এআই দ্রুত একীভূত হচ্ছে। পাঁচটি ফ্রন্টিয়ার ল্যাব (OpenAI, Anthropic, Google DeepMind, Meta এবং xAI) বিশ্বের সবচেয়ে সক্ষম মডেলগুলোর অধিকাংশ, যে মালিকানাধীন ডেটা দিয়ে সেগুলো প্রশিক্ষিত হয়েছে এবং আরও মডেল প্রশিক্ষণের জন্য প্রয়োজনীয় কম্পিউট ক্লাস্টারগুলো নিয়ন্ত্রণ করে। বিকেন্দ্রীকৃত এআই হল ক্রিপ্টো-নেটিভ প্রতিক্রিয়া।
বিকেন্দ্রীকৃত এআই, বা DeAI, হল সেই ধারণা যে আধুনিক এআইকে কার্যকর করে তোলে এমন একই উপাদানগুলো একক কোনো কোম্পানির পরিবর্তে ব্লকচেইন ও টোকেন প্রণোদনার মাধ্যমে সমন্বয় করা যেতে পারে। এটি OpenAI-কে ১০ বিলিয়ন ডলারের GPU ক্লাস্টারে প্রশিক্ষণে ছাড়িয়ে যাওয়ার চেষ্টা করছে না, বরং এমন স্তরগুলোতে উন্মুক্ত বিকল্প তৈরি করতে চায় যেখানে বিকেন্দ্রীকরণ প্রকৃতপক্ষে কার্যকর হয়।
বিকেন্দ্রীকৃত এআই কী?
বিকেন্দ্রীকৃত এআই, প্রায়শই DeAI নামে সংক্ষিপ্ত, বলতে বোঝায় ব্লকচেইন অবকাঠামোর ওপর নির্মিত এবং টোকেন প্রণোদনা দ্বারা সমন্বিত কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা—যেখানে কম্পিউট, ডেটা, মডেল এবং সিদ্ধান্ত গ্রহণ একক কোম্পানির পরিবর্তে বহু অংশগ্রহণকারীর মধ্যে বিতরণ করা হয়।
"DeAI" সংক্ষিপ্তরূপ (বড় হাতের D, বড় হাতের AI) এখন পুরো ক্ষেত্রজুড়ে মানক; আমরা এটিকে "decentralized AI" এর সাথে বিনিময়যোগ্যভাবে ব্যবহার করি। এই পরিভাষাটি কোনো একক প্রকল্পের চেয়েও বিস্তৃত। এটি একটি স্ট্যাককে অন্তর্ভুক্ত করে (নীচে কম্পিউট মার্কেটপ্লেস, মাঝখানে ডেটা ও মডেল নেটওয়ার্ক, উপরে এজেন্ট ফ্রেমওয়ার্ক) যা ব্লকচেইন সমন্বয় স্তর দ্বারা সংযুক্ত।
DeAI তিনটি প্রবণতার বিরুদ্ধে প্রতিরোধ গড়ে তুলতে কাজ করে। প্রথমত, সীমান্তবর্তী এআই পাঁচটি ল্যাবে কেন্দ্রীভূত হওয়া, যাদের অভ্যন্তরীণ সামঞ্জস্য, নিরাপত্তা এবং মূল্য নির্ধারণের সিদ্ধান্ত সবার ওপর প্রভাব ফেলে। দ্বিতীয়ত, এমন বন্ধ মডেলগুলির অস্বচ্ছতা, যেগুলো এমন ডেটায় প্রশিক্ষিত হয়েছে যা জনসাধারণ দেখতে পারে না এবং যার জন্য তারা সম্মতি দেয়নি। তৃতীয়ত, AI ল্যাব এবং তাদের প্রশিক্ষিত ডেটা সরবরাহকারী ব্যবহারকারীদের মধ্যে অসমঞ্জস্য: মূল্য একদিকে প্রবাহিত হয়, কিন্তু অবদানকারীদের কাছে কোনো টোকেন, শেয়ার বা রাজস্ব ফিরে আসে না।
ব্লকচেইন যোগ করার মাধ্যমে এসব সমস্যার কোনোটিই সম্পূর্ণরূপে সমাধান হয় না। তবে যখন মালিকানা, পেমেন্ট এবং প্রমাণপত্র একটি অনুমতিবিহীন ব্যবস্থায় সমন্বয় করা যায়, তখন প্রতিটি সমস্যা আরও সমাধানযোগ্য হয়ে ওঠে।
বিকেন্দ্রীকৃত এআই বনাম ফেডারেশনকৃত শেখা
"বিকেন্দ্রীকৃত এআই" এবং "ফেডেরেশন লার্নিং" শব্দগুলো শুনতে সম্পর্কিত মনে হলেও এগুলো একেবারে ভিন্ন ধরনের সমস্যা সমাধান করে। ফেডেরেশন লার্নিং হল একটি গোপনীয়তা-সংরক্ষণকারী মেশিন লার্নিং কৌশল যা প্রধান প্রযুক্তি কোম্পানিগুলো ব্যবহার করে; ডিএআই হল ব্লকচেইন ও টোকেনকে কেন্দ্র করে গড়ে ওঠা একটি ক্রিপ্টো-নেটিভ আন্দোলন।
ফেডারেশন লার্নিং-এ, একটি মডেল অনেক ডিভাইসে (আপনার ফোন, হাসপাতালের সার্ভার, ব্যাংকের ডেটাবেস) প্রশিক্ষিত হয়, যেখানে কাঁচা ডেটা কখনোই কোনো ডিভাইস থেকে বের হয় না। শুধুমাত্র মডেলের আপডেটগুলোই পাঠানো হয়। গুগল জি-বোর্ড এটিকে পরবর্তী-শব্দ পূর্বাভাসের জন্য ব্যবহার করে; অ্যাপল এটিকে ডিভাইসেই শেখার জন্য ব্যবহার করে; চিকিৎসা কনসোর্টিয়া এটিকে রোগীর রেকর্ড প্রকাশ না করেই নির্ণায়ক মডেল প্রশিক্ষণের জন্য ব্যবহার করে। একটি কেন্দ্রীয় পক্ষ, সাধারণত মডেলটির মালিক কোম্পানি, সবকিছু সমন্বয় করে।
ডিএআই কেন্দ্রীয় সমন্বয়ের বিপরীত। কম্পিউটেশন, ডেটা এবং কখনও কখনও মডেলটি নিজেই অনেক স্বাধীন পক্ষের মালিকানাধীন ও পরিচালিত। একটি ব্লকচেইন সেগুলোকে সমন্বয় করে; টোকেনগুলো উপকারী অবদানের জন্য পুরস্কার দেয়।
এই দুইটিকে একসঙ্গে ব্যবহার করা যেতে পারে, কারণ ফেডারেশনড লার্নিং কৌশলগুলো গোপনীয়তা রক্ষার জন্য DeAI সিস্টেমের ভিতরে চালানো যায়। কিন্তু ফেডারেশনড লার্নিং একা DeAI নয়। ফেডের্টেড লার্নিং হল কীভাবে গণিত করা হয় তা নিয়ে। ডিএআই হল কে সিস্টেমের মালিক তা নিয়ে।
বিকেন্দ্রীকৃত এআই কীভাবে কাজ করে
DeAI কোনো একক প্রযুক্তি নয়; এটি একটি স্ট্যাক। চারটি স্তর গুরুত্বপূর্ণ, প্রতিটি স্তরের নিজস্ব প্রকল্প রয়েছে।
গণনামূলক স্তর
এআই মডেল প্রশিক্ষণ ও চালানোর জন্য GPU এবং অন্যান্য হার্ডওয়্যার প্রয়োজন। এখানেই DeAI সরাসরি DePIN-এর সাথে ওভারল্যাপ করে। Render, Akash এবং io.net-এর মতো নেটওয়ার্কগুলো এআই ওয়ার্কলোডের জন্য বিকেন্দ্রীকৃত GPU শক্তি ভাড়া দেয়, ব্যক্তিগত ইনফারেন্স কাজ চালানো শখের ব্যক্তিদের থেকে শুরু করে বড় পরিসরে ফাইন-টিউনিং করা স্টার্টআপ পর্যন্ত। ২০২৪–২০২৬ সালের GPU ঘাটতি এই স্তরটিকে DeAI ইকোসিস্টেমের সবচেয়ে সক্রিয় অংশে পরিণত করেছে।
ডেটা স্তর
মডেল প্রশিক্ষণের জন্য ডেটাসেট প্রয়োজন। বিকেন্দ্রীকৃত ডেটা মার্কেটপ্লেসগুলো ডেটা মালিকদের নিয়ন্ত্রণ ছাড়াই ডেটাসেট থেকে আয় করতে দেয়। Filecoin এবং Arweave-এর মতো স্টোরেজ নেটওয়ার্কগুলো মডেল ওজন, প্রশিক্ষণ ডেটাসেট এবং আউটপুট হোস্ট করে। এখানে ভলিউম কেন্দ্রীভূত ডেটা ব্রোকারদের তুলনায় এখনও সীমিত, তবে অবকাঠামো কার্যকর।
মডেল স্তর
যে কেউ চালাতে, ফাইন-টিউন করতে বা পরিবর্তন করতে পারে এমন ওপেন-ওয়েট মডেল। টোকেন-উৎসাহিত প্রশিক্ষণ নেটওয়ার্ক, যার মধ্যে বিটটেনসর সবচেয়ে বিশিষ্ট, নির্দিষ্ট কাজের জন্য দরকারী মডেল উন্নতিতে অবদান রাখার জন্য অংশগ্রহণকারীদের পুরস্কৃত করে। মনে রাখবেন, শুধুমাত্র "ওপেন-ওয়েট" (Meta-এর Llama, Mistral-এর মডেলগুলো) DeAI নয়। এটি ওপেন সোর্স। DeAI উন্মুক্ততার ওপর ব্লকচেইন সমন্বয় এবং টোকেন অর্থনীতি যোগ করে।
উপসংহার ও এজেন্ট স্তর
একবার একটি মডেল তৈরি হয়ে গেলে, কাউকে তা চালাতে হয়। বিকেন্দ্রীকৃত ইনফারেন্স নেটওয়ার্কগুলো সেই কাজটি অনেক নোড অপারেটরের মধ্যে ভাগ করে দেয়। এর উপরে রয়েছে এআই এজেন্ট স্তর—স্বায়ত্তশাসিত প্রোগ্রাম যা ব্যবহারকারীর পক্ষে কাজ করে এবং ক্রমশ ক্রিপ্টোতে পেমেন্ট নিষ্পত্তি করে। এখানে সবচেয়ে বেশি উল্লেখিত প্রকল্পগুলো হল Olas এবং Virtuals Protocol, উভয়ই এখনও পরিপক্কতার পথে।
২০২৬ সালে জানতে হবে শীর্ষ ডিএআই প্রকল্পসমূহ
DeAI একটি বিভাগ, OpenAI-এর একক কোনো প্রতিদ্বন্দ্বী নয়। প্রকল্পগুলোকে তাদের প্রকৃত কার্যক্রমের ভিত্তিতে গ্রুপ করুন।
এআই-নেটিভ ব্লকচেইন এবং প্রশিক্ষণ নেটওয়ার্ক
বিটটেন্সর (TAO) হল সবচেয়ে বেশি উদ্ধৃত উদাহরণ। এটি ১২৮টি সক্রিয় "সাবনেট" পরিচালনা করে, প্রতিটিই একটি বিশেষায়িত বাজার একক এআই টাস্কের জন্য: ভাষা মডেলের প্রি-ট্রেনিং, চিত্র এমবেডিং, আর্থিক পূর্বাভাস, বক্তৃতা, অনুসন্ধান।
খনিজরা প্রতিটি সাবনেটে আউটপুটের গুণমানের ভিত্তিতে টোকেন পুরস্কারের জন্য প্রতিযোগিতা করে। ২০২৬ সালের প্রথম ত্রৈমাসিকে NVIDIA ৪২০ মিলিয়ন ডলার বিনিয়োগের প্রতিশ্রুতি দিয়েছিল এবং Polychain Capital ২০০ মিলিয়ন ডলার যোগ করেছিল, যার ফলে সম্মিলিত প্রতিষ্ঠানিক প্রবাহ ৬২০ মিলিয়ন ডলার ছাড়িয়ে গিয়েছিল। নেটওয়ার্কের আয় গত ত্রৈমাসিকে ৪৩ মিলিয়ন ডলারে পৌঁছেছিল।
এএসআই অ্যালায়েন্স
Fetch.ai, SingularityNET, Ocean Protocol এবং (পরবর্তীতে) CUDOS ২০২৪ সালে একীভূত হয়ে আর্টিফিশিয়াল সুপারইন্টেলিজেন্স অ্যালায়েন্স গঠন করে, টোকেনগুলো FET-এ একত্রিত করে এবং এটিকে ASI নামে পুনঃনামকরণ করার পরিকল্পনা করে। এক্সচেঞ্জগুলোতে সম্পূর্ণ রিব্র্যান্ডিং কখনোই সম্পন্ন হয়নি, তাই অধিকাংশেই এখনও FET তালিকাভুক্ত রয়েছে।
২০২৫ সালের অক্টোবর মাসে, গভর্ন্যান্স বিরোধের কারণে ওশেন প্রোটোকল আনুষ্ঠানিকভাবে জোট থেকে প্রত্যাহার করে নেয়। বাকী সদস্যরা (Fetch.ai, SingularityNET এবং CUDOS) পণ্য সরবরাহ অব্যাহত রেখেছে, যার মধ্যে রয়েছে ASI-1 মিনি, একটি ৭-বিলিয়ন-প্যারামিটার Web3-নেটিভ LLM, এবং ASI চেইন নামে পরিকল্পিত একটি লেয়ার 1।
এজেন্টরা
ওলাস স্বায়ত্তশাসিত এজেন্ট অর্থনীতিতে ফোকাস করে: স্বাধীন প্রোগ্রামগুলো একে অপরকে অর্থ প্রদান করে, সমন্বয় করে এবং কাজ সম্পন্ন করে। ভার্চুয়ালস প্রোটোকল ভোক্তা এআই এজেন্টদের উপর ফোকাস করে, বিশেষ করে গেমিং এবং সামাজিক ক্ষেত্রে। এই স্তরটি সবচেয়ে নতুন এবং এখনও পরিপক্ক হচ্ছে।
আসলে কী বিকেন্দ্রীকৃত এবং কী নয়
DeAI-এর প্রকৃত গতি এবং প্রকৃত ফাঁক রয়েছে। সত্যনিষ্ঠ মূল্যায়ন, স্তর অনুসারে:
ফ্রন্টিয়ার মডেল প্রশিক্ষণ: এখনও কেন্দ্রীভূত
GPT-5-স্কেলের একটি মডেল প্রশিক্ষণ দিতে সমন্বিত কম্পিউট, মালিকানাধীন ডেটা এবং একটি কেন্দ্রীভূত ইঞ্জিনিয়ারিং টিমে শত শত মিলিয়ন ডলার খরচ হয়। কোনো DeAI প্রকল্পই ফ্রন্টিয়ার স্কেলে এটি করে না, এবং শীঘ্রই করবে না।
এমনকি বিটটেন্সরের সবচেয়ে বড় প্রযুক্তিগত মাইলফলক (কভেন্যান্ট এআই-এর ৭২ বিলিয়ন প্যারামিটারের সহযোগিতামূলক প্রি-ট্রেনিং, যা ২০২৬ সালের মার্চে অনুষ্ঠিত হবে) ফ্রন্টিয়ার-ল্যাবের প্রচেষ্টার তুলনায় মাত্রাশঃ অনেক ছোট ছিল। পরবর্তীতে কোভেন্যান্ট নেটওয়ার্ক থেকে বেরিয়ে আসে, শাসন সংক্রান্ত বিরোধের কারণে বিকেন্দ্রীকরণকে 'থিয়েটার' বলে অভিহিত করে, যা স্মরণ করিয়ে দেয় যে 'বিকেন্দ্রীকৃত' শব্দটি গণিতকে বর্ণনা করতে পারে, কিন্তু ক্ষমতাকে নয়।
কম্পিউট: প্রকৃতপক্ষে বিকেন্দ্রীকরণ
GPU বিনিময়যোগ্য, কাজগুলো স্বল্পমেয়াদী, এবং আউটপুট যাচাই করা সহজ, তাই এখানে সরবরাহ বাস্তবে রূপ নিয়েছে। Render প্রতি মাসে প্রায় ১৫ লাখ ফ্রেম হ্যান্ডেল করে; Akash ২০২৬ সালের প্রথম ত্রৈমাসিকে কম্পিউট ব্যয়ে ৫ মিলিয়ন ডলার ছাড়িয়েছে; io.net ১৩০টিরও বেশি দেশে GPU একত্রিত করে। একই কার্ড যা রাতে ভিডিও গেম চালায়, পরের সকালে ইনফারেন্স কাজ চালাতে পারে, এবং গ্রাহককে জানতে হয় না এর মালিক কে।
উপসংহার: সম্ভব এবং বৃদ্ধি পাচ্ছে
ইনফারেন্স স্টেটলেস, জবগুলো ছোট, এবং আউটপুট যাচাইযোগ্য – কাঁচা কম্পিউটের পর বিকেন্দ্রীকরণের পরবর্তী স্বাভাবিক স্তর। নেটওয়ার্কগুলো অন্যথায় অব্যবহৃত থাকা কনজিউমার ও গেমিং GPU-গুলোকে কাজে লাগায়, তাই Llama-3-8B-এর মতো একটি ছোট ওপেন-ওয়েট মডেল AWS বা Azure-এর তুলনায় প্রায় অর্ধেক খরচে সার্ভ করা যায়। মডেলের আকার বাড়ার সাথে সাথে এই ব্যবধান কমে আসে; ৪০০ বিলিয়ন প্যারামিটারের একটি মডেলকে বিকেন্দ্রীকৃতভাবে পরিবেশন করা এখনও হাইপারস্কেলার প্ল্যাটফর্মের তুলনায় কঠিন।
ডেটা মার্কেটপ্লেস: প্রাথমিক কিন্তু বাস্তব
ব্যক্তিগত ডেটার জন্য ভানা (Vana) এবং ওয়েব-স্ক্র্যাপড ডেটার জন্য গ্রাস (Grass) এর মতো নেটওয়ার্কগুলো প্রমাণ করে যে বিকেন্দ্রীকৃত ডেটা বিনিময় প্রযুক্তিগতভাবে সমাধানযোগ্য। কঠিন প্রশ্নটি হলো চাহিদা। এআই ল্যাবগুলোর কাছে ইতিমধ্যেই যা প্রয়োজন তা রয়েছে: স্ক্র্যাপ করা ওপেন-ওয়েব ডেটা এবং প্রিমিয়াম সরাসরি চুক্তি (Reddit–Google, NYT–OpenAI, Shutterstock)। বিকেন্দ্রীকৃত মার্কেটপ্লেসগুলো সরবরাহ-দিকের একটি সমস্যা সমাধান করে, যা চাহিদা-দিকে এখনও নেই, যদিও প্রশিক্ষণ ডেটা আরও বিতর্কিত হয়ে উঠলে তা বদলে যেতে পারে।
টোকেন-উদ্দীপিত গবেষণা ও উন্নয়ন: সংকীর্ণ ক্ষেত্রে কাজ করা
টোকেন পুরস্কার পরিমাপযোগ্য কাজগুলিতে ক্রমবর্ধমান উন্নতির জন্য ভালোভাবে কাজ করে (স্পিচ-টু-টেক্সট নির্ভুলতা, এমবেডিং গুণমান, চিত্র-শ্রেণীবিন্যাস বেঞ্চমার্ক) এবং বিটটেনসর সাবনেটগুলি ঠিক সেই ক্ষেত্রগুলিতে প্রতিযোগিতামূলক মডেল তৈরি করে। টোকেন সহজেই অর্থায়ন করতে পারে না যুগান্তকারী গবেষণা, যার জন্য বছরের পর বছর ধৈর্যশীল পুঁজি, ব্যয়বহুল পরীক্ষা-নিরীক্ষা এবং ব্যর্থতা সহ্য করার মনোবল প্রয়োজন। বিটটেনসরের শাসন সংক্রান্ত বিরোধও একটি কাঠামোগত প্রশ্ন তোলে: টোকেন-সঙ্গতিপূর্ণ গবেষণা ও উন্নয়ন (R&D) কেবলমাত্র তার চারপাশের প্রোটোকল যতটা কার্যকর, ততটাই কার্যকর।
উপসংহার
২০২৬ সালে DeAI সম্পর্কে আকর্ষণীয় প্রশ্ন হল, নিবিড় পর্যবেক্ষণ এলে স্ট্যাকের কোন স্তরগুলো টিকে থাকবে। কম্পিউট এবং ইনফারেন্স অর্থ প্রদানকারী গ্রাহকদের জন্য প্রকৃত, পরিমাপযোগ্য কাজ করছে।
ডেটা ও মডেল মার্কেটপ্লেসগুলো বৃদ্ধি পাচ্ছে, তবে এখনও প্রমাণিত নয়। গভর্নেন্স লেয়ার (যে অংশটি নির্ধারণ করে 'বিকেন্দ্রীকৃত' শব্দটি গণিতকে বোঝায় নাকি ক্ষমতাকে) ক্রমাগত বিতর্ক তৈরি করছে, যেমন ওশেনের ASI অ্যালায়েন্স থেকে এবং কোভেন্যান্টের বিটটেন্সর থেকে বেরিয়ে আসা।
DeAI 2026 সালে OpenAI-কে প্রতিস্থাপন করছে না, এবং সম্ভবত কখনোই করবে না। কিন্তু এটি স্ট্যাকের মধ্যভাগ ও প্রান্তে প্রকৃত বিকল্প তৈরি করছে, এবং ঠিক সেখানেই শেষ পর্যন্ত অধিকাংশ মানুষ AI-এর সাথে যোগাযোগ করবে।
