমসংখ্যক (n)-এর জন্য:
u(n) ≥ n^(1+δ)
এখানে (delta) একটি ধনাত্মক ধ্রুবক। পরবর্তী গাণিতিক পরিমার্জনে এই ধ্রুবকের জন্য ০.০১৪ মান প্রতিষ্ঠা করা হয়েছে।
সবচেয়ে আকর্ষণীয় বিষয় হলো, এই সমাধানের পেছনে ব্যবহৃত ধারণাগুলো এসেছে Algebraic Number Theory বা বীজগাণিতিক সংখ্যা তত্ত্ব থেকে। জ্যামিতির একটি সাধারণ প্রশ্নের উত্তর খুঁজতে এমন একটি গাণিতিক শাখার সাহায্য নেওয়া হয়েছে, যা প্রথম দেখায় সমস্যাটির সঙ্গে সরাসরি সম্পর্কিত বলে মনে হয় না।
OpenAI জানিয়েছে, বাইরের গণিতবিদদের একটি দল প্রমাণটি যাচাই করেছেন এবং গবেষণার যুক্তি ও তাৎপর্য ব্যাখ্যা করে একটি পৃথক গবেষণাপত্রও তৈরি করেছেন।
এটি গুরুত্বপূর্ণ, কারণ AI শুধু আগে থেকে জানা কোনো সূত্র প্রয়োগ করেনি; বরং একটি প্রচলিত গাণিতিক ধারণার বিপরীতে নতুন নির্মাণ ও যুক্তি উপস্থাপন করেছে।
২. ফার্মার শেষ উপপাদ্য: AI-এর হাতে নতুন এক মাইলফলক
AI-এর গাণিতিক সক্ষমতা আলোচনায় আরেকটি গুরুত্বপূর্ণ ঘটনা হলো Fermat's Last Theorem বা ফার্মার শেষ উপপাদ্যের আনুষ্ঠানিক প্রমাণ তৈরি।
১৬৩৭ সালে ফরাসি গণিতবিদ পিয়েরে দ্য ফার্মা (Pierre de Fermat) একটি গাণিতিক দাবি করেন। তাঁর বক্তব্য ছিল, ২-এর চেয়ে বড় কোনো পূর্ণসংখ্যা (n)-এর জন্য নিচের সমীকরণের ধনাত্মক পূর্ণসংখ্যায় কোনো সমাধান নেই:
x^n + y^n = z^n
সহজভাবে বললে, (n=2) হলে এমন সমীকরণের সমাধান পাওয়া যায়। যেমন:
3² + 4² = 5²
কিন্তু (n)-এর মান ৩ বা তার বেশি হলে এমন কোনো ধনাত্মক পূর্ণসংখ্যার সমাধান পাওয়া সম্ভব নয়—এটাই ফার্মার শেষ উপপাদ্যের মূল বক্তব্য।
ফার্মা দাবি করেছিলেন, তাঁর কাছে এর একটি অসাধারণ প্রমাণ রয়েছে। কিন্তু সেই প্রমাণ তিনি রেখে যাননি। ফলে শত শত বছর ধরে সমস্যাটি গণিতবিদদের কাছে একটি বড় চ্যালেঞ্জ হয়ে ছিল।
১৯৯৪ সালে ব্রিটিশ গণিতবিদ অ্যান্ড্রু ওয়াইলস (Andrew Wiles), রিচার্ড টেলরের সহযোগিতায়, উপপাদ্যটির গ্রহণযোগ্য প্রমাণ সম্পন্ন করেন। এই প্রমাণের জন্য তাঁকে আধুনিক গণিতের অন্যতম গুরুত্বপূর্ণ ব্যক্তিত্ব হিসেবে স্বীকৃতি দেওয়া হয়।
Claude কীভাবে যুক্ত হলো?
২০২৬ সালের ৪ সেপ্টেম্বর Anthropic জানায়, তাদের উন্নত গবেষণামূলক AI মডেল Claude ফার্মার শেষ উপপাদ্যের বিদ্যমান প্রমাণকে আনুষ্ঠানিকভাবে কম্পিউটার-যাচাইযোগ্য রূপ দিতে সক্ষম হয়েছে।
এখানে একটি বিষয় পরিষ্কার করা জরুরি: Claude নতুন করে ফার্মার শেষ উপপাদ্য আবিষ্কার করেনি বা মানুষের অজানা কোনো সমাধান বের করেনি। অ্যান্ড্রু ওয়াইলসের প্রমাণ আগেই প্রতিষ্ঠিত ছিল। AI-এর কাজ ছিল সেই জটিল প্রমাণকে Formal Mathematical Proof-এ রূপান্তর করা।
এই কাজের জন্য ব্যবহৃত হয় Lean নামের একটি Proof Assistant। এটি এমন একটি সফটওয়্যার, যা গাণিতিক বক্তব্য ও প্রমাণকে আনুষ্ঠানিক নিয়মে প্রকাশ করে এবং প্রতিটি ধাপের যৌক্তিক গ্রহণযোগ্যতা যাচাই করতে পারে।
Nature-এর ৭ সেপ্টেম্বর ২০২৬-এর প্রতিবেদন অনুযায়ী, Claude প্রায় ১১ দিনে ১ কোটি ৩০ লাখ লাইনের কম্পিউটার-যাচাইকৃত প্রমাণ তৈরি করে। গবেষকদের ধারণা ছিল, মানুষের প্রচলিত পদ্ধতিতে এ ধরনের কাজ সম্পন্ন করতে প্রায় ১০ বছর সময় লাগতে পারে।
এই অর্জনের গুরুত্ব শুধু সময় সাশ্রয়ে নয়। এর মাধ্যমে জটিল গাণিতিক প্রমাণকে কম্পিউটারের সাহায্যে অত্যন্ত সূক্ষ্মভাবে যাচাই করার নতুন সম্ভাবনা তৈরি হয়েছে।
৩. First Proof: কঠিন গবেষণামূলক গণিতের পরীক্ষায় AI-এর সাফল্য
AI সত্যিই গবেষণার পর্যায়ের গণিত করতে পারে কি না, সেটি যাচাইয়ের জন্য ২০২৬ সালে First Proof নামে একটি উদ্যোগ বিশেষ গুরুত্ব পেয়েছে।
এটি সাধারণ গণিত অলিম্পিয়াডের মতো পরীক্ষা নয়। এখানে AI মডেলগুলোকে এমন কিছু গবেষণামূলক সমস্যা দেওয়া হয়, যেগুলোর সমাধান আগে গণিতবিদরা তৈরি করেছেন, কিন্তু পরীক্ষার সময় সেগুলো প্রকাশিত ছিল না।
অর্থাৎ, AI-কে শুধু পরিচিত প্রশ্নের উত্তর দিতে বলা হয়নি; বরং নতুন গবেষণার পর্যায়ের গাণিতিক যুক্তি তৈরি করতে বলা হয়েছে।
২০২৬ সালের ১৯ অক্টোবর হার্ভার্ড বিশ্ববিদ্যালয়ের প্রকাশিত প্রতিবেদন অনুযায়ী, First Proof-এর তৃতীয় পর্যায়ের পরীক্ষায় ১০টি কঠিন গবেষণামূলক সমস্যা দেওয়া হয়েছিল।
পরীক্ষার কয়েকটি উল্লেখযোগ্য বৈশিষ্ট্য ছিল:
-
মোট ১০টি গবেষণামূলক সমস্যা।
-
প্রতিটি AI মডেলের জন্য সর্বোচ্চ ২৪ ঘণ্টা সময়।
-
প্রতিটি সমাধানের জন্য সর্বোচ্চ ১২ পৃষ্ঠার সীমা।
-
মোট পাঁচটি AI সিস্টেমের অংশগ্রহণ।
-
প্রায় ৩০ জন মানব গবেষকের মাধ্যমে সমাধান মূল্যায়ন।
পরীক্ষায় অংশ নেওয়া AI সিস্টেমগুলোর মধ্যে ProofCouncil নামের একটি Multi-agent ব্যবস্থা ১০টির মধ্যে ৯টি সমস্যা সমাধান করতে সক্ষম হয়। অন্যদিকে, OpenAI-এর GPT-6 Astra একক মডেল হিসেবে ৭টি সমস্যা সমাধান করে।
সবচেয়ে উল্লেখযোগ্য বিষয় হলো, পরীক্ষার ১০টি সমস্যার প্রতিটিরই অন্তত একটি AI সিস্টেম সমাধান দিতে পেরেছিল।
তবে গবেষকদের মূল্যায়নে কিছু দুর্বলতাও উঠে এসেছে। AI মডেলগুলো অনেক ক্ষেত্রে তাদের সমাধান যথাযথভাবে ব্যাখ্যা করতে পারেনি। কোথাও অপ্রয়োজনীয় দীর্ঘ আলোচনা, কোথাও দুর্বল উপস্থাপন এবং কোথাও পূর্ববর্তী গবেষণার যথাযথ সূত্র উল্লেখের ঘাটতি ছিল।
অর্থাৎ, সঠিক উত্তর বের করা এবং একজন গবেষকের মতো পরিষ্কারভাবে নিজের যুক্তি ব্যাখ্যা করা—এ দুটি এখনো AI-এর জন্য আলাদা চ্যালেঞ্জ।
হার্ভার্ডের গবেষকদের এই মূল্যায়ন থেকে বোঝা যায়, AI গবেষণামূলক গণিতে দ্রুত উন্নতি করলেও মানুষের সমালোচনামূলক যাচাই এখনো অত্যন্ত গুরুত্বপূর্ণ।
৪. AlphaProof ও অলিম্পিয়াড পর্যায়ের গণিতে AI-এর অগ্রগতি
গবেষণামূলক গণিতের পাশাপাশি আন্তর্জাতিক গণিত অলিম্পিয়াডের মতো প্রতিযোগিতাতেও AI-এর অগ্রগতি লক্ষণীয়।
২০২৪ সালে Google DeepMind তাদের AlphaProof এবং AlphaGeometry 2 সিস্টেমের মাধ্যমে আন্তর্জাতিক গণিত অলিম্পিয়াডের ছয়টি সমস্যার মধ্যে চারটি সমাধান করে। তাদের পারফরম্যান্স ছিল রৌপ্যপদক পর্যায়ের।
এখানে AlphaProof-এর বিশেষত্ব হলো, এটি শুধু সম্ভাব্য উত্তর তৈরি করে না; বরং Lean-এর মতো আনুষ্ঠানিক গাণিতিক পরিবেশে প্রমাণ তৈরি ও যাচাই করতে পারে।
অন্যদিকে, AlphaGeometry জ্যামিতির সমস্যার ক্ষেত্রে জ্যামিতিক সম্পর্ক, বিন্দু, রেখা ও কোণের মধ্যে সম্ভাব্য সংযোগ খুঁজে বের করতে সক্ষম।
এই দুই প্রযুক্তির অগ্রগতি দেখিয়েছে, AI শুধু সাধারণ অঙ্ক বা ক্যালকুলেশনেই সীমাবদ্ধ নয়। বরং যুক্তি, বিশ্লেষণ এবং একাধিক গাণিতিক ধারণার মধ্যে সম্পর্ক খুঁজে বের করার ক্ষেত্রেও তার সক্ষমতা বাড়ছে।
২০২৬ সালের Nature Machine Intelligence-এর একটি সম্পাদকীয়তেও AI-এর গণিত গবেষণায় এই অগ্রগতির বিষয়টি বিশ্লেষণ করা হয়েছে।
৫. AI কীভাবে মানুষের মতো গাণিতিক চিন্তা করতে শিখছে?
AI-এর এই অগ্রগতির পেছনে শুধু দ্রুত প্রসেসর বা বিশাল ডেটাবেস কাজ করছে না। বরং কয়েকটি প্রযুক্তির সমন্বয় গাণিতিক যুক্তি তৈরির ক্ষেত্রে নতুন সম্ভাবনা তৈরি করেছে।
১. Large Language Models (LLMs)
ChatGPT, Claude ও Gemini-এর মতো Large Language Models বিপুল পরিমাণ তথ্য থেকে ভাষা, গাণিতিক ধারণা এবং যুক্তির ধরন শেখে। ফলে তারা একটি সমস্যাকে বিভিন্ন দৃষ্টিকোণ থেকে বিশ্লেষণ করতে পারে এবং সম্ভাব্য সমাধানের পথ তৈরি করতে পারে।
২. Reinforcement Learning
এই পদ্ধতিতে AI বিভিন্ন সমাধানের চেষ্টা করে এবং সঠিক ফলাফলের ভিত্তিতে তার কৌশল উন্নত করে। গাণিতিক সমস্যার ক্ষেত্রে সঠিক প্রমাণ তৈরি করা একটি গুরুত্বপূর্ণ লক্ষ্য হিসেবে কাজ করতে পারে।
৩. Neuro-symbolic AI
এটি Neural Network এবং Symbolic Reasoning-এর সমন্বয়। Neural Network সম্ভাব্য ধারণা ও সম্পর্ক খুঁজে বের করে, অন্যদিকে Symbolic System নির্দিষ্ট গাণিতিক নিয়ম অনুসরণ করে যুক্তি যাচাই করতে সাহায্য করে।
৪. Automated Theorem Proving
এটি এমন একটি প্রযুক্তি, যার মাধ্যমে কম্পিউটার গাণিতিক উপপাদ্যের প্রমাণ তৈরি এবং যাচাই করতে পারে। Lean-এর মতো Proof Assistant এই ক্ষেত্রে গুরুত্বপূর্ণ ভূমিকা রাখে।
৫. Multi-agent AI System
এখানে একাধিক AI এজেন্ট একটি জটিল সমস্যার বিভিন্ন অংশ নিয়ে কাজ করতে পারে। কেউ সম্ভাব্য সমাধান খোঁজে, কেউ যুক্তি পরীক্ষা করে, আবার কেউ প্রমাণের দুর্বলতা শনাক্ত করার চেষ্টা করে।
First Proof-এর পরীক্ষায় ProofCouncil-এর সাফল্য দেখিয়েছে, একাধিক উন্নত AI মডেল ও গবেষণাভিত্তিক ব্যবস্থার সমন্বয় কঠিন গাণিতিক সমস্যায় কার্যকর হতে পারে।
৬. AI গণিত গবেষণায় সফল হলে বাস্তব পৃথিবীতে কী পরিবর্তন আসতে পারে?
গণিত শুধু বইয়ের সূত্র বা পরীক্ষার অঙ্কের মধ্যে সীমাবদ্ধ নয়। আধুনিক বিজ্ঞান, প্রকৌশল, চিকিৎসা, অর্থনীতি, মহাকাশ গবেষণা এবং কম্পিউটার প্রযুক্তির ভিত্তি তৈরি হয়েছে গণিতের ওপর।
তাই AI-এর গাণিতিক সক্ষমতা বৃদ্ধি পেলে এর প্রভাব একাধিক ক্ষেত্রে পড়তে পারে।
চিকিৎসাবিজ্ঞান ও ওষুধ আবিষ্কার
জটিল রোগের বিস্তার, কোষের আচরণ এবং ওষুধের কার্যকারিতা বিশ্লেষণে গাণিতিক মডেল ব্যবহার করা হয়। AI উন্নত গাণিতিক পদ্ধতি তৈরি করতে পারলে গবেষকেরা আরও জটিল Biological System বিশ্লেষণের সুযোগ পেতে পারেন।
প্রকৌশল ও অবকাঠামো নির্মাণ
Civil Engineering, Structural Engineering এবং Computational Fluid Dynamics-এ জটিল গাণিতিক সমীকরণ ব্যবহৃত হয়।
উদাহরণ হিসেবে, একটি বহুতল ভবনের ওপর বাতাসের চাপ, ভূমিকম্পের সময় কাঠামোর প্রতিক্রিয়া কিংবা সেতুর কম্পন বিশ্লেষণে উন্নত গাণিতিক মডেল প্রয়োজন।
AI যদি এসব ক্ষেত্রে নতুন গাণিতিক পদ্ধতি আবিষ্কার করতে পারে, তাহলে ভবিষ্যতে আরও উন্নত Simulation, Structural Analysis এবং Design Optimization সম্ভব হতে পারে।
মহাকাশ গবেষণা
গ্রহের কক্ষপথ নির্ণয়, মহাকাশযানের গতিপথ পরিকল্পনা এবং মহাকর্ষীয় ব্যবস্থার বিশ্লেষণে জটিল গণিত ব্যবহৃত হয়।
AI-এর নতুন গাণিতিক পদ্ধতি এসব হিসাবকে আরও কার্যকর করার সম্ভাবনা তৈরি করতে পারে।
ক্রিপ্টোগ্রাফি ও সাইবার নিরাপত্তা
আধুনিক ইন্টারনেট নিরাপত্তার বড় অংশ নির্ভর করে Number Theory, Algebra এবং Computational Complexity-এর ওপর।
AI যদি নতুন গাণিতিক সম্পর্ক আবিষ্কার করতে পারে, তাহলে তা একদিকে উন্নত Encryption Technology তৈরিতে সহায়তা করতে পারে, অন্যদিকে প্রচলিত নিরাপত্তা পদ্ধতির দুর্বলতা শনাক্ত করতেও ভূমিকা রাখতে পারে।
তবে এসব পরিবর্তন এখনই সর্বত্র বাস্তবায়িত হয়েছে, এমন নয়। এগুলো AI-নির্ভর গণিত গবেষণার সম্ভাব্য ভবিষ্যৎ প্রয়োগ।
৭. তাহলে কি AI মানুষের গণিতবিদদের জায়গা দখল করবে?
AI-এর সাম্প্রতিক সাফল্য দেখে মনে হতে পারে, ভবিষ্যতে গণিত গবেষণায় মানুষের প্রয়োজন কমে যাবে। কিন্তু বাস্তবতা এতটা সরল নয়।
গণিত গবেষণা মানে শুধু একটি সমস্যার সঠিক উত্তর বের করা নয়। এর মধ্যে রয়েছে নতুন সমস্যা চিহ্নিত করা, গবেষণার দিক নির্ধারণ, পূর্ববর্তী কাজের সঙ্গে নতুন আবিষ্কারের সম্পর্ক বোঝা এবং প্রমাণের তাৎপর্য ব্যাখ্যা করা।
AI এখন অনেক জটিল সমস্যা সমাধান করতে পারলেও কয়েকটি গুরুত্বপূর্ণ সীমাবদ্ধতা রয়ে গেছে।
প্রথমত, সঠিকতা যাচাই: AI অনেক সময় আত্মবিশ্বাসের সঙ্গে ভুল উত্তর দিতে পারে। তাই গাণিতিক প্রমাণের প্রতিটি ধাপ যাচাই করা জরুরি।
দ্বিতীয়ত, ব্যাখ্যার সীমাবদ্ধতা: একটি সঠিক সমাধান তৈরি করা এবং সেটিকে অন্য গবেষকের কাছে সহজবোধ্যভাবে ব্যাখ্যা করা এক বিষয় নয়। First Proof-এর পরীক্ষাতেও এই দুর্বলতা দেখা গেছে।
তৃতীয়ত, গবেষণার মৌলিকত্ব: AI নতুন ধারণা তৈরি করতে পারলেও সেটি পূর্ববর্তী গবেষণার সঙ্গে কতটা সম্পর্কিত, কোন গবেষকের কাজের ওপর নির্ভর করছে এবং আবিষ্কারের প্রকৃত গুরুত্ব কী—এসব নির্ধারণে মানুষের ভূমিকা প্রয়োজন।
চতুর্থত, স্বাধীন যাচাই: AI-উৎপাদিত প্রমাণকে শুধু AI দিয়েই যাচাই করানো যথেষ্ট নয়। স্বাধীন গণিতবিদদের পর্যালোচনা এবং আনুষ্ঠানিক প্রমাণ যাচাই গুরুত্বপূর্ণ।
২০২৬ সালের জুনে প্রকাশিত Nature Machine Intelligence-এর সম্পাদকীয়তেও AI-এর দ্রুত অগ্রগতির পাশাপাশি গবেষণার স্বচ্ছতা, স্বাধীন যাচাই এবং গবেষকদের যথাযথ স্বীকৃতি দেওয়ার প্রয়োজনীয়তার কথা উঠে এসেছে।
৮. গণিত গবেষণার ভবিষ্যৎ: মানুষ ও AI-এর যৌথ যাত্রা
গণিতের ইতিহাসে নতুন প্রযুক্তির প্রভাব সব সময়ই গুরুত্বপূর্ণ ছিল। ক্যালকুলেটর, কম্পিউটার এবং গাণিতিক সফটওয়্যার গবেষকদের কাজের ধরন বদলে দিয়েছে। এখন AI সেই পরিবর্তনকে আরও এক ধাপ এগিয়ে নিয়ে যাচ্ছে।
একসময় যে সমস্যার সমাধানে বছরের পর বছর গবেষণা করতে হতো, সেখানে AI কয়েক ঘণ্টা বা কয়েক দিনের মধ্যে নতুন সম্ভাব্য সমাধান হাজির করতে পারছে। তবে দ্রুত সমাধান তৈরি করাই গণিতের চূড়ান্ত লক্ষ্য নয়; প্রমাণের নির্ভুলতা, নতুন জ্ঞানের সৃষ্টি এবং সেই জ্ঞানকে অন্য গবেষণায় ব্যবহার করার সুযোগই এখানে সবচেয়ে গুরুত্বপূর্ণ।
OpenAI-এর মাধ্যমে ৮০ বছরের পুরোনো জ্যামিতিক অনুমান খণ্ডন, Claude-এর মাধ্যমে ফার্মার শেষ উপপাদ্যের আনুষ্ঠানিক প্রমাণ তৈরি এবং First Proof-এর গবেষণামূলক পরীক্ষায় AI-এর সাফল্য—সব মিলিয়ে ২০২৬ সাল গণিত ও কৃত্রিম বুদ্ধিমত্তার সম্পর্কের ক্ষেত্রে একটি উল্লেখযোগ্য সময় হয়ে উঠেছে।
তবে এখনই বলা যায় না যে AI মানুষের গণিতবিদদের পুরোপুরি ছাড়িয়ে গেছে। বরং বলা যায়, AI এমন এক পর্যায়ে পৌঁছাচ্ছে, যেখানে এটি শুধু মানুষের নির্দেশ অনুসরণকারী একটি গণনাযন্ত্র নয়; বরং নতুন গাণিতিক ধারণা তৈরিতে অবদান রাখতে সক্ষম একটি গবেষণা-সহযোগী।
ভবিষ্যতে হয়তো সবচেয়ে বড় প্রশ্ন হবে না, মানুষ নাকি AI বেশি ভালো গণিত করতে পারে। বরং প্রশ্ন হবে—মানুষ ও AI একসঙ্গে কাজ করলে গণিতের এমন কোন কোন রহস্য উন্মোচিত হতে পারে, যা একা মানুষের পক্ষে সমাধান করা কঠিন ছিল?