---
title: "মন, মস্তিষ্ক ও কৃত্রিম জগৎ · সিমুলেশন · সিমুলেশন অনুকল্প"
url: https://simulation-hypothesis.com/bn/simulations/minds-computation
description: "নিউরন, মস্তিষ্ক, কৃত্রিম জীবন, আর সিমুলেটেড জগৎ, যেখানে যন্ত্র শেখে। মানুষ আসলে যেসব সিমুলেশন চালায়, তার একটি শ্রেণিবিন্যাসের অংশ।"
license: https://creativecommons.org/licenses/by/4.0/
credit: "Ross Allan Dahl, সিমুলেশন অনুকল্প (simulation-hypothesis.com)"
---

[সিমুলেশন](https://simulation-hypothesis.com/bn/simulations)18-এর মধ্যে ক্ষেত্র 11

# মন, মস্তিষ্ক ও কৃত্রিম জগৎ

নিউরন, মস্তিষ্ক, কৃত্রিম জীবন, আর সিমুলেটেড জগৎ, যেখানে যন্ত্র শেখে।

মস্তিষ্কের সিমুলেশন, এবং কৃত্রিম এজেন্টের বাস করা ও শেখার জন্য বানানো জগৎ। একটি সীমিত অর্থে সিমুলেশন অনুকল্প এখানেই ইতিমধ্যে বাস্তব: আমরা এমন সিমুলেটেড জগৎ বানিয়েছি, যার ভেতরে শেখা এজেন্ট আছে।

## মস্তিষ্ক

### বিস্তারিত নিউরন মডেল

একটি একক নিউরন, আয়ন চ্যানেলসহ শাখাযুক্ত বৈদ্যুতিক তার হিসেবে, হজকিন ও হাক্সলি অনুসরণ করে।

যে প্রশ্নের উত্তর দেয়: এই নিউরনের আকৃতি সে কী গণনা করে তা কীভাবে বদলায়?

বাদ দেয়: একটি নিউরনের সূক্ষ্ম রসায়ন এখনো হাতেগোনা কয়েকটি প্রবাহে সরল করা।

যাতে চলে: প্রায় 10^12 FLOPS মোটামুটি একটি ল্যাপটপ, একটি নিউরনের জন্য রিয়েল টাইমে শুরুর সাল: 1952 Huxley যান্ত্রিক ক্যালকুলেটরে হাতে Hodgkin–Huxley সমীকরণ সমাকলন করেন, প্রতিটি অ্যাকশন পটেনশিয়ালের জন্য প্রায় তিন সপ্তাহ; পরে কম্পিউটার তা নিয়ে নেয় [সূত্র](https://www.physoc.org/about-us/history-archives/historicalhighlights/hodgkin-and-huxleys-modelling-of-the-action-potential/) সিমুলেশন বৃক্ষে: [হাতে হজকিন–হাক্সলি](https://simulation-hypothesis.com/bn/trees/simulations?n=min-hh)

[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: কোষ

### বড় মাপের মস্তিষ্ক-সার্কিট

কর্টেক্সের একটি অংশের মতো সার্কিটে জোড়া কয়েক মিলিয়ন স্পাইকিং নিউরন।

যে প্রশ্নের উত্তর দেয়: আমরা কি শুধু সংযোগ-জাল থেকে মস্তিষ্কের ছন্দ ও সাড়া আবার তৈরি করতে পারি?

বাদ দেয়: তারের নকশা প্রায়ই পরিসংখ্যানভিত্তিক, প্রাণীটির আসল মাপা সংযোগ নয়।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি একটি বিশ্ববিদ্যালয় ক্লাস্টার, মস্তিষ্ক-বহিঃস্তরের একটি খণ্ডের জন্য কয়েক ঘণ্টা শুরুর সাল: 2006 2006 সালের মধ্যে, একটি কর্টিকাল কলামের প্রাথমিক বৃহৎ-পরিসরের সিমুলেশন সিমুলেশন বৃক্ষে: [নিওকর্টিকাল মাইক্রোসার্কিট](https://simulation-hypothesis.com/bn/trees/simulations?n=min-markram)

[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)নিম্নসীমা: কোষ

### পুরো-মস্তিষ্ক নেটওয়ার্ক মডেল

মস্তিষ্কের অঞ্চলগুলো মাপা সংযোগ-জালে যুক্ত নোড হিসেবে, স্ক্যানের সঙ্গে মেলানো।

যে প্রশ্নের উত্তর দেয়: মস্তিষ্কের একটি অংশের ক্ষতি পুরো মস্তিষ্কের কার্যকলাপকে কীভাবে বদলায়?

বাদ দেয়: অঞ্চলগুলোকে একক বিন্দু ধরা হয়, তাদের ভেতরের সব খুঁটিনাটি বাদ পড়ে।

যাতে চলে: প্রায় 10^14 FLOPS মোটামুটি একটি বিশ্ববিদ্যালয় ক্লাস্টার, প্রতিটি সিমুলেটেড দৃশ্যকল্পে কয়েক মিনিট শুরুর সাল: 2008 2008 সালের মধ্যে, ডিফিউশন MRI-তে মাপা সংযোগ-জালের সঙ্গে মেলানো প্রাথমিক পূর্ণ-মস্তিষ্ক নেটওয়ার্ক মডেল

মডেল: [মানুষ](https://simulation-hypothesis.com/bn/entities/human)

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: জনসংখ্যা

### সিমুলেটেড ক্ষুদ্র জীব

একটি ক্ষুদ্র প্রাণীর সম্পূর্ণ স্নায়ুতন্ত্র, যেমন একটি গোলকৃমির 302টি নিউরন, একটি ভার্চুয়াল পাত্রে সিমুলেটেড শরীরের সঙ্গে যুক্ত।

যে প্রশ্নের উত্তর দেয়: তারের নকশাই কি আচরণ তৈরি করার জন্য যথেষ্ট?

বাদ দেয়: শুধু তারের নকশা দিয়ে এখনো প্রাণীটির আচরণ পুরোপুরি ব্যাখ্যা হয় না।

যাতে চলে: প্রায় 10^12 FLOPS মোটামুটি একটি ল্যাপটপ, পুরো স্নায়ুতন্ত্রের জন্য রিয়েল টাইমে শুরুর সাল: 1997 1997 সালের মধ্যে, গোলকৃমির 1986 সালের কানেকটোম মানচিত্রের ওপর গড়া প্রাথমিক সিমুলেশন সিমুলেশন বৃক্ষে: [OpenWorm](https://simulation-hypothesis.com/bn/trees/simulations?n=min-openworm)

[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)নিম্নসীমা: কোষ

### নিউরোমরফিক হার্ডওয়্যার সিমুলেশন

হার্ডওয়্যারে সরাসরি নিউরন ও সাইন্যাপসের মতো আচরণ করা সার্কিটে তৈরি চিপ, সফটওয়্যারে ধাপে ধাপে সমীকরণ গণনার বদলে।

যে প্রশ্নের উত্তর দেয়: নিউরোমরফিক হার্ডওয়্যার কি অনেক কম শক্তিতে মস্তিষ্কের মতো একই জিনিস গণনা করতে পারে?

বাদ দেয়: আসল নিউরনের রসায়ন তাদের স্পাইক অনুকরণ করতে বানানো সার্কিটের চেয়ে অনেক সমৃদ্ধ।

যাতে চলে: প্রায় 10^13 FLOPS মোটামুটি একটি নিউরোমরফিক গবেষণা চিপ, রিয়েল টাইমে শুরুর সাল: 1989 Carver Mead-এর আদি সিলিকন নিউরন ও রেটিনা সার্কিট

[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: কোষ

### মস্তিষ্কের রোগ ও খিঁচুনির বিস্তার

অস্বাভাবিক বৈদ্যুতিক ক্রিয়া বা ভুল-ভাঁজ হওয়া প্রোটিন একটি সিমুলেটেড মস্তিষ্ক-নেটওয়ার্কে ছড়িয়ে পড়ছে, মৃগী বা ডিমেনশিয়ার মতো।

যে প্রশ্নের উত্তর দেয়: খিঁচুনি কোথায় শুরু হয়, আর কতদূর ছড়াবে?

বাদ দেয়: প্রতিটি আসল মস্তিষ্কের রোগ-পথ আলাদা; মডেল একটি প্যাটার্ন দেখায়, একজন রোগীর জন্য অনুমান নয়।

যাতে চলে: প্রায় 10^13 FLOPS মোটামুটি একটি হাসপাতাল বা বিশ্ববিদ্যালয়ের ক্লাস্টার, প্রতিটি রোগী-মডেলে কয়েক মিনিট শুরুর সাল: 1997 1997 সালের মধ্যে, মস্তিষ্কের মধ্য দিয়ে খিঁচুনির বিস্তারের প্রাথমিক নেটওয়ার্ক মডেল

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: জনসংখ্যা

### কানেকটোম-সীমাবদ্ধ পূর্ণ-মস্তিষ্ক মডেল

একটি স্নায়বিক সিমুলেশন একটি পোকার মস্তিষ্কের পূর্ণ মাপা সংযোগ-জাল সরল নিউরন মডেলের সঙ্গে ব্যবহার করে, উদ্দীপনা কীভাবে আচরণ তৈরি করে তা অনুমান করতে।

যে প্রশ্নের উত্তর দেয়: শুধু সংযোগ-জাল কি অনুমান করে মস্তিষ্ক কীভাবে ইন্দ্রিয়কে কাজে পরিণত করে?

বাদ দেয়: সাইন্যাপসের জোর আর নিউরনের গতিবিদ্যা সরল নিয়ম থেকে ধরে নেওয়া হয়।

যাতে চলে: প্রায় 10^12 FLOPS মোটামুটি প্রায় 130,000 নিউরনের স্পাইকিং নেটওয়ার্ক শুরুর সাল: 2024 A Drosophila computational brain model reveals sensorimotor processing (2024) [সূত্র](https://doi.org/10.1038/s41586-024-07763-9)

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: কোষ

### নিউরাল ভর ও ক্ষেত্র মডেল

নিউরনের একটি জনগোষ্ঠী এক বা দুটি গড় ক্রিয়াশীলতার চলকে নামিয়ে আনা হয়, যা গোটা অঞ্চলের ছন্দ ও ঢেউ দেয়।

যে প্রশ্নের উত্তর দেয়: উত্তেজনা আর নিরোধ জনগোষ্ঠীর মধ্যে কোন সম্মিলিত ছন্দ তৈরি করতে পারে?

বাদ দেয়: স্বতন্ত্র নিউরন একটি গড়ের মধ্যে মিলিয়ে যায়।

যাতে চলে: প্রায় 10^9 FLOPS মোটামুটি একটি ল্যাপটপ, কয়েক সেকেন্ড শুরুর সাল: 1972 1972 সালের মধ্যে, Wilson and Cowan, Excitatory and inhibitory interactions in localized populations of model neurons [সূত্র](https://doi.org/10.1016/s0006-3495%2872%2986068-5)

[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)[অবিচ্ছিন্ন ক্ষেত্র](https://simulation-hypothesis.com/bn/simulations/methods#m-continuum)নিম্নসীমা: কোষ

### কার্যকরী স্পাইকিং মস্তিষ্ক মডেল

স্পাইকিং মডেল নিউরনের একটি নেটওয়ার্ক, যা স্মরণ, গণনা ও আঁকা অঙ্ক নকলের মতো জ্ঞানীয় কাজ করার জন্য গড়া।

যে প্রশ্নের উত্তর দেয়: নিউরন দিয়ে গড়া একটি মডেল কি মস্তিষ্ক যেসব কাজ সামলায় তা করতে পারে?

বাদ দেয়: এর কাজের সেট ছোট, আর তারের সংযোগ নকশা-করা, পরিমাপ-করা নয়।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি একটি বিশ্ববিদ্যালয় ক্লাস্টার, কয়েক ঘণ্টা শুরুর সাল: 2012 2012 সালের মধ্যে, Eliasmith and others, A large-scale model of the functioning brain (Spaun) [সূত্র](https://doi.org/10.1126/science.1225266)

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: কোষ

### আকর্ষক স্মৃতি-নেটওয়ার্ক

সরল এককের একটি নেটওয়ার্ক, যার সংযোগগুলো প্যাটার্নকে স্থিতিশীল অবস্থা হিসেবে ধরে রাখে, তাই আংশিক সংকেত পূর্ণ স্মৃতিতে থিতু হয়।

যে প্রশ্নের উত্তর দেয়: একটি নেটওয়ার্ক কীভাবে একটি টুকরো থেকে পুরো স্মৃতি ফিরিয়ে আনতে পারে?

বাদ দেয়: ক্ষমতা ছোট এবং আসল নিউরন আরও অনেক জটিল।

যাতে চলে: প্রায় 10^8 FLOPS মোটামুটি একটি ল্যাপটপ, কয়েক সেকেন্ড শুরুর সাল: 1982 1982 সালের মধ্যে, Hopfield, Neural networks and physical systems with emergent collective computational abilities [সূত্র](https://en.wikipedia.org/wiki/Hopfield%5Fnetwork)

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: কোষ

### কানেকটোম-ভিত্তিক পোকার মস্তিষ্ক মডেল

একটি পূর্ণ মাছির মস্তিষ্ক তার মাপা তারের নকশা থেকে সিমুলেট করা হয়, প্রতিটি নিউরন ও সাইন্যাপস পুনর্গঠন থেকে নেওয়া।

যে প্রশ্নের উত্তর দেয়: প্রতিটি সংযোগ জানা হয়ে গেলে শুধু তারের নকশা থেকে কোন আচরণ আসে?

বাদ দেয়: সাইন্যাপসের জোর আর নিউরনের রসায়ন অনুমান করা হয়, মাপা হয় না।

যাতে চলে: প্রায় 10^14 FLOPS মোটামুটি একটি ওয়ার্কস্টেশন, প্রতিটি সিমুলেটেড সেকেন্ডে কয়েক মিনিট শুরুর সাল: 2024 2024 সালের মধ্যে, Dorkenwald and others, the adult fly brain wiring diagram, and Shiu and others, a computational model built on it [সূত্র](https://doi.org/10.1038/s41586-024-07763-9)

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: কোষ

## কৃত্রিম জীবন ও জটিলতা

### সেলুলার অটোমেটা

সরল নিয়মে চলা কোষের গ্রিড, যেমন জন কনওয়ের লাইফ, যেখানে গ্লাইডার, প্রতিলিপিকারী, এমনকি কাজ-করা কম্পিউটারও গজিয়ে ওঠে।

যে প্রশ্নের উত্তর দেয়: কত সরল একটি নিয়ম থেকে কতটা জটিলতা গড়ে উঠতে পারে?

বাদ দেয়: সরল নিয়ম কদাচিৎ আসল ভৌত বা জৈব ব্যবস্থার সঙ্গে পরিষ্কারভাবে মেলে।

যাতে চলে: প্রায় 10^12 FLOPS মোটামুটি একটি ল্যাপটপ, বিশাল গ্রিড কয়েক সেকেন্ডে শুরুর সাল: 1970 জন কনওয়ের গেম অব লাইফ সিমুলেশন বৃক্ষে: [হাতে খেলা Life](https://simulation-hypothesis.com/bn/trees/simulations?n=life-life)

[ইন্টারঅ্যাকটিভ মডেলটি চালান](https://simulation-hypothesis.com/bn/simulations/run#toy-life)

[সেলুলার অটোমেটা](https://simulation-hypothesis.com/bn/simulations/methods#m-cellular-automata)নিম্নসীমা: নিয়ম

### ডিজিটাল বিবর্তন

নিজেকে নকল করা কম্পিউটার প্রোগ্রাম একটি সিমুলেটেড যন্ত্রে পরিব্যক্ত হয় ও প্রসেসরের সময়ের জন্য প্রতিযোগিতা করে।

যে প্রশ্নের উত্তর দেয়: বিবর্তন কি এমন জটিল বৈশিষ্ট্য উদ্ভাবন করতে পারে, যা আমরা ধাপে ধাপে দেখতে পারি?

বাদ দেয়: প্রোগ্রাম একটি কৃত্রিম কম্পিউটার-জগতে বিবর্তিত হয়, আসল জৈব-রসায়নে নয়।

যাতে চলে: প্রায় 10^12 FLOPS মোটামুটি একটি ডেস্কটপ, এক রাতেই লক্ষ লক্ষ প্রজন্ম শুরুর সাল: 1953 Institute for Advanced Study কম্পিউটারে Barricelli-র সংখ্যাগত বিবর্তন পরীক্ষা [সূত্র](https://www.ias.edu/ideas/2012/george-dyson-ecp)

[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)নিম্নসীমা: নিয়ম

### বিবর্তিত ভার্চুয়াল প্রাণী

শরীর ও মস্তিষ্ক একসঙ্গে একটি পদার্থবিদ্যা সিমুলেশনে বিবর্তিত হয়, সাঁতার, হাঁটা বা লাফ শেখে।

যে প্রশ্নের উত্তর দেয়: আমরা যখন বিবর্তনকে চালাই না, তখন সে কোন দেহ আর আচরণ উদ্ভাবন করে?

বাদ দেয়: বিবর্তিত চলন প্রায়ই জীবদের আসল চলন থেকে অনেক ভিন্ন দেখায়, কারণ সিমুলেটেড পদার্থবিদ্যা আসল জগৎ থেকে সূক্ষ্মভাবে আলাদা।

যাতে চলে: প্রায় 10^13 FLOPS মোটামুটি একটি ডেস্কটপ বা ছোট ক্লাস্টার, একটি জনগোষ্ঠীকে বিবর্তিত করতে কয়েক ঘণ্টা শুরুর সাল: 1994 Karl Sims ভৌত সিমুলেশনে সাঁতরানো ও হাঁটা প্রাণী বিবর্তিত করেন

[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)নিম্নসীমা: দেহ

### স্বসংগঠিত ক্রান্তিকতা

বালুর স্তূপে একটি একটি করে দানা যোগ করা হয়, যতক্ষণ না সব আকারের ধস দেখা দেয়।

যে প্রশ্নের উত্তর দেয়: ভূমিকম্প, আগুন আর প্রজাতি বিলুপ্তি কেন একই পরিসংখ্যান মানে?

বাদ দেয়: আসল ভূমিকম্প ও আগুনের নির্দিষ্ট পদার্থবিদ্যা আছে, বালুর স্তূপ যার কেবল একটি ব্যঙ্গচিত্র।

যাতে চলে: প্রায় 10^11 FLOPS মোটামুটি একটি ল্যাপটপ, একটি বড় বালুর স্তূপের জন্য কয়েক সেকেন্ড শুরুর সাল: 1987 Bak, Tang ও Wiesenfeld-এর বালুর স্তূপ মডেল

[ইন্টারঅ্যাকটিভ মডেলটি চালান](https://simulation-hypothesis.com/bn/simulations/run#toy-sandpile)

[সেলুলার অটোমেটা](https://simulation-hypothesis.com/bn/simulations/methods#m-cellular-automata)নিম্নসীমা: দেহ

### ঝাঁক-বুদ্ধিমত্তার অ্যালগরিদম

সরল ভার্চুয়াল এজেন্ট যারা চিহ্ন রেখে যায় বা প্রতিবেশীকে নকল করে, পিঁপড়া ও পাখি থেকে ধার-করা, রুটিং ও সময়সূচির মতো বিমূর্ত সমস্যা সমাধান করতে।

যে প্রশ্নের উত্তর দেয়: সরল অনুলিপি ও পথ-অনুসরণ কি একটি কঠিন অপ্টিমাইজেশন সমস্যা সমাধান করতে পারে?

বাদ দেয়: যে সুনির্দিষ্ট সমস্যায় পরীক্ষা হয়েছে সেখানে ভালো কাজ করে। আসল, অনিয়মিত সমস্যায় আরও সমন্বয় লাগে।

যাতে চলে: প্রায় 10^11 FLOPS মোটামুটি একটি ল্যাপটপ, প্রতিটি চালনায় কয়েক সেকেন্ড থেকে কয়েক মিনিট শুরুর সাল: 1992 Marco Dorigo-র পিঁপড়া-কলোনি অপ্টিমাইজেশন অ্যালগরিদম

[ইন্টারঅ্যাকটিভ মডেলটি চালান](https://simulation-hypothesis.com/bn/simulations/run#toy-flock)

[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)নিম্নসীমা: নিয়ম

### এলোমেলো বুলিয়ান নেটওয়ার্ক

সুইচগুলো এলোমেলোভাবে জোড়া, প্রতিটি আরও কয়েকটির ওপর নির্ভর করে চালু বা বন্ধ হয়; পুরো নেটওয়ার্ক কখন থিতু হয় আর কখন চিরকাল ওঠানামা করে, তা নিয়ে গবেষণা হয়।

যে প্রশ্নের উত্তর দেয়: সুইচের একটি নেটওয়ার্ক বিশৃঙ্খল হয়ে ওঠার আগে কতটা তার লাগে?

বাদ দেয়: এলোমেলো সংযোগ একটি আসল কোষ বা মস্তিষ্কের যত্নে বিবর্তিত সংযোগের স্থূল বিকল্প।

যাতে চলে: প্রায় 10^11 FLOPS মোটামুটি একটি ল্যাপটপ, প্রতিটি নেটওয়ার্কে কয়েক সেকেন্ড শুরুর সাল: 1969 Stuart Kauffman-এর জিনের সুইচের এলোমেলো নেটওয়ার্ক

[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[সেলুলার অটোমেটা](https://simulation-hypothesis.com/bn/simulations/methods#m-cellular-automata)নিম্নসীমা: নিয়ম

### অবিচ্ছিন্ন সেলুলার অটোমেটা

সেলুলার অটোমেটা, যাদের কোষের অবস্থা, স্থান ও সময় অবিচ্ছিন্ন, মসৃণ স্বয়ং-সংগঠিত প্রাণী তৈরি করে।

যে প্রশ্নের উত্তর দেয়: একটি অবিচ্ছিন্ন সেলুলার অটোমেটনে কোন জীবনের মতো নকশা দেখা দেয়?

বাদ দেয়: নিয়মগুলো কৃত্রিম, আর আসল রসায়ন মডেল করে না।

যাতে চলে: প্রায় 10^11 FLOPS মোটামুটি GPU গ্রিড হালনাগাদ শুরুর সাল: 2018 Lenia: biology of artificial life (2018) [সূত্র](https://arxiv.org/abs/1812.05433)

[সেলুলার অটোমেটা](https://simulation-hypothesis.com/bn/simulations/methods#m-cellular-automata)নিম্নসীমা: নিয়ম

### নিউরাল কোষীয় অটোমাটা

প্রতিটি কোষে একটি ছোট নিউরাল নেটওয়ার্ক থাকে, যা স্থানীয় নিয়ম শেখে, যাতে একটি গ্রিড লক্ষ্য-প্যাটার্ন গড়ে ও মেরামত করে।

যে প্রশ্নের উত্তর দেয়: একটি স্থানীয় শেখা নিয়ম কি একটি বৈশ্বিক প্যাটার্ন বাড়াতে ও নিজে সারাতে পারে?

বাদ দেয়: লক্ষ্য নকশাগুলো ছোট, আর নিয়মগুলো প্রশিক্ষণ দিয়ে শেখানো, আবিষ্কার করা নয়।

যাতে চলে: প্রায় 10^11 FLOPS মোটামুটি ছোট পরিসরের ডিফারেনশিয়েবল প্রশিক্ষণ শুরুর সাল: 2020 Growing Neural Cellular Automata (2020) [সূত্র](https://distill.pub/2020/growing-ca/)

[সেলুলার অটোমেটা](https://simulation-hypothesis.com/bn/simulations/methods#m-cellular-automata)[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### স্ব-প্রতিলিপিকারী প্রোগ্রামের ঝোল

এলোমেলো প্রোগ্রামের একটি ভাণ্ডার দৈবক্রমে পরস্পরের সঙ্গে ক্রিয়া করে, যতক্ষণ না আত্ম-অনুলিপিকারী প্রোগ্রাম মিশ্রণ থেকে বেরিয়ে আসে।

যে প্রশ্নের উত্তর দেয়: প্রতিলিপিকারী কি নকশা না করে দেখা দিতে পারে?

বাদ দেয়: ভাষার পছন্দ ফল ঠিক করে দেয়, আর তা রসায়ন থেকে অনেক দূরে।

যাতে চলে: প্রায় 10^10 FLOPS মোটামুটি কয়েক মিলিয়ন ক্ষুদ্র প্রোগ্রাম মিথস্ক্রিয়া শুরুর সাল: 2024 Computational Life: how well-formed, self-replicating programs emerge from simple interaction (2024) [সূত্র](https://arxiv.org/abs/2406.19108)

[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)[সম্ভাবনাভিত্তিক প্রক্রিয়া](https://simulation-hypothesis.com/bn/simulations/methods#m-stochastic)নিম্নসীমা: নিয়ম

### কৃত্রিম রসায়ন

বিমূর্ত অণুর একটি ভাণ্ডার, যারা নিয়ম ধরে বিক্রিয়া করে, তাই কোনো আসল রসায়ন ছাড়াই নিজেকে টিকিয়ে রাখা কাঠামো দেখা দিতে পারে।

যে প্রশ্নের উত্তর দেয়: সরল বিক্রিয়ার হার থেকে কি নিজেকে টিকিয়ে রাখা রাসায়নিক সংগঠন গড়ে উঠতে পারে?

বাদ দেয়: অণুগুলো প্রতীক মাত্র; আসল বন্ধন-শক্তি আর জ্যামিতি নেই।

যাতে চলে: প্রায় 10^9 FLOPS মোটামুটি একটি ল্যাপটপ, কয়েক ঘণ্টা শুরুর সাল: 1991 1991 সালের মধ্যে, Fontana-র AlChemy, Second Artificial Life Conference-এ উপস্থাপিত [সূত্র](https://en.wikipedia.org/wiki/Artificial%5Fchemistry)

[নিয়ম ও অবস্থা](https://simulation-hypothesis.com/bn/simulations/methods#m-rules)[সম্ভাবনাভিত্তিক প্রক্রিয়া](https://simulation-hypothesis.com/bn/simulations/methods#m-stochastic)[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)নিম্নসীমা: অণু

### বিবর্তনীয় রোবটবিদ্যা

সিমুলেটেড রোবটের নিয়ন্ত্রক বা শরীর বহু প্রজন্ম ধরে কাজের সাফল্যের ভিত্তিতে বাছাই করে বিবর্তিত করা হয়।

যে প্রশ্নের উত্তর দেয়: একটি রোবটের মস্তিষ্ক ও শরীর কি নকশা না করে প্রজনন করা যায়?

বাদ দেয়: সিমুলেশনে বিবর্তিত নিয়ন্ত্রক প্রায়ই আসল হার্ডওয়্যারে ব্যর্থ হয়।

যাতে চলে: প্রায় 10^14 FLOPS মোটামুটি একটি বিশ্ববিদ্যালয় ক্লাস্টার, কয়েক দিন শুরুর সাল: 1993 1993 সালের মধ্যে, Cliff, Husbands and Harvey, Evolving visually guided robots [সূত্র](https://doi.org/10.7551/mitpress/3116.003.0051)

[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[অবকল সমীকরণ](https://simulation-hypothesis.com/bn/simulations/methods#m-equations)নিম্নসীমা: দেহ

### অবিচ্ছিন্ন কৃত্রিম জীবন

অবিচ্ছিন্ন অবস্থা, স্থান ও সময়ের একটি সেলুলার অটোমেটন, যা চলমান, স্বয়ং-সংগঠিত, প্রাণসদৃশ নকশা তৈরি করে।

যে প্রশ্নের উত্তর দেয়: নিয়ম বিচ্ছিন্ন না হয়ে মসৃণ হলে কোন জীবন্ত রূপ দেখা দেয়?

বাদ দেয়: নকশাগুলো জীবের মতো দেখতে, কিন্তু কোনো আসল জীববিজ্ঞান মানে না।

যাতে চলে: প্রায় 10^11 FLOPS মোটামুটি একটি গেমিং পিসি, রিয়েল টাইমে শুরুর সাল: 2018 2018 সালের মধ্যে, Chan, Lenia: Biology of Artificial Life (arXiv 1812.05433) [সূত্র](https://arxiv.org/abs/1812.05433)

[সেলুলার অটোমেটা](https://simulation-hypothesis.com/bn/simulations/methods#m-cellular-automata)[অবিচ্ছিন্ন ক্ষেত্র](https://simulation-hypothesis.com/bn/simulations/methods#m-continuum)নিম্নসীমা: নিয়ম

### কৃত্রিম রোগ-প্রতিরোধ মডেল

মিথস্ক্রিয়াশীল অ্যান্টিবডি-সদৃশ এজেন্টের জনগোষ্ঠী, যারা নির্বাচন ও নেটওয়ার্ক প্রভাবে ধরন চিনতে শেখে।

যে প্রশ্নের উত্তর দেয়: একটি শনাক্তকরণ ব্যবস্থা শুধু স্থানীয় মিথস্ক্রিয়া দিয়ে কীভাবে নিজেকে মানিয়ে নেয়?

বাদ দেয়: এটি কম্পিউটিংয়ের জন্য ইমিউনোলজি থেকে ধারণা ধার করে, আসল প্রতিরোধী সাড়ার ক্যালিব্রেট করা মডেল নয়।

যাতে চলে: প্রায় 10^8 FLOPS মোটামুটি একটি ল্যাপটপ, কয়েক ঘণ্টা শুরুর সাল: 1986 1986 সালের মধ্যে, Farmer, Packard and Perelson, The immune system, adaptation, and machine learning [সূত্র](https://doi.org/10.1016/0167-2789%2886%2990240-x)

[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)[নেটওয়ার্ক মডেল](https://simulation-hypothesis.com/bn/simulations/methods#m-network)[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)নিম্নসীমা: কোষ

### Core War লড়াই

একটি ক্ষুদ্র অ্যাসেম্বলি ভাষায় লেখা প্রোগ্রাম একটি ভাগ-করা সিমুলেটেড স্মৃতির নিয়ন্ত্রণের জন্য লড়ে, একে অপরকে মুছে ফেলে।

যে প্রশ্নের উত্তর দেয়: পুরো মেমরি যুদ্ধক্ষেত্র হলে কোন আত্ম-প্রতিলিপিকারী প্রোগ্রাম টিকে থাকে?

বাদ দেয়: যন্ত্রটি একটি বানানো নির্দেশমালায় চলে, তাই শিক্ষা আসল ম্যালওয়্যারে খাটে না।

যাতে চলে: প্রায় 10^7 FLOPS মোটামুটি একটি ল্যাপটপ, প্রতিটি যুদ্ধে কয়েক সেকেন্ড শুরুর সাল: 1984 1984 সালের মধ্যে, Jones ও Dewdney-র Core War, Scientific American-এ [সূত্র](https://en.wikipedia.org/wiki/Core%5FWar)

[নিয়ম ও অবস্থা](https://simulation-hypothesis.com/bn/simulations/methods#m-rules)[বিচ্ছিন্ন ঘটনা](https://simulation-hypothesis.com/bn/simulations/methods#m-discrete-event)[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)নিম্নসীমা: নিয়ম

## কৃত্রিম মনের জন্য জগৎ

### রিইনফোর্সমেন্ট লার্নিং পরিবেশ

সিমুলেটেড জগৎ যেখানে একটি কৃত্রিম এজেন্ট কাজ করে, পুরস্কৃত হয় ও কয়েক মিলিয়ন চেষ্টায় উন্নতি করে।

যে প্রশ্নের উত্তর দেয়: একটি এজেন্ট কি শুধু চেষ্টা ও ভুল থেকে এই দক্ষতা শিখতে পারে?

বাদ দেয়: সরলীকৃত জগতে শেখা দক্ষতা সবসময় বাস্তবের জটিলতায় স্থানান্তরিত হয় না।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি জিপিইউয়ের একটি ক্লাস্টার, কয়েক দিনের সিমুলেটেড অভিজ্ঞতা শুরুর সাল: 1992 1992 সালের মধ্যে, TD-Gammon নিজের সঙ্গে খেলে ব্যাকগ্যামনের কৌশল শেখে

[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: দেহ

### বহু-এজেন্ট AI সমাজ

অনেক AI এজেন্ট একটি জগৎ ভাগ করে নেয়, নিজস্ব লক্ষ্য, স্মৃতি ও কথোপকথন নিয়ে।

যে প্রশ্নের উত্তর দেয়: অনেক কৃত্রিম এজেন্ট একসঙ্গে থাকলে কোন সামাজিক আচরণ দেখা দেয়?

বাদ দেয়: সামাজিক মনে হওয়া আচরণ প্রশিক্ষণ-ব্যবস্থায় ঠিক করা সংকীর্ণ কৌশল হতে পারে।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি জিপিইউয়ের একটি ক্লাস্টার, যা একসঙ্গে বহু এজেন্ট চালাচ্ছে শুরুর সাল: 2017 2017 সালের মধ্যে, একটি জগৎ ভাগ করা বহু শিক্ষণ-এজেন্টের প্রাথমিক পরীক্ষা

[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: দেহ

### কৃত্রিম প্রশিক্ষণ-উপাত্ত

দৃষ্টি-ব্যবস্থা প্রশিক্ষণে অন্তহীন বৈচিত্র্যে রেন্ডার করা আলোকচিত্রসদৃশ দৃশ্য।

যে প্রশ্নের উত্তর দেয়: শুধু রেন্ডার করা ছবিতে প্রশিক্ষিত একটি ব্যবস্থা কি আসল জগৎ দেখতে পারে?

বাদ দেয়: রেন্ডার-করা দৃশ্য বাস্তবের চেয়ে পরিষ্কার, তাই প্রশিক্ষিত ব্যবস্থা আসল-জগতের গোলমালে বিভ্রান্ত হতে পারে।

যাতে চলে: প্রায় 10^14 FLOPS মোটামুটি একটি রেন্ডার ফার্ম বা GPU ক্লাস্টার, একটি ডেটাসেটের জন্য কয়েক ঘণ্টা শুরুর সাল: 2016 2016 সালের মধ্যে, প্রাথমিক রেন্ডার করা ডেটাসেট ছবি-শনাক্তকরণ ব্যবস্থাকে প্রশিক্ষণ দেয়

[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)নিম্নসীমা: দেহ

### শেখা জগৎ-মডেল

একটি নিউরাল নেটওয়ার্ক, যা অনুমান করে একটি জগতে পরে কী ঘটে, এতটা ভালোভাবে যে তার খেলার উপযোগী দৃশ্য তৈরি করতে পারে।

যে প্রশ্নের উত্তর দেয়: একটি নেটওয়ার্ক কি শুধু একটি জগৎ দেখে তা সিমুলেট করা শিখতে পারে?

বাদ দেয়: দীর্ঘমেয়াদি পূর্বাভাস ভৌতভাবে সামঞ্জস্যপূর্ণ যেকোনো কিছু থেকে সরে যায়।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি একটি বড় GPU ক্লাস্টার, কয়েক দিনের প্রশিক্ষণ শুরুর সাল: 2018 Ha ও Schmidhuber একটি নেটওয়ার্ককে খেলার মতো দৃশ্যের পূর্বাভাস দিতে ও স্বপ্ন দেখতে প্রশিক্ষণ দেন

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: ক্ষেত্র

### নিজের সঙ্গে খেলে কৌশল প্রশিক্ষণ

একটি কৃত্রিম এজেন্ট একটি বিমূর্ত কৌশলের খেলায় নিজেরই অনুলিপির বিরুদ্ধে বারবার ম্যাচ খেলে, প্রতিটি রাউন্ডে উন্নত হয়।

যে প্রশ্নের উত্তর দেয়: শিক্ষক ছাড়া, শুধু নিজের আগের রূপের সঙ্গে খেলে একটি কৌশল কতটা শক্তিশালী হতে পারে?

বাদ দেয়: একই এজেন্টের একটি প্রতিলিপির বিরুদ্ধে তৈরি কৌশলে এমন অন্ধ জায়গা থাকতে পারে, যা অন্য কোনো প্রতিপক্ষ কাজে লাগাবে।

যাতে চলে: প্রায় 10^16 FLOPS মোটামুটি একটি বড় GPU ক্লাস্টার, কয়েক দিনের নিজের সঙ্গে খেলা শুরুর সাল: 1959 Arthur Samuel-এর চেকার্স প্রোগ্রাম নিজের সঙ্গে খেলে শিখত

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)[খেলা-তত্ত্ব](https://simulation-hypothesis.com/bn/simulations/methods#m-game-theory)নিম্নসীমা: নিয়ম

### এআই নিরাপত্তার রেড-টিমিং পরিবেশ

একটি কৃত্রিম এজেন্টকে অবাঞ্ছিত আচরণে প্রলুব্ধ করতে তৈরি একটি সিমুলেটেড পরিস্থিতি, যাতে প্রয়োগের আগেই ব্যর্থতা ধরা পড়ে।

যে প্রশ্নের উত্তর দেয়: কোন অবস্থায় এই ব্যবস্থা এমন আচরণ দেখায়, যা তার করা উচিত নয়?

বাদ দেয়: কেবল সেই ব্যর্থতাই পরীক্ষা করে, যা রেড টিম খুঁজে দেখার কথা ভেবেছিল।

যাতে চলে: প্রায় 10^14 FLOPS মোটামুটি একটি গবেষণা দলের GPU সার্ভার, প্রতিটি পরীক্ষা-সেটে কয়েক ঘণ্টা শুরুর সাল: 2016 2016 সালের মধ্যে, রিইনফোর্সমেন্ট লার্নিং এজেন্টের জন্য প্রাথমিক প্রতিপক্ষমূলক পরীক্ষার পরিবেশ

[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### মূর্ত গৃহস্থালি সিমুলেটর

3D ভার্চুয়াল বাড়ি, যেখানে একটি এজেন্ট দেখে, চলে এবং জিনিসপত্র নাড়াচাড়া করে; শারীরিক সত্তাযুক্ত এআই প্রশিক্ষণ ও পরীক্ষায় ব্যবহৃত।

যে প্রশ্নের উত্তর দেয়: একটি এজেন্ট কি একটি ভার্চুয়াল বাড়িতে এমন কাজ শিখতে পারে যা আসলটিতে খাটে?

বাদ দেয়: বস্তুর পদার্থবিদ্যা ও দৃশ্যের বৈচিত্র্য সীমিত।

যাতে চলে: প্রায় 10^12 FLOPS মোটামুটি রিয়েল-টাইম রেন্ডারিং, অনেক সমান্তরাল ইনস্ট্যান্স শুরুর সাল: 2017 AI2-THOR: an interactive 3D environment for visual AI (2017) [সূত্র](https://arxiv.org/abs/1712.05474)

[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[নিয়ম ও অবস্থা](https://simulation-hypothesis.com/bn/simulations/methods#m-rules)নিম্নসীমা: দেহ

### উন্মুক্ত-প্রান্ত পরিবেশ তৈরি

এজেন্ট শেখার সঙ্গে সঙ্গে প্রশিক্ষণের জগৎ স্বয়ংক্রিয়ভাবে তৈরি আর বদলানো হয়, যাতে চ্যালেঞ্জের কঠিনতা আর বৈচিত্র্য বাড়তেই থাকে।

যে প্রশ্নের উত্তর দেয়: একটি পরিবেশ-জেনারেটর কি অবিরাম কাজে লাগার মতো নতুন চ্যালেঞ্জ তৈরি করতে পারে?

বাদ দেয়: অনুসন্ধান সীমিত থাকে পরিবেশ-পরিবার যা প্রকাশ করতে পারে ততটুকুতে।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি পরিবেশ ও এজেন্টের জনসংখ্যা শুরুর সাল: 2019 Paired Open-Ended Trailblazer (POET) (2019) [সূত্র](https://arxiv.org/abs/1901.01753)

[বিবর্তনীয়](https://simulation-hypothesis.com/bn/simulations/methods#m-evolutionary)[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### এজেন্টের জন্য সিমুলেটেড ওয়েব পরিবেশ

আসল ওয়েবসাইটের স্ব-হোস্ট-করা প্রতিলিপি, যেখানে একটি ভাষা-মডেল এজেন্ট কাজ সম্পন্ন করে, চূড়ান্ত অবস্থা যাচাই করে নম্বর দেওয়া হয়।

যে প্রশ্নের উত্তর দেয়: একটি এজেন্ট কি বাস্তবসম্মত ওয়েবসাইটে বহু-ধাপের কাজ সম্পন্ন করতে পারে?

বাদ দেয়: সাইটগুলো স্থির প্রতিলিপি, আর কাজের বৈচিত্র্য সীমিত।

যাতে চলে: প্রায় 10^13 FLOPS মোটামুটি পরিবেশ পুনর্স্থাপন ও বহু মডেল-কল শুরুর সাল: 2023 WebArena (2023) [সূত্র](https://arxiv.org/abs/2307.13854)

[নিয়ম ও অবস্থা](https://simulation-hypothesis.com/bn/simulations/methods#m-rules)[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### সুপারিশ-ব্যবস্থার সিমুলেটর

সুপারিশ অ্যালগরিদম প্রশিক্ষণ ও পরীক্ষার জন্য ব্যবহৃত একটি কনফিগারযোগ্য সিমুলেটেড ব্যবহারকারী জনগোষ্ঠী ও পণ্য-তালিকা।

যে প্রশ্নের উত্তর দেয়: ব্যবহারকারীদের সঙ্গে বহু মিথস্ক্রিয়ায় একটি সুপারিশ অ্যালগরিদম কেমন আচরণ করবে?

বাদ দেয়: ব্যবহারকারীর আচরণ ধরে নেওয়া, মাপা নয়।

যাতে চলে: প্রায় 10^10 FLOPS মোটামুটি হালকা সমান্তরাল চালনা শুরুর সাল: 2019 RecSim: a configurable simulation platform for recommender systems (2019) [সূত্র](https://arxiv.org/abs/1909.04847)

[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)[সম্ভাবনাভিত্তিক প্রক্রিয়া](https://simulation-hypothesis.com/bn/simulations/methods#m-stochastic)নিম্নসীমা: নিয়ম

### নিউরাল গেম ইঞ্জিন

গেমপ্লের রেকর্ডিংয়ে প্রশিক্ষিত একটি ডিফিউশন মডেল খেলোয়াড়ের পদক্ষেপ থেকে পরের ফ্রেম তৈরি করে, খেলার নিজস্ব ইঞ্জিনের জায়গা নিয়ে।

যে প্রশ্নের উত্তর দেয়: একটি নিউরাল নেটওয়ার্ক কি খেলার উপযোগী গতিতে একটি ইন্টারঅ্যাকটিভ খেলা চালাতে পারে?

বাদ দেয়: স্মৃতি স্বল্প, আর দীর্ঘ খেলায় খুঁটিনাটি সরে যায়।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি ভারী প্রশিক্ষণ; একটি অ্যাক্সিলারেটরে রিয়েল-টাইম অনুমান শুরুর সাল: 2024 Diffusion models are real-time game engines (2024) [সূত্র](https://arxiv.org/abs/2408.14837)

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)নিম্নসীমা: নিয়ম

### ইন্টারঅ্যাকটিভ জেনারেটিভ জগৎ

একটি মডেল লেবেলহীন ভিডিও থেকে শেখে এবং এমন নিয়ন্ত্রণযোগ্য জগৎ তৈরি করে, যেখানে ব্যবহারকারী ফ্রেম ধরে ধরে কাজ করতে পারে।

যে প্রশ্নের উত্তর দেয়: শুধু ছবি থেকে কি একটি খেলার উপযোগী জগৎ তৈরি করা যায়?

বাদ দেয়: সামঞ্জস্য ও ফ্রেম-হার সীমিত, আর পদার্থবিদ্যা নিশ্চিত নয়।

যাতে চলে: প্রায় 10^17 FLOPS মোটামুটি বড় মাপের ভিডিও প্রশিক্ষণ শুরুর সাল: 2024 Genie: generative interactive environments (2024) [সূত্র](https://arxiv.org/abs/2402.15391)

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### শেখা বাস্তব-জগতের ইন্টারঅ্যাকটিভ সিমুলেটর

পদক্ষেপের শর্তাধীন একটি ভিডিও মডেল অনুমান করে প্রতিটি নির্দেশের পর একটি রোবট বা এজেন্ট কী দেখবে, হাতে-গড়া সিমুলেটরের জায়গা নিয়ে।

যে প্রশ্নের উত্তর দেয়: একটি শেখা মডেল কি কাজের বাস্তব ফলাফল সিমুলেট করতে পারে?

বাদ দেয়: দীর্ঘ রোলআউট অলীক কিছু তৈরি করে, আর ভৌত নির্ভুলতা যাচাই করা হয় না।

যাতে চলে: প্রায় 10^17 FLOPS মোটামুটি বড় ভিডিও আর অ্যাকশন ডেটাসেটে প্রশিক্ষণ শুরুর সাল: 2023 Learning interactive real-world simulators (2023) [সূত্র](https://arxiv.org/abs/2310.06114)

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### জেনারেটিভ গাড়ি-চালনা জগৎ মডেল

গতি ও স্টিয়ারিংয়ের শর্তাধীন একটি ভিডিও মডেল একটি গাড়ির দৃষ্টিকোণ থেকে বিশ্বাসযোগ্য ভবিষ্যৎ দৃশ্য তৈরি করে, স্বয়ংচালনের প্রশিক্ষণ ও পরীক্ষার জন্য।

যে প্রশ্নের উত্তর দেয়: একটি নির্দিষ্ট চালনার পদক্ষেপ থেকে সড়কে কোন কোন দৃশ্য ঘটতে পারে?

বাদ দেয়: তৈরি দৃশ্য পদার্থবিদ্যা বা বিরল-ক্ষেত্রের আচরণ লঙ্ঘন করতে পারে।

যাতে চলে: প্রায় 10^17 FLOPS মোটামুটি বড় ভিডিও মডেল প্রশিক্ষণ শুরুর সাল: 2023 GAIA-1: a generative world model for autonomous driving (2023) [সূত্র](https://arxiv.org/abs/2309.17080)

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)নিম্নসীমা: নিয়ম

### সিমুলেটেড রোবট ফুটবল

সফটওয়্যার খেলোয়াড়দের দুটি দল, প্রত্যেকে কোলাহলপূর্ণ সংবেদনে মাঠের কেবল একটি অংশ দেখে, সিমুলেটেড স্টেডিয়ামে ফুটবল খেলে, সহযোগিতা আর কৌশল পরীক্ষা করতে।

যে প্রশ্নের উত্তর দেয়: স্বতন্ত্র সফটওয়্যার খেলোয়াড়েরা কি প্রতিদ্বন্দ্বী দলকে হারানোর মতো যথেষ্ট সমন্বয় করতে পারে?

বাদ দেয়: মাঠ, বল আর রোবটের দেহ আদর্শায়িত, তাই সাফল্য রণকৌশল দেখায়, আসল হার্ডওয়্যারে দক্ষতা নয়।

যাতে চলে: প্রায় 10^9 FLOPS মোটামুটি একটি ম্যাচের জন্য ওয়ার্কস্টেশনে রিয়েল টাইমে। শুরুর সাল: 1998 Noda ও সহকর্মীদের Soccer Server, বহু-এজেন্ট ব্যবস্থার গবেষণার একটি সরঞ্জাম। [সূত্র](https://doi.org/10.1080/088395198117848)

[এজেন্ট-ভিত্তিক](https://simulation-hypothesis.com/bn/simulations/methods#m-agent-based)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[খেলা-তত্ত্ব](https://simulation-hypothesis.com/bn/simulations/methods#m-game-theory)নিম্নসীমা: জনসংখ্যা

### সফটওয়্যার প্রকৌশল এজেন্টের স্যান্ডবক্স

একটি এজেন্টকে একটি আসল কোড-প্রকল্প ও একটি সমস্যা-প্রতিবেদন দেওয়া হয়, সে একটি স্যান্ডবক্সে ফাইল সম্পাদনা করে ও পরীক্ষা চালায়, আর সমাধানটি পরীক্ষায় উত্তীর্ণ হয় কি না তার ওপর নম্বর পায়।

যে প্রশ্নের উত্তর দেয়: একটি এআই এজেন্ট কি সাহায্য ছাড়া আসল সফটওয়্যার প্রকল্পের আসল ত্রুটি সারাতে পারে?

বাদ দেয়: টেস্ট পাস করা মানেই সঠিক সমাধান নয়, আর প্রকল্পগুলো সব সফটওয়্যারের একটি ছোট অংশ মাত্র।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি হাজার হাজার মডেল রান, প্রতিটিতে বহু কল আর টেস্ট রান। শুরুর সাল: 2023 Jimenez ও সহকর্মীদের ভাষা-মডেলের জন্য আসল GitHub সমস্যার SWE-bench। [সূত্র](https://arxiv.org/abs/2310.06770)

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[নিয়ম ও অবস্থা](https://simulation-hypothesis.com/bn/simulations/methods#m-rules)নিম্নসীমা: নিয়ম

### ডেস্কটপ কম্পিউটার এজেন্ট পরিবেশ

আসল প্রোগ্রামসহ একটি পূর্ণ ভার্চুয়াল কম্পিউটার একটি এজেন্টকে দেওয়া হয়, যে পর্দা দেখে, ক্লিক করে ও টাইপ করে, আর কাজটি হলো কি না তার ওপর নম্বর পায়।

যে প্রশ্নের উত্তর দেয়: একটি এআই এজেন্ট কি মানুষের মতো কম্পিউটারে কাজ করতে পারে?

বাদ দেয়: কাজগুলো নির্দিষ্ট আর স্ক্রিপ্টে লেখা, অথচ আসল কাজ খোলা, থেমে থেমে চলে আর অন্য মানুষের সঙ্গে ভাগ করা।

যাতে চলে: প্রায় 10^15 FLOPS মোটামুটি হাজার হাজার রান, প্রতিটিতে একটি ভার্চুয়াল মেশিন আর বহু মডেল-কল চলে। শুরুর সাল: 2024 Xie ও সহকর্মীদের OSWorld, আসল কম্পিউটার পরিবেশে এজেন্টদের বেঞ্চমার্ক করা। [সূত্র](https://doi.org/10.52202/079017-1650)

[শেখা ইমুলেটর](https://simulation-hypothesis.com/bn/simulations/methods#m-learned)[রিয়েল টাইম](https://simulation-hypothesis.com/bn/simulations/methods#m-real-time)[নিয়ম ও অবস্থা](https://simulation-hypothesis.com/bn/simulations/methods#m-rules)নিম্নসীমা: নিয়ম

[◂ শহর, অবকাঠামো ও পরিচালনা](https://simulation-hypothesis.com/bn/simulations/cities-operations)[গণিত ও গণনা ▸](https://simulation-hypothesis.com/bn/simulations/mathematics-computation)