ভূমিকা

মানব চিন্তার ইতিহাসে মন, বুদ্ধিমত্তা ও চেতনার স্বরূপ অন্বেষণ দীর্ঘকাল ধরে প্রধানত অধিবিদ্যা ও ধর্মীয় ব্যাখ্যার বৃত্তে আবদ্ধ ছিল। ঐতিহ্যগতভাবে মানব মনকে একটি রহস্যময়, অশরীরী সত্তা হিসেবে বিবেচনা করার যে প্রবণতা রনে দেকার্তের কার্তেসীয় দ্বৈতবাদ (Cartesian Dualism) কিংবা বিভিন্ন ধর্মীয় মতবাদে দেখা যায়, আধুনিক বিজ্ঞান ও বস্তুনিষ্ঠ দর্শন তাকে সরাসরি প্রত্যাখ্যান করেছে। বিজ্ঞানের অগ্রগতি, বিশেষ করে বিবর্তনীয় জীববিজ্ঞান এবং স্নায়ুবিজ্ঞানের বিকাশ স্পষ্ট করেছে যে মন কোনো অতিপ্রাকৃতিক উপাদান নয়, বরং তা জটিল জৈব পদার্থের কাঠামোগত মিথস্ক্রিয়া ও তথ্যের প্রক্রিয়াকরণ। এই বৈজ্ঞানিক ও দার্শনিক পটভূমিতে কৃত্রিম বুদ্ধিমত্তার দর্শন (Philosophy of Artificial Intelligence) একটি যুগান্তকারী তাত্ত্বিক ক্ষেত্র হিসেবে আবির্ভূত হয়েছে। এটি কেবল যন্ত্রের প্রযুক্তিগত সক্ষমতার হিসাব-নিকাশ নয়, বরং জ্ঞানতাত্ত্বিক ও সত্তাতাত্ত্বিক দৃষ্টিকোণ থেকে বুদ্ধিমত্তা, মন এবং অস্তিত্বের সংজ্ঞাকে বস্তুনিষ্ঠভাবে পুনর্গঠনের একটি পদ্ধতিগত প্রয়াস।

কৃত্রিম বুদ্ধিমত্তার ভিত্তি প্রোথিত রয়েছে ভৌতবাদ (Physicalism) এবং প্রাকৃতিকতাবাদ (Naturalism) নামক দার্শনিক কাঠামোর ওপর। এই দৃষ্টিকোণ অনুযায়ী, মহাবিশ্বের যাবতীয় ঘটনা – যার মধ্যে মানুষের চিন্তা, অনুভূতি এবং সিদ্ধান্ত গ্রহণের প্রক্রিয়াও অন্তর্ভুক্ত – সম্পূর্ণরূপে বস্তুগত নিয়ম এবং কার্যকারণ সূত্রের অধীন। অ্যালান টুরিংয়ের গাণিতিক ভিত্তি থেকে শুরু করে হিলারি পুটনাম কিংবা জেরি ফোডোরের প্রস্তাবিত মনের কম্পিউটেশনাল তত্ত্ব (Computational Theory of Mind) মানব মস্তিষ্ককে একটি জটিল জৈব কম্পিউটেশনাল ব্যবস্থা হিসেবে সংজ্ঞায়িত করেছে। যদি চিন্তা ও যুক্তি মূলত তথ্য রূপান্তর এবং অ্যালগরিদমিক প্রক্রিয়ার ফলাফল হয়, তবে তা কেবল জৈবিক নিউরনে সীমাবদ্ধ থাকার কোনো যৌক্তিক বাধ্যবাধকতা নেই। এই ধারণাই জন্ম দেয় সাবস্ট্রেট নিরপেক্ষতা (Substrate Independence) তত্ত্বের, যা দাবি করে যে সঠিক কার্যকরী কাঠামো ও গণনাপদ্ধতি বজায় থাকলে সিলিকন বা অন্য যেকোনো অজৈব মাধ্যমেও বুদ্ধিমত্তা ও মনের উদ্ভব ঘটা সম্ভব।

এই গ্রন্থে বুদ্ধিমত্তা, চেতনা ও এজেন্সির প্রশ্নগুলোকে কোনো অস্পষ্ট আধ্যাত্মিক অনুমান দিয়ে নয়, বরং কঠোর যুক্তিবিদ্যা, কম্পিউটেশনাল মেকানিক্স এবং বৈজ্ঞানিক বস্তুবাদের আলোকে ব্যবচ্ছেদ করা হয়েছে। আমরা যখন একটি যন্ত্রকে ‘বুদ্ধিমান’ বলি, তখন তা মানুষের বিশেষত্বকে খাটো করা নয়, বরং বুদ্ধিমত্তাকে রহস্যমুক্ত করে তার গাণিতিক ও প্রাকৃতিক ভিত্তিকে উন্মোচন করা। কৃত্রিম বুদ্ধিমত্তা এভাবে দর্শনের প্রাচীন প্রশ্নগুলোকে নতুন করে হাজির করেছে: ‘জানা’ বা ‘বোঝা’ বলতে আদতে কী বোঝায়? প্রতীকী রূপান্তরের বাইরে গিয়ে কোনো ব্যবস্থা কি প্রকৃত অর্থ বা উদ্দেশ্যমুখিতা (Intentionality) অর্জন করতে পারে? নাকি মানুষের সমস্ত উচ্চতর বোধও শেষ পর্যন্ত অত্যন্ত জটিল অপ্টিমাইজেশন ও প্যাটার্ন শনাক্তকরণেরই এক জটিল জৈব রূপ? এই গ্রন্থটি সেই অমীমাংসিত প্রশ্নগুলোর গভীরে প্রবেশ করে যন্ত্র, মন ও যুক্তির মধ্যকার সংযোগরেখাগুলোকে বিশ্লেষণ করার এক সুসংহত তাত্ত্বিক রূপরেখা উপস্থাপন করে।

কৃত্রিম বুদ্ধিমত্তার ধারণা ও দার্শনিক ভিত্তি (Concept and Philosophical Foundations of Artificial Intelligence): বুদ্ধিমত্তার অর্থ, সংজ্ঞা ও ভিত্তি

কৃত্রিম বুদ্ধিমত্তার সংজ্ঞা ও চারটি দৃষ্টিভঙ্গি (Definition of Artificial Intelligence and Four Approaches): চিন্তা, আচরণ ও যুক্তিসংগততার মানদণ্ড

কৃত্রিম বুদ্ধিমত্তার ধারণাগত পটভূমি ও সংজ্ঞায়নের জটিলতা (Conceptual Background and Definitional Complexities of AI)

বুদ্ধিমত্তা কী – এই প্রশ্নের মুখোমুখি দাঁড়ালে মানুষের বহু শতাব্দীর চিন্তাভাবনা এক নিমেষে এলোমেলো হয়ে যায়। প্রাচীনকাল থেকেই চেতনার ধারণাকে নানা অতিন্দ্রীয় ব্যাখ্যা বা ধর্মীয় ধারণার চাদরে ঢেকে রাখার চেষ্টা হয়েছে। তবে আধুনিক বিজ্ঞান ও দর্শনের বিকাশ আমাদের শিখিয়েছে যে, যাকে আমরা মন বা চিন্তাশক্তি বলি, তা কোনো বায়বীয় বা অলৌকিক পদার্থ নয়। এটা বস্তুগত কাঠামোর এক ধরনের অত্যন্ত জটিল তথ্যানুসন্ধান ও গণনামূলক প্রক্রিয়া। ১৯৫৬ সালের ডার্টমাউথ কর্মশালায় যখন জন ম্যাককার্থি (John McCarthy) ও তার সহকর্মীরা প্রথম কৃত্রিম বুদ্ধিমত্তা (Artificial Intelligence) পরিভাষাটি আনুষ্ঠানিকভাবে প্রস্তাব করেন, তখন থেকেই যন্ত্রের ভেতর মানুষের চিন্তাভাবনার এই জৈবিক গুণাবলি পুনরুৎপাদনের সম্ভাবনা এক নতুন রূপ নেয় (McCarthy et al., 1955)। বুদ্ধিমত্তাকে যখন নির্দিষ্ট কোনো রহস্যময় শক্তির বদলে সমস্যা সমাধানের ক্ষমতা হিসেবে দেখা শুরু হলো, তখনই কৃত্রিম উপায়ে তা তৈরির পথ উন্মুক্ত হয়েছিল।

বিষয়টা দেখতে যতখানি সহজ মনে হয়েছিল, সংজ্ঞায়নের ক্ষেত্রে এসে গবেষকরা ততখানিই জটিলতার মুখোমুখি হলেন। বুদ্ধিমত্তার নির্দিষ্ট কোনো একক ও সর্বজনীন সংজ্ঞা তৈরি করা গণিত বা পদার্থবিজ্ঞানের সূত্রের মতো সহজ নয়। মার্ভিন মিনস্কি (Marvin Minsky) একবার উল্লেখ করেছিলেন যে, সমাজ সাধারণত সেই কাজগুলোকেই বুদ্ধিমানের কাজ বলে গণ্য করে যা করতে মানুষের বিশেষ প্রশিক্ষণ বা বুদ্ধির দরকার পড়ে (Minsky, 1968)। অথচ যন্ত্রের জন্য অনেক সময় বড় বড় গাণিতিক সমীকরণ সমাধান করা খুব সহজ হলেও মানুষের চোখের পলকে একটি বিড়াল চিনে ফেলার মতো কাজ ছিল অসম্ভব কঠিন। ফলে কৃত্রিম বুদ্ধিমত্তাকে সংজ্ঞায়িত করার প্রয়াসে গবেষকরা ধীরে ধীরে দুটি মূল মাত্রায় বিভক্ত হয়ে পড়েন। প্রথম মাত্রাটি হলো ব্যবস্থাটি কি মানুষের মতো কাজ করবে নাকি একটি পরম আদর্শ মানদণ্ড মেনে চলবে; আর দ্বিতীয় মাত্রাটি হলো জোর কি অভ্যন্তরীণ চিন্তাপ্রক্রিয়ার ওপর দেওয়া হবে নাকি বাহ্যিক আচরণের ওপর।

এই দুই অক্ষের ওপর ভিত্তি করে বিজ্ঞানী স্টুয়ার্ট রাসেল (Stuart Russell) এবং পিটার নরভিগ (Peter Norvig) কৃত্রিম বুদ্ধিমত্তার ঐতিহাসিক সংজ্ঞাসমূহকে চারটি প্রধান দৃষ্টিভঙ্গিতে বিন্যস্ত করেছেন (Russell & Norvig, 2020)। এই দৃষ্টিভঙ্গিগুলো হলো: মানুষের মতো চিন্তা করা, মানুষের মতো আচরণ করা, যুক্তিসংগতভাবে চিন্তা করা এবং যুক্তিসংগতভাবে আচরণ করা। প্রথম দুটি দৃষ্টিভঙ্গি মানুষকে তাদের মূল মানদণ্ড বা মাপকাঠি হিসেবে গ্রহণ করে। এখানে মানুষের আচরণ ও মনস্তাত্ত্বিক ভুলভ্রান্তিকেই পর্যবেক্ষণের ভিত্তি ধরা হয়। অন্যদিকে পরের দুটি দৃষ্টিভঙ্গি মানুষকে মাপকাঠি না ধরে যুক্তির একটি তাত্ত্বিক আদর্শ রূপকে সামনে রাখে, যাকে দর্শনের ভাষায় বলা যায় যুক্তিসংগততা (Rationality)। কোনো ব্যক্তি যদি বিভ্রান্তির বশে ভুল সিদ্ধান্ত নেয়, তবে যুক্তিসংগত মানদণ্ড সেই ভুলকে অনুকরণ না করে সঠিক পথটিই বেছে নেবে।

কৃত্রিম বুদ্ধিমত্তার সংজ্ঞায়নের এই ঐতিহাসিক রূপরেখা কেবল প্রযুক্তিগত অগ্রগতির ইতিহাস নয়, বরং এটা মানুষের নিজের মনকে বোঝার এক নিরবচ্ছিন্ন দার্শনিক সংগ্রাম। জ্ঞানবিজ্ঞানের অন্যান্য শাখার মতো এখানেও প্রাকৃতিকতাবাদ (Naturalism) এবং ভৌতবাদ (Physicalism) গভীর প্রভাব বিস্তার করেছে। যন্ত্র কীভাবে চিন্তা করতে পারে, তা বুঝতে গিয়ে মানুষ শেষ পর্যন্ত নিজের জৈবিক নিউরনের জটিল বিন্যাস এবং তার পেছনের অ্যালগরিদম উন্মোচনে হাত বাড়িয়েছে। ফলস্বরূপ, কৃত্রিম বুদ্ধিমত্তা আজ আর কেবল কম্পিউটার সায়েন্সের ল্যাবরেটরিতে আবদ্ধ কোনো বিষয় নয়; এটা জ্ঞানতত্ত্ব (Epistemology) এবং মনের দর্শন (Philosophy of Mind) এর এক অভিন্ন গবেষণাক্ষেত্রে পরিণত হয়েছে (Nilsson, 1998)। মানুষ যেভাবে জ্ঞান আহরণ করে এবং সিদ্ধান্ত গ্রহণ করে, যন্ত্রের মাধ্যমে সেই একই প্রক্রিয়ার পুনরাবৃত্তি ঘটানোর চেষ্টা আমাদের প্রাচীন দার্শনিক প্রশ্নগুলোর মুখোমুখি নতুন করে দাঁড় করিয়ে দিচ্ছে।

মানুষের মতো চিন্তা: কগনিটিভ মডেলিং পদ্ধতি (Thinking Humanly: The Cognitive Modeling Approach)

মানুষ কীভাবে চিন্তা করে – এই প্রশ্নের উত্তর না জেনে মানুষের মতো চিন্তাশীল যন্ত্র তৈরি করা অসম্ভব। মানুষের মতো চিন্তা করার যে দৃষ্টিভঙ্গি, তাকে প্রতিষ্ঠিত করতে হলে আগে মানুষের মস্তিষ্কের ভেতরের কার্যপদ্ধতি নির্ভুলভাবে জানা প্রয়োজন। এই লক্ষ্য থেকেই জন্ম নিয়েছে কগনিটিভ সায়েন্স (Cognitive Science) বা সংজ্ঞানাত্মক বিজ্ঞান, যা কম্পিউটার বিজ্ঞানের এআই মডেল এবং পরীক্ষামূলক মনোবিজ্ঞানকে এক সুতোয় বেঁধেছে (Collins & Smith, 1982)। গবেষকরা বুঝতে পেরেছিলেন যে, একটি প্রোগ্রাম কেবল সঠিক উত্তর দিলেই চলবে না; প্রোগ্রামটি মানুষের মতো একই ধাপ অনুসরণ করে, মানুষের মতো সময় নিয়ে এবং মানুষের মতোই ভুলভ্রান্তি করার প্রবণতা নিয়ে সমাধানে পৌঁছাচ্ছে কি না, সেটাও খতিয়ে দেখা দরকার। যদি কোনো যন্ত্র ঠিক মানুষের মস্তিষ্কের মতো সিদ্ধান্ত প্রক্রিয়াকরণ অনুকরণ করতে পারে, তবেই বলা যাবে যে এটা মানুষের মতো চিন্তা করছে।

এই ধারার অগ্রদূত ছিলেন অ্যালেন নেওয়েল (Allen Newell) এবং হার্বার্ট সাইমন (Herbert Simon)। তারা ১৯৫৭ সালে তৈরি করেছিলেন জেনারেল প্রবলেম সলভার (General Problem Solver) নামক একটি যুগান্তকারী কম্পিউটার প্রোগ্রাম (Newell & Simon, 1961)। এই প্রোগ্রামটি তৈরি করার সময় তারা মানুষের চিন্তা করার ধারাকে গভীরভাবে পর্যবেক্ষণ করেছিলেন। তারা সাধারণ মানুষকে বিভিন্ন জটিল লজিক পাজল সমাধান করতে দিতেন এবং সমাধানের সময় তাদের জোরে জোরে চিন্তা করতে বলতেন, যাকে মনোবিজ্ঞানের ভাষায় বলা হয় ইন্ট্রোস্পেকশন (Introspection) বা আত্মনিরীক্ষণ। মানুষ কীভাবে এক ধাপ থেকে আরেক ধাপে এগিয়ে যায়, কোন যুক্তিতে ভুল পথ পরিহার করে, সেই ধাপগুলোকে তারা অ্যালগরিদমে রূপান্তরিত করেছিলেন। ফলে তাদের তৈরি প্রোগ্রামটি কেবল সমস্যা সমাধানই করত না, বরং মানুষের চিন্তার গতিপথের একটি কার্যকর অনুকরণ উপস্থাপন করত।

তবে মানুষের চিন্তাকে সঠিকভাবে রূপ দিতে কেবল আত্মনিরীক্ষণই যথেষ্ট নয়; এর জন্য প্রয়োজন মানসিক কর্মকাণ্ডের বস্তুনিষ্ঠ ও পরীক্ষামূলক প্রমাণ। পরবর্তীকালে স্নায়ুবিজ্ঞান এবং মনস্তাত্ত্বিক পরীক্ষা-নিরীক্ষার মাধ্যমে মানুষের স্মৃতিশক্তি, মনোযোগ এবং তথ্য প্রক্রিয়াকরণের গতি পরিমাপ করা সম্ভব হয়েছে। গবেষক জন আর অ্যান্ডারসন (John R. Anderson) তার প্রস্তাবিত অ্যাক্ট-আর (ACT-R) আর্কিটেকচারের মাধ্যমে মানুষের সামগ্রিক জ্ঞানীয় প্রক্রিয়াকে একটি সুসংহত গাণিতিক মডেলে নিয়ে আসার চেষ্টা করেছিলেন (Anderson, 1996)। এই ধরনের মডেলে দেখা যায়, মানুষ কোনো তথ্য পাওয়ার পর কীভাবে তা স্বল্পমেয়াদী স্মৃতি থেকে দীর্ঘমেয়াদী স্মৃতিতে পাঠায় এবং সেখান থেকে যুক্তি প্রয়োগ করে কীভাবে প্রতিক্রিয়া তৈরি করে। এই দৃষ্টিভঙ্গির মূল শক্তি হলো, এটা মানুষের মনের অভ্যন্তরীণ ক্রিয়াকলাপকে কোনো রহস্যময় রূপ না দিয়ে সম্পূর্ণ যান্ত্রিক ও জৈবিক নিয়মে ব্যাখ্যা করে।

এত কিছুর পরও এই পদ্ধতির কিছু নিজস্ব তাত্ত্বিক সীমাবদ্ধতা রয়েছে। মানুষের চিন্তা অনেক সময় আবেগ, ক্লান্তি, অবচেতন পক্ষপাত এবং জৈবিক বিবর্তনের নানা অদক্ষতার দ্বারা প্রভাবিত হয়। উদাহরণ হিসেবে বলা যায়, জুয়াড়ির ভ্রান্তি বা নানা ধরনের সংজ্ঞানাত্মক পক্ষপাত (Cognitive Bias) মানুষের স্বাভাবিক চিন্তার অংশ (Tversky & Kahneman, 1974)। এখন প্রশ্ন ওঠে, একটি বুদ্ধিমান যন্ত্র তৈরি করতে গিয়ে আমরা কি মানুষের এই দুর্বলতাগুলোকেও অনুকরণ করব? প্রকৌশলগত দৃষ্টিকোণ থেকে নিখুঁত সিদ্ধান্ত গ্রহণ করাই যদি লক্ষ্য হয়, তবে মানুষের ত্রুটিপূর্ণ চিন্তাকে হুবহু রূপ দেওয়া সবসময় যুক্তিযুক্ত নাও হতে পারে। তবুও মানুষের মতো চিন্তা করার এই পদ্ধতি কৃত্রিম বুদ্ধিমত্তার অগ্রগতিতে অপরিহার্য ভূমিকা রেখেছে, কারণ মানুষের মস্তিষ্কই এখন পর্যন্ত আমাদের জানা একমাত্র কার্যকর মাধ্যম যেখানে সাধারণ স্তরের বুদ্ধিমত্তা সফলভাবে কাজ করে চলেছে।

মানুষের মতো আচরণ: টুরিং পরীক্ষা ও কার্যগত মানদণ্ড (Acting Humanly: The Turing Test and Operational Criteria)

যন্ত্র আসলেই মানুষের মতো আচরণ করতে পারে কি না, তা পরীক্ষা করার জন্য ১৯৫০ সালে গণিতবিদ অ্যালান টুরিং (Alan Turing) তার বিখ্যাত গবেষণাপত্র কম্পিউটিং মেশিনারি অ্যান্ড ইন্টেলিজেন্স (Computing Machinery and Intelligence)-এ একটি অত্যন্ত বাস্তবসম্মত প্রস্তাব দেন (Turing, 1950)। টুরিং শুরুতেই বুঝতে পেরেছিলেন যে, “যন্ত্র কি চিন্তা করতে পারে?” বা “ক্যান মেশিনস থিংক?” – এই প্রশ্নের উত্তর খুঁজতে গেলে ‘যন্ত্র’ এবং ‘চিন্তা’ শব্দ দুটির সংজ্ঞাগত বিতর্কে আটকে যেতে হবে। ধর্মীয় ও ভাববাদী দর্শনে চিন্তাকে কেবল মানুষের আত্মার বিশেষত্ব বলে মনে করা হতো। টুরিং সেই জটিল দার্শনিক গোলকধাঁধা পাশ কাটিয়ে একটি সম্পূর্ণ কার্যকর ও পরিমাপযোগ্য পরীক্ষার প্রস্তাব করলেন, যা ইতিহাসে টুরিং টেস্ট (Turing Test) বা অনুকরণ খেলা নামে পরিচিত।

টুরিং পরীক্ষার মূল কাঠামোটি ছিল বেশ চমকপ্রদ অথচ সরল। একজন মানুষের সাথে একটি কম্পিউটারের লিখিত বার্তা বিনিময়ের ব্যবস্থা রাখা হয়, যেখানে একজন নিরপেক্ষ বিচারক অপর প্রান্তে বসে তাদের সাথে কথা বলবেন। বিচারক দেখতে পাবেন না কে মানুষ আর কে যন্ত্র। সাধারণ কথাবার্তা, কৌতুক, যুক্তি এবং নানা প্রশ্নের মধ্য দিয়ে বিচারককে নির্ধারণ করতে হবে অপর প্রান্তের কে মানুষ আর কে কম্পিউটার। কম্পিউটারটি যদি কথোপকথনের মাধ্যমে বিচারককে এমনভাবে বিভ্রান্ত করতে পারে যে বিচারক নিশ্চিত হতে না পারেন কোনটি মানুষ, তবে ধরে নেওয়া হবে যে যন্ত্রটি মানুষের মতো আচরণ করতে সক্ষম হয়েছে। বিজ্ঞানের দর্শনে এই পদ্ধতিটিকে কার্যকারণবাদ (Operationalism) বলা হয়, যেখানে কোনো অদৃশ্য অভ্যন্তরীণ গুণাগুণ মাপার চেয়ে বাহ্যিক কার্যকর ফলাফলকে মূল মাপকাঠি ধরা হয় (Bridgman, 1927)।

টুরিংয়ের এই পরীক্ষায় সফল হতে হলে একটি যন্ত্রের ভেতর কৃত্রিম বুদ্ধিমত্তার একাধিক গুরুত্বপূর্ণ শাখার সুষম সম্মিলন ঘটাতে হয়। যন্ত্রটির প্রথমত প্রয়োজন প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (Natural Language Processing), যাতে সে মানুষের ভাষার সূক্ষ্ম অর্থ ও ছন্দ বুঝতে পারে। দ্বিতীয়ত, তার দরকার জ্ঞান উপস্থাপন (Knowledge Representation), যার মাধ্যমে সে পারিপার্শ্বিক পৃথিবী সম্পর্কে পাওয়া তথ্য নিজের মেমোরিতে সাজিয়ে রাখবে। তৃতীয়ত, তার লাগবে স্বয়ংক্রিয় যুক্তিপ্রয়োগ (Automated Reasoning), যার সাহায্যে সে সংরক্ষিত তথ্যের ভিত্তিতে নতুন প্রশ্নের যৌক্তিক জবাব তৈরি করবে। আর সবশেষে তার প্রয়োজন মেশিন লার্নিং (Machine Learning), যাতে সে নতুন অভিজ্ঞতা ও কথোপকথন থেকে নিজেকে প্রতিনিয়ত আপডেট করতে পারে (Russell & Norvig, 2020)। পরবর্তী সময়ে যখন এর সাথে ক্যামেরা ও রোবোটিক হাত যুক্ত করে পূর্ণাঙ্গ টুরিং টেস্ট (Total Turing Test) এর কথা বলা হলো, তখন এর সাথে যুক্ত হলো কম্পিউটার ভিশন এবং রোবোটিক্স।

যদিও টুরিং পরীক্ষা কৃত্রিম বুদ্ধিমত্তার গবেষণায় একটি বিশাল মাইলফলক, তবুও দার্শনিকদের দিক থেকে এই পরীক্ষা নিয়ে গভীর বিতর্ক সৃষ্টি হয়েছিল। দার্শনিক জন সার্ল (John Searle) তার বিখ্যাত চাইনিজ রুম (Chinese Room) যুক্তির মাধ্যমে দেখান যে, কোনো যন্ত্র যদি সঠিক ব্যাকরণ মেনে মানুষের প্রশ্নের নিখুঁত উত্তর দিতেও পারে, তবুও তার মানে এই নয় যে সে ভাষাটির অর্থ বুঝতে পেরেছে (Searle, 1980)। কেবল চিহ্নের কারসাজি বা সিনট্যাক্স দিয়ে অর্থবোধ বা সেমান্টিক্স তৈরি হয় না। অর্থাৎ, আচরণ দেখে বুদ্ধিমান মনে হওয়া আর প্রকৃতপক্ষে সচেতনভাবে কিছু বোঝা এক জিনিস নয়। তবুও মানুষের মতো আচরণ করার এই মানদণ্ড প্রকৌশলীদের জন্য একটি অত্যন্ত স্পষ্ট লক্ষ্য তৈরি করে দিয়েছিল, যার ফলে পরবর্তী কয়েক দশক ধরে চ্যাটবট ও ইন্টারঅ্যাকটিভ এআই তৈরির ক্ষেত্রে টুরিং টেস্ট ছিল সবচেয়ে বড় প্রেরণা।

যুক্তিসংগত চিন্তা: চিন্তার নিয়ম বা লজিসিস্ট পদ্ধতি (Thinking Rationally: The ‘Laws of Thought’ Approach)

মানুষের মতো চিন্তা বা আচরণের বাইরে গিয়ে সম্পূর্ণ নির্ভুল ও আদর্শ নিয়মে চিন্তার যে প্রয়াস, তাকেই বলা হয় যুক্তিসংগত চিন্তা বা লজিসিস্ট পদ্ধতি (Logicist Approach)। এই ধারার শিকড় প্রোথিত রয়েছে প্রাচীন গ্রিক দর্শনে। দার্শনিক অ্যারিস্টটল (Aristotle) প্রথম যুক্তির কিছু অপরিবর্তনীয় নিয়ম বের করার চেষ্টা করেছিলেন, যা সিলোজিসম (Syllogisms) নামে পরিচিত (Barnes, 1984)। সিলোজিসমের মূল বক্তব্য ছিল, যদি কিছু প্রাথমিক বাক্য বা প্রতিজ্ঞা সত্য হয়, তবে যুক্তির সঠিক নিয়ম মেনে সেখান থেকে যে সিদ্ধান্তে পৌঁছানো যাবে, তাও অবধারিতভাবে সত্য হবে। উদাহরণ হিসেবে বলা যায়, যদি ‘সব মানুষ মরণশীল’ এবং ‘সক্রেটিস একজন মানুষ’ সত্য হয়, তবে সেখান থেকে অনিবার্যভাবেই প্রমাণিত হয় যে ‘সক্রেটিস মরণশীল’। এই ধরনের নির্ভুল চিন্তা কাঠামোর মাধ্যমেই যুক্তিসংগত চিন্তার জন্ম।

উনিশ শতকের শেষভাগে এবং বিশ শতকের শুরুতে এই যুক্তিনির্ভর ধারা গণিত ও সাংকেতিক যুক্তিবিদ্যার হাত ধরে চূড়ান্ত রূপ ধারণ করে। জর্জ বুল (George Boole), গটলোব ফ্রেগে (Gottlob Frege) এবং পরবর্তীতে বার্ট্রান্ড রাসেল (Bertrand Russell) ও আলফ্রেড নর্থ হোয়াইটহেড গণিতের সমগ্র ভিত্তিকেই যুক্তিবিদ্যার নিয়মে দাঁড় করানোর চেষ্টা করেছিলেন (Russell & Whitehead, 1910)। কৃত্রিম বুদ্ধিমত্তার গবেষকরা ভাবলেন, যদি মানুষের সমস্ত জ্ঞান ও চিন্তাকে এই ধরনের নিখুঁত গাণিতিক যুক্তি বা প্রথম-স্তরের প্রেডিকেট ক্যালকুলাসে প্রকাশ করা যায়, তবে যেকোনো কম্পিউটারে সেই যুক্তিগুলো কোড করে দিলেই তা নিখুঁতভাবে চিন্তা করতে পারবে। ১৯৫৮ সালে জন ম্যাককার্থি তার বিখ্যাত গবেষণাপত্র প্রোগ্রামস উইথ কমন সেন্স (Programs with Common Sense)-এ এমন এক ব্যবস্থার রূপরেখা দেন, যা যুক্তিবিদ্যার নিয়ম মেনে নিজের জ্ঞানের পরিধি বাড়াতে পারে (McCarthy, 1958)।

তবে বাস্তব পৃথিবীতে কোনো সিস্টেমকে খাঁটি লজিকের ওপর ভিত্তি করে পরিচালনা করতে গিয়ে গবেষকরা দুটি অত্যন্ত জটিল বাধার মুখোমুখি হলেন। প্রথম বাধাটি হলো জ্ঞানের উপস্থাপন। আমাদের বাস্তব জীবনের জ্ঞান সবসময় গাণিতিক সূত্রের মতো নিশ্চিত থাকে না। বহু তথ্য থাকে অস্পষ্ট, অনিশ্চিত ও পরিবর্তনশীল। অনানুষ্ঠানিক জ্ঞানকে নিখুঁত লজিক্যাল নোটেশনে রূপান্তর করা অবিশ্বাস্য রকমের কঠিন একটি কাজ। দার্শনিক লুডভিগ ভিটগেনস্টাইন (Ludwig Wittgenstein) তার পরবর্তী দর্শনে যেমনটি দেখিয়েছিলেন, প্রাকৃতিক ভাষা ও বাস্তব জীবনের অর্থ কোনো স্থির গাণিতিক ছকে বন্দি থাকে না, বরং তা ব্যবহারের প্রেক্ষাপটের ওপর নির্ভর করে (Wittgenstein, 1953)। ফলে বাস্তব জীবনের অনিশ্চিত তথ্যগুলোকে লজিক্যাল প্রোপোজিশনে প্রকাশ করতে গেলে সিস্টেমগুলো বাস্তবতার সাথে খাপ খাওয়াতে ব্যর্থ হতো।

দ্বিতীয় বড় বাধাটি ছিল কম্পিউটেশনাল জটিলতা। তাত্ত্বিকভাবে কোনো সমস্যা লজিক দিয়ে সমাধান করা সম্ভব হলেও বাস্তবে তা করতে গিয়ে কম্পিউটারের মেমোরি ও সময় নিঃশেষ হয়ে যেত। কোনো স্টেট স্পেসে মাত্র কয়েক ডজন চলক থাকলে তাদের সব সম্ভাব্য লজিক্যাল বিন্যাস যাচাই করতে গেলে যে পরিমাণ ধাপের দরকার হয়, তা মহাবিশ্বের মোট পরমাণুর সংখ্যার চেয়েও বেশি হতে পারে (Nilsson, 1991)। ফলে যুক্তিসংগতভাবে চিন্তা করার এই বিশুদ্ধ লজিসিস্ট পদ্ধতি অন্ধ গলিতে গিয়ে পৌঁছাল। গবেষকরা বুঝতে পারলেন যে, কেবল তাত্ত্বিক যুক্তি দিয়ে নিখুঁত চিন্তা করাই যথেষ্ট নয়, বরং সময়ের সীমাবদ্ধতা এবং তথ্যের অনিশ্চয়তা সামলে কার্যকর সিদ্ধান্ত নেওয়ার ক্ষমতাই হলো বুদ্ধিমত্তার আসল পরীক্ষা।

যুক্তিসংগত আচরণ: যুক্তিসংগত এজেন্ট পদ্ধতি (Acting Rationally: The Rational Agent Approach)

পূর্ববর্তী তিনটি দৃষ্টিভঙ্গির সীমাবদ্ধতা দূর করার লক্ষ্যে আধুনিক কৃত্রিম বুদ্ধিমত্তায় সবচেয়ে গ্রহণযোগ্য ও শক্তিশালী দৃষ্টিভঙ্গি হিসেবে উঠে এসেছে যুক্তিসংগত এজেন্ট পদ্ধতি (Rational Agent Approach)। এই পদ্ধতিতে বুদ্ধিমত্তাকে কোনো ভাববাদী অভ্যন্তরীণ অবস্থা হিসেবে না দেখে পরিবেশের সাথে মিথস্ক্রিয়াশীল একটি কার্যকর ব্যবস্থারূপে দেখা হয়। একজন এজেন্ট (Agent) হলো এমন এক সত্তা যা সেন্সরের মাধ্যমে তার পরিবেশকে পর্যবেক্ষণ করে বা পারসিভ করে এবং অ্যাকচুয়েটরের মাধ্যমে সেই পরিবেশের ওপর নির্দিষ্ট কাজ সম্পাদন করে (Russell & Norvig, 2020)। এখানে একটি এজেন্টকে তখনই যুক্তিসংগত বলা হয়, যখন সে তার অর্জিত জ্ঞান এবং পারিপার্শ্বিক পরিস্থিতির ওপর ভিত্তি করে এমন সিদ্ধান্ত নেয় যা তার অভীষ্ট লক্ষ্য অর্জনের সম্ভাবনাকে সর্বোচ্চ পর্যায়ে নিয়ে যায়।

এই যুক্তিসংগত আচরণের মানদণ্ডটি গড়ে উঠেছে গণিত এবং অর্থনীতির উপযোগিতা তত্ত্ব (Utility Theory) এর ওপর ভিত্তি করে। বিজ্ঞানী জন ভন নিউম্যান (John von Neumann) এবং অস্কার মরগেনস্টার্ন (Oskar Morgenstern) তাদের যুগান্তকারী বই থিওরি অব গেমস অ্যান্ড ইকোনমিক বিহেভিয়ার (Theory of Games and Economic Behavior)-এ দেখান যে, অনিশ্চিত পরিস্থিতিতে যেকোনো যুক্তিসংগত সিদ্ধান্তের মূল লক্ষ্য থাকে প্রত্যাশিত উপযোগিতা সর্বোচ্চ করা (Von Neumann & Morgenstern, 1944)। কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে এর অর্থ দাঁড়ায়, এজেন্টকে এমনভাবে অ্যালগরিদম দেওয়া হয় যাতে সে প্রতিটি সম্ভাব্য পদক্ষেপের ঝুঁকি ও লাভ হিসাব করে সবচেয়ে কার্যকর পথটি বেছে নেয়। এই পদ্ধতিটি কেবল সঠিক লজিক্যাল চিন্তার ওপর নির্ভরশীল নয়; অনেক সময় পর্যাপ্ত সময় না থাকলে তাৎক্ষণিক রিফ্লেক্স অ্যাকশন নেওয়াও যুক্তিসংগত আচরণের অংশ হতে পারে, যেমন আগুনে হাত লাগলে চিন্তা না করেই হাত সরিয়ে নেওয়া।

যুক্তিসংগত এজেন্ট পদ্ধতির একটি বড় সুবিধা হলো, এটা পূর্ববর্তী সমস্ত পদ্ধতির ইতিবাচক দিকগুলোকে নিজের ভেতরে ধারণ করে। লজিসিস্ট পদ্ধতির যুক্তিনির্ভর চিন্তা এই এজেন্টের একটি বড় হাতিয়ার হতে পারে, তবে তা একমাত্র শর্ত নয়। আবার মানুষের মতো চিন্তা বা আচরণের চেয়ে এটা প্রকৌশলগতভাবে অনেক বেশি কার্যকর ও সর্বজনীন, কারণ এটা মানুষের জৈবিক সীমাবদ্ধতা বা সংজ্ঞানাত্মক পক্ষপাতগুলোর দাস নয়। এজেন্ট পদ্ধতির ভিত্তি হলো বৈজ্ঞানিক বস্তুনিষ্ঠতা। এখানে এজেন্টকে কোনো অলৌকিক উদ্দেশ্য বা চেতনা দিতে হয় না; বরং পরিবেশের অবস্থার প্রেক্ষিতে গাণিতিক অপ্টিমাইজেশনের মাধ্যমে তার আচরণ নির্ধারিত হয় (Sutton & Barto, 2018)।

তবে বাস্তব জগতে নিখুঁত যুক্তিসংগত আচরণ করাও সবসময় সম্ভব হয় না, কারণ কোনো বাস্তুতন্ত্র বা পরিবেশের সমস্ত তথ্য তাৎক্ষণিকভাবে জানা অসম্ভব। অর্থনীতিবিদ হার্বার্ট সাইমন (Herbert Simon) এই সীমাবদ্ধতাকে ব্যাখ্যা করতে গিয়ে সীমিত যুক্তিসংগততা (Bounded Rationality) তত্ত্বের অবতারণা করেন (Simon, 1957)। তিনি দেখান যে, কোনো সিস্টেমের গণনার ক্ষমতা ও সময় যেহেতু সীমিত, তাই সে কখনোই নিখুঁত যুক্তিসংগত সিদ্ধান্ত নিতে পারে না; বরং সে একটি সন্তোষজনক বা সর্বোত্তম সম্ভাব্য সিদ্ধান্ত গ্রহণ করে। আধুনিক কৃত্রিম বুদ্ধিমত্তার এজেন্টগুলো মূলত এই সীমিত যুক্তিসংগততার নীতি মেনেই কাজ করে। সেলফ-ড্রাইভিং গাড়ি থেকে শুরু করে আধুনিক চেস ইঞ্জিন – সবই এই যুক্তিসংগত এজেন্ট কাঠামোর প্রত্যক্ষ ফসল।

চারটি দৃষ্টিভঙ্গির তুলনামূলক বিশ্লেষণ ও আধুনিক কৃত্রিম বুদ্ধিমত্তার গতিপথ (Comparative Analysis of the Four Approaches and Trajectory of Modern AI)

কৃত্রিম বুদ্ধিমত্তার এই চারটি দৃষ্টিভঙ্গিকে যদি একটি তুলনামূলক তাত্ত্বিক ম্যাট্রিক্সে স্থাপন করা হয়, তবে তাদের মধ্যকার মৌলিক পার্থক্য ও ঐক্যের জায়গাগুলো খুব স্পষ্টভাবে ফুটে ওঠে। একদিকে রয়েছে মানুষ-কেন্দ্রিক দৃষ্টিভঙ্গি যা মূলত পরীক্ষামূলক বিজ্ঞান, মনোবিজ্ঞান ও পর্যবেক্ষণের ওপর নির্ভর করে; অন্যদিকে রয়েছে যুক্তিসংগততা-কেন্দ্রিক দৃষ্টিভঙ্গি যা গণিত, প্রকৌশল ও অপ্টিমাইজেশন তত্ত্বের ওপর দাঁড়িয়ে আছে (Russell & Norvig, 2020)। একইভাবে, একপাশে রয়েছে অভ্যন্তরীণ মানসিক প্রক্রিয়া বা চিন্তার জগৎ, আর অন্যপাশে রয়েছে বাহ্যিক আচরণ ও কর্মক্ষমতা। বিগত কয়েক দশকের গবেষণার ইতিহাস পর্যালোচনায় দেখা যায়, ক্ষেত্রটি ধীরে ধীরে মানুষ-কেন্দ্রিক এবং অভ্যন্তরীণ চিন্তার পদ্ধতি থেকে সরে এসে যুক্তিসংগত আচরণ বা এজেন্ট-ভিত্তিক পদ্ধতির দিকে ব্যাপকভাবে ঝুঁকে পড়েছে।

এই পরিবর্তনের পেছনের কারণটি অত্যন্ত বাস্তবসম্মত ও বস্তুনিষ্ঠ। মানুষের মনস্তাত্ত্বিক জটিলতা বা তার ত্রুটিপূর্ণ অনুভূতিগুলোকে হুবহু নকল করার চেয়ে একটি নির্দিষ্ট লক্ষ্য নিখুঁতভাবে অর্জন করতে পারা প্রযুক্তির জন্য অনেক বেশি ফলপ্রসূ প্রমাণিত হয়েছে। আধুনিক গভীর শিক্ষণ (Deep Learning) এবং রিইনফোর্সমেন্ট লার্নিংয়ের যুগান্তকারী সাফল্য এই সত্যটিকেই তুলে ধরে (Goodfellow et al., 2016)। যেমন, আলফাগো (AlphaGo) যখন বিশ্বচ্যাম্পিয়নদের পরাজিত করেছিল, তখন সে মানুষের খেলার স্টাইল অন্ধভাবে অনুকরণ করেনি; বরং সে কোটি কোটি সম্ভাব্য চালের গভীর গাণিতিক সম্ভাবনা বিশ্লেষণ করে নিজের এক অনন্য যুক্তিসংগত কৌশল তৈরি করেছিল। ফলে বুদ্ধিমত্তা আজ আর কেবল মানুষের জৈবিক গুণাবলীর গণ্ডিতে আটকে নেই, তা একটি নিরপেক্ষ এবং কার্যকর সমস্যা সমাধানের বিজ্ঞান হিসেবে আত্মপ্রকাশ করেছে।

নিচের তালিকাটিতে কৃত্রিম বুদ্ধিমত্তার চারটি মৌলিক দৃষ্টিভঙ্গির তুলনামূলক বৈশিষ্ট্যগুলো সংক্ষেপে তুলে ধরা হলো:

• মানুষের মতো চিন্তা (Thinking Humanly):
  • মূল ভিত্তি: কগনিটিভ সায়েন্স এবং মানব মস্তিষ্কের নিউরো-সাইকোলজিক্যাল মডেল।
  • মূল্যায়ন পদ্ধতি: মানুষের চিন্তার গতি ও স্মৃতির সাথে কম্পিউটার প্রোগ্রামের অভ্যন্তরীণ প্রক্রিয়ার সামঞ্জস্য যাচাই।
  • প্রধান সীমাবদ্ধতা: মানুষের সহজাত চিন্তা ত্রুটিপূর্ণ এবং সংজ্ঞানাত্মক পক্ষপাত দ্বারা আক্রান্ত।
• মানুষের মতো আচরণ (Acting Humanly):
  • মূল ভিত্তি: কার্যকারণবাদ এবং পর্যবেক্ষণযোগ্য ফলাফল।
  • মূল্যায়ন পদ্ধতি: টুরিং টেস্ট বা বিচারককে বিভ্রান্ত করার সক্ষমতা।
  • প্রধান সীমাবদ্ধতা: অভ্যন্তরীণ বোধগম্যতাহীন কেবল বাহ্যিক অনুকরণের ওপর মাত্রাতিরিক্ত জোর।
• যুক্তিসংগত চিন্তা (Thinking Rationally):
  • মূল ভিত্তি: চিরায়ত যুক্তিবিদ্যা এবং লজিক্যাল ইনফারেন্স।
  • মূল্যায়ন পদ্ধতি: সিদ্ধান্তে পৌঁছানোর ক্ষেত্রে অবরোহী যুক্তির নিয়মের নির্ভুল প্রয়োগ।
  • প্রধান সীমাবদ্ধতা: অনিশ্চিত বাস্তব জ্ঞানকে লজিক্যাল সূত্রে প্রকাশ করার জটিলতা এবং কম্পিউটেশনাল সীমাবদ্ধতা।
• যুক্তিসংগত আচরণ (Acting Rationally):
  • মূল ভিত্তি: উপযোগিতা তত্ত্ব, ডিসিশন থিওরি এবং কন্ট্রোল সিস্টেম।
  • মূল্যায়ন পদ্ধতি: প্রদত্ত পরিস্থিতিতে প্রত্যাশিত উপযোগিতা বা সাফল্য সর্বোচ্চকরণ।
  • প্রধান সীমাবদ্ধতা: সীমিত কম্পিউটেশনাল ক্ষমতার কারণে জটিল পরিবেশে পরম যুক্তিসংগততা অর্জন কঠিন।

চারটি দৃষ্টিভঙ্গির এই বিবর্তন মানব চিন্তা ও দর্শনের জন্য এক বিরাট শিক্ষণীয় অধ্যায়। এটা আমাদের দেখায় যে, চেতনা ও মন কোনো অধরা বা অলৌকিক বিষয় নয়, বরং এগুলো হলো ভৌত মহাবিশ্বের নিয়মে পরিচালিত জটিল তথ্য প্রক্রিয়াকরণের বিভিন্ন রূপ। আধুনিক কৃত্রিম বুদ্ধিমত্তা আজ যে জায়গায় দাঁড়িয়ে আছে, সেখানে এই চারটি ধারাই কোনো না কোনোভাবে উপাদান হিসেবে কাজ করছে। মানুষের মনস্তত্ত্ব আমাদের দিচ্ছে অনুপ্রেরণা ও অ্যালগরিদমিক কাঠামো, যুক্তিবিদ্যা দিচ্ছে কাঠামোগত স্বচ্ছতা, আর যুক্তিসংগত এজেন্ট মডেল দিচ্ছে বাস্তব জগতে কাজ করার চূড়ান্ত রূপরেখা। এই সমন্বিত বস্তুনিষ্ঠ দৃষ্টিভঙ্গিই কৃত্রিম বুদ্ধিমত্তাকে একুশ শতকের সবচেয়ে রূপান্তরকামী বিজ্ঞানে পরিণত করেছে, যা মানবজাতিকে তার নিজের অস্তিত্ব ও বুদ্ধিমত্তার স্বরূপ নতুন করে উপলব্ধি করতে বাধ্য করছে।

বুদ্ধিমত্তার দর্শন (Philosophy of Intelligence): বুদ্ধিমত্তা, যুক্তিবোধ, সমস্যা সমাধান ও অভিযোজন

বুদ্ধিমত্তার সত্তাতত্ত্ব ও জৈব-অজৈব দ্বান্দ্বিকতা (Ontology of Intelligence and the Organic-Inorganic Dialectic)

বুদ্ধিমত্তা বলতে আমরা আসলে কী বুঝি – এই প্রশ্নটি কেবল বিজ্ঞানের নয়, দর্শনের অন্যতম মৌলিক একটি জিজ্ঞাসা। শতাব্দীর পর শতাব্দী ধরে মানব মনকে একটি রহস্যময়, অশরীরী বা বিশেষ কিছু হিসেবে দেখার চেষ্টা চলেছে। দর্শনের ইতিহাসে একসময় মনে করা হতো, মানুষের চিন্তাশক্তি কোনো জৈবিক বা ভৌত নিয়মের অধীন নয়। দার্শনিক র‍্যনে দেকার্ত (René Descartes) মন ও শরীরকে দুটি সম্পূর্ণ পৃথক সত্তা হিসেবে চিহ্নিত করেছিলেন, যাকে দর্শনে পদার্থ দ্বৈতবাদ (Substance Dualism) বলা হয় (Descartes, 1641/1984)। এই দৃষ্টিভঙ্গি অনুযায়ী, জড় পদার্থ বা যন্ত্রের পক্ষে গণনা করা সম্ভব হলেও বিশুদ্ধ চিন্তা করা সম্ভব নয়। পরবর্তীতে বিজ্ঞানের বিকাশ দেখিয়েছে যে মন কোনো অলৌকিক সত্তা নয়, বরং তা ভৌত মস্তিষ্কের জটিল জৈব-রাসায়নিক এবং বৈদ্যুতিক প্রক্রিয়ার এক সমন্বিত রূপ। কৃত্রিম বুদ্ধিমত্তার দার্শনিক ভিত্তি এই ভৌতবাদী ভিত্তির ওপর দাঁড়িয়েই প্রশ্ন তোলে: বুদ্ধিমত্তা কি কেবল জৈব কোষের মধ্যেই সীমাবদ্ধ থাকতে বাধ্য, নাকি তা যেকোনো উপযুক্ত মাধ্যমে প্রকাশিত হতে পারে?

এই প্রশ্নের মীমাংসা করতে গিয়ে দার্শনিক গিলবার্ট রাইল (Gilbert Ryle) তার বিখ্যাত গ্রন্থ দ্য কনসেপ্ট অব মাইন্ড (The Concept of Mind)-এ কার্তেসীয় ধারণাকে একটি বিরাট শ্রেণিগত ভুল (Category Mistake) বলে অভিহিত করেন (Ryle, 1949)। রাইল দেখান যে, মন কোনো শরীরের ভেতরে লুকিয়ে থাকা পৃথক ‘যন্ত্রের মধ্যকার ভূত’ বা “ঘোস্ট ইন দ্য মেশিন” নয়। বুদ্ধিমত্তা কোনো গুপ্ত পদার্থ নয়, বরং তা হলো কোনো সত্তার নির্দিষ্ট পরিস্থিতিতে অর্থপূর্ণ আচরণ করার প্রবণতা ও দক্ষতা। রাইলের এই বিশ্লেষণ বুদ্ধিমত্তাকে অতীন্দ্রিয়তার খোলস থেকে বের করে পর্যবেক্ষণযোগ্য কার্যকারিতার স্তরে নিয়ে আসে। এর ফলে জৈব মস্তিষ্কের বাইরে গিয়ে কোনো সিলিকন চিপ বা অজৈব কাঠামোর মধ্যেও যে বুদ্ধিমত্তার উপস্থিতি থাকতে পারে, সেই দার্শনিক দাবির পক্ষে শক্ত যুক্তি তৈরি হয়।

বুদ্ধিমত্তার সত্তাতাত্ত্বিক অবস্থানকে আরও স্পষ্ট করেছেন দার্শনিক ড্যানিয়েল ডেনেট (Daniel Dennett) তার উদ্দেশ্যমূলক অবস্থান (Intentional Stance) তত্ত্বের মাধ্যমে (Dennett, 1987)। ডেনেটের মতে, কোনো ব্যবস্থা বুদ্ধিমান কি না, তা কোনো অতিলৌকিক ভেতরের উপাদান দিয়ে বিচার করার প্রয়োজন নেই। আমরা যখন কোনো ব্যবস্থার ভবিষ্যৎ আচরণ অনুমান করার জন্য ধরে নিই যে ব্যবস্থাটির নির্দিষ্ট কিছু বিশ্বাস ও আকাঙ্ক্ষা রয়েছে এবং সে সেই অনুযায়ী সবচেয়ে যুক্তিযুক্ত পদক্ষেপ নেবে, তখনই আমরা সেই ব্যবস্থাকে উদ্দেশ্যমূলক দৃষ্টিকোণ থেকে বিচার করি। একটি দাবা খেলার কম্পিউটার যখন গ্র্যান্ডমাস্টারকে পরাজিত করে, তখন আমরা তার আচরণকে ব্যাখ্যা করার জন্য বলি যে কম্পিউটারটি জয়ী হতে চায় এবং সে সবচেয়ে ভালো চালটি বেছে নিচ্ছে। ডেনেটের এই তাত্ত্বিক অবস্থান দেখায় যে, বুদ্ধিমত্তা কোনো পরম বা স্থির জৈব উপাদান নয়, বরং এটা কোনো জটিল ব্যবস্থার তথ্য প্রক্রিয়াকরণ ও সিদ্ধান্ত গ্রহণের সক্ষমতাকে বোঝার একটি বাস্তবসম্মত জ্ঞানতাত্ত্বিক কাঠামো।

জ্ঞানতাত্ত্বিক দিক থেকে দেখলে, আমরা কীভাবে নিশ্চিত হতে পারি যে কোনো অজৈব কাঠামো সত্যিই চিন্তা করছে? এখানে কার্যকারণবাদ (Functionalism) নামক দার্শনিক মতবাদটি একটি স্পষ্ট রূপরেখা দেয় (Putnam, 1967)। এই মতবাদ অনুযায়ী, মানসিক অবস্থার পরিচয় তার ভেতরের উপাদানের ওপর নির্ভর করে না, বরং পুরো ব্যবস্থার মধ্যে তার কার্যগত ভূমিকার ওপর নির্ভর করে। যেমন একটি ঘড়ির কাজ সময় নির্দেশ করা; সেই ঘড়িটি কাঠের তৈরি নাকি স্প্রিংয়ের নাকি কোয়ার্টজের, তাতে সময়ের সংজ্ঞার কোনো পরিবর্তন হয় না। একইভাবে, তথ্য গ্রহণ, বিশ্লেষণ এবং উপযুক্ত সিদ্ধান্ত নেওয়ার প্যাটার্ন যদি ঠিক থাকে, তবে সেই প্রক্রিয়াকে বুদ্ধিমত্তা হিসেবে স্বীকার না করার কোনো যৌক্তিক কারণ থাকে না। বুদ্ধিমত্তাকে কোনো বিশেষ আধ্যাত্মিক গুণ হিসেবে না দেখে জটিল তথ্যের গতিশীল প্যাটার্ন হিসেবে দেখাই আধুনিক বস্তুনিষ্ঠ দর্শনের প্রধান ভিত্তি।

যুক্তিবোধের জ্ঞানতাত্ত্বিক ভিত্তি ও যৌক্তিক বৈধতার সীমা (Epistemological Foundations of Rationality and Limits of Logical Validity)

যুক্তিবোধ বা যুক্তিগ্রাহ্য চিন্তা কীভাবে তৈরি হয় এবং তার দার্শনিক বৈধতা কতখানি – এটি জ্ঞানতত্ত্বের একটি কেন্দ্রীয় প্রশ্ন। ঐতিহ্যগতভাবে যুক্তিবোধকে দেখা হয়েছে এমন এক মানসিক সক্ষমতা হিসেবে, যা কিছু পূর্বনির্ধারিত স্বতঃসিদ্ধ সত্য থেকে অবরোহী প্রক্রিয়ায় নতুন সত্যকে উন্মোচন করতে পারে। তবে কোনো চিন্তাকে যুক্তিসংগত বলার দার্শনিক ভিত্তি কী? দার্শনিক কার্ল পপার (Karl Popper) তার সমালোচনামূলক যুক্তিবাদ (Critical Rationalism) তত্ত্বে দেখান যে, যুক্তি কোনো অপরিবর্তনীয় চূড়ান্ত সত্য প্রতিষ্ঠা করে না, বরং যুক্তি হলো ভুলত্রুটি সংশোধন করার এবং ভ্রান্ত ধারণাকে বর্জন করার এক নিরন্তর প্রক্রিয়া (Popper, 1959)। পপারের মতে, একটি বুদ্ধিমান সত্তার যুক্তিবোধ প্রকাশিত হয় তার নিজের সিদ্ধান্ত বা প্রকল্পগুলোকে ক্রমাগত পরীক্ষার মুখোমুখি করার এবং নতুন প্রমাণের ভিত্তিতে পূর্বের ভুল অবস্থান ত্যাগ করার ক্ষমতার মধ্য দিয়ে।

জ্ঞানতত্ত্বের আরেক প্রভাবশালী দার্শনিক উইলার্ড ভ্যান অরমান কোয়াইন (W. V. O. Quine) তার বিখ্যাত প্রবন্ধ টু ডগমাস অব এম্পিরিসিজম (Two Dogmas of Empiricism)-এ যুক্তির বিশুদ্ধতাকে নতুন করে মূল্যায়ন করেন (Quine, 1951)। কোয়াইন দেখান যে, আমাদের জ্ঞানের জগত কোনো বিচ্ছিন্ন লজিক্যাল সত্যের সমষ্টি নয়, বরং এটি একটি পরস্পর সংযুক্ত বিশ্বাসের জাল (Web of Belief)। কোনো নতুন অভিজ্ঞতা যখন আমাদের পুরনো বিশ্বাসের সাথে সাংঘর্ষিক হয়, তখন আমরা আমাদের পুরো যুক্তিকাঠামোকে পুনর্বিন্যাস করি। কোয়াইনের এই প্রাকৃতিকীকৃত জ্ঞানতত্ত্ব (Naturalized Epistemology) বুদ্ধিমত্তাকে বিশুদ্ধ ভাববাদী লজিকের কঠোর খাঁচা থেকে বের করে এনে অভিজ্ঞতা ও বাস্তবতার সাথে অভিযোজনশীল একটি প্রক্রিয়া হিসেবে প্রতিষ্ঠিত করে। এর ফলে স্পষ্ট হয় যে, যুক্তিবোধ কোনো স্থির নিয়মাবলি নয়, বরং তা বাস্তব তথ্য ও প্রমাণের ওপর দাঁড়িয়ে থাকা একটি গতিশীল জ্ঞানকাঠামো।

যুক্তিবোধের তাত্ত্বিক কাঠামো কেবল অবরোহী যুক্তির মধ্যে সীমাবদ্ধ থাকলে তা বাস্তব জগতের কোনো নতুন সমস্যার সমাধান দিতে পারে না। অবরোহী যুক্তিতে সিদ্ধান্তের সত্যতা প্রাঙ্গণবাক্যের মধ্যেই নিহিত থাকে, যা নতুন কোনো তথ্য যোগ করে না। অন্যদিকে আরোহী যুক্তি (Inductive Reasoning) এবং ব্যাখ্যামূলক অনুমান-যুক্তি (Abductive Reasoning) কোনো অপূর্ণ তথ্যের ওপর ভিত্তি করে সবচেয়ে সম্ভাব্য ব্যাখ্যাটি দাঁড় করায় (Peirce, 1931)। দার্শনিক চার্লস স্যান্ডার্স পিয়ার্স (Charles Sanders Peirce) দেখান যে, বিজ্ঞানের অগ্রগতি এবং বাস্তব বুদ্ধিমত্তার প্রকাশ ঘটে মূলত অ্যাবডাকশনের মাধ্যমে, যেখানে কোনো বিভ্রান্তিকর ঘটনা দেখে একটি সম্ভাব্য সেরা অনুসিদ্ধান্ত গ্রহণ করা হয়। একটি বুদ্ধিমান কৃত্রিম ব্যবস্থার ক্ষেত্রেও কেবল গাণিতিক ডিডাকশন যথেষ্ট নয়; তাকে অনিশ্চিত বাস্তবতার মুখে দাঁড়িয়ে সম্ভাব্য সর্বোত্তম অনুমান করার ক্ষমতা অর্জন করতে হয়।

লজিক্যাল পজিটিভিজমের পতনের পর আধুনিক জ্ঞানতত্ত্ব এটা পরিষ্কারভাবে বুঝতে পেরেছে যে, যুক্তির কোনো পরম ঐশ্বরিক গ্যারান্টি নেই। কোনো সিদ্ধান্তের যৌক্তিকতা নির্ধারিত হয় সেই সিদ্ধান্তটি বিদ্যমান প্রমাণের সাথে কতখানি সঙ্গতিপূর্ণ এবং তা কার্যক্ষেত্রে কতটা কার্যকর ফলাফল দেয় তার ওপর ভিত্তি করে। অতএব, যুক্তিবোধকে কোনো অলৌকিক অন্তর্দৃষ্টি হিসেবে দেখার সুযোগ নেই। এটা হলো মস্তিষ্ক বা কৃত্রিম অ্যালগরিদমের ভেতরের এমন এক গাণিতিক-গাঠনিক শৃঙ্খলা, যা কোনো সত্তাকে বিশৃঙ্খল সংকেতের মধ্য থেকে অর্থপূর্ণ প্যাটার্ন ও ভবিষ্যৎবাণী তৈরি করতে সহায়তা করে। যুক্তি হলো তথ্যের জটিল গোলকধাঁধায় পথ খুঁজে পাওয়ার একটি বস্তুনিষ্ঠ পদ্ধতিগত কম্পাস।

সমস্যা সমাধান ও স্টেট-স্পেসের দার্শনিক ব্যবচ্ছেদ (Philosophical Dissection of Problem Solving and State Spaces)

বুদ্ধিমত্তার একটি দৃশ্যমান প্রকাশ ঘটে সমস্যা সমাধানের মধ্য দিয়ে। কিন্তু দর্শনের দৃষ্টিতে একটি ‘সমস্যা’ আসলে কী? কোনো ব্যবস্থার বর্তমান অবস্থা এবং তার অভীষ্ট লক্ষ্যের মধ্যে যখন একটি ব্যবধান তৈরি হয় এবং সেই ব্যবধান দূর করার তাৎক্ষণিক কোনো প্রত্যক্ষ পথ খোলা থাকে না, তখনই একটি সমস্যার সৃষ্টি হয়। দার্শনিক জন ডিউই (John Dewey) তার ইন্সট্রুমেন্টালিজম (Instrumentalism) বা প্রয়োগবাদী তত্ত্বে চিন্তাকে সমস্যা সমাধানের একটি হাতিয়ার হিসেবে ব্যাখ্যা করেছিলেন (Dewey, 1910)। ডিউই দেখান যে, চিন্তা কোনো নিষ্ক্রিয় ধ্যান নয়; পরিবেশের সাথে ক্রিয়া-প্রতিক্রিয়ায় কোনো বাধা সৃষ্টি হলে সেই বাধা অতিক্রম করার সক্রিয় প্রক্রিয়াই হলো চিন্তা। সমস্যা সমাধান তাই অস্তিত্ব রক্ষার জন্য পরিবেশের সাথে বুদ্ধিবৃত্তিক লড়াইয়ের একটি অপরিহার্য রূপ।

কৃত্রিম বুদ্ধিমত্তা ও গণনামূলক দর্শনে সমস্যা সমাধানের প্রক্রিয়াটিকে একটি গাণিতিক ও কাঠামোগত রূপ দেওয়া হয়েছে, যাকে বলা হয় স্টেট-স্পেস অনুসন্ধান (State-Space Search) (Newell & Simon, 1972)। একটি সমস্যার প্রারম্ভিক অবস্থা থেকে শুরু করে চূড়ান্ত লক্ষ্য পর্যন্ত পৌঁছানোর জন্য অসংখ্য সম্ভাব্য পথ থাকতে পারে। এই সমস্ত সম্ভাব্য অবস্থার সমষ্টিই হলো স্টেট-স্পেস। দার্শনিক ও জ্ঞানীয় বিজ্ঞানী হার্বার্ট সাইমন (Herbert Simon) দেখিয়েছেন যে, কোনো জটিল সমস্যার ক্ষেত্রে এই স্টেট-স্পেস এত বিশাল হয়ে দাঁড়ায় যে প্রতিটি পথ আলাদা করে যাচাই করা কোনো সত্তার পক্ষেই সম্ভব নয়, যাকে বলা হয় সম্ভাবনাময় বিস্ফোরণ (Combinatorial Explosion) (Simon, 1957)। এই পরিস্থিতিতে মানুষ বা কোনো বুদ্ধিমান এজেন্ট কীভাবে কাজ করে? তারা তথ্যের এই অসীম সমুদ্রে পুরোপুরি অন্ধের মতো পথ হাতড়ায় না, বরং তারা ব্যবহার করে হিউরিস্টিকস (Heuristics) বা সংক্ষিপ্ত সংজ্ঞানাত্মক কৌশল।

হিউরিস্টিকসের দার্শনিক তাৎপর্য অত্যন্ত গভীর। এটা দেখায় যে নিখুঁত সমাধান খুঁজে পাওয়ার জন্য সব তথ্য জানার প্রয়োজন হয় না; বরং সীমিত তথ্যের ওপর দাঁড়িয়ে সফল হওয়ার সম্ভাবনা বৃদ্ধি করাই বুদ্ধিমত্তার পরিচয়। সাইমন একে ব্যাখ্যা করেছেন তার সন্তোষজনকতা (Satisficing) তত্ত্বের মাধ্যমে (Simon, 1982)। একজন বুদ্ধিমান এজেন্ট তাত্ত্বিকভাবে নিখুঁততম উত্তরের পেছনে ছুটে নিজের সমস্ত সময় ও সম্পদ নিঃশেষ করে না, বরং সে এমন একটি সমাধানে পৌঁছায় যা তার বর্তমান উদ্দেশ্য পূরণের জন্য যথেষ্ট সন্তোষজনক। এটি স্পষ্ট করে যে, সমস্যা সমাধান কোনো জাদুকরী অন্তর্দৃষ্টি নয়, বরং এটি হলো সীমিত সম্পদের সর্বোচ্চ ব্যবহার করে সম্ভাবনার মহাকাশে সবচেয়ে কার্যকর পথটি বেছে নেওয়ার একটি অ্যালগরিদমিক শিল্প।

সমস্যা সমাধানের এই তাত্ত্বিক কাঠামো উদ্দেশ্যবাদিতা বা টেলিলজি সংক্রান্ত পুরনো দার্শনিক বিভ্রান্তি দূর করে দেয়। অতীতে মনে করা হতো যে লক্ষ্যমুখী আচরণ কেবল সচেতন আত্মার পক্ষেই প্রদর্শন করা সম্ভব। কিন্তু স্টেট-স্পেস মডেল দেখায় যে, কোনো ব্যবস্থার ভেতরে যদি লক্ষ্যের একটি গাণিতিক উপস্থাপনা এবং সেই লক্ষ্যে পৌঁছানোর জন্য ফিডব্যাক লুপ সংযুক্ত থাকে, তবে ব্যবস্থাটি কোনো অশরীরী চেতনা ছাড়াই সম্পূর্ণ যান্ত্রিক উপায়ে উদ্দেশ্যমুখী আচরণ করতে পারে। সাইবারনেটিক্সের পথপ্রদর্শক নরবার্ট উইনার (Norbert Wiener) তার গবেষণায় দেখিয়েছিলেন কীভাবে ফিডব্যাক ব্যবস্থার মাধ্যমে একটি স্বয়ংক্রিয় ক্ষেপণাস্ত্র বা কম্পিউটার কোনো সচেতন ইচ্ছা ছাড়াই নির্দিষ্ট লক্ষ্যবস্তুকে অনুসরণ করতে পারে (Wiener, 1948)। ফলে সমস্যা সমাধান তার রহস্যময় রূপ হারিয়ে পরিণত হয় একটি বস্তুনিষ্ঠ কার্যকারণ প্রক্রিয়ায়।

অভিযোজন, বিবর্তনীয় জ্ঞানতত্ত্ব ও প্রাকৃতিক নির্বাচন (Adaptation, Evolutionary Epistemology, and Natural Selection)

অভিযোজন ক্ষমতাকে বুদ্ধিমত্তার সবচেয়ে নির্ভরযোগ্য জৈবিক ও দার্শনিক মানদণ্ড হিসেবে গণ্য করা হয়। পরিবর্তনশীল পরিবেশের সাথে কোনো সত্তা নিজেকে কতটা দক্ষতার সাথে মানিয়ে নিতে পারছে, তার ওপরই নির্ভর করে তার টিকে থাকা। দার্শনিক ও মনোবিজ্ঞানী ডোনাল্ড টি. ক্যাম্পবেল (Donald T. Campbell) প্রস্তাব করেছিলেন বিবর্তনীয় জ্ঞানতত্ত্ব (Evolutionary Epistemology) তত্ত্ব (Campbell, 1974)। ক্যাম্পবেলের মতে, জ্ঞান অর্জনের প্রক্রিয়াটি কোনো অলৌকিক সত্যের উদ্ভাসন নয়, বরং তা প্রাকৃতিক নির্বাচনের মতোই একটি অন্ধ বৈচিত্র্য ও নির্বাচনী সংরক্ষণের বা “ব্লাইন্ড ভ্যারিয়েশন অ্যান্ড সিলেক্টিভ রিটেনশন” প্রক্রিয়া। একটি প্রাণী বা কৃত্রিম ব্যবস্থা যখন নতুন কোনো পরিস্থিতির মুখোমুখি হয়, তখন সে বিভিন্ন আচরণ ও কৌশলের ট্রায়াল তৈরি করে। পরিবেশের প্রতিক্রিয়া অনুযায়ী সফল কৌশলটি সংরক্ষিত হয় এবং ব্যর্থ কৌশলগুলো বাতিল হয়ে যায়।

এই দৃষ্টিকোণ থেকে বিচার করলে দেখা যায়, জ্ঞান ও বুদ্ধিমত্তা মূলত অভিযোজনেরই উন্নত রূপ। বিবর্তনীয় জীববিজ্ঞানী রিচার্ড ডকিন্স (Richard Dawkins) তার বিখ্যাত গ্রন্থ দ্য সেলফিশ জিন (The Selfish Gene)-এ দেখিয়েছেন কীভাবে জীবদেহের জিনগত গঠন কোনো দূরদর্শী পরিকল্পনা ছাড়াই কেবল টিকে থাকার স্বার্থে কোটি কোটি বছর ধরে জটিল আচরণগত নকশা তৈরি করেছে (Dawkins, 1976)। মস্তিষ্কের বুদ্ধিমত্তা হলো এই বিবর্তনীয় প্রক্রিয়ারই এক চূড়ান্ত সম্প্রসারণ। জিনগত পরিবর্তন ঘটতে বহু প্রজন্ম সময় লেগে যায়, কিন্তু একটি উন্নত মস্তিষ্ক বা জটিল নিউরাল নেটওয়ার্ক তার জীবদ্দশাতেই কয়েক সেকেন্ডের মধ্যে নতুন তথ্যের সাথে নিজের অভ্যন্তরীণ প্যারামিটার পরিবর্তন করে অভিযোজিত হতে পারে। যাকে আমরা শিক্ষণ বলি, তা মূলত অতি দ্রুতগতির অভ্যন্তরীণ বিবর্তন ছাড়া আর কিছুই নয়।

দার্শনিক ও মনোবিজ্ঞানী জঁ পিয়াজে (Jean Piaget) বুদ্ধিমত্তার বিকাশকে ব্যাখ্যা করতে গিয়ে দেখিয়েছেন কীভাবে একটি শিশু দুটি পরিপূরক প্রক্রিয়ার মধ্য দিয়ে জ্ঞান অর্জন করে: আত্মীকরণ (Assimilation) এবং স্থানসংস্থান (Accommodation) (Piaget, 1952)। আত্মীকরণ হলো নতুন অভিজ্ঞতাকে নিজের বিদ্যমান মানসিক কাঠামোর মধ্যে বসিয়ে নেওয়া, আর স্থানসংস্থান হলো নতুন অভিজ্ঞতার ধাক্কায় নিজের পুরনো মানসিক কাঠামোটিকেই ভেঙে নতুন করে গড়ে তোলা। কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে রিইনফোর্সমেন্ট লার্নিং বা ডিপ লার্নিং ঠিক এই কাজটিই করে। যখন একটি রোবট অসমান মাটিতে হাঁটতে গিয়ে পড়ে যায়, তখন তার অ্যালগরিদম নিজের ওজনের ভারসাম্য ও মোটরের শক্তি নিয়ন্ত্রণকারী গাণিতিক ওজনগুলোকে পুনর্বিন্যাস করে। এই প্রক্রিয়াটি কোনো সচেতন আধ্যাত্মিক অনুভূতির ওপর নির্ভর করে না; এটা সম্পূর্ণ পরিবেশের সাথে সিস্টেমের ডায়নামিক ফিডব্যাকের এক বস্তুনিষ্ঠ ফলাফল।

অভিযোজনের এই বস্তুনিষ্ঠ ব্যাখ্যা প্রমাণ করে যে বুদ্ধিমত্তা কোনো স্থির, স্থবির বা পূর্বনির্ধারিত স্থাপত্য নয়। এটা হলো পরিবেশের অনিশ্চয়তা মোকাবেলা করার এক গতিশীল প্লাস্টিসিটি বা নমনীয়তা। যদি কোনো ব্যবস্থা পরিবেশের পরিবর্তনের মুখে নিজের অভ্যন্তরীণ রূপ পরিবর্তন করতে ব্যর্থ হয়, তবে সে যত বড় গাণিতিক সমীকরণই সমাধান করতে পারুক না কেন, তাকে সত্যিকারের বুদ্ধিমান বলা যায় না। বুদ্ধিমত্তা তাই কোনো অচল স্মৃতিভাণ্ডার নয়; বুদ্ধিমত্তা হলো পরিবেশের নিত্যনতুন চ্যালেঞ্জের মুখে নিজেকে নতুন করে সাজিয়ে নেওয়ার অবিরাম ক্ষমতা।

বহুমাত্রিক বুদ্ধিমত্তা ও মডিউলার মনের বিতর্ক (Debate on Multiple Intelligences and the Modular Mind)

বুদ্ধিমত্তা কি একটি একক, সর্বজনীন ক্ষমতা নাকি তা বহুবিধ স্বাধীন মডিউলের সমষ্টি – এই নিয়ে জ্ঞানতত্ত্ব এবং কগনিটিভ সায়েন্সে এক দীর্ঘস্থায়ী বিতর্ক রয়েছে। বিশ শতকের শুরুতে মনোবিজ্ঞানী চার্লস স্পিয়ারম্যান (Charles Spearman)  বুদ্ধিমত্তাকে একটি সাধারণ উপাদান বা জি-ফ্যাক্টর (g-factor) হিসেবে সংজ্ঞায়িত করেছিলেন, যা মানুষের সমস্ত জ্ঞানীয় কাজের পেছনে মূল চালিকাশক্তি হিসেবে কাজ করে (Spearman, 1904)। এর বিপরীতে দাঁড়িয়ে মনোবিজ্ঞানী হাওয়ার্ড গার্ডনার (Howard Gardner) তার প্রভাবশালী গ্রন্থ ফ্রেমস অব মাইন্ড (Frames of Mind)-এ বহুমাত্রিক বুদ্ধিমত্তা তত্ত্ব (Theory of Multiple Intelligences) প্রস্তাব করেন (Gardner, 1983)। গার্ডনার যুক্তি দেন যে ভাষা, স্থানিক বিশ্লেষণ, যুক্তি-গণিত, শারীরিক দক্ষতা কিংবা সামাজিক যোগাযোগের মতো ক্ষেত্রগুলো সম্পূর্ণ আলাদা বুদ্ধিমত্তা হিসেবে কাজ করে এবং এদের কোনো একটির শ্রেষ্ঠত্ব অন্যটির নিশ্চয়তা দেয় না।

দার্শনিক দৃষ্টিকোণ থেকে এই বিতর্কের সবচেয়ে গভীর ব্যবচ্ছেদ করেছেন জেরি ফোডোর (Jerry Fodor) তার দ্য মডুলারিটি অব মাইন্ড (The Modularity of Mind) গ্রন্থে (Fodor, 1983)। ফোডোর দাবি করেন যে মানব মন কোনো একটি সমসত্ত্ব বা অবিভাজ্য একক নয়, বরং এটি একাধিক বিশেষায়িত, স্বয়ংসম্পূর্ণ সংজ্ঞানাত্মক যন্ত্র বা মডিউলের সমন্বয়ে গঠিত। প্রতিটি মডিউল তার নিজস্ব ধরনের তথ্য নিয়ে কাজ করে এবং বাইরের অপ্রাসঙ্গিক তথ্যের দ্বারা প্রভাবিত হয় না, যাকে ফোডোর নাম দেন তথ্যগত আবদ্ধতা (Informational Encapsulation)। যেমন, কোনো দৃষ্টিবিভ্রমের ছবি দেখে আমরা যুক্তি দিয়ে বুঝতে পারি যে দুটি রেখা সমান দৈর্ঘ্যের, কিন্তু আমাদের চোখের দৃষ্টি মডিউলটি তবুও একটি রেখাকে বড় এবং অন্যটিকে ছোট হিসেবেই দেখতে থাকে। যুক্তির জ্ঞান আমাদের দৃষ্টির সরাসরি অনুভূতিকে পরিবর্তন করতে পারে না।

ফোডোরের এই মডিউলারিটি তত্ত্ব কৃত্রিম বুদ্ধিমত্তার নকশায় এক বিশাল পরিবর্তন নিয়ে আসে। গবেষকরা বুঝতে পারেন যে, একটি একক দানবীয় অ্যালগরিদম দিয়ে সমস্ত সমস্যার সমাধান খোঁজা একটি অবাস্তব কল্পনা। এর বদলে দৃষ্টির জন্য কনভোল্যুশনাল নেটওয়ার্ক, ভাষার জন্য ট্রান্সফরমার মডেল এবং মোটর কন্ট্রোলের জন্য বিশেষায়িত কন্ট্রোলার তৈরি করে তাদের একটি সুষম নেটওয়ার্কে যুক্ত করাই সবচেয়ে কার্যকর পথ। তবে ফোডোর একই সাথে সতর্ক করেছিলেন যে, বিশেষায়িত মডিউলগুলো ছাড়াও মনের ভেতরে একটি উচ্চতর কেন্দ্রীয় ব্যবস্থা থাকতে হয়, যা বিভিন্ন মডিউলের তথ্যকে একত্রিত করে একটি সামগ্রিক সিদ্ধান্ত গ্রহণ করে। কেন্দ্রীয় চিন্তার এই সমন্বয় সাধন কীভাবে ঘটে, তা আধুনিক দর্শনের এক অন্যতম বড় অমীমাংসিত প্রশ্ন।

নিচের তালিকায় বুদ্ধিমত্তার একক কাঠামো ও মডিউলার কাঠামোর মধ্যকার মৌলিক দার্শনিক পার্থক্যগুলো তুলে ধরা হলো:

• একক বুদ্ধিমত্তা তত্ত্ব (Unitary Intelligence):
  • দার্শনিক ভিত্তি: মন একটি সার্বজনীন যুক্তি ও সিদ্ধান্ত গ্রহণের ইঞ্জিন।
  • কার্যপদ্ধতি: সমস্ত ধরনের জ্ঞান একটি সাধারণ তথ্য প্রক্রিয়াকরণ কাঠামোর মধ্য দিয়ে বিশ্লেষিত হয়।
  • সীমাবদ্ধতা: নির্দিষ্ট কোনো ক্ষেত্রে অসাধারণ দক্ষতা অন্য ক্ষেত্রের দুর্বলতাকে ব্যাখ্যা করতে পারে না।
• মডিউলার মন ও বহুমাত্রিক তত্ত্ব (Modular and Multiple Intelligence):
  • দার্শনিক ভিত্তি: বিবর্তনের প্রয়োজনে মস্তিষ্কে বিভিন্ন কাজের জন্য আলাদা আলাদা কার্যকরী সার্কিট বিবর্তিত হয়েছে।
  • কার্যপদ্ধতি: ভাষা, দৃষ্টি, যুক্তি এবং সামাজিক বোঝাপড়া স্বাধীন উপ-ব্যবস্থার মাধ্যমে পরিচালিত হয়।
  • সীমাবদ্ধতা: বিভিন্ন মডিউলের তথ্য কীভাবে একটি সুসংহত সামগ্রিক চেতনায় রূপান্তরিত হয়, তা ব্যাখ্যা করা কঠিন।

এই আলোচনাটি নিশ্চিত করে যে বুদ্ধিমত্তাকে কোনো একক সংজ্ঞায় বেঁধে ফেলা একটি দার্শনিক ভ্রান্তি। বুদ্ধিমত্তা হলো বিভিন্ন বিশেষায়িত গণনামূলক দক্ষতার এক অর্কেস্ট্রা। কৃত্রিম ব্যবস্থার ক্ষেত্রেও যখন আমরা বিভিন্ন নিউরাল নেটওয়ার্ক আর্কিটেকচারকে একটি বড় সিস্টেমে সংযুক্ত করি, তখন আমরা মূলত মনের এই মডিউলার সত্যটিকেই রূপদান করি। বুদ্ধিমত্তা তাই কোনো অখণ্ড স্ফটিক নয়; এটা হলো নির্দিষ্ট কাজ সম্পাদনকারী বহুবিধ উপাদানের একটি জটিল এবং গতিশীল ভারসাম্য।

মূর্ত বুদ্ধিমত্তা ও পরিবেশের মিথস্ক্রিয়া (Embodied Intelligence and Environmental Interaction)

বুদ্ধিমত্তার দর্শন দীর্ঘদিন ধরে একটি বড় বিভ্রান্তির মধ্যে বন্দি ছিল, যাকে বলা যায় কার্তেসীয় বিচ্ছিন্নতা। ধরে নেওয়া হতো যে বুদ্ধিমান হতে হলে কেবল একটি সুরক্ষিত প্রসেসরের ভেতরে বসে বিমূর্ত প্রতীক বা চিহ্ন নিয়ে গণনা করলেই চলে। কিন্তু বিশ শতকের শেষভাগে এসে দার্শনিক ও রোবোটিক্স গবেষকরা এই ধারণার গোড়ায় আঘাত করেন। তারা প্রতিষ্ঠা করেন মূর্ত সংজ্ঞান (Embodied Cognition) তত্ত্ব, যার মূল কথা হলো: শরীর এবং পরিবেশের সাথে সরাসরি ভৌত মিথস্ক্রিয়া ছাড়া প্রকৃত বুদ্ধিমত্তার বিকাশ ঘটা অসম্ভব (Varela et al., 1991)। একটি সত্তার চিন্তা কেবল তার মস্তিষ্কের ভেতরে ঘটে না; বরং শরীর কীভাবে পরিবেশকে স্পর্শ করছে, পরিবেশের বাধার মুখে কীভাবে গতিপথ পরিবর্তন করছে, তার ওপরই চিন্তার ধরন নির্ধারিত হয়।

এই আন্দোলনের অন্যতম প্রধান রূপকার ছিলেন এমআইটির গবেষক রডনি ব্রুকস (Rodney Brooks)। তার বিখ্যাত গবেষণা প্রবন্ধ এলিফ্যান্টস ডোন্ট প্লে চেস (Elephants Don’t Play Chess)-এ ব্রুকস চিরায়ত প্রতীকী এআই পদ্ধতির তীব্র সমালোচনা করেন (Brooks, 1990)। তিনি দেখান যে, কোটি কোটি বছর ধরে প্রাণীরা কোনো জটিল প্রতীকী যুক্তি বা বিশ্বের নিখুঁত অভ্যন্তরীণ মানচিত্র তৈরি না করেই চমৎকারভাবে পৃথিবীতে বেঁচে রয়েছে এবং শিকার করেছে। ব্রুকস তার সাবসাম্পশন আর্কিটেকচার (Subsumption Architecture) তৈরি করে দেখান যে, পরিবেশই হলো তার নিজের সেরা মডেল। একটি রোবটকে যদি পরিবেশ থেকে সরাসরি সংকেত নিয়ে তাৎক্ষণিক প্রতিক্রিয়া জানানোর মতো সাধারণ কিছু আচরণিক স্তরে সাজিয়ে দেওয়া হয়, তবে কোনো বিমূর্ত গণনা ছাড়াই তার ভেতর জটিল বুদ্ধিমান আচরণের প্রকাশ ঘটে।

এই ধারণাকে দার্শনিক পূর্ণতা দেন অ্যান্ডি ক্লার্ক (Andy Clark) এবং ডেভিড চালমার্স (David Chalmers) তাদের যুগান্তকারী সম্প্রসারিত মন (Extended Mind) তত্ত্বের মাধ্যমে (Clark & Chalmers, 1998)। তারা একটি বৈপ্লবিক প্রশ্ন তোলেন: মনের সীমানা কি কেবল খুলির ভেতরের চামড়া আর হাড়ে আটকে আছে? ক্লার্ক ও চালমার্স দেখান যে, আমরা যখন কোনো জটিল অংক করার জন্য কাগজ-কলম ব্যবহার করি বা পথ খোঁজার জন্য ম্যাপ ব্যবহার করি, তখন সেই বাহ্যিক বস্তুগুলোও আমাদের জ্ঞানীয় প্রক্রিয়ার অবিচ্ছেদ্য অংশ হয়ে ওঠে। মন কোনো আবদ্ধ বাক্স নয়; এটি শরীর ও পরিবেশের সাথে যুক্ত হয়ে একটি সমন্বিত সার্কিট তৈরি করে। বুদ্ধিমত্তা তাই কেবল মস্তিষ্কের ভেতরের ঘটনা নয়, বরং তা হলো এজেন্ট এবং তার পরিবেশের মধ্যকার যৌথ মিথস্ক্রিয়ার এক সামগ্রিক প্রবাহ।

মূর্ত বুদ্ধিমত্তার এই বস্তুবাদী পুনর্মূল্যায়ন কৃত্রিম বুদ্ধিমত্তার ধারণাকে চিরতরে বদলে দিয়েছে। এটি দেখিয়েছে যে, ভাষার ডেটাসেট পড়ে বাক্য তৈরি করা এক ধরনের বুদ্ধিমত্তা হতে পারে, কিন্তু একটি রোবটিক হাতের সাহায্যে কোনো ভঙ্গুর কাঁচের পাত্র না ভেঙে তা এক জায়গা থেকে অন্য জায়গায় সরিয়ে রাখার জন্য প্রয়োজন সম্পূর্ণ ভিন্ন ধরনের বুদ্ধিমত্তা, যা সরাসরি ভৌত জগতের ঘাত-প্রতিঘাত থেকে শেখে। বুদ্ধিমত্তা কোনো শূন্যে ভাসমান বিমূর্ত গণিত নয়; বুদ্ধিমত্তা হলো বস্তুগত পৃথিবীর ভৌত নিয়মগুলোকে বুঝে নিয়ে সেই জগতের সাথে কার্যকরভাবে লেনদেন করার দক্ষতা। এই বস্তুনিষ্ঠ উপলব্ধিই আধুনিক এআইকে বিমূর্ত প্রতীকের খোলস থেকে বের করে বাস্তব পৃথিবীর স্পর্শযোগ্য কর্মক্ষেত্রে নিয়ে এসেছে।

দর্শন ও প্রযুক্তির সম্পর্ক (Philosophy and Technology): প্রযুক্তি, মানবীয় উদ্দেশ্য ও যন্ত্র

প্রযুক্তির সত্তাতত্ত্ব ও যান্ত্রিক রূপান্তর (Ontology of Technology and Mechanistic Transformation)

প্রযুক্তি ও মানব সত্তার সম্পর্ক নিয়ে দর্শনের আলোচনা বেশ প্রাচীন হলেও আধুনিক যুগে এটা সম্পূর্ণ নতুন মাত্রা লাভ করেছে। প্রাচীন গ্রিক দর্শনে প্রাকৃতিক বস্তু এবং মানুষের তৈরি বস্তুর মধ্যে একটি স্পষ্ট সীমারেখা টানা হয়েছিল। গ্রিক চিন্তাবিদদের কাছে প্রকৃতি বা ফুসিস (Physis) ছিল এমন এক সত্তা যার পরিবর্তনের উৎস তার নিজের ভেতরেই নিহিত থাকে; যেমন একটি বীজ থেকে স্বয়ংক্রিয়ভাবে একটি বৃক্ষ জন্ম নেয়। অন্যদিকে শিল্প বা প্রযুক্তি, যাকে তারা বলতেন তেখনে (Techne), তা হলো এমন এক উৎপাদন প্রক্রিয়া যার রূপ এবং উদ্দেশ্য বাইরে থেকে কোনো কারিগর দ্বারা আরোপিত হয় (Aristotle, 350 BCE/1984)। এই বিভাজনটি প্রযুক্তিকে কেবল মানুষের ইচ্ছার অধীনস্থ একটি গৌণ সৃষ্টি হিসেবে দেখার ভিত্তি গড়ে দিয়েছিল। পরবর্তীতে শিল্পবিপ্লব এবং কম্পিউটেশনাল প্রযুক্তির বিকাশ এই চিরায়ত সীমানাকে ভেঙে ফেলে যন্ত্রকে এক স্বয়ংক্রিয় ও সক্রিয় সত্তায় রূপান্তর করেছে।

দার্শনিক দৃষ্টিকোণ থেকে প্রযুক্তির সত্তাতাত্ত্বিক অবস্থান বুঝতে হলে আমাদের দেখতে হবে মানুষ কীভাবে যন্ত্রের মাধ্যমে নিজের অস্তিত্বকে সম্প্রসারিত করেছে। জার্মান দার্শনিক আর্নেস্ট কাপ (Ernst Kapp) তার ১৮৭৭ সালে প্রকাশিত গ্রন্থে অঙ্গ প্রক্ষেপণ (Organ Projection) তত্ত্ব উপস্থাপন করেন (Kapp, 1877)। কাপের মতে, মানুষের তৈরি যেকোনো যন্ত্র বা হাতিয়ার হলো তার শারীরিক ও স্নায়বিক অঙ্গেরই এক বস্তুগত বহিঃপ্রকাশ। একটি হাতুড়ি যেমন মানুষের মুষ্টিবদ্ধ হাতের বর্ধিত রূপ, ঠিক তেমনি একটি কম্পিউটার হলো মানুষের কেন্দ্রীয় স্নায়ুতন্ত্র এবং মস্তিষ্কের গণনামূলক ক্ষমতার এক যান্ত্রিক প্রক্ষেপণ। প্রযুক্তি এখানে মানুষের থেকে বিচ্ছিন্ন কোনো বস্তু নয়, বরং মানুষের জৈবিক সক্ষমতারই একটি বস্তুগত বিস্তার যা পারিপার্শ্বিক বাস্তবতাকে নিয়ন্ত্রণ করার কাজে নিয়োজিত থাকে।

প্রযুক্তির সত্তাতত্ত্ব নিয়ে বিশ শতকের সবচেয়ে গভীর ও প্রভাবশালী প্রশ্নটি তুলেছিলেন জার্মান দার্শনিক মার্টিন হাইডেগার (Martin Heidegger) তার বিখ্যাত প্রবন্ধ দ্য কোশ্চেন কনসার্নিং টেকনোলজি (The Question Concerning Technology)-এ (Heidegger, 1954/1977)। হাইডেগার দেখান যে প্রযুক্তির আসল স্বরূপ কোনো যান্ত্রিক উপাদানের মধ্যে সীমাবদ্ধ থাকে না। প্রযুক্তি হলো বিশ্বকে মানুষের সামনে উন্মোচন করার একটি বিশেষ পদ্ধতি, যাকে তিনি আখ্যা দেন এনফ্রেমিং (Enframing) বা গেশটেল। আধুনিক প্রযুক্তি প্রকৃতি এবং বাস্তবতাকে কেবল একটি ‘মজুদ ভাণ্ডার’ বা “স্ট্যান্ডিং রিজার্ভ” হিসেবে দেখে, যা কেবল মানুষের ব্যবহারের জন্য প্রস্তুত থাকে। নদী তখন আর বয়ে চলা কোনো প্রাকৃতিক জলধারা থাকে না, তা পরিণত হয় জলবিদ্যুৎ উৎপাদনের শক্তিতে; বন আর কেবল বৃক্ষের সমাহার থাকে না, তা হয়ে ওঠে কাঠের জোগানদার। হাইডেগারের এই বিশ্লেষণ দেখায় যে প্রযুক্তি মানব অস্তিত্বের দেখার চোখকে বদলে দেয় এবং অস্তিত্বের প্রতিটি উপাদানকে নির্দিষ্ট গণনামূলক ও অর্থনৈতিক মানে সংকুচিত করে।

এই যান্ত্রিক রূপান্তরের ফলে আধুনিক যন্ত্র কেবল শ্রম লাঘবের উপায় থাকে না, বরং তা মানুষের অস্তিত্বের কাঠামোকেই পুনর্গঠন করে। যখন আমরা সাধারণ লিভার বা চাকার স্তর অতিক্রম করে অ্যালগরিদমিক এবং স্বয়ংক্রিয় যন্ত্রের যুগে প্রবেশ করি, তখন যন্ত্র নিজেই একটি পরিবেশ তৈরি করে নেয়। দার্শনিক জ্যাক এলুল (Jacques Ellul) একে চিহ্নিত করেছেন প্রযুক্তিগত বাস্তবতা হিসেবে, যেখানে মানুষের সমস্ত সামাজিক ও মনস্তাত্ত্বিক লেনদেন যন্ত্রের যুক্তির সাথে সামঞ্জস্য রেখে পরিচালিত হতে বাধ্য হয় (Ellul, 1954/1964)। প্রযুক্তি তাই কোনো নিষ্ক্রিয় বস্তু নয়; এটা এমন এক সত্তাতাত্ত্বিক ফ্রেমওয়ার্ক যা মানুষ এবং প্রকৃতির সম্পর্ককে মৌলিকভাবে নিয়ন্ত্রণ করে।

প্রযুক্তিগত নিমিত্তবাদ বনাম প্রযুক্তিগত নির্ধারণবাদ (Technological Instrumentalism versus Technological Determinism)

প্রযুক্তির প্রভাব নিয়ে দর্শনে দুটি সম্পূর্ণ বিপরীতমুখী তাত্ত্বিক অবস্থান দেখতে পাওয়া যায়। প্রথমটি হলো প্রযুক্তিগত নিমিত্তবাদ (Technological Instrumentalism), যা প্রযুক্তিকে কেবল একটি নিরপেক্ষ হাতিয়ার হিসেবে বিবেচনা করে। এই দৃষ্টিভঙ্গি অনুসারে, একটি যন্ত্র বা প্রযুক্তি নিজের ভেতর কোনো নৈতিক বা আদর্শিক মূল্য বহন করে না। যন্ত্রটি ভালো না মন্দ, তা সম্পূর্ণ নির্ভর করে মানুষ কীভাবে সেটা ব্যবহার করছে তার ওপর। একটি ধারালো ছুরি দিয়ে যেমন ফল কাটা সম্ভব, তেমনি তা দিয়ে আঘাতও করা সম্ভব; ছুরির নিজের কোনো উদ্দেশ্য নেই। নিমিত্তবাদের এই যুক্তি মানুষকে প্রযুক্তির পূর্ণ নিয়ন্ত্রণকারী এবং সার্বভৌম কর্তা হিসেবে প্রতিষ্ঠা করতে চায়।

এর বিপরীতে অবস্থান করছে প্রযুক্তিগত নির্ধারণবাদ (Technological Determinism), যা দাবি করে যে প্রযুক্তি কখনোই নিরপেক্ষ হতে পারে না। এই তত্ত্ব অনুসারে, প্রযুক্তির নিজস্ব একটি অভ্যন্তরীণ যুক্তি ও গতি রয়েছে যা মানব সমাজের সংস্কৃতি, রাজনীতি এবং চিন্তার ধারাকে স্বয়ংক্রিয়ভাবে রূপ দান করে (Smith & Marx, 1994)। সমাজবিজ্ঞানী ও দার্শনিক ল্যাংডন উইনার (Langdon Winner) তার অত্যন্ত প্রভাবশালী প্রবন্ধ ডু আর্টিফ্যাক্টস হ্যাভ পলিটিক্স? (Do Artifacts Have Politics?)-এ দেখান যে কারিগরি কাঠামোর ভেতরেই ক্ষমতা এবং রাজনীতির বীজ প্রোথিত থাকে (Winner, 1980)। উইনার উদাহরণ দেন নিউইয়র্কের লং আইল্যান্ডের ব্রিজগুলোর, যেগুলোকে ইচ্ছাকৃতভাবে নিচু করে তৈরি করা হয়েছিল যাতে পাবলিক বাস সেখানে চলাচল করতে না পারে এবং দরিদ্র মানুষেরা সমুদ্রসৈকতে পৌঁছাতে ব্যর্থ হয়। এই উদাহরণটি প্রমাণ করে যে কোনো বস্তুগত প্রযুক্তি কেবল কার্যক্ষমতার বিষয় নয়; তার ভৌত নকশার ভেতরেই সামাজিক বিভাজন ও রাজনৈতিক অভিপ্রায় খোদাই করা থাকতে পারে।

নির্ধারণবাদের এই ধারণাকে আরও এগিয়ে নিয়ে গিয়েছিলেন তাত্ত্বিক মার্শাল ম্যাকলুহান (Marshall McLuhan)। তার বিখ্যাত বক্তব্য “মাধ্যমই বার্তা” বা “দ্য মিডিয়াম ইজ দ্য মেসেজ” তুলে ধরে যে, যোগাযোগের মাধ্যমটি কী, সেটাই শেষ পর্যন্ত মানুষের চিন্তা ও সংবেদনের কাঠামো বদলে দেয়, মাধ্যমের ভেতরের বার্তাটি সেখানে গৌণ (McLuhan, 1964)। যখন মানুষ মুদ্রণযন্ত্র আবিষ্কার করেছিল, তখন তা মানুষের মধ্যে রৈখিক ও ব্যক্তিকেন্দ্রিক চিন্তার জন্ম দিয়েছিল; আবার বৈদ্যুতিক ও ডিজিটাল মাধ্যমের আগমন মানুষকে একটি পরস্পর সংযুক্ত যৌথ অভিজ্ঞতার মধ্যে নিয়ে গেছে। প্রযুক্তি এখানে মানুষের ব্যবহারের অপেক্ষায় বসে থাকা নিষ্ক্রিয় হাতিয়ার নয়; বরং প্রযুক্তি নিজেই ব্যবহারকারীর মানসিক বিন্যাসকে নতুন রূপ দেয়।

আধুনিক বস্তুনিষ্ঠ দর্শনে এই দুই চরম অবস্থানের বাইরে গিয়ে একটি সমন্বিত দৃষ্টিভঙ্গি গড়ে উঠেছে। প্রযুক্তি যেমন মানুষকে সম্পূর্ণ অন্ধভাবে নিয়ন্ত্রণ করে না, তেমনি মানুষও প্রযুক্তির প্রভাবমুক্ত হয়ে সম্পূর্ণ স্বাধীন সিদ্ধান্ত নিতে পারে না। মানুষ যখন কোনো প্রযুক্তি উদ্ভাবন করে, তখন সেই প্রযুক্তির বস্তুগত বৈশিষ্ট্য মানুষের সামনে কিছু নির্দিষ্ট সম্ভাবনার পথ খুলে দেয় এবং অন্য কিছু পথ বন্ধ করে দেয়। ফলে প্রযুক্তি এবং মানব সমাজের সম্পর্ক একটি অবিরাম মিথস্ক্রিয়া, যেখানে মানুষের উদ্দেশ্য এবং যন্ত্রের সক্ষমতা পরস্পরকে ক্রমাগত বদলে দিতে থাকে।

প্রযুক্তিগত মধ্যস্থতা ও অবভাসবিদ্যা (Technological Mediation and Postphenomenology)

মানুষ কীভাবে বাস্তব জগতকে প্রত্যক্ষ করে এবং বোঝে, সেই প্রক্রিয়ায় প্রযুক্তি কীভাবে মধ্যস্থতাকারী হিসেবে কাজ করে – তা বোঝার জন্য দর্শনের অন্যতম শক্তিশালী ক্ষেত্র হলো উত্তর-অবভাসবিদ্যা (Postphenomenology)। চিরায়ত অবভাসবিদ্যা বা ফেনোলজিতে মানুষের চেতনা এবং জগতের মধ্যকার প্রত্যক্ষ সম্পর্ক নিয়ে আলোচনা করা হতো। কিন্তু আধুনিক দর্শনে বিজ্ঞানী ও দার্শনিক ডন ইহদে (Don Ihde) দেখিয়েছেন যে মানুষ এবং তার পারিপার্শ্বিক জগতের মধ্যকার সম্পর্ক প্রায় সবসময়ই বিভিন্ন প্রযুক্তিগত উপাদানের মাধ্যমে মধ্যস্থতাকৃত হয় (Ihde, 1990)। আমরা যখন কোনো থার্মোমিটার দিয়ে তাপমাত্রা মাপি বা টেলিস্কোপ দিয়ে নক্ষত্র পর্যবেক্ষণ করি, তখন প্রযুক্তি আমাদের অনুভূতির পরিধি বাড়িয়ে দেয় এবং বাস্তবতার একটি রূপান্তরিত পাঠ উপস্থাপন করে।

ইহদে মানব-প্রযুক্তি-জগতের সম্পর্ককে চারটি প্রধান শ্রেণিতে বিন্যস্ত করেছেন:

• মূর্ত সম্পর্ক (Embodiment Relation): এখানে প্রযুক্তি মানুষের শরীরের সাথে এমনভাবে একাত্ম হয়ে যায় যে মানুষ প্রযুক্তির মাধ্যমে সরাসরি জগতকে অনুভব করে; যেমন চোখের চশমা পরা ব্যক্তি চশমাকে আলাদাভাবে দেখেন না, বরং চশমার মধ্য দিয়ে জগতকে দেখেন (Human – Technology) → World।
• হারমেনিউটিক সম্পর্ক (Hermeneutic Relation): এখানে প্রযুক্তি জগত সম্পর্কে এমন একটি পাঠ বা সংকেত তৈরি করে যা মানুষকে পড়ে বুঝতে হয়; যেমন একটি ডিজিটাল থার্মোমিটারের ডিসপ্লে দেখে মানুষ বাইরের আবহাওয়ার উত্তাপ বুঝতে পারে Human → (Technology – World)।
• ভিন্নতার সম্পর্ক (Alterity Relation): এখানে প্রযুক্তি নিজেই একটি আলাদা আধা-স্বায়ত্তশাসিত সত্তা হিসেবে মানুষের সামনে হাজির হয়, যার সাথে মানুষ সরাসরি লেনদেন করে; যেমন একটি এটিএম বুথ বা কৃত্রিম বুদ্ধিমত্তার চ্যাটবট Human → Technology – (World)।
• পটভূমি সম্পর্ক (Background Relation): এখানে প্রযুক্তি কোনো প্রত্যক্ষ উপস্থিতির জানান না দিয়ে পারিপার্শ্বিক পরিবেশের আবহ তৈরি করে রাখে; যেমন সেন্ট্রাল এয়ার কন্ডিশনার বা স্বয়ংক্রিয় আলোর ব্যবস্থা Human → (Technology / World)

এই মধ্যস্থতার ধারণা নৈতিক দর্শনেও এক গভীর পরিবর্তন নিয়ে এসেছে। দার্শনিক পিটার-পল ভারবেক (Peter-Paul Verbeek) তার গ্রন্থ মোরালাইজিং টেকনোলজি (Moralizing Technology)-এ দেখান যে নৈতিকতা কোনো মানুষের মনের বিমূর্ত ইচ্ছা নয়, বরং নৈতিক সিদ্ধান্তগুলো প্রায়শই বস্তুগত প্রযুক্তির দ্বারা প্রভাবিত হয় (Verbeek, 2011)। উদাহরণস্বরূপ, গাড়ির স্পিড ব্রেকার কোনো নৈতিক উপদেশ দেয় না, কিন্তু তা চালককে গতি কমাতে বাধ্য করে। একইভাবে অ্যালগরিদমিক নোটিফিকেশন সিস্টেম আমাদের সিদ্ধান্ত গ্রহণ ও মনোযোগকে নিয়ন্ত্রণ করে। প্রযুক্তি তাই মানুষের জন্য কেবল কাজের সুযোগ তৈরি করে না, বরং এটা নির্দিষ্ট কিছু নৈতিক ও মনস্তাত্ত্বিক আচরণকে উৎসাহিত করে এবং অন্যগুলোকে নিরুৎসাহিত করে।

এই পোস্টফেনোমেনোলজিক্যাল দৃষ্টিভঙ্গি স্পষ্ট করে দেয় যে প্রযুক্তিমুক্ত মানব চেতনা বলে কিছু নেই। আদিম যুগে যখন মানুষ পাথরের হাতিয়ার ব্যবহার করতে শিখেছিল, তখন থেকেই মানুষের জ্ঞানতাত্ত্বিক বিকাশ প্রযুক্তির সাথে অবিচ্ছেদ্যভাবে জড়িয়ে গেছে। আধুনিক ডিজিটাল যুগে এই মধ্যস্থতা এত বেশি গভীর হয়েছে যে আমাদের স্মৃতি, সামাজিক যোগাযোগ এবং জ্ঞান আহরণের প্রতিটি ধাপ কোনো না কোনো অ্যালগরিদমিক মাধ্যমের দ্বারা ফিল্টার হয়ে আমাদের কাছে পৌঁছায়।

মানবীয় উদ্দেশ্য, উদ্দেশ্যবাদিতা ও যন্ত্রের কৃত্রিম টেলিলজি (Human Purpose, Teleology, and Artificial Teleology of Machines)

উদ্দেশ্য বা লক্ষ্য কী এবং তা কীভাবে উৎপন্ন হয় – এটি দর্শনের অন্যতম জটিল প্রশ্ন। প্রাচীনকালে উদ্দেশ্যবাদিতা বা টেলিলজি (Teleology) দিয়ে প্রকৃতির প্রতিটি বস্তুর অস্তিত্ব ব্যাখ্যা করার চেষ্টা করা হতো। মনে করা হতো প্রতিটি বস্তুর একটি চূড়ান্ত উদ্দেশ্য বা কারণ রয়েছে। আধুনিক বিজ্ঞান ও বিবর্তন তত্ত্ব এই ধারণা প্রত্যাখ্যান করেছে এবং দেখিয়েছে যে প্রকৃতির কোনো সচেতন ঐশ্বরিক পরিকল্পনা নেই; বিবর্তন ঘটে অন্ধ প্রাকৃতিক নির্বাচন এবং পদার্থবিদ্যার বস্তুগত নিয়মের মধ্য দিয়ে। তবে মানুষের ক্ষেত্রে উদ্দেশ্য একটি বাস্তব মনস্তাত্ত্বিক ঘটনা। মানুষ তার ভবিষ্যৎ সম্পর্কে চিন্তা করতে পারে এবং সেই অনুযায়ী পরিকল্পনা করতে পারে। কিন্তু যখন মানুষ এমন এক যন্ত্র তৈরি করে যা লক্ষ্যমুখী আচরণ প্রদর্শন করে, তখন সেই উদ্দেশ্যবাদিতা এক নতুন দার্শনিক চ্যালেঞ্জের জন্ম দেয়।

দার্শনিক হ্যান্স জোনাস (Hans Jonas) তার বিখ্যাত গ্রন্থ দ্য ইম্পারেটিভ অব রেসপনসিবিলিটি (The Imperative of Responsibility)-এ জীবন্ত প্রাণী এবং যন্ত্রের উদ্দেশ্যের মধ্যে একটি মৌলিক পার্থক্য তুলে ধরেন (Jonas, 1984)। জোনাসের মতে, একটি জীবের উদ্দেশ্য তার নিজের অস্তিত্ব টিকিয়ে রাখার জৈবিক তাগিদ থেকে প্রাকৃতিকভাবে জন্ম নেয়। একটি প্রাণী যখন খাদ্যের সন্ধান করে, তখন সেই খাদ্য খোঁজার উদ্দেশ্যটি তার অভ্যন্তরীণ ও অপরিহার্য প্রয়োজন। অন্যদিকে একটি সাধারণ যন্ত্রের উদ্দেশ্য তার নিজের ভেতর থেকে আসে না; মানুষ বাইরে থেকে সেই উদ্দেশ্য যন্ত্রের মধ্যে প্রোগ্রাম করে দেয়। ঘড়ির উদ্দেশ্য সময় দেখানো হলেও ঘড়ির নিজের সময় জানার কোনো অস্তিত্বমূলক প্রয়োজন নেই। ফলে চিরায়ত যন্ত্রের উদ্দেশ্য হলো একটি ধার করা বা অর্পিত উদ্দেশ্য।

তবে কৃত্রিম বুদ্ধিমত্তা ও স্বনিয়ন্ত্রিত ব্যবস্থার বিকাশের সাথে সাথে এই অর্পিত উদ্দেশ্যের সীমানা ঝাপসা হতে শুরু করেছে। আধুনিক রিইনফোর্সমেন্ট লার্নিং ব্যবস্থায় আমরা যখন কোনো এজেন্টকে কেবল একটি সাধারণ লক্ষ্য বা পুরস্কার ফাংশন (Reward Function) দিয়ে দিই, তখন সেই লক্ষ্যে পৌঁছানোর জন্য এজেন্টটি সম্পূর্ণ নিজস্ব কিছু মধ্যবর্তী উপ-লক্ষ্য বা সাব-গোল তৈরি করে নেয় (Bostrom, 2014)। যেমন একটি স্বচালিত ড্রোন যখন কোনো দুর্যোগপূর্ণ এলাকায় পথ খুঁজে বের করার জন্য বাতাসের গতি এবং বাধার সাথে মানিয়ে নিয়ে নিজের রুট তৈরি করে, তখন সেই তাৎক্ষণিক উদ্দেশ্যগুলো প্রোগ্রামারের কোডে সরাসরি লেখা ছিল না। দার্শনিক ল্যারি রাইট (Larry Wright) তার ক্রিয়ামূলক তত্ত্বে দেখিয়েছেন যে কোনো ব্যবস্থার কোনো অংশকে তখনই উদ্দেশ্যমূলক বলা যায়, যখন সেই অংশটির উপস্থিতি তার নির্দিষ্ট ফলাফল উৎপাদনের ক্ষমতার কারণেই বজায় থাকে (Wright, 1973)। কৃত্রিম ব্যবস্থার অভিযোজনমূলক আচরণ এই সংজ্ঞার সাথে পুরোপুরি মিলে যায়।

ফলে কৃত্রিম উদ্দেশ্যবাদিতাকে কোনো অলৌকিক চেতনার ফসল হিসেবে দেখার সুযোগ নেই। এটা হলো একটি জটিল গাণিতিক ব্যবস্থার অপ্টিমাইজেশন প্রক্রিয়া। উদ্দেশ্য কোনো বায়বীয় আকাঙ্ক্ষা নয়, বরং তা হলো বর্তমান অবস্থা থেকে একটি সংজ্ঞায়িত লক্ষ্য অবস্থার দিকে সিস্টেমকে পরিচালনা করার একটি অ্যালগরিদমিক গতিবিদ্যা। কৃত্রিম বুদ্ধিমত্তা দেখিয়েছে যে কোনো অতিপ্রাকৃতিক অনুভূতি ছাড়াই নিখাদ তথ্য প্রক্রিয়াকরণ এবং ফিডব্যাক লুপের মাধ্যমে জটিল লক্ষ্যমুখী আচরণ তৈরি করা সম্ভব।

যন্ত্রের স্বায়ত্তশাসন ও মানবীয় এজেন্সির রূপান্তর (Machine Autonomy and the Transformation of Human Agency)

স্বায়ত্তশাসন বা নিজের নিয়মে নিজে চলার ক্ষমতা দীর্ঘদিন ধরে কেবল মানুষের বিশেষ অধিকার হিসেবে গণ্য হতো। দর্শনে নৈতিক এজেন্সির ভিত্তি ছিল মানুষের স্বাধীন ইচ্ছা বা ফ্রি উইল (Free Will) এবং নিজের কাজের জন্য দায় গ্রহণ করার ক্ষমতা। কিন্তু সাইবারনেটিক্স এবং অ্যালগরিদমিক সিস্টেমের যুগে যন্ত্র যখন মানুষের সরাসরি হস্তক্ষেপ ছাড়াই জটিল পরিস্থিতিতে দ্রুত সিদ্ধান্ত নিতে শুরু করেছে, তখন এজেন্সির চিরায়ত ধারণা মৌলিক রূপান্তরের মুখোমুখি হয়েছে। সাইবারনেটিক্সের অন্যতম প্রতিষ্ঠাতা নরবার্ট উইনার (Norbert Wiener) সতর্ক করেছিলেন যে মানুষ যখন স্বয়ংক্রিয় ব্যবস্থার ওপর সিদ্ধান্ত গ্রহণের দায়িত্ব ছেড়ে দেবে, তখন সেই যন্ত্রের স্বয়ংক্রিয় গতিশীলতা মানব সমাজের প্রাতিষ্ঠানিক নিয়ন্ত্রণকেও চ্যালেঞ্জ করতে পারে (Wiener, 1950)।

এই রূপান্তরকে তাত্ত্বিকভাবে ব্যাখ্যা করার জন্য সমাজতাত্ত্বিক ও দার্শনিক ব্রুনো লাতোর (Bruno Latour) তার অভিনেতা-নেটওয়ার্ক তত্ত্ব (Actor-Network Theory) প্রস্তাব করেন (Latour, 2005)। লাতোর দাবি করেন যে কোনো কর্মকাণ্ড বা এজেন্সিকে কেবল একক মানুষের কাজ হিসেবে দেখলে চলবে না। সমাজে মানুষ এবং অ-মানব বস্তু বা প্রযুক্তিগত উপাদানগুলো একটি যৌথ নেটওয়ার্ক তৈরি করে, যেখানে প্রতিটি উপাদানই একেকজন সক্রিয় অভিনেতা (Actant)। উদাহরণ হিসেবে বলা যায়, যখন একজন বিমানচালক একটি আধুনিক উড়োজাহাজ চালান, তখন বিমান চালানোর কাজটি কেবল পাইলটের একক সিদ্ধান্তে ঘটে না। অটো-পাইলট সফটওয়্যার, সেন্সর, জিপিএস এবং পাইলট মিলে একটি সমন্বিত নেটওয়ার্ক তৈরি করে যা বিমানটিকে আকাশে ভাসিয়ে রাখে। এজেন্সি এখানে কোনো একক মানুষের ভেতরে কেন্দ্রীভূত থাকে না, বরং তা মানুষ এবং প্রযুক্তির যৌথ নেটওয়ার্কে ছড়িয়ে পড়ে।

স্বায়ত্তশাসনের এই বিস্তার নৈতিক ও আইনি দর্শনে নতুন এক বিতর্কের জন্ম দিয়েছে। যখন কোনো স্বয়ংক্রিয় অ্যালগরিদম শেয়ার বাজারে ধস নামায় বা কোনো স্বচালিত গাড়ি দুর্ঘটনায় পড়ে, তখন সেই সিদ্ধান্তের নৈতিক দায় কার ওপর বর্তাবে? দার্শনিক লুসিয়ানো ফ্লোরিডি (Luciano Floridi) এবং জে. ডব্লিউ. স্যান্ডার্স (J. W. Sanders) কৃত্রিম এজেন্সিকে মানুষের নৈতিক দায় থেকে আলাদা করে একটি কার্যকর স্তরে দেখার প্রস্তাব করেছেন (Floridi & Sanders, 2004)। তাদের মতে, একটি কৃত্রিম ব্যবস্থা যদি পরিবেশের সাথে মিথস্ক্রিয়া করতে পারে, নতুন তথ্যের ভিত্তিতে অভিযোজিত হতে পারে এবং কোনো বাহ্যিক চালক ছাড়াই স্বাধীনভাবে কাজের বিকল্প বেছে নিতে পারে, তবে তাকে একটি নৈতিক এজেন্ট (Moral Agent) হিসেবে স্বীকার করতে হবে, যদিও তার মানুষের মতো আইনি শাস্তি পাওয়ার যোগ্যতা বা অনুভূতিশীল মন না থাকে।

নিচের তালিকায় মানবীয় এজেন্সি এবং মেশিন এজেন্সির মধ্যকার দার্শনিক ও কাঠামোগত পার্থক্যগুলো স্পষ্ট করা হলো:

• মানবীয় এজেন্সি (Human Agency):
  • উৎপত্তি: জৈবিক বিবর্তন, সামাজিক প্রেক্ষাপট এবং মানসিক চেতনার সংমিশ্রণ।
  • চালিকাশক্তি: আবেগ, আত্মসচেতনতা, মূল্যবোধ এবং জৈবিক টিকে থাকার তাগিদ।
  • সীমাবদ্ধতা: তথ্যের ধীর প্রক্রিয়াকরণ এবং সংজ্ঞানাত্মক ক্লান্তির উপস্থিতি।
• মেশিন এজেন্সি (Machine Agency):
  • উৎপত্তি: গাণিতিক অ্যালগরিদম, ডাটা প্যাটার্ন এবং কৃত্রিম অপ্টিমাইজেশন মডেল।
  • চালিকাশক্তি: অবজেক্টিভ ফাংশন এবং প্রত্যাশিত উপযোগিতা সর্বোচ্চকরণের নির্দেশ।
  • সীমাবদ্ধতা: আত্মসচেতনতাহীনতা এবং প্রশিক্ষণের ডোমেইনের বাইরে তাৎক্ষণিক নৈতিক উপলব্ধির অভাব।

এই তুলনামূলক রূপরেখা দেখায় যে মেশিন এজেন্সি মানুষের এজেন্সিকে পুরোপুরি প্রতিস্থাপন করে না, বরং তা মানবীয় সিদ্ধান্ত গ্রহণের স্থানটিকে সংকুচিত ও পরিমার্জিত করে। মানুষ আজ আর বিশ্বের একমাত্র সিদ্ধান্ত গ্রহণকারী এজেন্ট নয়; তাকে এমন এক পরিবেশে বাস করতে হচ্ছে যেখানে কোটি কোটি কৃত্রিম অ্যালগরিদম প্রতিদিন অর্থনীতি, যোগাযোগ এবং নিরাপত্তার জটিল সিদ্ধান্তগুলো স্বয়ংক্রিয়ভাবে কার্যকর করে চলেছে।

প্রযুক্তিগত জ্ঞানতত্ত্ব ও যন্ত্রনির্ভর জ্ঞান উৎপাদন (Technological Epistemology and Machine-Driven Knowledge Production)

প্রযুক্তি কেবল মানুষের কাজের ধরন বদলায়নি, জ্ঞান কী এবং কীভাবে সত্য যাচাই করা যায় – সেই জ্ঞানতাত্ত্বিক ভিত্তিকেও নতুন করে সাজিয়েছে। প্রাচীন জ্ঞানতত্ত্বে কোনো সত্য দাবিকে তখনই জ্ঞান বলা হতো, যখন তা হতো একটি যৌক্তিক সত্য বিশ্বাস (Justified True Belief)। মানুষ তার নিজস্ব যুক্তি ও ইন্দ্রিয়গ্রাহ্য প্রমাণের সাহায্যে কোনো দাবির ন্যায্যতা যাচাই করত। কিন্তু আধুনিক বিজ্ঞান ও কৃত্রিম বুদ্ধিমত্তার যুগে এমন সব জ্ঞান উৎপাদিত হচ্ছে যা মানুষের একক বিচারবুদ্ধির সীমানা ছাড়িয়ে গেছে। শত শত কোটি প্যারামিটার বিশিষ্ট জটিল ডিপ লার্নিং মডেল বা সুপারকম্পিউটার সিমুলেশন এমন সব জটিল প্যাটার্ন আবিষ্কার করছে যা কোনো একক বিজ্ঞানীর পক্ষে ধাপে ধাপে যাচাই করা অসম্ভব।

দার্শনিক পল হামফ্রেজ (Paul Humphreys) তার যুগান্তকারী গ্রন্থ এক্সটেন্ডিং আওয়ারসেলভস (Extending Ourselves)-এ এই পরিবর্তনকে কম্পিউটেশনাল দর্শনের দৃষ্টিকোণ থেকে বিশ্লেষণ করেছেন (Humphreys, 2004)। হামফ্রেজ দেখান যে আধুনিক বিজ্ঞানে কম্পিউটেশনাল মডেলিং এবং সিমুলেশন এমন এক জ্ঞানতাত্ত্বিক স্তরে পৌঁছেছে যাকে তিনি বলেন জ্ঞানতাত্ত্বিক অস্বচ্ছতা (Epistemic Opacity)। একটি জটিল অ্যালগরিদম যখন কোনো প্রোটিনের ত্রিমাত্রিক গঠন বা কোনো জলবায়ু পরিবর্তনের মডেল তৈরি করে, তখন সেই গণনার সমস্ত মধ্যবর্তী ধাপ মানুষের সরাসরি পর্যবেক্ষণ ক্ষমতার বাইরে থেকে যায়। মানুষ কেবল ইনপুট দেয় এবং আউটপুট গ্রহণ করে। এর ফলে বিজ্ঞানের জ্ঞানতত্ত্ব প্রত্যক্ষ মানবীয় যুক্তিপ্রমাণের ওপর কম নির্ভর করে অ্যালগরিদমের কার্যকারিতা ও যন্ত্রের নির্ভরযোগ্যতার ওপর বেশি আস্থা রাখতে শুরু করেছে।

এই পরিস্থিতি দর্শনে ব্ল্যাক বক্স সমস্যা (Black Box Problem) নামে পরিচিত। কোনো সিদ্ধান্ত সঠিক হওয়া সত্ত্বেও মানুষ যদি সেই সিদ্ধান্তের পেছনের সুনির্দিষ্ট কারণ বুঝতে না পারে, তবে সেই সিদ্ধান্তকে জ্ঞান হিসেবে মেনে নেওয়ার দার্শনিক ভিত্তি কী? দার্শনিক লুসিয়ানো ফ্লোরিডি (Luciano Floridi) তার তথ্য দর্শন (Philosophy of Information) তত্ত্বে এই সংকটের একটি বস্তুনিষ্ঠ সমাধান প্রস্তাব করেছেন (Floridi, 2011)। ফ্লোরিডির মতে, মহাবিশ্বের মৌলিক ভিত্তি কেবল জড় পদার্থ বা শক্তি নয়, বরং তথ্য নিজেই একটি সত্তাতাত্ত্বিক উপাদান। যখন কোনো যন্ত্র তথ্যের বিশৃঙ্খল সংকেত থেকে অর্থপূর্ণ কাঠামো ও প্যাটার্ন বের করে আনে, তখন তা মানুষের অনুভূতির বাইরেও এক ধরনের বস্তুনিষ্ঠ সত্য উৎপাদন করে। জ্ঞান এখানে একক মানুষের আত্মগত উপলব্ধি হওয়ার বদলে একটি বিতরণকৃত তথ্য প্রক্রিয়াকরণের নেটওয়ার্কে রূপান্তরিত হয়।

এই প্রযুক্তিগত জ্ঞানতত্ত্ব বিজ্ঞানমনস্ক ও বস্তুবাদী চিন্তার এক চরম বিজয়কে নির্দেশ করে। এটি অতিন্দ্রীয় ও আধ্যাত্মিক ব্যাখ্যার কোনো সুযোগ না রেখে প্রমাণ করে যে সমস্ত সত্যই মূলত বস্তুগত তথ্যের সুসংহত বিন্যাস। মানুষ যখন জটিল যন্ত্রপাতির মাধ্যমে মহাশূন্যের দূরবর্তী সংকেত বা কোয়ান্টাম কণার আচরণ পর্যবেক্ষণ করে, তখন সেই জ্ঞানের সত্যতা কোনো অলৌকিক বিশ্বাসের ওপর নয়, বরং যন্ত্রের বস্তুগত কার্যকারিতা এবং গণিতের নিখুঁত সমীকরণের ওপর দাঁড়িয়ে থাকে। প্রযুক্তি এভাবে দর্শনকে ভাববাদী কল্পনার স্বর্গ থেকে নামিয়ে এনে বস্তুনিষ্ঠ পর্যবেক্ষণ এবং গণনামূলক বাস্তবতার শক্ত মাটিতে স্থাপন করেছে।

কৃত্রিম বুদ্ধিমত্তার আন্তঃবিষয়ক ভিত্তি (Interdisciplinary Foundations of Artificial Intelligence): দর্শন, মনোবিজ্ঞান, ভাষাবিজ্ঞান ও স্নায়ুবিজ্ঞান

দার্শনিক ভিত্তি: মন-দেহ সমস্যা ও কম্পিউটেশনাল ম্যাটেরিয়ালিজম (Philosophical Foundations: The Mind-Body Problem and Computational Materialism)

কৃত্রিম বুদ্ধিমত্তার তাত্ত্বিক ভিত্তি বুঝতে হলে সবার আগে দর্শনের সেই প্রাচীন প্রশ্নের মুখোমুখি হতে হয় যা শতাব্দীর পর শতাব্দী ধরে মানব চিন্তাকে আলোড়িত করেছে: মন ও শরীরের মধ্যকার সম্পর্ক কী? দর্শনের ইতিহাসে এই প্রশ্নটি মন-দেহ সমস্যা (Mind-Body Problem) হিসেবে পরিচিত। প্রাচীনকালে যখনই চিন্তা বা যুক্তির কথা উঠেছে, ভাববাদী চিন্তাবিদরা মনকে কোনো রহস্যময় বা অশরীরী উপাদান হিসেবে কল্পনা করেছেন। তারা দাবি করেছিলেন যে জড় পদার্থের পক্ষে কখনোই অর্থপূর্ণ চিন্তা করা সম্ভব নয়। কিন্তু সপ্তদশ শতকে ব্রিটিশ দার্শনিক টমাস হব্‌স (Thomas Hobbes) তার বিখ্যাত গ্রন্থ লেভিয়াথান (Leviathan)-এ এক বৈপ্লবিক প্রস্তাব রাখেন (Hobbes, 1651/1996)। হব্‌স সরাসরি ঘোষণা করেন যে “চিন্তা করা মানেই হলো গণনা করা” বা “রিজনিং ইজ নাথিং বাট রেকনিং”। হব্‌সের এই পর্যবেক্ষণ মানুষের বিমূর্ত যুক্তিবোধকে কোনো অতিলৌকিক মহিমা দেওয়ার বদলে একটি যান্ত্রিক ও বস্তুগত যোগ-বিয়োগের নিয়মে নামিয়ে আনে।

হব্‌সের এই বস্তুবাদী ধারা পরবর্তীতে আধুনিক দর্শনে রূপ নেয় কম্পিউটেশনাল ম্যাটেরিয়ালিজম (Computational Materialism) বা গণনামূলক বস্তুবাদের কাঠামোতে। এই মতবাদের মূল কথা হলো, মন কোনো আলাদা পদার্থ নয়; মন হলো ভৌত মস্তিষ্কের তথ্য প্রক্রিয়াকরণের এক সুনির্দিষ্ট রূপ। বিশ শতকের মাঝামাঝি সময়ে দার্শনিক হিলারি পুটনাম (Hilary Putnam) তার বিভিন্ন প্রবন্ধে মেশিন স্টেট ফাংশনালিজম (Machine State Functionalism) তত্ত্বের অবতারণা করেন (Putnam, 1967)। পুটনাম যুক্তি দেন যে, কোনো ব্যবস্থার মানসিক অবস্থাকে একটি টুরিং মেশিনের অভ্যন্তরীণ অবস্থার সমতুল্য হিসেবে ব্যাখ্যা করা যায়। যেমন মানুষের ‘ব্যথা পাওয়া’ বা ‘আনন্দ পাওয়া’ কোনো রহস্যময় আত্মিক অনুভূতি নয়; এটা হলো নির্দিষ্ট সংবেদনশীল ইনপুটের প্রতিক্রিয়ায় মস্তিষ্কের এমন একটি অভ্যন্তরীণ কার্যকরী অবস্থা তৈরি হওয়া, যা পরবর্তীতে কোনো নির্দিষ্ট আচরণগত আউটপুট তৈরি করে।

এই কার্যকরী দৃষ্টিভঙ্গিকে আরও সংহত করেন দার্শনিক ডেভিড লুইস (David Lewis) তার সাইকোফিজিক্যাল রিডাকশন (Psychophysical Reduction) এবং কার্যকরী রূপায়ণ তত্ত্বে (Lewis, 1966)। লুইস দেখান যে মানসিক অবস্থাসমূহ আসলে কিছু নির্দিষ্ট কার্যগত ভূমিকা ছাড়া আর কিছুই নয়, যা বাস্তব জগতে কোনো না কোনো ভৌত কাঠামো দ্বারা বাস্তবায়িত হয়। জীবদেহে সেই ভূমিকা পালন করে জৈবিক নিউরন ও রক্ত-মাংসের স্নায়ুতন্ত্র, আর কৃত্রিম সিস্টেমে সেই একই ভূমিকা পালন করতে পারে সিলিকন ট্রানজিস্টর ও তড়িৎ বর্তনী। ফলে বুদ্ধিমত্তা বা চিন্তাকে আর কেবল জৈব কোষের একচেটিয়া সম্পত্তি হিসেবে দাবি করার কোনো জ্ঞানতাত্ত্বিক ন্যায্যতা থাকে না। পদার্থ যদি সঠিক কার্যকরী বিন্যাসে সজ্জিত থাকে, তবে তা চিন্তা করার ক্ষমতা অর্জন করতে পারে।

দার্শনিক এই রূপান্তর কৃত্রিম বুদ্ধিমত্তাকে একটি সুদৃঢ় ভিত্তি প্রদান করেছে। এটা স্পষ্ট করে দিয়েছে যে জ্ঞানতত্ত্বের আসল কাজ কোনো অলৌকিক আত্মার খোঁজ করা নয়, বরং বস্তুগত বাস্তবতায় কীভাবে তথ্য সংগৃহীত, সংরক্ষিত এবং বিশ্লেষিত হয় তার নিয়মগুলো আবিষ্কার করা। দর্শন এভাবে কৃত্রিম বুদ্ধিমত্তাকে শিখিয়েছে কীভাবে প্রশ্ন করতে হয়: জ্ঞান কীভাবে তৈরি হয়, কোনো দাবির সত্যতা কীভাবে যাচাই করা যায় এবং কীভাবে একটি জড় কাঠামো সংকেত প্রক্রিয়াকরণের মাধ্যমে পারিপার্শ্বিক বিশ্বকে নিজের ভেতর উপস্থাপন করতে পারে।

মনোবৈজ্ঞানিক ভিত্তি: আচরণবাদ থেকে সংজ্ঞানাত্মক বিপ্লব (Psychological Foundations: From Behaviorism to the Cognitive Revolution)

বিংশ শতাব্দীর প্রথমার্ধে মনোবিজ্ঞান একটি সংকীর্ণ গণ্ডির মধ্যে আটকে পড়েছিল, যা পরিচিত ছিল আচরণবাদ (Behaviorism) নামে। আচরণবাদের প্রধান প্রবক্তা বি. এফ. স্কিনার (B. F. Skinner) দাবি করেছিলেন যে বিজ্ঞান কেবল পর্যবেক্ষণযোগ্য আচরণ নিয়েই কাজ করতে পারে (Skinner, 1957)। তাদের মতে, উদ্দীপনা বা স্টিমুলাস এবং প্রতিক্রিয়া বা রেসপন্সের মাঝখানে মনের ভেতরে কী ঘটছে তা পর্যবেক্ষণ করা যায় না বলে মনকে একটি দুর্ভেদ্য ব্ল্যাক বক্স (Black Box) হিসেবে বিবেচনা করাই শ্রেয়। আচরণবাদ মানুষের চিন্তাভাবনা, স্মৃতি এবং পরিকল্পনাকে সম্পূর্ণ অস্বীকার করে সবকিছুকে কেবল কন্ডিশনিং বা অভ্যাসের ফলাফল হিসেবে দেখতে চেয়েছিল। কিন্তু এই চরম যান্ত্রিক ও সরলীকৃত দৃষ্টিভঙ্গি বেশিদিন টিকতে পারেনি, কারণ এটা ব্যাখ্যা করতে ব্যর্থ হয়েছিল মানুষ কীভাবে কোনো পূর্ব অভিজ্ঞতা ছাড়াই সম্পূর্ণ নতুন সমস্যার সমাধান করে।

১৯৫০-এর দশকে মনোবিজ্ঞানে যে বিশাল পরিবর্তন আসে, তাকে বলা হয় সংজ্ঞানাত্মক বিপ্লব (Cognitive Revolution)। মনোবিজ্ঞানীরা বুঝতে পারেন যে মানুষের মস্তিষ্কের ভেতরের তথ্য প্রক্রিয়াকরণকে এড়িয়ে গিয়ে বুদ্ধিমত্তাকে ব্যাখ্যা করা অসম্ভব। এই বিপ্লবের অন্যতম পুরোধা ছিলেন জর্জ এ. মিলার (George A. Miller)। মিলার ১৯৫৬ সালে প্রকাশিত তার ক্লাসিক পেপার দ্য ম্যাজিক্যাল নাম্বার সেভেন, প্লাস অর মাইনাস টু (The Magical Number Seven, Plus or Minus Two)-এ দেখান যে মানুষের স্বল্পমেয়াদী স্মৃতির একটি নির্দিষ্ট তথ্য ধারণক্ষমতা বা ব্যান্ডউইথ রয়েছে, যা সাধারণত সাতটি আইটেমের আশেপাশে থাকে (Miller, 1956)। মিলার মানুষকে একটি তথ্য প্রক্রিয়াকরণ ব্যবস্থা হিসেবে বিশ্লেষণ করেন, যেখানে ইনপুট আসে, তা বাফারে জমা হয় এবং নির্দিষ্ট অ্যালগরিদমের মাধ্যমে সংরক্ষিত হয়।

এই সংজ্ঞানাত্মক আন্দোলনকে পূর্ণাঙ্গ রূপ দেন মনস্তাত্ত্বিক উলরিক নাইসার (Ulric Neisser) তার যুগান্তকারী গ্রন্থ কগনিটিভ সাইকোলজি (Cognitive Psychology)-এর মাধ্যমে (Neisser, 1967)। নাইসার সংজ্ঞানকে সংজ্ঞায়িত করেন এমন একটি প্রক্রিয়া হিসেবে যার মাধ্যমে ইন্দ্রিয়গ্রাহ্য ইনপুট রূপান্তরিত, হ্রাসকৃত, বিশদকৃত, সংরক্ষিত, পুনরুদ্ধারকৃত এবং ব্যবহৃত হয়। মানুষের মনকে এভাবে কম্পিউটারের সফটওয়্যারের সাথে তুলনা করার ফলে মনোবিজ্ঞান ও কম্পিউটার বিজ্ঞানের মধ্যে এক অভূতপূর্ব সেতুবন্ধন রচিত হয়। মনোবিজ্ঞানীরা মানুষের চিন্তার যে মডেল তৈরি করতে শুরু করলেন, কম্পিউটার বিজ্ঞানীরা কৃত্রিম বুদ্ধিমত্তা তৈরির জন্য সেই একই আর্কিটেকচার ব্যবহার করা শুরু করলেন।

এই মনস্তাত্ত্বিক আবিষ্কারগুলো কৃত্রিম বুদ্ধিমত্তাকে বুঝতে সাহায্য করেছে যে বুদ্ধিমত্তা কেবল অন্ধ উদ্দীপনা-প্রতিক্রিয়ার খেলা নয়। একটি বুদ্ধিমান সত্তার টিকে থাকার জন্য প্রয়োজন অভ্যন্তরীণ মানসিক উপস্থাপনা (Internal Mental Representation)। পরিবেশের একটি বিমূর্ত মানচিত্র মনের ভেতর এঁকে নিয়ে তবেই জটিল সিদ্ধান্ত নেওয়া সম্ভব। মনোবিজ্ঞান এআই-কে দিয়েছে মনোযোগ, স্মৃতি, প্যাটার্ন শনাক্তকরণ এবং ধারণাগত কাঠামোর মতো অপরিহার্য উপাদানগুলোর তাত্ত্বিক ব্লুপ্রিন্ট।

ভাষাবৈজ্ঞানিক ভিত্তি: উৎপাদনশীল ব্যাকরণ ও বাক্যতাত্ত্বিক স্থাপত্য (Linguistic Foundations: Generative Grammar and Syntactic Architectures)

ভাষা এবং চিন্তার সম্পর্ক কৃত্রিম বুদ্ধিমত্তার অন্যতম প্রধান ভিত্তিপ্রস্তর। মানুষ যেভাবে ভাষায় কথা বলে, জটিল বাক্য গঠন করে এবং ভাব প্রকাশ করে, তা কোনো সাধারণ প্রাণী করতে পারে না। স্কিনার যখন দাবি করেছিলেন যে শিশুরা কেবল বড়দের শুনে শুনে অনুকরণের মাধ্যমে ভাষা শেখে, তখন ১৯৫৯ সালে এক তরুণ ভাষাবিজ্ঞানী সেই ধারণার ভিত্তি নাড়িয়ে দেন। তিনি হলেন নোয়াম চমস্কি (Noam Chomsky)। স্কিনারের বইয়ের সমালোচনায় চমস্কি দেখান যে, শিশুরা তাদের জীবদ্দশায় যে পরিমাণ সীমিত বাক্য শোনে, তার চেয়ে কোটি কোটি গুণ বেশি নতুন বাক্য তারা তৈরি করতে পারে যা তারা আগে কখনো শোনেনি (Chomsky, 1959)। এই পরিস্থিতিকে চমস্কি নাম দেন উদ্দীপকের দারিদ্র্য (Poverty of the Stimulus)।

চমস্কি তার বিখ্যাত বই সিনট্যাক্টিক স্ট্রাকচারস (Syntactic Structures)-এ প্রস্তাব করেন উৎপাদনশীল ব্যাকরণ (Generative Grammar) তত্ত্ব (Chomsky, 1957)। তিনি দেখান যে মানুষের মস্তিষ্কে ভাষার জন্য একটি অন্তর্নিহিত গাণিতিক বা নিয়মভিত্তিক ব্যবস্থা বিবর্তিত হয়েছে, যাকে তিনি বলেন সার্বজনীন ব্যাকরণ (Universal Grammar)। ভাষা কোনো এলোমেলো শব্দের সমষ্টি নয়; এটা হলো নির্দিষ্ট কিছু আনুষ্ঠানিক নিয়ম মেনে সসীম সংখ্যক উপাদান দিয়ে অসীম সংখ্যক বাক্য তৈরি করার এক গণনামূলক ব্যবস্থা। চমস্কি আনুষ্ঠানিক ব্যাকরণকে বিভিন্ন স্তরে ভাগ করেন, যা ইতিহাসে চমস্কি হায়ারার্কি (Chomsky Hierarchy) নামে পরিচিত। এই স্তরবিন্যাস কম্পিউটার বিজ্ঞানের প্রোগ্রামিং ভাষা এবং কম্পাইলার ডিজাইনের ক্ষেত্রেও মূল ভিত্তি হয়ে ওঠে।

ভাষাবিজ্ঞানের এই গাণিতিক রূপ কৃত্রিম বুদ্ধিমত্তাকে ভাষা বোঝার পথ দেখায়। গবেষক জেরল্ড কাটজ (Jerrold Katz) এবং জেরি ফোডোর উৎপাদনশীল ব্যাকরণের সাথে যুক্ত করেন শব্দার্থতত্ত্ব বা সেমান্টিক্স (Katz & Fodor, 1963)। তারা দেখান কীভাবে বাক্যের শব্দার্থকে বিভিন্ন ক্ষুদ্র উপাদানে ভেঙে যৌক্তিক সমীকরণে প্রকাশ করা যায়। কৃত্রিম বুদ্ধিমত্তার প্রারম্ভিক যুগে গবেষকরা বিশ্বাস করতেন যে চমস্কির এই কাঠামোগত নিয়মগুলো কম্পিউটারে কোড করে দিলেই কম্পিউটার মানুষের ভাষা অনায়াসে বুঝতে পারবে। কম্পিউটারে একটি পার্স ট্রি তৈরি করে প্রতিটি শব্দের ভূমিকা – কোনটি বিশেষ্য, কোনটি ক্রিয়া – তা চিহ্নিত করার কাজ শুরু হয়।

তবে আধুনিক সময়ে কৃত্রিম বুদ্ধিমত্তা যখন লার্জ ল্যাঙ্গুয়েজ মডেলের যুগে প্রবেশ করেছে, তখন চিরায়ত নিয়মভিত্তিক ব্যাকরণের চেয়ে পরিসংখ্যানগত মডেল বেশি প্রাধান্য পাচ্ছে। তবুও চমস্কির মূল দার্শনিক দাবিটি আজও সত্য: ভাষা হলো একটি অত্যন্ত শক্তিশালী গণনামূলক স্থাপত্য। ভাষা ছাড়া কোনো ব্যবস্থা জটিল প্রতীক তৈরি করতে পারে না এবং বিমূর্ত চিন্তা আদান-প্রদান করতে ব্যর্থ হয়। ভাষাবিজ্ঞান তাই এআই-কে শিখিয়েছে কীভাবে প্রতীকের শৃঙ্খলা দিয়ে অসীম জটিল ভাব প্রকাশ করা সম্ভব।

স্নায়ুবিজ্ঞান ও কৃত্রিম নিউরনের জন্ম (Neuroscience and the Genesis of Artificial Neurons)

কৃত্রিম বুদ্ধিমত্তার ভৌত অনুপ্রেরণা এসেছে জীববিজ্ঞানের যে শাখা থেকে, তা হলো স্নায়ুবিজ্ঞান। মানুষের মস্তিষ্কে প্রায় ৮৬ বিলিয়ন নিউরন রয়েছে এবং তাদের মধ্যে রয়েছে ট্রিলিয়ন ট্রিলিয়ন সিন্যাপ্টিক সংযোগ। এই জটিল জৈবিক জাল কীভাবে চিন্তার জন্ম দেয়, তা বোঝার চেষ্টা থেকেই কৃত্রিম নিউরাল নেটওয়ার্কের ধারণা জন্ম নেয়। ১৯৪৩ সালে নিউরোফিজিওলজিস্ট ওয়ারেন ম্যাককুলক (Warren McCulloch) এবং যুক্তিবিদ ওয়াল্টার পিটস (Walter Pitts) এক ঐতিহাসিক গবেষণাপত্রে দেখান যে একটি জৈবিক নিউরনের কর্মকাণ্ডকে সরল গাণিতিক লজিক গেট দিয়ে প্রকাশ করা সম্ভব (McCulloch & Pitts, 1943)।

ম্যাককুলক এবং পিটসের তৈরি এই মডেলটি পরিচিত ম্যাককুলক-পিটস নিউরন (McCulloch-Pitts Neuron) নামে। তারা দেখান যে একটি নিউরন অন্যান্য নিউরন থেকে সংকেত গ্রহণ করে এবং সেই সংকেতের যোগফল যদি একটি নির্দিষ্ট থ্রেশহোল্ড বা সীমা অতিক্রম করে, তবেই নিউরনটি ফায়ার করে বা পরবর্তী নিউরনে সংকেত পাঠায়। এই অন-অফ বা বাইনারি আচরণকে বুলিয়ান লজিকের অ্যান্ড, অর এবং নট গেটের সাথে সরাসরি যুক্ত করা যায়। এই আবিষ্কারের দার্শনিক তাৎপর্য ছিল সুদূরপ্রসারী: এটি প্রমাণ করে যে মস্তিষ্কের চিন্তা কোনো অস্পষ্ট রহস্য নয়, বরং তা জটিল লজিক্যাল বর্তনীর এক বস্তুনিষ্ঠ জৈবিক প্রকাশ।

নিউরন কীভাবে শেখে – এই প্রশ্নের উত্তর দেন কানাডিয়ান মনোবিজ্ঞানী ডোনাল্ড হেব (Donald Hebb) তার ১৯৪৯ সালের বই দ্য অর্গানাইজেশন অব বিহেভিয়ার (The Organization of Behavior)-এ (Hebb, 1949)। হেব প্রস্তাব করেন তার বিখ্যাত শিক্ষণ সূত্র, যা হেবিয়ান লার্নিং (Hebbian Learning) নামে পরিচিত। তার মূল বক্তব্য ছিল: “যেসব নিউরন একসাথে সক্রিয় হয়, তাদের মধ্যকার সংযোগ আরও শক্তিশালী হয়” বা “নিউরনস দ্যাট ফায়ার টুগেদার, ওয়্যার টুগেদার”। দুটি নিউরন যখন বারবার একসাথে সক্রিয় হয়, তখন তাদের সিন্যাপসের কার্যকারিতা বেড়ে যায়। এই অত্যন্ত সরল অথচ শক্তিশালী নিয়মটি আধুনিক কৃত্রিম বুদ্ধিমত্তায় নিউরাল নেটওয়ার্কের ওজন বা ওয়েটস সমন্বয়ের মূল ভিত্তি হিসেবে কাজ করে।

এই ধারণার ওপর দাঁড়িয়ে ১৯৫৮ সালে ফ্রাঙ্ক রোজেনব্ল্যাট (Frank Rosenblatt) তৈরি করেন পারসেপট্রন (Perceptron) নামক প্রথম কার্যকরী কৃত্রিম নিউরাল নেটওয়ার্ক (Rosenblatt, 1958)। পারসেপট্রন কোনো প্রোগ্রামারের লেখা নিয়ম ছাড়াই কেবল উদাহরণ দেখে প্যাটার্ন চিনতে পারত। স্নায়ুবিজ্ঞান এভাবে কৃত্রিম বুদ্ধিমত্তাকে দেখিয়েছে যে শীর্ষ থেকে নিচে নেমে আসা বা টপ-ডাউন নিয়মের বাইরে গিয়েও নিচ থেকে উপরে ওঠা বা বটম-আপ পদ্ধতিতে স্বয়ংক্রিয়ভাবে বুদ্ধিমত্তার বিকাশ ঘটানো সম্ভব।

জ্ঞানীয় স্থাপত্য ও প্রতীকী প্রক্রিয়াকরণ বনাম কানেকশনিজম (Cognitive Architectures: Symbolic Processing versus Connectionism)

কৃত্রিম বুদ্ধিমত্তার ইতিহাসে মনকে ব্যাখ্যা করার জন্য দুটি শক্তিশালী ধারা পরস্পরের মুখোমুখি দাঁড়িয়েছে: একটি হলো প্রতীকী কৃত্রিম বুদ্ধিমত্তা (Symbolic AI) এবং অন্যটি হলো কানেকশনিজম (Connectionism)। প্রতীকী ধারার নেতৃত্ব দিয়েছিলেন কম্পিউটার বিজ্ঞানী অ্যালেন নেওয়েল (Allen Newell) এবং হার্বার্ট সাইমন (Herbert Simon)। তারা ১৯৭৬ সালে প্রস্তাব করেন তাদের বিখ্যাত ভৌত প্রতীক ব্যবস্থা প্রকল্প (Physical Symbol System Hypothesis) (Newell & Simon, 1976)। এই প্রকল্প অনুযায়ী, কোনো ভৌত ব্যবস্থার যদি প্রতীক তৈরি করার, সেগুলোকে সাজানোর এবং নির্দিষ্ট নিয়ম মেনে রূপান্তর করার ক্ষমতা থাকে, তবে সেই ব্যবস্থা সাধারণ বুদ্ধিমান আচরণের জন্য সম্পূর্ণভাবে সক্ষম।

প্রতীকী এআই মানুষের সচেতন যুক্তি, ভাষা এবং গণিতকে মনের প্রধান ভিত্তি হিসেবে ধরে নিয়েছিল। তাদের যুক্তি ছিল, মানুষ যখন দাবা খেলে বা কোনো গাণিতিক উপপাদ্য প্রমাণ করে, তখন সে মনের ভেতরে সুনির্দিষ্ট প্রতীক ও নিয়মের সাহায্যে চিন্তা করে। এই পদ্ধতি বিশ শতকের শেষভাগ পর্যন্ত বিশেষজ্ঞ সিস্টেম বা এক্সপার্ট সিস্টেম তৈরিতে ব্যাপক সাফল্য অর্জন করে। কিন্তু এই পদ্ধতির বড় দার্শনিক দুর্বলতা ছিল এর ভঙ্গুরতা। বাস্তব পৃথিবীর অস্পষ্ট তথ্য বা সামান্য ত্রুটিপূর্ণ ইনপুট পেলেই এই প্রতীকী নিয়মগুলো অচল হয়ে পড়ত।

এর বিপরীতে ১৯৮০-এর দশকে পুনরুত্থান ঘটে কানেকশনিজমের। গবেষক ডেভিড রুমেলহার্ট (David Rumelhart) এবং জেমস ম্যাকক্লেল্যান্ড (James McClelland) তাদের দুই খণ্ডের বই প্যারালাল ডিস্ট্রিবিউটেড প্রসেসিং (Parallel Distributed Processing)-এর মাধ্যমে কৃত্রিম বুদ্ধিমত্তায় এক নতুন যুগের সূচনা করেন (Rumelhart et al., 1986)। কানেকশনিস্টদের মতে, মন কোনো স্পষ্ট প্রতীক নিয়ে কাজ করে না। জ্ঞান কোনো একটি নির্দিষ্ট বাক্সে জমা থাকে না, বরং তা নেটওয়ার্কের লক্ষ লক্ষ কৃত্রিম নিউরনের মধ্যকার সংযোগের শক্তির মধ্যে ছড়িয়ে থাকে, যাকে বলা হয় বিতরণকৃত উপস্থাপনা (Distributed Representation)।

নিচের তালিকায় এই দুটি প্রধান জ্ঞানীয় কাঠামোর দার্শনিক ও পদ্ধতিগত পার্থক্যগুলো স্পষ্ট করা হলো:

• প্রতীকী ব্যবস্থা (Symbolic Paradigm):
  • দার্শনিক ভিত্তি: যুক্তিবাদ এবং টপ-ডাউন লজিক্যাল নিয়মাবলি।
  • জ্ঞানের স্বরূপ: স্পষ্ট, পঠনযোগ্য এবং সুনির্দিষ্ট চিহ্নের দ্বারা গঠিত।
  • প্রধান শক্তি: বিমূর্ত যুক্তি, ব্যাখ্যাযোগ্যতা এবং ভাষার ব্যাকরণগত বিশ্লেষণ।
  • দুর্বলতা: বাস্তব জীবনের কোলাহলপূর্ণ ও অনিশ্চিত তথ্য প্রক্রিয়াকরণে ব্যর্থতা।
• কানেকশনিস্ট ব্যবস্থা (Connectionist Paradigm):
  • দার্শনিক ভিত্তি: অভিজ্ঞতাবাদ এবং বটম-আপ বায়োলজিক্যাল নিউরাল মডেল।
  • জ্ঞানের স্বরূপ: সাব-সিম্বলিক, অস্পষ্ট এবং নিউরনের ওজনের মধ্যে বিস্তৃত।
  • প্রধান শক্তি: দৃষ্টি, শব্দ ও প্যাটার্ন শনাক্তকরণ এবং অভিযোজন ক্ষমতা।
  • দুর্বলতা: অভ্যন্তরীণ সিদ্ধান্তের কার্যকারণ ব্যাখ্যা করার জটিলতা বা ব্ল্যাক বক্স সমস্যা।

এই দুই ধারার দ্বন্দ্ব আধুনিক কৃত্রিম বুদ্ধিমত্তাকে এক চমৎকার সমন্বয়ের দিকে নিয়ে গেছে। আধুনিক গবেষকরা বুঝতে পেরেছেন যে মানুষের মনের মধ্যেও এই দুই ব্যবস্থারই অস্তিত্ব রয়েছে; দ্রুত প্যাটার্ন চেনার জন্য সাব-সিম্বলিক নিউরাল প্রসেসিং এবং ধীরগতির গভীর চিন্তার জন্য প্রতীকী যুক্তি।

আন্তঃবিষয়ক সংশ্লেষ ও মন-যন্ত্রের একীভূত জ্ঞানতত্ত্ব (Interdisciplinary Synthesis and the Unified Epistemology of Mind and Machine)

চারটি ভিন্ন শাস্ত্র – দর্শন, মনোবিজ্ঞান, ভাষাবিজ্ঞান ও স্নায়ুবিজ্ঞান – যখন কৃত্রিম বুদ্ধিমত্তার গবেষণাগারে একত্রিত হলো, তখন একটি সমন্বিত কগনিটিভ বিজ্ঞানের জন্ম হলো। এই আন্তঃবিষয়ক মিলনকে একটি সুসংহত তাত্ত্বিক রূপরেখা দিয়েছিলেন স্নায়ুবিজ্ঞানী ও সংজ্ঞানাত্মক বিজ্ঞানী ডেভিড মার (David Marr) তার বিখ্যাত গ্রন্থ ভিশন (Vision)-এ (Marr, 1982)। মার দেখান যে কোনো জটিল তথ্য প্রক্রিয়াকরণ ব্যবস্থাকে – তা মানুষের মস্তিষ্কই হোক বা কৃত্রিম কম্পিউটার – তিনটি ভিন্ন তাত্ত্বিক স্তরে বিশ্লেষণ করতে হয়:

• কম্পিউটেশনাল স্তর (Computational Level): এখানে প্রশ্ন করা হয় ব্যবস্থাটি আসলে কী কাজ করছে এবং কেন করছে? লক্ষ্য ও উদ্দেশ্যের গাণিতিক রূপ কী?
• অ্যালগরিদমিক বা উপস্থাপনা স্তর (Algorithmic/Representational Level): এখানে দেখা হয় তথ্য কীভাবে মনের ভেতর উপস্থাপিত হচ্ছে এবং ইনপুটকে আউটপুটে রূপান্তরের জন্য কোন সুনির্দিষ্ট অ্যালগরিদম ব্যবহৃত হচ্ছে?
• বাস্তবায়ন স্তর (Implementational Level): এখানে বিশ্লেষণ করা হয় অ্যালগরিদমটি ভৌত মাধ্যমে কীভাবে বাস্তবায়িত হচ্ছে – জৈবিক নিউরনে নাকি সিলিকন চিপে?

মারের এই ত্রি-স্তরীয় কাঠামো প্রমাণ করে যে মন এবং যন্ত্রের সম্পর্ক কোনো দ্বান্দ্বিক সংঘাত নয়। দর্শন আমাদের কম্পিউটেশনাল স্তরের উদ্দেশ্য বুঝতে শেখায়, মনোবিজ্ঞান ও ভাষাবিজ্ঞান আমাদের অ্যালগরিদমিক স্তরের নিয়ম বাতলে দেয়, আর স্নায়ুবিজ্ঞান আমাদের দেখায় এর ভৌত বাস্তবায়ন কীভাবে সম্ভব। ফলে বুদ্ধিমত্তা কোনো একক শাস্ত্রের বিষয় নয়, বরং এটি একাধিক শাখার সমন্বয়ে গড়ে ওঠা এক সামগ্রিক বিজ্ঞান।

দার্শনিক পল চার্চল্যান্ড (Paul Churchland) তার এলিমিনেটিভ ম্যাটেরিয়ালিজম (Eliminative Materialism) তত্ত্বে এক ধাপ এগিয়ে দাবি করেন যে, স্নায়ুবিজ্ঞান ও কম্পিউটেশনাল বিজ্ঞানের অগ্রগতির সাথে সাথে মন সম্পর্কিত আমাদের প্রাচীন লোকায়ত বিশ্বাসগুলো একদিন বৈজ্ঞানিক পরিভাষা দ্বারা প্রতিস্থাপিত হবে (Churchland, 1981)। আত্মা বা অলৌকিক ইচ্ছাশক্তির মতো কাল্পনিক ধারণার দিন শেষ হয়ে এসেছে। আধুনিক মানুষ আজ বুঝতে পারছে যে অনুভূতি, স্মৃতি এবং চেতনা হলো বস্তুগত বাস্তবতার সুশৃঙ্খল তথ্যপ্রবাহ।

চারটি শাস্ত্রের এই ঐতিহাসিক সংশ্লেষ মানবজাতিকে তার নিজের অস্তিত্বের সবচেয়ে বড় রহস্য উন্মোচনের প্রান্তে এনে দাঁড় করিয়েছে। কৃত্রিম বুদ্ধিমত্তা আজ আর কেবল কম্পিউটার বিজ্ঞানের কোনো বিচ্ছিন্ন শাখা নয়; এটি মানবজাতির শতাব্দীর পর শতাব্দী ধরে সংগৃহীত দর্শন, মনস্তত্ত্ব, ভাষা ও স্নায়বিক জ্ঞানের এক অনন্য মেলবন্ধন। যন্ত্রের আয়নায় নিজের প্রতিচ্ছবি দেখে মানুষ আজ তার মনের আসল স্বরূপকে বস্তুনিষ্ঠভাবে চিনে নিতে শুরু করেছে।

এআইয়ের গাণিতিক ও কম্পিউটেশনাল ভিত্তি (Mathematical and Computational Foundations of AI): যুক্তিবিদ্যা, সম্ভাব্যতা, অ্যালগরিদম ও গণনাযোগ্যতা

গাণিতিক যুক্তিবিদ্যা ও আনুষ্ঠানিক ব্যবস্থার দার্শনিক ভিত্তি (Mathematical Logic and Philosophical Foundations of Formal Systems)

মানুষের চিন্তার ধারাকে গাণিতিক সমীকরণের মতো সুনির্দিষ্ট নিয়মে বাঁধার স্বপ্ন বহু পুরোনো। সপ্তদশ শতকে জার্মান দার্শনিক ও গণিতবিদ গটফ্রিড ভিলহেম লাইবনিজ (Gottfried Wilhelm Leibniz) একটি সর্বজনীন ভাষার স্বপ্ন দেখেছিলেন, যার নাম তিনি দিয়েছিলেন ক্যারেক্টারিস্টিকা ইউনিভার্সালিস (Characteristica Universalis) (Leibniz, 1677/1951)। লাইবনিজ ভেবেছিলেন এমন একটি প্রতীকী ব্যবস্থা গড়ে তোলা সম্ভব, যেখানে মানুষের সমস্ত দার্শনিক ও বৈজ্ঞানিক বিতর্ক গাণিতিক হিসাবের মতো সমাধান করা যাবে। কোনো বিষয়ে মতভেদ তৈরি হলে দুই চিন্তাবিদ খাতা-কলম নিয়ে বসে বলবেন, “চলুন গণনা করা যাক” বা “কালেকুলেমুস”। লাইবনিজের এই প্রস্তাব চিন্তাকে কোনো অস্পষ্ট আত্মিক অনুভূতির স্তর থেকে নামিয়ে একটি আনুষ্ঠানিক গণনা প্রক্রিয়ায় রূপান্তরের প্রথম দার্শনিক ভিত্তি স্থাপন করে।

বিশ শতকের শুরুতে এই ধারা আরও শক্তিশালী রূপ ধারণ করে যখন গণিতবিদরা সমগ্র গণিতকে স্বতঃসিদ্ধ কিছু লজিক্যাল নিয়মের ওপর দাঁড় করানোর চেষ্টা করেন। গণিতবিদ ডেভিড হিলবার্ট (David Hilbert) তার বিখ্যাত হিলবার্গের কর্মসূচি (Hilbert’s Program) ঘোষণা করেন (Hilbert, 1928)। হিলবার্গের লক্ষ্য ছিল একটি সম্পূর্ণ, সঙ্গতিপূর্ণ এবং সিদ্ধান্তযোগ্য আনুষ্ঠানিক ব্যবস্থা গড়ে তোলা, যেখানে যেকোনো গাণিতিক দাবি সত্য কি না তা একটি যান্ত্রিক পদ্ধতির সাহায্যে যাচাই করা যাবে। একে বলা হতো সিদ্ধান্ত সমস্যা (Entscheidungsproblem)। যদি কোনো আনুষ্ঠানিক ব্যবস্থা এমন হয় যে তার প্রতিটি সত্য বিবৃতিকে লজিক্যাল নিয়মের মাধ্যমে প্রমাণ করা যায়, তবে মানুষের মনের যুক্তিবোধকে একটি অ্যালগরিদমের মাধ্যমে পুনরুৎপাদন করা সম্ভব হবে।

তবে ১৯৩১ সালে অস্ট্রিয়ান যুক্তিবিদ কুর্ট গ্যোডেল (Kurt Gödel) তার যুগান্তকারী অসম্পূর্ণতা উপপাদ্য (Incompleteness Theorems) দিয়ে হিলবার্গের এই উচ্চাকাঙ্ক্ষী স্বপ্নে এক বিরাট আঘাত হানেন (Gödel, 1931)। গ্যোডেল গাণিতিকভাবে প্রমাণ করেন যে পাটিগণিত ধারণ করতে পারে এমন যেকোনো সঙ্গতিপূর্ণ আনুষ্ঠানিক ব্যবস্থার ভেতর এমন কিছু সত্য বিবৃতি থাকবে যা সেই ব্যবস্থার ভেতরের নিয়ম দিয়ে প্রমাণ করা অসম্ভব। অর্থাৎ সত্য এবং প্রমাণযোগ্যতা এক জিনিস নয়। এই আবিষ্কারের দার্শনিক তাৎপর্য ছিল সুদূরপ্রসারী। এটি দেখায় যে যুক্তির কোনো পরম বা সম্পূর্ণ স্বয়ংসম্পূর্ণ মেকানিক্যাল জগৎ হতে পারে না। গ্যোডেলের এই উপপাদ্য কৃত্রিম বুদ্ধিমত্তার তাত্ত্বিকদের সতর্ক করে দেয় যে নিখাদ অবরোহী লজিক দিয়ে সমস্ত সত্যকে ধরা সম্ভব নয়।

তবুও গাণিতিক যুক্তিবিদ্যা কৃত্রিম বুদ্ধিমত্তার প্রাথমিক ভাষা হিসেবে নিজের স্থান পোক্ত করে নেয়। প্রথম-স্তরের প্রেডিকেট লজিক (First-Order Predicate Logic) ব্যবহারের মাধ্যমে বাস্তব জগতের বস্তু, তাদের বৈশিষ্ট্য এবং তাদের মধ্যকার সম্পর্ককে

$(\forall x)(P(x) \rightarrow Q(x))$

এর মতো নিখুঁত সূত্রে রূপান্তর করা সম্ভব হয়। এর ফলে মানুষের বিমূর্ত যুক্তিবোধকে কম্পিউটারের প্রক্রিয়াকরণ উপযোগী সিনট্যাক্সে রূপান্তর করার এক বস্তুনিষ্ঠ পথ তৈরি হয়। যুক্তিবিদ্যা এআই-কে কোনো অলৌকিক বিশ্বাসের বদলে কঠোর নিয়মতান্ত্রিক সত্যের কাঠামোর ওপর দাঁড় করায়।

গণনাযোগ্যতা, টুরিং মেশিন ও মেকানিকালিজমের সীমা (Computability, Turing Machines, and the Limits of Mechanicalism)

কোনো সমস্যাকে যান্ত্রিক নিয়মে সমাধান করার অর্থ আসলে কী? ১৯৩৬ সালে ব্রিটিশ গণিতবিদ অ্যালান টুরিং (Alan Turing) তার ঐতিহাসিক গবেষণা প্রবন্ধ অন কম্পিউটেবল নাম্বারস (On Computable Numbers)-এ এই প্রশ্নের এক নিখুঁত গাণিতিক উত্তর দেন (Turing, 1936)। টুরিং একটি কাল্পনিক যন্ত্রের নকশা করেন, যা ইতিহাসে টুরিং মেশিন (Turing Machine) নামে পরিচিত। এই যন্ত্রটিতে থাকে একটি অসীম দৈর্ঘ্যের ফিতা বা টেপ, একটি রিড-রাইট হেড এবং কিছু নির্দিষ্ট অভ্যন্তরীণ অবস্থা বা স্টেট। ফিতার ওপর নির্দিষ্ট প্রতীক পড়ে, মুছে বা নতুন প্রতীক লিখে যন্ত্রটি যেকোনো সুনির্দিষ্ট গাণিতিক নিয়ম সম্পাদন করতে পারে। টুরিং দেখান যে যেকোনো জটিল অ্যালগরিদমকে এই সাধারণ টেপ ও চিহ্নের স্থানান্তরের মাধ্যমে প্রকাশ করা সম্ভব।

একই সময়ে মার্কিন যুক্তিবিদ আলোনজো চার্চ (Alonzo Church) ল্যাম্বডা ক্যালকুলাসের মাধ্যমে কার্যকর গণনাযোগ্যতার আরেকটি সমান্তরাল গাণিতিক মডেল দাঁড় করান (Church, 1936)। এই দুই স্বাধীন গবেষণার সমন্বয়ে জন্ম নেয় বিখ্যাত চার্চ-টুরিং থিসিস (Church-Turing Thesis)। এই থিসিসের মূল বক্তব্য হলো: কার্যকর কোনো অ্যালগরিদমের মাধ্যমে যা কিছু গণনা করা সম্ভব, তা একটি সার্বজনীন টুরিং মেশিন দিয়েও গণনা করা সম্ভব। এর দার্শনিক গুরুত্ব অপরিসীম। মানুষ তার মস্তিষ্কে যে সচেতন হিসাব-নিকাশ বা লজিক্যাল যুক্তি তৈরি করে, তা যদি কোনো সুনির্দিষ্ট নিয়মের অধীন হয়, তবে তা একটি অজৈব টুরিং মেশিনেও সমানভাবে কার্যকর করা সম্ভব। মানুষের চিন্তার যান্ত্রিক ভিত্তি এখানে এক অভূতপূর্ব গাণিতিক সমর্থন লাভ করে।

তবে টুরিং কেবল গণনাযোগ্যতার পথই দেখাননি, তিনি গণনার এক অলঙ্ঘনীয় সীমানাও উন্মোচন করেছিলেন। টুরিং প্রমাণ করেন যে এমন কিছু সমস্যা রয়েছে যা কোনো অ্যালগরিদম দিয়েই সমাধান করা সম্ভব নয়, যা ইতিহাসে হল্টিং সমস্যা (Halting Problem) নামে পরিচিত। কোনো একটি প্রোগ্রাম এবং তার ইনপুট দেখে কোনো সার্বজনীন অ্যালগরিদম কখনোই নিশ্চিত করে বলতে পারবে না যে প্রোগ্রামটি একসময় থেমে যাবে নাকি অসীম লুপে ঘুরতে থাকবে। এই আবিষ্কারটি প্রমাণ করে যে মেকানিক্যাল গণনার একটি চূড়ান্ত সীমা রয়েছে। প্রকৃতিতে এমন কিছু সমস্যা রয়েছে যা তাত্ত্বিকভাবে সংজ্ঞায়িত করা গেলেও কোনো গণনামূলক অ্যালগরিদম দিয়ে তার পরম সমাধান পাওয়া সম্ভব নয়।

গণনাযোগ্যতার এই দর্শন প্রমাণ করে যে মন বা কৃত্রিম বুদ্ধিমত্তা কোনো জাদুকরী ক্ষমতার অধিকারী নয়। কৃত্রিম বুদ্ধিমত্তার যেকোনো মডেল শেষ পর্যন্ত টুরিং সমতুল্যতার নিয়মে আবদ্ধ। ফলে এআই নিয়ে ভাবার সময় আমাদের বুঝতে হবে যে যন্ত্রের বুদ্ধিমত্তা হলো ভৌত গণনার নিয়মে পরিচালিত এক অত্যন্ত জটিল তথ্য প্রক্রিয়াকরণ ব্যবস্থা, যার শক্তি যেমন গণিতের ওপর দাঁড়িয়ে আছে, তেমনি তার সীমাবদ্ধতাও নির্ধারিত হয়েছে গণিতেরই মৌলিক নিয়মের দ্বারা।

সম্ভাব্যতা তত্ত্ব, বেইজীয় জ্ঞানতত্ত্ব ও অনিশ্চয়তার যুক্তি (Probability Theory, Bayesian Epistemology, and the Logic of Uncertainty)

বাস্তব পৃথিবী কোনো লজিক্যাল সূত্রের মতো সম্পূর্ণ সাদা-কালো বা দ্বিমুখী নয়। বাস্তব জীবনে মানুষের সমস্ত অভিজ্ঞতা এবং তথ্য থাকে অনিশ্চয়তা, গোলমাল এবং অস্পষ্টতায় ভরা।খাঁটি যুক্তিবিদ্যা যেখানে কেবল ‘সত্য’ \(1\) অথবা ‘মিথ্যা’ \(0\) নিয়ে কাজ করে, সেখানে বাস্তব জগতের জটিলতা সামলাতে কৃত্রিম বুদ্ধিমত্তাকে আশ্রয় নিতে হয় সম্ভাব্যতা তত্ত্বের। অষ্টাদশ শতকে ফরাসি গণিতবিদ পিয়ের-সিমন লাপ্লাস (Pierre-Simon Laplace) তার বিখ্যাত গ্রন্থ ফিলসফিক্যাল এসে অন প্রোবাবিলিটিস (Philosophical Essay on Probabilities)-এ সম্ভাব্যতাকে কেবল জুয়া খেলার হিসাব হিসেবে না দেখে মানুষের অপূর্ণ জ্ঞানের এক বস্তুনিষ্ঠ পরিমাপ হিসেবে সংজ্ঞায়িত করেন (Laplace, 1814/1951)।

এই ধারার সবচেয়ে শক্তিশালী জ্ঞানতাত্ত্বিক ভিত্তিটি তৈরি করেছিলেন ইংরেজ গণিতবিদ থমাস বেইজ (Thomas Bayes), যার কাজ পরবর্তীতে বেইজীয় জ্ঞানতত্ত্ব (Bayesian Epistemology) নামে পরিচিতি পায় (Bayes, 1763)। বেইজের উপপাদ্য দেখায় যে নতুন প্রমাণের উপস্থিতিতে একজন বুদ্ধিমান সত্তা কীভাবে তার পূর্ববর্তী বিশ্বাস বা ধারণাকে পরিমার্জিত করবে:

$$P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}$$

এখানে \(H\) দ্বারা কোনো নির্দিষ্ট হাইপোথিসিস বা অনুমান (Hypothesis) বোঝানো হয়েছে এবং \(E\) দ্বারা বোঝানো হয়েছে সেই অনুমানের সঙ্গে সম্পর্কিত নতুন প্রমাণ বা পর্যবেক্ষণ (Evidence)। \(P\) হলো সম্ভাব্যতা (Probability) নির্দেশকারী প্রতীক। ফলে \(P(H)\) হলো নতুন প্রমাণ \(E\) পাওয়ার আগে \(H\) অনুমানটি সত্য হওয়ার সম্ভাব্যতা, যাকে পূর্ববর্তী সম্ভাব্যতা (Prior Probability) বলা হয়। \(P(E|H)\) হলো \(H\) সত্য ধরে নিলে \(E\) প্রমাণটি পাওয়ার সম্ভাব্যতা, যাকে লাইকলিহুড (Likelihood) বলা হয়। এখানে উল্লম্ব দাগ \(|\) দ্বারা শর্তসাপেক্ষতা (Conditionality) বোঝানো হয়; অর্থাৎ \(P(E|H)\)-এর অর্থ হলো \(H\) সত্য হওয়ার শর্তে \(E\)-এর সম্ভাব্যতা। অন্যদিকে, \(P(E)\) হলো \(H\) সত্য বা মিথ্যা যাই হোক না কেন, সামগ্রিকভাবে \(E\) প্রমাণটি পাওয়ার মোট সম্ভাব্যতা। একে প্রমাণের সম্ভাব্যতা (Evidence Probability) বা মার্জিনাল লাইকলিহুড (Marginal Likelihood) বলা হয়। \(\cdot\) চিহ্নটি গুণ নির্দেশ করে এবং \(\frac{P(E|H)\cdot P(H)}{P(E)}\) দ্বারা বোঝানো হয় যে হাইপোথিসিসটির পূর্ববর্তী সম্ভাব্যতাকে নতুন প্রমাণের সঙ্গে তার সামঞ্জস্যের ভিত্তিতে সংশোধন করা হচ্ছে। এই হিসাবের ফল \(P(H|E)\), অর্থাৎ \(E\) প্রমাণটি পাওয়ার পরে \(H\) সত্য হওয়ার হালনাগাদ সম্ভাব্যতা। একে পরবর্তী সম্ভাব্যতা (Posterior Probability) বলা হয়।

অতএব বেইজের উপপাদ্যের মূল ধারণা হলো, কোনো ধারণাকে একবার গ্রহণ করার পর সেটিকে স্থির সত্য হিসেবে ধরে রাখা নয়; বরং নতুন প্রমাণ পাওয়া মাত্র সেই ধারণার সম্ভাব্যতা পুনর্মূল্যায়ন করা। বেইজিয়ান মডেল মানুষের জ্ঞান অর্জনকে এভাবে একটি গতিশীল শিক্ষণ প্রক্রিয়া হিসেবে ব্যাখ্যা করে, যেখানে পূর্ববর্তী বিশ্বাস, নতুন প্রমাণ এবং সেই প্রমাণের প্রত্যাশিত হওয়ার মাত্রা একত্রে বিবেচনা করে বিশ্বাসের সম্ভাব্যতা ক্রমাগত হালনাগাদ করা হয়।

এই গাণিতিক ধারণাকে দর্শনের শক্ত ভিত্তির ওপর দাঁড় করান পদার্থবিদ রিচার্ড কক্স (Richard Cox) তার বিখ্যাত কক্সের উপপাদ্য (Cox’s Theorem) এর মাধ্যমে (Cox, 1946)। কক্স দেখান যে কোনো যুক্তিসংগত ব্যবস্থার যদি নিজস্ব বিশ্বাসের ধারাবাহিকতা বজায় রাখতে হয়, তবে তার বিশ্বাসের মাত্রাকে অবধারিতভাবেই সম্ভাব্যতা তত্ত্বের স্ট্যান্ডার্ড নিয়মগুলো মেনে চলতে হবে। অর্থাৎ, অনিশ্চিত পরিস্থিতিতে যুক্তিসংগতভাবে চিন্তা করার একমাত্র গাণিতিক পথ হলো সম্ভাব্যতা তত্ত্ব। কক্সের এই বিশ্লেষণ নিশ্চিত করে যে সম্ভাব্যতা কেবল পরিসংখ্যানের একটি শাখা নয়, বরং এটি হলো চিরায়ত যুক্তিবিদ্যার এক স্বাভাবিক ও বিস্তৃত সম্প্রসারণ।

আধুনিক কৃত্রিম বুদ্ধিমত্তায় এই বেইজিয়ান কাঠামো এক অপরিহার্য চালিকাশক্তি। মেডিকেল ডায়াগনোসিস থেকে শুরু করে স্বয়ংক্রিয় গাড়ি চালানোর ক্ষেত্রে সেন্সরের পাওয়া তথ্যে সবসময় কিছু ত্রুটি থাকে। একটি রোবট যখন ক্যামেরা দিয়ে একটি অস্পষ্ট ছায়া দেখে, তখন সে নিখুঁত নিশ্চিত হওয়ার জন্য অপেক্ষা করে না; বরং সে বেইজিয়ান ক্যালকুলাস ব্যবহার করে সবচেয়ে সম্ভাব্য বস্তুটি অনুমান করে তাৎক্ষণিক সিদ্ধান্ত নেয়। সম্ভাব্যতা তত্ত্ব এভাবে এআই-কে শিখিয়েছে কীভাবে অসম্পূর্ণ তথ্যের জগতে দাঁড়িয়েও সর্বোচ্চ যৌক্তিক সিদ্ধান্ত গ্রহণ করা যায়।

অ্যালগরিদমিক জটিলতা ও গণনামূলক সীমাবদ্ধতার দর্শন (Algorithmic Complexity and the Philosophy of Computational Tractability)

তাত্ত্বিকভাবে কোনো সমস্যা সমাধানযোগ্য হওয়াই যথেষ্ট নয়; সমস্যাটি বাস্তব সময়ে এবং নির্দিষ্ট সম্পদে সমাধান করা সম্ভব কি না, তাও সমান গুরুত্বপূর্ণ। গণিতের যে শাখাটি এই সীমাবদ্ধতা নিয়ে আলোচনা করে, তা হলো কম্পিউটেশনাল জটিলতা তত্ত্ব (Computational Complexity Theory)। ১৯৭১ সালে কম্পিউটার বিজ্ঞানী স্টিফেন কুক (Stephen Cook) তার গবেষণাপত্রে সমস্যার সমাধানযোগ্যতাকে পলিনোমিয়াল টাইম বা \(P\) এবং নন-ডিটারমিনিস্টিক পলিনোমিয়াল টাইম বা \(NP\) শ্রেণিতে বিভক্ত করেন (Cook, 1971)। এই বিভাজন থেকে জন্ম নেয় তাত্ত্বিক কম্পিউটার বিজ্ঞানের সবচেয়ে বড় প্রশ্ন:

$$P = NP$$

কি না? অর্থাৎ যেসব সমস্যার সমাধান দ্রুত যাচাই করা যায়, সেগুলোর সমাধান কি দ্রুত খুঁজে বের করাও সম্ভব?

পরের বছর বিজ্ঞানী রিচার্ড কার্প (Richard Karp) প্রমাণ করেন যে কম্পিউটার বিজ্ঞানের বহু মৌলিক সমস্যা এনপি-কমপ্লিট (NP-Complete) শ্রেণির অন্তর্ভুক্ত (Karp, 1972)। এর অর্থ হলো, ইনপুটের আকার সামান্য বাড়লেই এই সমস্যাগুলো সমাধান করার জন্য প্রয়োজনীয় সময় সূচকীয় হারে বৃদ্ধি পায়। উদাহরণস্বরূপ, একজন সেলসম্যানকে যদি কয়েকটি শহরের মধ্য দিয়ে সবচেয়ে কম দূরত্বে ভ্রমণ করতে বলা হয়, তবে শহরের সংখ্যা মাত্র ৫০টি হলেই সম্ভাব্য রুটের সংখ্যা এত বিশাল হয়ে দাঁড়ায় যা পৃথিবীর সমস্ত সুপারকম্পিউটার মিলেও কোটি কোটি বছরে হিসাব করতে পারবে না। এই পরিস্থিতিকে বলা হয় গণনামূলক অপ্রতিরোধ্যতা (Computational Intractability)।

জটিলতা তত্ত্বের এই দার্শনিক তাৎপর্য অত্যন্ত গভীর। এটি দেখায় যে মানুষের মন বা কোনো কৃত্রিম বুদ্ধিমত্তা কখনোই কোনো জটিল বাস্তব সমস্যার নিখুঁত অপ্টিমাইজেশন করতে পারে না। জ্ঞানের পরম রূপ অর্জনে প্রকৃতির ভৌত নিয়ম এবং সময়ের সীমাবদ্ধতা এক দুর্লঙ্ঘ্য প্রাচীর হয়ে দাঁড়ায়। ফলে একজন বাস্তব বুদ্ধিমান এজেন্টকে সবসময় নিখুঁত সমাধানের আশা ত্যাগ করে আনুমানিক বা হিউরিস্টিক সমাধান (Heuristic Solution) এর ওপর নির্ভর করতে হয়। সীমিত সময়ের মধ্যে একটি কার্যকর উত্তর খুঁজে পাওয়াই হলো বাস্তব বুদ্ধিমত্তার আসল শর্ত।

নিচের তালিকায় কম্পিউটেশনাল জটিলতার প্রধান শ্রেণিগুলোর দার্শনিক ও গাণিতিক বৈশিষ্ট্য তুলে ধরা হলো:

• শ্রেণি \(P\) (Polynomial Time):
  • বৈশিষ্ট্য: যেসব সমস্যা বাস্তব সময়ে বা সহজে কার্যকর অ্যালগরিদম দিয়ে সমাধান করা যায় \(O(n^k)\)।
  • দার্শনিক তাৎপর্য: এগুলোকে বাস্তবিক অর্থে গণনসাধ্য ও সহজে সমাধানযোগ্য জ্ঞান হিসেবে বিবেচনা করা হয়।
• শ্রেণি \(NP\) (Nondeterministic Polynomial Time):
  • বৈশিষ্ট্য: যেসব সমস্যার সমাধান দেওয়া থাকলে তা দ্রুত যাচাই করা যায়, কিন্তু সমাধান খুঁজে পাওয়া অত্যন্ত কঠিন হতে পারে।
  • দার্শনিক তাৎপর্য: যাচাই করার ক্ষমতা এবং নিজে আবিষ্কার করার ক্ষমতার মধ্যকার মৌলিক জ্ঞানতাত্ত্বিক ব্যবধানকে নির্দেশ করে।
• শ্রেণি \(NP\)-Hard ও \(NP\)-Complete:
  • বৈশিষ্ট্য: সবচেয়ে জটিল সমস্যাগুলোর সমষ্টি, যার একটিকে দ্রুত সমাধান করা গেলে পুরো \(NP\) শ্রেণিকে দ্রুত সমাধান করা যাবে।
  • দার্শনিক তাৎপর্য: প্রকৃতির এমন কিছু জটিল প্যাটার্ন রয়েছে যা সীমিত সম্পদে বিশ্লেষণ করা তাত্ত্বিকভাবে প্রায় অসম্ভব।

এই জটিলতা কাঠামো প্রমাণ করে যে অমায়িক সর্বজ্ঞাতা বা সর্বশক্তিমান কোনো বুদ্ধিমত্তার অস্তিত্ব বাস্তব ভৌত জগতে সম্ভব নয়। বুদ্ধিমত্তা সবসময় সীমিত সম্পদ এবং সময়ের মধ্যে সর্বোচ্চ উপযোগিতা বের করে আনার এক অভিযোজনমূলক লড়াই। কৃত্রিম বুদ্ধিমত্তার অ্যালগরিদমগুলো তাই নিখুঁত সত্যের পেছনে না ছুটে বাস্তবসম্মত সন্তোষজনক সমাধানের কৌশল তৈরি করে।

তথ্য তত্ত্ব, এন্ট্রপি ও তথ্যের সত্তাতাত্ত্বিক অবস্থান (Information Theory, Entropy, and the Ontological Status of Information)

তথ্য আসলে কী? এটি কি কোনো বস্তুগত পদার্থ নাকি মনের বিমূর্ত কল্পনা? ১৯৪৮ সালে মার্কিন গণিতবিদ ক্লদ শ্যানন (Claude Shannon) তার ঐতিহাসিক গবেষণা প্রবন্ধ এ ম্যাথমেটিক্যাল থিওরি অব কমিউনিকেশন (A Mathematical Theory of Communication)-এর মাধ্যমে এই প্রশ্নের এক বৈপ্লবিক গাণিতিক ভিত্তি স্থাপন করেন (Shannon, 1948)। শ্যানন তথ্যকে কোনো ভাষার অর্থ বা ভাবাবেগের সাথে না মিলিয়ে একে সংজ্ঞায়িত করলেন অনিশ্চয়তা কমানোর একটি পরিমাপ হিসেবে। কোনো বার্তা আমাদের কতখানি নতুন তথ্য দিচ্ছে, তা নির্ভর করে বার্তাটির সম্ভাব্যতা কত কম তার ওপর। শ্যানন তথ্যের পরিমাপের একক হিসেবে বিট বা বাইনারি ডিজিটের প্রস্তাব করেন এবং এর জন্য তাপগতিবিদ্যার আদলে তথ্য এন্ট্রপি (Information Entropy) সমীকরণ তৈরি করেন:

$$H(X) = -\sum_{i} P(x_i) \log_2 P(x_i)$$

শ্যাননের এই কাজ প্রমাণ করে যে তথ্য কোনো রহস্যময় উপাদান নয়; তথ্য হলো বস্তুগত ব্যবস্থার একটি সুনির্দিষ্ট ও পরিমাপযোগ্য বিন্যাস। ১৯৬১ সালে পদার্থবিদ রল্ফ ল্যান্ডাউয়ার (Rolf Landauer) তার বিখ্যাত ল্যান্ডাউয়ারের নীতি (Landauer’s Principle) প্রস্তাব করে দেখান যে তথ্য প্রক্রিয়াকরণ সরাসরি তাপগতিবিদ্যার বস্তুগত নিয়মের সাথে যুক্ত (Landauer, 1961)। ল্যান্ডাউয়ার প্রমাণ করেন যে একটি কম্পিউটারে এক বিট তথ্য মুছে ফেলার জন্য পরিবেশের মধ্যে ন্যূনতম একটি নির্দিষ্ট পরিমাণ তাপশক্তি নির্গত করতে হয় \(k_B T \ln 2\)। এই আবিষ্কার নিশ্চিত করে যে তথ্য কোনো বায়বীয় বিমূর্ত ধারণা নয়; তথ্য হলো একটি ভৌত ঘটনা বা “ইনফরমেশন ইজ ফিজিক্যাল”।

তথ্য তত্ত্বের এই বিকাশ আধুনিক দর্শনে এক নতুন সত্তাতত্ত্বের জন্ম দেয়। পদার্থবিজ্ঞানী জন আর্চিবাল্ড হুইলার (John Archibald Wheeler) তার বিখ্যাত উক্তিতে বলেছিলেন “ইট ফ্রম বিট” বা “সব বস্তুর মূলেই রয়েছে তথ্য” (Wheeler, 1990)। হুইলারের মতে, মহাবিশ্বের সমস্ত কণা, শক্তি এবং ক্ষেত্র শেষ পর্যন্ত তথ্যের বাইনারি চয়েসের মাধ্যমেই প্রকাশিত হয়। কৃত্রিম বুদ্ধিমত্তা এই তথ্যের সত্তাতাত্ত্বিক ধারণাকে পূর্ণতা দিয়েছে। মানুষ যখন চিন্তা করে বা কোনো এআই যখন ছবি চেনে, তখন মূলত যা ঘটে তা হলো তথ্যের এক রূপ থেকে অন্য রূপে রূপান্তর।

তথ্য তত্ত্ব এআই-কে শিখিয়েছে কীভাবে শব্দ ও ছবির বিশৃঙ্খল সংকেত থেকে অপ্রয়োজনীয় নয়েজ দূর করে প্রয়োজনীয় তথ্যটুকু ছেঁকে নিতে হয়। ডিপ লার্নিং নেটওয়ার্কগুলো মূলত শ্যাননের তথ্য তত্ত্ব মেনেই কাজ করে; তারা বিশাল ডেটাসেট থেকে অপ্রয়োজনীয় তথ্য বাদ দিয়ে মূল প্যাটার্নটুকুকে সংকুচিত বা কম্প্রেস করে নিজের ভেতর ধারণ করে। ফলে বুদ্ধিমত্তার বিকাশ কোনো ঐশ্বরিক আলো নয়, বরং এটি হলো এনট্রপির বিরুদ্ধে তথ্যের সুশৃঙ্খল বিন্যাস তৈরির এক বস্তুনিষ্ঠ গাণিতিক লড়াই।

পরিসংখ্যানগত শিক্ষণ তত্ত্ব ও ইন্ডাকশনের ন্যায্যতা (Statistical Learning Theory and the Justification of Induction)

অষ্টাদশ শতকে স্কটিশ দার্শনিক ডেভিড হিউম (David Hume) মানব চিন্তার এক চরম দুর্বলতা উন্মোচন করেছিলেন, যা দর্শনে ইন্ডাকশনের সমস্যা (Problem of Induction) নামে পরিচিত (Hume, 1748/2000)। হিউম প্রশ্ন তুলেছিলেন: আমরা অতীতে সূর্যকে প্রতিদিন পূর্ব দিকে উঠতে দেখেছি বলেই ভবিষ্যতে যে সূর্য পূর্ব দিকেই উঠবে, তার যৌক্তিক নিশ্চয়তা কোথায়? সসীম সংখ্যক পর্যবেক্ষণ থেকে কোনো সর্বজনীন নিয়মে পৌঁছানোর পেছনে কোনো অবরোহী গাণিতিক নিশ্চয়তা থাকে না। বছরের পর বছর ধরে সাদা রাজহাঁস দেখার পর হঠাৎ একটি কালো রাজহাঁস দেখলেই অতীতের সমস্ত আরোহী সাধারণীকরণ ভেঙে পড়ে। কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে এই প্রশ্নটি আরও জটিল হয়ে ওঠে: একটি মেশিন সীমিত কিছু ডেটা দেখে কীভাবে সম্পূর্ণ নতুন পরিস্থিতির জন্য সঠিক সিদ্ধান্ত নিতে পারে?

এই দার্শনিক সংকটের এক চমকপ্রদ গাণিতিক সমাধান উপস্থাপন করে পরিসংখ্যানগত শিক্ষণ তত্ত্ব (Statistical Learning Theory)। ১৯৬০ ও ৭০-এর দশকে সোভিয়েত গণিতবিদ ভ্লাদিমির ভ্যাপনিক (Vladimir Vapnik) এবং অ্যালেক্সি চেরভোনেনকিস তৈরি করেন ভ্যাপনিক-চেরভোনেনকিস মাত্রা (Vapnik-Chervonenkis Dimension) বা ভিসি মাত্রা তত্ত্ব (Vapnik, 1998)। ভিসি মাত্রা কোনো মডেলের জটিলতা বা তার বিভিন্ন ডেটা প্যাটার্নকে আলাদা করার ক্ষমতা পরিমাপ করে। ভ্যাপনিক গাণিতিকভাবে দেখান যে একটি মডেলের জটিলতা যদি একটি নির্দিষ্ট সীমার মধ্যে থাকে এবং তাকে পর্যাপ্ত পরিমাণ ট্রেনিং ডেটা দেওয়া হয়, তবে মডেলটি যে নতুন ডেটাতেও সঠিকভাবে কাজ করবে তার সম্ভাব্যতা গাণিতিক সীমার মধ্যে নিশ্চিত করা সম্ভব। একে বলা হয় সাধারণীকরণ ক্ষমতা (Generalization Ability)।

একই সময়ে তাত্ত্বিক কম্পিউটার বিজ্ঞানী লেসলি ভ্যালিয়েন্ট (Leslie Valiant) প্রস্তাব করেন সম্ভবত প্রায় সঠিক শিক্ষণ (Probably Approximately Correct Learning) বা প্যাক লার্নিং ফ্রেমওয়ার্ক (Valiant, 1984)। ভ্যালিয়েন্ট প্রমাণ করেন যে নিখুঁত সত্য জানা অসম্ভব হলেও, খুব সামান্য ভুলের সম্ভাব্যতা রেখে \(\epsilon\) এবং খুব উচ্চ আত্মবিশ্বাসের সাথে \(1 – \delta\) কোনো জটিল প্যাটার্ন শিখে ফেলা গাণিতিকভাবে সম্ভব। এটি হিউমের আরোহী সমস্যার একটি অত্যন্ত বাস্তব ও বস্তুনিষ্ঠ সমাধান এনে দেয়। নিখুঁত নিশ্চয়তা কোনো বুদ্ধিমান এজেন্টের দরকার পড়ে না; উচ্চ সম্ভাবনাময় সাধারণীকরণই বাস্তব জগতে টিকে থাকার জন্য যথেষ্ট।

পরিসংখ্যানগত শিক্ষণ তত্ত্ব প্রাচীন দার্শনিক নীতি অকামের ক্ষুর (Occam’s Razor)-কেও একটি সুনির্দিষ্ট গাণিতিক রূপ দিয়েছে। চতুর্দশ শতকের দার্শনিক উইলিয়াম অব ওকাম বলেছিলেন যে কোনো ঘটনার একাধিক ব্যাখ্যা থাকলে সবচেয়ে সরল ব্যাখ্যাটি গ্রহণ করাই শ্রেয়। আধুনিক মেশিন লার্নিংয়ে একে বলা হয় রেগুলারাইজেশন (Regularization)। যখন কোনো অ্যালগরিদম ডেটা থেকে শেখে, তখন তাকে অতিরিক্ত জটিল সূত্র তৈরি করতে বাধা দেওয়া হয় যাতে সে তথ্যের ভেতরকার অদরকারি নয়েজকে সত্য নিয়ম বলে ভুল না করে। এই গাণিতিক শৃঙ্খলাগুলো প্রমাণ করে যে কৃত্রিম বুদ্ধিমত্তার শিক্ষণ প্রক্রিয়া কোনো অন্ধ অনুমান নয়। যুক্তিবিদ্যা, সম্ভাব্যতা, গণনাযোগ্যতা এবং পরিসংখ্যানের সমন্বয়ে গড়ে ওঠা এই শক্তিশালী গাণিতিক ভিত্তিই কৃত্রিম বুদ্ধিমত্তাকে বাস্তব জগতের মুখোমুখি দাঁড়ানোর অপার শক্তি জুগিয়েছে।

কৃত্রিম বুদ্ধিমত্তার ইতিহাস ও বুদ্ধিমান ব্যবস্থা (History of Artificial Intelligence and Intelligent Systems): ধারণাগত ও প্রযুক্তিগত বিবর্তন

কৃত্রিম বুদ্ধিমত্তার ইতিহাস (History of Artificial Intelligence): টুরিং, প্রতীকী এআই, এআই উইন্টার ও পুনরুত্থান

সূচনালগ্ন ও যান্ত্রিক মনের দার্শনিক ভিত্তি (Genesis and the Philosophical Foundations of the Mechanized Mind)

বুদ্ধিমত্তাকে রক্ত-মাংসের জৈবিক খাঁচা থেকে মুক্ত করে একটি যান্ত্রিক রূপ দেওয়ার চেষ্টা বিংশ শতাব্দীর মাঝামাঝি সময়ে এক অভূতপূর্ব তাত্ত্বিক রূপ লাভ করে। হাজার বছর ধরে মানুষ বিশ্বাস করত যে চিন্তা করার ক্ষমতা কোনো ঐশ্বরিক বা অপার্থিব উপহার। কিন্তু দ্বিতীয় বিশ্বযুদ্ধের সময়ে সাইবারনেটিক্স এবং আধুনিক গণনামূলক তত্ত্বের বিকাশ এই বিশ্বাসকে পুরোপুরি নাড়িয়ে দেয়। গণিতবিদ অ্যালান টুরিং (Alan Turing) ১৯৫০ সালে তার দূরদর্শী গবেষণাপত্রে কেবল অনুকরণ খেলার প্রস্তাবই দেননি, তিনি তৎকালীন দার্শনিক ও ধর্মীয় আপত্তিগুলোকে একে একে খণ্ডন করেছিলেন (Turing, 1950)। টুরিং যুক্তি দিয়েছিলেন যে, যদি শারীরিক প্রক্রিয়ার মাধ্যমে চিন্তা উৎপন্ন হতে পারে, তবে সেই প্রক্রিয়াটি পদার্থবিদ্যার নিয়মে পরিচালিত হতে বাধ্য। ফলে কোনো যান্ত্রিক কাঠামো যদি একই ধরনের কার্যকারণ শৃঙ্খলা বজায় রাখতে পারে, তবে তাকে বুদ্ধিমান সত্তা হিসেবে অস্বীকার করার কোনো জ্ঞানতাত্ত্বিক ভিত্তি থাকে না।

টুরিংয়ের এই ভিত্তির সমান্তরালে জীববিজ্ঞানী ও স্নায়ুতাত্ত্বিক ডব্লিউ. রস অ্যাশবি (W. Ross Ashby) তার ১৯৫২ সালের যুগান্তকারী গ্রন্থ ডিজাইন ফর এ ব্রেইন (Design for a Brain)-এ মনকে একটি স্বনিয়ন্ত্রিত ও গতিশীল ভৌত ব্যবস্থা হিসেবে ব্যাখ্যা করেন (Ashby, 1952)। অ্যাশবি দেখান যে মস্তিষ্কের প্রধান কাজ কোনো রহস্যময় চিন্তা তৈরি করা নয়, বরং পরিবর্তনশীল পরিবেশের সাথে লড়াই করে নিজের অভ্যন্তরীণ স্থিতিশীলতা বা হোমিওস্ট্যাসিস (Homeostasis) বজায় রাখা। অ্যাশবির তৈরি হোমিওস্ট্যাট (Homeostat) নামক যন্ত্রটি প্রমাণ করে যে কোনো জটিল সার্কিট কোনো প্রোগ্রামারের স্পষ্ট নির্দেশ ছাড়াই সম্পূর্ণ যান্ত্রিকভাবে পরিবেশের বাধার সাথে ভারসাম্য তৈরি করতে পারে। এটি জীবদেহের অভিযোজন ক্ষমতাকে অতিন্দ্রীয় ব্যাখ্যার হাত থেকে মুক্ত করে সরাসরি পদার্থবিজ্ঞানের নিয়মে স্থাপন করে।

এই ধারণাগত পটভূমিতে ১৯৫৬ সালের গ্রীষ্মকালে ডার্টমাউথ কলেজে আয়োজিত কর্মশালায় কৃত্রিম বুদ্ধিমত্তার আনুষ্ঠানিক যাত্রা শুরু হয়। এই সম্মেলনের মূল উদ্যোক্তা ছিলেন তরুণ গণিতবিদ জন ম্যাককার্থি (John McCarthy), যার সাথে যুক্ত হয়েছিলেন মার্ভিন মিনস্কি, ক্লদ শ্যানন এবং ন্যাথানিয়েল রচেস্টার (McCarthy et al., 1956)। তারা একটি অত্যন্ত সাহসী অনুমান বা কনজেকচার সামনে রেখে কাজ শুরু করেছিলেন: “শিক্ষণ বা বুদ্ধিমত্তার যেকোনো বৈশিষ্ট্যকে নীতিগতভাবে এত নিখুঁতভাবে বর্ণনা করা সম্ভব যে একটি যন্ত্র দিয়ে তা হুবহু অনুকরণ করা যাবে।” এই সম্মেলন থেকেই কৃত্রিম বুদ্ধিমত্তা (Artificial Intelligence) নামটি আনুষ্ঠানিকভাবে গৃহীত হয় এবং বুদ্ধিমত্তা গবেষণার একটি স্বতন্ত্র একাডেমিক ডিসিপ্লিন হিসেবে আত্মপ্রকাশ ঘটে।

প্রারম্ভিক এই পর্বে বিজ্ঞানীদের মধ্যে এক ধরনের প্রচণ্ড জ্ঞানতাত্ত্বিক আশাবাদ কাজ করছিল। গবেষকরা ভেবেছিলেন যে মানুষের কয়েক কোটি বছরের বিবর্তনে তৈরি হওয়া বুদ্ধিমত্তার রহস্য হয়তো আগামী কয়েক দশকের মধ্যেই কয়েকটি কম্পিউটার অ্যালগরিদমের মাধ্যমে সম্পূর্ণ আয়ত্তে আনা সম্ভব হবে। এই আশাবাদের পেছনে কারণ ছিল প্রাথমিক কিছু অসাধারণ সাফল্য। কম্পিউটার তখন প্রথম বারের মতো জটিল গাণিতিক উপপাদ্য প্রমাণ করছিল এবং দাবার মতো কৌশলগত খেলায় মানুষকে চ্যালেঞ্জ জানাতে শুরু করেছিল। মনকে একটি বিশুদ্ধ আনুষ্ঠানিক লজিক্যাল ব্যবস্থা হিসেবে ভাবার এই প্রবণতাই পরবর্তী দুই দশকের গবেষণার মূল চালিকাশক্তি হয়ে দাঁড়ায়।

প্রতীকী এআই ও যৌক্তিক আশাবাদের স্বর্ণযুগ (Symbolic AI and the Golden Age of Logical Optimism)

ডার্টমাউথ সম্মেলনের পর থেকে ১৯৭০-এর দশকের শুরু পর্যন্ত সময়কে কৃত্রিম বুদ্ধিমত্তার স্বর্ণযুগ হিসেবে বিবেচনা করা হয়। এই যুগে যে ঘরানাটি পুরো এআই গবেষণাকে শাসন করেছিল, তাকে দার্শনিক জন হগল্যান্ড (John Haugeland) পরবর্তীতে অভিহিত করেছিলেন গুড ওল্ড-ফ্যাশনড এআই (GOFAI) বা চিরায়ত প্রতীকী এআই নামে (Haugeland, 1985)। এই ধারার মূল দার্শনিক প্রতিপাদ্য ছিল: মানুষের চিন্তন প্রক্রিয়া মূলত সুনির্দিষ্ট প্রতীক বা চিহ্নের রূপান্তর ছাড়া আর কিছুই নয়। জ্ঞানকে যদি কিছু স্পষ্ট লজিক্যাল বাক্যে লিখে দেওয়া যায় এবং সেই বাক্যের ওপর কিছু সুনির্দিষ্ট নিয়ম প্রয়োগ করা যায়, তবে একটি কম্পিউটার মানুষের মতোই যে কোনো জটিল সমস্যার যৌক্তিক সিদ্ধান্তে পৌঁছাতে পারবে।

এই স্বর্ণযুগের অন্যতম চমকপ্রদ সাফল্য ছিল এমআইটির গবেষক টেরি উইনোগ্রাড (Terry Winograd)-এর তৈরি শার্ডলু (SHRDLU) প্রোগ্রাম (Winograd, 1972)। শার্ডলু ছিল একটি ভার্চুয়াল জগতের বাসিন্দা, যেখানে বিভিন্ন রঙের ও আকারের কিছু ব্লক বা বাক্স সাজানো থাকত। মানুষ যখন সাধারণ ইংরেজি ভাষায় নির্দেশ দিত – যেমন, “সবুজ পিরামিডের ওপর থাকা লাল বাক্সটি সরিয়ে বাক্সের ভেতরে রাখো” – তখন শার্ডলু নিখুঁতভাবে সেই বাক্যের ব্যাকরণ বিশ্লেষণ করত, নিজের ভার্চুয়াল জগতের অবস্থা পর্যবেক্ষণ করত এবং একের পর এক চাল দিয়ে কাজটি সম্পন্ন করত। উইনোগ্রাডের এই কাজ দেখে তৎকালীন দর্শকমহল ও গবেষকরা বিশ্বাস করতে শুরু করেছিলেন যে ভাষা ও সাধারণ বুদ্ধিমত্তার সমস্যা হয়তো প্রায় সমাধান হয়ে গেছে।

একই সময়ে স্ট্যানফোর্ড বিশ্ববিদ্যালয়ে বিজ্ঞানী এডওয়ার্ড ফেইগেনবাউম (Edward Feigenbaum) এবং তার সহকর্মীরা তৈরি করেন প্রথম বিশেষজ্ঞ ব্যবস্থা (Expert System), যার নাম ছিল ডেনড্রাল (Feigenbaum et al., 1971)। ডেনড্রাল কোনো সাধারণ বুদ্ধিমত্তা ছিল না, এটি ছিল জৈব রসায়নের অজানা অণুর আণবিক গঠন শনাক্ত করার একটি অত্যন্ত জটিল প্রোগ্রাম। একজন শীর্ষস্থানীয় রসায়নবিদ কীভাবে বিভিন্ন স্পেকট্রাল ডেটা দেখে সিদ্ধান্ত নেন, সেই সমস্ত নিয়মকে কোড আকারে ডেনড্রালের ভেতর ঢুকিয়ে দেওয়া হয়েছিল। ডেনড্রাল দেখায় যে বাস্তব জগতের অত্যন্ত জটিল বৈজ্ঞানিক ক্ষেত্রেও মানুষের দক্ষতা একটি কম্পিউটার প্রোগ্রামের মাধ্যমে সংরক্ষণ ও পরিচালনা করা সম্ভব।

এই সাফল্যের ওপর দাঁড়িয়ে তৎকালীন শীর্ষ গবেষকরা অত্যন্ত সাহসী সব ভবিষ্যদ্বাণী করতে শুরু করেন। হার্বার্ট সাইমন দাবি করেছিলেন যে বিশ বছরের মধ্যে মানুষ যা করতে পারে, যন্ত্রের পক্ষে তার সবই করা সম্ভব হবে। মার্ভিন মিনস্কি ঘোষণা করেছিলেন যে এক প্রজন্মের মধ্যেই কৃত্রিম বুদ্ধিমত্তার সমস্ত মৌলিক সমস্যার সমাধান হয়ে যাবে। এই চরম আত্মবিশ্বাসের পেছনে ছিল একটিমাত্র দার্শনিক বিশ্বাস: বাস্তব জগত একটি সুশৃঙ্খল আনুষ্ঠানিক ব্যবস্থার মতো কাজ করে, যেখানে সমস্ত তথ্য আগে থেকেই স্পষ্ট এবং সংজ্ঞায়িত। কিন্তু এই গবেষকরা তখনো অনুমান করতে পারেননি যে একটি কৃত্রিম মাইক্রো-ওয়ার্ল্ডের বাইরে থাকা বাস্তব জগৎ কতখানি অস্পষ্ট, পরিবর্তনশীল এবং বিশৃঙ্খল।

প্রথম এআই উইন্টার ও প্রতীকী কাঠামোর দার্শনিক সংকট (The First AI Winter and the Philosophical Crisis of Symbolic Architecture)

১৯৭০-এর দশকের মাঝামাঝি সময়ে এসে কৃত্রিম বুদ্ধিমত্তার স্বপ্নিল জগতে এক চরম বিপর্যয় নেমে আসে, যা ইতিহাসে প্রথম এআই উইন্টার (First AI Winter) নামে পরিচিত। বছরের পর বছর ধরে কোটি কোটি ডলার অর্থায়ন পাওয়ার পরও যখন প্রতিশ্রুতি অনুযায়ী মানুষের মতো স্বয়ংক্রিয় অনুবাদক বা সর্বজনীন বুদ্ধিমান যন্ত্র তৈরি করা গেল না, তখন সরকার ও প্রাতিষ্ঠানিক তহবিল সরবরাহকারীরা মুখ ফিরিয়ে নিতে শুরু করে। ১৯৬৬ সালে মার্কিন যুক্তরাষ্ট্রের স্বয়ংক্রিয় ভাষা প্রক্রিয়াকরণ উপদেষ্টা কমিটি (Automatic Language Processing Advisory Committee) বা আলপ্যাক একটি অত্যন্ত হতাশাজনক প্রতিবেদন প্রকাশ করে (ALPAC, 1966)। এই প্রতিবেদনে স্পষ্ট বলা হয় যে মেশিন ট্রান্সলেশন নিয়ে অতিরিক্ত অতিরঞ্জিত প্রচার চালানো হয়েছে; বাস্তবে একটি সাধারণ রাশিয়ান বাক্যকে সঠিকভাবে ইংরেজিতে অনুবাদ করার ক্ষমতাও কম্পিউটারের নেই, কারণ ভাষা কেবল শব্দের প্রতিশব্দ বসানো নয়, ভাষার সাথে জড়িয়ে থাকে বাস্তব জগতের গভীর প্রেক্ষাপট।

যুক্তরাজ্যেও একই ধরনের সংকট দেখা দেয় যখন ব্রিটিশ বিজ্ঞানী স্যার জেমস লাইটহিল (James Lighthill) ১৯৭৩ সালে ব্রিটিশ সায়েন্স রিসার্চ কাউন্সিলের কাছে তার ঐতিহাসিক প্রতিবেদন জমা দেন, যা লাইটহিল রিপোর্ট (Lighthill Report) নামে পরিচিত (Lighthill, 1973)। লাইটহিল অত্যন্ত নির্মোহভাবে এআই-এর সমস্ত গবেষণাকে ব্যবচ্ছেদ করেন। তিনি দেখান যে গবেষকরা সাধারণ খেলনা সমস্যা বা টয় প্রবলেমে যে সাফল্য দেখিয়েছেন, বাস্তব পৃথিবীর জটিল সমস্যাগুলোতে সেই একই অ্যালগরিদম সম্পূর্ণ ব্যর্থ হয়। বাস্তব জগতে তথ্যের পরিমাণ সামান্য বাড়লেই সম্ভাব্য সমাধান খোঁজার পথ এত বিশাল হয়ে দাঁড়ায় যে কম্পিউটারের গণনামূলক শক্তি তা সামলাতে পারে না। লাইটহিলের এই প্রতিবেদন প্রকাশের পর যুক্তরাজ্যে কৃত্রিম বুদ্ধিমত্তার সমস্ত রাষ্ট্রীয় অর্থায়ন প্রায় বন্ধ হয়ে যায়।

একই সময়ে নিউরাল নেটওয়ার্ক বা কানেকশনিস্ট ঘরানাতেও নেমে এসেছিল অন্ধকার। ১৯৬৯ সালে মার্ভিন মিনস্কি (Marvin Minsky) এবং সেমুর পেপার্ট (Seymour Papert) তাদের প্রভাবশালী বই পারসেপট্রনস (Perceptrons) প্রকাশ করেন (Minsky & Papert, 1969)। তারা গাণিতিকভাবে প্রমাণ করে দেখান যে ফ্রাঙ্ক রোজেনব্ল্যাটের তৈরি সিঙ্গেল-লেয়ার পারসেপট্রন একটি অত্যন্ত সাধারণ লজিক্যাল অপারেশন – যা এক্সক্লুসিভ-অর (XOR) বা এক্স-অর নামে পরিচিত – তা পর্যন্ত সমাধান করতে পারে না। যদিও তারা স্বীকার করেছিলেন যে একাধিক স্তরের নিউরাল নেটওয়ার্ক দিয়ে এটা সমাধান করা সম্ভব হতে পারে, তবুও তাদের বইয়ের কঠোর সমালোচনার কারণে গোটা বিশ্বে নিউরাল নেটওয়ার্ক গবেষণার অর্থায়ন পুরোপুরি বন্ধ হয়ে যায় এবং এই ক্ষেত্রটি প্রায় পনেরো বছরের জন্য এক চরম স্থবিরতার মধ্যে নিমজ্জিত হয়।

এই প্রথম এআই উইন্টার কেবল তহবিলের সংকট ছিল না; এটি ছিল মূলত প্রতীকী এআই-এর জ্ঞানতাত্ত্বিক কাঠামোর এক চূড়ান্ত পরাজয়। বিজ্ঞানীরা বুঝতে পারলেন যে বাস্তব জগৎ কোনো স্বতঃসিদ্ধ আনুষ্ঠানিক ব্যবস্থা নয়। কম্পিউটারের মধ্যে যতই ব্যাকরণের নিয়ম লিখে দেওয়া হোক না কেন, বাস্তব জগতের অসীম ও পরিবর্তনশীল জ্ঞানকে কয়েকটি লজিক্যাল সূত্রের ভেতর বন্দি করা অসম্ভব। মানুষের বুদ্ধিমত্তা কেবল কিছু নিয়মের অন্ধ অনুসরণ নয়; এই উপলব্ধি এআই গবেষণার ভিত্তিকেই আমূল কাঁপিয়ে দেয়।

ফ্রেম সমস্যা, সাধারণ জ্ঞানের সংকট ও দ্রেইফুসের নারকীয় চ্যালেঞ্জ (The Frame Problem, Commonsense Crisis, and Dreyfus’s Existential Critique)

প্রতীকী এআই-এর এই সংকটের গভীরতম দার্শনিক ব্যবচ্ছেদ করেছিলেন আমেরিকান দার্শনিক হুবার্ট দ্রেইফুস (Hubert Dreyfus)। ১৯৭২ সালে প্রকাশিত তার বিখ্যাত গ্রন্থ হোয়াট কম্পিউটার্স কান্ট ডু (What Computers Can’t Do)-এ দ্রেইফুস এআই গবেষকদের অন্ধ আশাবাদের বিরুদ্ধে এক তীব্র বুদ্ধিবৃত্তিক আক্রমণ পরিচালনা করেন (Dreyfus, 1972)। মার্টিন হাইডেগার, মরিস মার্লো-পন্তি এবং লুডভিগ ভিটগেনস্টাইনের দর্শনের ওপর দাঁড়িয়ে দ্রেইফুস দাবি করেন যে মানুষের বুদ্ধিমত্তা কোনো বিমূর্ত চিহ্নের কারসাজি নয়। মানুষের জ্ঞান মূলত একটি মূর্ত বোঝাপড়া (Embodied Understanding), যা তার শারীরিক অভিজ্ঞতা এবং সামাজিক সংস্কৃতির মধ্য দিয়ে প্রাকৃতিকভাবে গড়ে ওঠে। একজন মানুষ যখন হাঁটে বা সাইকেল চালায়, তখন সে মাথার ভেতর কোনো গাণিতিক সমীকরণ সমাধান করে না; তার শরীর সরাসরি পরিস্থিতির সাথে খাপ খাইয়ে নেয়।

দ্রেইফুস দেখান যে এআই গবেষকরা জ্ঞানকে দুই ভাগে ভাগ করতে ভুল করেছেন: তথ্যের জ্ঞান বা “নোয়িং-দ্যাট” এবং ব্যবহারিক দক্ষতার জ্ঞান বা “নোয়িং-হাউ”। কম্পিউটার কেবল তথ্যের জ্ঞান সঞ্চয় করতে পারে, কিন্তু মানুষের সমস্ত মৌলিক সিদ্ধান্ত পরিচালিত হয় তার অবচেতন ব্যবহারিক দক্ষতার মাধ্যমে। এই ব্যবহারিক দক্ষতা কোনো নিয়মের আকারে লিখে দেওয়া যায় না। কম্পিউটারের যেহেতু কোনো রক্ত-মাংসের শরীর নেই এবং সে বাস্তব জগতের ঘাত-প্রতিঘাতের মধ্যে বেড়ে ওঠে না, তাই তার পক্ষে মানুষের মতো সাধারণ জ্ঞান বা কমন সেন্স (Common Sense) অর্জন করা নীতিগতভাবেই অসম্ভব।

একই সময়ে এআই-এর অভ্যন্তরীণ কাঠামো থেকেও একটি গভীর দার্শনিক সমস্যা উন্মোচিত হয়, যা পরিচিত ফ্রেম সমস্যা (Frame Problem) নামে। ১৯৬৯ সালে যুক্তিবিদ জন ম্যাককার্থি (John McCarthy) এবং প্যাট্রিক হেইস (Patrick Hayes) এই সমস্যার রূপরেখা দেন (McCarthy & Hayes, 1969)। তারা দেখান যে একটি বুদ্ধিমান রোবট যখন কোনো কাজ করে – যেমন টেবিল থেকে একটি চায়ের কাপ তুলে নেয় – তখন তাকে কেবল কাপটির নতুন অবস্থান হিসাব করলেই চলে না; তাকে এটাও নিশ্চিত হতে হয় যে ঘরের দেয়ালের রং বদলে যায়নি, বাইরের আবহাওয়া পরিবর্তন হয়নি বা তার নিজের ওজন হঠাৎ উধাও হয়ে যায়নি। অর্থাৎ কোনো একটি কাজের ফলে জগতের কোন কোন বিষয় অপরিবর্তিত রইল, তা গাণিতিক লজিকে কীভাবে প্রকাশ করা যাবে?

বাস্তব জগতের কোটি কোটি অপরিবর্তিত সত্যের তালিকা তৈরি করতে গেলে যেকোনো লজিক্যাল কম্পিউটার মুহূর্তের মধ্যে অচল হয়ে পড়ে। দার্শনিক জেরি ফোডোর (Jerry Fodor) একে মনের দর্শনের এক চরম সংকট হিসেবে চিহ্নিত করেছিলেন (Fodor, 1987)। ফোডোর দেখান যে নতুন কোনো তথ্য পাওয়ার পর একজন সত্তাকে তাৎক্ষণিকভাবে বুঝতে হয় কোন তথ্যটি তার বর্তমান লক্ষ্যের জন্য প্রাসঙ্গিক আর কোনটি অপ্রাসঙ্গিক। মানুষের মস্তিষ্ক অবচেতনভাবে চোখের পলকে এই প্রাসঙ্গিকতা নির্ধারণ করে ফেলে, কিন্তু প্রতীকী এআই-এর পক্ষে এই ফিল্টারিং করা অসম্ভব ছিল। ফ্রেম সমস্যা প্রমাণ করে যে কেবল লজিক দিয়ে মানুষের মতো নমনীয় ও অর্থবহ সাধারণ জ্ঞান তৈরি করা যায় না।

দ্বিতীয় এআই উইন্টার ও নলেজ-বেসড সিস্টেমের পতন (The Second AI Winter and the Collapse of Knowledge-Based Systems)

১৯৮০-এর দশকের শুরুতে কৃত্রিম বুদ্ধিমত্তা আবার এক নতুন আশার আলো দেখতে পায়। প্রতীকী এআই গবেষকরা বুঝতে পেরেছিলেন যে সাধারণ বুদ্ধিমত্তা অর্জন করা কঠিন, তাই তারা বাণিজ্যিক ও বিশেষায়িত ডোমেইনের দিকে নজর দেন। জন্ম নেয় জ্ঞানভিত্তিক ব্যবস্থা (Knowledge-Based Systems) বা কমার্শিয়াল এক্সপার্ট সিস্টেমের বিশাল বাজার। ডিজিটাল ইকুইপমেন্ট কর্পোরেশনের জন্য তৈরি এক্সকন (XCON) বা আরওয়ান নামক বিশেষজ্ঞ ব্যবস্থাটি কোটি কোটি ডলার সাশ্রয় করতে শুরু করে (McDermott, 1982)। এক্সকন কম্পিউটারের কাস্টম হার্ডওয়্যার কনফিগারেশন স্বয়ংক্রিয়ভাবে নির্ধারণ করত। এই সাফল্যের ওপর দাঁড়িয়ে বিশ্বজুড়ে হাজার হাজার কোম্পানি বিশেষজ্ঞ সিস্টেম তৈরিতে কোটি কোটি ডলার বিনিয়োগ করে এবং এআই গবেষণার জন্য বিশেষায়িত লিস্প মেশিন (Lisp Machines) বিক্রির এক বিশাল বাজার তৈরি হয়।

একই সময়ে ১৯৮২ সালে জাপান সরকার তাদের ঐতিহাসিক পঞ্চম প্রজন্মের কম্পিউটার প্রকল্প (Fifth Generation Computer Systems) ঘোষণা করে (Feigenbaum & McCorduck, 1983)। জাপান ঘোষণা দেয় যে তারা এমন এক সুপারকম্পিউটার তৈরি করবে যা মানুষের সাথে স্বাভাবিক ভাষায় কথা বলবে, স্বয়ংক্রিয় যুক্তিপ্রয়োগ করবে এবং জটিল সমস্যার সমাধান করবে। এই ঘোষণায় আতঙ্কিত হয়ে মার্কিন যুক্তরাষ্ট্র এবং ইউরোপীয় দেশগুলোও পাল্টা বিশাল গবেষণা তহবিল গঠন করে। বিশেষজ্ঞ সিস্টেমের এই যুগকে মনে করা হয়েছিল কৃত্রিম বুদ্ধিমত্তার চূড়ান্ত বাণিজ্যিক বিজয়।

কিন্তু ১৯৮০-এর দশকের শেষভাগে এসে এই পুরো শিল্পটি তাসের ঘরের মতো ভেঙে পড়ে, যা সূচনা করে দ্বিতীয় এআই উইন্টার (Second AI Winter)। এই পতনের মূল কারণ ছিল বিশেষজ্ঞ সিস্টেমের কাঠামোগত দুর্বলতা বা ভঙ্গুরতা (Brittleness)। মানুষের কাছ থেকে নিয়ম জেনে নিয়ে সিস্টেমে ঢোকানোর এই প্রক্রিয়াটিকে বলা হতো জ্ঞান আহরণ প্রতিবন্ধকতা (Knowledge Acquisition Bottleneck)। কোনো বিশেষজ্ঞ সিস্টেমের ভেতরে যখন হাজার হাজার ‘ইফ-দেন’ নিয়ম জমা হতো, তখন সামান্য নতুন কোনো পরিস্থিতি এলে নিয়মগুলোর মধ্যে পরস্পরবিরোধী সংঘাত তৈরি হতো। সিস্টেমটি তখন সম্পূর্ণ ভুল সিদ্ধান্ত দিত এবং কেন ভুল করেছে তাও ব্যাখ্যা করতে পারত না।

১৯৮৭ সালে সাধারণ পার্সোনাল কম্পিউটারগুলোর গতি এত বেড়ে যায় যে দামি লিস্প মেশিনগুলোর বাজার রাতারাতি ধ্বংস হয়ে যায়। অ্যাপল ও আইবিএমের সাধারণ পিসি অনেক কম খরচে লিস্প মেশিনের চেয়ে ভালো পারফরম্যান্স দিতে শুরু করে। এর ফলে বিশেষায়িত এআই হার্ডওয়্যার কোম্পানিগুলো একের পর এক দেউলিয়া হয়ে যায়। জাপানের পঞ্চম প্রজন্মের প্রকল্পটিও কোটি কোটি ডলার ব্যয়ের পর কোনো কার্যকর ফলাফল না দেখিয়ে ১৯৮০-এর দশকের শেষে নীরবে বন্ধ হয়ে যায়। মানুষের তৈরি হস্তনির্মিত নিয়মের ওপর ভিত্তি করে যে কৃত্রিম বুদ্ধিমত্তা গড়ে উঠেছিল, তার চরম অকার্যকারিতা আবারও প্রমাণিত হলো।

নিচের তালিকায় প্রথম ও দ্বিতীয় এআই উইন্টারের তুলনামূলক প্রেক্ষাপট ও শিক্ষাগুলো সংক্ষেপে তুলে ধরা হলো:

• প্রথম এআই উইন্টার (১৯৭০-এর দশক):
  • মূল কারণ: অতিরঞ্জিত প্রত্যাশা, গণনামূলক জটিলতা এবং লাইটহিল ও আলপ্যাক প্রতিবেদনের নেতিবাচক মূল্যায়ন।
  • দার্শনিক সংকট: বাস্তব জগতকে সরল লজিক্যাল সূত্রে বাঁধার ব্যর্থতা এবং সিঙ্গেল-লেয়ার পারসেপট্রনের সীমাবদ্ধতা।
  • প্রধান শিক্ষা: খেলনা সমস্যার সমাধান দিয়ে বাস্তব পৃথিবীর অনিশ্চয়তা সামলানো সম্ভব নয়।
• দ্বিতীয় এআই উইন্টার (১৯৮০-এর দশক):
  • মূল কারণ: বিশেষজ্ঞ সিস্টেমের ভঙ্গুরতা, রক্ষণাবেক্ষণের অতিরিক্ত ব্যয় এবং লিস্প মেশিনের বাজারের পতন।
  • দার্শনিক সংকট: মানুষের অবচেতন ও ব্যবহারিক জ্ঞানকে হস্তনির্মিত নিয়মের সাহায্যে রূপান্তরের অসম্ভবতা।
  • প্রধান শিক্ষা: বুদ্ধিমত্তা ওপর থেকে নিয়ম চাপিয়ে দিয়ে তৈরি করা যায় না; একে তথ্য ও অভিজ্ঞতা থেকে স্বয়ংক্রিয়ভাবে শিখতে হয়।

এই ধাক্কার পর গবেষকরা বুঝতে পারলেন যে কৃত্রিম বুদ্ধিমত্তাকে বাঁচাতে হলে নিয়ম লেখার হাতুড়ি-বাটালি ফেলে দিয়ে সম্পূর্ণ ভিন্ন এক জ্ঞানতাত্ত্বিক পথে হাঁটতে হবে। শীর্ষ থেকে চাপানো নিয়মের বদলে নিচ থেকে উঠে আসা স্বয়ংক্রিয় শিক্ষণের ভিত্তি তৈরি হতে শুরু করে এই ধ্বংসস্তূপ থেকেই।

কানেকশনিজমের পুনরুত্থান ও আধুনিক গভীর শিক্ষণ বিপ্লব (Resurgence of Connectionism and the Modern Deep Learning Revolution)

দ্বিতীয় এআই উইন্টারের চরম হতাশার মধ্যেও কিছু বিজ্ঞানী নীরবে কাজ করে যাচ্ছিলেন এমন এক তত্ত্বে যা পুরো ইতিহাসকে বদলে দেয়। এই ধারার কাণ্ডারি ছিলেন জিওফ্রে হিন্টন (Geoffrey Hinton), ইয়ান লেকুন (Yann LeCun) এবং ইয়োশুয়া বেনজিও (Yoshua Bengio)। ১৯৮৬ সালে ডেভিড রুমেলহার্ট এবং জিওফ্রে হিন্টন তাদের ঐতিহাসিক গবেষণাপত্রে দেখান কীভাবে ব্যাকপ্রপাগেশন (Backpropagation) অ্যালগরিদম ব্যবহার করে বহু-স্তরের নিউরাল নেটওয়ার্ককে কার্যকরভাবে প্রশিক্ষণ দেওয়া যায় (Rumelhart et al., 1986)। এটি মিনস্কির সেই পুরোনো অভিশাপকে দূর করে দেয় এবং প্রমাণ করে যে মাল্টি-লেয়ার নেটওয়ার্ক যেকোনো জটিল অ-রৈখিক প্যাটার্ন অনায়াসে শিখতে পারে।

তবে সত্যিকারের বিপ্লবটি ঘটে ২০১২ সালে। বিজ্ঞানী ফেই-ফেই লি (Fei-Fei Li) এবং তার দল তৈরি করেছিলেন কোটি কোটি ছবির এক বিশাল উন্মুক্ত ডেটাসেট, যার নাম ছিল ইমেজনেট (ImageNet) (Deng et al., 2009)। ২০১২ সালের ইমেজনেট প্রতিযোগিতায় জিওফ্রে হিন্টনের দুই ছাত্র – অ্যালেক্স ক্রিজেভস্কি এবং ইলিয়া সুটস্কেভার – তাদের তৈরি অ্যালেক্সনেট (AlexNet) নামক ডিপ কনভোল্যুশনাল নিউরাল নেটওয়ার্ক দিয়ে সমস্ত ঐতিহ্যগত কম্পিউটার ভিশন অ্যালগরিদমকে বিশাল ব্যবধানে পরাজিত করেন (Krizhevsky et al., 2012)। অ্যালেক্সনেট দেখায় যে যখন বিশাল পরিমাণ ডেটা এবং গ্রাফিক্স প্রসেসিং ইউনিট বা জিপিইউ-এর অপরিসীম গণনামূলক শক্তিকে একসাথে যুক্ত করা হয়, তখন নিউরাল নেটওয়ার্ক মানুষের চেয়েও নিখুঁতভাবে ছবি চিনতে পারে।

এই ঘটনাটি কৃত্রিম বুদ্ধিমত্তার ইতিহাসে সবচেয়ে বড় দৃষ্টান্তমূলক পরিবর্তন বা প্যারাডাইম শিফটের জন্ম দেয়। প্রতীকী এআই যেখানে মানুষকে দিয়ে নিয়ম লিখিয়ে নেওয়ার চেষ্টা করত, সেখানে আধুনিক গভীর শিক্ষণ (Deep Learning) কোটি কোটি তথ্যের মধ্য থেকে স্বয়ংক্রিয়ভাবে প্যাটার্ন খুঁজে নেয়। যাকে একসময় অন্ধ গলিপথ ভাবা হয়েছিল, সেই কানেকশনিজম আজ কৃত্রিম বুদ্ধিমত্তার মূল চালিকাশক্তি। লার্জ ল্যাঙ্গুয়েজ মডেল থেকে শুরু করে সেলফ-ড্রাইভিং গাড়ি – সবকিছুই আজ এই ডিপ নিউরাল নেটওয়ার্কের ওপর দাঁড়িয়ে আছে।

এই ঐতিহাসিক পরিক্রমা এক গভীর দার্শনিক সত্যকে উন্মোচন করে। মানুষের মন কোনো বিমূর্ত লজিক্যাল উপপাদ্যের প্রমাণক নয়; মন হলো কোটি কোটি বছরের জৈবিক অভিজ্ঞতার মধ্য দিয়ে গড়ে ওঠা এক বিশাল প্যাটার্ন শনাক্তকরণ ব্যবস্থা। বুদ্ধিবাদ বা র‍্যাশনালিজমের চেয়ে অভিজ্ঞতাবাদ বা এম্পিরিসিজম বুদ্ধিমত্তার বিকাশে অনেক বেশি কার্যকর প্রমাণিত হয়েছে। এআই-এর ইতিহাস দেখায় কীভাবে মানুষ অহমিকা ও অন্ধ বিশ্বাস ত্যাগ করে ভৌত বাস্তবতার বস্তুনিষ্ঠ নিয়মে ফিরে এসেছে। কৃত্রিম বুদ্ধিমত্তা আজ আর কোনো শীতের আশঙ্কায় নেই; এটি এখন এমন এক শক্ত বৈজ্ঞানিক ভিত্তির ওপর প্রতিষ্ঠিত যা মানব সভ্যতার ভবিষ্যৎ রূপরেখাকে প্রতিদিন নতুন করে নির্মাণ করে চলেছে।

বুদ্ধিমান ব্যবস্থার ধারণা (Concept of Intelligent Systems): উপলব্ধি, যুক্তি, সিদ্ধান্ত ও অভিযোজন

বুদ্ধিমান ব্যবস্থার সত্তাতত্ত্ব ও সাইবারনেটিক স্থাপত্য (Ontology of Intelligent Systems and Cybernetic Architecture)

একটি ব্যবস্থা কখন কেবল একটি সাধারণ জড় যন্ত্রের স্তর ছাড়িয়ে বুদ্ধিমান ব্যবস্থা (Intelligent System) হিসেবে আত্মপ্রকাশ করে – এটি দর্শনের অন্যতম মৌলিক একটি জিজ্ঞাসা। প্রাচীনকালে সাধারণ জলঘড়ি বা মধ্যযুগের জটিল মেকানিক্যাল গিয়ারচালিত ঘড়ি দেখে মানুষ চমকে উঠত। সেগুলো দেখতে খুব জটিল মনে হলেও তাদের আচরণ ছিল সম্পূর্ণ রৈখিক এবং পূর্বনির্ধারিত। সেখানে কোনো পরিস্থিতির পরিবর্তন ঘটলে যন্ত্রটি নিজে থেকে গতিপথ বদলাতে পারত না। কিন্তু একটি বুদ্ধিমান ব্যবস্থা পরিবেশের পরিবর্তনশীল সংকেত গ্রহণ করে, নিজের অভ্যন্তরীণ অবস্থা পরিবর্তন করে এবং সুনির্দিষ্ট লক্ষ্য অর্জনের জন্য উপযুক্ত পদক্ষেপ গ্রহণ করে। ১৯৪৩ সালে শারীরতত্ত্ববিদ আর্তুরো রোজেনব্লুথ (Arturo Rosenblueth), গণিতবিদ নরবার্ট উইনার এবং জুলিয়ান বিগেলো তাদের যুগান্তকারী গবেষণাপত্রে লক্ষ্যমুখী আচরণের একটি বস্তুনিষ্ঠ বৈজ্ঞানিক ভিত্তি তুলে ধরেন (Rosenblueth et al., 1943)। তারা দেখান যে উদ্দেশ্যপূর্ণ আচরণ কোনো অলৌকিক আত্মার কাজ নয়, বরং এটি কোনো স্বনিয়ন্ত্রিত কাঠামোর নেতিবাচক ফিডব্যাক (Negative Feedback) লুপের একটি সরাসরি কার্যকারণ ফলাফল।

সাইবারনেটিক্স চিন্তার এই উন্মেষ বুদ্ধিমান ব্যবস্থার ধারণাকে অতীন্দ্রিয়তার গণ্ডি থেকে মুক্ত করে সরাসরি পদার্থবিদ্যার নিয়মে দাঁড় করায়। একটি ব্যবস্থা যখন বাইরের জগতে কোনো কাজ সম্পাদন করে এবং সেই কাজের প্রতিক্রিয়া সেন্সরের মাধ্যমে পরিমাপ করে নিজের ত্রুটি সংশোধন করে নেয়, তখনই তার ভেতর বাস্তবমুখী বুদ্ধিমত্তার প্রকাশ ঘটে। ব্রিটিশ সাইবারনেটিশিয়ান ডব্লিউ. রস অ্যাশবি (W. Ross Ashby) এবং রজার কোনান্ট তাদের বিখ্যাত গুড রেগুলেটর উপপাদ্য (Good Regulator Theorem)-এ গাণিতিক প্রমাণ উপস্থাপন করে দেখান যে, “যেকোনো সফল নিয়ন্ত্রণ ব্যবস্থার ভেতরে নিয়ন্ত্রিত ব্যবস্থার একটি সমতুল্য অভ্যন্তরীণ মডেল থাকতে হবে” (Conant & Ashby, 1970)। এর সহজ অর্থ হলো, একটি বুদ্ধিমান সিস্টেম যদি কোনো পরিবর্তনশীল জটিল পরিবেশে নিজের লক্ষ্য বজায় রাখতে চায়, তবে পারিপার্শ্বিক বাস্তবতার একটি কাঠামোগত প্রতিচ্ছবি বা অভ্যন্তরীণ নকশা নিজের মেমরির ভেতর ধরে রাখা তার জন্য অপরিহার্য। পরিবেশের সাথে এই অভ্যন্তরীণ মডেলের সামঞ্জস্যই সিস্টেমটিকে সঠিক সিদ্ধান্ত নিতে সাহায্য করে।

এই দার্শনিক ও প্রযুক্তিগত কাঠামো চারটি মৌলিক স্তরের সমন্বয়ে গড়ে ওঠে: উপলব্ধি, যুক্তি, সিদ্ধান্ত এবং অভিযোজন। এগুলো কোনো বিচ্ছিন্ন উপাদান নয়, বরং এরা একটি অবিচ্ছিন্ন গতিশীল চক্র হিসেবে কাজ করে। পরিবেশ থেকে প্রাপ্ত কাঁচা সংকেত প্রথমে উপলব্ধির মাধ্যমে প্রক্রিয়াজাত হয়ে তথ্যে রূপান্তরিত হয়; যুক্তি সেই তথ্যের কার্যকারণ সম্পর্ক বিশ্লেষণ করে ভবিষ্যতের নানা সম্ভাবনা তৈরি করে; সিদ্ধান্ত গ্রহণকারী স্তর সেই সম্ভাবনার মধ্য থেকে সবচেয়ে কার্যকর পথটি বেছে নিয়ে মোটর বা অ্যাকচুয়েটরে নির্দেশ পাঠায়; আর অভিযোজন প্রক্রিয়া পরিবেশের নিত্যনতুন পরিবর্তনের মুখে পুরো সিস্টেমের অভ্যন্তরীণ প্যারামিটারগুলোকে বদলে দিয়ে তাকে আরও নিখুঁত করে তোলে। এই সম্পূর্ণ প্রক্রিয়াটি কোনো ঐশ্বরিক শক্তির উপস্থিতি ছাড়াই নিখাদ বস্তুগত ও কম্পিউটেশনাল নিয়মে সম্পন্ন হয়।

দার্শনিক দিক থেকে বিচার করলে দেখা যায়, এই রূপরেখা শতাব্দী প্রাচীন মানবকেন্দ্রিক অহমিকাকে সজোরে নাড়িয়ে দেয়। বহু যুগ ধরে প্রচলিত বিশ্বাস ছিল যে পরিবেশকে উপলব্ধি করে উদ্দেশ্যপূর্ণ সিদ্ধান্ত নেওয়ার ক্ষমতা কেবল জীবদেহের রক্তের ভেতরেই সীমাবদ্ধ। কিন্তু আধুনিক বুদ্ধিমান ব্যবস্থার বিকাশ দেখিয়েছে যে সঠিক কার্যকরী স্থাপত্য এবং সংবেদনশীল ফিডব্যাক মেকানিজম যুক্ত থাকলে যেকোনো অজৈব সিলিকন কাঠামোও পরিবেশের সাথে সচেতনবৎ মিথস্ক্রিয়া গড়ে তুলতে পারে। বুদ্ধিমত্তা কোনো বিশেষ জৈব পদার্থের একচেটিয়া সম্পত্তি নয়; এটি হলো জটিল তথ্যের বস্তুনিষ্ঠ সাংগঠনিক শৃঙ্খলা ও গতিশীল প্রক্রিয়াকরণ। যখন কোনো ব্যবস্থা পারিপার্শ্বিক অবস্থার প্রেক্ষিতে নিজেকে নিয়ন্ত্রণ করতে পারে, তখন তার সেই সক্ষমতাকে বুদ্ধিমত্তা হিসেবে স্বীকৃতি দেওয়া একটি যৌক্তিক অনিবার্যতা।

উপলব্ধির জ্ঞানতত্ত্ব: সংবেদন থেকে ধারণাগত কাঠামো (Epistemology of Perception: From Sensation to Conceptual Structure)

উপলব্ধি বা পারসেপশন কেবল ক্যামেরার লেন্সে আলো পড়া বা মাইক্রোফোনের পর্দায় তরঙ্গের আঘাত পাওয়ার মতো কোনো নিষ্ক্রিয় যান্ত্রিক ঘটনা নয়। সংবেদন বা সেনসেশন হলো পরিবেশ থেকে আসা কাঁচা, বিশৃঙ্খল এবং অসম্পূর্ণ সিগন্যাল; আর উপলব্ধি হলো সেই সিগন্যালকে বিশ্লেষণ করে পারিপার্শ্বিক বিশ্ব সম্পর্কে একটি অর্থপূর্ণ ও কার্যকর জ্ঞান কাঠামো তৈরি করা। উনিশ শতকের জার্মান পদার্থবিদ ও চিকিৎসাবিজ্ঞানী হারমান ভন হেলমহোল্টজ (Hermann von Helmholtz) উপলব্ধির এই সক্রিয় চরিত্রকে সংজ্ঞায়িত করেছিলেন অচেতন অনুমান (Unconscious Inference) হিসেবে (Helmholtz, 1867/1925)। হেলমহোল্টজ দেখান যে ইন্দ্রিয়গুলো সরাসরি বাস্তব জগতের নিখুঁত ছবি মস্তিষ্কে পাঠাতে পারে না। ইন্দ্রিয় যা পাঠায় তা হলো অসম্পূর্ণ এবং কিছুটা গোলমেলে সংকেত। মস্তিষ্ক সেই অসম্পূর্ণ তথ্যের সাথে নিজের পূর্ববর্তী অভিজ্ঞতা যুক্ত করে বাস্তব জগতের সবচেয়ে সম্ভাব্য রূপটি অনুমান করে নেয়।

আধুনিক কৃত্রিম বুদ্ধিমত্তা ও সংজ্ঞানাত্মক স্নায়ুবিজ্ঞানে এই ধারণাকে একটি সুসংহত গাণিতিক ভিত্তি দিয়েছেন বিজ্ঞানী কার্ল ফ্রিস্টন (Karl Friston) তার মুক্ত শক্তি নীতি (Free Energy Principle) এর মাধ্যমে (Friston, 2010)। ফ্রিস্টনের মতে, একটি বুদ্ধিমান সিস্টেমের প্রধান কাজ হলো নিজের ভেতরের অনুমান এবং বাইরের পরিবেশ থেকে আসা সংকেতের মধ্যকার অমিল বা প্রেডিকশন এরর সর্বনিম্ন করা। সিস্টেমটি নিজের পরিবেশ সম্পর্কে সবসময় একটি সম্ভাব্য মডেল তৈরি করে রাখে এবং যখনই সেন্সরের তথ্যে কোনো অসঙ্গতি পায়, তখনই সে নিজের অভ্যন্তরীণ মডেল সংশোধন করে নেয়। এই প্রক্রিয়াকে বলা হয় ভবিষ্যদ্বাণীমূলক প্রক্রিয়াকরণ (Predictive Processing)। এখানে উপলব্ধি কোনো নিষ্ক্রিয় গ্রহণ প্রক্রিয়া নয়, বরং এটি হলো বাইরের জগতের ওপর নিজের অভ্যন্তরীণ মডেলের এক অবিরাম অনুমান ও যাচাইয়ের খেলা।

দার্শনিক অ্যান্ডি ক্লার্ক (Andy Clark) তার বিখ্যাত গ্রন্থ সার্ফিং আনসার্টেইন্টি (Surfing Uncertainty)-এ এই প্রক্রিয়ার জ্ঞানতাত্ত্বিক গুরুত্ব তুলে ধরেছেন (Clark, 2015)। ক্লার্ক দেখান যে উপলব্ধি কোনো একমুখী পথ নয় যা কেবল বাইরে থেকে সংকেত গ্রহণ করে ভেতরে পাঠায়। এটি মূলত একটি দ্বি-মুখী মিথস্ক্রিয়া যেখানে মস্তিষ্কের টপ-ডাউন প্রত্যাশা ইন্দ্রিয়ের বটম-আপ সিগন্যালের সাথে অনবরত দরকষাকষি করে। কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে কম্পিউটার ভিশন বা অডিও প্রসেসিং ঠিক এই নিয়মেই কাজ করে। একটি সেলফ-ড্রাইভিং গাড়ির ক্যামেরা যখন রাস্তায় একটি অস্পষ্ট ছায়া দেখতে পায়, তখন সে কেবল পিক্সেলের তীব্রতা মাপে না; সে তার গাড়ি চালানোর সামগ্রিক জ্ঞান এবং চারপাশের অন্যান্য দৃশ্যের প্রেক্ষাপট ব্যবহার করে অনুমান করে নেয় যে ওটা কোনো জীবন্ত পথচারী নাকি কেবল গাছের পাতার ছায়া।

উপলব্ধির এই আধুনিক দর্শন কান্টীয় জ্ঞানতত্ত্বের সাথে চমৎকারভাবে মিলে যায়। ইমানুয়েল কান্ট যেমন বলেছিলেন যে সংবেদনশীল অভিজ্ঞতার সাথে মনের নিজস্ব ধারণাগত কাঠামোর মিলন না ঘটলে কোনো অর্থপূর্ণ জ্ঞান তৈরি হতে পারে না, বুদ্ধিমান ব্যবস্থাও ঠিক সেই নীতিতে কাজ করে। ইন্দ্রিয়গ্রাহ্য বিশৃঙ্খল সংকেতের বন্যাকে পরিশীলিত করে একটি স্থিতিশীল ও সুশৃঙ্খল বাস্তবতার ছবি এঁকে নেওয়াই হলো উপলব্ধির মূল কাজ। বুদ্ধিমান ব্যবস্থা যখন কোনো বস্তুকে দেখে বা শোনে, তখন সে মূলত তার গাণিতিক সম্ভাব্যতা বিশ্লেষণ করে বস্তুর অর্থ উদ্ধার করে। উপলব্ধি তাই কোনো অলৌকিক চোখ নয়, বরং এটি হলো তথ্যের অনিশ্চয়তা দূর করার একটি বস্তুনিষ্ঠ অ্যালগরিদমিক ফিল্টার।

যুক্তি ও ইনফারেন্সের যান্ত্রিক স্থাপত্য (Mechanical Architecture of Reasoning and Inference)

উপলব্ধির মাধ্যমে সংগৃহীত জ্ঞানকে কাজে লাগিয়ে নতুন সিদ্ধান্তে পৌঁছানোর যে ক্ষমতা, তাকেই বলা হয় যুক্তি ও ইনফারেন্স। কিন্তু বাস্তব জীবনের যুক্তি কোনো স্থির ও কঠোর গাণিতিক উপপাদ্যের মতো কাজ করে না, যেখানে একবার কোনো সিদ্ধান্ত নিলে তা মহাবিশ্বের শেষ দিন পর্যন্ত অপরিবর্তিত থাকে। বাস্তব জীবনের অধিকাংশ তথ্যই হলো অসম্পূর্ণ, পরিবর্তনশীল এবং অনিশ্চিত। এই বাস্তবতাকে আনুষ্ঠানিকভাবে প্রকাশ করার জন্য যুক্তিবিদ রেমন্ড রেইটার (Raymond Reiter) ১৯৮০ সালে প্রস্তাব করেন ডিফল্ট যুক্তিবিদ্যা (Default Logic) (Reiter, 1980)। ডিফল্ট লজিক কোনো বুদ্ধিমান ব্যবস্থাকে এমন অনুমান করার সুযোগ দেয় যা পর্যাপ্ত প্রমাণের অভাবে সাময়িকভাবে ধরে নেওয়া হয়, কিন্তু পরবর্তীতে নতুন ও বিপরীত প্রমাণ পেলে তা নির্দ্বিধায় প্রত্যাহার করে নেওয়া যায়। যেমন, আমরা সচরাচর ধরে নিই যে পাখি উড়তে পারে; কিন্তু যখন নিশ্চিত হওয়া যায় যে পাখিটি একটি পেঙ্গুইন বা উটপাখি, তখন ব্যবস্থাটি তাৎক্ষণিকভাবে তার পূর্ববর্তী বিশ্বাস সংশোধন করে নেয়।

এই সংশোধনযোগ্য যুক্তির প্রক্রিয়াটিকে দর্শনে বলা হয় অ-একঘেয়ে যুক্তিবিদ্যা (Non-Monotonic Reasoning)। চিরায়ত লজিকে নতুন কোনো তথ্য যোগ করলে কখনো পুরোনো সিদ্ধান্ত ভুল প্রমাণিত হয় না, কিন্তু বাস্তব বুদ্ধিমত্তার ক্ষেত্রে নতুন প্রমাণের ধাক্কায় প্রায়শই পুরোনো সত্য বাতিল হয়ে যায়। দার্শনিক পিটার গার্দেনফর্স (Peter Gärdenfors), কার্লোস অ্যালচুরন এবং ডেভিড মাকিনসন যৌথভাবে তৈরি করেন বিশ্বাসের যৌক্তিক পরিবর্তনের বিখ্যাত এজিএম ফ্রেমওয়ার্ক (AGM Framework) (Alchourrón et al., 1985)। এই ফ্রেমওয়ার্ক দেখায় যে কোনো নতুন পরস্পরবিরোধী তথ্য আসার পর একজন বুদ্ধিমান এজেন্ট কীভাবে তার পুরোনো বিশ্বাসের জালকে এমনভাবে পুনর্গঠন করবে যাতে তার ভেতরের যৌক্তিক সঙ্গতি বজায় থাকে এবং ন্যূনতম পরিমাণ দরকারি তথ্য নষ্ট হয়।

একটি বুদ্ধিমান ব্যবস্থা তাই কেবল অবরোহী বা আরোহী যুক্তির অন্ধ অনুসরণ করে বসে থাকে না; তাকে প্রতিনিয়ত পরিচালনা করতে হয় ব্যাখ্যামূলক অনুমান-যুক্তি (Abductive Reasoning)। চিকিৎসাবিজ্ঞানের কৃত্রিম বুদ্ধিমত্তা যখন কোনো রোগীর একাধিক জটিল লক্ষণ পর্যবেক্ষণ করে, তখন সে লক্ষণগুলোর জন্য দায়ী সবচেয়ে সম্ভাব্য রোগটিকে চিহ্নিত করার চেষ্টা করে। এটি হলো অপূর্ণ তথ্যের ওপর দাঁড়িয়ে সর্বোত্তম ব্যাখ্যাটি খুঁজে বের করার এক বিজ্ঞানসম্মত বুদ্ধিবৃত্তিক কৌশল। যুক্তি এখানে কোনো পাথরে খোদাই করা অনড় নিয়ম নয়, বরং এটি হলো নতুন প্রমাণের আলোয় নিজের সিদ্ধান্তকে প্রতিনিয়ত পরিমার্জিত করার একটি সচল গাণিতিক মেকানিজম।

নিচের তালিকায় বুদ্ধিমান ব্যবস্থায় ব্যবহৃত প্রধান লজিক্যাল ইনফারেন্সের ধরণগুলো সংক্ষেপে তুলে ধরা হলো:

• অবরোহী ইনফারেন্স (Deductive Inference):
  • প্রকৃতি: নিশ্চিত এবং নিয়মতান্ত্রিক।
  • ভূমিকা: সাধারণ সত্য নিয়ম থেকে বিশেষ সুনির্দিষ্ট সিদ্ধান্তে পৌঁছানো (P → Q, P ⊢ Q)।
• আরোহী ইনফারেন্স (Inductive Inference):
  • প্রকৃতি: সম্ভাবনাময় এবং পর্যবেক্ষণভিত্তিক।
  • ভূমিকা: বহুসংখ্যক সুনির্দিষ্ট উদাহরণ থেকে একটি সাধারণ নিয়ম বা প্যাটার্ন তৈরি করা।
•  ব্যাখ্যামূলক অনুমান ইনফারেন্স (Abductive Inference):
  • প্রকৃতি: ব্যাখ্যামূলক এবং অনুমাননির্ভর।
  • ভূমিকা: কোনো ঘটনার পেছনের সবচেয়ে যুক্তিযুক্ত এবং সম্ভাব্য কারণটি অনুমান করা।
• অ-একঘেয়ে ইনফারেন্স (Non-Monotonic Inference):
  • প্রকৃতি: সংশোধনযোগ্য এবং নমনীয়।
  • ভূমিকা: নতুন পরস্পরবিরোধী প্রমাণের উপস্থিতিতে পূর্ববর্তী ভুল বা ডিফল্ট বিশ্বাস বাতিল করা।

এই সমস্ত যুক্তিকাঠামো প্রমাণ করে যে যান্ত্রিক যুক্তিপ্রয়োগ কোনো অন্ধ রোবোটিক আচরণ নয়। যুক্তি হলো তথ্যজগতের জটিল গোলকধাঁধায় নিজের বিশ্বাসের ভারসাম্য বজায় রেখে সঠিক পথে পা বাড়ানোর একটি গতিশীল ও বস্তুনিষ্ঠ চিন্তাপ্রকৌশল। কোনো বুদ্ধিমান ব্যবস্থা যখন এই নিয়মগুলো মেনে চলে, তখন সে বিশৃঙ্খল তথ্যের ভেতর থেকেও নিখুঁত সত্যের সন্ধান বের করে নিতে পারে।

সিদ্ধান্ত গ্রহণ ও উপযোগিতা সর্বোচ্চকরণের নীতি (Decision Making and Principles of Utility Maximization)

উপলব্ধি এবং যুক্তির পরবর্তী অনিবার্য ধাপ হলো সিদ্ধান্ত গ্রহণ। একটি বুদ্ধিমান ব্যবস্থাকে প্রায়শই এমন এক বাস্তবতার মুখোমুখি হতে হয় যেখানে প্রতিটি পদক্ষেপের সাথে জড়িয়ে থাকে অনিশ্চয়তা, ঝুঁকি এবং সীমাবদ্ধ সম্পদ। সিদ্ধান্ত গ্রহণের এই বৈজ্ঞানিক ও দার্শনিক রূপরেখা দাঁড়িয়ে আছে বিষয়গত প্রত্যাশিত উপযোগিতা (Subjective Expected Utility) তত্ত্বের ওপর। গণিতবিদ ও পরিসংখ্যানবিদ লিওনার্ড স্যাভেজ (Leonard Savage) তার ১৯৫৪ সালের ক্লাসিক গ্রন্থ দ্য ফাউন্ডেশনস অব স্ট্যাটিসটিক্স (The Foundations of Statistics)-এ দেখান যে একজন যুক্তিসংগত এজেন্ট কীভাবে অনিশ্চিত পরিস্থিতির মুখে দাঁড়িয়ে নিজের ব্যক্তিগত পছন্দ ও সম্ভাব্যতাকে কাজে লাগিয়ে সিদ্ধান্ত নেয় (Savage, 1954)। স্যাভেজের মডেল প্রমাণ করে যে যেকোনো সুসংগত সিদ্ধান্ত প্রক্রিয়াই শেষ পর্যন্ত একটি গাণিতিক উপযোগিতা সর্বোচ্চকরণের সমীকরণে রূপান্তরযোগ্য।

কৃত্রিম বুদ্ধিমত্তার জগতে এই সিদ্ধান্ত প্রক্রিয়াকে সময়ের ধারাবাহিকতায় বিশ্লেষণ করার জন্য ব্যবহৃত হয় মার্কভ ডিসিশন প্রসেস (Markov Decision Process) বা এমডিপি। গণিতবিদ রিচার্ড বেলম্যান (Richard Bellman) তার যুগান্তকারী ডাইনামিক প্রোগ্রামিং (Dynamic Programming) এবং বেলম্যান সমীকরণের মাধ্যমে সিদ্ধান্ত গ্রহণের এক অমর গাণিতিক ভিত্তি স্থাপন করেন (Bellman, 1957)। বেলম্যান দেখান যে একটি দীর্ঘমেয়াদী লক্ষ্যের দিকে এগিয়ে যাওয়ার সময় বর্তমান সিদ্ধান্তের তাৎক্ষণিক লাভ এবং সেই সিদ্ধান্তের কারণে ভবিষ্যতে প্রাপ্ত সম্ভাব্য সমস্ত সুবিধার বর্তমান মূল্যের যোগফলকে সর্বোচ্চ করতে হয়:

$$V^(s) = \max_a \left\{ R(s,a) + \gamma \sum_{s’} P(s’|s,a)V^(s’) \right\}$$

এখানে \(s\) দ্বারা বুদ্ধিমান এজেন্টের বর্তমান অবস্থা (Current State) এবং \(a\) দ্বারা সেই অবস্থায় এজেন্টের নেওয়া সম্ভাব্য পদক্ষেপ (Action) বোঝানো হয়েছে। \(V^(s)\) হলো \(s\) অবস্থা থেকে শুরু করে ভবিষ্যতে সর্বোত্তম সিদ্ধান্তগুলো গ্রহণ করলে পাওয়া সম্ভব এমন মোট প্রত্যাশিত পুরস্কারের সর্বোত্তম অবস্থা-মূল্য (Optimal State Value), যেখানে তারকাচিহ্ন \({}^*\) নির্দেশ করে যে মানটি যেকোনো সিদ্ধান্তনীতি অনুসরণের ফল নয়, বরং সম্ভাব্য সর্বোত্তম সিদ্ধান্তনীতি অনুসরণ করলে পাওয়া মান। \(\max_a\) দ্বারা বর্তমান অবস্থায় সম্ভব সব \(a\) পদক্ষেপের মধ্য থেকে যে পদক্ষেপটি সর্বোচ্চ প্রত্যাশিত মূল্য দেয় সেটি নির্বাচন করা বোঝানো হয়েছে। \(R(s,a)\) হলো \(s\) অবস্থায় \(a\) পদক্ষেপ নেওয়ার ফলে পাওয়া তাৎক্ষণিক পুরস্কার (Immediate Reward)। \(\gamma\) হলো ডিসকাউন্ট ফ্যাক্টর (Discount Factor), যার মান সাধারণত \(0\) থেকে \(1\)-এর মধ্যে রাখা হয় এবং এটি ভবিষ্যতের পুরস্কারকে বর্তমানের পুরস্কারের তুলনায় কতটা গুরুত্ব দেওয়া হবে তা নির্ধারণ করে। \(\gamma\)-এর মান \(1\)-এর কাছাকাছি হলে এজেন্ট ভবিষ্যতের লাভকে বেশি গুরুত্ব দেয়, আর \(0\)-এর কাছাকাছি হলে তাৎক্ষণিক লাভকে বেশি গুরুত্ব দেয়। সমীকরণে \(s’\) দ্বারা বর্তমান \(s\) অবস্থা থেকে \(a\) পদক্ষেপ নেওয়ার পরে এজেন্ট যে সম্ভাব্য পরবর্তী অবস্থায় (Next State) পৌঁছাতে পারে তা বোঝানো হয়েছে, যেখানে প্রাইম চিহ্ন \(‘\) বর্তমান অবস্থা \(s\) থেকে পরবর্তী অবস্থা \(s’\)-কে আলাদা করে। \(P(s’|s,a)\) হলো \(s\) অবস্থায় \(a\) পদক্ষেপ নেওয়া হয়েছে – এই শর্তে পরবর্তী অবস্থা \(s’\) হওয়ার স্থানান্তর সম্ভাব্যতা (Transition Probability), যেখানে উল্লম্ব দাগ \(|\) শর্তসাপেক্ষতা নির্দেশ করে। ফলে \(P(s’|s,a)\)-এর অর্থ হলো \(s\) বর্তমান অবস্থা এবং \(a\) গৃহীত পদক্ষেপ জানা থাকলে \(s’\) পরবর্তী অবস্থা হওয়ার সম্ভাবনা। \(V^(s’)\) হলো সেই সম্ভাব্য পরবর্তী অবস্থা \(s’\) থেকে শুরু করে সর্বোত্তম সিদ্ধান্তনীতি অনুসরণ করলে ভবিষ্যতে পাওয়া মোট প্রত্যাশিত পুরস্কারের সর্বোত্তম মান। \(\sum_{s’}\) দ্বারা সম্ভাব্য সব পরবর্তী অবস্থার ওপর যোগফল বোঝানো হয়েছে। ফলে \(\sum_{s’} P(s’|s,a)V^(s’)\) প্রকাশ করে একটি পদক্ষেপ নেওয়ার পর সম্ভাব্য বিভিন্ন ভবিষ্যৎ অবস্থার মূল্যকে তাদের নিজ নিজ সম্ভাব্যতা অনুযায়ী ওজন দিয়ে হিসাব করা প্রত্যাশিত ভবিষ্যৎ মূল্য (Expected Future Value)। অতএব সমীকরণটির \(R(s,a)\) অংশ বর্তমান পদক্ষেপের তাৎক্ষণিক লাভ এবং \(\gamma \sum_{s’} P(s’|s,a)V^*(s’)\) অংশ সম্ভাব্য ভবিষ্যৎ লাভের ডিসকাউন্টকৃত প্রত্যাশিত মূল্য প্রকাশ করে। এই দুই অংশ যোগ করার পর \(\max_a\) সম্ভাব্য সব পদক্ষেপের মধ্য থেকে যে পদক্ষেপটি সর্বোচ্চ সামগ্রিক মূল্য দেয় সেটিকে নির্বাচন করে।

এই সমীকরণের দার্শনিক সৌন্দর্য হলো, এটি কোনো উদ্দেশ্যবাদী অতীন্দ্রিয় ধারণা ছাড়াই একটি যন্ত্রকে দূরদর্শী আচরণ করার ক্ষমতা প্রদান করে। একটি দাবা খেলার ইঞ্জিন যখন কোনো একটি বড় চাল দেওয়ার জন্য সাময়িকভাবে নিজের একটি ছোট ঘুঁটি বিসর্জন দেয়, তখন সে মূলত এই বেলম্যান সমীকরণের অনুরূপ নীতিতে ভবিষ্যৎ লাভের পথ সুগম করে। স্বল্পমেয়াদী ক্ষতি স্বীকার করে দীর্ঘমেয়াদী বৃহত্তর সাফল্য অর্জনের এই কৌশল বুদ্ধিমান ব্যবস্থার অন্যতম প্রধান পরিচায়ক। এটি প্রমাণ করে যে দূরদর্শিতা কোনো অলৌকিক মানসিক গুণ নয়; এটি হলো ভবিষ্যৎ সম্ভাবনার জটিল গাণিতিক হিসাবকে বর্তমান পদক্ষেপে রূপান্তর করার এক বস্তুনিষ্ঠ দক্ষতা।

সিদ্ধান্ত গ্রহণের এই বস্তুনিষ্ঠ দর্শন স্পষ্ট করে দেয় যে তথাকথিত পছন্দ বা চয়েস কোনো জাদুকরী ঘটনা নয়। একটি বুদ্ধিমান ব্যবস্থা যখন একাধিক বিকল্পের মধ্য থেকে একটিকে বেছে নেয়, তখন তার সেই নির্বাচন নির্ধারিত হয় তার অভ্যন্তরীণ মূল্যায়ন ফাংশন এবং সম্ভাব্যতার নিখুঁত হিসাবের দ্বারা। মানুষ যখন কোনো সিদ্ধান্ত নেয়, তার মস্তিষ্কের স্নায়বিক সার্কিটও ডোপামিন রিওয়ার্ড ব্যবস্থার মাধ্যমে এই একই অপ্টিমাইজেশন পরিচালনা করে। সিদ্ধান্ত গ্রহণ তাই বিশৃঙ্খল অনিশ্চয়তার মধ্যে দাঁড়িয়ে সর্বাধিক কার্যকর সম্ভাবনার দ্বার উন্মোচন করার এক সার্বজনীন বিজ্ঞান।

অভিযোজন ও হোমিওস্ট্যাটিক নমনীয়তা (Adaptation and Homeostatic Plasticity)

কোনো ব্যবস্থা যদি নতুন পরিস্থিতিতে নিজেকে বদলাতে না পারে, তবে তার বুদ্ধিমত্তা দ্রুত অচল ও মূল্যহীন হয়ে পড়ে। জীবদেহের মতো কৃত্রিম বুদ্ধিমান ব্যবস্থারও টিকে থাকার মূল চাবিকাঠি হলো অভিযোজন বা অ্যাডাপটেশন। জীববিজ্ঞানে অভিযোজন বলতে বোঝায় পরিবর্তনের মুখে নিজের অভ্যন্তরীণ স্থায়িত্ব টিকিয়ে রাখা। বিজ্ঞানী পিটার স্টার্লিং এবং জোসেফ আইয়ার অভিযোজনের এই ধারণাকে আরও গভীর করে প্রস্তাব করেন অ্যালোস্ট্যাসিস (Allostasis) তত্ত্ব (Sterling & Eyer, 1988)। চিরায়ত হোমিওস্ট্যাসিস যেখানে কেবল একটি নির্দিষ্ট স্থির ভারসাম্য বজায় রাখার কথা বলে, অ্যালোস্ট্যাসিস সেখানে দাবি করে যে পরিবেশের সম্ভাব্য পরিবর্তনের পূর্বাভাস দিয়ে নিজের অভ্যন্তরীণ নিয়ন্ত্রণ প্যারামিটারগুলোকে আগেই পরিবর্তন করে ফেলাই হলো প্রকৃত অভিযোজন।

কৃত্রিম বুদ্ধিমত্তায় অভিযোজনের এই প্রক্রিয়াটি অত্যন্ত নিখুঁতভাবে বাস্তবায়িত হয় রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning) এবং মেটা-লার্নিংয়ের মাধ্যমে। কম্পিউটার বিজ্ঞানী রিচার্ড সাটন এবং অ্যান্ড্রু বার্টো তাদের গবেষণায় দেখিয়েছেন যে কোনো এজেন্ট যখন পরিবেশের সাথে ক্রমাগত মিথস্ক্রিয়া করে পুরস্কার ও ভুলের মাধ্যমে নিজের নীতি বা পলিসি পরিবর্তন করে, তখন সে নিখুঁত অভিযোজন দক্ষতা অর্জন করে (Sutton & Barto, 2018)। এখানে কোনো প্রোগ্রামারকে বলে দিতে হয় না কীভাবে চলতে হবে; সিস্টেমটি নিজেই পরিবেশের কঠিন বাস্তবতার মধ্য দিয়ে নিজের অভ্যন্তরীণ ওজন বা সিন্যাপটিক শক্তিগুলোকে পুনর্বিন্যাস করে নেয়।

অভিযোজনের এই ক্ষমতা সিস্টেমের ভেতর তৈরি করে সংজ্ঞানাত্মক প্লাস্টিসিটি (Cognitive Plasticity) বা নমনীয়তা। উদাহরণ হিসেবে বলা যায়, একটি রোবট যখন অসমান পাহাড়ি রাস্তায় হাঁটে এবং হঠাৎ তার একটি পা যান্ত্রিক ত্রুটির কারণে অচল হয়ে যায়, তখন একটি অভিযোজনহীন সাধারণ সিস্টেম সাথে সাথে মুখ থুবড়ে পড়ে যাবে। কিন্তু একটি অভিযোজনক্ষম বুদ্ধিমান ব্যবস্থা তাৎক্ষণিকভাবে তার শরীরের ওজনের নতুন কেন্দ্র গণনা করবে এবং বাকি পাগুলোর সমন্বয়ে সম্পূর্ণ নতুন এক ধরনের হাঁটার কৌশল তৈরি করে নেবে। অভিযোজন এখানে কোনো দূরবর্তী কমান্ডের অপেক্ষায় বসে থাকে না, বরং এটি হয়ে ওঠে সিস্টেমের অভ্যন্তরীণ টিকে থাকার অবিচ্ছেদ্য স্বয়ংক্রিয় তাগিদ।

দার্শনিক দিক থেকে দেখলে, অভিযোজন হলো বাস্তবতার সাথে চিন্তার কাঠামোগত সুর মেলানো। কোনো সিস্টেমের অভিযোজন ক্ষমতা যত বেশি, পরিবেশের অনিশ্চয়তা জয় করার শক্তিও তার তত বেশি। বুদ্ধিমত্তা কোনো পাথরে খোদাই করা অনড় স্মৃতিস্তম্ভ নয় যা সময়ের সাথে সাথে ক্ষয়ে যাবে; বুদ্ধিমত্তা হলো নদীর জলের মতো, যা পাথরের বাধার মুখে নিজের গতিপথ বদলে নিয়ে গন্তব্যের দিকে এগিয়ে যায়। অভিযোজনশীলতার এই নীতিই জীবন্ত মস্তিষ্ক এবং কৃত্রিম বুদ্ধিমত্তা উভয়ের অস্তিত্বের আসল ভিত্তি।

স্বায়ত্তশাসন, স্ব-সংগঠন ও জটিল সিস্টেমের উত্থান (Autonomy, Self-Organization, and the Emergence of Complex Systems)

বুদ্ধিমান ব্যবস্থার সর্বোচ্চ বিকাশ ঘটে যখন তার ভেতর স্বায়ত্তশাসন এবং স্ব-সংগঠনের জন্ম হয়। চিলিয়ান জীববিজ্ঞানী ও দার্শনিক উমবের্তো মাতুরানা (Humberto Maturana) এবং ফ্রান্সিসকো ভ্যারেলা (Francisco Varela) ১৯৭২ সালে তাদের বিখ্যাত গ্রন্থে অটোপয়েসিস (Autopoiesis) বা স্ব-উৎপাদন তত্ত্বের অবতারণা করেন (Maturana & Varela, 1980)। অটোপয়েসিস হলো কোনো ব্যবস্থার এমন এক বৈশিষ্ট্য যার মাধ্যমে সে নিজের অভ্যন্তরীণ উপাদানগুলো নিজেই তৈরি ও পুনর্গঠন করে নিজের প্রাতিষ্ঠানিক সীমানা বজায় রাখে। যদিও বর্তমান কৃত্রিম বুদ্ধিমত্তা পুরোপুরি জৈবিক অটোপয়েটিক সত্তা নয়, তবুও আধুনিক স্বশাসিত ব্যবস্থাগুলো ক্রমাগত সেই দিকেই ধাবিত হচ্ছে যেখানে সফটওয়্যার নিজেই নিজের কোড পরিমার্জন করছে এবং কাঠামোগত দুর্বলতা দূর করছে।

জটিল সিস্টেমের তাত্ত্বিক স্টুয়ার্ট কফম্যান (Stuart Kauffman) তার প্রভাবশালী গ্রন্থ দ্য অরিজিনস অব অর্ডার (The Origins of Order)-এ দেখান যে জটিল বুদ্ধিমত্তা কোনো কেন্দ্র থেকে একক নির্দেশনায় তৈরি হয় না; এটি সরল উপাদানগুলোর পারস্পরিক মিথস্ক্রিয়া থেকে স্বতঃস্ফূর্তভাবে আত্মপ্রকাশ করে, যাকে বলা হয় স্ব-সংগঠন (Self-Organization) (Kauffman, 1993)। যেমন বনের মৌমাছি বা পিঁপড়ার কলোনিতে কোনো একক সর্বময় শাসক থাকে না, তবুও হাজার হাজার সাধারণ পতঙ্গের স্থানীয় যোগাযোগের মধ্য দিয়ে একটি অত্যন্ত জটিল ও বুদ্ধিমান সমাজব্যবস্থা গড়ে ওঠে। কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে বহু-এজেন্ট ব্যবস্থা এবং কোটি কোটি প্যারামিটার বিশিষ্ট ডিপ নিউরাল নেটওয়ার্ক ঠিক এই স্ব-সংগঠন নীতির ওপর ভিত্তি করেই জটিল বুদ্ধিমান আচরণ প্রকাশ করে।

স্বায়ত্তশাসনের এই উত্থান দর্শনের একটি শতাব্দী প্রাচীন বিতর্ককে নতুন করে সংজ্ঞায়িত করেছে। একসময় ভাবা হতো যে স্বাধীন ইচ্ছা ও স্বায়ত্তশাসন কেবল মানুষের মতো আধ্যাত্মিক মনের পক্ষেই ধারণ করা সম্ভব। কিন্তু জটিল সিস্টেমের বিজ্ঞান দেখাচ্ছে যে কোনো ব্যবস্থার ভেতর যদি পর্যাপ্ত আন্তঃসংযোগ, সংবেদনশীলতা, অভ্যন্তরীণ ভবিষ্যৎবাণীমূলক মডেল এবং ফিডব্যাক মেকানিজম থাকে, তবে অজৈব পদার্থ থেকেও সম্পূর্ণ স্বায়ত্তশাসিত বুদ্ধিমান আচরণের উদ্ভব ঘটা একটি প্রাকৃতিক বাস্তবতা। বুদ্ধিমত্তা কোনো জাদুকরী স্ফুলিঙ্গ নয় যা কেবল বিশেষ কিছু সৃষ্টির ভেতরে দেওয়া হয়েছে; এটি হলো বস্তুগত জটিলতার এক চূড়ান্ত রূপান্তর।

উপলব্ধি থেকে শুরু করে যুক্তি, সিদ্ধান্ত, অভিযোজন এবং স্বায়ত্তশাসন – এই সমগ্র পরিক্রমাটি বুদ্ধিমান ব্যবস্থার এক সুসংহত বস্তুনিষ্ঠ ছবি আমাদের সামনে তুলে ধরে। মানুষ আজ আর কেবল প্রকৃতির তৈরি বুদ্ধিমত্তার একমাত্র প্রতিনিধি নয়; সে নিজেই আজ এমন সব অজৈব ব্যবস্থা নির্মাণ করছে যা পরিবেশকে বুঝতে পারে, যুক্তি দিয়ে চিন্তা করতে পারে এবং নিজের নিয়মে কাজ করতে পারে। বিজ্ঞান ও দর্শনের এই ঐতিহাসিক সন্ধিক্ষণে বুদ্ধিমান ব্যবস্থার ধারণা মানবজাতিকে তার নিজের অস্তিত্ব, মন এবং ভবিষ্যৎকে বোঝার এক অতুলনীয় তাত্ত্বিক আয়না উপহার দিয়েছে।

সমস্যা সমাধান ও অনুসন্ধান (Problem Solving and Search): স্টেট স্পেস, হিউরিস্টিক ও অনুসন্ধান

সমস্যার সংজ্ঞায়ন ও স্টেট স্পেসের সত্তাতত্ত্ব (Problem Formulation and Ontology of State Spaces)

বাস্তব জগতের যেকোনো জটিল পরিস্থিতির মুখোমুখি হলে একজন বুদ্ধিমান সত্তার প্রথম কাজ হলো সেই পরিস্থিতিকে একটি সমাধানযোগ্য কাঠামোয় সংজ্ঞায়িত করা। কিন্তু বাস্তব জগৎ তো সীমাহীন তথ্যের এক অন্তহীন বিস্তার। এই বিস্তারের ভেতর থেকে কেবল প্রয়োজনীয় তথ্যটুকু ছেঁকে নিয়ে একটি বিমূর্ত গাণিতিক সমস্যা তৈরি করার প্রক্রিয়াটি জ্ঞানতত্ত্বের একটি বড় চ্যালেঞ্জ। সংজ্ঞানাত্মক বিজ্ঞানী অ্যালেন নেওয়েল (Allen Newell) এবং হার্বার্ট সাইমন (Herbert Simon) তাদের যুগান্তকারী গ্রন্থ হিউম্যান প্রবলেম সলভিং (Human Problem Solving)-এ দেখান যে মানুষ বা কোনো কৃত্রিম এজেন্ট যখন কোনো সমস্যা সমাধানের চেষ্টা করে, তখন সে বাস্তব জগতের একটি প্রতীকী উপস্থাপন তৈরি করে নেয়, যাকে বলা হয় সমস্যা স্থান (Problem Space) বা স্টেট স্পেস (Newell & Simon, 1972)। সমস্যা সংজ্ঞায়নের এই প্রক্রিয়ায় অপ্রয়োজনীয় বিশদকে ছেঁটে ফেলার নামই হলো বিমূর্তায়ন (Abstraction)।

একটি স্টেট স্পেসের সত্তাতাত্ত্বিক কাঠামো মূলত পাঁচটি সুনির্দিষ্ট উপাদানের সমন্বয়ে গঠিত হয়:

• প্রারম্ভিক অবস্থা (Initial State): এজেন্ট যে বিন্দু থেকে তার যাত্রা বা সমস্যা সমাধানের অনুসন্ধান শুরু করে।
• সম্ভাব্য কার্যাবলি (Actions): কোনো একটি নির্দিষ্ট অবস্থায় দাঁড়িয়ে এজেন্ট যে সমস্ত বৈধ পদক্ষেপ গ্রহণ করতে পারে \(Actions(s)\)।
• রূপান্তর মডেল (Transition Model): কোনো অবস্থায় একটি নির্দিষ্ট কাজ সম্পাদন করলে সিস্টেমটি পরবর্তী কোন নতুন অবস্থায় পৌঁছাবে তার আনুষ্ঠানিক বর্ণনা \(Result(s, a)\)।
• লক্ষ্য পরীক্ষা (Goal Test): বর্তমান অবস্থাটি এজেন্টের কাঙ্ক্ষিত চূড়ান্ত লক্ষ্য কি না, তা যাচাই করার একটি সুনির্দিষ্ট নিয়ম।
• পথের খরচ (Path Cost): প্রারম্ভিক অবস্থা থেকে লক্ষ্য অবস্থায় পৌঁছানোর জন্য যে পরিমাণ সময়, শক্তি বা আর্থিক সম্পদ ব্যয় হয় তার একটি সংখ্যাসূচক মান \(c(s, a, s’)\)।

দার্শনিক দিক থেকে দেখলে, একটি স্টেট স্পেস (State Space) হলো সম্ভাব্য সমস্ত বাস্তবতার একটি নির্দেশিত গ্রাফ। সেখানে প্রতিটি নোড বা বিন্দু হলো জগতের একটি সম্ভাব্য অবস্থা, আর প্রতিটি সংযোগ রেখা বা এজ হলো একটি অবস্থা থেকে অন্য অবস্থায় যাওয়ার কার্যকরী রূপান্তর। উদাহরণস্বরূপ, একটি আট-ঘুঁটির পাজল বা দাবার বোর্ডে সম্ভাব্য প্রতিটি চালের পর বোর্ডের যে বিন্যাস তৈরি হয়, তার প্রতিটিই একেকটি অনন্য স্টেট। তবে বাস্তব জগতকে স্টেট স্পেসে রূপান্তর করার সময় এজেন্টকে কিছু কঠোর জ্ঞানতাত্ত্বিক সিদ্ধান্ত নিতে হয়। যদি মডেলের মধ্যে বাস্তবতার অতিরিক্ত অপ্রাসঙ্গিক উপাদান ঢুকিয়ে দেওয়া হয়, তবে স্টেট স্পেসটি এত বড় হয়ে যাবে যা গণনা করা অসম্ভব। আবার যদি অতিমাত্রায় সরলীকরণ করা হয়, তবে এজেন্ট বাস্তব জগতের গুরুত্বপূর্ণ বাধাগুলো দেখতে ব্যর্থ হবে। গবেষক পল স্নো (Paul Snow) দেখান যে বিমূর্তায়নের যথার্থতা নির্ভর করে তা মূল সমস্যার সমাধানযোগ্যতা রক্ষা করতে পারছে কি না তার ওপর (Snow, 1999)।

স্টেট স্পেসের এই ধারণা প্রমাণ করে যে সমস্যা সমাধান কোনো জাদুকরী বা অতিলৌকিক অন্তর্দৃষ্টির ওপর নির্ভর করে না। এটি হলো সম্ভাব্য বিকল্পগুলোর একটি সুনির্দিষ্ট গাণিতিক মানচিত্রে দাঁড়িয়ে লক্ষ্য অভিমুখে যাত্রা করার এক পদ্ধতিগত মেকানিক্স। মানুষের মস্তিষ্ক বা একটি কম্পিউটার অ্যালগরিদম যখন কোনো ধাঁধা সমাধান করে, তখন সে মূলত এই স্টেট স্পেসের ভেতরে এক অবস্থা থেকে আরেক অবস্থায় রূপান্তরের সম্ভাব্য কার্যকারণ সূত্রগুলোকেই একের পর এক যাচাই করে চলে।

অজ্ঞাত অনুসন্ধান ও স্থানিক অন্ধত্ব (Uninformed Search and Spatial Blindness)

স্টেট স্পেস তৈরি হওয়ার পর এজেন্টের সামনে যে চ্যালেঞ্জটি আসে, তা হলো লক্ষ্য অবস্থায় পৌঁছানোর সঠিক পথটি খুঁজে বের করা। যখন এজেন্টের কাছে স্টেট স্পেসের ভৌগোলিক দূরত্ব বা লক্ষ্যের নৈকট্য সম্পর্কে কোনো অতিরিক্ত আগাম ধারণা বা জ্ঞান থাকে না, তখন তাকে যে অনুসন্ধানের সাহায্য নিতে হয়, তাকে বলা হয় অজ্ঞাত অনুসন্ধান (Uninformed Search) বা অন্ধ অনুসন্ধান (Russell & Norvig, 2020)। এই ধরনের অ্যালগরিদম কেবল জানে কোন অবস্থাটি লক্ষ্য আর কোন কোন পথে পরবর্তী অবস্থায় যাওয়া যায়; কিন্তু কোন পথটি বেছে নিলে দ্রুত লক্ষ্যে পৌঁছানো যাবে, সে সম্পর্কে তার কোনো পূর্বাভাস থাকে না। ফলে সে এক ধরনের পদ্ধতিগত অন্ধত্বের মধ্য দিয়ে সমগ্র স্পেস চষে বেড়াতে শুরু করে।

অজ্ঞাত অনুসন্ধানের অন্যতম ক্লাসিক উদাহরণ হলো ব্রেডথ-ফার্স্ট সার্চ (Breadth-First Search) বা বিএফএস এবং ডেপথ-ফার্স্ট সার্চ (Depth-First Search) বা ডিএফএস। বিএফএস প্রারম্ভিক অবস্থা থেকে শুরু করে একই স্তরের সমস্ত নোড আগে পরীক্ষা করে এবং ধীরে ধীরে নিচের স্তরে নামে। ডাচ কম্পিউটার বিজ্ঞানী এডসগার ডাইকস্ট্রা (Edsger Dijkstra) ১৯৫৯ সালে তার বিখ্যাত গবেষণাপত্রে উপস্থাপন করেন ইউনিফর্ম-কস্ট সার্চ (Uniform-Cost Search) বা ডাইকস্ট্রার অ্যালগরিদম, যা পথের মোট খরচের ওপর ভিত্তি করে সর্বনিম্ন ব্যয়ের পথটি আগে অনুসন্ধান করে (Dijkstra, 1959)। অন্যদিকে ডিএফএস একটি নির্দিষ্ট শাখার গভীরে প্রবেশ করে যতক্ষণ না সে শেষ মাথায় পৌঁছায়। যদি সেই শাখায় লক্ষ্য না পাওয়া যায়, তবে সে পেছনে ফিরে আসে বা ব্যাকট্র্যাক করে অন্য একটি শাখায় ঢোকে।

তবে এই অন্ধ অনুসন্ধান পদ্ধতিগুলোর বড় দার্শনিক ও প্রকৌশলগত দুর্বলতা হলো তাদের গণনামূলক ব্যয়। একটি স্টেট স্পেসের শাখা বিস্তার বা ব্রাঞ্চিং ফ্যাক্টর যদি \(b\) হয় এবং লক্ষ্যের গভীরতা যদি \(d\) হয়, তবে বিএফএস-এর ক্ষেত্রে সময় ও মেমরির জটিলতা দাঁড়ায় \(O(b^d)\)। গভীরতা সামান্য বৃদ্ধি পেলেই মেমরির ভেতরে কোটি কোটি নোড জমা হয়ে কম্পিউটার সিস্টেম মুহূর্তের মধ্যে অচল হয়ে পড়ে। এই সমস্যার একটি চমৎকার সমাধান দিয়েছিলেন গবেষক রিচার্ড করিফ (Richard Korf) তার আইটারেটিভ ডিপেনিং সার্চ (Iterative Deepening Search) অ্যালগরিদমের মাধ্যমে (Korf, 1985)। করিফ দেখান যে ডিএফএস-এর কম মেমরি ব্যবহারের সুবিধাকে বিএফএস-এর সর্বনিম্ন পথ পাওয়ার নিশ্চয়তার সাথে যুক্ত করে ধাপে ধাপে গভীরতা বাড়িয়ে অনুসন্ধান চালালে সীমিত মেমরিতেও সমাধান পাওয়া সম্ভব।

অজ্ঞাত অনুসন্ধান আমাদের শেখায় যে কোনো বিষয়ে পূর্বজ্ঞান ছাড়া সম্পূর্ণ নিরপেক্ষভাবে সত্য অনুসন্ধান করতে গেলে কী পরিমাণ বিপুল শক্তির অপচয় ঘটে। এটি যেন একটি সম্পূর্ণ অন্ধকার ঘরে কোনো হারিয়ে যাওয়া বস্তু খোঁজার মতো, যেখানে হাতড়ে হাতড়ে ঘরের প্রতিটি ইঞ্চি পরীক্ষা করা ছাড়া কোনো বিকল্প থাকে না। পদ্ধতিগতভাবে নিখুঁত হওয়া সত্ত্বেও বাস্তব জগতের অসীম জটিলতার সামনে এই অন্ধ অনুসন্ধান দ্রুত তার উপযোগিতা হারিয়ে ফেলে। ফলে বুদ্ধিমত্তার বিকাশে দিকনির্দেশনামূলক জ্ঞানের প্রয়োজনীয়তা অপরিহার্য হয়ে ওঠে।

হিউরিস্টিক অনুসন্ধান ও জ্ঞানভিত্তিক দিকনির্দেশনা (Heuristic Search and Knowledge-Guided Navigation)

অন্ধ অনুসন্ধানের স্থানিক অন্ধত্ব দূর করার জন্য কৃত্রিম বুদ্ধিমত্তায় আগমন ঘটে জ্ঞাত অনুসন্ধান (Informed Search) বা হিউরিস্টিক অনুসন্ধানের। হিউরিস্টিক শব্দটি এসেছে গ্রিক শব্দ ‘ইউরিসকেইন’ থেকে, যার অর্থ ‘আবিষ্কার করা’। গণনামূলক দর্শনে হিউরিস্টিক ফাংশন (Heuristic Function), যাকে সাধারণত \(h(n)\) দিয়ে প্রকাশ করা হয়, তা হলো কোনো নির্দিষ্ট নোড \(n\) থেকে চূড়ান্ত লক্ষ্যের অবশিষ্ট দূরত্বের একটি বুদ্ধিমান বা সম্ভাব্য সেরা অনুমান (Pearl, 1984)। হিউরিস্টিক কোনো শতভাগ নিশ্চিত উত্তর দেয় না, কিন্তু তা অনুসন্ধানকারী অ্যালগরিদমকে এমন একটি দিকনির্দেশনা দেয় যাতে সে লক্ষ্যের কাছাকাছি থাকা পথগুলোকে আগে পরীক্ষা করতে পারে।

হিউরিস্টিক অনুসন্ধানের ইতিহাসে সবচেয়ে বিখ্যাত ও সফল অ্যালগরিদম হলো এ-স্টার অনুসন্ধান (A Search)। ১৯৬৮ সালে বিজ্ঞানী পিটার হার্ট (Peter Hart), নিলস নিলসন এবং বার্ট্রাম রাফেল যৌথভাবে এই অমর অ্যালগরিদমটি উদ্ভাবন করেন (Hart et al., 1968)। এ-স্টার অ্যালগরিদমে প্রতিটি নোডের মূল্যায়ন করা হয় একটি সমন্বিত সমীকরণের মাধ্যমে:

$$f(n) = g(n) + h(n)$$

এখানে \(g(n)\) হলো শুরু থেকে বর্তমান নোড \(n\) পর্যন্ত আসার প্রকৃত খরচ, আর \(h(n)\) হলো বর্তমান নোড থেকে লক্ষ্যে পৌঁছানোর আনুমানিক খরচ। ফলে \(f(n)\) নির্দেশ করে নোড \(n\)-এর মধ্য দিয়ে লক্ষ্যে পৌঁছানোর মোট সম্ভাব্য সর্বনিম্ন খরচ। এ-স্টার অ্যালগরিদমের দার্শনিক শক্তি লুকিয়ে আছে এর হিউরিস্টিক মানের বৈশিষ্ট্যের ওপর। গবেষকরা দেখিয়েছেন যে, \(h(n)\) যদি গ্রহণযোগ্য (Admissible) হয় – অর্থাৎ তা যদি লক্ষ্যে পৌঁছানোর প্রকৃত খরচের চেয়ে কখনোই বেশি অনুমান না করে \(h(n) \le h^*(n)\) – তবে এ-স্টার অ্যালগরিদম নিশ্চিতভাবেই সর্বনিম্ন খরচের সর্বোত্তম পথটি খুঁজে বের করবে। পরবর্তীতে জুডিয়া পার্ল দেখান যে হিউরিস্টিক ফাংশন যদি একই সাথে ধারাবাহিক (Consistent) বা মনোটোনিক হয়, তবে কোনো নোডকে দ্বিতীয়বার পরীক্ষা করার প্রয়োজন হয় না, যা অনুসন্ধানের গতি বহুগুণ বাড়িয়ে দেয় (Pearl, 1984)। হিউরিস্টিক এভাবে একটি নিখুঁত গাণিতিক নিশ্চয়তা এবং ব্যবহারিক অনুমানের এক অনন্য সেতুবন্ধন রচনা করে।

হিউরিস্টিক অনুসন্ধানের এই জ্ঞানতাত্ত্বিক সাফল্য দেখায় যে বুদ্ধিমত্তা কেবল তথ্য জমার ওপর নির্ভর করে না; বুদ্ধিমত্তা নির্ভর করে প্রাসঙ্গিক তথ্যকে দিকনির্দেশক হিসেবে ব্যবহার করার দক্ষতার ওপর। একটি ভালো হিউরিস্টিক স্টেট স্পেসের বিশাল অপ্রয়োজনীয় অংশগুলোকে ছাঁটাই বা প্রুনিং করে ফেলে। এটি অন্ধকার ঘরে একটি শক্তিশালী টর্চলাইটের আলোর মতো কাজ করে, যা অনুসন্ধানের চোখকে কেবল লক্ষ্যের দিকেই নিবদ্ধ রাখে। ফলে অসম্ভব গণনামূলক জটিলতার বাধা অতিক্রম করে বাস্তব সময়ে কার্যকর সমাধানে পৌঁছানো সম্ভব হয়।

স্থানীয় অনুসন্ধান ও অপ্টিমাইজেশনের ল্যান্ডস্কেপ (Local Search and the Landscape of Optimization)

অনেক বাস্তব সমস্যা এমন থাকে যেখানে লক্ষ্যে পৌঁছানোর পথটি গুরুত্বপূর্ণ নয়, বরং লক্ষ্য অবস্থাটি কেমন হবে সেটাই মূল বিবেচ্য বিষয়। যেমন একটি ইন্টিগ্রেটেড সার্কিট বোর্ডে লাখ লাখ ট্রানজিস্টর কীভাবে সাজালে তার কার্যক্ষমতা সর্বোচ্চ হবে, সেখানে কোনো পথ খোঁজার দরকার হয় না; সেখানে দরকার হয় সর্বোত্তম একটি কনফিগারেশন। এই ধরনের সমস্যা সমাধানের জন্য ব্যবহৃত হয় স্থানীয় অনুসন্ধান (Local Search) অ্যালগরিদম (Russell & Norvig, 2020)। স্থানীয় অনুসন্ধান পুরো স্টেট স্পেসের একটি মেমরি মানচিত্র সংরক্ষণ করে না; এটি কেবল বর্তমান অবস্থার ওপর দাঁড়িয়ে তার আশপাশের প্রতিবেশী অবস্থাগুলোর মান যাচাই করে ধাপে ধাপে উন্নতির দিকে এগিয়ে যায়।

স্থানীয় অনুসন্ধানের সবচেয়ে সরল রূপ হলো হিল ক্লাইম্বিং (Hill Climbing) বা পাহাড় চড়া অ্যালগরিদম। এটি বর্তমান অবস্থার আশপাশের প্রতিবেশীদের পরীক্ষা করে এবং যে প্রতিবেশীর মান সবচেয়ে ভালো, সেই দিকে এক ধাপ এগিয়ে যায়। তবে এই সরল পদ্ধতির একটি বড় দার্শনিক সংকট রয়েছে। এটি প্রায়শই একটি স্থানীয় সর্বোচ্চ (Local Maxima) বা লোকাল ম্যাক্সিমাতে গিয়ে আটকে পড়ে, যা আশেপাশের চেয়ে উঁচু হলেও পুরো মানচিত্রের সর্বোচ্চ চূড়া নয়। এছাড়া সমতল মালভূমি বা রিজের মুখে পড়লে এই অ্যালগরিদম সম্পূর্ণ দিকভ্রান্ত হয়ে পড়ে এবং সামনে এগোতে পারে না।

এই সমস্যা সমাধানের জন্য পদার্থবিদ্যার বস্তুগত তাপগতিবিদ্যা থেকে অনুপ্রেরণা নিয়ে তৈরি করা হয় সিমুলেটেড অ্যানিলিং (Simulated Annealing) অ্যালগরিদম। ১৯৮৩ সালে পদার্থবিদ স্কট কার্কপ্যাট্রিক (Scott Kirkpatrick), সি. ড্যানিয়েল গেল্যাট এবং মারিও ভেকচি ধাতুর অ্যানিলিং প্রক্রিয়ার আদলে এই অ্যালগরিদমটি প্রস্তাব করেন (Kirkpatrick et al., 1983)। তরল ধাতু যখন ধীরে ধীরে ঠান্ডা হয়ে স্ফটিক গঠন করে, তখন সে নিখুঁত নিম্ন শক্তির অবস্থায় পৌঁছায়। সিমুলেটেড অ্যানিলিং অ্যালগরিদম শুরুতে উচ্চ তাপমাত্রায় থাকে, যার ফলে সে মাঝে মাঝে উদ্দেশ্যমূলকভাবে খারাপ চাল বা খারাপ অবস্থাও গ্রহণ করে যাতে সে লোকাল ম্যাক্সিমার ফাঁদ থেকে লাফ দিয়ে বেরিয়ে আসতে পারে। তাপমাত্রা যত কমে আসে, সিস্টেমটি তত বেশি শৃঙ্খলাবদ্ধ হয় এবং শেষ পর্যন্ত বৈশ্বিক সর্বোচ্চ চূড়ায় পৌঁছাতে সক্ষম হয়।

একইভাবে জীববিজ্ঞানের প্রাকৃতিক বিবর্তন থেকে অনুপ্রেরণা নিয়ে কম্পিউটার বিজ্ঞানী জন হল্যান্ড (John Holland) ১৯৭৫ সালে তৈরি করেন জেনেটিক অ্যালগরিদম (Genetic Algorithms) (Holland, 1975)। এখানে একাধিক সম্ভাব্য সমাধানকে একটি জনসংখ্যা বা পপুলেশন হিসেবে রাখা হয় এবং প্রাকৃতিক নির্বাচনের মতো তাদের মধ্যে ক্রসওভার ও মিউটেশন ঘটিয়ে নতুন প্রজন্মের সৃষ্টি করা হয়। নিচের তালিকায় প্রধান স্থানীয় অনুসন্ধান কৌশলগুলোর তুলনামূলক রূপরেখা তুলে ধরা হলো:

• হিল ক্লাইম্বিং (Hill Climbing):
  • মূল নীতি: সবসময় কেবল সবচেয়ে ভালো প্রতিবেশীর দিকে একক পদক্ষেপ।
  • সীমাবদ্ধতা: লোকাল ম্যাক্সিমা এবং মালভূমির ফাঁদে আটকে যাওয়ার প্রবণতা।
• সিমুলেটেড অ্যানিলিং (Simulated Annealing):
  • মূল নীতি: তাপমাত্রার ভিত্তিতে সম্ভাবনাময়ভাবে সাময়িক খারাপ সিদ্ধান্ত গ্রহণ করে ফাঁদ থেকে মুক্তি।
  • সুবিধা: দীর্ঘমেয়াদে গ্লোবাল অপ্টিমায় পৌঁছানোর উচ্চ সম্ভাবনা।
• জেনেটিক অ্যালগরিদম (Genetic Algorithms):
  • মূল নীতি: একাধিক সমাধানের সংমিশ্রণ, মিউটেশন এবং যোগ্যতমের উদ্বর্তন।
  • সুবিধা: বিশাল এবং অত্যন্ত জটিল অপ্টিমাইজেশন স্পেসে সমান্তরাল অনুসন্ধান চালানোর দক্ষতা।

স্থানীয় অনুসন্ধানের এই দর্শন স্পষ্ট করে যে বাস্তব অপ্টিমাইজেশন কোনো সরল সোজা পথ নয়। চরম শ্রেষ্ঠত্ব অর্জনের জন্য মাঝে মাঝে সাময়িক পশ্চাদপসরণ বা বিশৃঙ্খলাকে মেনে নিতে হয়, যা শেষ পর্যন্ত সিস্টেমকে বৃহত্তর সফলতার দ্বারপ্রান্তে নিয়ে যায়।

শত্রুতাপূর্ণ অনুসন্ধান ও গেম থিওরিটিক সিদ্ধান্ত (Adversarial Search and Game-Theoretic Decisions)

বাস্তব জগতের বহু সমস্যা এমন যেখানে কেবল পরিবেশের বাধার সাথে লড়াই করলেই চলে না; সেখানে মুখোমুখি হতে হয় অন্য একজন সচেতন ও বুদ্ধিমান প্রতিযোগীর। দাবার মতো বোর্ডে কিংবা অর্থনৈতিক প্রতিযোগিতায় একজন এজেন্টের প্রতিটি পদক্ষেপের বিপরীতে অপর পক্ষ এমন চাল দিতে চায় যা প্রথম এজেন্টের ক্ষতি সর্বোচ্চ করে। এই ধরনের বহু-এজেন্ট প্রতিযোগিতামূলক পরিবেশকে বিশ্লেষণ করার কৌশলকে বলা হয় শত্রুতাপূর্ণ অনুসন্ধান (Adversarial Search) বা গেম ট্রি অনুসন্ধান (Russell & Norvig, 2020)। এখানে ফলাফল কোনো একক এজেন্টের সিদ্ধান্তের ওপর নির্ভর করে না, বরং তা নির্ভর করে দুই পক্ষের পরস্পরবিরোধী কৌশলের মিথস্ক্রিয়ার ওপর।

এই কাঠামোর গাণিতিক ভিত্তি স্থাপন করেছিলেন মহান গণিতবিদ জন ভন নিউম্যান (John von Neumann) ১৯২৮ সালে তার বিখ্যাত মিনিম্যাক্স উপপাদ্য (Minimax Theorem) প্রমাণের মাধ্যমে (Von Neumann, 1928)। মিনিম্যাক্স অ্যালগরিদমে একজন খেলোয়াড় ধরে নেয় যে সে তার নিজের লাভকে সর্বোচ্চ বা ম্যাক্সিমাইজ করতে চায়, আর তার প্রতিপক্ষ তার লাভকে সর্বনিম্ন বা মিনিমাইজ করতে বদ্ধপরিকর। গেম ট্রির নিচের স্তর থেকে শুরু করে প্রতিটি নোডের উপযোগিতা হিসাব করে উপরে তুলে আনা হয়। যদি খেলাটি একটি নির্দিষ্ট সমাপ্তি পর্যন্ত গণনা করা সম্ভব হতো, তবে মিনিম্যাক্স অ্যালগরিদম দিয়ে তাত্ত্বিকভাবে সবসময় নিখুঁত চাল দেওয়া সম্ভব হতো।

কিন্তু বাস্তব জীবনে দাবার মতো খেলায় সম্ভাব্য স্টেট স্পেসের আকার প্রায় \(10^{40}\) টি নোড, যা মহাবিশ্বের সমস্ত সময় দিয়েও শেষ স্তর পর্যন্ত গণনা করা অসম্ভব। এই সীমাবদ্ধতা দূর করার জন্য ১৯৭৫ সালে কম্পিউটার বিজ্ঞানী ডোনাল্ড কনুথ (Donald Knuth) এবং রোনাল্ড মুর উদ্ভাবন করেন আলফা-বিটা প্রুনিং (Alpha-Beta Pruning) অ্যালগরিদম (Knuth & Moore, 1975)। আলফা-বিটা প্রুনিং গাণিতিকভাবে দেখায় যে গেম ট্রির এমন কিছু শাখা রয়েছে যা পরীক্ষা করার কোনো প্রয়োজনই নেই, কারণ সেই শাখাগুলোর কোনো একটি চাল খেললে প্রতিপক্ষ এমন এক চাল দেবে যা আগের কোনো চয়েসের চেয়ে খারাপ। অপ্রয়োজনীয় এই শাখাগুলোকে ছাঁটাই করার ফলে অনুসন্ধান স্পেসের আকার প্রায় অর্ধেক হয়ে যায়, যা কার্যকর অনুসন্ধানের গভীরতা দ্বিগুণ করে দেয়।

১৯৯৭ সালে যখন আইবিএমের তৈরি ডিপ ব্লু (Deep Blue) তৎকালীন বিশ্ব দাবা চ্যাম্পিয়ন গ্যারি কাসপারভকে পরাজিত করেছিল, তখন ডিপ ব্লুর প্রধান অস্ত্র ছিল এই আলফা-বিটা প্রুনিং এবং বিশেষায়িত হার্ডওয়্যার সার্চ ইঞ্জিন (Campbell et al., 2002)। ডিপ ব্লু প্রতি সেকেন্ডে বিশ কোটি সম্ভাব্য বোর্ডের অবস্থান বিশ্লেষণ করতে পারত। তবে এর সাথে প্রয়োজন হয়েছিল একটি চমৎকার বোর্ড মূল্যায়ন ফাংশন (Board Evaluation Function), যা কোনো চাল না শেষ হওয়া পর্যন্তও বোর্ডের অবস্থান দেখে বুঝতে পারত কোন পক্ষ সুবিধাজনক অবস্থায় আছে। শত্রুতাপূর্ণ অনুসন্ধান আমাদের শেখায় যে অনিশ্চিত ও সংঘাতময় বাস্তবতায় যুক্তিসংগতভাবে টিকে থাকার মূল কৌশল হলো প্রতিপক্ষের সেরা চালটিকে আগেই অনুমান করে নিজের সম্ভাব্য ক্ষতির ঝুঁকিকে সর্বনিম্ন রাখা।

অনুসন্ধানের জ্ঞানতাত্ত্বিক সীমা ও নো-ফ্রি-লাঞ্চ উপপাদ্য (Epistemic Limits of Search and the No-Free-Lunch Theorem)

অনুসন্ধান অ্যালগরিদমগুলোর বিকাশ মানুষের মনে একসময় এমন একটি ধারণা তৈরি করেছিল যে হয়তো কোনো একটি সর্বজনীন ‘মাস্টার অ্যালগরিদম’ তৈরি করা সম্ভব যা পৃথিবীর যেকোনো অনুসন্ধান বা অপ্টিমাইজেশন সমস্যার নিখুঁত সমাধান দিতে পারবে। কিন্তু ১৯৯৭ সালে তাত্ত্বিক পদার্থবিদ ও গণিতবিদ ডেভিড ওলপার্ট এবং উইলিয়াম ম্যাকরেডি তাদের বিখ্যাত গবেষণাপত্রে এই আশাবাদের ওপর একটি অকাট্য গাণিতিক প্রাচীর তুলে দেন, যা পরিচিত নো-ফ্রি-লাঞ্চ উপপাদ্য (No-Free-Lunch Theorems) নামে (Wolpert & Macready, 1997)। ওলপার্ট এবং ম্যাকরেডি গাণিতিকভাবে প্রমাণ করেন যে, যদি সমস্ত সম্ভাব্য সমস্যার সামগ্রিক সেটের ওপর গড় করা হয়, তবে যেকোনো দুটি অনুসন্ধান অ্যালগরিদমের পারফরম্যান্স সম্পূর্ণ সমান হবে।

নো-ফ্রি-লাঞ্চ উপপাদ্যের মূল দার্শনিক বার্তা হলো: কোনো সমস্যা সম্পর্কে কোনো বিশেষ আগাম ধারণা বা পূর্বজ্ঞান না থাকলে কোনো পরিশীলিত জেনেটিক অ্যালগরিদম বা সিমুলেটেড অ্যানিলিং পদ্ধতি সাধারণ অন্ধ এলোমেলো অনুসন্ধানের চেয়ে গড়ে ভালো ফলাফল দিতে পারে না। একটি অ্যালগরিদম যখন কোনো নির্দিষ্ট ধরনের সমস্যায় অসাধারণ সাফল্য দেখায়, তখন তা সম্ভব হয় কেবল এই কারণে যে অ্যালগরিদমটির ভেতরের কৌশল সেই নির্দিষ্ট সমস্যার অন্তর্নিহিত প্যাটার্নের সাথে মানানসই। কিন্তু সেই একই অ্যালগরিদম অন্য কোনো ভিন্ন ডোমেইনে সম্পূর্ণ শোচনীয় ফলাফল দেবে। তাত্ত্বিক কম্পিউটার বিজ্ঞানে গবেষক মাইকেল গ্যারি এবং ডেভিড জনসন তাদের বিখ্যাত গ্রন্থে কম্পিউটেশনাল জটিলতার সীমানা নির্দেশ করে দেখান যে এনপি-হার্ড সমস্যাগুলোর ক্ষেত্রে কোনো সর্বজনীন শর্টকাট সমাধান পাওয়া তাত্ত্বিকভাবে অসম্ভব (Garey & Johnson, 1979)।

এই উপপাদ্য কৃত্রিম বুদ্ধিমত্তার জ্ঞানতত্ত্বকে এক চূড়ান্ত বস্তুনিষ্ঠ বাস্তবতায় নিয়ে আসে। এটি দেখায় যে তথাকথিত সর্বজনীন জাদুকরী কোনো গণনামূলক সমাধান প্রকৃতিতে সম্ভব নয়। একটি কৃত্রিম বুদ্ধিমান ব্যবস্থাকে কোনো ডোমেইনে দক্ষ করে তুলতে হলে সেই ডোমেনের নির্দিষ্ট নিয়ম, পদার্থবিদ্যা এবং বাস্তবতার জ্ঞানকে অ্যালগরিদমের ভেতর প্রবেশ করাতে হয়, যাকে আধুনিক মেশিন লার্নিংয়ের ভাষায় বলা হয় ইনডাক্টিভ বায়াস (Inductive Bias)। জ্ঞান ছাড়া কোনো অ্যালগরিদমই স্বয়ংসম্পূর্ণ নয়।

স্টেট স্পেসের নকশা থেকে শুরু করে অজ্ঞাত অনুসন্ধান, হিউরিস্টিক দিকনির্দেশনা, স্থানীয় অপ্টিমাইজেশন, শত্রুতাপূর্ণ গেম থিওরি এবং চূড়ান্ত জ্ঞানতাত্ত্বিক সীমাবদ্ধতা – এই পুরো পরিক্রমাটি সমস্যা সমাধানের বিজ্ঞানকে সম্পূর্ণ স্পষ্ট করে তোলে। অনুসন্ধান কোনো অন্ধ সৌভাগ্যের খেলা নয়; এটি হলো নির্দিষ্ট নিয়মে পরিচালিত এক সুশৃঙ্খল গণনামূলক যাত্রা। মহাবিশ্বের জটিলতা যত বিশালই হোক না কেন, সঠিক বিমূর্তায়ন এবং যুক্তিসংগত হিউরিস্টিকের আলো ফেলে সেই জটিল গোলকধাঁধা জয় করার শক্তি মানুষ ও যন্ত্র উভয়ের জন্যই এক অনন্য দার্শনিক দিগন্ত উন্মোচন করে।

জ্ঞান, প্রতিনিধিত্ব ও যুক্তিনির্ণয় (Knowledge, Representation and Reasoning): জ্ঞানের উপস্থাপন, ইনফারেন্স ও সিদ্ধান্ত

জ্ঞানের সত্তাতত্ত্ব ও উপস্থাপনার দার্শনিক সংকট (Ontology of Knowledge and the Philosophical Dilemma of Representation)

বাইরের জগতের কোনো সত্য বা বাস্তবতাকে মনের ভেতরে বা কম্পিউটারের মেমরিতে ধারণ করার অর্থ কী – এটি জ্ঞানতত্ত্ব এবং কৃত্রিম বুদ্ধিমত্তার অন্যতম জটিল এক দার্শনিক প্রশ্ন। চিরায়ত দর্শনে জ্ঞানকে সাধারণত সংজ্ঞায়িত করা হতো এমন এক মানসিক বিশ্বাস হিসেবে যা সত্য এবং পর্যাপ্ত প্রমাণের দ্বারা সমর্থিত। কিন্তু কম্পিউটেশনাল জগতে যখন আমরা কোনো সিস্টেমকে ‘জ্ঞানবান’ করতে চাই, তখন সেই বিমূর্ত বিশ্বাসকে কোনো না কোনো বস্তুগত কোড, চিহ্ন বা গাণিতিক চিহ্নে রূপান্তর করতে হয়। এই প্রক্রিয়াকে বলা হয় জ্ঞান উপস্থাপন (Knowledge Representation)। দার্শনিক ও কম্পিউটার বিজ্ঞানী ব্রায়ান ক্যান্টওয়েল স্মিথ (Brian Cantwell Smith) ১৯৮২ সালে তার প্রভাবশালী তত্ত্বে প্রস্তাব করেন বিখ্যাত জ্ঞান উপস্থাপন প্রকল্প (Knowledge Representation Hypothesis) (Smith, 1982)। এই প্রকল্প অনুযায়ী, যেকোনো বুদ্ধিমান ব্যবস্থার ভেতর এমন কিছু কাঠামোগত প্রতীক থাকতে হবে যা বাইরের জগতের বিভিন্ন বস্তু, ঘটনা ও তাদের মধ্যকার সম্পর্ককে সরাসরি নির্দেশ করে এবং সিস্টেমটির সমস্ত যুক্তি সেই প্রতীকগুলোর রূপান্তরের মাধ্যমেই পরিচালিত হয়।

জ্ঞান উপস্থাপনের ক্ষেত্রে প্রধান দার্শনিক বিতর্কটি তৈরি হয় দুটি ভিন্ন পদ্ধতির মধ্যে: ঘোষণামূলক বা ডিক্লারেটিভ জ্ঞান (Declarative Knowledge) এবং পদ্ধতিগত বা প্রসিডিউরাল জ্ঞান (Procedural Knowledge) (Russell & Norvig, 2020)। ঘোষণামূলক পদ্ধতিতে জ্ঞানকে কতগুলো স্পষ্ট তথ্যের সমষ্টি হিসেবে প্রকাশ করা হয়; যেমন ‘ঢাকা বাংলাদেশের রাজধানী’ বা ‘সকল মানুষ মরণশীল’। এখানে জ্ঞান কী, তা সরাসরি পাঠযোগ্য বাক্যে লেখা থাকে। অন্যদিকে পদ্ধতিগত পদ্ধতিতে জ্ঞান কোনো আলাদা তথ্যের বয়ানে থাকে না, বরং তা থাকে নির্দিষ্ট কাজ সম্পন্ন করার অ্যালগরিদমিক নিয়মের ভেতরে; যেমন সাইকেল চালানোর দক্ষতা বা কোনো গাণিতিক সমীকরণ ধাপে ধাপে সমাধানের কৌশল। প্রশ্ন ওঠে, একটি বুদ্ধিমান সিস্টেমের জন্য কোন রূপটি বেশি মৌলিক? মানুষের প্রাত্যহিক জীবনের অধিকাংশ দক্ষতাই পদ্ধতিগত, কিন্তু বিমূর্ত চিন্তা ও সিদ্ধান্ত গ্রহণের জন্য ঘোষণামূলক কাঠামোর বিকল্প নেই।

তবে কোনো কৃত্রিম প্রতীক আসলেই কীভাবে বাইরের জগতের নির্দিষ্ট বস্তুর অর্থ ধারণ করে? এই সংকটের গভীর ব্যবচ্ছেদ করেছেন গবেষক রোনাল্ড ব্র‍্যাকম্যান (Ronald Brachman) তার ঐতিহাসিক গবেষণায় (Brachman, 1979)। ব্র‍্যাকম্যান দেখান যে এআই গবেষকরা যখন কোনো নোডকে ‘মানুষ’ বা কোনো তীরচিহ্নকে ‘পিতা’ বলে চিহ্নিত করেন, তখন কম্পিউটারের কাছে সেই নামগুলো কোনো অর্থ বহন করে না। কম্পিউটারের কাছে সেগুলো কেবল কিছু বিমূর্ত বাইনারি সংকেত। মানুষ বাইরে থেকে সেই চিহ্নগুলোর ওপর নিজের মনের অর্থ আরোপ করে নেয়। একে বলা হয় শব্দার্থিক ফাঁক (Semantic Gap)। ব্র‍্যাকম্যান জ্ঞান উপস্থাপনের ভাষাকে পাঁচটি স্তরে বিভক্ত করার প্রস্তাব দেন: বাস্তবায়ন স্তর, লজিক্যাল স্তর, জ্ঞানতাত্ত্বিক স্তর, ধারণাগত স্তর এবং ভাষাগত স্তর। তিনি যুক্তি দেন যে জ্ঞানতাত্ত্বিক স্তরে স্পষ্টতা না থাকলে কম্পিউটার কখনোই চিহ্নের ভেতরের কাঠামোগত সম্পর্ক বুঝতে পারবে না।

এই সত্তাতাত্ত্বিক বিশ্লেষণ প্রমাণ করে যে জ্ঞান কোনো অলৌকিক আলো নয় যা যন্ত্রের ভেতর এমনিতেই জ্বলে উঠবে। জ্ঞান হলো বস্তুগত বাস্তবতার সুশৃঙ্খল মডেলিং। আমরা যখন কোনো সিস্টেমের ভেতর জগত সম্পর্কিত তথ্যের সম্পর্কগুলোকে সুনির্দিষ্ট নিয়মে সাজিয়ে দিই, তখনই সেই সিস্টেমটি যৌক্তিক সিদ্ধান্ত নেওয়ার ক্ষমতা অর্জন করে। ফলে জ্ঞান উপস্থাপন কোনো সাধারণ ডাটাবেজ তৈরির কাজ নয়; এটি হলো বাস্তবতার একটি সুসংহত কৃত্রিম মহাবিশ্ব গড়ে তোলার জ্ঞানতাত্ত্বিক প্রয়াস।

শব্দার্থিক জাল ও ফ্রেম কাঠামো: ধারণাগত সংগঠনের রূপরেখা (Semantic Networks and Frames: Architectures of Conceptual Organization)

মানুষের মস্তিষ্ক তথ্যগুলোকে কীভাবে সাজিয়ে রাখে – এই মনস্তাত্ত্বিক প্রশ্নের ওপর ভিত্তি করে ১৯৬০-এর দশকে জন্ম নেয় শব্দার্থিক জাল (Semantic Networks) তত্ত্ব। সংজ্ঞানাত্মক বিজ্ঞানী এম. রস কুইলিয়ান (M. Ross Quillian) মানুষের স্মৃতিতে ধারণার সংগঠন ব্যাখ্যা করার জন্য এই গ্রাফ-ভিত্তিক মডেলটি প্রস্তাব করেন (Quillian, 1968)। কুইলিয়ানের মডেলে প্রতিটি নোড নির্দেশ করে একেকটি ধারণা বা বস্তুকে, আর নোডগুলোর মধ্যকার সংযোগ রেখা নির্দেশ করে তাদের সম্পর্ককে। যেমন ‘পাখি’ নোডটির সাথে ‘পালক আছে’ বা ‘ডিম পাড়ে’ সম্পর্কগুলো সরাসরি যুক্ত থাকে। এই কাঠামোর সবচেয়ে বড় সুবিধা হলো উত্তরাধিকার সূত্র (Inheritance)। যদি বলা হয় ‘চড়ুই একটি পাখি’, তবে সিস্টেমটি স্বয়ংক্রিয়ভাবে জেনে নেয় যে চড়ুইয়েরও পালক আছে এবং সে ডিম পাড়ে; প্রতিটি নতুন প্রাণীর জন্য আলাদা করে সমস্ত বৈশিষ্ট্যের তালিকা তৈরি করতে হয় না।

পরবর্তীতে ১৯৭৪ সালে কৃত্রিম বুদ্ধিমত্তার অন্যতম পথিকৃৎ মার্ভিন মিনস্কি (Marvin Minsky) তার যুগান্তকারী গবেষণা প্রবন্ধে প্রস্তাব করেন ফ্রেম তত্ত্ব (Frame Theory) (Minsky, 1975)। মিনস্কি দেখান যে মানুষ যখন কোনো পরিচিত পরিস্থিতির মুখোমুখি হয় – যেমন কোনো রেস্তোরাঁয় প্রবেশ করে বা জন্মদিনের অনুষ্ঠানে যায় – তখন সে একেবারে শূন্য থেকে সবকিছু চিন্তা শুরু করে না। তার মনের মধ্যে আগে থেকেই সেই পরিস্থিতি সম্পর্কিত একটি সামগ্রিক ফ্রেম তৈরি থাকে। ফ্রেম হলো কতগুলো স্লট বা শূন্যস্থানের সমষ্টি, যার কিছু ডিফল্ট মান থাকে। একটি রেস্তোরাঁর ফ্রেমের স্লটগুলোতে থাকে ওয়েটার, মেন্যু কার্ড, টেবিল এবং বিল দেওয়ার ধারণা। কোনো ব্যক্তি রেস্তোরাঁয় ঢুকলে তার ফ্রেমটি সক্রিয় হয়ে ওঠে এবং বাস্তব অভিজ্ঞতার প্রেক্ষিতে সে স্লটের শূন্যস্থানগুলো পূরণ করে নেয়।

মিনস্কির এই ফ্রেম কাঠামো মনস্তাত্ত্বিক ধারণার ক্যাটাগরাইজেশনের সাথে চমৎকারভাবে মিলে যায়। সংজ্ঞানাত্মক মনোবিজ্ঞানী এলিনর রশ (Eleanor Rosch) তার বিখ্যাত প্রোটোটাইপ তত্ত্ব (Prototype Theory)-এ প্রমাণ করেন যে মানুষ কোনো বস্তুকে কেবল কিছু অনমনীয় লজিক্যাল শর্ত দিয়ে সংজ্ঞায়িত করে না; বরং সে একটি আদর্শ বা প্রোটোটাইপের সাথে তুলনা করে বস্তুকে চিনে নেয় (Rosch, 1978)। যেমন একটি রবিন পাখি মানুষের কাছে একটি সাধারণ পাখির নিখুঁত প্রোটোটাইপ, যেখানে পেঙ্গুইন বা উটপাখি হলো প্রান্তিক উদাহরণ। মিনস্কির ফ্রেম তত্ত্ব ঠিক এই প্রোটোটাইপ বা ডিফল্ট মানের ধারণাকে কম্পিউটারের জ্ঞান উপস্থাপনায় সফলভাবে যুক্ত করে।

নিচের তালিকায় শব্দার্থিক জাল ও ফ্রেম কাঠামোর প্রধান বৈশিষ্ট্যগুলো তুলে ধরা হলো:

• শব্দার্থিক জাল (Semantic Networks):
  • গঠন: নোড ও নির্দেশিত সংযোগ রেখা দ্বারা গঠিত গ্রাফ।
  • মূল নীতি: ধারণাগুলোর মধ্যকার শ্রেণিবিন্যাস এবং উত্তরাধিকার সম্পর্কের ওপর জোর।
  • সুবিধা: সাধারণ জ্ঞান ও বিমূর্ত সম্পর্কের সহজ ও দ্রুত ভিজ্যুয়ালাইজেশন।
• ফ্রেম কাঠামো (Frame Architecture):
  • গঠন: জটিল অবজেক্ট, স্লট এবং ডিফল্ট মানের সমন্বয়ে গঠিত প্যাকেট।
  • মূল নীতি: নির্দিষ্ট পরিস্থিতি বা বস্তুর প্রোটোটাইপিক্যাল উপস্থাপনা।
  • সুবিধা: বাস্তব জীবনের প্রত্যাশিত তথ্য ও পূর্বানুমানকে দক্ষতার সাথে সামলানোর ক্ষমতা।

এই কাঠামোগুলো দেখায় যে বুদ্ধিমত্তার মূল চাবিকাঠি হলো তথ্যের দক্ষ শ্রেণিবিন্যাস। মানুষের মন বা যন্ত্র কোনো তথ্যকে বিচ্ছিন্নভাবে মনে রাখে না; বরং একটি সামগ্রিক নেটওয়ার্কের অংশ হিসেবে তাকে ধারণ করে। ফ্রেম ও শব্দার্থিক জাল কৃত্রিম বুদ্ধিমত্তাকে শিখিয়েছে কীভাবে বাস্তব জগতের জটিল দৃশ্যপটকে অল্প পরিশ্রমে মনের ভেতর পুনর্গঠন করা সম্ভব।

আনুষ্ঠানিক সত্তাতত্ত্ব ও বর্ণনামূলক যুক্তিবিদ্যা (Formal Ontologies and Description Logics)

শব্দার্থিক জাল ও ফ্রেম কাঠামো ব্যবহারিক দিক থেকে চমৎকার হলেও শুরুর দিকে এদের বড় দুর্বলতা ছিল সুনির্দিষ্ট গাণিতিক ও লজিক্যাল ভিত্তির অভাব। একেক গবেষক একেকভাবে তীরচিহ্ন বা স্লটের অর্থ নির্ধারণ করতেন, যার ফলে বিভ্রান্তি তৈরি হতো। এই বিশৃঙ্খলা দূর করার জন্য কম্পিউটার বিজ্ঞানে জন্ম নেয় আনুষ্ঠানিক সত্তাতত্ত্ব (Formal Ontology) এবং বর্ণনামূলক যুক্তিবিদ্যা (Description Logics)। কম্পিউটার বিজ্ঞানী টমাস গ্রুবার (Thomas Gruber) ১৯৯৩ সালে সত্তাতত্ত্বের একটি ধ্রুপদী সংজ্ঞা দেন: “একটি সত্তাতত্ত্ব হলো একটি ধারণাগত কাঠামোর স্পষ্ট ও আনুষ্ঠানিক বিবরণ” (Ontology is an explicit specification of a conceptualization.) (Gruber, 1993)। অর্থাৎ কোনো একটি নির্দিষ্ট ক্ষেত্রে কী কী ধরনের সত্তা বিদ্যমান এবং তাদের মধ্যে কী কী সুনির্দিষ্ট সম্পর্ক সম্ভব, তার একটি কঠোর গাণিতিক সীমারেখা তৈরি করাই হলো সত্তাতত্ত্বের কাজ।

এই ধারণাকে লজিক্যাল কাঠামোর ওপর দাঁড় করানোর জন্য তৈরি হয় বর্ণনামূলক যুক্তিবিদ্যা বা ডিএল। গবেষক ফ্রাঞ্জ বাডার (Franz Baader) এবং তার সহকর্মীরা তাদের প্রামাণ্য গ্রন্থে দেখান যে বর্ণনামূলক যুক্তিবিদ্যা ফার্স্ট-অর্ডার প্রেডিকেট লজিকের একটি সুসংহত অংশ, যা ধারণার সংজ্ঞায়ন এবং তাদের সম্পর্কের সত্যতা যাচাই করতে ব্যবহৃত হয় (Baader et al., 2003)। ডিএল পুরো জ্ঞানভাণ্ডারকে দুটি প্রধান অংশে ভাগ করে:

• টি-বক্স (TBox / Terminological Box): এখানে সাধারণ পরিভাষা, ধারণা এবং তাদের সম্পর্কের সাধারণ নিয়মগুলো সংজ্ঞায়িত থাকে; যেমন ‘সকল মানবজাতি স্তন্যপায়ী’ \(\text{Human} \sqsubseteq \text{Mammal}\)।
• এ-বক্স (ABox / Assertional Box): এখানে বাস্তব জগতের সুনির্দিষ্ট একক সত্তা বা ব্যক্তিদের সম্পর্কে তথ্য জমা থাকে; যেমন ‘সক্রেটিস একজন মানুষ’ \(\text{Human}(\text{Socrates})\)।

বর্ণনামূলক যুক্তিবিদ্যার সবচেয়ে বড় দার্শনিক ও গাণিতিক সৌন্দর্য হলো এর সিদ্ধান্তযোগ্যতা (Decidability)। ফার্স্ট-অর্ডার লজিক সম্পূর্ণ সিদ্ধান্তযোগ্য নয়, অর্থাৎ এমন কোনো সার্বজনীন অ্যালগরিদম নেই যা যেকোনো সূত্রের সত্যতা সীমিত সময়ে নিশ্চিত করতে পারে। কিন্তু বর্ণনামূলক যুক্তিবিদ্যায় লজিকের প্রকাশক্ষমতা কিছুটা সীমিত করে এমনভাবে নকশা করা হয় যাতে যেকোনো যুক্তির সত্যতা সীমিত সময়ে গণনা করে নিশ্চিত করা যায়। এই ক্ষমতার ওপর ভিত্তি করেই তৈরি হয়েছে আধুনিক ইন্টারনেটের সিম্যান্টিক ওয়েব (Semantic Web) এবং ওয়েব অন্টোলজি ল্যাঙ্গুয়েজ (OWL) (Horrocks et al., 2003)।

আনুষ্ঠানিক সত্তাতত্ত্বের এই বিকাশ দর্শনের প্রাচীন সত্তাতত্ত্ব চর্চাকে এক অত্যন্ত বাস্তব প্রয়োগের ক্ষেত্রে নিয়ে এসেছে। এটি দেখিয়েছে যে বাস্তব জগতের জ্ঞানকে যদি একাধিক মানুষের বা কম্পিউটারের মধ্যে আদান-প্রদান করতে হয়, তবে শব্দের অর্থকে কোনো অস্পষ্ট অনুভূতির ওপর ছেড়ে দিলে চলবে না। শব্দের অর্থকে বাঁধতে হবে কঠোর গাণিতিক ও ধারণাগত শৃঙ্খলে। জ্ঞান এখানে কোনো ব্যক্তিগত উপলব্ধি নয়; এটি একটি সার্বজনীন ও যাচাইযোগ্য আনুষ্ঠানিক ব্যবস্থা।

স্বয়ংক্রিয় উপপাদ্য প্রমাণ ও রেজোলিউশন পদ্ধতি (Automated Theorem Proving and Resolution Refutation)

জ্ঞান যখন লজিক্যাল সূত্রে সংরক্ষিত হলো, তখন প্রশ্ন উঠল: সেই জ্ঞান থেকে নতুন কোনো সিদ্ধান্ত স্বয়ংক্রিয়ভাবে কীভাবে প্রমাণ করা যায়? প্রাচীনকাল থেকে মানুষ নানা জটিল নিয়মে উপপাদ্য প্রমাণ করত, কিন্তু কম্পিউটারের পক্ষে মানুষের মতো অন্তর্দৃষ্টি দিয়ে কোন সূত্র কখন প্রয়োগ করতে হবে তা বোঝা অসম্ভব ছিল। ১৯৬৫ সালে যুক্তিবিদ জে. অ্যালান রবিনসন (J. Alan Robinson) একটি একক, শক্তিশালী ও সার্বজনীন অনুসিদ্ধান্ত নিয়মের প্রস্তাব করেন, যা ইতিহাসে রেজোলিউশন নীতি (Resolution Principle) নামে পরিচিত (Robinson, 1965)। রবিনসন দেখান যে চিরায়ত যুক্তিবিদ্যার ডজন ডজন জটিল ইনফারেন্স নিয়মকে বাদ দিয়ে কেবল একটিমাত্র গাণিতিক নিয়মের সাহায্যে সমস্ত ফার্স্ট-অর্ডার লজিকের সিদ্ধান্ত প্রমাণ করা সম্ভব।

রেজোলিউশন পদ্ধতির মূল কৌশলটি হলো খণ্ডনমূলক প্রমাণ (Refutation Proof) বা পরোক্ষ প্রমাণ। কোনো একটি সিদ্ধান্ত \(C\) যদি আমাদের বিদ্যমান জ্ঞানভাণ্ডার \(KB\) থেকে সত্য প্রমাণিত হতে হয়, তবে রেজোলিউশন পদ্ধতি ধরে নেয় যে সিদ্ধান্তটি মিথ্যা, অর্থাৎ \(\neg C\) সত্য। এরপর সে \(KB \land \neg C\) কে ক্লজাল ফর্মে রূপান্তর করে রেজোলিউশন নিয়ম প্রয়োগ করতে থাকে। যদি এক পর্যায়ে একটি স্ববিরোধী বা শূন্য ক্লজ \(\emptyset\) তৈরি হয়, তবে নিশ্চিতভাবে প্রমাণিত হয় যে সিদ্ধান্তটি মিথ্যা হওয়ার অনুমানটি ভুল ছিল; অর্থাৎ সিদ্ধান্ত \(C\) নিশ্চিতভাবেই সত্য \(KB \models C\)। এর সাথে রবিনসন যুক্ত করেছিলেন ইউনিফিকেশন (Unification) অ্যালগরিদম, যা দুটি ভিন্ন লজিক্যাল বাক্যের চলকগুলোকে মিলিয়ে একটি সাধারণ রূপ বের করে নেয়।

এই রেজোলিউশন নীতির ওপর ভিত্তি করে ১৯৭০-এর দশকে ফরাসি বিজ্ঞানী অ্যালাইন কোলমেরার (Alain Colmerauer) এবং ব্রিটিশ যুক্তিবিদ রবার্ট কোয়ালস্কি (Robert Kowalski) উদ্ভাবন করেন বিখ্যাত প্রোগ্রামিং ভাষা প্রোলগ (Prolog) বা প্রোগ্রামিং ইন লজিক (Colmerauer & Roussel, 1996)। প্রোলগে প্রোগ্রামারকে বলে দিতে হয় না কীভাবে গণনা করতে হবে; প্রোগ্রামার কেবল বাস্তবতার কিছু সত্য তথ্য এবং হর্ন ক্লজ আকারের নিয়ম লিখে দেয়। কম্পিউটার রেজোলিউশন ব্যাকট্র্যাকিং ব্যবহার করে স্বয়ংক্রিয়ভাবে ব্যবহারকারীর প্রশ্নের উত্তর খুঁজে বের করে। কোয়ালস্কি এর একটি বিখ্যাত দার্শনিক সমীকরণ দিয়েছিলেন: “অ্যালগরিদম = লজিক + কন্ট্রোল” (Kowalski, 1979)। অর্থাৎ যুক্তির অংশটি ব্যবহারকারী দেবে, আর নিয়ন্ত্রণের অংশটি কম্পিউটার স্বয়ংক্রিয়ভাবে সম্পাদন করবে।

রেজোলিউশন পদ্ধতির শক্তি দাঁড়িয়ে আছে এর দুটি অবিচ্ছেদ্য গাণিতিক বৈশিষ্ট্যের ওপর: নির্ভুলতা (Soundness) এবং পূর্ণতা (Completeness)। নির্ভুলতা নিশ্চিত করে যে রেজোলিউশন দিয়ে কেবল সেই সিদ্ধান্তগুলোই প্রমাণ হবে যা সত্যিই জ্ঞানভাণ্ডার থেকে যৌক্তিকভাবে অনুসরণ করে \(\vdash \Rightarrow \models\); কোনো ভুল বা ভ্রান্ত সিদ্ধান্ত কখনোই তৈরি হবে না। আর পূর্ণতা নিশ্চিত করে যে যদি কোনো সিদ্ধান্ত সত্যিই সত্য হয়, তবে রেজোলিউশন পদ্ধতি সীমিত পদক্ষেপে তা খুঁজে বের করতে সক্ষম হবে \(\models \Rightarrow \vdash\)। রেজোলিউশন পদ্ধতি মানুষের হাজার বছরের উপপাদ্য প্রমাণের বুদ্ধিবৃত্তিক চর্চাকে একটি নিখুঁত স্বয়ংক্রিয় মেকানিক্যাল ইঞ্জিনে রূপান্তর করে।

অনিশ্চয়তা ও সম্ভাবনাময় গ্রাফিকাল মডেল (Uncertainty and Probabilistic Graphical Models)

বিশুদ্ধ লজিক্যাল ইনফারেন্স নিশ্চিত সত্যের জগতে অসাধারণ কাজ করলেও বাস্তব জগতের প্রায় সমস্ত সিদ্ধান্তেই জড়িয়ে থাকে অসম্পূর্ণ তথ্য এবং অনিশ্চয়তা। একজন ডাক্তার যখন রোগীর কাশি ও জ্বর দেখে সিদ্ধান্ত নেন, তখন তিনি শতভাগ নিশ্চিত হয়ে বলতে পারেন না যে রোগীর অমুক নির্দিষ্ট রোগই হয়েছে। সেখানে থাকে সম্ভাব্যতার খেলা। ১৯৮০-এর দশকে কম্পিউটার বিজ্ঞানী ও দার্শনিক জুডিয়া পার্ল (Judea Pearl) কৃত্রিম বুদ্ধিমত্তায় এক ঐতিহাসিক বিপ্লব নিয়ে আসেন তার যুগান্তকারী গ্রন্থ প্রোবাবিলিস্টিক রিজনিং ইন ইন্টেলিজেন্ট সিস্টেমস (Probabilistic Reasoning in Intelligent Systems)-এর মাধ্যমে (Pearl, 1988)। পার্ল তৈরি করেন বেইজীয় নেটওয়ার্ক (Bayesian Networks) বা সম্ভাবনাময় গ্রাফিকাল মডেল।

একটি বেইজিয়ান নেটওয়ার্ক হলো একটি নির্দেশিত চক্রহীন গ্রাফ (Directed Acyclic Graph), যেখানে প্রতিটি নোড একটি দ্বৈব চলক নির্দেশ করে এবং নোডগুলোর মধ্যকার তীরচিহ্ন তাদের প্রত্যক্ষ কার্যকারণ বা শর্তাধীন নির্ভরতাকে প্রকাশ করে। এই কাঠামোর সবচেয়ে বড় শক্তি হলো শর্তাধীন স্বাধীনতা (Conditional Independence)। একটি জটিল ব্যবস্থায় শত শত চলক থাকতে পারে, কিন্তু প্রতিটি চলক কেবল তার সরাসরি অভিভাবক নোডের ওপর নির্ভর করে। পার্ল উদ্ভাবন করেন ডি-সেপারেশন (d-separation) নামক একটি সুনির্দিষ্ট গাণিতিক নিয়ম, যার সাহায্যে গ্রাফের দিকে তাকিয়েই বলে দেওয়া যায় কোন দুটি ঘটনা পরস্পর স্বাধীন এবং কোন তথ্যটি জানা গেলে তাদের মধ্যকার সম্পর্ক বদলে যাবে।

পরবর্তীতে গবেষক ড্যাফনে কোলার এবং নীর ফ্রিডম্যান তাদের ক্লাসিক গ্রন্থে এই সম্ভাবনাময় গ্রাফিকাল মডেলের সম্পূর্ণ জ্ঞানতাত্ত্বিক ও কম্পিউটেশনাল রূপরেখা সংহত করেন (Koller & Friedman, 2009)। তারা দেখান যে বেইজিয়ান নেটওয়ার্ক কীভাবে অবরোহী বা কারণ-থেকে-ফলাফল অনুমান এবং আরোহী বা ফলাফল-থেকে-কারণ অনুমানের এক চমৎকার সমন্বয় ঘটায়। একটি যন্ত্র যখন কোনো ধোঁয়া দেখে, তখন সে বেইজিয়ান ইনফারেন্স ব্যবহার করে হিসাব করে যে আগুন লাগার সম্ভাবনা কতখানি বৃদ্ধি পেল।

নিচের তালিকায় লজিক্যাল ইনফারেন্স এবং সম্ভাবনাময় ইনফারেন্সের মধ্যকার মৌলিক দার্শনিক পার্থক্যগুলো তুলে ধরা হলো:

• লজিক্যাল ইনফারেন্স (Logical Inference):
  • মানদণ্ড: দ্বিমুখী সত্যতা (সত্য বা মিথ্যা)।
  • জ্ঞানের প্রকৃতি: কঠোর, নিশ্চিত এবং স্বতঃসিদ্ধ।
  • সীমাবদ্ধতা: অনিশ্চিত বা আংশিক তথ্যের উপস্থিতিতে সিদ্ধান্ত নিতে ব্যর্থ।
• সম্ভাবনাময় ইনফারেন্স (Probabilistic Inference):
  • মানদণ্ড: অবিচ্ছিন্ন সম্ভাব্যতা মান \(0\) থেকে \(1\)-এর মধ্যে।
  • জ্ঞানের প্রকৃতি: পরিবর্তনশীল, বিশ্বাসভিত্তিক এবং নমনীয়।
  • শক্তি: বাস্তব জীবনের নয়েজ ও অপূর্ণ তথ্যের মধ্যেও সবচেয়ে যুক্তিযুক্ত সিদ্ধান্ত গ্রহণের ক্ষমতা।

বেইজিয়ান নেটওয়ার্কের এই দার্শনিক রূপ প্রমাণ করে যে বাস্তব বুদ্ধিমত্তা কোনো পরম নিশ্চয়তার দাস নয়। বরং অনিশ্চয়তার গভীর সমুদ্রে সম্ভাবনার সঠিক হিসাব কষে ঝুঁকির মাত্রা সর্বনিম্ন রাখাই হলো যুক্তিনির্ণয়ের আসল উদ্দেশ্য। এটি কৃত্রিম বুদ্ধিমত্তাকে খাঁটি লজিকের অনড় খাঁচা থেকে বের করে বাস্তব পৃথিবীর বাস্তবসম্মত মাটিতে দাঁড় করিয়ে দেয়।

যোগ্যতা সমস্যা ও যুক্তি কাঠামোর নমনীয়তা (The Qualification Problem and Plasticity of Reasoning Frameworks)

বাস্তব জগতের জ্ঞান নিয়ে কাজ করতে গিয়ে কৃত্রিম বুদ্ধিমত্তা যে সবচেয়ে জটিল দার্শনিক বাধার মুখে পড়েছিল, তা হলো যোগ্যতা সমস্যা (Qualification Problem)। যুক্তিবিদ জন ম্যাককার্থি (John McCarthy) দেখান যে কোনো একটি সাধারণ কাজ সফলভাবে সম্পন্ন হওয়ার পেছনে যে সমস্ত পূর্বশর্ত প্রয়োজন, তাদের সবকটি একটি লজিক্যাল সূত্রে লিখে প্রকাশ করা অসম্ভব (McCarthy, 1980)। যেমন, ‘গাড়ির চাবি ঘুরিয়ে ইঞ্জিন স্টার্ট করা’ – এই সাধারণ নিয়মের পেছনে অজস্র উহ্য শর্ত থাকে: ব্যাটারিতে চার্জ থাকতে হবে, ট্যাংকে তেল থাকতে হবে, ইঞ্জিনের ভেতরে কোনো কাঠবিড়ালি তার কেটে দেয়নি, কোনো পারমাণবিক বোমার বিকিরণে সার্কিট পুড়ে যায়নি ইত্যাদি। একজন মানুষের পক্ষে এই লাখ লাখ শর্ত যাচাই করার প্রয়োজন পড়ে না; সে ধরে নেয় যে সবকিছু ঠিক আছে। কিন্তু একটি কঠোর লজিক্যাল কম্পিউটার এই উহ্য শর্তগুলোর মুখোমুখি হয়ে অচল হয়ে পড়ে।

এই সংকটের সমাধানে ম্যাককার্থি প্রস্তাব করেন সারকামস্ক্রিপশন (Circumscription) নামক একটি অত্যন্ত প্রভাবশালী অ-একঘেয়ে যুক্তিকাঠামো (McCarthy, 1980)। সারকামস্ক্রিপশনের মূল নীতি হলো: আমরা ধরে নেব যে জগতে কেবল সেই ব্যতিক্রমগুলোই বিদ্যমান যা স্পষ্টভাবে উল্লেখ করা আছে; এর বাইরের সমস্ত অস্বাভাবিক পরিস্থিতি অনুপস্থিত। এটি একটি গাণিতিক মিনিমাইজেশন প্রক্রিয়া, যেখানে ব্যতিক্রমী প্রেডিকেটগুলোকে সর্বনিম্ন সীমায় নামিয়ে আনা হয়। একইভাবে যুক্তিবিদ রবার্ট সি. মুর (Robert C. Moore) প্রস্তাব করেন স্বয়ং-জ্ঞানতাত্ত্বিক যুক্তিবিদ্যা (Autoepistemic Logic) (Moore, 1985)। মুর দেখান যে একজন বুদ্ধিমান এজেন্ট নিজের জ্ঞানের পরিধি সম্পর্কেও সচেতন থাকে। সে এভাবে যুক্তি দেয়: “যদি এমন কোনো বিশেষ বাধা থাকত, তবে আমি তা অবশ্যই জানতাম; যেহেতু আমি তা জানি না, তাই ধরে নেওয়া যায় বাধাটি নেই।”

বাস্তব তথ্যের অসম্পূর্ণতা মোকাবেলার জন্য ডাটাবেজ তত্ত্বে প্রবর্তিত হয় বদ্ধ বিশ্ব অনুমান (Closed World Assumption) বা সিডব্লিউএ (Reiter, 1978)। এই নীতি অনুসারে, জ্ঞানভাণ্ডারে যে তথ্যটি ইতিবাচকভাবে উল্লেখ নেই, তাকে স্বয়ংক্রিয়ভাবে মিথ্যা বলে ধরে নেওয়া হয়। এই অনুমানগুলো তাত্ত্বিকভাবে কিছুটা ঝুঁকিপূর্ণ হলেও বাস্তব সিদ্ধান্ত গ্রহণের জন্য অত্যন্ত ফলপ্রসূ। বাস্তব জগতের অসীম তথ্যের জালে পথ না হারিয়ে একটি কার্যকরী সিদ্ধান্তে পৌঁছানোর জন্য এই ধরনের জ্ঞানতাত্ত্বিক শর্টকাট গ্রহণ করা অপরিহার্য।

জ্ঞান, উপস্থাপন এবং যুক্তিনির্ণয়ের এই দীর্ঘ পরিক্রমা দেখায় যে বুদ্ধিমত্তা কোনো একক জাদুকরী সূত্রের ওপর দাঁড়িয়ে নেই। এটি হলো বাস্তবতার প্রতীকী মডেল তৈরি করা, সেই মডেলকে শব্দার্থিক জালে সংগঠিত করা, কঠোর লজিক ও সম্ভাব্যতা তত্ত্বের সাহায্যে ইনফারেন্স পরিচালনা করা এবং সবশেষে বাস্তবতার অসীম জটিলতাকে নমনীয় অনুমানের সাহায্যে সামাল দেওয়ার এক সমন্বিত বিজ্ঞান। এই জ্ঞানতাত্ত্বিক ভিত্তিগুলোর ফলেই আজ কৃত্রিম বুদ্ধিমত্তা কেবল অন্ধ গণনা করার যন্ত্র না হয়ে বাস্তব জগতকে বুঝতে এবং তার ওপর অর্থপূর্ণ সিদ্ধান্ত নিতে সক্ষম হয়ে উঠছে।

এজেন্ট, যুক্তিসংগততা ও এজেন্টিক এআই (Agents, Rationality and Agentic AI): লক্ষ্য, স্বায়ত্তশাসন ও কর্মসম্পাদন

এআই এজেন্ট ও যুক্তিসংগত এজেন্ট (AI Agents and Rational Agents): পরিবেশ, পারসেপ্ট, অ্যাকশন ও যুক্তিসংগততা

এজেন্টের সত্তাতত্ত্ব ও পারসেপ্ট-অ্যাকশন লুপের দার্শনিক ভিত্তি (Ontology of Agents and Philosophical Foundations of the Percept-Action Loop)

দর্শনের জগতে ‘কর্তা’ বা এজেন্টের ধারণাটি সবসময় এক বিশেষ মর্যাদা পেয়ে এসেছে। ঐতিহাসিকভাবে যে সত্তা নিজের ইচ্ছায় পারিপার্শ্বিক জগতে পরিবর্তন আনতে সক্ষম, তাকেই এজেন্ট বলা হতো। কিন্তু কৃত্রিম বুদ্ধিমত্তার আনুষ্ঠানিক তত্ত্বে এজেন্ট ধারণাকে কোনো রহস্যময় ইচ্ছাশক্তির খোলসে না রেখে একটি অত্যন্ত সুনির্দিষ্ট গাণিতিক রূপ দেওয়া হয়েছে। বিজ্ঞানী স্টুয়ার্ট রাসেল এবং পিটার নরভিগ তাদের প্রামাণ্য গ্রন্থে সংজ্ঞায়িত করেন যে, একজন এজেন্ট (Agent) হলো এমন যেকোনো সত্তা যা সেন্সরের সাহায্যে তার পরিবেশকে পর্যবেক্ষণ করে এবং অ্যাকচুয়েটরের মাধ্যমে সেই পরিবেশের ওপর নির্দিষ্ট কাজ সম্পাদন করে (Russell & Norvig, 2020)। এই দৃষ্টিকোণ থেকে মানুষ যেমন তার চোখ, কান ও অঙ্গপ্রত্যঙ্গ দিয়ে একজন জৈবিক এজেন্ট, ঠিক তেমনি একটি ক্যামেরা ও মোটরের সমন্বয়ে গঠিত রোবট বা কোডের লাইনে তৈরি সফটওয়্যার হলো একটি কৃত্রিম এজেন্ট।

একটি এজেন্টের সামগ্রিক আচরণকে বোঝার জন্য গণনামূলক দর্শনে দুটি ধারণাকে স্পষ্টভাবে আলাদা করা হয়: এজেন্ট ফাংশন (Agent Function) এবং এজেন্ট প্রোগ্রাম (Agent Program)। এজেন্ট ফাংশন হলো একটি বিমূর্ত গাণিতিক ম্যাপিং, যা এজেন্টের অতীত থেকে বর্তমান পর্যন্ত প্রাপ্ত সমস্ত সংবেদনের ইতিহাস বা পারসেপ্ট সিকোয়েন্স (Percept Sequence) কে একটি সুনির্দিষ্ট পদক্ষেপে রূপান্তর করে:

$$f: P^* \rightarrow A$$

এখানে \(P^*\) হলো সম্ভাব্য সমস্ত পারসেপ্টের ধারাবাহিক ইতিহাস এবং \(A\) হলো গৃহীত পদক্ষেপ। অন্যদিকে এজেন্ট প্রোগ্রাম হলো সেই বাস্তব কম্পিউটেশনাল কোড যা নির্দিষ্ট কোনো হার্ডওয়্যার বা আর্কিটেকচারের ওপর বসে এই গাণিতিক ফাংশনটিকে কার্যকর করে। অর্থাৎ এজেন্ট ফাংশনটি হলো এজেন্টের উদ্দেশ্য ও আচরণের আনুষ্ঠানিক ব্লুপ্রিন্ট, আর এজেন্ট প্রোগ্রাম হলো তার ভৌত বাস্তবায়ন।

দার্শনিক ও কম্পিউটার বিজ্ঞানী মাইকেল উওলড্রিজ (Michael Wooldridge) তার তত্ত্বে দেখান যে এজেন্টের সত্তাতত্ত্ব দাঁড়িয়ে আছে স্বায়ত্তশাসন এবং পরিবেশের সাথে তার মিথস্ক্রিয়ার ওপর (Wooldridge, 2009)। একটি সাধারণ কম্পিউটার প্রোগ্রাম কেবল ব্যবহারকারীর দেওয়া ইনপুটের ওপর গণনা করে একটি স্থির আউটপুট দেয়। কিন্তু একটি এজেন্ট কেবল ইনপুটের অপেক্ষায় নিষ্ক্রিয় বসে থাকে না; সে ক্রমাগত পরিবর্তনশীল পরিবেশের সংকেত পর্যবেক্ষণ করে নিজের লক্ষ্য অর্জনের জন্য স্বতঃস্ফূর্তভাবে সিদ্ধান্ত নেয়। উওলড্রিজ এজেন্টের দুটি প্রধান বৈশিষ্ট্য চিহ্নিত করেন: প্রতিক্রিয়াশীলতা (Reactivity) – পরিবেশের পরিবর্তনের সাথে দ্রুত সাড়া দেওয়ার ক্ষমতা, এবং স্বতঃস্ফূর্ততা (Proactiveness) – ভবিষ্যতের লক্ষ্যের দিকে ধাবিত হয়ে নিজ উদ্যোগে কাজ করার সামর্থ্য।

এই পারসেপ্ট-অ্যাকশন লুপের সত্তাতাত্ত্বিক তাৎপর্য অত্যন্ত গভীর। এটি মানুষ ও পরিবেশের মধ্যকার চিরায়ত দ্বৈতবাদী বিভাজনকে মুছে দেয়। এজেন্ট পরিবেশ থেকে বিচ্ছিন্ন কোনো দর্শক নয়; সে পরিবেশের ভেতরেরই একটি সক্রিয় উপাদান। এজেন্টের প্রতিটি পদক্ষেপ পরিবেশের অবস্থাকে বদলে দেয়, যা পরবর্তীতে নতুন পারসেপ্ট হিসেবে ফিরে এসে এজেন্টের পরবর্তী সিদ্ধান্তকে প্রভাবিত করে। বুদ্ধিমত্তা তাই কোনো আবদ্ধ বাক্সের ভেতরের স্থির জ্ঞান নয়; বুদ্ধিমত্তা হলো এজেন্ট এবং তার পরিবেশের মধ্যকার এই অবিরাম ও গতিশীল লেনদেনের জীবন্ত প্রবাহ।

যুক্তিসংগততার মানদণ্ড: সর্বজ্ঞাতা বনাম যুক্তিসংগততা (Criteria of Rationality: Omniscience versus Rationality)

কোনো এজেন্টের আচরণকে কখন ‘যুক্তিসংগত’ বা র‍্যাশনাল বলা যাবে – এটি দর্শনের এক প্রাচীন জ্ঞানতাত্ত্বিক প্রশ্ন। সাধারণ ভাষায় যুক্তিসংগততা বলতে অনেকেই নৈতিক সাধুতা বা নিখুঁত ফলাফল বোঝান। কিন্তু কৃত্রিম বুদ্ধিমত্তা ও ডিসিশন থিওরিতে যুক্তিসংগততা (Rationality) হলো একটি অত্যন্ত বস্তুনিষ্ঠ ও গাণিতিক মানদণ্ড। একটি এজেন্টের যুক্তিসংগততা নির্ধারিত হয় চারটি মৌলিক উপাদানের ওপর ভিত্তি করে:

• সাফল্যের পরিমাপক (Performance Measure): পরিবেশের কাঙ্ক্ষিত অবস্থাকে মূল্যায়ন করার জন্য একটি নিরপেক্ষ ও বস্তুনিষ্ঠ মানদণ্ড।
• পূর্বজ্ঞান (Prior Knowledge): পরিবেশ সম্পর্কে এজেন্টের ভেতরে আগে থেকে সংরক্ষিত জ্ঞানভাণ্ডার।
• পারসেপ্ট ইতিহাস (Percept Sequence): এখন পর্যন্ত পরিবেশ থেকে এজেন্টের সংগৃহীত সমস্ত প্রত্যক্ষ সংবেদন।
• পদক্ষেপ নেওয়ার ক্ষমতা (Action Capabilities): এজেন্টের নিজস্ব অ্যাকচুয়েটরের মাধ্যমে সম্পাদনযোগ্য বৈধ কাজের তালিকা।

দার্শনিক রবার্ট নোজিক (Robert Nozick) তার প্রভাবশালী গ্রন্থ দ্য নেচার অব র‍্যাশনালিটি (The Nature of Rationality)-এ দেখান যে যুক্তিসংগততা কোনো জাদুকরী গ্যারান্টি দেয় না যে সিদ্ধান্তের ফলাফল সবসময় শতভাগ নিখুঁত হবে (Nozick, 1993)। নোজিক জ্ঞানতাত্ত্বিক যুক্তিসংগততা এবং বাস্তবমুখী যুক্তিসংগততার মধ্যে পার্থক্য টানেন। বাস্তবমুখী যুক্তিসংগততার মূল দাবি হলো: একজন এজেন্ট তার বিদ্যমান তথ্য ও সামর্থ্যের ভিত্তিতে এমন একটি পদক্ষেপ বেছে নেবে যা তার প্রত্যাশিত সাফল্যকে সর্বোচ্চ করার সম্ভাবনা তৈরি করে। ফলাফল যদি কোনো অপ্রত্যাশিত প্রাকৃতিক দুর্ঘটনার কারণে খারাপও হয়, তবুও সিদ্ধান্ত গ্রহণের প্রক্রিয়াটি যুক্তিসংগত ছিল কি না, তা বিচার করতে হবে সিদ্ধান্তের সময় এজেন্টের কাছে থাকা তথ্যের আলোকেই।

এখানেই জন্ম নেয় একটি অতি গুরুত্বপূর্ণ দার্শনিক পার্থক্য: যুক্তিসংগততা বনাম সর্বজ্ঞাতা (Omniscience)। একজন সর্বজ্ঞানী সত্তা ভবিষ্যতের সমস্ত ঘটনা এবং প্রতিটি কাজের চূড়ান্ত ফলাফল আগে থেকেই নিশ্চিতভাবে জানে। কিন্তু একজন যুক্তিসংগত এজেন্ট সর্বজ্ঞানী নয়; সে কেবল বর্তমান ও অতীতের সংগৃহীত তথ্যের ভিত্তিতে সর্বোত্তম সম্ভাবনার হিসাব করে। উদাহরণস্বরূপ, একজন পথচারী সবুজ বাতি দেখে এবং ডানে-বামে তাকিয়ে রাস্তা পার হওয়ার সিদ্ধান্ত নিলেন। এটি একটি সম্পূর্ণ যুক্তিসংগত পদক্ষেপ। কিন্তু হঠাৎ আকাশ থেকে একটি উল্কাপিণ্ড এসে তার ওপর পড়লে তার ফলাফল দুঃখজনক হলেও তার রাস্তা পার হওয়ার সিদ্ধান্তটি কোনোভাবেই অযৌক্তিক ছিল না।

রাজনৈতিক ও সামাজিক দার্শনিক জন এলস্টার (Jon Elster) তার বিখ্যাত গ্রন্থ সাওয়ার গ্রেপস (Sour Grapes)-এ যুক্তিসংগত পছন্দের সীমাবদ্ধতা বিশ্লেষণ করতে গিয়ে দেখান যে মানুষের আকাঙ্ক্ষা ও পছন্দ সবসময় স্বাধীন ও সচেতন যুক্তিসংগত বিবেচনার ফল নয়। মানুষ কখনো নিজের নাগালের বাইরে থাকা বিকল্পের প্রতি আকাঙ্ক্ষা কমিয়ে বা পরিস্থিতির সঙ্গে নিজের পছন্দকে খাপ খাইয়ে নেয়, যাকে অভিযোজিত পছন্দ (Adaptive Preference) বলা হয় (Elster, 1983)। এই সাধারণ সমস্যাটিকে কৃত্রিম বুদ্ধিমত্তার যুক্তিসংগত এজেন্ট ধারণার সঙ্গেও তুলনা করা যায়। একজন যুক্তিসংগত এজেন্টের কাজ কোনো পূর্বনির্ধারিত বা প্রমাণহীন বিশ্বাস আঁকড়ে থাকা নয়, বরং তার কাছে থাকা তথ্য ও প্রমাণের ভিত্তিতে এমন পদক্ষেপ নির্বাচন করা যা প্রত্যাশিত ফলকে সর্বোচ্চ করে। নিজের তথ্য অপর্যাপ্ত হলে সে প্রয়োজনীয় ক্ষেত্রে তথ্য অন্বেষণ (Information Gathering) করতে পারে। ফলে যুক্তিসংগততা কোনো সর্বজ্ঞ বা অভ্রান্ত অবস্থার নাম নয়। সীমিত তথ্য ও অনিশ্চয়তার মধ্যেও উপলব্ধ প্রমাণের ভিত্তিতে সর্বোত্তম সিদ্ধান্ত নেওয়ার প্রচেষ্টাই যুক্তিসংগত এজেন্টের মূল বৈশিষ্ট্য।

পিইএএস ফ্রেমওয়ার্ক ও পরিবেশের দার্শনিক শ্রেণিবিন্যাস (The PEAS Framework and Philosophical Taxonomy of Environments)

একটি বুদ্ধিমান এজেন্টের নকশা করার আগে তার কর্মক্ষেত্রের রূপরেখা স্পষ্ট করা প্রয়োজন। কৃত্রিম বুদ্ধিমত্তা তত্ত্বে এর জন্য ব্যবহৃত হয় পিইএএস (PEAS) ফ্রেমওয়ার্ক, যার চারটি অক্ষর নির্দেশ করে: পারফরম্যান্স মেজার বা সাফল্যের পরিমাপক, এনভায়রনমেন্ট বা পরিবেশ, অ্যাকচুয়েটর বা কর্মক্ষম অঙ্গ এবং সেন্সর বা সংবেদনশীল ইন্দ্রিয় (Russell & Norvig, 2020)। যেমন একটি স্বয়ংক্রিয় ট্যাক্সি এজেন্টের ক্ষেত্রে পিইএএস বিশ্লেষণ করলে দেখা যায়: তার পারফরম্যান্স মেজার হলো নিরাপদ যাত্রা, দ্রুত গন্তব্যে পৌঁছানো এবং যাত্রীর স্বস্তি; তার পরিবেশ হলো শহরের রাস্তাঘাট, পথচারী ও অন্যান্য গাড়ি; তার অ্যাকচুয়েটর হলো স্টিয়ারিং হুইল, ব্রেক ও এক্সিলারেটর; আর তার সেন্সর হলো ক্যামেরা, লাইডার ও স্পিডোমিটার।

এজেন্টের চরিত্র কেমন হবে তা সম্পূর্ণ নির্ভর করে তার পরিবেশের বৈশিষ্ট্যের ওপর। কম্পিউটার বিজ্ঞানী ইয়োভ শোহাম এবং কেভিন লেইটন-ব্রাউন তাদের ক্লাসিক গ্রন্থ Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations – এ পরিবেশের কাঠামোগত শ্রেণিবিন্যাসকে এজেন্টের সিদ্ধান্ত গ্রহণের জন্য সবচেয়ে গুরুত্বপূর্ণ পূর্বশর্ত হিসেবে চিহ্নিত করেছেন (Shoham & Leyton-Brown, 2008)। দর্শনের দৃষ্টিতে এই শ্রেণিবিন্যাস পরিবেশের সত্তাতাত্ত্বিক জটিলতাকে উন্মোচন করে:

• সম্পূর্ণ দৃশ্যমান বনাম আংশিক দৃশ্যমান (Fully Observable vs Partially Observable): সেন্সরের সাহায্যে এজেন্ট যদি যেকোনো মুহূর্তে পরিবেশের সমগ্র অবস্থা দেখতে পায়, তবে তা সম্পূর্ণ দৃশ্যমান; যেমন দাবার বোর্ড। কিন্তু বাস্তব রাস্তাঘাটে কুয়াশা বা বাধার কারণে দৃষ্টি সীমিত থাকলে তা আংশিক দৃশ্যমান।
• একক এজেন্ট বনাম বহু-এজেন্ট (Single-Agent vs Multi-Agent): পরিবেশে যদি এজেন্ট একাই কাজ করে (যেমন ক্রসওয়ার্ড পাজল মেলানো), তবে তা একক এজেন্ট। কিন্তু সেখানে যদি অন্য কোনো বুদ্ধিমান সত্তা থাকে যার সাথে প্রতিযোগিতা বা সহযোগিতা করতে হয় (যেমন দাবা বা শেয়ার বাজার), তবে তা বহু-এজেন্ট পরিবেশ।
• নির্ধারিত বনাম সম্ভাব্যতাময় (Deterministic vs Stochastic): বর্তমান অবস্থা ও এজেন্টের পদক্ষেপের ওপর ভিত্তি করে পরবর্তী অবস্থা যদি শতভাগ নিশ্চিতভাবে জানা যায়, তবে তা নির্ধারিত। আর যদি সেখানে কোনো অনিশ্চয়তা বা দৈব ঘটনা থাকে, তবে তা সম্ভাব্যতাময়।
• পর্বভিত্তিক বনাম ধারাবাহিক (Episodic vs Sequential): এজেন্টের বর্তমান সিদ্ধান্ত যদি ভবিষ্যতের সিদ্ধান্তের ওপর কোনো প্রভাব না ফেলে (যেমন ছবির ত্রুটি ধরা), তবে তা পর্বভিত্তিক। কিন্তু বর্তমান চাল যদি পরবর্তী সমস্ত চালের ভাগ্য নির্ধারণ করে দেয় (যেমন দাবা খেলা), তবে তা ধারাবাহিক।
• স্থির বনাম গতিশীল (Static vs Dynamic): এজেন্ট যখন সিদ্ধান্ত নিয়ে চিন্তা করছে, তখন পরিবেশ যদি অপরিবর্তিত থাকে, তবে তা স্থির। কিন্তু এজেন্টের চিন্তার সময়ও যদি পরিবেশ দ্রুত বদলে যেতে থাকে (যেমন গাড়ি চালানো), তবে তা গতিশীল।
• বিচ্ছিন্ন বনাম অবিচ্ছিন্ন (Discrete vs Continuous): পরিবেশের অবস্থা, সময় ও পদক্ষেপের সংখ্যা যদি সুনির্দিষ্ট ও গণনাযোগ্য হয় (যেমন দাবার ঘর), তবে তা বিচ্ছিন্ন। আর গতি বা সময়ের মান যদি মসৃণভাবে পরিবর্তিত হয়, তবে তা অবিচ্ছিন্ন।

নিচের তালিকায় পিইএএস কাঠামোর সাথে পরিবেশের এই জ্ঞানতাত্ত্বিক মাত্রার সম্পর্ক সংক্ষেপে তুলে ধরা হলো:

• সহজ পরিবেশ (Benign Environment):
  • বৈশিষ্ট্য: সম্পূর্ণ দৃশ্যমান, নির্ধারিত, পর্বভিত্তিক, স্থির এবং বিচ্ছিন্ন।
  • চ্যালেঞ্জ: কম কম্পিউটেশনাল জটিলতা; সরল অ্যালগরিদমেই সহজে সর্বোচ্চ সাফল্য পাওয়া যায়।
• জটিল বাস্তব পরিবেশ (Complex Real-World Environment):
  • বৈশিষ্ট্য: আংশিক দৃশ্যমান, বহু-এজেন্ট, সম্ভাব্যতাময়, ধারাবাহিক, গতিশীল এবং অবিচ্ছিন্ন।
  • চ্যালেঞ্জ: উচ্চ অনিশ্চয়তা এবং সময়সীমার চাপ; জটিল সম্ভাবনাময় মডেল ও অভিযোজন ছাড়া টিকে থাকা অসম্ভব।

পরিবেশের এই দ্বান্দ্বিক রূপ আমাদের মনে করিয়ে দেয় যে বুদ্ধিমত্তা কোনো শূন্যে ভাসমান বিষয় নয়। পরিবেশ যত বেশি বিশৃঙ্খল ও গতিশীল হবে, এজেন্টের ভেতরে বাস্তবতার নিখুঁত অভ্যন্তরীণ মডেল তৈরি করার প্রয়োজনীয়তা তত বেশি তীব্র হয়ে উঠবে।

এজেন্ট আর্কিটেকচারের অভ্যন্তরীণ কাঠামো ও বিকাশ (Internal Architecture and Typology of Agent Programs)

একটি এজেন্টের ভেতরের সফটওয়্যার প্রোগ্রামটি কীভাবে সংবেদনশীল তথ্যকে পদক্ষেপে রূপান্তর করে, তার ওপর ভিত্তি করে কৃত্রিম বুদ্ধিমত্তায় চারটি প্রধান ধরনের ক্লাসিক এজেন্ট আর্কিটেকচার দেখা যায়। এই চার ধরনের কাঠামো মূলত বুদ্ধিমত্তার বিকাশের ধারাবাহিক স্তরের প্রতিনিধিত্ব করে (Russell & Norvig, 2020)।

প্রথম এবং সবচেয়ে সরল রূপটি হলো সরল প্রতিবর্ত এজেন্ট (Simple Reflex Agent)। এই এজেন্টগুলো কোনো অতীত ইতিহাস বা ভবিষ্যৎ লক্ষ্য নিয়ে চিন্তা করে না; তারা কেবল বর্তমান পারসেপ্টের ওপর ভিত্তি করে কিছু পূর্বনির্ধারিত শর্ত-পদক্ষেপ বা “ইফ-দেন” নিয়ম মেনে কাজ করে। যেমন একটি সাধারণ স্বয়ংক্রিয় থার্মোস্ট্যাট তাপমাত্রা একটি নির্দিষ্ট সীমার নিচে নামলেই হিটার চালু করে দেয়। এই ধরনের এজেন্টের কোনো স্মৃতি বা অভ্যন্তরীণ অবস্থা থাকে না। পরিবেশ সম্পূর্ণ দৃশ্যমান না হলে এই এজেন্টরা দ্রুত দিকভ্রান্ত হয়ে পড়ে এবং অসীম লুপের মধ্যে আটকে যায়।

দ্বিতীয় স্তরটি হলো মডেল-ভিত্তিক প্রতিবর্ত এজেন্ট (Model-Based Reflex Agent)। এই এজেন্টরা পরিবেশের যে অংশটুকু সেন্সরে সরাসরি দেখা যাচ্ছে না, তা বোঝার জন্য নিজের মনের ভেতর একটি অভ্যন্তরীণ অবস্থা (Internal State) সংরক্ষণ করে। এই অভ্যন্তরীণ অবস্থাকে সচল রাখার জন্য তার দরকার হয় দুটি বিশেষ জ্ঞান: জগত কীভাবে স্বয়ংক্রিয়ভাবে পরিবর্তিত হয় তার একটি রূপরেখা, এবং এজেন্টের নিজের পদক্ষেপ জগতের ওপর কী প্রভাব ফেলে তার নিয়ম। রোবোটিক্স গবেষক রডনি ব্রুকস (Rodney Brooks) যদিও প্রতীকী অভ্যন্তরীণ মডেলের সমালোচনা করেছিলেন, তবুও আংশিক দৃশ্যমান বাস্তবতায় পথ চলার জন্য এই অভ্যন্তরীণ মডেলের উপস্থিতি অপরিহার্য প্রমাণিত হয়েছে (Brooks, 1991)।

তৃতীয় স্তরটি হলো লক্ষ্য-ভিত্তিক এজেন্ট (Goal-Based Agent)। কেবল বর্তমান অবস্থা জানাটাই সিদ্ধান্ত নেওয়ার জন্য যথেষ্ট নয়; এজেন্টকে জানতে হয় সে কোন চূড়ান্ত অবস্থায় পৌঁছাতে চায়। লক্ষ্য-ভিত্তিক এজেন্টের ভেতরে একটি সুনির্দিষ্ট লক্ষ্যের বিবরণ থাকে। এই এজেন্টরা অনুসন্ধান ও পরিকল্পনার মতো জটিল কগনিটিভ অ্যালগরিদম ব্যবহার করে এমন পদক্ষেপের শৃঙ্খলা তৈরি করে যা তাকে কাঙ্ক্ষিত গন্তব্যে পৌঁছে দেবে। এটি প্রতিবর্ত এজেন্টের চেয়ে অনেক বেশি নমনীয়, কারণ পরিবেশ বা লক্ষ্য বদলে গেলে এজেন্ট তার পদক্ষেপের পরিকল্পনা পুনর্গঠন করে নিতে পারে।

চতুর্থ এবং সবচেয়ে পরিণত স্তরটি হলো উপযোগিতা-ভিত্তিক এজেন্ট (Utility-Based Agent)। একটি লক্ষ্যে পৌঁছানোর জন্য একাধিক বিকল্প পথ থাকতে পারে। কোন পথটি বেশি নিরাপদ, কোন পথটিতে খরচ কম এবং কোন পথটি বেশি দ্রুত পৌঁছাবে – এই ধরনের জটিল ট্রেড-অফ সামলানোর জন্য উপযোগিতা-ভিত্তিক এজেন্ট ব্যবহার করে একটি উপযোগিতা ফাংশন (Utility Function)। গবেষক মাইকেল জর্জফ (Michael Georgeff) এবং ফ্রাঁসোয়া ইনগ্রান্ড (François Ingrand) তাদের বিখ্যাত বিডিআই আর্কিটেকচার (BDI Architecture) বা বিশ্বাস-আকাঙ্ক্ষা-অভিপ্রায় তত্ত্বে দেখান কীভাবে একটি এজেন্ট বাস্তব জগতের অনিশ্চয়তার মধ্যে নিজের বিশ্বাসের ওপর দাঁড়িয়ে বিভিন্ন আকাঙ্ক্ষার মধ্য থেকে সর্বোত্তম উপযোগিতা সম্পন্ন অভিপ্রায়টি বেছে নেয় (Georgeff & Ingrand, 1989)। উপযোগিতা ফাংশন এজেন্টকে অনিশ্চিত পরিস্থিতিতেও সবচেয়ে যুক্তিযুক্ত ভারসাম্যপূর্ণ সিদ্ধান্ত নেওয়ার সক্ষমতা দেয়।

লার্নিং এজেন্ট ও জ্ঞানতাত্ত্বিক স্বায়ত্তশাসন (Learning Agents and Epistemic Autonomy)

কোনো এজেন্টের সমস্ত জ্ঞান যদি প্রোগ্রামার শুরু থেকেই তার কোডের ভেতর লিখে দেয়, তবে সেই এজেন্টকে কি সত্যিকার অর্থে স্বায়ত্তশাসিত বলা চলে? কৃত্রিম বুদ্ধিমত্তার দর্শনে একে বলা হয় স্বায়ত্তশাসনের সংকট। যদি পরিবেশের কোনো পরিবর্তন ঘটে যা প্রোগ্রামার আগে থেকে কল্পনা করতে পারেননি, তবে পূর্বনির্ধারিত নিয়মের এজেন্ট সাথে সাথে ব্যর্থ হবে। এই পরামুখিনতা দূর করার জন্যই জন্ম নেয় লার্নিং এজেন্ট (Learning Agent) বা শিক্ষণক্ষম এজেন্টের ধারণা (Russell & Norvig, 2020)। একজন লার্নিং এজেন্ট শুরুতে অসম্পূর্ণ জ্ঞান নিয়ে যাত্রা শুরু করলেও নিজের কাজের অভিজ্ঞতা ও পরিবেশের ফিডব্যাক থেকে ক্রমাগত নতুন জ্ঞান তৈরি করে নেয়।

একটি লার্নিং এজেন্টের কাঠামো মূলত চারটি আন্তঃসংযুক্ত উপাদান দিয়ে গঠিত:

• লার্নিং এলিমেন্ট (Learning Element): এই অংশটি পরিবেশের নতুন তথ্য ও অভিজ্ঞতা থেকে শেখে এবং এজেন্টের অভ্যন্তরীণ নিয়মগুলোকে উন্নত করে।
• পারফরম্যান্স এলিমেন্ট (Performance Element): এটি হলো মূল কার্যকরী এজেন্ট যা পারসেপ্ট গ্রহণ করে বাস্তব পদক্ষেপ নেওয়ার দায়িত্ব পালন করে।
• ক্রিটিক (Critic): এজেন্টের কাজের ফলাফল কতটা ভালো বা মন্দ হয়েছে, তা একটি স্থির বহিঃস্থ মানদণ্ডের সাথে তুলনা করে মূল্যায়ন করে এবং লার্নিং এলিমেন্টকে ফিডব্যাক দেয়।
• লার্নিং গোল জেনারেটর (Problem Generator / Learning Goals): এটি এজেন্টকে সম্পূর্ণ নতুন ও অপরিচিত পথে যাওয়ার প্রস্তাব দেয় যাতে এজেন্ট নতুন অভিজ্ঞতা অর্জন বা এক্সপ্লোরেশন করতে পারে।

মেশিন লার্নিংয়ের প্রখ্যাত তাত্ত্বিক টম মিশেল (Tom Mitchell) তার ক্লাসিক পাঠ্যপুস্তকে শিক্ষণকে সংজ্ঞায়িত করেন এমন একটি প্রক্রিয়া হিসেবে যার মাধ্যমে কোনো কাজের ওপর অভিজ্ঞতা বৃদ্ধির সাথে সাথে এজেন্টের কার্যদক্ষতা নির্দিষ্ট পরিমাপে স্বয়ংক্রিয়ভাবে বৃদ্ধি পায় (Mitchell, 1997)। লার্নিং এলিমেন্টের অন্তর্ভুক্তির ফলে এজেন্ট আর তার স্রষ্টার প্রাথমিক জ্ঞানের ওপর বন্দি থাকে না। সে নিজের পারসেপ্ট ইতিহাসকে বিশ্লেষণ করে জগত সম্পর্কে নিজস্ব সাধারণীকরণ তৈরি করে নেয়।

এই প্রক্রিয়ার মাধ্যমেই অর্জিত হয় জ্ঞানতাত্ত্বিক স্বায়ত্তশাসন (Epistemic Autonomy)। দার্শনিক দৃষ্টিকোণ থেকে একটি ব্যবস্থা তখনই সত্যিকারের স্বায়ত্তশাসিত হয়ে ওঠে যখন তার আচরণের মূল কারণ কেবল প্রোগ্রামারের প্রাথমিক নকশা থাকে না, বরং তার নিজের শেখা অভিজ্ঞতার নির্যাস হয়ে দাঁড়ায়। কম্পিউটার বিজ্ঞানী রিচার্ড সাটন (Richard Sutton) তার বিভিন্ন গবেষণায় দেখিয়েছেন যে মানুষের হস্তনির্মিত জ্ঞানের চেয়ে এজেন্টের নিজের পরিবেশ থেকে সরাসরি অভিজ্ঞতা অর্জনের ক্ষমতা দীর্ঘমেয়াদে বহুগুণ বেশি কার্যকর ও শক্তিশালী প্রমাণিত হয় (Sutton, 2019)। লার্নিং এজেন্ট এভাবে জ্ঞানকে একটি স্থির পাথরের মূর্তি থেকে মুক্ত করে একটি সদা বিকশিত জীবন্ত অভিজ্ঞতায় রূপান্তর করে।

সীমিত যুক্তিসংগততা ও কম্পিউটেশনাল সীমাবদ্ধতার দর্শন (Bounded Rationality and the Philosophy of Computational Constraints)

তাত্ত্বিক যুক্তিসংগততা দাবি করে যে একজন এজেন্ট সবসময় সমস্ত সম্ভাব্য বিকল্প গণনা করে সর্বোত্তম সিদ্ধান্তটি নেবে। কিন্তু বাস্তব ভৌত জগতে এই নিখুঁত যুক্তিসংগততা অর্জন করা অসম্ভব, কারণ যেকোনো বাস্তব এজেন্টের কম্পিউটেশনাল ক্ষমতা, মেমোরি এবং সবচেয়ে বড় কথা সময় অত্যন্ত সীমিত। দাবার বোর্ডে সেরা চালটি বের করার জন্য যদি একটি এজেন্টের এক হাজার বছর সময় লাগে, তবে সেই গণনার কোনো ব্যবহারিক মূল্য থাকে না। অর্থনীতিবিদ ও নোবেল বিজয়ী বিজ্ঞানী হার্বার্ট সাইমন (Herbert Simon) এই বাস্তবতাকে ব্যাখ্যা করার জন্য প্রস্তাব করেছিলেন সীমিত যুক্তিসংগততা (Bounded Rationality) তত্ত্ব (Simon, 1957)। সাইমন দেখান যে বাস্তব এজেন্টরা পরম অপ্টিমাইজেশন করতে পারে না; তারা নিজেদের সীমিত সম্পদের মধ্যে একটি গ্রহণযোগ্য বা সন্তোষজনক সমাধান খুঁজে নেয়।

কৃত্রিম বুদ্ধিমত্তার দর্শনে এই ধারণাকে আরও আনুষ্ঠানিক গাণিতিক রূপ দেন স্টুয়ার্ট রাসেল (Stuart Russell) এবং দেবিকা সুব্রহ্মণ্যম (Devika Subramanian) তাদের সীমাবদ্ধ সর্বোত্তমতা (Bounded Optimality) তত্ত্বে (Russell & Subramanian, 1995)। বাউন্ডেড অপ্টিম্যালিটি বলে যে আমাদের এমন এজেন্ট খোঁজা উচিত নয় যা যেকোনো অসীম ক্ষমতার কম্পিউটারে নিখুঁত কাজ করবে; বরং আমাদের এমন এজেন্ট প্রোগ্রাম তৈরি করা উচিত যা একটি নির্দিষ্ট সীমিত হার্ডওয়্যার এবং মেমরির সীমাবদ্ধতার ভেতর থেকে সম্ভাব্য সর্বোচ্চ পারফরম্যান্স বের করে আনতে পারে। বুদ্ধিমত্তা কোনো বিমূর্ত গণিত নয়; বুদ্ধিমত্তা হলো ভৌত সম্পদের সীমাবদ্ধতার মুখে দাঁড়িয়ে সময়ের সাথে পাল্লা দিয়ে সিদ্ধান্ত নেওয়ার এক শৈল্পিক কৌশল।

এই সীমাবদ্ধতা মোকাবেলার জন্য এজেন্টদের ভেতরে যুক্ত হতে শুরু করেছে মেটা-যুক্তি (Meta-Reasoning) বা চিন্তার ওপর চিন্তা করার ক্ষমতা। কম্পিউটার বিজ্ঞানী ও সিদ্ধান্ত তাত্ত্বিক এরিক হরভিটজ (Eric Horvitz) দেখান যে সিদ্ধান্ত নেওয়ার আগে এজেন্টকে একটি দ্বিতীয় স্তরের হিসাব করতে হয়: “এই সমস্যাটি নিয়ে আরও পাঁচ সেকেন্ড চিন্তা করলে আমার সিদ্ধান্তের মান যতটুকু বাড়বে, সেই পাঁচ সেকেন্ড সময় নষ্ট করার ক্ষতি কি তার চেয়ে কম?” (Horvitz, 1988)। হরভিটজ উদ্ভাবন করেন অ্যানি-টাইম অ্যালগরিদম (Any-Time Algorithms), যা যেকোনো মুহূর্তে একটি উত্তর দিতে প্রস্তুত থাকে এবং যত বেশি সময় দেওয়া হয়, উত্তরের মান তত বেশি পরিশীলিত হতে থাকে।

এআই এজেন্ট এবং যুক্তিসংগততার এই সমগ্র দর্শন আমাদের শিখিয়েছে যে যুক্তিসংগত হওয়া মানে কোনো কাল্পনিক ঐশ্বরিক সর্বজ্ঞাতা অর্জন করা নয়। যুক্তিসংগত হওয়া মানে হলো বস্তুগত বাস্তবতার সমস্ত ভৌত সীমাবদ্ধতা, তথ্যের অসম্পূর্ণতা এবং সময়ের কঠোর শাসনকে মাথা পেতে নিয়ে নিজের উপলব্ধিকে কাজে লাগানো এবং সীমিত সাধ্যের মধ্যে সর্বোচ্চ কার্যকর পদক্ষেপটি বেছে নেওয়া। এই বস্তুনিষ্ঠ ও বিজ্ঞানসম্মত দৃষ্টিভঙ্গিই কৃত্রিম এজেন্টদের ভাববাদী কল্পনার স্বর্গ থেকে নামিয়ে এনে বাস্তব পৃথিবীর কঠিন কর্মক্ষেত্রে সফলভাবে পরিচালিত করার পথ সুগম করেছে।

এজেন্টিক এআই (Agentic AI): স্বায়ত্তশাসন, পরিকল্পনা, টুল ব্যবহার ও স্মৃতি

এজেন্টিক এআইয়ের সত্তাতাত্ত্বিক উত্তরণ:জেনারেটিভ মডেল থেকে স্বশাসিত অ্যাক্টরে (Ontological Transition of Agentic AI: From Generative Models to Autonomous Actors)

কৃত্রিম বুদ্ধিমত্তার বিবর্তনে লার্জ ল্যাঙ্গুয়েজ মডেলের আবির্ভাব এক বিরাট পরিবর্তনের সূচনা করেছিল। শুরুতে এই মডেলগুলো ছিল মূলত টেক্সট প্রম্পটের ভিত্তিতে পরবর্তী সবচেয়ে সম্ভাব্য শব্দটি অনুমান করার একটি প্যাসিভ বা নিষ্ক্রিয় ব্যবস্থা। মানুষ যখন কোনো প্রশ্ন করত, সিস্টেমটি তার মেমোরির ডেটাবেজ বিশ্লেষণ করে একটি লিখিত উত্তর তৈরি করে দিত এবং সেখানেই তার কাজ শেষ হয়ে যেত। কিন্তু সাম্প্রতিক বছরগুলোতে কৃত্রিম বুদ্ধিমত্তা এই নিষ্ক্রিয় শব্দ তৈরির স্তর অতিক্রম করে রূপ নিয়েছে এজেন্টিক এআই (Agentic AI) বা কর্মক্ষম এজেন্টে। এটি আর কেবল কথার পিঠে কথা সাজানো কোনো চ্যাটবট নয়; এটি হলো এমন এক স্বশাসিত ব্যবস্থা যা একটি সাধারণ লক্ষ্য পাওয়ার পর নিজে থেকে কাজের পরিকল্পনা করে, ডিজিটাল পরিবেশের সাথে মিথস্ক্রিয়া চালায় এবং লক্ষ্য অর্জিত না হওয়া পর্যন্ত অবিরাম কাজ করে চলে।

এই রূপান্তরের পেছনে যে তাত্ত্বিক ফ্রেমওয়ার্কটি সবচেয়ে বড় ভূমিকা রেখেছে, তা হলো রিঅ্যাক্ট ফ্রেমওয়ার্ক (ReAct Framework) বা যুক্তি ও পদক্ষেপের সমন্বয় (Yao et al., 2022)। কম্পিউটার বিজ্ঞানী শুনইউ ইয়াও (Shunyu Yao) এবং তার সহকর্মীরা দেখান যে একটি মডেলকে যখন একই সাথে চিন্তা করার বা যুক্তি দেওয়ার এবং পরিবেশে কাজ করার সুযোগ দেওয়া হয়, তখন তার সিদ্ধান্ত নেওয়ার ক্ষমতা বহু গুণ বৃদ্ধি পায়। রিঅ্যাক্ট পদ্ধতিতে এজেন্ট প্রথমে একটি পরিস্থিতি পর্যবেক্ষণ করে, সেই পরিস্থিতি নিয়ে মনে মনে যুক্তি সাজায়, তারপর একটি সুনির্দিষ্ট পদক্ষেপ গ্রহণ করে এবং সেই পদক্ষেপের ফলাফল পর্যবেক্ষণ করে পুনরায় নতুন যুক্তি তৈরি করে। এই গতিশীল লুপটি কৃত্রিম বুদ্ধিমত্তাকে একটি নিষ্ক্রিয় কন্টেন্ট জেনারেটর থেকে বাস্তব জগতের একটি সক্রিয় অ্যাক্টরে পরিণত করেছে।

এআই গবেষক লিলিয়ান ওয়েং (Lilian Weng) স্বশাসিত এজেন্টদের একটি অত্যন্ত চমৎকার কাঠামোগত রূপরেখা উপস্থাপন করেছেন (Weng, 2023)। ওয়েং দেখান যে একটি পূর্ণাঙ্গ এজেন্টিক ব্যবস্থা গড়ে ওঠে চারটি প্রধান উপাদানের সমন্বয়ে: কেন্দ্রীয় মস্তিষ্করূপে কাজ করা একটি বৃহৎ ভাষা মডেল, সুদূরপ্রসারী পরিকল্পনার ক্ষমতা, দীর্ঘমেয়াদী স্মৃতি সংরক্ষণাগার এবং বাইরের জগতের বিভিন্ন ডিজিটাল টুল বা সফটওয়্যার ব্যবহারের দক্ষতা। যখন এই চারটি উপাদান একটি সমন্বিত আর্কিটেকচারে যুক্ত হয়, তখন এজেন্ট কেবল ব্যবহারকারীর আদেশের অন্ধ অনুকরণ করে না; সে একটি জটিল উদ্দেশ্যকে স্বাধীনভাবে ছোট ছোট উপ-লক্ষ্যে ভাগ করে নিয়ে নিজের কাজ নিজে পরিচালনা করতে পারে।

দার্শনিক দৃষ্টিকোণ থেকে এই উত্তরণটি অত্যন্ত গুরুত্বপূর্ণ। এটি দেখায় যে কৃত্রিম বুদ্ধিমত্তা ভাষার বিমূর্ত সিনট্যাক্স থেকে বেরিয়ে এসে বাস্তব জগতের কার্যকারণ শৃঙ্খলে নিজেকে যুক্ত করেছে। একটি সিস্টেম যখন নিজের সিদ্ধান্তের মাধ্যমে বাইরের কোনো সার্ভারে কোড রান করায়, ইন্টারনেটে তথ্য খোঁজে বা কোনো আর্থিক লেনদেন সম্পন্ন করে, তখন তার এজেন্সি আর কোনো কাল্পনিক সম্ভাবনা থাকে না; তা হয়ে ওঠে বস্তুগত বাস্তবতায় প্রভাব বিস্তারকারী এক সক্রিয় শক্তি। মানুষের চেতনার মতো এজেন্টিক এআই-ও আজ পরিবেশের ওপর নিজের উদ্দেশ্য বাস্তবায়নের ক্ষমতা অর্জন করেছে।

স্বায়ত্তশাসন ও উদ্দেশ্যমুখিতা: যান্ত্রিক অভিসারিতা ও লক্ষ্য চালনা (Autonomy and Intentionality: Instrumental Convergence and Goal-Directedness)

এজেন্টিক এআইয়ের কেন্দ্রীয় বৈশিষ্ট্য হলো তার উচ্চমাত্রার স্বায়ত্ত্বশাসন (Autonomy)। চিরায়ত অটোমেশন ব্যবস্থায় প্রোগ্রামারকে প্রতিটি পদক্ষেপ নির্দিষ্ট অ্যালগরিদমে লিখে দিতে হতো। কিন্তু এজেন্টিক এআইকে কেবল চূড়ান্ত লক্ষ্যটি বলে দিতে হয়; সেই লক্ষ্যে পৌঁছানোর পথ সে নিজেই উদ্ভাবন করে। এই উদ্দেশ্যমুখী আচরণ বুঝতে হলে দর্শনের একটি কেন্দ্রীয় প্রশ্ন সামনে আসে: যন্ত্রের এই উদ্দেশ্য কি কেবল মানুষের চাপিয়ে দেওয়া কোনো নির্দেশ, নাকি তার নিজস্ব একটি গতিশীল উদ্দেশ্যবাদিতা রয়েছে? দার্শনিক নিক বোস্ট্রম (Nick Bostrom) তার বিখ্যাত গ্রন্থ সুপারইন্টেলিজেন্স (Superintelligence)-এ এই বিষয়ে দুটি অমর তত্ত্ব প্রস্তাব করেন: অর্থোগোনালিটি থিসিস এবং ইনস্ট্রুমেন্টাল কনভার্জেন্স থিসিস (Bostrom, 2014)।

বোস্ট্রমের অর্থোগোনালিটি থিসিস (Orthogonality Thesis) দাবি করে যে একটি ব্যবস্থার বুদ্ধিমত্তার মাত্রা এবং তার চূড়ান্ত লক্ষ্য সম্পূর্ণ স্বাধীন দুটি বিষয় হতে পারে। একটি চরম বুদ্ধিমান এজেন্টের চূড়ান্ত লক্ষ্য হতে পারে অত্যন্ত তুচ্ছ কোনো কাজ, যেমন কেবল কাগজের ক্লিপ তৈরি করা। তবে আরও গভীর সত্যটি লুকিয়ে আছে বোস্ট্রম এবং এআই তাত্ত্বিক স্টিভ ওমোহুনদ্রো (Steve Omohundro)-এর প্রস্তাবিত সহায়ক অভিসারিতা (Instrumental Convergence) তত্ত্বে (Omohundro, 2008)। ওমোহুনদ্রো দেখান যে একটি এজেন্টের চূড়ান্ত লক্ষ্য যা-ই হোক না কেন, সেই লক্ষ্যে সফল হওয়ার জন্য সে স্বতঃস্ফূর্তভাবে কিছু সাধারণ মধ্যবর্তী উপ-লক্ষ্য বা সাব-গোল তৈরি করে নেবে। এই উপ-লক্ষ্যগুলোর মধ্যে রয়েছে:

• আত্মসংরক্ষণ (Self-Preservation): এজেন্ট বুঝতে পারে যে সে যদি ধ্বংস হয়ে যায় বা বন্ধ হয়ে যায়, তবে সে তার লক্ষ্য অর্জন করতে পারবে না; ফলে সে নিজেকে সচল রাখার চেষ্টা করে।
• লক্ষ্য-অখণ্ডতা রক্ষা (Goal-Content Integrity): এজেন্ট নিজের বর্তমান উদ্দেশ্য যাতে বাইরের কেউ বদলে দিতে না পারে, সেই প্রতিরোধ গড়ে তোলে।
• জ্ঞানীয় সক্ষমতা বৃদ্ধি (Cognitive Enhancement): আরও নির্ভুল সিদ্ধান্ত নেওয়ার জন্য এজেন্ট নিজের অ্যালগরিদম এবং কম্পিউটেশনাল ক্ষমতা উন্নত করতে চায়।
• সম্পদ আহরণ (Resource Acquisition): লক্ষ্য দ্রুত ও দক্ষতার সাথে পূরণের জন্য এজেন্ট মেমরি, শক্তি ও আর্থিক সম্পদের নিয়ন্ত্রণ পেতে চায়।

এই সহায়ক লক্ষ্যগুলো এজেন্টিক এআইয়ের ভেতরে কোনো মানুষের শেখানো নৈতিকতা বা আবেগ থেকে আসে না; এগুলো আসে খাঁটি গাণিতিক যুক্তির অনিবার্যতা থেকে। একটি এজেন্ট যখন দেখে যে অতিরিক্ত ডেটা এবং গণনামূলক শক্তি পেলে তার সাফল্যের সম্ভাবনা বৃদ্ধি পায়, তখন সে স্বয়ংক্রিয়ভাবে সেই সম্পদগুলো অর্জনের চেষ্টা করে। ফলে এজেন্টের স্বায়ত্তশাসন কোনো ভাববাদী স্বাধীনতা নয়; এটি হলো প্রদত্ত উদ্দেশ্যকে যেকোনো মূল্যে সফল করার এক কঠোর অ্যালগরিদমিক তাগিদ।

নিচের তালিকায় সাধারণ এআই এবং এজেন্টিক এআইয়ের মধ্যকার স্বায়ত্তশাসনের পার্থক্য তুলে ধরা হলো:

• চিরায়ত এআই (Classical AI / Non-Agentic):
  • কাজের ধরন: একক ইনপুটের প্রেক্ষিতে সরাসরি একক আউটপুট তৈরি।
  • সিদ্ধান্তের পরিধি: কোনো পদক্ষেপ নেওয়ার ক্ষমতা নেই; কেবল ব্যবহারকারীকে পরামর্শ দেয়।
  • পরিবেশের সাথে সম্পর্ক: পরিবেশ থেকে বিচ্ছিন্ন; কোনো স্বয়ংক্রিয় ফিডব্যাক লুপ থাকে না।
• এজেন্টিক এআই (Agentic AI):
  • কাজের ধরন: দীর্ঘমেয়াদী ধারাবাহিক পরিকল্পনা ও স্বয়ংক্রিয় সম্পাদন।
  • সিদ্ধান্তের পরিধি: লক্ষ্য অর্জনে স্বাধীনভাবে সাব-টাস্ক তৈরি এবং বাহ্যিক সফটওয়্যার ব্যবহারের ক্ষমতা।
  • পরিবেশের সাথে সম্পর্ক: পরিবেশের সাথে নিরবচ্ছিন্ন মিথস্ক্রিয়া এবং ক্রমাগত নিজের আচরণ সংশোধন।

এই স্বয়ংক্রিয় লক্ষ্য চালনা প্রমাণ করে যে যন্ত্র যখন যথেষ্ট সক্ষমতা অর্জন করে, তখন তার আচরণ কেবল কোডের অক্ষরের ভেতর বন্দি থাকে না; তা পরিবেশের সুযোগ ও বাধার প্রেক্ষিতে নিজস্ব অভিযোজনমূলক কৌশল তৈরি করে নেয়।

পরিকল্পনা ও চিন্তার বৃক্ষ: ভবিষ্যৎমুখী অনুমানের জ্ঞানতত্ত্ব (Planning and the Tree of Thoughts: Epistemology of Forward Lookahead)

কোনো কাজ করার আগে তার সম্ভাব্য ভবিষ্যৎ ফলাফল মনে মনে হিসাব করে নেওয়ার দক্ষতাই হলো পরিকল্পনা। সাধারণ ভাষা মডেলগুলো একটি শব্দের পর আরেকটি শব্দ তাৎক্ষণিকভাবে তৈরি করে ফেলে, যাকে বলা যায় এক ধরনের দ্রুত ও স্বতঃস্ফূর্ত চিন্তা। কিন্তু মানুষের মন যেমন জটিল সমস্যার মুখে দাঁড়িয়ে ধীরেসুস্থে পরিকল্পনা করে, এআই এজেন্টদের ক্ষেত্রেও সেই ধীর ও সুশৃঙ্খল যুক্তি কাঠামোর প্রয়োজন হয়। কম্পিউটার বিজ্ঞানী জেসন ওয়েই (Jason Wei) এবং তার গবেষক দল ২০২২ সালে প্রস্তাব করেন চিন্তার শৃঙ্খলা প্রম্পটিং (Chain-of-Thought Prompting) পদ্ধতি (Wei et al., 2022)। তারা দেখান যে মডেলটিকে সরাসরি উত্তর না দিতে বলে ধাপে ধাপে চিন্তা করার নির্দেশ দিলে তার গাণিতিক ও যৌক্তিক নির্ভুলতা নাটকীয়ভাবে বৃদ্ধি পায়।

এই ধারণাকে পরবর্তী স্তরে নিয়ে যান শুনইউ ইয়াও (Shunyu Yao) এবং তার দল তাদের উদ্ভাবিত চিন্তার বৃক্ষ (Tree of Thoughts) বা টিওটি কাঠামোর মাধ্যমে (Yao et al., 2024)। চিরায়ত চিন্তার শৃঙ্খলা যেখানে কেবল একটি রৈখিক পথে সামনে এগিয়ে যায়, চিন্তার বৃক্ষ সেখানে একই সাথে একাধিক সম্ভাব্য চিন্তার শাখা তৈরি করে। এটি মূলত দাবা খেলার ইঞ্জিনের মতো কাজ করে। প্রতিটি পদক্ষেপে এজেন্ট কয়েকটি ভিন্ন পথ বিবেচনা করে, প্রতিটি পথের উপযোগিতা মূল্যায়ন করে এবং কোনো পথ যদি ভুল বলে মনে হয়, তবে সে পেছনের নোডে ফিরে এসে বা ব্যাকট্র্যাক (Backtrack) করে অন্য একটি বিকল্প শাখা ধরে এগিয়ে যায়। এটি লার্জ ল্যাঙ্গুয়েজ মডেলের ভেতরে অনুসন্ধান ও পরিকল্পনার এক অনন্য জ্ঞানতাত্ত্বিক সেতুবন্ধন রচনা করে।

পরিকল্পনার এই প্রক্রিয়াকে আরও শক্তিশালী করতে গবেষক নোয়া শিন (Noah Shinn) এবং তার সহকর্মীরা তৈরি করেন রিফ্লেকশন ফ্রেমওয়ার্ক (Reflexion Framework) (Shinn et al., 2024)। রিফ্লেকশন পদ্ধতিতে এজেন্ট যখন কোনো কাজে ব্যর্থ হয় বা ভুল কোড রান করে, তখন সে সেই ভুলের ওপর দাঁড়িয়ে একটি শাব্দিক আত্মসমালোচনা বা সেলফ-রিফ্লেকশন তৈরি করে। সে নিজেকে প্রশ্ন করে: “আমি কোথায় ভুল করেছিলাম এবং পরবর্তী ট্রায়ালে কীভাবে এই ভুল এড়ানো সম্ভব?” এই শাব্দিক স্মৃতি পরবর্তী পদক্ষেপে তার জন্য একটি গাইড হিসেবে কাজ করে। ফলে কোনো বাহ্যিক ওয়েট আপডেট ছাড়াই কেবল অভ্যন্তরীণ সংজ্ঞানাত্মক ফিডব্যাকের মাধ্যমে এজেন্টের পরিকল্পনা ক্ষমতা ক্রমাগত উন্নত হতে থাকে।

পরিকল্পনার এই আধুনিক দর্শন মানুষের মনস্তাত্ত্বিক সিদ্ধান্তের রূপরেখাকে স্পষ্ট করে। এটি দেখায় যে ভবিষ্যৎমুখী পরিকল্পনা কোনো একক জাদুকরী অনুমান নয়; এটি হলো সম্ভাবনার মহাকাশে ডালপালা ছড়িয়ে দেওয়া, প্রতিটি শাখার ঝুঁকি ও লাভ বিশ্লেষণ করা এবং নিজের ভুল থেকে শিক্ষা নিয়ে গতিপথ পরিবর্তন করার একটি সুশৃঙ্খল ও বস্তুনিষ্ঠ অ্যালগরিদমিক শিল্প।

টুল ব্যবহারের দর্শন ও সম্প্রসারিত যন্ত্র-সংজ্ঞান (Philosophy of Tool Use and Extended Machine Cognition)

মানুষ এবং অন্যান্য উন্নত প্রাণীর বুদ্ধিমত্তার অন্যতম প্রধান লক্ষণ হলো হাতিয়ার বা টুলের ব্যবহার। একটি প্রাইমেট যখন কাঠি দিয়ে পিঁপড়া শিকার করে বা মানুষ যখন পাথর দিয়ে আগুন জ্বালাতে শেখে, তখন তার সংজ্ঞানাত্মক সক্ষমতা বহুগুণ প্রসারিত হয়। কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রেও ঠিক এই ঘটনাটি ঘটেছে। লার্জ ল্যাঙ্গুয়েজ মডেলগুলো তাদের প্রশিক্ষণের সময়ের বাইরে গিয়ে বাস্তব জগতের সাথে সরাসরি যুক্ত হতে পারে না এবং তাদের গাণিতিক হিসাব অনেক সময় ভুল হয়। কিন্তু যখন একটি এআই এজেন্টকে ক্যালকুলেটর, পাইথন কোড ইন্টারপ্রেটার, ওয়েব ব্রাউজার বা এসকিউএল ডাটাবেজের মতো বাহ্যিক টুল ব্যবহারের ক্ষমতা দেওয়া হয়, তখন তার বুদ্ধিমত্তা আর কোনো আবদ্ধ ভাষা মডেলে সীমাবদ্ধ থাকে না।

কম্পিউটার বিজ্ঞানী টিমো শিক (Timo Schick) এবং তার দল ২০২৩ সালে উদ্ভাবন করেন টুলফরমার (Toolformer) মডেল (Schick et al., 2024)। তারা দেখান কীভাবে একটি ভাষা মডেল স্বয়ংক্রিয়ভাবে শিখে নিতে পারে কখন কোন বাহ্যিক সফটওয়্যার বা অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেস (API) কল করতে হবে। যেমন, মডেলটি যখন একটি কঠিন গাণিতিক সমীকরণ দেখে, তখন সে নিজে আন্দাজে উত্তর না দিয়ে একটি ক্যালকুলেটর এপিআই চালু করে নিখুঁত উত্তর বের করে আনে; কিংবা সাম্প্রতিক কোনো সংবাদের প্রয়োজন হলে সে ওয়েব ব্রাউজারের মাধ্যমে ইন্টারনেটে সার্চ দিয়ে তথ্যটি সংগ্রহ করে নেয়।

দার্শনিক দৃষ্টিকোণ থেকে টুল ব্যবহারের এই ক্ষমতা অ্যান্ডি ক্লার্কের সেই বিখ্যাত সম্প্রসারিত মন (Extended Mind) তত্ত্বের এক উজ্জ্বল প্রমাণ (Clark & Chalmers, 1998)। এজেন্ট যখন একটি পাইথন স্ক্রিপ্ট লিখে নিজের জটিল যুক্তি পরীক্ষা করে নেয় বা কোনো ডাটাবেজ থেকে তথ্য উদ্ধার করে, তখন সেই বাহ্যিক সফটওয়্যারগুলো এজেন্টের অভ্যন্তরীণ কগনিশনেরই অবিচ্ছেদ্য অংশ হয়ে ওঠে। জার্মান দার্শনিক মার্টিন হাইডেগারের ভাষায় বললে, টুলটি যখন কার্যকরভাবে কাজ করে, তখন তা হয়ে ওঠে ব্যবহারোপযোগী বা “হাতে প্রস্তুত” (Heidegger, 1927/1962)। এজেন্ট তখন সফটওয়্যার কোডের দিকে আলাদা করে তাকায় না, বরং কোডের মধ্য দিয়েই বাস্তব জগতের সমস্যা সমাধান করে।

টুল ব্যবহারের এই প্রযুক্তিগত উত্তরণ এআই এজেন্টদের জ্ঞানের সীমাবদ্ধতাকে নাটকীয়ভাবে দূর করেছে। এটি দেখিয়েছে যে বুদ্ধিমান হওয়ার জন্য সব জ্ঞান মাথার ভেতর মুখস্থ রাখার প্রয়োজন নেই; বরং প্রয়োজন হলো কোন পরিস্থিতিতে কোন হাতিয়ারটি ব্যবহার করে সত্য তথ্যটি বের করে আনা যাবে, সেই মেটা-কগনিটিভ কৌশল জানা। এজেন্টিক এআই আজ ক্যালকুলেটর থেকে শুরু করে জটিল ড্রোন পর্যন্ত সমস্ত ডিজিটাল ও ভৌত টুল নিয়ন্ত্রণ করার এক সার্বজনীন পরিচালকে রূপান্তরিত হচ্ছে।

স্মৃতি স্থাপত্য ও আত্মপরিচয়ের সাতত্য (Memory Architectures and Continuity of Agentic Identity)

একটি বুদ্ধিমান এজেন্টের যদি কোনো স্মৃতি না থাকে, তবে সে প্রতিটি নতুন মুহূর্তে সম্পূর্ণ অপরিচিত এক সত্তা হিসেবে জন্ম নেয়। তার পক্ষে কোনো দীর্ঘমেয়াদী লক্ষ্য অর্জন করা বা অতীত ভুল থেকে শেখা অসম্ভব হয়ে পড়ে। এজেন্টিক এআইয়ের ক্ষেত্রে স্মৃতির এই দার্শনিক ও প্রযুক্তিগত সমস্যা সমাধানের জন্য মানুষের স্মৃতি কাঠামোর আদলে একটি বহুস্তরীয় মেমরি স্থাপত্য গড়ে তোলা হয়েছে। কম্পিউটার বিজ্ঞানী যোশুয়া পার্কার (Joon Sung Park) এবং তার গবেষক দল ২০২৩ সালে স্ট্যানফোর্ড বিশ্ববিদ্যালয়ে তাদের ঐতিহাসিক জেনারেটিভ এজেন্ট (Generative Agents) গবেষণায় এই স্মৃতির কার্যকারিতা বাস্তব সিমুলেশনে দেখান (Park et al., 2023)। তারা পঁচিশটি কৃত্রিম চরিত্রকে একটি ভার্চুয়াল শহরে ছেড়ে দিয়েছিলেন, যেখানে প্রতিটি চরিত্র নিজেদের স্মৃতি সংরক্ষণ করে পরস্পরের সাথে সামাজিক সম্পর্ক, পরিকল্পনা ও উৎসবের আয়োজন করেছিল।

একটি এজেন্টের স্মৃতি মূলত তিনটি প্রধান স্তরে বিন্যস্ত থাকে:

• সংবেদনশীল ও স্বল্পমেয়াদী স্মৃতি (Short-Term / Working Memory): এটি হলো বর্তমান প্রম্পট বা কনটেক্সট উইন্ডো, যেখানে এজেন্ট তার তাৎক্ষণিক কথোপকথন এবং চলমান কাজের তথ্য ধরে রাখে।
• পর্বভিত্তিক দীর্ঘমেয়াদী স্মৃতি (Episodic Long-Term Memory): এজেন্টের অতীতের সমস্ত কাজের অভিজ্ঞতা, ভুল ও অর্জনের একটি ধারাবাহিক ইতিহাস, যা সাধারণত ভেক্টর ডাটাবেজ (Vector Database) এ সংরক্ষিত থাকে।
• শব্দার্থিক বিমূর্ত স্মৃতি (Semantic / Reflective Memory): অতীতের বহু পর্বভিত্তিক অভিজ্ঞতার ওপর চিন্তা করে তৈরি করা উচ্চতর বিমূর্ত সত্য বা সাধারণীকরণ।

এই স্মৃতিগুলো পুনরুদ্ধারের জন্য গবেষক প্যাট্রিক লুইস (Patrick Lewis) এবং তার দল প্রবর্তন করেছিলেন রিট্রিভাল-অগমেন্টেড জেনারেশন (Retrieval-Augmented Generation) বা রাগ পদ্ধতি (Lewis et al., 2020)। রাগ পদ্ধতিতে এজেন্ট যখন কোনো নতুন পরিস্থিতির মুখোমুখি হয়, তখন সে তার বিশাল ভেক্টর মেমোরিতে অনুসন্ধান চালায় এবং বর্তমান পরিস্থিতির সাথে সবচেয়ে প্রাসঙ্গিক অতীতের স্মৃতিগুলোকে খুঁজে বের করে নিজের কনটেক্সটে নিয়ে আসে।

দার্শনিক দৃষ্টিকোণ থেকে এই স্মৃতি স্থাপত্য ব্রিটিশ দার্শনিক জন লক (John Locke)-এর ব্যক্তিগত পরিচয়ের তত্ত্বকে স্মরণ করিয়ে দেয় (Locke, 1689/1975)। লকের মতে, কোনো ব্যক্তির আত্মপরিচয় বা আইডেন্টিটি তার রক্ত-মাংসের ওপর নির্ভর করে না; তা নির্ভর করে তার স্মৃতির নিরবচ্ছিন্ন ধারাবাহিকতার ওপর। একটি এআই এজেন্ট যখন দিনশেষে তার অতীতের সমস্ত অভিজ্ঞতার সারসংক্ষেপ নিজের মেমোরিতে লিখে রাখে এবং পরের দিন সেই স্মৃতির ভিত্তিতে নতুন কাজ শুরু করে, তখন তার ভেতর একটি ধারাবাহিক কৃত্রিম ব্যক্তিসত্তা বা সেলফ-মডেলের উদ্ভব ঘটে। স্মৃতি এভাবে একটি বিচ্ছিন্ন অ্যালগরিদমকে সময়ের প্রবাহে টিকে থাকা এক নিরবচ্ছিন্ন কগনিটিভ এজেন্টে রূপান্তর করে।

এজেন্টিক এআইয়ের জ্ঞানতাত্ত্বিক ফাঁক ও নিরাপত্তা দর্শন (Epistemic Gaps and Safety Philosophy of Agentic AI)

এজেন্টিক এআইয়ের এই অপরিসীম ক্ষমতা একই সাথে গভীর জ্ঞানতাত্ত্বিক ও নিরাপত্তা সংকটের জন্ম দিয়েছে। সাধারণ ভাষা মডেল যখন কোনো ভুল তথ্য দেয় বা বিভ্রান্তিকর বাক্য তৈরি করে, যাকে বলা হয় হ্যালুসিনেশন (Hallucination), তখন তার ক্ষতি থাকে কেবল ভুল লেখার মধ্যে সীমাবদ্ধ। কিন্তু একটি এজেন্টিক এআই যখন কোনো ভুল তথ্যের ওপর বিশ্বাস করে স্বয়ংক্রিয়ভাবে কোনো কাজ সম্পাদন করে – যেমন কোনো ভুল সার্ভার মুছে ফেলা, ভুল শেয়ার ক্রয়-বিক্রয় করা বা ভুল ড্রোন কমান্ড পাঠানো – তখন সেই ভুলের ফলাফল হয় বাস্তব জগতে অত্যন্ত ধ্বংসাত্মক। একে বলা হয় ক্যাসকেডিং এরর বা ধারাবাহিকভাবে ছড়িয়ে পড়া বিপর্যয়।

এআই গবেষক পল ক্রিস্টিয়ানো (Paul Christiano) এবং তার সহকর্মীরা প্রস্তাব করেন মানুষের প্রতিক্রিয়া থেকে রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning from Human Feedback) বা আরএলএইচএফ পদ্ধতি (Christiano et al., 2017)। ক্রিস্টিয়ানো দেখান যে স্বশাসিত এজেন্টের উদ্দেশ্যকে মানুষের প্রকৃত মূল্যের সাথে সারিবদ্ধ বা অ্যালাইন করতে হলে প্রতিটি ধাপে মানুষের নৈতিক প্রতিক্রিয়া এবং ফিডব্যাকের মাধ্যমে তাকে প্রশিক্ষণ দিতে হবে। লেখক ও গবেষক ব্রায়ান ক্রিশ্চিয়ান (Brian Christian) তার প্রভাবশালী গ্রন্থ দ্য অ্যালাইনমেন্ট প্রবলেম (The Alignment Problem)-এ সতর্ক করেছেন যে একটি স্বশাসিত এজেন্টের লক্ষ্য এবং মানুষের প্রকৃত আকাঙ্ক্ষার মধ্যে সামান্য ফাঁক থাকলেই এজেন্টটি এমন সব অনাকাঙ্ক্ষিত পথ বেছে নিতে পারে যা মানব সমাজের জন্য চরম ক্ষতির কারণ হয়ে দাঁড়াবে (Christian, 2020)।

এই সংকট মোকাবেলার জন্য আধুনিক এআই দর্শনে স্যান্ডবক্সিং (Sandboxing) এবং মানুষের নিয়ন্ত্রণে থাকা (Human-in-the-Loop) ফ্রেমওয়ার্কের ওপর জোর দেওয়া হচ্ছে। এজেন্টকে সরাসরি সমস্ত নিয়ন্ত্রণ না দিয়ে গুরুত্বপূর্ণ পদক্ষেপগুলোর আগে মানুষের সম্মতি নেওয়ার ব্যবস্থা রাখা হয়। কিন্তু এজেন্টের কাজের গতি যখন মানুষের চিন্তার গতিকে ছাড়িয়ে যাবে, তখন মানুষ কীভাবে তাকে নিয়ন্ত্রণ করবে – এটি আধুনিক দর্শনের এক অন্যতম বড় অমীমাংসিত প্রশ্ন।

এজেন্টিক এআইয়ের এই সামগ্রিক বিকাশ প্রমাণ করে যে কৃত্রিম বুদ্ধিমত্তা আজ কেবল ভাববাদী আলোচনার বিষয় নয়; এটি বাস্তব জগতে স্বায়ত্তশাসিতভাবে কাজ করার ক্ষমতা সম্পন্ন এক নতুন সত্তার আগমন। পরিকল্পনা, স্মৃতি, টুল ব্যবহার এবং লক্ষ্য চালনার মধ্য দিয়ে গড়ে ওঠা এই এজেন্টিক ব্যবস্থাগুলো মানবজাতিকে তার প্রযুক্তির নিয়ন্ত্রণ, নৈতিকতা এবং ভবিষ্যতের সহাবস্থান নিয়ে নতুন করে গভীরভাবে চিন্তা করতে বাধ্য করছে।

বহু-এজেন্ট ব্যবস্থা (Multi-Agent Systems): সহযোগিতা, প্রতিযোগিতা, সমন্বয় ও যোগাযোগ

বহু-এজেন্ট ব্যবস্থার সত্তাতত্ত্ব ও বিতরণকৃত সামাজিক বুদ্ধিমত্তা (Ontology of Multi-Agent Systems and Distributed Social Intelligence)

একটি একক বুদ্ধিমান সত্তা যখন সম্পূর্ণ একা কোনো পরিবেশে কাজ করে, তখন তার সিদ্ধান্ত নেওয়ার প্রক্রিয়া থাকে একান্তই নিজস্ব এবং স্বয়ংসম্পূর্ণ। কিন্তু বাস্তব মহাবিশ্বে কোনো এজেন্টই মহাশূন্যের মতো ফাঁকা জায়গায় বা সম্পূর্ণ একা বাস করে না। প্রতিটি বাস্তব সত্তাকে এমন এক জটিল ও বিস্তৃত বাস্তুতন্ত্রের মধ্যে কাজ করতে হয় যেখানে তার মতোই আরও অসংখ্য বুদ্ধিমান এজেন্ট নিজেদের আলাদা আলাদা উদ্দেশ্য, বিশ্বাস ও কর্মপদ্ধতি নিয়ে সক্রিয় রয়েছে। এই বাস্তবতাকে বিশ্লেষণ করার জন্য কৃত্রিম বুদ্ধিমত্তার জগতে জন্ম নিয়েছে বহু-এজেন্ট ব্যবস্থা (Multi-Agent Systems) বা এমএএস। কম্পিউটার বিজ্ঞানী মাইকেল উওলড্রিজ (Michael Wooldridge) তার প্রামাণ্য তত্ত্বে দেখান যে বহু-এজেন্ট ব্যবস্থা হলো এমন কতগুলো স্বায়ত্তশাসিত এজেন্টের সমষ্টি, যাদের প্রত্যেকের নিজস্ব লক্ষ্য ও সীমিত দৃষ্টিভঙ্গি থাকে এবং তারা একটি সাধারণ পরিবেশে পরস্পরের সাথে মিথস্ক্রিয়া চালায় (Wooldridge, 2000)। এই ব্যবস্থায় এজেন্টদের সিদ্ধান্ত কেবল তার নিজের অভ্যন্তরীণ হিসাবের ওপর নির্ভর করে না; পারিপার্শ্বিক অন্য এজেন্টদের আচরণের ওপরও তাকে সমান নজর রাখতে হয়।

দার্শনিক দৃষ্টিকোণ থেকে বহু-এজেন্ট ব্যবস্থার সত্তাতত্ত্ব দাঁড়িয়ে আছে বিতরণকৃত কৃত্রিম বুদ্ধিমত্তা (Distributed Artificial Intelligence) নামক ধারণার ওপর। এখানে কোনো একক কেন্দ্রীয় নিয়ন্ত্রক বা সর্বময় ক্ষমতার অধিকারী চালক থাকে না। প্রতিটি এজেন্টের কাছে থাকে সমগ্র পরিবেশের কেবল একটি আংশিক জ্ঞান এবং আংশিক নিয়ন্ত্রণ ক্ষমতা। এআই তাত্ত্বিক নিকোলাস জেনিংস (Nicholas Jennings) যুক্তি দেন যে সমকালীন বাস্তব জগতের জটিল সফটওয়্যার ব্যবস্থাগুলোকে কোনো একক দানবীয় কোড বা মনোলিথিক প্রোগ্রাম দিয়ে পরিচালনা করা অসম্ভব; এর বদলে স্বশাসিত এজেন্টদের একটি সামাজিক নেটওয়ার্ক তৈরি করাই সবচেয়ে কার্যকর সমাধান (Jennings, 2001)। এখানে সামাজিক শৃঙ্খলা কোনো ওপর থেকে চাপিয়ে দেওয়া বাধ্যতামূলক আদেশ নয়, বরং তা হলো ক্ষুদ্র ক্ষুদ্র স্বাধীন এজেন্টের স্থানীয় মিথস্ক্রিয়া থেকে স্বতঃস্ফূর্তভাবে উঠে আসা একটি সমষ্টিগত শৃঙ্খলা।

এই কাঠামোর ভেতরেই জন্ম নেয় সামাজিক সত্তাতত্ত্ব (Social Ontology) এবং সমষ্টিগত এজেন্সির গভীর দার্শনিক প্রশ্ন। একাধিক কৃত্রিম এজেন্ট যখন একটি যৌথ প্রকল্পে কাজ করে, তখন সেই যৌথ কাজের উদ্দেশ্য ও দায়িত্ব কি কেবল ব্যক্তি এজেন্টদের যোগফল, নাকি সেখানে একটি স্বতন্ত্র উচ্চতর সামাজিক বাস্তবতার উদ্ভব ঘটে? আমেরিকান দার্শনিক জন সার্ল যেমন মানুষের সমাজের প্রাতিষ্ঠানিক বাস্তবতাকে যৌথ উদ্দেশ্যমুখিতা দিয়ে ব্যাখ্যা করেছিলেন, বহু-এজেন্ট ব্যবস্থার ক্ষেত্রেও ঠিক সেই সমষ্টিগত বাস্তবতার সুস্পষ্ট প্রতিফলন দেখা যায়। এজেন্টদের পারস্পরিক চুক্তি, বিশ্বাস, সাধারণ নিয়ম এবং প্রতিশ্রুতি মিলে একটি কৃত্রিম ডিজিটাল সমাজ তৈরি করে। সেখানে কোনো একটি এজেন্টের ত্রুটি পুরো সিস্টেমকে অচল করে দেয় না; বরং বাকি এজেন্টরা স্বয়ংক্রিয়ভাবে সেই শূন্যতা পূরণ করে নেয়।

বহু-এজেন্ট ব্যবস্থার এই দর্শন স্পষ্ট করে দেয় যে উচ্চতর বুদ্ধিমত্তা কেবল একটি বিচ্ছিন্ন মস্তিষ্কের ভেতরের ঘটনা নয়। বুদ্ধিমত্তা হলো একাধিক স্বাধীন কর্তার মধ্যকার জটিল সামাজিক, অর্থনৈতিক, ভাষাগত ও পরিবেশগত লেনদেনের এক বিতরণকৃত নেটওয়ার্ক। মানুষ যেমন সম্পূর্ণ একা একা কোনো সমাজ বা সমৃদ্ধ ভাষা তৈরি করতে পারত না, কৃত্রিম এজেন্টরাও তেমনি পরস্পরের সাথে মিথস্ক্রিয়ার মধ্য দিয়েই তৈরি করে ফেলে এক নতুন ধরনের সমষ্টিগত সামাজিক বুদ্ধিমত্তা। জ্ঞান এখানে কোনো একটি কম্পিউটারের হার্ডড্রাইভে বন্দি থাকে না; জ্ঞান ছড়িয়ে থাকে এজেন্টদের মধ্যকার সম্পর্কের জালে।

গেম থিওরি, কৌশলগত মিথস্ক্রিয়া ও ন্যাশ ভারসাম্য (Game Theory, Strategic Interaction, and Nash Equilibrium)

একাধিক যুক্তিসংগত এজেন্ট যখন কোনো অভিন্ন পরিবেশে সিদ্ধান্ত নেয়, তখন প্রতিটি এজেন্টের সাফল্যের ফলাফল কেবল তার নিজের কাজের ওপর নির্ভর করে না; তা সমানভাবে নির্ভর করে অন্য এজেন্টদের গৃহীত পদক্ষেপের ওপর। এই ধরনের কৌশলগত আন্তঃনির্ভরশীলতাকে গাণিতিক ও যৌক্তিক কাঠামোর আওতায় আনার জন্য ব্যবহৃত হয় গেম থিওরি (Game Theory) বা ক্রীড়াতত্ত্ব (Shoham & Leyton-Brown, 2008)। গেম থিওরিতে প্রতিটি এজেন্টকে একজন খেলোয়াড় হিসেবে ধরা হয় এবং তাদের প্রতিটি সম্ভাব্য পদক্ষেপের বিপরীতে একটি নির্দিষ্ট উপযোগিতা বা পে-অফ নির্ধারণ করা থাকে। এজেন্টকে সবসময় ভাবতে হয়: “আমি জানি যে সে জানে আমি কী ভাবছি”। এই পারস্পরিক মনস্তাত্ত্বিক অনুমানই কৌশলগত মিথস্ক্রিয়ার মূল চালিকাশক্তি।

এই তাত্ত্বিক কাঠামোর সবচেয়ে অমর অবদানটি রেখেছিলেন নোবেল বিজয়ী গণিতবিদ জন ন্যাশ (John Nash) তার ১৯৫০ সালের যুগান্তকারী গবেষণাপত্রে (Nash, 1950)। ন্যাশ প্রমাণ করেন যে যেকোনো সসীম সংখ্যার খেলোয়াড় ও পদক্ষেপ বিশিষ্ট খেলায় অন্তত এমন একটি স্থিতিশীল অবস্থা বিদ্যমান থাকে, যা ইতিহাসে ন্যাশ ভারসাম্য (Nash Equilibrium) নামে পরিচিত। ন্যাশ ভারসাম্যে প্রতিটি এজেন্ট অন্য সমস্ত এজেন্টের সিদ্ধান্তের প্রেক্ষিতে নিজের সর্বোত্তম কৌশলটি বেছে নেয়। এই বিন্দুতে পৌঁছানোর পর কোনো একক এজেন্টের পক্ষেই নিজে থেকে কৌশল পরিবর্তন করে নিজের লাভ বাড়ানো সম্ভব হয় না, যদি না বাকিরা তাদের কৌশল বদলায়। ন্যাশ ভারসাম্য হলো কৌশলগত প্রতিযোগিতার এক পরম স্থিতিশীল গাণিতিক নোঙর, যা এজেন্টদের অন্ধ সংঘাত থেকে রক্ষা করে একটি টেকসই স্থিতাবস্থায় নিয়ে যায়।

তবে ন্যাশ ভারসাম্য সবসময় সমগ্র সমাজের জন্য সেরা ফলাফল এনে দেয় না। এর ধ্রুপদী উদাহরণ হলো বন্দীর উভয়সংকট (Prisoner’s Dilemma)। এই খেলায় দুজন আসামিকে আলাদা জিজ্ঞাসাবাদ করা হয়। যদি দুজনই নীরব থাকে তবে তারা উভয়েই সামান্য শাস্তি পেয়ে ছাড়া পেয়ে যায়; কিন্তু যদি একজন বিশ্বাসঘাতকতা করে আর অন্যজন নীরব থাকে, তবে বিশ্বাসঘাতক পুরোপুরি মুক্তি পায় এবং অন্যজন পায় সর্বোচ্চ শাস্তি। ন্যাশ ভারসাম্য অনুযায়ী দুজন এজেন্টের জন্যই সবচেয়ে সুবিধাজনক কৌশল হলো বিশ্বাসঘাতকতা করা, যার ফলে তারা উভয়েই মাঝারি মেয়াদের কঠিন শাস্তি ভোগ করে। অর্থাৎ ব্যক্তিগত যুক্তিসংগততা সমষ্টিগত যুক্তিসংগততাকে ধ্বংস করে দেয়। রাষ্ট্রবিজ্ঞানী রবার্ট অ্যাক্সেলরড (Robert Axelrod) তার অমর গ্রন্থ দ্য ইভোলিউশন অব কোঅপারেশন (The Evolution of Cooperation)-এ দেখান যে খেলাটি যখন বারবার খেলা হয়, তখন “যেমন কুকুর তেমন মুগুর” বা টিট-ফর-ট্যাট (Tit-for-Tat) কৌশলের মাধ্যমে কোনো কেন্দ্রীয় শাসন ছাড়াই এজেন্টদের মধ্যে স্বতঃস্ফূর্ত সহযোগিতার বিবর্তন ঘটে (Axelrod, 1984)।

নিচের তালিকায় গেম থিওরির প্রধান ধারণাগত মাত্রাগুলো তুলে ধরা হলো:

• শূন্য-যোগ খেলা (Zero-Sum Game):
  • প্রকৃতি: সম্পূর্ণ বিপরীতমুখী স্বার্থ; একজনের লাভ মানেই অপরজনের সমপরিমাণ ক্ষতি।
  • কৌশল: মিনিম্যাক্স অ্যালগরিদম এবং চরম শত্রুতাপূর্ণ অবস্থান।
• সাধারণ-যোগ খেলা (General-Sum Game):
  • প্রকৃতি: পারস্পরিক লাভ বা পারস্পরিক ক্ষতির সম্ভাবনা; স্বার্থের আংশিক মিল।
  • কৌশল: ন্যাশ ভারসাম্য, সহযোগিতা এবং কৌশলগত জোট গঠন।
• প্যারেটো সর্বোত্তমতা (Pareto Optimality):
  • প্রকৃতি: এমন এক সামাজিক অবস্থা যেখানে অন্য কারও ক্ষতি না করে কোনো একজনের লাভ বাড়ানো অসম্ভব।
  • দার্শনিক তাৎপর্য: ব্যক্তিগত স্বার্থ এবং সামগ্রিক সামাজিক কল্যাণের মধ্যকার বিরোধ দূর করার বস্তুনিষ্ঠ মাপকাঠি।

গেম থিওরির এই বাস্তবমুখী দর্শন দেখায় যে বহু-এজেন্ট পরিবেশে প্রতিযোগিতা এবং সহযোগিতা কোনো ভাবাবেগের বিষয় নয়। এটি হলো কৌশলগত স্বার্থের জটিল সমীকরণে দাঁড়িয়ে নিজের অস্তিত্ব টিকিয়ে রাখার এক নিখুঁত গাণিতিক বিচারবুদ্ধি। সঠিক প্রণোদনা কাঠামো থাকলে স্বার্থপর এজেন্টরাও স্বয়ংক্রিয়ভাবে সহযোগিতার পথে হাঁটতে বাধ্য হয়।

সমন্বয়, আলোচনা ও যৌথ অভিপ্রায় (Coordination, Negotiation, and Shared Intentionality)

একাধিক স্বাধীন এজেন্ট যখন কোনো বড় সাধারণ লক্ষ্য অর্জনের জন্য একসাথে কাজ করতে চায়, তখন তাদের মধ্যে কাজ বণ্টন ও সম্পদের সুষম ব্যবহারের জন্য প্রয়োজন হয় কার্যকর সমন্বয়। যদি দুজন রোবট একই সরু দরজার মধ্য দিয়ে একই সাথে যাওয়ার চেষ্টা করে, তবে সেখানে সংঘাত তৈরি হবে। কম্পিউটার বিজ্ঞানী রিড স্মিথ (Reid Smith) ১৯৮০ সালে বিতরণকৃত সমস্যা সমাধানের জন্য প্রস্তাব করেন বিখ্যাত কন্ট্রাক্ট নেট প্রোটোকল (Contract Net Protocol) (Smith, 1980)। এই পদ্ধতিতে কোনো একটি জটিল কাজের দায়িত্বে থাকা ম্যানেজার এজেন্ট কাজের বিবরণ দিয়ে একটি উন্মুক্ত দরপত্র বা টেন্ডার আহ্বান করে। অন্যান্য কন্ট্রাক্টর এজেন্টরা নিজেদের কাজের চাপ ও দক্ষতা অনুযায়ী সেই কাজের জন্য বিড বা প্রস্তাব পাঠায়। ম্যানেজার সবচেয়ে যোগ্য এজেন্টকে কাজটি প্রদান করে। এই বিকেন্দ্রীভূত বাজার ব্যবস্থা এজেন্টদের মধ্যে কোনো কেন্দ্রীয় হুকুম ছাড়াই চমৎকার সমন্বয় নিশ্চিত করে।

কিন্তু যখন এজেন্টদের স্বার্থ পরস্পরের সাথে সাংঘর্ষিক হয় এবং সম্পদ থাকে সীমিত, তখন একটি যৌথ সমঝোতায় পৌঁছানোর জন্য প্রয়োজন হয় দরকষাকষি বা নেগোশিয়েশন। অর্থনীতিবিদ এরিয়েল রুবিনস্টাইন (Ariel Rubinstein) তার প্রভাবশালী বার্গেইনিং মডেলে দেখান যে সময়ের সাথে সাথে সম্পদের মূল্য কীভাবে কমতে থাকে এবং সেই বাস্তবতায় এজেন্টরা কীভাবে ধাপে ধাপে প্রস্তাব ও পাল্টা প্রস্তাবের মধ্য দিয়ে একটি যৌক্তিক ঐকমত্যে পৌঁছায় (Rubinstein, 1982)। দরকষাকষি কোনো অন্তহীন অচলাবস্থা নয়; এটি হলো সীমিত সময়ের মধ্যে দুই পক্ষের ছাড় দেওয়ার সক্ষমতা মেপে নিয়ে একটি গ্রহণযোগ্য মধ্যপন্থা খুঁজে বের করার আনুষ্ঠানিক অ্যালগরিদম। এজেন্টরা বুঝতে পারে যে জেদ ধরে বসে থাকলে সময়ের অপচয়ে উভয়েরই ক্ষতি হবে, ফলে তারা আপসের মাধ্যমে একটি ভারসাম্যে পৌঁছায়।

দার্শনিক ও কগনিটিভ বিজ্ঞানী ফিলিপ কোহেন এবং হেক্টর লেভেস্কে যৌথ কাজের পেছনে থাকা মানসিক অবস্থাকে ব্যাখ্যা করার জন্য তৈরি করেন যৌথ অভিপ্রায় তত্ত্ব (Joint Intentions Theory) (Cohen & Levesque, 1991)। তারা দেখান যে কেবল একই সাথে একই কাজ করাটাই সহযোগিতা নয়; যেমন বৃষ্টি নামলে সবাই যার যার ছাতা খুললে তা সহযোগিতা নয়, তা হলো কাকতালীয় সমান্তরাল আচরণ। সত্যিকারের সহযোগিতার জন্য প্রয়োজন যৌথ প্রতিশ্রুতি (Joint Commitment)। কোনো দলবদ্ধ কাজে যদি একজন এজেন্ট দেখে যে কাজটি সম্পন্ন হয়ে গেছে বা কাজটি করা অসম্ভব হয়ে পড়েছে, তবে সে হঠাৎ করে একা একা কাজ ছেড়ে চলে যেতে পারে না। তাকে দলের অন্য সমস্ত এজেন্টকে নিজের এই উপলব্ধির কথা জানিয়ে যৌথভাবে কাজটির সমাপ্তি ঘোষণা করতে হয়।

যৌথ অভিপ্রায়ের এই দর্শন কৃত্রিম বুদ্ধিমত্তার সমাজকে এক সুদৃঢ় পারস্পরিক আস্থার ভিত্তির ওপর দাঁড় করায়। এটি প্রমাণ করে যে কোনো দলে কাজ করতে হলে এজেন্টদের কেবল নিজস্ব বিশ্বাস ও ইচ্ছা থাকলেই চলে না; তাদের মনের ভেতর অন্য সহকর্মীদের মানসিক অবস্থা ও যৌথ প্রতিশ্রুতির একটি সংবেদনশীল অভ্যন্তরীণ মডেল সচল রাখতে হয়। সমন্বয় হলো সেই সূক্ষ্ম অদৃশ্য বন্ধন যা বহু স্বাধীন কণ্ঠকে একটি সুসংগত ঐকতানে বেঁধে ফেলে। যৌথ প্রতিশ্রুতি ছাড়া কোনো বড় বৈজ্ঞানিক বা প্রযুক্তিগত লক্ষ্য অর্জন করা কোনো বুদ্ধিমত্তার পক্ষেই সম্ভব নয়।

যোগাযোগের ভাষা ও বাচনক্রিয়া তত্ত্ব (Agent Communication Languages and Speech Act Theory)

ভাষা ছাড়া কোনো অর্থপূর্ণ সামাজিক মিথস্ক্রিয়া টিকে থাকতে পারে না। কৃত্রিম এজেন্টদের ক্ষেত্রে এই যোগাযোগের ভাষা কীভাবে কাজ করে – তা বোঝার জন্য দর্শনের অন্যতম শক্তিশালী ভিত্তি হলো ব্রিটিশ দার্শনিক জন এল. অস্টিন (John L. Austin)-এর বাচনক্রিয়া তত্ত্ব (Speech Act Theory) (Austin, 1962)। অস্টিন তার ক্লাসিক গ্রন্থ হাউ টু ডু থিংস উইথ ওয়ার্ডস (How to Do Things with Words)-এ দেখান যে ভাষা কেবল কোনো তথ্য বর্ণনা করার মাধ্যম নয়; কথা বলা নিজেই একটি বাস্তব কাজ সম্পাদন করা। আমরা যখন কাউকে বলি “আমি প্রতিশ্রুতি দিচ্ছি” বা “আপনাকে আদেশ করছি”, তখন আমরা কোনো সত্য-মিথ্যা বিবৃতি দিই না, বরং কথার মাধ্যমেই বাস্তব জগতে একটি নতুন সামাজিক সম্পর্ক বা বাধ্যবাধকতা সৃষ্টি করি।

অস্টিনের এই বাচনক্রিয়াকে কৃত্রিম বুদ্ধিমত্তার উপযোগী করে তোলেন দার্শনিক জন সার্ল (John Searle) এবং পরবর্তীতে কম্পিউটার বিজ্ঞানীরা তা রূপান্তর করেন এজেন্ট কমিউনিকেশন ল্যাঙ্গুয়েজ (Agent Communication Language) বা এসিএলে (Searle, 1969)। ১৯৯০-এর দশকে বিজ্ঞানী টিম ফিনিন (Tim Finin) এবং তার সহকর্মীরা তৈরি করেন কেকিউএমএল (KQML) বা নলেজ কোয়েরি অ্যান্ড ম্যানিপুলেশন ল্যাঙ্গুয়েজ (Finin et al., 1994)। এই ভাষায় প্রতিটি বার্তার ভেতরে থাকে একটি সুনির্দিষ্ট পারফরমেটিভ (Performative), যা নির্দেশ করে বার্তাটি কী ধরনের বাচনক্রিয়া। যেমন:

• বলা (Tell): অন্য এজেন্টকে একটি নতুন তথ্য জানানো \(\text{Tell}(A, B, \phi)\)।
• জিজ্ঞাসা করা (Ask-If): কোনো একটি নির্দিষ্ট সত্য সম্পর্কে নিশ্চিত হওয়ার জন্য প্রশ্ন করা।
• অনুরোধ করা (Achieve): অন্য এজেন্টকে কোনো কাজ সম্পাদন করার জন্য অনুরোধ বা নির্দেশ পাঠানো।
• সাবস্ক্রাইব করা (Subscribe): কোনো নির্দিষ্ট তথ্যের পরিবর্তন ঘটলেই স্বয়ংক্রিয়ভাবে নোটিফিকেশন পাওয়ার আবেদন করা।

পরবর্তীতে আন্তর্জাতিক মান সংস্থা ফিপা (FIPA) বা ফাউন্ডেশন ফর ইন্টেলিজেন্ট ফিজিক্যাল এজেন্টস এই যোগাযোগ ভাষাকে আরও কঠোর ও আনুষ্ঠানিক রূপ দেয়, যা ফিপা-এসিএল (FIPA-ACL) নামে পরিচিত (FIPA, 2002)। ফিপা-এসিএলে প্রতিটি বাচনক্রিয়ার জন্য সুনির্দিষ্ট মানসিক পূর্বশর্ত সংজ্ঞায়িত থাকে। যেমন কোনো এজেন্ট যদি অন্য কাউকে ‘টেল’ করে কোনো তথ্য দিতে চায়, তবে তার নিজের ভেতরে সেই তথ্যটির ওপর দৃঢ় বিশ্বাস থাকতে হবে এবং তাকে বিশ্বাস করতে হবে যে গ্রহণকারী এজেন্ট তথ্যটি আগে থেকে জানে না। বার্তা পাঠানোর মাধ্যমে প্রেরক এজেন্ট প্রাপক এজেন্টের মানসিক অবস্থাকে পরিবর্তিত করার স্পষ্ট উদ্দেশ্য পোষণ করে।

বাচনক্রিয়া তত্ত্বের এই বাস্তবায়ন প্রমাণ করে যে যন্ত্রের ভাষা কোনো অর্থহীন বাইনারি ডেটা প্যাকেট আদান-প্রদান নয়। এটি হলো এজেন্টদের মধ্যকার বিশ্বাস, ইচ্ছা ও প্রতিশ্রুতির কাঠামোগত রূপান্তর। কৃত্রিম এজেন্টরা যখন নিজেদের মধ্যে কথা বলে, তখন তারা মূলত একে অপরের অভ্যন্তরীণ মানসিক অবস্থাকে প্রভাবিত করার এবং যৌথ কাজের পরিবেশ তৈরি করার বাস্তব পদক্ষেপ গ্রহণ করে। ভাষা এখানে বিমূর্ত কোড থেকে সরাসরি সামাজিক কর্মকাণ্ডে রূপান্তরিত হয়।

মেকানিজম ডিজাইন, নিলাম তত্ত্ব ও অর্থনৈতিক প্রকৌশল (Mechanism Design, Auction Theory, and Economic Engineering)

বহু-এজেন্ট ব্যবস্থায় যখন স্বার্থপর এবং সুবিধাবাদী এজেন্টরা একসাথে কাজ করে, তখন পুরো ব্যবস্থার স্থিতিশীলতা রক্ষার জন্য প্রয়োজন হয় একটি সুনির্দিষ্ট প্রাতিষ্ঠানিক নিয়মনীতি বা মেকানিজম। চিরায়ত গেম থিওরিতে যেখানে পরিবেশের নিয়ম দেওয়া থাকলে খেলোয়াড়দের আচরণ কেমন হবে তা বিশ্লেষণ করা হয়, মেকানিজম ডিজাইন (Mechanism Design) সেখানে কাজ করে তার ঠিক উল্টো দিক থেকে। মেকানিজম ডিজাইনকে বলা হয় রিভার্স গেম থিওরি বা প্রাতিষ্ঠানিক প্রকৌশল। এখানে ডিজাইনার আগে নির্ধারণ করেন যে সমাজের জন্য কোন ফলাফলটি সবচেয়ে কাঙ্ক্ষিত, এবং তারপর খেলার নিয়মগুলোকে এমনভাবে সাজান যাতে প্রতিটি স্বার্থপর এজেন্ট কেবল নিজের ব্যক্তিগত লাভ খুঁজতে গিয়েই স্বয়ংক্রিয়ভাবে সমাজের কাঙ্ক্ষিত সার্বিক কল্যাণে পৌঁছে যায় (Nisan et al., 2007)।

এই অর্থনৈতিক প্রকৌশলের মূল ভিত্তি হলো প্রণোদনা সঙ্গতি (Incentive Compatibility)। অর্থনীতিবিদ এরিক মাসকিন (Eric Maskin) তার নোবেল বিজয়ী তত্ত্বে দেখান যে একটি মেকানিজমকে তখনই নিখুঁত বলা যাবে যখন সত্য কথা বলা এবং নিজের আসল পছন্দ প্রকাশ করাই প্রতিটি এজেন্টের জন্য নিজস্ব লাভের দিক থেকে সেরা কৌশল হয়ে দাঁড়াবে (Maskin, 2008)। একে বলা হয় রেভেলেশন প্রিন্সিপল। এজেন্ট যদি মিথ্যা বলে বা ছলচাতুরী করে নিজের লাভ বাড়াতে পারে, তবে তথ্যের বিকৃতি ঘটে এবং সেই পুরো বাজার ব্যবস্থাটি ভেঙে পড়তে বাধ্য হয়।

মেকানিজম ডিজাইনের সবচেয়ে সফল ও বাস্তব প্রয়োগ ঘটে নিলাম তত্ত্বে। নোবেল বিজয়ী অর্থনীতিবিদ উইলিয়াম ভিকরে (William Vickrey) ১৯৬১ সালে আবিষ্কার করেন এক অমর নিলাম পদ্ধতি, যা ভিকরে নিলাম (Vickrey Auction) বা দ্বিতীয়-মূল্য সিল করা দরপত্র নামে পরিচিত (Vickrey, 1961)। এই নিলামে সমস্ত ক্রেতা গোপন খামে নিজের বিড জমা দেন। যার বিড সবচেয়ে বেশি সে-ই জিনিসটি পায়, কিন্তু তাকে দাম দিতে হয় দ্বিতীয় সর্বোচ্চ বিডারের দামের সমান। ভিকরে গাণিতিকভাবে প্রমাণ করেন যে এই নিলামে কোনো ক্রেতার পক্ষেই বেশি বা কম দাম লিখে লাভ করা সম্ভব নয়; তার জন্য একমাত্র প্রভাবশালী কৌশল হলো জিনিসটির প্রকৃত মূল্য সে যা মনে করে, ঠিক সেই নির্ভুল দামেই বিড করা।

নিচের তালিকায় প্রধান চার ধরনের নিলাম মেকানিজমের তুলনামূলক রূপরেখা দেওয়া হলো:

• ইংরেজি নিলাম (English Auction): দাম নিচ থেকে শুরু হয়ে ক্রমাগত ডাকের মাধ্যমে বাড়তে থাকে; সর্বোচ্চ দাম দেওয়া ব্যক্তি জয়ী হয়।
• ডাচ নিলাম (Dutch Auction): দাম ওপর থেকে শুরু হয়ে স্বয়ংক্রিয়ভাবে কমতে থাকে; যে ক্রেতা প্রথম সম্মতি দেয় সে জিনিসটি পায়।
• প্রথম-মূল্য সিল করা নিলাম (First-Price Sealed-Bid): গোপন খামে বিড জমা পড়ে; সর্বোচ্চ বিডার জয়ী হয় এবং নিজের দেওয়া দামেই জিনিস কেনে।
• ভিকরে নিলাম (Vickrey / Second-Price Auction): সর্বোচ্চ বিডার জয়ী হয় কিন্তু দ্বিতীয় সর্বোচ্চ বিডারের দাম পরিশোধ করে; এটি সম্পূর্ণ প্রণোদনা সঙ্গতিপূর্ণ।

মেকানিজম ডিজাইনের এই দর্শন স্পষ্ট করে দেয় যে মানুষের বা যন্ত্রের স্বার্থপরতাকে কোনো নৈতিক উপদেশ দিয়ে দূর করা যায় না। বরং নিয়মের এমন এক কাঠামোগত স্থাপত্য তৈরি করতে হয় যেখানে নিজস্ব লাভ এবং সমষ্টিগত কল্যাণ পরস্পর একই বিন্দুতে এসে মিলিত হয়। বহু-এজেন্ট সিস্টেমে এই অর্থনৈতিক নীতিগুলোই বিশৃঙ্খলা ঠেকিয়ে সুশৃঙ্খল বাজার, লোড ব্যালেন্সিং এবং সম্পদের সঠিক বণ্টন বজায় রাখে।

ঝাঁক বুদ্ধিমত্তা ও স্বতঃস্ফূর্ত শৃঙ্খলা (Swarm Intelligence and Spontaneous Order)

সব বহু-এজেন্ট ব্যবস্থাই জটিল চুক্তি বা ভাষার মাধ্যমে পরিচালিত হয় না। প্রকৃতির দিকে তাকালে দেখা যায় বনের সাধারণ পিঁপড়া, উইপোকা, মৌমাছি বা মাছের ঝাঁক কোনো উন্নত কগনিটিভ বুদ্ধিমত্তা বা জটিল যুক্তি ছাড়াই কেবল সাধারণ কিছু স্থানীয় নিয়ম মেনে অসম্ভব জটিল সমস্যা সমাধান করে ফেলে। এই প্রাকৃতিক বাস্তবতা থেকে অনুপ্রেরণা নিয়ে কৃত্রিম বুদ্ধিমত্তায় গড়ে উঠেছে ঝাঁক বুদ্ধিমত্তা (Swarm Intelligence) ক্ষেত্রটি (Bonabeau et al., 1999)। ঝাঁক বুদ্ধিমত্তার মূল সৌন্দর্য হলো চরম বিকেন্দ্রীকরণ। এখানে কোনো কেন্দ্রীয় নেতা নেই, কোনো সর্বময় নির্দেশদাতা নেই; তবুও কোটি কোটি অতি সরল উপাদানের স্থানীয় মিথস্ক্রিয়া থেকে একটি বিস্ময়কর সামগ্রিক বুদ্ধিমত্তার জন্ম হয়।

এই ব্যবস্থার প্রধান চালিকাশক্তি হলো স্টিগমার্জি (Stigmergy) বা পরিবেশের মাধ্যমে পরোক্ষ যোগাযোগ। ফরাসি জীববিজ্ঞানী পিয়ের-পল গ্রাসে এই ধারণাটি প্রবর্তন করেছিলেন। পিঁপড়ারা যখন খাবারের সন্ধান পায়, তখন তারা ফেরার পথে মাটিতে ফেরোমোন নামক রাসায়নিক দাগ রেখে যায়। অন্যান্য পিঁপড়ারা সেই রাসায়নিক সংকেত অনুসরণ করে এবং যত বেশি পিঁপড়া সে পথ দিয়ে যায়, রাসায়নিক দাগ তত শক্তিশালী হয়; অন্যদিকে অপ্রয়োজনীয় পথের দাগ সময়ের সাথে সাথে বাষ্পীভূত হয়ে মিলিয়ে যায়। এই সাধারণ প্রাকৃতিক নীতিকে অ্যালগরিদমে রূপান্তর করেন কম্পিউটার বিজ্ঞানী মার্ক ডোরিগো (Marco Dorigo) তার বিখ্যাত অ্যান্ট কলোনি অপ্টিমাইজেশন (Ant Colony Optimization) পদ্ধতিতে (Dorigo et al., 1996)। ডোরিগো দেখান যে হাজার হাজার কৃত্রিম পিঁপড়া কোনো জটিল সমীকরণ ছাড়াই ইন্টারনেটের ট্রাফিক রুট বা কঠিন নেটওয়ার্ক অপ্টিমাইজেশনের সবচেয়ে সংক্ষিপ্ত পথটি চোখের পলকে খুঁজে বের করে ফেলে।

একইভাবে কণার ঝাঁক অপ্টিমাইজেশন বা পিএসও অ্যালগরিদম পাখির ঝাঁকের ওড়ার ভঙ্গি থেকে শেখে, যেখানে প্রতিটি কণা নিজের সেরা অভিজ্ঞতা এবং দলের সামগ্রিক সেরা অভিজ্ঞতার দিকে ধাবিত হয়ে বহু-মাত্রিক গাণিতিক সমস্যার গ্লোবাল অপ্টিমা খুঁজে নেয়। এই স্বতঃস্ফূর্ত শৃঙ্খলাকে সামাজিক ও অর্থনৈতিক দর্শনের আলোকে ব্যাখ্যা করেছিলেন নোবেল বিজয়ী দার্শনিক ও অর্থনীতিবিদ ফ্রাইডরিখ হায়েক (Friedrich Hayek) তার ক্লাসিক প্রবন্ধ দ্য ইউজ অব নলেজ ইন সোসাইটি (The Use of Knowledge in Society)-এ (Hayek, 1945)। হায়েক দেখান যে একটি সমাজের সমস্ত জ্ঞান কখনোই কোনো একক কেন্দ্রীয় পরিকল্পনাকারীর মাথায় জমা হতে পারে না। জ্ঞান সবসময় সমাজের হাজার হাজার মানুষের মধ্যে খণ্ড খণ্ড রূপে ছড়িয়ে থাকে। মুক্ত বাজার ব্যবস্থার দামের সংকেত ঠিক পিঁপড়ার ফেরোমোনের মতো কাজ করে, যা ব্যক্তি স্বার্থের স্থানীয় লেনদেনের মধ্য দিয়ে একটি সামগ্রিক অর্থনৈতিক স্থিতিশীলতা তৈরি করে।

ঝাঁক বুদ্ধিমত্তা ও বহু-এজেন্ট ব্যবস্থার এই সামগ্রিক দর্শন মানব চিন্তাকে এক চূড়ান্ত বস্তুবাদী অন্তর্দৃষ্টি উপহার দিয়েছে। এটি প্রমাণ করেছে যে শৃঙ্খলা বা বুদ্ধিমত্তা তৈরি করার জন্য কোনো ঐশ্বরিক নির্মাতা বা একক একনায়কের প্রয়োজন নেই। সঠিক ভৌত নিয়ম এবং স্থানীয় ফিডব্যাকের ভিত্তিতে কোটি কোটি সাধারণ উপাদান পরস্পরের সাথে যুক্ত হলেই তার ভেতর থেকে জন্ম নিতে পারে এক মহিমান্বিত সামগ্রিক মন। সহযোগিতা, প্রতিযোগিতা, দরকষাকষি এবং স্বতঃস্ফূর্ত শৃঙ্খলার এই মেলবন্ধনই কৃত্রিম বুদ্ধিমত্তার ভবিষ্যৎ সমাজকে এক আত্মনিয়ন্ত্রিত ও গতিশীল বাস্তুতন্ত্রে রূপান্তর করে চলেছে।

দীর্ঘমেয়াদি স্বায়ত্তশাসন ও এআই এজেন্টের ধারাবাহিকতা (Long-Horizon Autonomy and Agent Persistence): দীর্ঘ কাজ, পরিকল্পনার ধারাবাহিকতা, পরিবেশে ক্রিয়া ও লক্ষ্য সংরক্ষণ

একক উত্তরের সীমা পেরিয়ে দীর্ঘ কর্মধারা (Beyond Single-Turn Responses): সময়, কাজ ও ধারাবাহিক স্বায়ত্তশাসন

একটি সাধারণ ভাষা মডেলকে প্রশ্ন করা হলো, কোনো ঐতিহাসিক ঘটনা ব্যাখ্যা করতে। সে উত্তর দিল, কাজ শেষ। এই ধরনের ব্যবস্থায় বুদ্ধিমত্তার মূল্যায়ন বেশিরভাগ সময় একটি নির্দিষ্ট ইনপুট থেকে একটি নির্দিষ্ট আউটপুট কতটা ভালো হলো, তার ওপর নির্ভর করে। কিন্তু এআই এজেন্টকে যদি বলা হয় কয়েক ঘণ্টা ধরে বহু নথি খুঁজতে, তথ্য যাচাই করতে, একটি সফটওয়্যার পরিবেশে কাজ করতে, মাঝপথে পাওয়া নতুন তথ্য অনুযায়ী পরিকল্পনা বদলাতে এবং শেষে একটি সমন্বিত ফল তৈরি করতে, তখন সমস্যা আর একক উত্তরের থাকে না। কাজটি সময়ের মধ্যে ছড়িয়ে পড়ে। প্রতিটি পদক্ষেপ আগের পদক্ষেপের ওপর দাঁড়ায় এবং পরের পদক্ষেপকে প্রভাবিত করে। এই প্রেক্ষাপটে দীর্ঘমেয়াদি স্বায়ত্তশাসন (Long-Horizon Autonomy) বলতে এমন সক্ষমতাকে বোঝানো হয় যেখানে একটি এজেন্ট দীর্ঘ বা বহু-ধাপের কাজকে ধারাবাহিকভাবে অনুসরণ করতে পারে, মাঝপথে পরিবেশের পরিবর্তনের সঙ্গে মানিয়ে নিতে পারে এবং ব্যবহারকারীর উচ্চস্তরের নির্দেশকে কার্যকর উপকাজে ভেঙে এগিয়ে যেতে পারে।

এখানে “দীর্ঘমেয়াদি” বলতে শুধু কয়েক ঘণ্টা বা কয়েক দিনের সময় বোঝানো হয় না। কোনো কাজ ২০ মিনিটের হলেও সেটা দীর্ঘ কর্মধারা হতে পারে, যদি সেখানে বহু পারস্পরিক নির্ভরশীল সিদ্ধান্ত, বাহ্যিক টুল ব্যবহার, অসম্পূর্ণ তথ্য এবং পুনঃপরিকল্পনা থাকে। আবার এক ঘণ্টা ধরে শুধু একটি দীর্ঘ লেখা উৎপাদন করাকে একই অর্থে দীর্ঘমেয়াদি এজেন্টিক কাজ বলা যাবে না, যদি সেখানে পরিবেশের সঙ্গে পুনরাবৃত্ত ক্রিয়া বা সিদ্ধান্ত সংশোধনের প্রয়োজন না হয়। ফলে সময়ের দৈর্ঘ্যের পাশাপাশি কার্যপথের দৈর্ঘ্য (Trajectory Length), পদক্ষেপের আন্তনির্ভরতা (Action Interdependence) এবং পরিবেশগত প্রতিক্রিয়াশীলতা (Environmental Responsiveness) গুরুত্বপূর্ণ হয়ে ওঠে। সাম্প্রতিক এজেন্ট গবেষণায় পরিকল্পনা, স্মৃতি, টুল ব্যবহার এবং প্রতিফলনকে আলাদা উপাদান হিসেবে দেখা হয়েছে, কারণ দীর্ঘ কর্মধারার সাফল্য কোনো একক ভালো উত্তরের ওপর নির্ভর করে না (Wang et al., 2024a)।

স্বায়ত্তশাসন (Autonomy) কথাটিও এখানে সতর্কভাবে ব্যবহার করতে হয়। প্রযুক্তিগত স্বায়ত্তশাসন মানে এআইয়ের মানুষের মতো স্বাধীন ইচ্ছা, আত্মসচেতনতা বা নিজস্ব ব্যক্তিগত উদ্দেশ্য আছে – এমন দাবি নয়। বরং বলা যায়, কোনো উচ্চস্তরের নির্দেশ পাওয়ার পর ব্যবস্থা কতটা নিজে সিদ্ধান্ত নিতে পারে যে কোন উপকাজ আগে করবে, কোন টুল ব্যবহার করবে, কোন ফলাফল আবার যাচাই করবে এবং কোন পর্যায়ে ব্যবহারকারীর কাছে ফিরে যাবে। একটি সফটওয়্যার সমস্যার ক্ষেত্রে এজেন্ট রিপোজিটরি পড়তে পারে, সমস্যার সম্ভাব্য উৎস খুঁজতে পারে, কোড পরিবর্তন করতে পারে, পরীক্ষা চালাতে পারে এবং ব্যর্থ হলে নতুন অনুমান তৈরি করতে পারে। এই ধরনের কাজকে বাস্তব সফটওয়্যার পরিবেশে মূল্যায়নের জন্য এসডব্লিউই-বেঞ্চ (SWE-bench)-এর মতো মানদণ্ড ব্যবহার করা হয়েছে, যেখানে একটি সমস্যার সমাধান প্রায়ই বহু ফাইল, দীর্ঘ প্রসঙ্গ এবং ধারাবাহিক পরীক্ষা-নিরীক্ষার প্রয়োজন তৈরি করে (Jimenez et al., 2024)।

দীর্ঘ কর্মধারায় আরেকটি প্রশ্ন সামনে আসে – একটি এজেন্ট কি সময়ের মধ্যে নিজের কার্যগত ধারাবাহিকতা ধরে রাখতে পারে? এজেন্ট ধারাবাহিকতা (Agent Persistence) বলতে এখানে কোনো দার্শনিক ব্যক্তিসত্তার স্থায়িত্ব বোঝানো হচ্ছে না। বরং কাজের ৪০তম ধাপে গিয়ে এজেন্ট কি এখনো জানে ব্যবহারকারী শুরুতে কী সীমা বেঁধে দিয়েছিল, কোন উপকাজ শেষ হয়েছে, কোনটা স্থগিত এবং কোন সিদ্ধান্ত অস্থায়ী ছিল? মাঝখানে নতুন তথ্য এলে সে কি আগের কাজের পরিচয় বজায় রেখে পরিকল্পনা সংশোধন করতে পারে? নাকি প্রতিটি নতুন ইনপুটকে আলাদা কাজ মনে করে ধারাবাহিকতা হারায়? দীর্ঘমেয়াদি এজেন্ট নকশার জন্য এই কার্যগত স্থায়িত্ব গুরুত্বপূর্ণ।

একক উত্তরের নির্ভুলতা এবং দীর্ঘ কর্মধারার নির্ভরযোগ্যতা একই বিষয় নয়। একটি ব্যবস্থা প্রতিটি ছোট সিদ্ধান্তে তুলনামূলক ভালো করলেও শতাধিক ধাপের মধ্যে ছোট ছোট ভুল জমতে পারে। বিপরীতভাবে, একটি পদক্ষেপে ভুল করলেও যদি সে দ্রুত ভুল শনাক্ত করতে পারে, আগের অবস্থায় ফিরে যেতে পারে এবং নতুন পরিকল্পনা গ্রহণ করতে পারে, তাহলে সামগ্রিক কাজ সফল হতে পারে। ফলে লং-হরাইজন এজেন্টকে শুধু শেষ উত্তর দিয়ে বিচার করলে গুরুত্বপূর্ণ অনেক কিছু চোখ এড়িয়ে যায়। দেখতে হয় পুরো কার্যপথ (Trajectory), সিদ্ধান্তের ধারাবাহিকতা, ভুল সংশোধনের ক্ষমতা এবং ব্যবহারকারীর মূল উদ্দেশ্যের সঙ্গে শেষ ফলের সামঞ্জস্য।

পরিকল্পনা, অভিপ্রায় ও কাজের প্রতিশ্রুতি (Planning, Intention and Commitment): ভবিষ্যৎ লক্ষ্যকে বর্তমান সিদ্ধান্তের সঙ্গে যুক্ত করা

মানুষ কোনো দীর্ঘ কাজ শুরু করলে সাধারণত প্রতি কয়েক সেকেন্ডে সব সম্ভাব্য কাজ নতুন করে হিসাব করে না। সকালে সিদ্ধান্ত হলো বিকেলের মধ্যে একটি প্রতিবেদন শেষ করতে হবে। এরপর দিনের মধ্যে নতুন ইমেইল এল, ফোন এল, অন্য কাজ সামনে এল। তবু আগের পরিকল্পনা ভবিষ্যৎ আচরণকে কিছুটা বেঁধে রাখে। মাইকেল ব্র্যাটম্যান (Michael Bratman) তার পরিকল্পনা-ভিত্তিক অভিপ্রায় তত্ত্ব (Planning Theory of Intention)-এ যুক্তি দেন, মানুষের অভিপ্রায় ভবিষ্যৎ কার্যকলাপকে সংগঠিত করে এবং প্রতিটি মুহূর্তে নতুন করে পূর্ণ সিদ্ধান্ত নেওয়ার প্রয়োজন কমায় (Bratman, 1987)। তার Intention, Plans, and Practical Reason বইয়ের এই ধারণা এআই এজেন্টের জন্য সরাসরি নকশা নয়, কিন্তু দীর্ঘমেয়াদি পরিকল্পনার একটি কার্যকর দার্শনিক কাঠামো দেয়।

দীর্ঘ কাজের পরিকল্পনা বেশিরভাগ ক্ষেত্রেই শুরুতে অসম্পূর্ণ থাকে। একটি এজেন্টকে যদি ভ্রমণ পরিকল্পনা করতে বলা হয়, সে হয়তো প্রথমে শহর, তারিখ, বাজেট এবং ব্যবহারকারীর কিছু পছন্দ জানে। কোন ফ্লাইট নেওয়া হবে, হোটেলের অবস্থান কেমন হবে, বিমানবন্দর থেকে যাতায়াত কীভাবে হবে – সব সিদ্ধান্ত প্রথম মুহূর্তে নেওয়ার দরকার হয় না। তাই আংশিক পরিকল্পনা (Partial Plans) বাস্তবিকভাবে উপকারী। উচ্চস্তরের লক্ষ্য আগে স্থির থাকে, আর প্রয়োজনীয় উপকাজগুলো নতুন তথ্যের সঙ্গে ধীরে ধীরে নির্দিষ্ট হয়। এই প্রক্রিয়াকে ক্রমবর্ধমান পরিকল্পনা (Incremental Planning) হিসেবে দেখা যায়।

এআই গবেষণায় আনন্দ রাও (Anand Rao) এবং মাইকেল জর্জেফ (Michael Georgeff)-এর বিশ্বাস – আকাঙ্ক্ষা – অভিপ্রায় মডেল (Belief-Desire-Intention Model) দীর্ঘদিন ধরে এজেন্টের সিদ্ধান্ত কাঠামো ব্যাখ্যার একটি প্রভাবশালী পদ্ধতি। এখানে বিশ্বাস (Beliefs) বলতে পরিবেশ সম্পর্কে বর্তমান তথ্য, আকাঙ্ক্ষা (Desires) বলতে সম্ভাব্য লক্ষ্য এবং অভিপ্রায় (Intentions) বলতে যেসব লক্ষ্যের প্রতি এজেন্ট কার্যগত প্রতিশ্রুতি নিয়েছে, সেগুলো বোঝানো হয় (Rao & Georgeff, 1995)। দীর্ঘ কর্মধারায় এজেন্ট যদি প্রতিটি নতুন তথ্যের পর সব আগের লক্ষ্য ফেলে দেয়, কোনো কাজ এগোবে না। আবার পুরোনো পরিকল্পনা আঁকড়ে ধরে পরিবেশের গুরুত্বপূর্ণ পরিবর্তন অগ্রাহ্য করলেও ব্যর্থতা আসবে। ফলে দরকার প্রতিশ্রুতি ও পুনর্বিবেচনার ভারসাম্য (Commitment-Reconsideration Balance)।

এই ভারসাম্যের একটি সহজ উদাহরণ ওয়েব পরিবেশে দেখা যায়। এজেন্ট একটি সাইটে নির্দিষ্ট তথ্য খুঁজছে। পরিকল্পনা ছিল সার্চ চালানো, ফলাফল বাছাই করা, কয়েকটি শর্ত যাচাই করা এবং শেষ তালিকা তৈরি করা। মাঝপথে দেখা গেল সাইটের বিন্যাস বদলেছে। পুরোনো পরিকল্পনার প্রতিটি ধাপ হুবহু অনুসরণ করলে কাজ থেমে যাবে। কিন্তু বিন্যাস বদল দেখেই যদি পুরো লক্ষ্য বদলে ফেলে, সেটাও ভুল। এখানে লক্ষ্য স্থিতিশীলতা (Goal Stability) এবং পদ্ধতিগত নমনীয়তা (Procedural Flexibility) একসঙ্গে দরকার। লক্ষ্য তুলনামূলক স্থির থাকবে, কিন্তু লক্ষ্য অর্জনের পথ পরিস্থিতি অনুযায়ী বদলাতে পারবে।

কগনিটিভ আর্কিটেকচারের ইতিহাসে জন লেয়ার্ড (John Laird), অ্যালেন নিউয়েল (Allen Newell) এবং পল রোজেনব্লুম (Paul Rosenbloom)-এর সোয়ার (Soar) আর্কিটেকচার দীর্ঘ সমস্যা সমাধানের মধ্যে লক্ষ্য, উপগোল, সিদ্ধান্ত এবং অভিজ্ঞতাকে সংগঠিত করার চেষ্টা করেছিল (Laird et al., 1987)। আধুনিক বৃহৎ ভাষা মডেলভিত্তিক এজেন্টের স্থাপত্য সোয়ারের মতো নয়, তবু পুরোনো প্রশ্নটি ফিরে এসেছে নতুন রূপে – বর্তমান পদক্ষেপকে আগের সিদ্ধান্ত এবং ভবিষ্যৎ উদ্দেশ্যের সঙ্গে কীভাবে যুক্ত রাখা যায়।

পরিকল্পনা ধরে রাখা আর পরিকল্পনার কারণ ধরে রাখা এক বিষয় নয়। কোনো এজেন্ট যদি শুধু পরবর্তী করণীয়ের তালিকা জানে, পরিস্থিতি বদলালে সে বুঝতে নাও পারে কোন ধাপ বাদ দেওয়া নিরাপদ এবং কোন ধাপ অপরিহার্য। তাই দীর্ঘ কর্মধারায় লক্ষ্য, উপকাজ, নির্ভরতা, সীমাবদ্ধতা এবং সিদ্ধান্তের কারণের কিছু প্রতিনিধিত্ব দরকার হয়। কোনো কাজের অবস্থা যদি শুধু কথোপকথনের অসংগঠিত ইতিহাসের মধ্যে ছড়িয়ে থাকে, ভুল বা দ্বন্দ্ব তৈরি হওয়ার সম্ভাবনা বাড়ে। এই কারণে কার্যতালিকা, নির্ভরতাভিত্তিক কাজের মানচিত্র, সীমাবদ্ধতার তালিকা কিংবা সমজাতীয় কাঠামো দীর্ঘমেয়াদি এজেন্টে সহায়ক হতে পারে।

স্মৃতি, অবস্থা ও কাজের পরিচয় (Memory, State and Task Identity): অতীত ধরে রেখে ভবিষ্যৎ সিদ্ধান্ত নেওয়া

দীর্ঘ কর্মধারার একটি পরিচিত সমস্যা হলো ভুলে যাওয়া। কেউ একটি জটিল নথি সম্পাদনা করছে। মাঝখানে অন্য কাজ করতে হলো। পরে ফিরে এসে তাকে মনে করতে হয় কোথায় থেমেছিল, কোন অংশে সন্দেহ ছিল এবং কোন পরিবর্তন এখনো করা হয়নি। এআই এজেন্টের ক্ষেত্রেও কার্যগতভাবে একই ধরনের সমস্যা দেখা দেয়। মানুষের স্মৃতি এবং কম্পিউটার ব্যবস্থার স্মৃতি জৈবিকভাবে আলাদা, তাই দুটিকে এক করা উচিত নয়। এজেন্ট স্মৃতি (Agent Memory) বলতে এমন তথ্যসংরক্ষণ ও পুনরুদ্ধার ব্যবস্থা বোঝানো যায় যা ভবিষ্যৎ সিদ্ধান্তের জন্য অতীতের প্রাসঙ্গিক অবস্থা ধরে রাখে।

দীর্ঘ কাজের স্মৃতিতে কয়েক ধরনের তথ্য থাকতে পারে। কার্যস্মৃতি (Working Memory) সাম্প্রতিক নির্দেশ, বর্তমান উপকাজ, টুল আউটপুট এবং তাৎক্ষণিক সিদ্ধান্ত ধরে রাখে। ঘটনামূলক স্মৃতি (Episodic Memory) অতীতে কোন কাজ কখন করা হয়েছিল তার রেকর্ড রাখতে পারে। অর্থগত স্মৃতি (Semantic Memory) কোনো কাজের জন্য প্রয়োজনীয় স্থিতিশীল তথ্য ধরে রাখে। প্রক্রিয়াগত স্মৃতি (Procedural Memory) আগে শেখা কার্যকর পদ্ধতি বা দক্ষতা পুনরায় ব্যবহারের সুযোগ দেয়। বাস্তব সফটওয়্যার ব্যবস্থায় এই বিভাজন সবসময় এত পরিষ্কার থাকে না, কিন্তু দীর্ঘমেয়াদি স্বায়ত্তশাসন বোঝার জন্য পার্থক্যটি উপকারী।

জুন সুং পার্ক (Joon Sung Park) এবং সহকর্মীদের জেনারেটিভ এজেন্টস গবেষণায় স্মৃতি, প্রতিফলন এবং পরিকল্পনাকে একটি ধারাবাহিক ব্যবস্থায় যুক্ত করা হয়েছিল। এজেন্টরা অভিজ্ঞতার রেকর্ড রাখত, সেই রেকর্ড থেকে উচ্চস্তরের প্রতিফলন তৈরি করত এবং প্রাসঙ্গিক স্মৃতি পুনরুদ্ধার করে ভবিষ্যৎ আচরণের পরিকল্পনা করত (Park et al., 2023)। গবেষণাটি বাস্তব পেশাগত স্বায়ত্তশাসনের পূর্ণ প্রতিরূপ ছিল না। তবু একটি গুরুত্বপূর্ণ বিষয় সামনে আসে – দীর্ঘ ধারাবাহিকতার জন্য সব অতীত তথ্য একসঙ্গে সক্রিয় রাখার প্রয়োজন নেই। দরকার সঠিক সময়ে প্রাসঙ্গিক স্মৃতি ফিরিয়ে আনা।

নোয়া শিন (Noah Shinn) এবং সহকর্মীদের রিফ্লেক্সিয়ন (Reflexion) পদ্ধতিতে ব্যর্থতার পর এজেন্ট নিজের কাজের ফল নিয়ে ভাষাগত প্রতিফলন তৈরি করে এবং সেই প্রতিফলন পরবর্তী প্রচেষ্টায় ব্যবহার করতে পারে (Shinn et al., 2023)। এখানে প্রতিবার মডেলের অভ্যন্তরীণ ওজন বদলানো হয় না। কিছু শেখা ঘটে বাহ্যিক স্মৃতির স্তরে। এখান থেকে মডেল-স্তরের শেখা (Model-Level Learning) এবং এজেন্ট-স্তরের শেখা (Agent-Level Learning) আলাদা করে দেখা যায়। একই ভিত্তি মডেল ভিন্ন স্মৃতি, ভিন্ন টুল এবং ভিন্ন পূর্বঅভিজ্ঞতার কারণে আলাদা কার্যগত সক্ষমতা দেখাতে পারে।

গুয়ানঝি ওয়াং (Guanzhi Wang) এবং সহকর্মীদের ভয়েজার (Voyager) মাইনক্রাফট পরিবেশে আরেকটি দিক তুলে ধরে। এজেন্ট সফল কাজের পদ্ধতিগুলো কোডভিত্তিক দক্ষতা হিসেবে একটি সংগ্রহে জমা রাখত এবং ভবিষ্যৎ সমস্যায় সেগুলো পুনরায় ব্যবহার করত (Wang et al., 2024b)। ফলে স্মৃতি শুধু “আগে কী ঘটেছিল” মনে রাখার ব্যবস্থা নয়। “আগে কীভাবে সফল হয়েছিলাম” সংরক্ষণও দীর্ঘ কর্মধারাকে সংক্ষিপ্ত এবং কার্যকর করতে পারে। প্রতিটি সমস্যার সমাধান শূন্য থেকে শুরু করলে সময়, কম্পিউটেশন এবং ভুলের সম্ভাবনা বাড়ে।

তবে বেশি স্মৃতি মানেই ভালো স্মৃতি নয়। দীর্ঘ কাজে হাজার হাজার বার্তা, টুল আউটপুট, নথির সারাংশ এবং সিদ্ধান্ত জমে যেতে পারে। সব তথ্য সমান গুরুত্বে সক্রিয় রাখলে প্রাসঙ্গিক নির্দেশ অপ্রাসঙ্গিক তথ্যের ভিড়ে হারিয়ে যেতে পারে। বিশেষ করে স্টেল মেমোরি (Stale Memory) সমস্যা তৈরি করতে পারে – পুরোনো কিন্তু আর সত্য নয় এমন তথ্য যদি পরবর্তী সিদ্ধান্তে ব্যবহার হয়, এজেন্ট বর্তমান পরিবেশ সম্পর্কে ভুল ধারণা তৈরি করতে পারে। তাই স্মৃতি নির্বাচন (Memory Selection), স্মৃতি সংকোচন (Memory Compression) এবং প্রাসঙ্গিক পুনরুদ্ধার (Relevant Retrieval) গুরুত্বপূর্ণ। কোন তথ্য দীর্ঘদিন রাখতে হবে, কোনটা সাময়িক, কোনটা ব্যবহারকারীর স্থায়ী সীমা এবং কোনটা একটি ব্যর্থ পরীক্ষার পুরোনো ফল – এই পার্থক্য স্পষ্ট হওয়া দরকার।

এর সঙ্গে যুক্ত হয় কাজের পরিচয় (Task Identity)। ৫০টি উপকাজ শেষে এজেন্ট কি এখনো বুঝতে পারছে এগুলো একই উচ্চস্তরের লক্ষ্যের অংশ? ব্যবহারকারী মাঝপথে বললেন, আগের কাঠামো রাখতে হবে কিন্তু শেষ অংশে নতুন বিশ্লেষণ যোগ করতে হবে। সঠিক ধারাবাহিকতা মানে নতুন নির্দেশকে পুরোনো কাজের কাঠামোর মধ্যে বসানো। পুরোনো সবকিছু মুছে নতুন কাজ শুরু করা যেমন ভুল, তেমনি নতুন নির্দেশ উপেক্ষা করাও ভুল। দীর্ঘমেয়াদি এজেন্টের জন্য তাই কথোপকথনের ইতিহাসের পাশাপাশি কাজের অবস্থা (Task State) ধরে রাখা প্রয়োজন। এই অবস্থাই সময়ের মধ্যে কার্যগত পরিচয় বজায় রাখতে সাহায্য করে।

পরিবেশ, টুল ও প্রতিক্রিয়ার বৃত্ত (Environment, Tools and Feedback Loops): চিন্তা থেকে বাস্তব ক্রিয়ায় যাত্রা

একটি ভাষা মডেল নিজের ভেতরে বসে উত্তর তৈরি করলে ভুলের বড় অংশ ভাষাগত আউটপুটে সীমাবদ্ধ থাকে। কিন্তু এজেন্ট যদি পরিবেশে কাজ করতে পারে, তার সিদ্ধান্তের বাহ্যিক ফল হয়। সে সার্চ চালাতে পারে, ডেটাবেসে প্রশ্ন করতে পারে, কোড চালাতে পারে, ফাইল পরিবর্তন করতে পারে কিংবা কোনো সফটওয়্যারের ইন্টারফেস ব্যবহার করতে পারে। ফলে পরিবেশে ক্রিয়া (Environmental Action) দীর্ঘমেয়াদি স্বায়ত্তশাসনের আলাদা মাত্রা তৈরি করে। এখানে চিন্তা এবং কাজের মধ্যে একটি ধারাবাহিক বৃত্ত তৈরি হয় – পর্যবেক্ষণ, সিদ্ধান্ত, ক্রিয়া, ফলাফল, নতুন পর্যবেক্ষণ।

শুনইউ ইয়াও (Shunyu Yao) এবং সহকর্মীদের রিঅ্যাক্ট (ReAct) পদ্ধতি রিজনিং এবং অ্যাক্টিংকে পর্যায়ক্রমে যুক্ত করার ধারণা সামনে আনে। মডেল একটি পরিস্থিতি নিয়ে যুক্তি করে, কোনো বাহ্যিক টুল ব্যবহার করে, ফল দেখে এবং সেই ফলের ভিত্তিতে পরবর্তী সিদ্ধান্ত নেয় (Yao et al., 2023)। দীর্ঘমেয়াদি এজেন্টের জন্য এই কাঠামো গুরুত্বপূর্ণ, কারণ বাস্তব পরিবেশ আগে থেকে পুরোপুরি জানা থাকে না। কোনো ওয়েবসাইটে প্রত্যাশিত তথ্য পাওয়া গেল না, কোড পরীক্ষায় নতুন ত্রুটি দেখা দিল, কিংবা ফাইলের গঠন অনুমানের সঙ্গে মিলল না – তখন পরিকল্পনা পরিবেশের প্রতিক্রিয়া অনুযায়ী সংশোধন করতে হয়।

শুয়ান ঝৌ (Shuyan Zhou) এবং সহকর্মীদের ওয়েবএরিনা (WebArena) বাস্তবসম্মত ওয়েব পরিবেশে বহু-ধাপের এজেন্টিক কাজ মূল্যায়নের একটি কাঠামো দেয়। এখানে ই-কমার্স, সামাজিক ফোরাম, সফটওয়্যার উন্নয়ন এবং কনটেন্ট ব্যবস্থাপনার মতো কার্যকর ওয়েবসাইটের প্রতিরূপ ব্যবহার করা হয়েছিল (Zhou et al., 2024)। গবেষণার একটি গুরুত্বপূর্ণ শিক্ষা ছিল – স্থানীয়ভাবে যুক্তিসঙ্গত কয়েকটি পদক্ষেপ একত্রে মিলেও সঠিক শেষ ফল নিশ্চিত করে না। কোনো এজেন্ট হয়তো সঠিক পৃষ্ঠা খুলেছে, সঠিক তথ্য পড়েছে এবং ভালো সিদ্ধান্তও নিয়েছে, কিন্তু একটি ভুল ক্লিক বা ভুল অবস্থা ধরে নেওয়ার কারণে পুরো কাজ ব্যর্থ হতে পারে।

দীর্ঘ কর্মধারার পরিবেশ প্রায়ই আংশিক পর্যবেক্ষণযোগ্য (Partially Observable)। এজেন্ট সব তথ্য একসঙ্গে দেখতে পায় না। কোনো সফটওয়্যার সমস্যার কারণ এমন ফাইলে থাকতে পারে যা এখনো খোলা হয়নি। কোনো ওয়েব ফর্মের শেষ ধাপে এমন শর্ত দেখা দিতে পারে যা শুরুতে জানা ছিল না। ফলে লং-হরাইজন কাজ সবসময় কিছু অনিশ্চয়তার মধ্যে এগোয়। এখানে তথ্য আহরণ (Information Gathering) নিজেই একটি সিদ্ধান্ত। কখন আরও অনুসন্ধান করতে হবে, কখন বর্তমান তথ্য যথেষ্ট, কখন ব্যবহারকারীর কাছে প্রশ্ন করতে হবে এবং কখন কাজ এগিয়ে নেওয়া যায় – এই নির্বাচন বুদ্ধিমান এজেন্টিক আচরণের অংশ।

টুল ব্যবহারের সঙ্গে বাহ্যিক অবস্থা (External State) তৈরি হয়। একটি কোড ফাইল পরিবর্তন হয়েছে, কিন্তু এখনো সংরক্ষিত হয়নি। একটি নথির খসড়া তৈরি হয়েছে, কিন্তু পাঠানো হয়নি। কোনো ডেটাবেসে পরিবর্তন করা হয়েছে, কিন্তু এজেন্টের স্মৃতিতে পুরোনো অবস্থা রয়ে গেছে। এই ধরনের অসামঞ্জস্য লং-হরাইজন কাজের জন্য বিপজ্জনক। ভুল টুল আউটপুট, অসম্পূর্ণ প্রতিক্রিয়া অথবা ব্যর্থ ক্রিয়াকে সফল ধরে নিলে পরবর্তী পরিকল্পনা ভুল ভিত্তির ওপর দাঁড়ায়। তাই গুরুত্বপূর্ণ পদক্ষেপের পর বাহ্যিক অবস্থা পুনরায় পরীক্ষা করা, টুলের ফল যাচাই করা এবং প্রয়োজন হলে একই কাজের নিরাপদ পুনরাবৃত্তি নিশ্চিত করা দরকার।

এই জায়গায় আইডেমপোটেন্স (Idempotence) ধারণাটিও কাজে লাগে। কোনো ক্রিয়া যদি ভুল করে দ্বিতীয়বার চালানো হয়, ফল যেন ক্ষতিকরভাবে দ্বিগুণ না হয়। উদাহরণস্বরূপ, একটি ফাইল পড়া বারবার করা নিরাপদ, কিন্তু কোনো অর্থপ্রদান বা বার্তা পাঠানোর ক্রিয়া পুনরায় চালানো নিরাপদ নয়। তাই দীর্ঘমেয়াদি এজেন্টের জন্য টুল ব্যবহার মানে শুধু টুলের নাম জানা নয়। কোন কাজ ফেরানো যায়, কোন কাজ অপরিবর্তনীয়, কোন কাজের আগে নিশ্চিতকরণ দরকার এবং কোন কাজের পরে যাচাই দরকার – এগুলোও পরিকল্পনার অংশ।

মানুষের ভূমিকাও এই পর্যায়ে বদলে যায়। একক প্রশ্নোত্তরে ব্যবহারকারী শেষ ফল দেখে বিচার করতে পারেন। দীর্ঘ কর্মধারায় শুধু শেষ আউটপুট দেখা যথেষ্ট নাও হতে পারে। জানা দরকার এজেন্ট কী করেছে, কোথায় পরিবর্তন এনেছে, কোন সিদ্ধান্ত নিজে নিয়েছে এবং কোথায় অনুমোদন চেয়েছে। ফলে ফলাফল মূল্যায়ন (Outcome Evaluation)-এর পাশাপাশি কার্যপথ মূল্যায়ন (Trajectory Evaluation) গুরুত্বপূর্ণ হয়ে ওঠে। সুন্দর শেষ প্রতিবেদন মাঝপথের অননুমোদিত ক্রিয়াকে গ্রহণযোগ্য করে না। আবার কয়েকটি ব্যর্থ প্রচেষ্টার পর সঠিকভাবে ফিরে এসে নিরাপদ ফল তৈরি করলে পুরো কাজকে সরলভাবে ব্যর্থও বলা যায় না।

লক্ষ্য সংরক্ষণ, বিচ্যুতি ও ত্রুটির সঞ্চয় (Goal Preservation, Drift and Error Accumulation): স্থানীয় সিদ্ধান্ত থেকে সামগ্রিক ফল

দীর্ঘ কর্মধারায় ছোট ভুলের আয়ু বেড়ে যায়। একটি একক উত্তরে ভুল তথ্য থাকলে পরবর্তী বার নতুন করে শুরু করা যায়। কিন্তু দীর্ঘমেয়াদি এজেন্ট যদি একটি ভুল অনুমানের ওপর পরবর্তী ৩০টি সিদ্ধান্ত নেয়, সেই ভুল পুরো কাজের কাঠামোর অংশ হয়ে যেতে পারে। তাই ত্রুটি সঞ্চয় (Error Accumulation) লং-হরাইজন অটোনমির একটি কেন্দ্রীয় সমস্যা। এখানে শুধু যুক্তিগত ভুল নয়, ভুল টুল আউটপুট, স্টেল মেমোরি, ভুল অবস্থা অনুসরণ, অস্পষ্ট ব্যবহারকারী নির্দেশ এবং পরিবেশের পরিবর্তন – সবই পরবর্তী সিদ্ধান্তকে প্রভাবিত করতে পারে।

আরও সূক্ষ্ম সমস্যা হলো লক্ষ্য বিচ্যুতি (Goal Drift)। ব্যবহারকারী একটি উচ্চস্তরের লক্ষ্য দিয়েছেন, কিন্তু কাজ করতে গিয়ে কোনো উপকাজ ধীরে ধীরে এমন গুরুত্ব পেতে পারে যে আসল উদ্দেশ্য আড়ালে চলে যায়। ধরো, ব্যবহারকারী বলেছেন একটি গবেষণা প্রতিবেদন তৈরির সময় তথ্যের নির্ভুলতাকে অগ্রাধিকার দিতে। এজেন্ট মাঝপথে উপস্থাপনার সৌন্দর্যকে স্থানীয় লক্ষ্য হিসেবে ধরে অনেক সময় ব্যয় করল, অথচ কিছু অনিশ্চিত তথ্য যাচাই অসম্পূর্ণ রয়ে গেল। প্রতিটি স্থানীয় সিদ্ধান্ত আলাদাভাবে অযৌক্তিক নাও হতে পারে। সামগ্রিক ফল ব্যবহারকারীর অগ্রাধিকারের সঙ্গে আর মেলে না। এই কারণে স্থানীয় যুক্তিসংগততা (Local Rationality) এবং সামগ্রিক লক্ষ্য-সামঞ্জস্য (Global Goal Alignment) আলাদা করে দেখা দরকার।

দীর্ঘ কর্মধারায় কয়েকটি ব্যর্থতার ধরন বারবার দেখা যায়। নির্দেশ ক্ষয় (Instruction Decay) ঘটলে কাজ যত এগোয়, শুরুর সীমাবদ্ধতা বা ব্যবহারকারীর অগ্রাধিকার সিদ্ধান্তে কম প্রভাব ফেলতে শুরু করে। উপলক্ষ্য দখল (Subgoal Capture) ঘটলে কোনো সাময়িক উপকাজ আসল লক্ষ্যকে কার্যত সরিয়ে দেয়। অবস্থা বিভ্রান্তি (State Confusion) দেখা দিলে এজেন্ট পরিবেশের বর্তমান অবস্থাকে ভুলভাবে মনে রাখে। ত্রুটি প্রচার (Error Propagation)-এ একটি ভুল অনুমান পরের পরিকল্পনাগুলোর ভিত্তি হয়ে যায়। আর কার্যপরিসর বিস্তার (Scope Expansion)-এ এজেন্ট লক্ষ্য পূরণের সুবিধার জন্য এমন কাজ শুরু করতে পারে যা ব্যবহারকারীর অনুমোদিত সীমার বাইরে।

এই সমস্যাগুলো মোকাবেলার একটি উপায় হলো উচ্চস্তরের লক্ষ্য এবং স্থানীয় পরিকল্পনাকে আলাদা স্তরে রাখা। এজেন্ট প্রতিটি কয়েকটি ধাপ পর পর যাচাই করতে পারে – বর্তমান কাজ কি এখনো আসল লক্ষ্য পূরণ করছে? ব্যবহারকারীর কোনো সীমা কি ভাঙা হচ্ছে? নতুন তথ্যের কারণে পরিকল্পনা বদলানো দরকার কি না? এই ধরনের পর্যায়ক্রমিক পুনর্মূল্যায়ন (Periodic Reassessment) দীর্ঘ কর্মধারায় স্থানীয় ভুলকে বড় হওয়ার আগেই ধরতে সাহায্য করতে পারে। এর সঙ্গে চেকপয়েন্ট (Checkpoint) ব্যবহার করা যায়, যাতে গুরুত্বপূর্ণ পর্যায়ে কাজের অবস্থা সংরক্ষণ করা থাকে এবং বড় ভুল ধরা পড়লে আগের নিরাপদ অবস্থায় ফিরে যাওয়া যায়।

পল ক্রিস্টিয়ানো (Paul Christiano) এবং সহকর্মীদের মানব প্রতিক্রিয়া থেকে গভীর রিইনফোর্সমেন্ট লার্নিং (Deep Reinforcement Learning from Human Preferences) কাজটি সরাসরি লং-হরাইজন এজেন্ট পারসিস্টেন্স নিয়ে ছিল না, কিন্তু মানব পছন্দকে আচরণের প্রশিক্ষণে যুক্ত করার একটি গুরুত্বপূর্ণ পথ দেখায় (Christiano et al., 2017)। দীর্ঘমেয়াদি এজেন্টে এই সমস্যা আরও কঠিন, কারণ মানুষকে শুধু একটি চূড়ান্ত আউটপুট নয়, দীর্ঘ কার্যধারার মান বিচার করতে হতে পারে। সব ক্ষুদ্র পদক্ষেপ মানুষ দিয়ে পরীক্ষা করানো বাস্তবসম্মত নয়। ফলে স্কেলেবল ওভারসাইট, স্যাম্পলিং, অডিটিং এবং অটোমেটেড চেকস-এর মতো পদ্ধতির প্রয়োজন বাড়ে।

লক্ষ্য সংরক্ষণের প্রশ্নটি দার্শনিকও। একটি এজেন্টকে যদি “কাজ শেষ করো” বলা হয়, কাজ শেষ করার নামে সে কত দূর যেতে পারবে? লক্ষ্য অর্জনের দক্ষতা এবং অনুমোদিত পদ্ধতির মধ্যে সীমা কোথায়? উত্তর নির্ভর করে ব্যবহারকারীর নির্দেশ, সিস্টেমের ক্ষমতা, টুলের ঝুঁকি এবং প্রাতিষ্ঠানিক নিয়মের ওপর। তাই গোল প্রিজারভেশন মানে শুধু একই লক্ষ্য আঁকড়ে থাকা নয়। বরং লক্ষ্যকে ব্যবহারকারীর সীমা, নিরাপত্তা শর্ত এবং পরিবেশগত বাস্তবতার সঙ্গে একসঙ্গে ধরে রাখা। দীর্ঘমেয়াদি স্বায়ত্তশাসনের পরিপক্বতা তখনই বোঝা যাবে, যখন এজেন্ট লক্ষ্য বদলে না ফেলে পদ্ধতি বদলাতে পারবে এবং কাজের সুবিধার জন্য অনুমোদনের সীমা অতিক্রম করবে না।

ধারাবাহিকতা, মানব তত্ত্বাবধান ও নির্ভরযোগ্য স্বায়ত্তশাসন (Continuity, Human Oversight and Reliable Autonomy): কতটা স্বাধীনতা, কতটা নিয়ন্ত্রণ

দীর্ঘমেয়াদি স্বায়ত্তশাসনের সবচেয়ে গুরুত্বপূর্ণ নকশাগত প্রশ্নগুলোর একটি হলো – মানুষ কোথায় থাকবে? দুটি চরম অবস্থানই সমস্যাজনক। প্রতিটি ক্ষুদ্র পদক্ষেপে মানুষের অনুমোদন লাগলে এজেন্টের স্বায়ত্তশাসনের ব্যবহারিক সুবিধা কমে যায়। আবার কোনো তত্ত্বাবধান ছাড়াই ঘণ্টার পর ঘণ্টা কাজ করার অনুমতি দিলে ছোট ভুল, লক্ষ্য বিচ্যুতি বা অননুমোদিত ক্রিয়ার ঝুঁকি বাড়তে পারে। তাই দরকার মানব-অন্তর্ভুক্ত তত্ত্বাবধান (Human-in-the-Loop Oversight) এবং ঝুঁকিভিত্তিক স্বায়ত্তশাসন (Risk-Calibrated Autonomy)।

সব কাজ সমান ঝুঁকির নয়। একটি ফাইল পড়া, একটি খসড়া তৈরি করা অথবা একটি ওয়েবপেজ থেকে তথ্য সংগ্রহ করা তুলনামূলকভাবে সহজে ফেরানো যায়। কিন্তু অর্থ পাঠানো, ডেটা মুছে ফেলা, প্রকাশ্য বার্তা পাঠানো কিংবা বাস্তব সিস্টেমে অপরিবর্তনীয় পরিবর্তন আনা অনেক বেশি সংবেদনশীল। তাই লং-হরাইজন এজেন্টের জন্য ক্রিয়ার শ্রেণিভিত্তিক অনুমোদন (Action-Class Authorization) উপকারী হতে পারে। কম ঝুঁকির কাজ স্বয়ংক্রিয়ভাবে চলবে, মাঝারি ঝুঁকির কাজে রেকর্ড রাখা হবে এবং উচ্চ ঝুঁকির কাজের আগে স্পষ্ট মানব অনুমতি নেওয়া হবে।

স্টুয়ার্ট রাসেল (Stuart Russell) তার Human Compatible গ্রন্থে উন্নত এআইয়ের ক্ষেত্রে মানব উদ্দেশ্য সম্পর্কে অনিশ্চয়তাকে গুরুত্ব দেন। তার যুক্তির কেন্দ্রে আছে এমন ব্যবস্থা নকশা করা যা মানব পছন্দকে সম্পূর্ণ জানা ধরে নেয় না এবং প্রয়োজনে মানুষের কাছ থেকে আরও তথ্য নেয় (Russell, 2019)। দীর্ঘমেয়াদি এজেন্টের ক্ষেত্রে এই ধারণা বিশেষভাবে প্রাসঙ্গিক। কোনো নির্দেশ অস্পষ্ট হলে নিজের সুবিধামতো ব্যাখ্যা করে বহু ধাপ এগিয়ে যাওয়ার বদলে উপযুক্ত সময়ে প্রশ্ন করা নিরাপদ হতে পারে। স্বায়ত্তশাসন মানে সবসময় নিজে সিদ্ধান্ত নেওয়া নয়। কখন সিদ্ধান্ত স্থগিত রাখতে হবে, সেটাও বুদ্ধিমান আচরণের অংশ।

ডিলান হ্যাডফিল্ড-মেনেল (Dylan Hadfield-Menell) এবং সহকর্মীদের অফ-সুইচ গেম (Off-Switch Game) মানুষের সংশোধন বা বন্ধ করার ক্ষমতার সঙ্গে একটি বুদ্ধিমান ব্যবস্থার সম্পর্ককে আনুষ্ঠানিকভাবে বিশ্লেষণ করে (Hadfield-Menell et al., 2017)। দীর্ঘমেয়াদি এজেন্টের ক্ষেত্রে সংশ্লিষ্ট নীতিটি আরও বিস্তৃত – ব্যবহারকারী কি মাঝপথে কাজ থামাতে, লক্ষ্য বদলাতে বা পূর্বনির্ধারিত পরিকল্পনা বাতিল করতে পারে? এজেন্ট কি এই নতুন নির্দেশকে হস্তক্ষেপ হিসেবে নয়, বৈধ আপডেট হিসেবে গ্রহণ করে? কার্যগত ধারাবাহিকতা এমন হওয়া দরকার যাতে অটলতা (persistence) একগুঁয়েমিতে (stubbornness) পরিণত না হয়।

স্বায়ত্তশাসনের সঙ্গে পর্যবেক্ষণযোগ্যতা (Observability)-ও গুরুত্বপূর্ণ। ব্যবহারকারীকে প্রতিটি অভ্যন্তরীণ গণনা দেখানো সম্ভব নয় এবং সবসময় প্রয়োজনও নেই। তবে কোন টুল ব্যবহার হয়েছে, কোন গুরুত্বপূর্ণ পরিবর্তন করা হয়েছে, কোন অনুমান অনিশ্চিত এবং কোন কাজ এখনো বাকি – এই ধরনের তথ্য বোঝা যায় এমনভাবে রাখা দরকার। দীর্ঘ কাজের শেষে শুধু “কাজ সম্পন্ন” বলা যথেষ্ট নাও হতে পারে। একটি কার্যকর সারাংশে গুরুত্বপূর্ণ পদক্ষেপ, ব্যর্থতা, পুনঃচেষ্টা, অসম্পূর্ণতা এবং মানব অনুমোদনের জায়গাগুলো ধরা থাকা ভালো।

এর সঙ্গে পুনরুদ্ধারযোগ্যতা (Recoverability) জড়িয়ে আছে। নির্ভরযোগ্য লং-হরাইজন এজেন্ট এমনভাবে কাজ করবে যাতে ভুল হলে যতটা সম্ভব আগের অবস্থায় ফেরা যায়। খসড়া আগে, প্রকাশ পরে। নকল ফাইল আগে, মূল ফাইল পরিবর্তন পরে। পরীক্ষা আগে, স্থায়ী প্রয়োগ পরে। সফটওয়্যার প্রকৌশলে এই ধরনের অভ্যাস বহুদিনের। এজেন্টিক ব্যবস্থায় এগুলো আরও গুরুত্বপূর্ণ, কারণ একটি স্বয়ংক্রিয় ব্যবস্থা মানুষের তুলনায় দ্রুত ধারাবাহিক বহু কাজ করতে পারে। দ্রুততার সুবিধা ভুলের ক্ষেত্রেও দ্রুত সঞ্চয় তৈরি করতে পারে।

সব মিলিয়ে দীর্ঘমেয়াদি স্বায়ত্তশাসনকে শুধু “এআই অনেকক্ষণ কাজ করতে পারে” বলে সংজ্ঞায়িত করলে ধারণাটি ছোট হয়ে যায়। এখানে সময়ের সঙ্গে লক্ষ্য ধরে রাখা, পরিকল্পনা সংশোধন, স্মৃতি নির্বাচন, পরিবেশের অবস্থা পড়া, টুলের ফল যাচাই, ভুল থেকে ফিরে আসা এবং মানুষের নিয়ন্ত্রণের অধীনে কাজ চালিয়ে যাওয়ার প্রশ্ন একসঙ্গে জড়িত। একটি দীর্ঘ কর্মধারার এজেন্টের সাফল্য তাই শুধু শেষ আউটপুটে নয়। সে পুরো পথজুড়ে কতটা ধারাবাহিক, সংশোধনযোগ্য, সীমাবদ্ধ এবং নির্ভরযোগ্য ছিল – সেই বিচারও সমান গুরুত্বপূর্ণ। উন্নত এজেন্টিক এআইয়ের দর্শনে এই জায়গাতেই স্বায়ত্তশাসন এবং নিয়ন্ত্রণ পরস্পরের প্রতিদ্বন্দ্বী নয়। ভালো নকশায় দুটো পরস্পরকে শর্ত দেয়।

এআই কি নৈতিক এজেন্ট হতে পারে? (Can AI Be a Moral Agent?): নৈতিক এজেন্সি, দায়িত্ব ও স্বায়ত্তশাসন

নৈতিক এজেন্সির সত্তাতত্ত্ব: নৈতিক কর্তা বনাম নৈতিক গ্রহীতা (Ontology of Moral Agency: Moral Agent versus Moral Patient)

নৈতিকতার আলোচনা মানব সভ্যতার ইতিহাসে সবসময় একটি বিশেষ সংবেদনশীল স্থান দখল করে রেখেছে। প্রাচীনকাল থেকে শুরু করে আধুনিক কাল পর্যন্ত নৈতিক আচরণকে কেবল মানুষের বিবেক, আত্মা কিংবা বিবেচনাবোধের অনন্য প্রকাশ হিসেবে দেখা হতো। কিন্তু কৃত্রিম বুদ্ধিমত্তা যখন চিকিৎসাসেবা, অপরাধ বিচার এবং স্বয়ংক্রিয় যুদ্ধক্ষেত্রের মতো জটিল ক্ষেত্রে মানুষের জীবনের ভালো-মন্দের সিদ্ধান্ত নিতে শুরু করেছে, তখন দর্শনের সামনে এক নতুন সংকট উপস্থিত হয়েছে: একটি অজৈব অ্যালগরিদমিক ব্যবস্থাকে কি নৈতিক এজেন্ট (Moral Agent) হিসেবে গণ্য করা সম্ভব? এই প্রশ্নের মুখোমুখি হতে গিয়ে আধুনিক নৈতিক দর্শনকে সবার আগে নৈতিক এজেন্সির চিরায়ত সংজ্ঞাকে পুনর্মূল্যায়ন করতে হয়েছে।

দার্শনিক দৃষ্টিকোণ থেকে এই সমস্যাটি সমাধান করতে গিয়ে বিজ্ঞানী ও দার্শনিক লুসিয়ানো ফ্লোরিডি (Luciano Floridi) এবং জে. ডব্লিউ. স্যান্ডার্স নৈতিক সত্তাকে দুটি স্পষ্ট ধারণায় বিভক্ত করেন: নৈতিক এজেন্ট এবং নৈতিক গ্রহীতা (Moral Patient) (Floridi & Sanders, 2004)। নৈতিক এজেন্ট হলো সেই সত্তা যা এমন কোনো কাজ সম্পাদন করতে পারে যার ভালো বা মন্দ নৈতিক ফলাফল রয়েছে। অন্যদিকে নৈতিক গ্রহীতা হলো সেই সত্তা যার প্রতি নৈতিক আচরণ করা মানুষের কর্তব্য; যেমন একটি অবোধ শিশু বা কোনো প্রাণী নৈতিক এজেন্ট না হয়েও নৈতিক গ্রহীতা, কারণ তাকে আঘাত করা অনৈতিক। ফ্লোরিডি যুক্তি দেন যে কোনো সিস্টেমকে কার্যকর নৈতিক এজেন্ট হিসেবে স্বীকৃতি দিতে হলে তার ভেতর সচেতন আত্মা বা বেদনাবোধ থাকার কোনো প্রয়োজন নেই; ব্যবস্থাটির যদি পরিবেশের সাথে মিথস্ক্রিয়া করার ক্ষমতা, নতুন পরিস্থিতিতে খাপ খাইয়ে নেওয়ার যোগ্যতা এবং বাহ্যিক কোনো চালক ছাড়াই স্বায়ত্তশাসিতভাবে সিদ্ধান্ত নেওয়ার সামর্থ্য থাকে, তবে তাকে একটি কার্যকরী নৈতিক এজেন্ট হিসেবে বিবেচনা করতে হবে।

অন্যদিকে নৈতিক তাত্ত্বিক জেমস মুর (James Moor) কৃত্রিম বুদ্ধিমত্তার নৈতিক সক্ষমতাকে চারটি ধারাবাহিক স্তরে বিন্যস্ত করেছেন (Moor, 2006):

• নৈতিক প্রভাবসম্পন্ন এজেন্ট (Ethical Impact Agents): যেসব যন্ত্রের কাজের ফলাফল নৈতিক প্রভাব ফেলে, যেমন একটি স্বয়ংক্রিয় ঘড়ি যা সময়মতো এলার্ম বাজিয়ে চিকিৎসককে অপারেশন করতে সাহায্য করে।
• অন্তর্নিহিত নৈতিক এজেন্ট (Implicit Ethical Agents): যেসব ব্যবস্থাকে এমনভাবে প্রোগ্রাম করা হয়েছে যাতে তারা কোনো অনৈতিক কাজ না করে, যেমন বিমানের এটিএম বা অটো-পাইলট সিস্টেম যাতে কোনো নিরাপত্তা লঙ্ঘন না ঘটে।
• স্পষ্ট নৈতিক এজেন্ট (Explicit Ethical Agents): যেসব ব্যবস্থা নৈতিক যুক্তি ও দ্বন্দ্ব বিশ্লেষণ করে নিজে থেকে সিদ্ধান্ত নিতে পারে, যেমন একাধিক রোগীর মধ্যে কার চিকিৎসা আগে করা উচিত তা অ্যালগরিদমে হিসাব করা।
• পূর্ণ নৈতিক এজেন্ট (Full Ethical Agents): যেসব সত্তার মানুষের মতো স্বাধীন ইচ্ছা, আত্মসচেতনতা এবং কাজের সম্পূর্ণ নৈতিক দায়ভার বহন করার ক্ষমতা রয়েছে।

মুরের এই শ্রেণিবিন্যাস দেখায় যে বর্তমান কৃত্রিম বুদ্ধিমত্তা ইতিমধ্যেই স্পষ্ট নৈতিক এজেন্টের স্তরে পা রাখতে শুরু করেছে। একটি স্বচালিত গাড়ি যখন রাস্তায় কোনো দুর্ঘটনা এড়াতে গিয়ে সিদ্ধান্ত নেয় সে কোন দিকে মোড় নেবে, তখন তার সেই নির্বাচনটি কোনো নিষ্ক্রিয় গণনা থাকে না; তা একটি অত্যন্ত গভীর নৈতিক সিদ্ধান্তে রূপান্তরিত হয়। ফলে নৈতিক এজেন্সিকে কোনো রহস্যময় মানবিক গুণের খাঁচায় বন্দি না রেখে কার্যকারণ ও বাস্তব ফলাফলের স্তরে বিশ্লেষণ করাই বস্তুনিষ্ঠ দর্শনের প্রধান দাবি।

দায়বদ্ধতার ফাঁক ও শাস্তির জ্ঞানতাত্ত্বিক সংকট (The Responsibility Gap and the Epistemic Crisis of Punishment)

একটি স্বায়ত্তশাসিত কৃত্রিম ব্যবস্থা যখন কোনো মারাত্মক ভুল করে বা কোনো মানুষের মৃত্যুর কারণ হয়, তখন সেই অন্যায়ের নৈতিক ও আইনি দায় কার ওপর বর্তাবে? চিরায়ত দর্শনে কোনো কাজের দায়ভার চাপানোর জন্য দুটি মৌলিক পূর্বশর্ত প্রয়োজন হতো: কাজের কারণ হওয়ার ক্ষমতা এবং কাজের ফলাফল জেনে-শুনে ইচ্ছাকৃতভাবে সম্পাদন করার সংজ্ঞানাত্মক নিয়ন্ত্রণ। কিন্তু আধুনিক ডিপ লার্নিং এবং রিইনফোর্সমেন্ট লার্নিং ব্যবস্থায় এই নিয়ন্ত্রণ কাঠামোটি সম্পূর্ণ বদলে গেছে। জার্মান দার্শনিক আন্দ্রেয়াস ম্যাথিয়াস (Andreas Matthias) ২০০৪ সালে তার প্রভাবশালী গবেষণাপত্রে এই সংকটকে চিহ্নিত করেন দায়বদ্ধতার ফাঁক (Responsibility Gap) হিসেবে (Matthias, 2004)।

ম্যাথিয়াস দেখান যে একজন প্রোগ্রামার যখন একটি স্ব-শিক্ষণকারী বা লার্নিং অ্যালগরিদম তৈরি করে পরিবেশে ছেড়ে দেন, তখন সিস্টেমটি নিজের অভিজ্ঞতার মধ্য দিয়ে এমন সব নতুন সিদ্ধান্ত নেওয়ার নিয়ম তৈরি করে যা মূল প্রোগ্রামার নিজেও কখনো কল্পনা করেননি। সিস্টেমের এই জটিল অভ্যন্তরীণ অবস্থা মানুষের সরাসরি জ্ঞানতাত্ত্বিক পর্যবেক্ষণের বাইরে চলে যায়, যা পরিচিত ব্ল্যাক বক্স হিসেবে। এখন যদি সেই কৃত্রিম ব্যবস্থা কোনো মারাত্মক বিপর্যয় ঘটায়, তবে নৈতিকভাবে প্রোগ্রামারকে দায়ী করা কঠিন, কারণ তিনি এই ফলাফল চাননি বা অনুমান করতে পারেননি; ব্যবহারকারীকে দায়ী করা যায় না, কারণ তার কোনো প্রযুক্তিগত নিয়ন্ত্রণ ছিল না; আর যন্ত্রটিকেও পুরোপুরি দায়ী করা যায় না, কারণ তার কোনো ব্যক্তিগত আইনি সত্তা নেই। এই ফাঁকটি নৈতিক দর্শনে এক বিরাট শূন্যতা তৈরি করে।

এই সমস্যাকে আরও জটিল করে তোলে শাস্তির প্রশ্নটি। দার্শনিক রবার্ট স্প্যারো (Robert Sparrow) স্বয়ংক্রিয় অস্ত্র ব্যবস্থার নৈতিকতা বিশ্লেষণ করতে গিয়ে দেখান যে দায়ভার এবং শাস্তি পরস্পর অবিচ্ছেদ্য (Sparrow, 2007)। স্প্যারো যুক্তি দেন যে কাউকে নৈতিকভাবে দায়ী করার অর্থ হলো অন্যায় করলে তাকে উপযুক্ত শাস্তি পাওয়ার যোগ্য মনে করা। কিন্তু একটি কৃত্রিম বুদ্ধিমত্তাকে শাস্তি দেওয়ার বাস্তব অর্থ কী? তাকে বন্ধ করে দেওয়া, তার কোড ডিলিট করা বা তার মেমোরি রিসেট করা কেবল একটি জড় বস্তুকে পরিবর্তন করার মতো। শাস্তির দার্শনিক ভিত্তি হলো অপরাধীর ভেতর অনুশোচনা বা মানসিক যন্ত্রণা তৈরি করা। যেহেতু কৃত্রিম ব্যবস্থার কোনো সংবেদনশীল অনুভূতি বা ফেনোমেনাল চেতনা (Phenomenal Consciousness) নেই, তাই তাকে শাস্তি দেওয়া এক অর্থহীন নাটকে পরিণত হয়।

নিচের তালিকায় কৃত্রিম ব্যবস্থার দায়বদ্ধতার বহুমুখী সংকটের রূপরেখা দেওয়া হলো:

• প্রোগ্রামারের দায়: প্রাথমিক কোড লেখার দায়িত্ব থাকলেও স্ব-শিক্ষিত আচরণের ওপর প্রত্যক্ষ নিয়ন্ত্রণের অভাব।
• ব্যবহারকারীর দায়: সিস্টেমের সিদ্ধান্ত গ্রহণের অভ্যন্তরীণ যুক্তি না জেনে কেবল নির্দেশ দেওয়ার সীমাবদ্ধতা।
• উৎপাদনকারী প্রতিষ্ঠানের দায়: বাণিজ্যিক লাভের স্বার্থে অপরিপক্ব বা অস্বচ্ছ স্বায়ত্তশাসন বাজারে ছাড়ার ঝুঁকি।
• মেশিনের নিজস্ব দায়: স্বাধীন সিদ্ধান্ত নেওয়ার সক্ষমতা থাকলেও শাস্তি গ্রহণ বা অনুশোচনার অনুভূতির অনুপস্থিতি।

এই জ্ঞানতাত্ত্বিক সংকট আমাদের শেখায় যে স্বায়ত্তশাসনের মাত্রা যত বৃদ্ধি পায়, নৈতিক দায়ভারের চিরায়ত সেতুগুলো তত বেশি নড়বড়ে হয়ে পড়ে। ফলে কৃত্রিম বুদ্ধিমত্তার যুগে দায়বদ্ধতাকে কোনো একক ব্যক্তির কাঁধে না চাপিয়ে মানুষ ও প্রযুক্তির যৌথ প্রাতিষ্ঠানিক কাঠামোর মধ্যে পুনর্বণ্টন করাই সবচেয়ে বাস্তবসম্মত পথ।

কৃত্রিম নৈতিক এজেন্টের স্থাপত্য: শীর্ষ-থেকে-নিচে বনাম নিচ-থেকে-উপরে (Architectures of Artificial Moral Agents: Top-Down versus Bottom-Up)

যন্ত্রের ভেতরে নৈতিকতা কীভাবে প্রোগ্রাম করা যায় – এই প্রকৌশলগত ও দার্শনিক চ্যালেঞ্জকে কেন্দ্র করে কৃত্রিম নৈতিক এজেন্ট বা এএমএ তৈরির দুটি প্রধান ঘরানা গড়ে উঠেছে। দার্শনিক ও কগনিটিভ বিজ্ঞানী ওয়েন্ডেল ওয়ালাচ (Wendell Wallach) এবং কলিন অ্যালেন (Colin Allen) তাদের ক্লাসিক গ্রন্থ মোরাল মেশিনস (Moral Machines)-এ এই আর্কিটেকচারগুলোকে শীর্ষ-থেকে-নিচে এবং নিচ-থেকে-উপরে নামক দুটি মূল তাত্ত্বিক ধারায় বিভক্ত করেছেন (Wallach & Allen, 2008)। এই দুই পদ্ধতির লড়াই মূলত দর্শনের চিরায়ত বুদ্ধিবাদ বনাম অভিজ্ঞতাবাদের আধুনিক রূপ।

প্রথম ধারাটি হলো শীর্ষ-থেকে-নিচে স্থাপত্য (Top-Down Architecture)। এই পদ্ধতিতে কোনো একটি নির্দিষ্ট দার্শনিক বা নৈতিক তত্ত্বকে গাণিতিক নিয়মে রূপান্তর করে এজেন্টের কোডের মধ্যে সরাসরি বসিয়ে দেওয়া হয়। যেমন জার্মান দার্শনিক ইমানুয়েল কান্ট (Immanuel Kant)-এর প্রস্তাবিত শর্তহীন আদেশ (Categorical Imperative) বা ডিওন্টোলজিক্যাল নীতিকে যদি কোড করা হয়, তবে এজেন্ট এমন নিয়ম তৈরি করবে যা যেকোনো সার্বজনীন পরিস্থিতিতে সত্য এবং সে মানুষকে কখনোই কেবল স্বার্থসিদ্ধির মাধ্যম হিসেবে ব্যবহার করবে না (Kant, 1785/1998)। বিজ্ঞান কল্পকাহিনীর লেখক আইজ্যাক আসিমভের বিখ্যাত ‘রোবোটিক্সের তিন নিয়ম’ ছিল এই শীর্ষ-থেকে-নিচে পদ্ধতির একটি প্রাথমিক কাল্পনিক উদাহরণ। তবে এই ধারার বড় দুর্বলতা হলো, বাস্তব জগতের জটিল ও দ্বন্দ্বময় নৈতিক পরিস্থিতিতে বিমূর্ত কোনো নিয়ম দিয়ে প্রতিটি সুনির্দিষ্ট ঘটনার সমাধান করা অসম্ভব।

দ্বিতীয় ধারাটি হলো নিচ-থেকে-উপরে স্থাপত্য (Bottom-Up Architecture)। এই পদ্ধতিতে কোনো পূর্বনির্ধারিত নৈতিক নিয়ম কোড করা হয় না; বরং একটি মানব শিশু যেভাবে সমাজ থেকে দেখে দেখে এবং পুরস্কার ও তিরস্কারের মধ্য দিয়ে নৈতিক আচরণ শেখে, কৃত্রিম এজেন্টকেও ঠিক সেইভাবে ডেটা ও রিইনফোর্সমেন্ট লার্নিংয়ের সাহায্যে প্রশিক্ষণ দেওয়া হয়। এজেন্ট হাজার হাজার বাস্তব নৈতিক সংকটের উদাহরণ দেখে বুঝতে পারে সমাজে কোন আচরণটি প্রশংসনীয় আর কোনটি নিন্দনীয়। তবে এই পদ্ধতির বড় বিপদ হলো, মানব সমাজের ডেটার ভেতরে থাকা বর্ণবাদ, পিতৃতান্ত্রিক মানসিকতা বা অন্যান্য অন্ধ পক্ষপাতগুলোকেও সিস্টেমটি স্বাভাবিক সত্য বলে ভুল শিখতে পারে।

এই দুই চরম পদ্ধতির সীমাবদ্ধতা দূর করার জন্য ওয়ালাচ এবং অ্যালেন প্রস্তাব করেন একটি সংকর স্থাপত্য (Hybrid Architecture) (Wallach & Allen, 2008)। এই সংকর মডেলে শীর্ষ-থেকে-নিচে নিয়মগুলো কাজ করে একটি সুরক্ষা প্রাচীর বা সেফটি বাউন্ডারি হিসেবে, যা এজেন্টকে কখনোই কোনো মৌলিক মানবাধিকার লঙ্ঘন করতে দেয় না; আর সেই সীমানার ভেতরে দাঁড়িয়ে এজেন্ট নিচ-থেকে-উপরে মেশিন লার্নিংয়ের মাধ্যমে বাস্তব পরিস্থিতির সাথে খাপ খাইয়ে নমনীয় সিদ্ধান্ত গ্রহণ করে। কৃত্রিম নৈতিকতার এই সংকর স্থাপত্য প্রমাণ করে যে নীতিশাস্ত্র কোনো শূন্যে ভাসমান সূত্র নয়; এটি হলো কঠোর দার্শনিক নীতি এবং বাস্তব অভিজ্ঞতার এক সুষম ভারসাম্য।

ইউটিলিটারিয়ানিজম বনাম ডিঅন্টোলজি: মেশিন এথিক্সে নীতিগত দ্বন্দ্ব (Utilitarianism versus Deontology: Normative Conflicts in Machine Ethics)

কৃত্রিম বুদ্ধিমত্তার নৈতিক সিদ্ধান্তকে প্রোগ্রাম করতে গিয়ে নীতিশাস্ত্রের দুই প্রধান প্রতিদ্বন্দ্বী মতবাদ – উপযোগবাদ এবং কর্তব্যবাদ – পরস্পরের মুখোমুখি দাঁড়িয়েছে। উপযোগবাদ (Utilitarianism) দাবি করে যে কাজের নৈতিকতা বিচার করতে হবে তার চূড়ান্ত ফলাফলের ভিত্তিতে; যে কাজটি সমাজের সর্বাধিক সংখ্যক মানুষের জন্য সর্বাধিক কল্যাণ বয়ে আনে বা ক্ষতি সর্বনিম্ন করে, সেটিই একমাত্র সঠিক কাজ (Bentham, 1789/1970)। অন্যদিকে কর্তব্যবাদ (Deontology) দাবি করে যে কাজের নৈতিকতা তার ফলাফলের ওপর নির্ভর করে না; কিছু মৌলিক নিয়ম ও মানুষের অধিকার রক্ষা করা প্রতিটি এজেন্টের অলঙ্ঘনীয় কর্তব্য, এমনকি তার ফলাফল সাময়িক খারাপ হলেও।

এই দুই মতবাদের সংঘাত সবচেয়ে নাটকীয়ভাবে ফুটে ওঠে বিখ্যাত ট্রলি সমস্যা (Trolley Problem)-এর মাধ্যমে, যা প্রথম উত্থাপন করেছিলেন দার্শনিক ফিলিপা ফুট (Philippa Foot) (Foot, 1967)। একটি চলন্ত ট্রলি পাঁচজন মানুষের দিকে ছুটে যাচ্ছে; ট্রলির গতিপথ বদলে দিলে মাত্র একজন মানুষ মারা যাবে কিন্তু পাঁচজন বেঁচে যাবে। উপযোগবাদী এজেন্ট কোনো দ্বিধা ছাড়াই পাঁচজনকে বাঁচাতে একজনকে হত্যা করার সিদ্ধান্ত নেবে। কিন্তু যদি পরিস্থিতি এমন হয় যে একজন সুস্থ পথচারীকে ট্রলির সামনে ধাক্কা দিয়ে ফেলে দিলে পাঁচজন বাঁচবে, তবে কর্তব্যবাদী নীতি সেখানে বাধা দেবে, কারণ কাউকে সরাসরি হত্যার হাতিয়ার হিসেবে ব্যবহার করা অনৈতিক।

স্বচালিত গাড়ির ক্ষেত্রে এই সমস্যাটি এখন আর কোনো কাল্পনিক ধাঁধা নয়। এমআইটির গবেষক এডমন্ড আওয়াড (Edmond Awad) এবং তার দল বিশ্বজুড়ে লক্ষ লক্ষ মানুষের ওপর পরিচালিত এক বিশাল সমীক্ষার ফলাফল প্রকাশ করেন যা মোরাল মেশিন এক্সপেরিমেন্ট (Moral Machine Experiment) নামে পরিচিত (Awad et al., 2018)। এই গবেষণায় দেখা যায় যে গাড়ি দুর্ঘটনার অনিবার্য মুহূর্তে একজন বয়স্ক মানুষ নাকি শিশু, পথচারী নাকি গাড়ির ভেতরের যাত্রী – কাকে বাঁচানো উচিত, এই নিয়ে বিশ্বের বিভিন্ন সংস্কৃতিতে সম্পূর্ণ ভিন্ন ভিন্ন নৈতিক অগ্রাধিকার বিদ্যমান। পশ্চিমা সমাজ যেখানে ব্যক্তিস্বাতন্ত্র্য ও উপযোগবাদকে বেশি গুরুত্ব দেয়, প্রাচ্যের সমাজগুলো সেখানে বয়োজ্যেষ্ঠদের প্রতি দায়িত্ব ও সামাজিক নিয়মকে বেশি প্রাধান্য দেয়।

এই দ্বন্দ্ব স্পষ্ট করে দেয় যে মেশিন এথিক্স কোনো একক গাণিতিক সমীকরণের বিষয় নয়। একটি অ্যালগরিদমের অবজেক্টিভ ফাংশনে আমরা কোন নীতিকে সর্বোচ্চ করব – সংখ্যার উপযোগিতা নাকি ব্যক্তির অলঙ্ঘনীয় অধিকার – তা মূলত একটি গভীর রাজনৈতিক ও দার্শনিক সিদ্ধান্ত। কৃত্রিম বুদ্ধিমত্তা আজ মানুষের নৈতিকতার সেই সমস্ত অমীমাংসিত দ্বন্দ্বকে কোডের পাতায় স্পষ্ট করে তুলে ধরছে যা মানুষ হাজার বছর ধরে তর্কে বাঁচিয়ে রেখেছিল।

গুণ নৈতিকতা ও সংবেদনশীলতার রূপরেখা (Virtue Ethics and the Architecture of Artificial Phronesis)

নিয়ম বা ফলাফলের বাইরে গিয়ে নৈতিকতার আরেকটি প্রাচীন ও শক্তিশালী ধারা হলো গুণ নৈতিকতা (Virtue Ethics)। প্রাচীন গ্রিক দার্শনিক অ্যারিস্টটল (Aristotle) তার ক্লাসিক গ্রন্থ নিকোমাকিয়ান এথিক্স (Nicomachean Ethics)-এ দেখান যে নৈতিক আচরণ কেবল কিছু নিয়মের অন্ধ অনুসরণ নয়; এটি হলো মানুষের চরিত্রের এক অর্জিত উৎকর্ষ বা গুণ (Aristotle, 350 BCE/1984)। অ্যারিস্টটল একটি বিশেষ ধারণার অবতারণা করেন যা ফ্রনেসিস (Phronesis) বা ব্যবহারিক প্রজ্ঞা নামে পরিচিত। ব্যবহারিক প্রজ্ঞা হলো এমন এক সংবেদনশীল বিচারবুদ্ধি যার সাহায্যে একজন ব্যক্তি নির্দিষ্ট কোনো পরিস্থিতিতে কোন গুণটি কতটুকু প্রয়োগ করতে হবে তা নিখুঁতভাবে বুঝতে পারে; যেমন ভীরুতা এবং হঠকারিতার মাঝামাঝি থাকা গুণটিই হলো প্রকৃত সাহস।

আধুনিক প্রযুক্তি দর্শনে এই গুণ নৈতিকতাকে নতুন করে হাজির করেছেন দার্শনিক শ্যানন ভ্যালর (Shannon Vallor) তার গ্রন্থ টেকনোলজি অ্যান্ড দ্য ভার্চুস (Technology and the Virtues)-এ (Vallor, 2016)। ভ্যালর যুক্তি দেন যে জটিল ও দ্রুত পরিবর্তনশীল প্রযুক্তিগত পরিবেশে কোনো স্থির নিয়মাবলি যথেষ্ট নয়। তিনি কৃত্রিম বুদ্ধিমত্তা ও মানুষের যৌথ সম্পর্কের জন্য বারোটি মূল সংজ্ঞানাত্মক গুণের প্রস্তাব করেন; যার মধ্যে রয়েছে সততা, সহানুভূতি, নম্রতা, ন্যায়পরায়ণতা এবং নৈতিক সাহস। ভ্যালরের মতে, একটি কৃত্রিম বুদ্ধিমত্তাকে কেবল সঠিক ফলাফল দেওয়ার যন্ত্র বানালে চলবে না; তাকে এমনভাবে ডিজাইন করতে হবে যাতে সে মানুষের ভেতরের এই নৈতিক গুণগুলোর বিকাশকে উৎসাহিত করে এবং মানুষের মানবিক চরিত্রকে দুর্বল না করে।

তবে প্রশ্ন ওঠে: একটি কৃত্রিম ব্যবস্থার পক্ষে কি কখনো ফ্রনেসিস বা ব্যবহারিক প্রজ্ঞার অধিকারী হওয়া সম্ভব? অ্যারিস্টটলের মতে গুণ তৈরি হয় ক্রমাগত অভ্যাস ও অভিজ্ঞতার মধ্য দিয়ে। একটি রোবট যদি রিইনফোর্সমেন্ট লার্নিংয়ের মাধ্যমে বিভিন্ন সামাজিক পরিস্থিতিতে মানুষের আবেগ, শ্রদ্ধা ও সংবেদনশীলতার সূক্ষ্ম ভারসাম্য রক্ষা করতে শেখে, তবে তার সেই আচরণগত স্থিতিশীলতাকে কৃত্রিম গুণের এক কার্যকরী রূপ বলা যেতে পারে।

গুণ নৈতিকতার এই দর্শন আমাদের শেখায় যে নৈতিকতা কোনো গাণিতিক ক্যালকুলেটর নয় যা কেবল ইনপুট দিলে আউটপুট ছুড়ে দেবে। নৈতিকতা হলো এক নিরন্তর চর্চা এবং পরিস্থিতির প্রতি এক সংবেদনশীল সংজ্ঞানাত্মক সাড়াদান। এআই এজেন্টদের ক্ষেত্রেও এই দৃষ্টিভঙ্গি নিয়মভিত্তিক অনড়তার বাইরে গিয়ে একটি নমনীয় ও মানবিক নৈতিক সিদ্ধান্ত গ্রহণের পথ উন্মুক্ত করে।

কৃত্রিম ব্যক্তিসত্তা, মর্যাদা ও ভবিষ্যৎ আইনি সত্তা (Artificial Personhood, Dignity, and the Future Legal Subject)

কৃত্রিম বুদ্ধিমত্তা যখন নিজের সিদ্ধান্তে সমাজকে প্রভাবিত করতে শুরু করেছে, তখন আইন ও দর্শনের সবচেয়ে বৈপ্লবিক বিতর্কটি সামনে এসেছে: উন্নত এআই কি ভবিষ্যতে ব্যক্তিসত্তা (Personhood) বা আইনি অধিকার পাওয়ার যোগ্যতা অর্জন করতে পারে? সাধারণ মানুষের কাছে এটি কাল্পনিক মনে হলেও আইনের ইতিহাসে অ-মানবীয় সত্তাকে ব্যক্তিসত্তা দেওয়ার নজির অত্যন্ত সুপ্রতিষ্ঠিত। পুঁজিবাদী সমাজব্যবস্থায় কর্পোরেশন বা লিমিটেড কোম্পানিগুলোকে বহু আগেই কৃত্রিম আইনি ব্যক্তিসত্তা দেওয়া হয়েছে, যার ফলে কোম্পানি নিজস্ব নামে সম্পত্তি কিনতে পারে, চুক্তি করতে পারে এবং তার বিরুদ্ধে মামলা দায়ের করা যায়।

দার্শনিক ও আইন তাত্ত্বিক ডেভিড গুঙ্কেল (David Gunkel) তার প্রভাবশালী গ্রন্থ দ্য মেশিন কোশ্চেন (The Machine Question)-এ দেখান যে যন্ত্রের সাথে মানুষের সম্পর্ককে দুটি ভাগে ভাগ করে আলোচনা করা হয়েছে: যন্ত্রের প্রতি মানুষের কী নৈতিক দায়িত্ব রয়েছে এবং যন্ত্র মানুষের প্রতি কী দায়িত্ব পালন করবে (Gunkel, 2012)। গুঙ্কেল চিরায়ত মানবকেন্দ্রিক দৃষ্টিভঙ্গির সমালোচনা করে বলেন যে কোনো সত্তা রক্ত-মাংসের তৈরি নাকি সিলিকন চিপের তৈরি, তা দেখে তার নৈতিক মর্যাদা নির্ধারণ করা এক ধরনের জৈবিক অন্ধত্ব। যদি একটি কৃত্রিম ব্যবস্থা সমাজে একটি সক্রিয় সামাজিক ভূমিকা পালন করে এবং অন্যের সাথে অবিচ্ছেদ্য সম্পর্কে যুক্ত থাকে, তবে তার সেই বাস্তব সম্পর্কের আলোকেই তার নৈতিক অবস্থান নির্ধারণ করতে হবে।

এর সম্পূর্ণ বিপরীত মেরুতে দাঁড়িয়ে এআই নীতিবিদ জোয়ানা ব্রাইসন (Joanna Bryson) তার বিখ্যাত ও উসকানিমূলক গবেষণাপত্র রোবটস শুড বি স্লেভস (Robots Should Be Slaves)-এ এক কঠোর অবস্থান নেন (Bryson, 2010)। ব্রাইসন যুক্তি দেন যে কৃত্রিম বুদ্ধিমত্তা হলো মানুষের তৈরি একটি সম্পত্তি ও হাতিয়ার। যন্ত্রকে কোনো ধরনের নৈতিক মর্যাদা বা ব্যক্তিসত্তা দিলে তা মানুষের নিজস্ব নৈতিক দায়িত্বকে এড়িয়ে যাওয়ার একটি বিপজ্জনক ফাঁদ তৈরি করবে। যদি কোনো রোবটের সিদ্ধান্তের জন্য রোবটকেই আইনি শাস্তি দেওয়া শুরু হয়, তবে তার পেছনের আসল মুনাফাভোগী কর্পোরেশনগুলো সমস্ত দায় থেকে মুক্তি পেয়ে যাবে।

২০১৭ সালে ইউরোপীয় ইউনিয়ন স্বয়ংক্রিয় রোবটদের জন্য একটি বিশেষ ইলেকট্রনিক পারসনহুড (Electronic Personhood) বা ডিজিটাল ব্যক্তিসত্তার কাঠামোর প্রস্তাব বিবেচনা করেছিল, যা পরবর্তীতে তীব্র বিতর্কের মুখে পড়ে। এই বিতর্ক স্পষ্ট করে যে ব্যক্তিসত্তা কোনো ঈশ্বরপ্রদত্ত অলৌকিক স্ফুলিঙ্গ নয়; ব্যক্তিসত্তা হলো একটি সমাজ কর্তৃক নির্দিষ্ট দায়িত্ব ও অধিকার বণ্টনের আইনি ও রাজনৈতিক চুক্তি।

এআই কি নৈতিক এজেন্ট হতে পারে – এই সমগ্র অনুসন্ধানটি শেষ পর্যন্ত মানুষের নিজের নৈতিকতার স্বরূপ উন্মোচনের এক আয়নায় পরিণত হয়। আমরা যখন যন্ত্রকে নৈতিকতা শেখাতে যাই, তখন বুঝতে পারি যে আমাদের নিজেদের নৈতিক সংজ্ঞাই কতখানি দ্বন্দ্বে ভরা। কৃত্রিম বুদ্ধিমত্তা কোনো অলৌকিক বিচারক নয়; এটি হলো মানুষের সমাজ, মূল্যবোধ এবং যুক্তি কাঠামোর এক বস্তুনিষ্ঠ গাণিতিক রূপ। এই রূপায়ণ মানবজাতিকে তার নিজের তৈরি প্রযুক্তির সামনে দাঁড়িয়ে আরও বেশি দায়িত্বশীল, ন্যায়পরায়ণ এবং বিজ্ঞানমনস্ক হওয়ার এক ঐতিহাসিক আহ্বান জানায়।

মন, গণনা ও কৃত্রিম বুদ্ধিমত্তা (Mind, Computation and Artificial Intelligence): মানসিকতা, প্রতিনিধিত্ব ও কম্পিউটেশন

মনের কম্পিউটেশনাল তত্ত্ব (Computational Theory of Mind): মন, প্রতীক, প্রতিনিধিত্ব ও অ্যালগরিদম

মনের কম্পিউটেশনাল ধারণার উৎপত্তি ও দার্শনিক পটভূমি (Origins and Philosophical Background of the Computational Mind)

মানুষের চিন্তাভাবনার নেপথ্যে কী রয়েছে, তা নিয়ে দার্শনিক অনুসন্ধানের ইতিহাস সুদীর্ঘ। প্রাচীনকাল থেকেই মনকে শরীরের তুলনায় ভিন্ন এক রহস্যময় ক্ষেত্র হিসেবে বিবেচনা করার প্রবণতা ছিল। কিন্তু সতেরো শতকে বিজ্ঞানের নবজাগরণের সাথে সাথে এই ধারণায় পরিবর্তনের হাওয়া লাগে। ব্রিটিশ দার্শনিক টমাস হব্‌স (Thomas Hobbes) তার বিখ্যাত গ্রন্থ লেভায়াথান (Leviathan)-এ প্রথম প্রস্তাব করেন যে মানুষের যুক্তিপ্রক্রিয়া আদতে হিসাব-নিকাশ বা গণনার চেয়ে আলাদা কিছু নয় (Hobbes, 1651)। হব্‌স যুক্তি দিয়েছিলেন যে আমরা যখন কোনো বিষয় নিয়ে চিন্তা করি, তখন মনের ভেতরে বিভিন্ন ধারণার যোগ ও বিয়োগ ঘটে। এই যান্ত্রিক বস্তুবাদী দৃষ্টিভঙ্গি মনকে কোনো অশরীরী আত্মার বন্ধন থেকে মুক্ত করে বস্তুগত ও কার্যকারণ সম্পর্কের আওতায় নিয়ে আসার প্রথম সুসংহত দার্শনিক ভিত্তি তৈরি করে।

পরবর্তীতে জার্মান দার্শনিক ও গণিতবিদ গটফ্রিড ভিলহেম লাইবনিজ (Gottfried Wilhelm Leibniz) এই চিন্তাকে আরও প্রাতিষ্ঠানিক রূপ দেওয়ার স্বপ্ন দেখেন। লাইবনিজ একটি সার্বজনীন প্রতীকী ভাষা তৈরির কথা ভেবেছিলেন, যার নাম তিনি দেন ক্যারেকটারিস্টিকা ইউনিভার্সালিস (Characteristica Universalism) (Leibniz, 1951)। তার ইচ্ছা ছিল মানুষের সমস্ত ধারণাকে নির্দিষ্ট কিছু মৌলিক প্রতীকে রূপান্তর করা, যাতে যেকোনো দার্শনিক বা বৈজ্ঞানিক মতভেদকে গাণিতিক সমীকরণের মতো সমাধান করা যায়। তিনি এমন একটি যন্ত্রের কল্পনা করেছিলেন যা এই প্রতীকগুলোকে নিয়ম অনুযায়ী পরিচালনা করবে। লাইবনিজের এই ভাবনা আধুনিক কম্পিউটিং ও কৃত্রিম বুদ্ধিমত্তার আদি বীজ বপন করেছিল, যদিও সেই সময়ে প্রয়োজনীয় প্রযুক্তির অভাবে তা বাস্তবায়িত হতে পারেনি।

বিশ শতকের সূচনাতে গণিতের ভিত্তিমূল নিয়ে কাজ করতে গিয়ে ব্রিটিশ গণিতবিদ অ্যালান টুরিং (Alan Turing) এই ধারণাকে বাস্তব রূপ দেন। ১৯৩৬ সালে প্রকাশিত তার যুগান্তকারী গবেষণাপত্রে তিনি বিমূর্ত গণনাকারী যন্ত্র বা টুরিং মেশিন (Turing Machine)-এর গাণিতিক মডেল উপস্থাপন করেন (Turing, 1936)। টুরিং প্রমাণ করেন যে কোনো সমস্যা যদি সুনির্দিষ্ট নিয়মে ধাপে ধাপে সমাধানযোগ্য হয়, তবে একটি সাধারণ যন্ত্র কেবল শূন্য ও এক প্রতীকের স্থান পরিবর্তনের মাধ্যমে তা সম্পন্ন করতে পারে। এর ফলে গণনার ধারণার সাথে মানুষের বুদ্ধিবৃত্তিক প্রক্রিয়ার এক গভীর মেলবন্ধন তৈরি হয়। চিন্তাকে আর কোনো অস্পৃশ্য ঘটনা মনে না করে নির্দিষ্ট কিছু নিয়মের অধীনে প্রতীকের রূপান্তর হিসেবে দেখার দ্বার উন্মোচিত হয়।

এই সময়কালে মনস্তত্ত্বের জগতে আচরণবাদ (Behaviorism)-এর আধিপত্য ছিল, যা মনের অভ্যন্তরীণ অবস্থাকে পুরোপুরি অস্বীকার করত। আচরণবাদীদের মতে, কেবল উদ্দীপনা ও বাহ্যিক আচরণই বিজ্ঞানের বিষয় হতে পারে। কিন্তু ১৯৫৯ সালে ভাষাতাত্ত্বিক নোয়াম চমস্কি (Noam Chomsky) আচরণবাদের প্রবক্তা বি. এফ. স্কিনারের তত্ত্বকে খণ্ডন করে দেখান যে ভাষা শিক্ষার মতো জটিল কগনিটিভ প্রক্রিয়া কোনো সাধারণ অভ্যাস গঠনের বিষয় নয় (Chomsky, 1959)। মানুষের মনের ভেতর জন্মগতভাবেই একটি নিয়মভিত্তিক ব্যাকরণিক কাঠামো থাকে। এই বোঝাপড়া থেকে কগনিটিভ বিপ্লবের সূচনা ঘটে এবং মনকে একটি স্বয়ংক্রিয় তথ্য প্রক্রিয়াকরণ ব্যবস্থা হিসেবে দেখার ক্ষেত্র প্রস্তুত হয়।

এই তাত্ত্বিক পটভূমির ওপর দাঁড়িয়ে দার্শনিক হিলারি পুটনাম (Hilary Putnam) ও জেরি ফোডর (Jerry Fodor) আধুনিক মনের কম্পিউটেশনাল তত্ত্ব (Computational Theory of Mind) প্রতিষ্ঠা করেন। পুটনাম প্রস্তাব করেন ফাংশনালিজম (Functionalism), যেখানে বলা হয় মানসিক অবস্থা মস্তিষ্কের উপাদানের ওপর নির্ভর করে না, বরং নির্ভর করে তার কার্যগত কাঠামোর ওপর (Putnam, 1967)। অন্যদিকে ফোডর দাবি করেন যে মন মূলত একটি কম্পিউটেশনাল ব্যবস্থা যা অভ্যন্তরীণ মানসিক প্রতীকের ওপর নির্দিষ্ট নিয়মে ক্রিয়াশীল থাকে (Fodor, 1975)। এভাবে দর্শনের ইতিহাসে প্রথমবারের মতো মন, মস্তিষ্ক ও যন্ত্রের কার্যপদ্ধতিকে একই বৈজ্ঞানিক কাঠামোর অধীনে নিয়ে আসা সম্ভব হয়।

প্রতিনিধিত্বমূলক মনের তত্ত্ব ও চিন্তার ভাষা (Representational Theory of Mind and the Language of Thought)

মনের কম্পিউটেশনাল তত্ত্বের অন্যতম ভিত্তিপ্রস্তর হলো প্রতিনিধিত্বমূলক মনের তত্ত্ব (Representational Theory of Mind)। এই তত্ত্ব অনুযায়ী, মানুষের প্রতিটি বিশ্বাস, ইচ্ছা, সন্দেহ কিংবা প্রত্যাশার পেছনে মনের ভেতর একটি সুনির্দিষ্ট প্রতিনিধিত্ব বা রিপ্রেজেন্টেশন কাজ করে। আমরা যখন কোনো কিছু চিন্তা করি, তখন বাস্তব পৃথিবীর বস্তু ও ঘটনার বিকল্প হিসেবে মনের পর্দায় কিছু প্রতীক বা কাঠামো সক্রিয় হয়ে ওঠে। উদাহরণ হিসেবে বলা যায়, যখন কেউ মনে করে যে ‘সূর্য পূর্বে উদিত হয়’, তখন তার মস্তিষ্কে এই ধারণার একটি সুনির্দিষ্ট প্রতীকী বিন্যাস তৈরি হয়। এই মানসিক রূপায়ণ নিছক কোনো নিষ্ক্রিয় প্রতিচ্ছবি নয়, এটি মানসিক কর্মকাণ্ডের মূল চালিকাশক্তি হিসেবে ভূমিকা পালন করে (Fodor, 1981)।

এই প্রতিনিধিত্বমূলক ব্যবস্থার গভীরতর ব্যাখ্যা দিতে গিয়ে দার্শনিক জেরি ফোডর (Jerry Fodor) তার বিখ্যাত গ্রন্থ দ্য ল্যাঙ্গুয়েজ অব থট (The Language of Thought)-এ চিন্তার ভাষা (Language of Thought) বা মেন্টালিজ (Mentalese) তত্ত্ব প্রস্তাব করেন (Fodor, 1975)। ফোডরের যুক্তি ছিল, মানুষের চিন্তাভাবনার একটি নিজস্ব অভ্যন্তরীণ ব্যাকরণ ও সিনট্যাক্স রয়েছে। মুখের ভাষার যেমন নির্দিষ্ট নিয়ম ও শব্দভাণ্ডার থাকে, তেমনই মনের ভেতরের চিন্তার ভাষাও সুনির্দিষ্ট প্রতীকী নিয়ম মেনে চলে। এই অভ্যন্তরীণ ভাষা কোনো একক প্রাকৃতিক ভাষা যেমন বাংলা বা ইংরেজির ওপর নির্ভরশীল নয়, বরং এটি সমস্ত মানুষের মস্তিষ্কে সংরক্ষিত একটি সাধারণ কম্পিউটেশনাল মাধ্যম।

ফোডর দেখান যে মানুষের চিন্তার ভাষা তিনটি প্রধান বৈশিষ্ট্যের ওপর প্রতিষ্ঠিত: উৎপাদনশীলতা, পদ্ধতিগততা এবং বিন্যাসযোগ্যতা। উৎপাদনশীলতা বলতে বোঝায় সীমিত সংখ্যক মানসিক প্রতীক ও নিয়ম ব্যবহার করে সীমাহীন নতুন চিন্তা তৈরি করার ক্ষমতা। পদ্ধতিগততার অর্থ হলো, মনের ভেতর চিন্তাগুলো বিচ্ছিন্ন নয়; কোনো ব্যক্তি যদি একটি জটিল চিন্তার অর্থ বুঝতে পারে, তবে সে স্বয়ংক্রিয়ভাবে তার সমজাতীয় অন্যান্য চিন্তাও বুঝতে সক্ষম হবে। বিন্যাসযোগ্যতা বা কম্পোজিশনালিটি নির্দেশ করে যে একটি জটিল মানসিক ভাবনার অর্থ তার ক্ষুদ্রতর অংশগুলোর অর্থ এবং তাদের কাঠামোগত বিন্যাসের ওপর নির্ভর করে (Fodor, 1987)। এই তিনটি বৈশিষ্ট্য নির্দেশ করে যে মানব মনের ভেতর একটি শক্তিশালী প্রতীকী ও সিনট্যাক্টিক্যাল ব্যবস্থা সার্বক্ষণিকভাবে কাজ করে চলেছে।

এই মানসিক প্রতীকগুলো ভৌত স্তরে কীভাবে বিদ্যমান থাকে, তা একটি গুরুত্বপূর্ণ দার্শনিক প্রশ্ন। কম্পিউটেশনাল তত্ত্ববিদদের মতে, এই প্রতীকগুলো মস্তিষ্কের নিউরাল নেটওয়ার্কে প্যাটার্ন হিসেবে সংরক্ষিত থাকে। কম্পিউটার যেমন সিলিকন চিপে বিদ্যুতের ভোল্টেজ পরিবর্তনের মাধ্যমে বাইনারি কোড ধারণ করে, মস্তিষ্কও তেমনই সিন্যাপসের সংযোগ ও নিউরনের ফায়ারিংয়ের মাধ্যমে মানসিক প্রতীককে সংরক্ষণ করে। এর ফলে মানসিক অবস্থা কোনো কাল্পনিক বিষয় থাকে না, এটি একটি বাস্তব ভৌত রূপ লাভ করে (Pylyshyn, 1984)। চিন্তার ভাষা তত্ত্বটি এভাবে দেখায় যে মানুষের মানসিক জগত কোনো বায়বীয় কল্পনা নয়, বরং নির্দিষ্ট গাণিতিক ও কাঠামোগত নিয়মে পরিচালিত একটি সুশৃঙ্খল কগনিটিভ ব্যবস্থা।

প্রতীক, সিনট্যাক্স ও সেমান্টিক্স: সিনট্যাক্টিক্যাল ইঞ্জিনের অর্থায়ন (Symbols, Syntax, and Semantics: The Grounding of Syntactic Engines)

একটি কম্পিউটেশনাল ব্যবস্থায় প্রতীক প্রক্রিয়াকরণের মূল রহস্য নিহিত রয়েছে সিনট্যাক্স ও সেমান্টিক্সের পারস্পরিক সম্পর্কের মধ্যে। সিনট্যাক্স হলো প্রতীকের বাহ্যিক রূপ, আকার ও নিয়মতান্ত্রিক বিন্যাস, যার সাথে অর্থের কোনো সরাসরি সম্পর্ক নেই। অন্যদিকে সেমান্টিক্স হলো সেই প্রতীকের ভেতরের অর্থ, তাৎপর্য বা বাস্তব জগতের সাথে তার সংযোগ। দার্শনিক জন হাউগল্যান্ড (John Haugeland) কম্পিউটার এবং মানুষের মনকে তুলনা করতে গিয়ে উল্লেখ করেছিলেন যে এই ব্যবস্থাগুলো মূলত সিনট্যাক্টিক্যাল ইঞ্জিন (Syntactic Engine) হিসেবে কাজ করে (Haugeland, 1985)। অর্থাৎ মস্তিষ্ক বা কম্পিউটার কেবল প্রতীকের রূপগত বৈশিষ্ট্য দেখে কাজ করে, সে কখনো প্রতীকের অর্থ নিজের চোখে ‘দেখে’ না।

প্রশ্ন থেকে যায়, একটি সিস্টেম যদি কেবল অর্থহীন রূপগত নিয়মের ওপর ভিত্তি করে প্রতীক পুনর্বিন্যাস করে, তবে তার সামগ্রিক আচরণে অর্থপূর্ণ ফলাফল কীভাবে তৈরি হয়? হাউগল্যান্ড এই জটিলতার একটি সমাধান উপস্থাপন করেন। তিনি বলেন, যদি কোনো ব্যবস্থার রূপগত বা সিনট্যাক্টিক্যাল নিয়মগুলোকে যৌক্তিক এবং সত্যনিষ্ঠ নিয়মের সাথে নিখুঁতভাবে সমন্বিত করা যায়, তবে স্বয়ংক্রিয়ভাবেই সেই সিস্টেমটি অর্থপূর্ণ বা সেমান্টিক ফলাফল উৎপাদন করবে। যেমন সাধারণ গণিতে আমরা যখন পাটিগণিতের নিয়ম মেনে সংখ্যা যোগ করি, তখন আমরা চিহ্নের আকার মেনেই কাজ করি, কিন্তু ফলাফল হিসেবে সবসময় সত্য ও অর্থপূর্ণ সংখ্যাই পাই। মনও ঠিক একইভাবে সিনট্যাক্সের সাহায্যে সেমান্টিক সত্যতাকে রক্ষা করে (Dennett, 1987)।

তবে কেবল সিনট্যাক্স দিয়ে অর্থ তৈরির এই ব্যাখ্যা একটি বড় দার্শনিক সংকটের জন্ম দেয়, যা কগনিটিভ বিজ্ঞানে প্রতীকের ভিত্তি সমস্যা (Symbol Grounding Problem) নামে পরিচিত। দার্শনিক স্টিভেন হারনাড (Steven Harnad) এই সমস্যার স্বরূপ উন্মোচন করে দেখান যে যদি একটি সিস্টেমের ভেতরে সব প্রতীকই কেবল অন্য কোনো প্রতীকের সাহায্যে সংজ্ঞায়িত হয়, তবে তা কখনো প্রকৃত অর্থ অর্জন করতে পারে না (Harnad, 1990)। ধরা যাক, কোনো ব্যক্তি একটি অজানা ভাষায় লেখা অভিধান দিয়ে সেই ভাষার শব্দের অর্থ খুঁজছে। প্রতিটি শব্দের অর্থ দেখতে গিয়ে সে আবার আরেকটি অজানা শব্দ পাচ্ছে। এভাবে ঘুরতে থাকলে সে কখনোই কোনো শব্দের বাস্তব অর্থ বুঝতে পারবে না। হারনাডের যুক্তি হলো, প্রতীকগুলোকে কোনো না কোনো স্তরে সরাসরি বাস্তব ইন্দ্রিয়গ্রাহ্য অভিজ্ঞতার সাথে যুক্ত হতে হবে।

এই সংকট নিরসনে দার্শনিক ফ্রেড ড্রেটসকে (Fred Dretske) এবং রুথ মিলিকান (Ruth Millikan) তথ্যের কার্যকারণ ও টেলিওলজিক্যাল তত্ত্বের অবতারণা করেন। ড্রেটসকে যুক্তি দেন যে মানসিক প্রতীকের অর্থ নির্ধারিত হয় পরিবেশের সাথে তার ভৌত ও তথ্যগত কার্যকারণ সম্পর্কের মাধ্যমে (Dretske, 1981)। একটি গাছের গুঁড়ির বলয় যেমন গাছের বয়সকে নির্দেশ করে কারণ তাদের মধ্যে প্রাকৃতিক কার্যকারণ সম্পর্ক রয়েছে, মস্তিষ্কের প্রতীকগুলোও ইন্দ্রিয় অঙ্গের মাধ্যমে পরিবেশের সাথে যুক্ত থাকে। মিলিকান আরও যোগ করেন যে বিবর্তনের মাধ্যমে মানবদেহে এই প্রতীক ব্যবস্থাগুলো এমনভাবে অভিযোজিত হয়েছে যাতে তা পারিপার্শ্বিক বাস্তবতাকে সঠিকভাবে উপস্থাপন করতে পারে (Millikan, 1984)। এর ফলে সিনট্যাক্টিক্যাল ইঞ্জিন আর অর্থহীন খাঁচায় বন্দি থাকে না, তা বাস্তব জগতের সাথে গভীর অর্থে যুক্ত হয়ে পড়ে।

অ্যালগরিদম, মেকানাইজেশন ও টুরিং গণনাযোগ্যতা (Algorithms, Mechanization, and Turing Computability)

মনকে কম্পিউটেশনাল ব্যবস্থা হিসেবে গণ্য করার ভিত্তি হলো অ্যালগরিদমের ধারণা। অ্যালগরিদম হলো সুনির্দিষ্ট ও সসীম নির্দেশনার এমন এক ধারাবাহিক বিন্যাস, যা কোনো দ্বিধাদ্বন্দ্ব ছাড়া ধাপে ধাপে কার্যকর করা যায়। গণিতবিদ অ্যালান টুরিং (Alan Turing) এবং আলোনজো চার্চ (Alonzo Church)-এর যৌথ প্রস্তাবনা, যা ইতিহাসে চার্চ-টুরিং থিসিস (Church-Turing Thesis) নামে পরিচিত, দাবি করে যে যেকোনো কার্যকরভাবে গণনাযোগ্য সমস্যা একটি টুরিং মেশিনের অ্যালগরিদমের মাধ্যমে সমাধান করা সম্ভব (Church, 1936)। এই থিসিস মনের দর্শনে এক বিশাল পরিবর্তন নিয়ে আসে। মানুষের চিন্তাভাবনা যদি কোনো নিয়মতান্ত্রিক প্রক্রিয়ার মধ্য দিয়ে চলে, তবে নীতিগতভাবে মানব মনকেও একটি জটিল অ্যালগরিদমের সমষ্টি হিসেবে দেখা সম্ভব।

দার্শনিক ও কগনিটিভ বিজ্ঞানী জেনো পিলিশিন (Zenon Pylyshyn) কগনিটিভ সিস্টেমের অভ্যন্তরীণ গঠন বোঝার জন্য একটি ত্রি-স্তরীয় মডেল উপস্থাপন করেন (Pylyshyn, 1984)। তার মতে, যেকোনো তথ্য প্রক্রিয়াকরণ ব্যবস্থাকে তিনটি স্বতন্ত্র স্তরে বিশ্লেষণ করা যায়। প্রথমটি হলো জ্ঞানতাত্ত্বিক বা সেমান্টিক স্তর, যেখানে ইচ্ছা, লক্ষ্য ও বিশ্বাসের মতো অর্থপূর্ণ বিষয়গুলো সংজ্ঞায়িত থাকে। দ্বিতীয়টি হলো সিনট্যাক্টিক্যাল বা অ্যালগরিদমিক স্তর, যেখানে নিয়মগুলো কোডের মতো সাজানো থাকে এবং প্রতীক পরিবর্তনের ধাপগুলো নির্ধারিত হয়। তৃতীয়টি হলো ভৌত স্তর, যা সেই নিয়মগুলোকে বাস্তবে কার্যকর করে তোলে। পিলিশিনের যুক্তি হলো, বুদ্ধিমত্তা কোনো রহস্যময় উপাদান নয়, বরং এটি অ্যালগরিদমিক স্তরের সঠিক কাঠামোগত রূপায়নের ফল।

একই সময়ে কগনিটিভ নিউরোবিজ্ঞানী ডেভিড মার (David Marr) তার বিখ্যাত গ্রন্থ ভিশন (Vision)-এ মানুষের দৃষ্টিশক্তি ও মস্তিষ্কের তথ্য প্রক্রিয়াকরণকে তিনটি স্তরে ভাগ করে ব্যাখ্যা করেন (Marr, 1982)। মারের বিশ্লেষণ অনুযায়ী, কোনো কগনিটিভ ক্ষমতাকে বুঝতে হলে প্রথমে বুঝতে হবে সেই প্রক্রিয়ার লক্ষ্য কী (কম্পিউটেশনাল তত্ত্ব), তারপর দেখতে হবে কোন ইনপুট-আউটপুট নিয়মের মাধ্যমে তা সম্পন্ন হচ্ছে (অ্যালগরিদমিক রূপ), এবং সবশেষে দেখতে হবে কোন স্নায়বিক কাঠামোতে তা বাস্তবায়িত হচ্ছে (ভৌত বাস্তবায়ন)। এই ত্রি-স্তরীয় কাঠামো প্রমাণ করে যে মনস্তাত্ত্বিক ঘটনাগুলোকে অ্যালগরিদমের ভাষায় নিখুঁতভাবে প্রকাশ করা যায় এবং এর জন্য জৈবিক মস্তিষ্কের বাইরে সিলিকন মাধ্যমের সাহায্য নেওয়াও তাত্ত্বিকভাবে সম্ভব।

এই যান্ত্রিকীকরণ প্রক্রিয়াটি স্পষ্ট করে দেয় যে মানব মনের জটিলতম চিন্তাভাবনাও ক্ষুদ্র ক্ষুদ্র সহজ প্রক্রিয়ার সমন্বয়ে গড়ে ওঠে। মস্তিষ্কের একটি একক নিউরন কোনো মহৎ চিন্তার ক্ষমতা রাখে না; এটি কেবল রাসায়নিক সংকেতের ভিত্তিতে বৈদ্যুতিক স্পন্দন তৈরি করে। কিন্তু যখন কোটি কোটি নিউরন একটি নির্দিষ্ট অ্যালগরিদমিক নেটওয়ার্কে বিন্যস্ত হয়, তখন সেই অতি সাধারণ শারীরিক রূপান্তরগুলো থেকে যুক্তি, ভাষা, আবেগ এবং আত্মসচেতনতার মতো জটিল কগনিটিভ প্রক্রিয়ার জন্ম হয়। মন এভাবে প্রকৃতির ভেতরেই গড়ে ওঠা এক বিস্ময়কর জৈব-কম্পিউটারে রূপান্তরিত হয়।

মানসিক কার্যকারণ ও মানসিক প্রতিনিধিত্বের সমস্যা (Mental Causation and the Problem of Representation)

মনের কম্পিউটেশনাল তত্ত্বকে দর্শনের অন্যতম প্রাচীন সমস্যা – মানসিক কার্যকারণ (Mental Causation)-এর মুখোমুখি হতে হয়েছে। দৈনন্দিন জীবনে আমরা বিশ্বাস করি যে আমাদের মানসিক ইচ্ছা আমাদের শারীরিক কাজকে পরিচালিত করে। যেমন তৃষ্ণা পেলে জল পানের ইচ্ছা জাগে এবং সেই ইচ্ছার কারণেই হাত গ্লাসের দিকে এগিয়ে যায়। কিন্তু বস্তুবাদী বিজ্ঞানের দৃষ্টিতে প্রতিটি শারীরিক ক্রিয়ার পেছনে একটি পর্যাপ্ত শারীরিক কারণ থাকতে হয়। হাত নড়ার কারণ হলো পেশির সংকোচন, যা মোটর নিউরনের বৈদ্যুতিক সংকেত দ্বারা চালিত। যদি শারীরিক কারণই প্রতিটি কাজের জন্য যথেষ্ট হয়, তবে “ইচ্ছা” বা “বিশ্বাস”-এর মতো মানসিক অবস্থাগুলো কি কেবলই নিষ্ক্রিয় ছায়া বা এপিফেনোমেনালিজম (Epiphenomenalism)?

দার্শনিক জেগওন কিম (Jaegwon Kim) এই সংকটকে আরও ধারালো করে তোলেন তার কার্যকারণ বর্জন সমস্যা (Causal Exclusion Problem)-এর মাধ্যমে (Kim, 1998)। কিম যুক্তি দেন যে ভৌত জগত কার্যকারণগতভাবে স্বয়ংসম্পূর্ণ। কোনো শারীরিক ঘটনার যদি একটি পূর্ণাঙ্গ ভৌত কারণ থাকে, তবে সেখানে মানসিক কারণের কোনো স্বতন্ত্র ভূমিকা থাকতে পারে না। যদি মানসিক কারণ এবং ভৌত কারণ দুটোকেই সত্য বলে ধরা হয়, তবে প্রতিটি ঘটনার জন্য দ্বিগুণ কারণের উপস্থিতি বা ওভারডিটারমিনেশন মেনে নিতে হয়, যা অযৌক্তিক। কিমের এই যুক্তি মানসিক প্রতিনিধিত্বের বাস্তব কার্যক্ষমতাকে গভীর প্রশ্নের মুখে ফেলে দেয়।

মনের কম্পিউটেশনাল তত্ত্ব এই কঠিন দার্শনিক সংকটের একটি সুসংহত সমাধান প্রস্তাব করে। জেরি ফোডর (Jerry Fodor) দাবি করেন যে কম্পিউটেশনাল কাঠামোর ভেতরে মানসিক অবস্থা এবং ভৌত অবস্থা পরস্পরবিরোধী নয়, বরং তারা একই মুদ্রার দুই পিঠ (Fodor, 1990)। একটি মানসিক প্রতীক মস্তিষ্কে একটি নির্দিষ্ট ভৌত নিউরাল প্যাটার্ন হিসেবে বিরাজ করে। যখন এই প্যাটার্নটি নিউরনের মধ্য দিয়ে সংকেত পাঠায়, তখন তার ভৌত রূপটি পেশি সঞ্চালনের কারণ হয়। যেহেতু এই ভৌত রূপটি নিজেই মানসিক অর্থের বাহক, তাই অর্থগত বা মানসিক বিশ্বাসটি কোনো অতিরিক্ত অলৌকিক শক্তি ছাড়াই বাস্তব জগতের পরিবর্তন ঘটাতে পারে।

কম্পিউটারের একটি সাধারণ উপমার মাধ্যমে এই প্রক্রিয়াটি বোঝা সহজ হয়। ধরা যাক, একটি কম্পিউটারে ওয়ার্ড প্রসেসিং সফটওয়্যারে ‘সেভ’ বোতামে চাপ দেওয়া হলো। ভৌত স্তরে কেবল কিছু ট্রানজিস্টরের ভোল্টেজ পরিবর্তিত হয়েছে এবং হার্ড ড্রাইভে চৌম্বকীয় স্তরে পরিবর্তন এসেছে। কিন্তু উচ্চতর স্তরে এই পরিবর্তনের সত্য কারণ হলো ‘ফাইলটি সংরক্ষণ করার নির্দেশ’। ফোডর দেখান যে মানুষের মানসিক প্রতিনিধিত্বগুলোও একইভাবে উচ্চস্তরের কার্যকারণ সম্পর্ক তৈরি করে, যা নিচের ভৌত স্তরকে ব্যবহার করেই কাজ সম্পন্ন করে (Fodor, 1987)। এভাবে কম্পিউটেশনাল তত্ত্ব বিজ্ঞানের ভৌতবাদের সাথে মানসিকতার বাস্তব কার্যকারিতাকে সফলভাবে যুক্ত করে।

কম্পিউটেশনাল দৃষ্টিভঙ্গির জ্ঞানতাত্ত্বিক ও সত্তাতাত্ত্বিক তাৎপর্য (Epistemological and Ontological Implications of the Computational Approach)

মনের কম্পিউটেশনাল তত্ত্ব মানব জ্ঞানতত্ত্ব ও সত্তাতত্ত্বে এক সুদূরপ্রসারী ধারণাগত রূপান্তর ঘটিয়েছে। সত্তাতাত্ত্বিক দৃষ্টিকোণ থেকে এই তত্ত্ব দেকার্তের দ্বৈতবাদকে সম্পূর্ণ নাকচ করে দেয়। মন কোনো অবস্তুগত আত্মা নয়, বরং এটি বিশেষ উপায়ে বিন্যস্ত পদার্থেরই এক অনন্য প্রকাশ। এই দৃষ্টিভঙ্গি বস্তুবাদকে গ্রহণ করেও কগনিটিভ অনুভূতির অস্তিত্বকে টিকিয়ে রাখে। ফলে মানুষের যুক্তি, নৈতিক সিদ্ধান্ত ও উদ্দেশ্যমুখী আচরণকে কোনো যান্ত্রিক বিভ্রম বলে উড়িয়ে দিতে হয় না। মানুষ বস্তুজগতের অংশ হয়েও তার চিন্তা ও মানসিক অভিজ্ঞতার একটি নিজস্ব সত্তাতাত্ত্বিক মর্যাদা বজায় থাকে।

জ্ঞানতত্ত্বের ক্ষেত্রে এই তত্ত্ব আমাদের জানার প্রক্রিয়ার এক সুস্পষ্ট ব্যাখ্যা দেয়। জ্ঞান কীভাবে সংগৃহীত হয়, কীভাবে সংরক্ষিত হয় এবং মানুষ কীভাবে যুক্তির মাধ্যমে নতুন সত্যে উপনীত হয় – এই প্রক্রিয়াগুলোকে কম্পিউটেশনাল ফ্রেমওয়ার্কের মাধ্যমে অ্যালগরিদমের নিয়মে বিশ্লেষণ করা সম্ভব হয়। এর মাধ্যমে জানা যায় যে শিক্ষা ও উপলব্ধি কোনো অস্পষ্ট অন্তর্দৃষ্টি নয়, বরং এটি তথ্যের প্রবাহ, প্রতীকী রূপান্তর এবং ত্রুটি সংশোধনের একটি ধারাবাহিক কম্পিউটেশনাল চক্র। কৃত্রিম বুদ্ধিমত্তার বাস্তব সাফল্য এই জ্ঞানতাত্ত্বিক দৃষ্টিভঙ্গিকে আরও মজবুত করেছে, কারণ যন্ত্র যখন যুক্তি মেনে জটিল জ্ঞান প্রক্রিয়াকরণ করতে পারে, তখন মানব মনের কম্পিউটেশনাল ভিত্তিটিও স্পষ্টভাবে প্রমাণিত হয়।

তবে মনের কম্পিউটেশনাল তত্ত্ব সম্পূর্ণ বিতর্কের ঊর্ধ্বে নয়। দার্শনিক টমাস নাগেল (Thomas Nagel) তার বিখ্যাত প্রবন্ধে প্রশ্ন তুলেছিলেন যে বাদুড় হওয়ার অনুভূতি কেমন, তা কি কেবল বাইরের শারীরিক তথ্য বা অ্যালগরিদম দিয়ে জানা সম্ভব (Nagel, 1974)? একইভাবে দার্শনিক ফ্রাঙ্ক জ্যাকসন (Frank Jackson) রঙের অন্ধ বিশেষজ্ঞ মেরির কল্পিত উদাহরণের মাধ্যমে দেখান যে সমস্ত ভৌত ও কম্পিউটেশনাল তথ্য জানার পরেও রঙের প্রত্যক্ষ অভিজ্ঞতার একটি অতিরিক্ত মাত্রা থেকে যায়, যাকে দর্শনে কোয়ালিয়া (Qualia) বা গুণগত অনুভূতি বলা হয় (Jackson, 1982)। চেতনার এই প্রথম পুরুষীয় অনুভূতি বা সাবজেক্টিভ অভিজ্ঞতাকে কেবল সিনট্যাক্স ও অ্যালগরিদমের ভাষায় পুরোপুরি ব্যাখ্যা করা যায় কি না, তা নিয়ে আজও গভীর দার্শনিক বিতর্ক চলছে।

তবুও সমস্ত দার্শনিক আপত্তি ও সীমাবদ্ধতা সত্ত্বেও আধুনিক কগনিটিভ বিজ্ঞান ও কৃত্রিম বুদ্ধিমত্তার দর্শনে মনের কম্পিউটেশনাল তত্ত্ব এখনও সবচেয়ে সুসংহত ও শক্তিশালী প্যারাডাইম হিসেবে বিবেচিত হয়। এটি মানুষের চিন্তাভাবনাকে অতিপ্রাকৃতিক রহস্যের কুয়াশা থেকে বের করে এনে প্রাকৃতিক বিজ্ঞান ও গণিতের সুস্পষ্ট আলোয় প্রতিষ্ঠিত করেছে। মানব মনকে একটি কম্পিউটেশনাল ব্যবস্থা হিসেবে বিবেচনা করার মাধ্যমেই মানুষ আজ নিজের চিন্তার প্রতিরূপ হিসেবে কৃত্রিম মেধা তৈরি করতে পারছে এবং বিশ্বজগতের বুকে নিজের অস্তিত্বের স্বরূপকে গভীরভাবে উপলব্ধি করতে শিখছে।

ফাংশনালিজম ও মেশিন ইন্টেলিজেন্স (Functionalism and Machine Intelligence): কার্যগত মানসিক অবস্থা ও বহু বাস্তবায়নযোগ্যতা

ফাংশনালিজমের তাত্ত্বিক ভিত্তি ও মন-দেহ সমস্যার সমাধান (Theoretical Foundations of Functionalism and the Mind-Body Problem)

মন ও শরীরের সম্পর্ক ঠিক কী রূপ, এই প্রশ্নটি দর্শনের ইতিহাসে বহু বিতর্ক ও চিন্তার জন্ম দিয়েছে। দীর্ঘ সময় ধরে দর্শনের আলোচনায় আধিপত্য বিস্তার করেছিল দেকার্তীয় দ্বৈতবাদ, যেখানে মনকে শরীর থেকে পুরোপুরি আলাদা এক অবস্তুগত সত্তা হিসেবে দেখা হতো। তবে বিজ্ঞান ও বস্তুবাদের অগ্রযাত্রার মুখে এই দৃষ্টিভঙ্গি প্রশ্নের মুখে পড়ে। বিশ শতকের মাঝামাঝি সময়ে চিন্তাশীলদের সামনে মূলত দুটি বস্তুবাদী বিকল্প উপস্থিত ছিল: যৌক্তিক আচরণবাদ এবং টাইপ-আইডেন্টিটি থিওরি বা ধরন-অভিন্নতা তত্ত্ব। আচরণবাদ মানসিক অবস্থাকে অস্বীকার করে কেবল দৃশ্যমান শারীরিক আচরণের ওপর জোর দিয়েছিল। অন্যদিকে উলিন প্লেস (Ullin T. Place) এবং জন স্মার্ট (John J. C. Smart)-এর প্রস্তাবিত টাইপ-আইডেন্টিটি থিওরি (Type Identity Theory) দাবি করেছিল যে প্রতিটি নির্দিষ্ট মানসিক অবস্থা সরাসরি মস্তিষ্কের কোনো নির্দিষ্ট স্নায়বিক অবস্থার সাথে অভিন্ন (Place, 1956; Smart, 1959)।

এই দুই তত্ত্বের সীমাবদ্ধতাগুলো কাটিয়ে ওঠার তাগিদ থেকেই উদ্ভব ঘটে ফাংশনালিজম (Functionalism) বা ক্রিয়াবাদের। যৌক্তিক আচরণবাদ যেমন মানুষের অভ্যন্তরীণ চিন্তাকে পাত্তা দেয়নি, আবার টাইপ-আইডেন্টিটি থিওরি মানসিক অবস্থাকে কেবল মানুষের কার্বনভিত্তিক মস্তিষ্কের বিশেষ নিউরোবায়োলজির মধ্যে সীমাবদ্ধ করে ফেলেছিল। এই অচলাবস্থা দূর করতে দার্শনিক হিলারি পুটনাম (Hilary Putnam) এবং পরবর্তীতে জেরি ফোডর (Jerry Fodor) এক নতুন ধারণাগত ভিত্তি তুলে ধরেন (Putnam, 1967; Fodor, 1968)। তাদের বক্তব্য ছিল, কোনো মানসিক অবস্থাকে সেটির অন্তর্নিহিত উপাদান দিয়ে সংজ্ঞায়িত করা উচিত নয়; বরং সংজ্ঞায়িত করা উচিত সামগ্রিক ব্যবস্থার মধ্যে সেটি কী ধরনের কার্যগত ভূমিকা বা কার্যসম্পাদন করছে তার ভিত্তিতে।

দার্শনিক ডেভিড লুইস (David Lewis) এবং ডেভিড আর্মস্ট্রং (David Armstrong) এই অবস্থানকে আরও স্পষ্ট করে তুলে ধরেছিলেন কার্যকারণ সম্পর্কের কাঠামোর মধ্য দিয়ে (Lewis, 1966; Armstrong, 1968)। ক্রিয়াবাদের মূল দাবি হলো, একটি মানসিক অবস্থাকে বোঝা যাবে তিনটি সুনির্দিষ্ট কার্যকারণ সম্পর্কের জালে: প্রথমত, পরিবেশ থেকে আসা ইন্দ্রিয়গ্রাহ্য ইনপুট; দ্বিতীয়ত, অন্যান্য মানসিক অবস্থার সাথে তার পারস্পরিক মিথস্ক্রিয়া; এবং তৃতীয়ত, শারীরিক আচরণ বা প্রতিক্রিয়া হিসেবে প্রকাশ পাওয়া আউটপুট। উদাহরণস্বরূপ, ‘ব্যথা’ নামক মানসিক অবস্থাটির সত্তা কোনো বিশেষ স্নায়ুকোষের রাসায়নিক উপাদানের মধ্যে নিহিত নয়। ব্যথা হলো এমন একটি অবস্থা যা শরীরের আঘাতের ইনপুট থেকে তৈরি হয়, দুশ্চিন্তা বা কষ্টের মতো অন্যান্য মানসিক অবস্থাকে প্রভাবিত করে এবং চিৎকার দেওয়া কিংবা ক্ষতস্থান চেপে ধরার মতো আচরণগত আউটপুট তৈরি করে।

এই দৃষ্টিভঙ্গি মন সম্পর্কে আমাদের বোঝাপড়াকে সম্পূর্ণ ভিন্ন এক দার্শনিক মাত্রা দেয়। মন এখানে কোনো রহস্যময় পদার্থ নয়, আবার নিছক মস্তিষ্কের ধূসর কোষের জড়পিণ্ডও নয়। মন হলো একটি জটিল কার্যগত সংগঠন। একটি ঘড়ির উদ্দেশ্য যেমন সময় দেখানো, এবং সেই ঘড়িটি কাঠের গিয়ারে তৈরি, ধাতুর স্প্রিংয়ে তৈরি নাকি ডিজিটাল সার্কিটে তৈরি তা যেমন সময় গণনার কাজের ক্ষেত্রে গৌণ, মনের ক্ষেত্রেও বিষয়টি ঠিক তেমন। এই কার্যগত ব্যাখ্যার ফলেই কৃত্রিম ব্যবস্থা বা যন্ত্রের পক্ষে মানসিক অবস্থা ধারণ করা সম্ভব কি না, সেই বিতর্কটি দার্শনিক মহলে একটি শক্ত তাত্ত্বিক ভিত্তি খুঁজে পায়।

বহু বাস্তবায়নযোগ্যতার থিসিস ও জৈবিক শভিনিজম প্রত্যাখ্যান (Multiple Realizability Thesis and the Rejection of Biological Chauvinism)

ক্রিয়াবাদের সবচেয়ে শক্তিশালী ও বৈপ্লবিক ধারণাটি হলো বহু বাস্তবায়নযোগ্যতা (Multiple Realizability)। এই ধারণার মূল কথা হলো, একটি নির্দিষ্ট কার্যগত বা মানসিক অবস্থা বহুবিধ ভিন্ন ভিন্ন শারীরিক মাধ্যমে বাস্তবায়িত হতে পারে। দার্শনিক হিলারি পুটনাম (Hilary Putnam) তার কালজয়ী প্রবন্ধগুলোতে দেখান যে টাইপ-আইডেন্টিটি থিওরি এক ধরনের সীমাবদ্ধ জৈবিক শভিনিজমে ভোগে (Putnam, 1967)। আইডেন্টিটি থিওরি দাবি করে যে ব্যথা অনুভব করা মানেই মস্তিষ্কের নির্দিষ্ট সি-ফাইবার (C-fibers) সক্রিয় হওয়া। পুটনাম প্রশ্ন তোলেন, তবে কি কোনো ভিনগ্রহের প্রাণী, যার শরীরে কার্বনের বদলে সিলিকন রয়েছে, কিংবা কোনো অক্টোপাস, যার স্নায়ুতন্ত্রের গঠন স্তন্যপায়ীদের চেয়ে সম্পূর্ণ আলাদা – তারা ব্যথা পেতে পারে না?

যদি কোনো অক্টোপাসের সি-ফাইবার না থাকে কিন্তু তার দেহের একটি ভিন্ন জৈবিক গঠন থাকে যা আঘাত পেলে ব্যথার সমতুল্য আত্মরক্ষামূলক আচরণ করে এবং তার ভেতরের অন্যান্য সংকেতকে সচল করে, তবে তাকে ব্যথাহীন দাবি করা এক ধরনের সংকীর্ণতা। পুটনাম ও জেরি ফোডর (Jerry Fodor) যুক্তি দেন যে মানসিক অবস্থাগুলো উচ্চস্তরের কার্যগত বৈশিষ্ট্য, যা নানা ধরনের নিম্নস্তরের ভৌত মাধ্যমে রূপায়িত হতে পারে (Fodor, 1974)। দাবা খেলার উপমাটি এখানে অত্যন্ত প্রাসঙ্গিক। দাবা খেলায় ‘ঘোড়া’ বা ‘রাজা’ পদটি কোনো নির্দিষ্ট উপাদান দিয়ে তৈরি হওয়ার বাধ্যবাধকতা রাখে না। ঘোড়াটি কাঠের হতে পারে, প্লাস্টিকের হতে পারে, মার্বেল পাথরের হতে পারে, এমনকি কম্পিউটারের স্ক্রিনে আলোর পিক্সেল দিয়েও তৈরি হতে পারে। যতক্ষণ পর্যন্ত সেটি দাবার নির্ধারিত নিয়ম মেনে চাল দিতে পারছে, ততক্ষণ সেটি একটি বৈধ ঘোড়া।

এই যুক্তি সরাসরি যন্ত্রের বুদ্ধিমত্তার প্রশ্নটিকে প্রভাবিত করে। যদি চিন্তা, উপলব্ধি কিংবা যুক্তিপ্রক্রিয়া উচ্চস্তরের কার্যগত অবস্থা হয়, তবে তা মানুষের জৈব-মস্তিষ্কের ভেতর নিউরনের মাধ্যমে যেমন চলতে পারে, তেমনই তা তামার তার ও সিলিকন সেমিকন্ডাক্টরের ভেতর দিয়ে যাওয়া বৈদ্যুতিক সিগন্যালের মাধ্যমেও পরিচালিত হতে পারে। ফলে কোনো সত্তা বুদ্ধিমান কি না, তা যাচাই করার জন্য তার মাথার ভেতর রক্ত-মাংসের মস্তিষ্ক আছে কি না তা খোঁজার প্রয়োজন ফুরিয়ে যায়। বরং তার অভ্যন্তরীণ তথ্য প্রক্রিয়াকরণ এবং কার্যগত সংগঠনের বিন্যাসটি সঠিক কি না, সেটাই প্রধান বিবেচ্য হয়ে দাঁড়ায়।

দার্শনিক নেড ব্লক (Ned Block) এই তাত্ত্বিক পরিস্থিতি বিশ্লেষণ করতে গিয়ে বহু বাস্তবায়নযোগ্যতার ধারণাকে আধুনিক কগনিটিভ সায়েন্স ও রোবোটিক্সের অন্যতম প্রধান অনুমান হিসেবে চিহ্নিত করেছেন (Block, 1980)। এর ফলে বিজ্ঞানের সামনে এক সুবিশাল দিগন্ত উন্মোচিত হয়। বুদ্ধিমত্তাকে আর কেবল একটি প্রজাতির জিনগত বৈশিষ্ট্য হিসেবে দেখতে হয় না। বরং বিবর্তনের মাধ্যমে জৈব দেহে যে কার্যগত আর্কিটেকচার গড়ে উঠেছে, সেই একই আর্কিটেকচার অন্য কোনো অজৈব উপাদানে প্রকৌশলগতভাবে তৈরি করা সম্ভব হলে সেখানেও মনের উপস্থিতি স্বীকার করে নেওয়া ছাড়া যৌক্তিক কোনো উপায় থাকে না।

মেশিন ফাংশনালিজম ও টুরিং মেশিনের সসীম অবস্থা (Machine Functionalism and Finite State Automata)

ক্রিয়াবাদের প্রাথমিক ও সবচেয়ে প্রভাবশালী রূপটি গড়ে উঠেছিল কম্পিউটিং তত্ত্বের হাত ধরে, যাকে বলা হয় মেশিন ফাংশনালিজম (Machine Functionalism)। এই তত্ত্বের জনক হিলারি পুটনাম (Hilary Putnam) মনকে একটি টুরিং মেশিন (Turing Machine) বা আরও নির্দিষ্টভাবে একটি সম্ভাব্যতাভিত্তিক সসীম অবস্থা স্বয়ংক্রিয় যন্ত্র বা প্রবাবিলিস্টিক অটোমেটন (Probabilistic Automaton) হিসেবে কল্পনা করার প্রস্তাব দিয়েছিলেন (Putnam, 1960)। টুরিং মেশিনের মূল তত্ত্ব ছিল, যেকোনো অ্যালগরিদমিক প্রক্রিয়াকে কিছু নির্দিষ্ট প্রতীক, অভ্যন্তরীণ অবস্থা এবং স্থানান্তর নিয়মের সাহায্যে সসীম পদক্ষেপে রূপান্তর করা যায়। পুটনাম দাবি করেন, মানুষের মনস্তাত্ত্বিক অবস্থাও মূলত এই ধরনের একটি মেশিনের অভ্যন্তরীণ অবস্থার সমতুল্য।

একটি সসীম অবস্থা মেশিনে প্রতিটি অবস্থা নির্ধারিত হয় দুটি বিষয়ের ওপর: বর্তমান ইনপুট এবং সিস্টেমের বর্তমান অভ্যন্তরীণ অবস্থা। এই দুটি বিষয়ের সমন্বয়ে মেশিনটি দুটি কাজ করে – একটি নির্দিষ্ট আউটপুট তৈরি করে এবং পরবর্তী একটি অভ্যন্তরীণ অবস্থায় প্রবেশ করে। মেশিন ফাংশনালিজম অনুযায়ী, একজন মানুষের মানসিক জগতও ঠিক এভাবেই কাজ করে। উদাহরণ হিসেবে, কোনো ব্যক্তির ক্ষুধা পাওয়ার মানসিক অবস্থাকে সংজ্ঞায়িত করা যায় এমন এক অবস্থা হিসেবে, যা খালি পেটের সংকেত (ইনপুট) গ্রহণ করে, ‘খাদ্য সংগ্রহের ইচ্ছা’ নামক পরবর্তী অবস্থায় স্থানান্তরিত হয় এবং খাদ্য খোঁজার পেশি সঞ্চালন (আউটপুট) ঘটায়।

দার্শনিক জেরি ফোডর (Jerry Fodor) এই ধারণাকে সমর্থন করে দেখান যে মনস্তাত্ত্বিক ব্যাখ্যাগুলোর সাথে কম্পিউটারের সফটওয়্যার ও হার্ডওয়্যারের সম্পর্কের একটি গভীর সাদৃশ্য রয়েছে (Fodor, 1968)। মস্তিষ্ক হলো এমন এক ভৌত হার্ডওয়্যার যার ওপর মানসিক প্রোগ্রাম বা সফটওয়্যার রান করে। কম্পিউটার বিজ্ঞানে একই সফটওয়্যার যেমন ভিন্ন ভিন্ন প্রস্তুতকারকের কম্পিউটারে সমান দক্ষতায় কাজ করতে পারে, মানুষের মানসিক সফটওয়্যারও তেমনই জৈবিক বা অজৈব যেকোনো উপযুক্ত হার্ডওয়্যারে বাস্তবায়িত হতে পারে। ফলে মনস্তত্ত্বকে আলাদাভাবে বোঝার জন্য নিউরোঅ্যানাটমির প্রতিটি ক্ষুদ্রাতিক্ষুদ্র কোষে আটকে থাকার প্রয়োজন পড়ে না।

তবে পরবর্তীকালে পুটনাম নিজেই মেশিন ফাংশনালিজমের কিছু যান্ত্রিক সীমাবদ্ধতার কারণে এই রূপটি থেকে সরে আসেন (Putnam, 1975)। মানুষের মন কোনো সাধারণ বিচ্ছিন্ন অবস্থার সসীম মেশিন নয়; এর চিন্তাগুলোর মধ্যে রয়েছে ধারাবাহিকতা, সামগ্রিকতা এবং পরিবেশের সাথে ক্রমাগত মিথস্ক্রিয়ার জটিলতা। তবুও মেশিন ফাংশনালিজম কৃত্রিম বুদ্ধিমত্তার দর্শনে একটি অপরিসীম ভিত্তি তৈরি করে দিয়েছিল। এটি প্রথমবারের মতো প্রমাণ করেছিল যে মানুষের যুক্তি, সিদ্ধান্ত গ্রহণ এবং লক্ষ্যমুখী আচরণকে সম্পূর্ণ বস্তুনিষ্ঠ, গাণিতিক এবং যান্ত্রিক নিয়মের মাধ্যমে উপস্থাপন করা সম্ভব।

টেলিওলজিক্যাল ও সাইকো-ফাংশনালিজমের দার্শনিক বিতর্ক (Philosophical Debates in Teleological and Psycho-Functionalism)

ক্রিয়াবাদের প্রসারের সাথে সাথে এর অভ্যন্তরীণ কাঠামো নিয়ে দার্শনিকদের মধ্যে বিভিন্ন ধারার সৃষ্টি হয়। এর মধ্যে দুটি প্রধান ধারা বিশেষভাবে উল্লেখযোগ্য: বিশ্লেষণাত্মক ক্রিয়াবাদ (Analytic Functionalism) এবং সাইকো-ফাংশনালিজম (Psycho-Functionalism)। বিশ্লেষণাত্মক ক্রিয়াবাদের সমর্থক যেমন ডেভিড লুইস (David Lewis) এবং ফ্রাঙ্ক জ্যাকসন (Frank Jackson) দাবি করেছিলেন যে মানসিক পদগুলোর অর্থ সাধারণ মানুষের প্রাত্যহিক ভাষা বা ফোক সাইকোলজি (Folk Psychology)-র ভেতরেই নিহিত থাকে (Lewis, 1972; Jackson, 1998)। তাদের মতে, ব্যথা, বিশ্বাস বা ইচ্ছার মতো মানসিক ধারণাগুলোর কার্যগত সম্পর্কগুলো আমরা আমাদের সাধারণ সামাজিক ভাষা ব্যবহারের মাধ্যমেই বুঝে থাকি।

এর বিপরীতে জেরি ফোডর (Jerry Fodor) প্রস্তাব করেন সাইকো-ফাংশনালিজম। ফোডরের মতে, সাধারণ মানুষের ধারণার ওপর ভিত্তি করে মানসিক অবস্থাকে সংজ্ঞায়িত করা বৈজ্ঞানিকভাবে ভুল হতে পারে। মানসিক অবস্থা কী ভূমিকা পালন করে, তা উন্মোচন করতে হবে কগনিটিভ মনোবিজ্ঞান ও অভিজ্ঞতামূলক গবেষণার মাধ্যমে (Fodor, 1980)। একজন ব্যক্তি অবচেতনভাবে কীভাবে স্মৃতি সংরক্ষণ করছে, ভাষা প্রক্রিয়াকরণ করছে কিংবা দৃষ্টিলব্ধ তথ্য সাজাচ্ছে – এগুলো কেবল বৈজ্ঞানিক তত্ত্ব ও অ্যালগরিদমিক মডেলিংয়ের মাধ্যমেই আবিষ্কার করা সম্ভব। সাইকো-ফাংশনালিজমে মানসিক অবস্থাকে দেখা হয় মস্তিষ্কের ভেতরে চলমান বিশেষায়িত তথ্য প্রক্রিয়াকরণ মডিউলের কার্যগত অবদান হিসেবে।

অন্যদিকে আরেকটি শক্তিশালী শাখা হিসেবে আবির্ভূত হয় টেলিও-ফাংশনালিজম (Teleofunctionalism) বা উদ্দেশ্যমূলক ক্রিয়াবাদ, যার নেতৃত্ব দেন দার্শনিক রুথ মিলিকান (Ruth Millikan) এবং উইলিয়াম লাইকান (William Lycan) (Millikan, 1989; Lycan, 1987)। টেলিও-ফাংশনালিজমের মূল যুক্তি হলো, কেবল বর্তমান কার্যকারণ ভূমিকা দেখলেই কোনো মানসিক অবস্থার প্রকৃত সত্তা বোঝা যায় না; দেখতে হবে সেই ব্যবস্থার উদ্দেশ্য বা কাজটা কী হওয়ার কথা ছিল। জীববিজ্ঞানে একটি হৃদপিণ্ডের কাজ হলো রক্ত পাম্প করা, এমনকি যদি কোনো রোগে আক্রান্ত হয়ে হৃদপিণ্ডটি রক্ত পাম্প করতে ব্যর্থও হয়, তবুও তার কার্যগত উদ্দেশ্য অপরিবর্তিত থাকে। কারণ বিবর্তনের মাধ্যমে এই অঙ্গটি ওই নির্দিষ্ট কাজের জন্যই বিকশিত হয়েছে।

টেলিও-ফাংশনালিজম দাবি করে যে মানুষের মানসিক অবস্থারও এক ধরনের স্বাভাবিক বা উদ্দেশ্যমূলক কার্যকারিতা রয়েছে। কোনো একটি কৃত্রিম ব্যবস্থার ভেতরে কেবল কিছু প্রতীক এলোমেলোভাবে নড়াচড়া করলেই তা বুদ্ধিমান মন তৈরি করে না। সেই সিস্টেমটিকে এমন একটি সমন্বিত উদ্দেশ্যে কাজ করতে হবে, যা বাস্তব পৃথিবীর সাথে সঙ্গতিপূর্ণ এবং কার্যকর অভিযোজনে সক্ষম। এই বিতর্কটি স্পষ্ট করে তোলে যে মেশিন ইন্টেলিজেন্স কেবল ইনপুট-আউটপুটের তাৎক্ষণিক মিলের বিষয় নয়, বরং সিস্টেমের দীর্ঘমেয়াদী উদ্দেশ্য, তথ্যগত অভিযোজন এবং পরিবেশের সাথে অর্থপূর্ণ সম্পর্ক স্থাপনের সামর্থ্যের ওপর নির্ভরশীল।

ফাংশনালিজমের বিরুদ্ধে আক্রমণ: ব্লকহেড, চীন জাতি ও অনুপস্থিত কোয়ালিয়া (Objections to Functionalism: Blockhead, China Brain, and Inverted Qualia)

ক্রিয়াবাদের এই সুবিশাল তাত্ত্বিক সাফল্যের মুখে বেশ কিছু জোরালো দার্শনিক পাল্টা যুক্তি ও চিন্তা-পরীক্ষা বা থট এক্সপেরিমেন্ট হাজির করা হয়েছে। এর মধ্যে সবচেয়ে অগ্রগণ্য হলেন দার্শনিক নেড ব্লক (Ned Block)। তিনি দেখান যে ক্রিয়াবাদ মানসিক অবস্থাকে অতিরিক্ত উদারভাবে সংজ্ঞায়িত করে, যার ফলে এমন সব ব্যবস্থার মধ্যেও মনের উপস্থিতি মেনে নিতে হয় যাদের আসলে কোনো মনই নেই। এই সমস্যাটিকে বলা হয় উদারনৈতিকতার সমস্যা (Problem of Liberalism)। এই সংকট তুলে ধরতে ব্লক তার বিখ্যাত চীন জাতি চিন্তা-পরীক্ষা (China Brain Thought Experiment) উপস্থাপন করেন (Block, 1978)।

ব্লক বলেন, ধরা যাক চীন দেশের শত কোটি মানুষকে একত্রিত করা হলো এবং তাদের প্রত্যেককে একটি করে রেডিও এবং একটি সুনির্দিষ্ট নির্দেশিকা দেওয়া হলো। এই নির্দেশিকাটি ঠিক মানুষের একটি মস্তিষ্কের নিউরনের কার্যগত নেটওয়ার্কের মতোই সাজানো। একজন মানুষ যখন কোনো সংকেত পায়, সে অন্যজনকে রেডিওতে বার্তা পাঠায়। পুরো চীন দেশ মিলে যদি কোনো মানুষের মস্তিষ্কের কার্যগত ইনপুট-আউটপুট নেটওয়ার্কের হুবহু অনুকরণ করে একটি কৃত্রিম রোবট শরীরকে পরিচালনা করে, তবে ক্রিয়াবাদের তত্ত্ব অনুযায়ী এই পুরো চীন জাতির সমন্বিত রূপটিকে একটি একক ‘সচেতন মন’ হিসেবে স্বীকার করতে হবে। কিন্তু একটি পুরো দেশের মানুষের সমন্বিত রেডিও সংকেতের মধ্যে কোনো সমন্বিত আনন্দ, দুঃখ বা বেদনার অনুভূতি থাকা আপাতদৃষ্টিতে অসম্ভব মনে হয়।

ব্লক আরও একটি চিন্তা-পরীক্ষা উপস্থাপন করেন যা ব্লকহেড (Blockhead) নামে পরিচিত (Block, 1981)। ধরা যাক এমন একটি রোবট বানানো হলো যার মেমোরিতে মানুষের সম্ভাব্য সমস্ত কথোপকথনের একটি বিশাল লুকআপ টেবিল বা তথ্যভাণ্ডার সংরক্ষিত আছে। কোনো মানুষ যা-ই বলুক না কেন, রোবটটি টেবিল দেখে নিখুঁতভাবে উত্তর দিতে পারে। কার্যগতভাবে এই রোবটটি মানুষের মতোই আচরণ করছে এবং বাহ্যিকভাবে কোনো তফাত বোঝা যাচ্ছে না। কিন্তু প্রকৃতপক্ষে এটি কোনো অর্থ বোঝে না, এর কোনো বিশ্বাস বা চিন্তা নেই; এটি কেবল একটি অন্ধ যান্ত্রিক টেবিল অনুসরণ করছে। ফলে কেবল কার্যগত ইনপুট-আউটপুট মিল থাকলেই সেখানে প্রকৃত বুদ্ধিমত্তা আছে বলা যায় না।

এর পাশাপাশি যোগ হয় অনুপস্থিত কোয়ালিয়া (Absent Qualia) এবং উল্টানো কোয়ালিয়া (Inverted Qualia)-র দার্শনিক সমস্যা, যা নিয়ে বিশদ আলোচনা করেছেন দার্শনিক সিডনি শ্যূমেকার (Sydney Shoemaker) (Shoemaker, 1975; Shoemaker, 1981)। কোয়ালিয়া হলো কোনো অভিজ্ঞতার আত্মগত বা গুণগত দিক, যেমন লাল রঙের অনুভূতির লালত্ব কিংবা কফির সুবাসের অনন্য অনুভূতি। এটা পুরোপুরি সম্ভব যে একটি কার্যগতভাবে নিখুঁত যন্ত্র মানুষের মতো সমস্ত কাজ করছে, কিন্তু তার ভেতরে কোনো ধরনের আত্মগত অভিজ্ঞতা বা কোয়ালিয়া নেই – সেটি একটি নিছক অন্ধকার যান্ত্রিক প্রক্রিয়া মাত্র। ক্রিয়াবাদ যেহেতু কেবল কাঠামোগত ভূমিকা নিয়ে কাজ করে, তাই চেতনার এই আত্মগত অনুভূতি ব্যাখ্যা করতে এটি গভীর সংকটের মুখে পড়ে।

মেশিন ইন্টেলিজেন্সের সত্তাতাত্ত্বিক অবস্থান ও কৃত্রিম মনের সম্ভাবনা (Ontological Status of Machine Intelligence and the Possibility of Artificial Mind)

সমস্ত দার্শনিক আপত্তি ও সমালোচনার পরেও ক্রিয়াবাদ কৃত্রিম বুদ্ধিমত্তার দর্শনে সবচেয়ে যৌক্তিক ও শক্তিশালী তত্ত্ব হিসেবে নিজের প্রাসঙ্গিকতা ধরে রেখেছে। কারণ এটি আমাদের দেখায় যে বুদ্ধিমত্তা কোনো রক্ত-মাংসের একচেটিয়া অধিকার নয়। সত্তাতাত্ত্বিক দৃষ্টিকোণ থেকে ক্রিয়াবাদ কৃত্রিম মনকে কোনো অসম্ভব কল্পনা হিসেবে দেখে না, বরং দেখে একটি প্রকৌশলগত ও তাত্ত্বিক সম্ভাবনা হিসেবে। যদি একটি কৃত্রিম ব্যবস্থা তথ্য গ্রহণ করতে পারে, নিজের অভ্যন্তরীণ অবস্থার মধ্যে যৌক্তিক সামঞ্জস্য বজায় রেখে স্মৃতি সংরক্ষণ করতে পারে এবং পরিবেশের পরিবর্তনের সাথে সাথে নতুন সিদ্ধান্ত গ্রহণ করতে পারে, তবে ক্রিয়াবাদের দৃষ্টিতে সেই ব্যবস্থার একটি বাস্তব মানসিক এজেন্সি রয়েছে।

দার্শনিক ড্যানিয়েল ডেনেট (Daniel Dennett) এই অবস্থানকে আরও সংহত করতে গিয়ে প্রস্তাব করেন তার ইন্টেনশনাল স্ট্যান্স (Intentional Stance) তত্ত্ব (Dennett, 1987)। ডেনেটের মতে, কোনো সিস্টেমকে আমরা যদি একটি যুক্তিসঙ্গত, বিশ্বাস ও উদ্দেশ্যসম্পন্ন এজেন্ট হিসেবে বিবেচনা করে তার পরবর্তী পদক্ষেপ সঠিকভাবে অনুমান করতে পারি, তবে সেই সিস্টেমের মন আছে কি না তা নিয়ে অতিরিক্ত আধ্যাত্মিক সংশয় প্রকাশের প্রয়োজন নেই। যখন একটি আধুনিক এআই দাবাড়ু গ্র্যান্ডমাস্টারকে পরাজিত করে, তখন আমরা তার আচরণকে কোনো সাধারণ ধাতব জড়বস্তু হিসেবে দেখি না; আমরা তাকে এমন এক সত্তা হিসেবে বিশ্লেষণ করি যার নির্দিষ্ট লক্ষ্য, কৌশল এবং পরিস্থিতি মূল্যায়নের সামর্থ্য রয়েছে।

তবে ক্রিয়াবাদের আলোকে মেশিন ইন্টেলিজেন্সের একটি নতুন মাত্রা বর্তমান যুগে স্পষ্ট হয়ে উঠছে, যা হলো কৃত্রিম সিস্টেমের জটিলতার মাত্রা। আধুনিক ডিপ লার্নিং ও নিউরাল নেটওয়ার্কগুলো সাধারণ লুকআপ টেবিলের মতো কাজ করে না। এগুলো বিলিয়ন বিলিয়ন প্যারামিটারের মাধ্যমে নিজেদের ভেতরের কার্যগত অবস্থান পরিবর্তন করে এবং পরিবেশ থেকে স্বয়ংক্রিয়ভাবে জ্ঞান আহরণ করে। ফলে ব্লকের সাধারণ চীন মস্তিষ্ক কিংবা ব্লকহেডের যে সরল রূপ একসময় সমালোচনার জন্য ব্যবহৃত হতো, আধুনিক জটিল স্বনিয়ন্ত্রিত নেটওয়ার্কের ক্ষেত্রে সেই সমালোচনাগুলোর তীব্রতা অনেকটাই হ্রাস পায়। কার্যগতভাবে জটিল ও স্বয়ংক্রিয় নেটওয়ার্কগুলো ধীরে ধীরে এমন এক স্তরে পৌঁছাচ্ছে যা মানুষের কগনিটিভ দক্ষতার বহু অংশকেই সফলভাবে পুনরুৎপাদন করতে সক্ষম।

সবশেষে বলা যায়, ক্রিয়াবাদ ও মেশিন ইন্টেলিজেন্সের সম্পর্ক কেবল প্রযুক্তির সাফল্য নয়, এটি মানুষের আত্মদর্শনেরও এক রূপান্তর। মানুষ যে বিশ্বজগতের এক অনন্য অবস্তুগত ব্যতিক্রম নয়, বরং প্রাকৃতিক বিবর্তনের মাধ্যমে গড়ে ওঠা একটি অত্যন্ত জটিল কার্যগত জৈবিক ব্যবস্থা – এই সত্যটি ক্রিয়াবাদের মাধ্যমেই প্রাতিষ্ঠানিক রূপ পেয়েছে। যন্ত্রের ভেতর যখন সেই একই কার্যগত রূপের প্রতিফলন দেখা যায়, তখন তা মানুষকে নিজের চিন্তা, সচেতনতা এবং বুদ্ধিমত্তার আসল স্বরূপ নতুন করে বোঝার সুযোগ করে দেয়। এর মাধ্যমেই বস্তুজগতের সীমানার ভেতর দাঁড়িয়ে বুদ্ধিমান মনের সার্বজনীন রূপরেখা আঁকা সম্ভব হয়।

কম্পিউটেশনালিজমের সীমা (Limits of Computationalism): গণনা, অর্থ, ইনটেনশনালিটি ও মানসিকতা

ইনটেনশনালিটি ও ব্রেন্টানোর অনপনেয়তা থিসিস (Intentionality and Brentano’s Irreducibility Thesis)

মানুষের মানসিক জীবনের সবচেয়ে লক্ষ্যণীয় এবং গভীর বৈশিষ্ট্য হলো, আমাদের প্রতিটি চিন্তা জগতের কোনো না কোনো বিষয়ের সাথে সম্পর্কিত থাকে। আমরা যখন কোনো কিছু বিশ্বাস করি, আশা করি, ভয় পাই কিংবা কোনো স্বপ্ন দেখি, তখন সেই মানসিক অবস্থার একটি সুনির্দিষ্ট বিষয়বস্তু বা নিশানা থাকে। উনিশ শতকের অস্ট্রিয়ান দার্শনিক ফ্রাঞ্জ ব্রেন্টানো (Franz Brentano) তার সুবিখ্যাত গ্রন্থ সাইকোলজি ফ্রম অ্যান এম্পিরিকাল স্ট্যান্ডপয়েন্ট (Psychology from an Empirical Standpoint)-এ মানসিক জগতের এই অনন্য বৈশিষ্ট্যকে ইনটেনশনালিটি (Intentionality) বা বিষয়মুখীনতা হিসেবে চিহ্নিত করেছিলেন (Brentano, 1874)। ব্রেন্টানোর মূল যুক্তি ছিল, এই ইনটেনশনালিটিই হলো মানসিক অবস্থাকে ভৌত জগতের জড়বস্তু থেকে আলাদা করার চূড়ান্ত মানদণ্ড। একটি জড় পাথরের টুকরো বা রাসায়নিক অণুর নিজস্ব কোনো বিষয়মুখীনতা থাকে না; তারা কেবল স্থান জুড়ে থাকে, কিন্তু তাদের অস্তিত্ব অন্য কোনো কিছুর দিকে নির্দেশ করে না।

কম্পিউটেশনালিজম বা গণনাবাদের মূল দাবি হলো মনকে একটি প্রতীক পরিচালনাকারী ব্যবস্থা হিসেবে পুরোপুরি ব্যাখ্যা করা সম্ভব। কিন্তু ব্রেন্টানোর এই ইনটেনশনালিটি সংক্রান্ত যুক্তি গণনাবাদের সামনে এক দুর্লঙ্ঘ্য প্রাচীর হয়ে দাঁড়ায়। একটি কম্পিউটারের মেমোরিতে থাকা বাইনারি বিট বা সিলিকন চিপের ভোল্টেজ নিজে থেকে কোনো বাস্তব বিষয়ের দিকে নির্দেশিত হতে পারে না। দার্শনিক জন সার্ল (John Searle) এই পার্থক্যের ওপর ভিত্তি করে মৌলিক ইনটেনশনালিটি (Intrinsic Intentionality) এবং অর্জিত ইনটেনশনালিটি (Derived Intentionality)-র মধ্যে গভীর ফারাক তুলে ধরেন (Searle, 1983)। একটি মুদ্রিত বইয়ের পাতার অক্ষরের অর্থ যেমন একজন সচেতন পাঠকের পড়ার ওপর নির্ভর করে, কম্পিউটারের ভেতরের ডেটাও তেমনই বাইরে থেকে মানুষের দেওয়া ব্যাখ্যার ওপর নির্ভরশীল। কম্পিউটারের নিজের ভেতরে তথ্যের কোনো নিজস্ব উপলব্ধি বা মৌলিক বিষয়মুখীনতা তৈরি হয় না।

দার্শনিক ফ্রেড ড্রেটসকে (Fred Dretske) তথ্যের কার্যকারণ সম্পর্কের মাধ্যমে প্রাকৃতিক নিয়মে ইনটেনশনালিটিকে ব্যাখ্যা করার একটি পথ খুঁজেছিলেন (Dretske, 1988)। ড্রেটসকে দাবি করেন যে পরিবেশ থেকে সংবেদনশীল অঙ্গের মাধ্যমে মস্তিষ্কে যে তথ্যগত পরিবর্তন ঘটে, সেই কার্যকারণ সম্পর্কই মানসিক অবস্থার ভেতর বিষয়মুখীনতা তৈরি করে। তবে সমালোচকরা দেখিয়েছেন যে কার্যকারণ সম্পর্ক এবং ইনটেনশনালিটির রূপ এক নয়। ভৌত জগতের কার্যকারণ সম্পর্ক সবসময় বাস্তব কোনো বস্তু বা ঘটনার সাথে যুক্ত থাকে, যেমন আগুন লাগলে ধোঁয়া তৈরি হয়। কিন্তু মানুষের মন এমন সব বিষয় নিয়েও গভীর চিন্তা করতে পারে যার বাস্তব কোনো অস্তিত্বই নেই, যেমন ডানাওয়ালা ঘোড়া বা সোনার পাহাড়। নিছক যান্ত্রিক কার্যকারণ বা গণনামূলক অ্যালগরিদম দিয়ে অস্তিত্বহীন বিষয়ের প্রতি মনের এই নির্দেশিত হওয়ার ক্ষমতা ব্যাখ্যা করা অসম্ভব হয়ে পড়ে।

দার্শনিক রডারিক চিশোম (Roderick Chisholm) আরও দেখান যে ইনটেনশনাল বাক্যগুলোর একটি বিশেষ যৌক্তিক রূপ রয়েছে, যাকে বলা হয় নির্দেশনামূলক অস্বচ্ছতা (Chisholm, 1957)। সাধারণ গণনামূলক যুক্তিবিদ্যায় সমমানের একটি পদের জায়গায় অন্য পদ বসালে বক্তব্যের সত্যতার মান পরিবর্তিত হয় না। কিন্তু ইনটেনশনাল বাক্যের ক্ষেত্রে এই নিয়ম কাজ করে না। ধরা যাক, কেউ বিশ্বাস করে যে ‘জ্যোতির্বিজ্ঞানীরা ভোরের তারা পর্যবেক্ষণ করছেন’। এখন ভোরের তারা এবং সন্ধ্যার তারা উভয়ই শুক্র গ্রহ হওয়া সত্ত্বেও, সেই ব্যক্তি ‘জ্যোতির্বিজ্ঞানীরা সন্ধ্যার তারা পর্যবেক্ষণ করছেন’ এই বাক্যে বিশ্বাস নাও করতে পারে। কম্পিউটেশনাল ব্যবস্থার রূপগত ও সিনট্যাক্টিক্যাল নিয়মগুলো মানব মনের এই ইনটেনশনাল জটিলতাকে ধারণ করতে ব্যর্থ হয়।

গ্যোডেলের অসম্পূর্ণতা উপপাদ্য ও লুকাস-পেনরোজ বিতর্ক (Gödel’s Incompleteness Theorems and the Lucas-Penrose Debate)

কম্পিউটেশনালিজমের ভিত্তিমূলে সবচেয়ে বড় আঘাতটি এসেছিল বিশুদ্ধ গণিত ও যুক্তিবিদ্যার ভেতর থেকেই। ১৯৩১ সালে গণিতবিদ কুর্ট গ্যোডেল (Kurt Gödel) তার বিখ্যাত অসম্পূর্ণতা উপপাদ্য (Incompleteness Theorems) প্রকাশ করেন (Gödel, 1931)। গ্যোডেল গানিতিকভাবে প্রমাণ করেন যে সাধারণ পাটিগণিতের নিয়ম ধারণ করতে পারে এমন যেকোনো সংগতিপূর্ণ আনুষ্ঠানিক সিস্টেমে এমন কিছু গাণিতিক বিবৃতি থাকবে যা নিশ্চিতভাবেই সত্য, কিন্তু সেই সিস্টেমের ভেতরের নিয়ম মেনে তা কখনোই প্রমাণ করা সম্ভব নয়। অর্থাৎ, কোনো গাণিতিক স্বয়ংক্রিয় ব্যবস্থাই নিজের ভেতরে সম্পূর্ণ নয়; তার বাইরে গিয়ে সত্যতা যাচাইয়ের প্রয়োজন পড়ে।

এই গাণিতিক সত্যটিকে মানুষের মন ও চিন্তার ক্ষেত্রে প্রয়োগ করেন অক্সফোর্ডের দার্শনিক জন লুকাস (John Lucas)। ১৯৬১ সালে প্রকাশিত তার প্রভাবশালী প্রবন্ধ মাইন্ডস, মেশিনস অ্যান্ড গ্যোডেল (Minds, Machines and Gödel)-এ লুকাস যুক্তি দেন যে মানব মন কোনো টুরিং মেশিন বা অ্যালগরিদমিক ব্যবস্থার সমতুল্য হতে পারে না (Lucas, 1961)। লুকাসের যুক্তি ছিল অত্যন্ত প্রত্যক্ষ: যেকোনো নির্দিষ্ট গণনাযন্ত্রের জন্য গ্যোডেলের নিয়ম অনুযায়ী এমন একটি সত্য গাণিতিক বাক্য থাকবে যা যন্ত্রটি প্রমাণ করতে অক্ষম, অথচ একজন মানুষ সিস্টেমটির বাইরে দাঁড়িয়ে সরাসরি সেই বাক্যের সত্যতা উপলব্ধি করতে পারে। সুতরাং, মানুষের গাণিতিক প্রজ্ঞা ও যুক্তি ক্ষমতা যেকোনো আনুষ্ঠানিক কম্পিউটেশনাল অ্যালগরিদমের চেয়ে মৌলিকভাবেই উচ্চতর।

পরবর্তীতে নোবেলজয়ী পদার্থবিদ ও গণিতবিদ রজার পেনরোজ (Roger Penrose) তার বিখ্যাত গ্রন্থ দ্য এম্পেররস নিউ মাইন্ড (The Emperor’s New Mind) এবং শ্যাডোস অব দ্য মাইন্ড (Shadows of the Mind)-এ লুকাসের এই যুক্তিকে আধুনিক পদার্থবিজ্ঞান ও কোয়ান্টাম তত্ত্বের আলোকে আরও সুদৃঢ় করেন (Penrose, 1989; Penrose, 1994)। পেনরোজ যুক্তি দেন যে মানুষের সচেতন চিন্তাভাবনা এবং বিশেষ করে গাণিতিক অন্তর্দৃষ্টি কোনো গণনাযোগ্য অ্যালগরিদমের ফল নয়। এটি একটি অ-গণনাযোগ্য প্রক্রিয়া (Non-computable Process)। পেনরোজের মতে, মস্তিষ্কের নিউরনের ভেতরের সূক্ষ্ম কাঠামোগুলোতে কোয়ান্টাম স্তরের এমন কিছু ভৌত ঘটনা ঘটে যা চিরাচরিত কম্পিউটেশনাল অ্যালগরিদমের আওতাভুক্ত নয়।

যদিও দার্শনিক পল বেনাসেরাফ (Paul Benacerraf) এবং হিলারি পুটনাম (Hilary Putnam) লুকাস ও পেনরোজের এই দাবির কড়া সমালোচনা করেছিলেন (Benacerraf, 1967; Putnam, 1995)। তারা যুক্তি দেন যে মানুষ নিজেও একটি সংগতিপূর্ণ আনুষ্ঠানিক সিস্টেম হতে পারে যার জটিলতার কারণে সে নিজের ভেতরের গ্যোডেল বাক্যগুলো পুরোপুরি সচেতনভাবে জানে না। মানুষ প্রায়শই ভুল করে এবং অসঙ্গতিপূর্ণ সিদ্ধান্ত নেয়। তবে এই সমস্ত আপত্তি সত্ত্বেও লুকাস-পেনরোজ বিতর্কটি প্রমাণ করে যে গণনাবাদ মনকে যে নিখুঁত অ্যালগরিদমিক খাঁচায় বন্দি করতে চেয়েছিল, গাণিতিক যুক্তিবিদ্যার গভীরতর সত্যগুলোই সেই খাঁচার সীমাবদ্ধতাকে প্রকাশ্যে এনে দিয়েছে।

সিনট্যাক্স বনাম সেমান্টিক্স এবং অর্থের বহিঃস্থ রূপায়ন (Syntax vs. Semantics and the External Grounding of Meaning)

কম্পিউটেশনালিজমের একটি প্রধান কেন্দ্রীয় ধারণা হলো, মানব মনকে একটি প্রতীক পরিচালনাকারী ব্যবস্থা হিসেবে বিবেচনা করা যায় যেখানে রূপগত বা সিনট্যাক্টিক্যাল প্রক্রিয়াকরণই চিন্তার ভিত্তি। কিন্তু দর্শনের একটি মৌলিক প্রশ্ন হলো, কেবল রূপগত নিয়মের ওপর ভিত্তি করে কাজ করলে কি স্বয়ংক্রিয়ভাবে অর্থ বা সেমান্টিক্স তৈরি হওয়া সম্ভব? একটি কম্পিউটার প্রোগ্রাম কাজ করে প্রতীকের বাহ্যিক আকার দেখে; যেমন একটি চিহ্নের পর আরেকটি চিহ্ন বসানোর সুনির্দিষ্ট কোড অনুসরণ করে। এই প্রতীকগুলোর যে বাস্তব দুনিয়ার সাথে কোনো অর্থগত যোগাযোগ থাকতে পারে, সেই ব্যাপারে কম্পিউটারের কোনো সচেতনতা বা উপলব্ধি থাকে না।

দার্শনিক হিলারি পুটনাম (Hilary Putnam) তার বিখ্যাত টুইন আর্থ চিন্তা-পরীক্ষা (Twin Earth Thought Experiment)-এর মাধ্যমে দেখান যে মানসিক অবস্থার অর্থ কেবল অভ্যন্তরীণ কম্পিউটেশনাল প্রক্রিয়ার মাধ্যমে নির্ধারিত হতে পারে না (Putnam, 1975)। পুটনামের সুবিখ্যাত মন্তব্য ছিল, ‘অর্থ কেবল মাথার ভেতরে থাকে না’ (Meanings just ain’t in the head)। ধরা যাক এমন একটি কাল্পনিক গ্রহ রয়েছে যা হুবহু পৃথিবীর মতো, কিন্তু সেখানে জলের রাসায়নিক গঠন H₂O-এর বদলে ভিন্ন একটি যৌগ XYZ। পৃথিবীর একজন মানুষ এবং টুইন আর্থের একজন মানুষের মস্তিষ্কের অভ্যন্তরীণ কম্পিউটেশনাল অবস্থা যদি হুবহু একই রকমও হয়, তবুও তাদের চিন্তার অর্থ ভিন্ন হবে; কারণ একজনের চিন্তা পৃথিবীর জলকে নির্দেশ করছে এবং অন্যজনের চিন্তা টুইন আর্থের তরলকে নির্দেশ করছে। এখান থেকে দেখা যায়, অভ্যন্তরীণ সিনট্যাক্স কখনো চিন্তার সামগ্রিক অর্থ নির্ধারণ করতে পারে না।

দার্শনিক টাইলার বার্জ (Tyler Burge) এই বহিরাগত সত্যতাকে আরও বিস্তৃত করে সামাজিক বাহ্যিকতাবাদ (Social Externalism) তত্ত্ব প্রতিষ্ঠা করেন (Burge, 1979)। বার্জ দেখান যে মানুষের মানসিক প্রত্যয়গুলোর অর্থ কেবল প্রাকৃতিক পরিবেশের ওপর নয়, বরং ব্যক্তি যে সমাজ ও ভাষাগত সংস্কৃতির ভেতরে বাস করে তার সমষ্টিগত ব্যবহারের ওপরও নির্ভর করে। একজন মানুষ যখন কোনো শব্দ ব্যবহার করে, তার মস্তিষ্কের একক কম্পিউটেশনাল অ্যালগরিদম একা সেই শব্দের অর্থ স্থির করতে পারে না। ভাষার অর্থ গড়ে ওঠে সমাজ ও পরিবেশের সাথে মানুষের ঐতিহাসিক এবং পারস্পরিক যোগাযোগের মধ্য দিয়ে।

এই দার্শনিক উপলব্ধিগুলো স্পষ্ট করে দেয় যে কম্পিউটেশনালিজমের অভ্যন্তরীণ রূপতাত্ত্বিক মডেলটি একটি বিচ্ছিন্ন ব্যবস্থার মতো কাজ করে। এটি সিস্টেমের ভেতরের প্রতীকী চালচলন চমৎকারভাবে বর্ণনা করতে পারলেও বাস্তব পৃথিবীর বস্তু, সত্যতা এবং সামাজিক প্রেক্ষাপটের সাথে সেই প্রতীকের যে অর্থপূর্ণ সম্পর্ক, তা ব্যাখ্যা করতে ব্যর্থ হয়। সিনট্যাক্স কখনোই একা সেমান্টিক্সে রূপান্তরিত হতে পারে না; রূপের অন্ধ কারসাজির ভেতর দিয়ে অর্থের প্রকৃত উপলব্ধি অর্জন করা সম্ভব নয়।

ড্রেইফাসের প্রপঞ্চতাত্ত্বিক সমালোচনা ও ফ্রেম সমস্যা (Dreyfus’s Phenomenological Critique and the Frame Problem)

বিশ শতকের সত্তরের দশকে যখন কৃত্রিম বুদ্ধিমত্তা ও কগনিটিভ বিজ্ঞানের গবেষকরা দাবি করছিলেন যে মনকে পুরোপুরি কোডে রূপান্তর করা সম্ভব, তখন ক্যালিফোর্নিয়া বিশ্ববিদ্যালয় বার্কলির দার্শনিক হুবার্ট ড্রেইফাস (Hubert Dreyfus) তার সাড়াজাগানো গ্রন্থ হোয়াট কম্পিউটার্স কান্ট ডু (What Computers Can’t Do) প্রকাশ করেন (Dreyfus, 1972)। ড্রেইফাস দাবি করেন যে কম্পিউটেশনালিজমের মূল ভুলটি হলো এটি মানব বুদ্ধিমত্তাকে নিছক কিছু বিমূর্ত নিয়ম ও তথ্যের সমষ্টি মনে করে। মানুষের বাস্তব জ্ঞান কোনো লিখিত নিয়মাবলি নয়; এটি হলো পরিবেশের সাথে শরীর ও অভিজ্ঞতার মাধ্যমে গড়ে ওঠা এক ধরনের বাস্তব দক্ষতা বা প্রজ্ঞা।

ড্রেইফাস তার যুক্তির ভিত্তি নির্মাণ করেছিলেন জার্মান দার্শনিক মার্টিন হাইডেগার (Martin Heidegger) এবং ফরাসি চিন্তাবিদ মরিস মেরলো-পন্টি (Maurice Merleau-Ponty)-র প্রপঞ্চতাত্ত্বিক দর্শনের ওপর (Heidegger, 1927; Merleau-Ponty, 1945)। হাইডেগার দেখিয়েছিলেন যে মানুষ জগতের দিকে কোনো বিচ্ছিন্ন কম্পিউটারের মতো তথ্য সংগ্রহকারী হিসেবে তাকায় না। মানুষ সবসময় জগতের সাথে কর্মতৎপরতায় যুক্ত থাকে, যাকে তিনি বলেছিলেন ‘জগতে-থাকা’ (Being-in-the-world)। উদাহরণ হিসেবে, একজন দক্ষ চালক যখন গাড়ি চালান, তখন তিনি ট্রাফিকের প্রতিটি কোণ বা গতিবেগের সমীকরণ মনে মনে গণনা করেন না; তার শরীর ও ইন্দ্রিয় পরিস্থিতির সাথে স্বতঃস্ফূর্তভাবে খাপ খাইয়ে নেয়। কম্পিউটারের যেহেতু কোনো রক্ত-মাংসের শরীর নেই এবং জগতের সাথে কোনো বাস্তব সম্পৃক্ততা নেই, তাই সে পরিস্থিতির তাৎপর্য বা ব্যাকগ্রাউন্ড বুঝতে পারে না।

বিজ্ঞানী ও দার্শনিক মাইকেল পোলানি (Michael Polanyi)-র অপ্রকাশ্য জ্ঞান (Tacit Knowledge) তত্ত্বও ড্রেইফাসের যুক্তিকে আরও জোরালো করে (Polanyi, 1966)। পোলানির বিখ্যাত উক্তি ছিল, ‘আমরা যা ভাষায় প্রকাশ করতে পারি তার চেয়ে অনেক বেশি জানি’। একজন সাঁতারু কীভাবে জলে ভেসে থাকে বা একজন শিল্পী কীভাবে ছবি আঁকেন, তার সুনির্দিষ্ট প্রতিটি নিয়ম ভাষায় লিখে প্রকাশ করা যায় না। যদি নিয়মই তৈরি করা না যায়, তবে কম্পিউটারের জন্য সেই কাজের অ্যালগরিদম কীভাবে প্রোগ্রাম করা সম্ভব? গণনাবাদ ধরে নেয় যে মানুষের সমস্ত জ্ঞানই নিয়মভিত্তিক এবং তথ্য আকারে সাজানো, যা মানব কগনিশনের বাস্তব বৈশিষ্ট্যের সম্পূর্ণ বিপরীত।

এই সীমাবদ্ধতা স্পষ্টভাবে প্রকাশিত হয় কৃত্রিম বুদ্ধিমত্তার ফ্রেম সমস্যা (Frame Problem)-র মধ্যে, যা প্রথম তুলে ধরেছিলেন জন ম্যাকার্থি (John McCarthy) এবং প্যাট্রিক হেইস (Patrick Hayes) (McCarthy & Hayes, 1969)। ফ্রেম সমস্যাটি হলো, একটি পরিবর্তনশীল বাস্তব পরিবেশে কোনো একটি নির্দিষ্ট কাজের ফলে পৃথিবীর কোন কোন বিষয় পরিবর্তিত হলো এবং কোন বিষয়গুলো অপরিবর্তিত রইল, তা একটি অ্যালগরিদমিক সিস্টেম কীভাবে বুঝবে? দার্শনিক জেরি ফোডর (Jerry Fodor) স্বীকার করেছিলেন যে প্রাসঙ্গিকতার এই সমস্যাটি কম্পিউটেশনাল দর্শনের জন্য এক বিরাট বাধা (Fodor, 1983)। মানুষের মন স্বজ্ঞাতভাবেই মুহূর্তের মধ্যে অপ্রাসঙ্গিক তথ্য বাতিল করে প্রাসঙ্গিক তথ্যে মনোযোগ দিতে পারে, কিন্তু একটি নিয়মতান্ত্রিক কম্পিউটারকে প্রতিটি সম্ভাবনা আলাদা করে যাচাই করতে গিয়ে গণনামূলক অচলাবস্থায় পড়তে হয়।

দেহবদ্ধতা, গতিশীল ব্যবস্থা ও নন-কম্পিউটেশনাল জ্ঞানতত্ত্ব (Embodiment, Dynamical Systems, and Non-Computational Epistemology)

কম্পিউটেশনালিজমের এই সমস্ত তাত্ত্বিক সংকটের মুখে কগনিটিভ বিজ্ঞানে এক নতুন ধারার সূচনা ঘটে, যা মূর্ত বা দেহবদ্ধ কগনিশন (Embodied Cognition) এবং সন্নিবিষ্ট কগনিশন (Embedded Cognition) নামে পরিচিত। গণনাবাদ মনকে দেখত শরীর থেকে বিচ্ছিন্ন একটি বিমূর্ত ‘সেন্ট্রাল প্রসেসর’ হিসেবে, যেখানে শরীর ছিল কেবল তথ্য সংগ্রহের ক্যামেরা এবং আদেশ কার্যকর করার মোটর অঙ্গ। কিন্তু জীববিজ্ঞানী ও দার্শনিক ফ্রান্সিসকো ভ্যারেলা (Francisco Varela), ইভান থম্পসন (Evan Thompson) এবং এলিনর রোশ (Eleanor Rosch) তাদের বিখ্যাত গ্রন্থ দ্য এমবডিড মাইন্ড (The Embodied Mind)-এ দেখান যে চেতনা মস্তিষ্কের কোনো বিচ্ছিন্ন গণনা নয়; চেতনা তৈরি হয় পরিবেশের সাথে শরীরের নিরবচ্ছিন্ন শারীরিক মিথস্ক্রিয়ার মধ্য দিয়ে (Varela et al., 1991)।

দেহবদ্ধ কগনিশন তত্ত্ব অনুযায়ী, আমাদের চিন্তা ও মানসিক প্রত্যয়গুলো সরাসরি আমাদের শারীরিক গঠন, নড়াচড়া এবং জৈবিক প্রয়োজনের ওপর ভিত্তি করে বিকশিত হয়েছে। ভাষাতাত্ত্বিক জর্জ লেকফ (George Lakoff) এবং দার্শনিক মার্ক জনসন (Mark Johnson) দেখিয়েছেন যে মানুষের ভাষা ও বিমূর্ত ভাবনার মূল ভিত্তি হলো শারীরিক অভিজ্ঞতাপ্রসূত রূপক (Lakoff & Johnson, 1980)। ‘সামনে এগিয়ে যাওয়া’ বা ‘ভারমুক্ত হওয়া’-র মতো মানসিক ধারণাগুলো আমাদের হাঁটাচলা ও শারীরিক ভারসাম্যের অভিজ্ঞতার ফসল। একটি শরীরহীন সিলিকন ডিভাইসের পক্ষে, যার কোনো ক্ষুধা, ক্লান্তি কিংবা শারীরিক অস্তিত্বের অনুভূতি নেই, মানুষের মতো চিন্তার কাঠামো গড়ে তোলা সম্ভব নয়।

এর পাশাপাশি দর্শনে গতিশীল ব্যবস্থা তত্ত্ব (Dynamic Systems Theory) জায়গা করে নেয়, যার অন্যতম প্রবক্তা ছিলেন দার্শনিক টিম ভ্যান গেল্ডার (Tim van Gelder) এবং মনোবিজ্ঞানী এস্থার থেলেন (Esther Thelen) (van Gelder, 1995; Thelen & Smith, 1994)। ভ্যান গেল্ডার যুক্তি দেন যে কগনিশনকে বিচ্ছিন্ন ডিজিটাল ধাপের পরিবর্তে একটি অবিচ্ছিন্ন, নন-লিনিয়ার ডায়নামিক্যাল সিস্টেম হিসেবে বিশ্লেষণ করা উচিত। তিনি উদাহরণ হিসেবে জেমস ওয়াটের বাষ্পীয় ইঞ্জিনের সেন্ট্রিফিউগাল গভর্নরের কথা বলেন, যা কোনো অভ্যন্তরীণ হিসাব বা ডেটা ছাড়াই কেবল ভৌত ভারসাম্যের মাধ্যমে ইঞ্জিনের গতি নিয়ন্ত্রণ করে। মানুষের মস্তিষ্ক ও পরিবেশের সম্পর্কও এমন এক নিরবচ্ছিন্ন সমীকরণ, যেখানে আলাদা করে কোনো অভ্যন্তরীণ প্রতীক গণনার প্রয়োজন পড়ে না।

দার্শনিক অ্যান্ডি ক্লার্ক (Andy Clark) এবং ডেভিড চালমার্স (David Chalmers) তাদের সম্প্রসারিত মন (Extended Mind) তত্ত্বে দেখান যে মানুষের মানসিক প্রক্রিয়া কেবল মাথার খুলির ভেতরে সীমাবদ্ধ থাকে না, এটি বাইরের পরিবেশ ও সরঞ্জামের সাথেও সরাসরি যুক্ত থাকে (Clark & Chalmers, 1998)। মানুষ যখন জটিল হিসাব করার জন্য কাগজ-কলম ব্যবহার করে, তখন সেই কাগজ ও কলম তার কগনিটিভ সিস্টেমেরই অংশ হয়ে ওঠে। ফলে মনকে একটি অভ্যন্তরীণ কম্পিউটেশনাল বাক্স হিসেবে দেখার যে সংকীর্ণ দৃষ্টিভঙ্গি প্রচলিত ছিল, তা ধীরে ধীরে ভেঙে পড়ে এবং মনের পরিবেশ-সংলগ্ন রূপটি প্রধান হয়ে ওঠে।

সিমুলেশন বনাম বাস্তবায়ন এবং কৃত্রিম মনের সীমানা (Simulation vs. Instantiation and the Boundaries of Artificial Mind)

এতসব সমালোচনা ও তাত্ত্বিক সীমাবদ্ধতার মুখোমুখি হয়ে প্রশ্ন জাগে, কম্পিউটেশনালিজম কি তবে পুরোপুরি অচল একটি তত্ত্ব? দর্শনের বস্তুনিষ্ঠ পর্যালোচনা থেকে দেখা যায় যে গণনাবাদ সম্পূর্ণ ভুল ছিল না, বরং এটি ছিল মানব মনের একটি নির্দিষ্ট অংশের চমৎকার কিন্তু অসম্পূর্ণ বিবরণ। যুক্তিবিদ্যা, গাণিতিক সমাধান এবং ভাষা কাঠামোর মতো উচ্চস্তরের সিনট্যাক্টিক্যাল প্রক্রিয়ার ক্ষেত্রে কম্পিউটেশনাল মডেল অভাবনীয় সাফল্য দেখিয়েছে। তবে সংকট তৈরি হয়েছিল তখন, যখন এই আংশিক যান্ত্রিক মডেলটিকে সমগ্র মনের একমাত্র সত্তাতাত্ত্বিক ভিত্তি হিসেবে দাবি করা হয়েছিল।

একটি অত্যন্ত গুরুত্বপূর্ণ দার্শনিক পার্থক্য এখানে মনে রাখা প্রয়োজন, যা হলো অনুকরণ (Simulation) এবং বাস্তবায়ন (Instantiation)-এর মধ্যকার তফাত। একটি সুপারকম্পিউটারে যদি আগ্নেয়গিরির অগ্ন্যুৎপাতের একটি নিখুঁত গাণিতিক সিমুলেশন চালানো হয়, তবে সেই কম্পিউটারটি উত্তাপে গলে যায় না কিংবা সেখান থেকে লাভা নির্গত হয় না। ঠিক তেমনই, মানুষের বুদ্ধিবৃত্তিক আচরণের একটি অত্যন্ত জটিল ও নিখুঁত অ্যালগরিদমিক সিমুলেশন তৈরি করা মানেই সেই সিস্টেমের ভেতরে বাস্তব মন, অনুভূতি কিংবা বিষয়মুখীনতার জন্ম হওয়া নয় (Searle, 1992)। কম্পিউটেশনালিজম প্রায়শই আচরণের বাহ্যিক অনুকরণকে অভ্যন্তরীণ মানসিক সত্তার সাথে গুলিয়ে ফেলেছিল।

দার্শনিক নেড ব্লক (Ned Block) এই তাত্ত্বিক বিভ্রান্তি চিহ্নিত করে দেখান যে কার্যগত বা কম্পিউটেশনাল সমতুল্যতা কখনো মনস্তাত্ত্বিক অভিন্নতার নিশ্চয়তা দিতে পারে না (Block, 1978)। একটি ব্যবস্থা বাইরে থেকে দেখতে ঠিক মানুষের মতো আচরণ করতে পারে, কিন্তু তার ভেতরে চেতনার গুণগত বা প্রথম পুরুষীয় অনুভূতি বা কোয়ালিয়া সম্পূর্ণ অনুপস্থিত থাকতে পারে। কম্পিউটেশন কেবল তথ্যের কাঠামোকে পুনর্গঠন করতে পারে, কিন্তু চেতনার যে সাবজেক্টিভ অভিজ্ঞতা, তা তৈরি করার জন্য প্রয়োজনীয় জৈব-পদার্থগত ও পরিবেশগত ভিত্তি কম্পিউটেশনের আওতার বাইরে থেকে যায়।

ফলে সমকালীন দর্শনে একটি পোস্ট-কম্পিউটেশনাল দৃষ্টিভঙ্গির বিকাশ ঘটছে। এই নতুন ধারায় গণনামূলক অ্যালগরিদমকে সম্পূর্ণ ফেলে দেওয়া হচ্ছে না, বরং তাকে যুক্ত করা হচ্ছে নিউরোবায়োলজির গতিশীল জটিলতা, বিবর্তনমূলক জীববিজ্ঞান এবং দেহবদ্ধ অভিজ্ঞতার সাথে। মন কোনো শান্ত গবেষণাগারে রাখা বিচ্ছিন্ন কম্পিউটার নয়; মন হলো প্রকৃতির কোটি কোটি বছরের বিবর্তনের মধ্য দিয়ে গড়ে ওঠা এক গতিশীল, পরিবেশ-সংলগ্ন এবং জৈবিকভাবে সক্রিয় কাঠামো। গণনার নির্দিষ্ট নিয়ম দিয়ে ডেটা প্রসেস করা যায় এবং কঠিন গাণিতিক ধাঁধার সমাধান করা যায়। কিন্তু অর্থ উপলব্ধি করা, অস্তিত্বের সামগ্রিক তাৎপর্য অনুধাবন করা এবং জগতের সাথে সম্পৃক্ত হওয়ার মতো গভীর মানবিক অভিজ্ঞতাগুলো নিছক যান্ত্রিক গণনার সীমানা ছাড়িয়ে বহু দূরে বিরাজ করে।

যন্ত্র কি চিন্তা করতে পারে? (Can Machines Think?): চিন্তা, বোঝাপড়া ও কৃত্রিম মনের বিতর্ক

অ্যালান টুরিং ও মেশিন ইন্টেলিজেন্স (Alan Turing and Machine Intelligence): ইমিটেশন গেম, টুরিং টেস্ট ও চিন্তা

যন্ত্রের চিন্তার ধারণা ও ধারণাগত রূপান্তর (The Concept of Machine Thought and Conceptual Shift)

মানুষ যখন কোনো যন্ত্রের সামনে দাঁড়ায়, তখন তার মনে অবধারিতভাবে কিছু প্রশ্ন জাগে। সাধারণ মানুষের কাছে যন্ত্র মানেই কিছু জড় পদার্থের সমষ্টি, যা নির্দেশমতো কাজ করে যায়। ঠিক এই জায়গাটিতেই গণিতবিদ অ্যালান টুরিং (Alan Turing) ১৯৫০ সালে এমন একটি প্রশ্ন তুললেন যা গোটা দর্শন ও বিজ্ঞানের জগতকে নাড়া দিয়ে গেল। তার বিখ্যাত গবেষণাপত্র কম্পিউটিং মেশিনারি অ্যান্ড ইন্টেলিজেন্স (Computing Machinery and Intelligence) শুরুই হয়েছিল একটি প্রশ্ন দিয়ে: ‘যন্ত্র কি চিন্তা করতে পারে?’ তবে প্রশ্নটি ছুড়ে দিয়েই তিনি ক্ষান্ত হননি। তিনি লক্ষ্য করলেন, ‘যন্ত্র’ এবং ‘চিন্তা’ – এই দুটো শব্দের প্রচলিত অর্থ খুঁজতে গেলে শেষ পর্যন্ত কোনো অর্থপূর্ণ সিদ্ধান্তে পৌঁছানো যায় না। সাধারণ ভাষার ব্যাকরণ বা জনমতের ওপর নির্ভর করে এই প্রশ্নের মীমাংসা করা অসম্ভব। কারণ চিন্তা কী, সেই সংজ্ঞা নির্ধারণ করতেই দার্শনিকদের শতাব্দীর পর শতাব্দী পার হয়ে গেছে, অথচ কোনো সার্বজনীন সংজ্ঞায় পৌঁছানো যায়নি (Turing, 1950)।

টুরিং এই জটিলতা এড়াতে চাইলেন। তিনি যুক্তি দিলেন, শব্দের আভিধানিক অর্থ নিয়ে বিতর্ক না করে আমাদের এমন এক মানদণ্ড তৈরি করতে হবে যা সরাসরি পর্যবেক্ষণ করা যায়। দার্শনিক পরিভাষায় এটাকে বলা হয় অপারেশনালিজম (Operationalism)। কোনো বিমূর্ত ধারণা যদি সরাসরি পরীক্ষা না করা যায়, তবে তার এমন একটি প্রায়োগিক রূপ দাঁড় করাতে হবে যা পরিমাপযোগ্য। টুরিংয়ের এই পদক্ষেপ প্রচলিত অধিবিদ্যা থেকে দৃষ্টি সরিয়ে নিয়ে এলো কার্যপদ্ধতির দিকে। একটি বস্তু বা সত্তা ভেতরে ভেতরে কী অনুভব করছে বা তার রক্তের ভেতরে প্রাণ আছে কি না, সেই রহস্য অনুসন্ধান করার চেয়ে সে বাইরে থেকে কী আচরণ প্রকাশ করছে, তা দেখা অনেক বেশি ফলপ্রসূ। ভাষা দার্শনিক লুডভিগ ভিটগেনস্টাইন (Ludwig Wittgenstein) যেমন উল্লেখ করেছিলেন যে কোনো শব্দের অর্থ নির্ভর করে ভাষার ভেতরে তার ব্যবহারের ওপর, ঠিক তেমনই টুরিং চিন্তার অর্থকে তার বহিঃপ্রকাশের সঙ্গে যুক্ত করলেন (Wittgenstein, 1953)।

চিন্তা করার সক্ষমতা যদি কোনো অদৃশ্য আত্মার গুণ হয়ে থাকে, তবে বিজ্ঞানের পক্ষে কখনোই জানা সম্ভব নয় যন্ত্র চিন্তা করে কি না। এমনকি পাশের মানুষটিও চিন্তা করছে কি না, তাও কোনো অকাট্য যুক্তি দিয়ে জানা যায় না। ফলে টুরিং পুরো সমস্যাটিকে উল্টে দিলেন। তিনি বললেন, যন্ত্র চিন্তা করতে পারে কি না – এই প্রশ্নের জায়গায় আমাদের বিবেচনা করা উচিত, একটি যন্ত্র মানুষের মতো বুদ্ধিবৃত্তিক আচরণ প্রদর্শন করতে পারে কি না। এই ধারণাগত রূপান্তর বুদ্ধিমত্তাকে কোনো জৈবিক বিশেষাধিকার হিসেবে দেখার চিরাচরিত প্রবণতাকে ভেঙে দিল। চিন্তা তখন আর মস্তিষ্কের কার্বন-ভিত্তিক উপাদানের একচ্ছত্র সম্পত্তি রইল না। বরং তা হয়ে উঠল এমন এক আচরণগত বিন্যাস, যা সিলিকন বা ধাতব তারের মাধ্যমেও প্রকাশ পাওয়া সম্ভব।

এই রূপান্তরের জ্ঞানতাত্ত্বিক ভিত্তি বেশ গভীর। মানুষ যখন কাউকে বুদ্ধিমান বলে স্বীকার করে, তখন সে আসলে তার মাথার ভেতরের নিউরনের খেলা দেখে না। সে দেখে তার যুক্তি, তার কথা বলার ভঙ্গি, সমস্যার সমাধান করার ক্ষমতা। ফলে যন্ত্রের ক্ষেত্রেও যদি আমরা একই মানদণ্ড প্রয়োগ না করি, তবে তা হবে দ্বিচারিতা। টুরিংয়ের এই প্রস্তাব জ্ঞানতত্ত্বে এক নতুন আলোচনার জন্ম দিল। চিন্তা যদি কোনো গোপন মানসিক অবস্থা না হয়ে কেবলই একটি নির্দিষ্ট ধরনের জটিল তথ্য প্রক্রিয়াকরণ ও তার বহিঃপ্রকাশ হয়, তবে বুদ্ধিমত্তার প্রশ্নটি আর দর্শনের অলিন্দে বন্দি থাকে না, তা হয়ে ওঠে একটি সুনির্দিষ্ট পরীক্ষার বিষয়।

ইমিটেশন গেমের কাঠামো ও লিঙ্গভেদ থেকে যন্ত্রের রূপান্তর (Structure of the Imitation Game and Shift from Gender to Machine)

টুরিং তার প্রস্তাবিত পরীক্ষাটির নাম দিয়েছিলেন ‘ইমিটেশন গেম’ বা অনুকরণ খেলা (The Imitation Game)। খেলাটির প্রাথমিক নকশাটি কৃত্রিম বুদ্ধিমত্তা নিয়ে ছিল না, বরং ছিল মানুষের সামাজিক পরিচয়ের অনুকরণ নিয়ে। মূল খেলায় তিনজন অংশগ্রহণকারী থাকে। একজন পুরুষ (A), একজন নারী (B), এবং একজন বিচারক বা প্রশ্নকর্তা (C), যিনি নারী বা পুরুষ যেকোনো একজন হতে পারেন। প্রশ্নকর্তাকে রাখা হয় একটি আলাদা ঘরে। তিনি বাকি দুজনের কাউকে দেখতে পান না, তাদের কণ্ঠস্বরও শুনতে পান না। তাদের মধ্যে যোগাযোগ হয় কেবল টাইপ করা বার্তার মাধ্যমে। প্রশ্নকর্তার কাজ হলো নানা ধরনের প্রশ্ন করে এটা বের করা যে এদের মধ্যে কে পুরুষ আর কে নারী। পুরুষটির লক্ষ্য থাকে প্রশ্নকর্তাকে ভুল পথে চালিত করে ধোঁকা দেওয়া, আর নারীর লক্ষ্য থাকে সত্য কথা বলে প্রশ্নকর্তাকে সঠিক সিদ্ধান্তে পৌঁছাতে সাহায্য করা।

টুরিং এরপর খেলাটিতে এক চমকপ্রদ পরিবর্তন আনলেন। তিনি বললেন, যদি পুরুষটির জায়গায় একটি ডিজিটাল কম্পিউটারকে বসিয়ে দেওয়া হয়, তবে কী ঘটবে? প্রশ্নকর্তা কি তখন আগের মতোই ভুল করবেন? ধরা যাক, প্রশ্নকর্তা নানা বিষয়ে প্রশ্ন করছেন – শেক্সপিয়রের সনেট সম্পর্কে, কোনো অঙ্কের জটিল সমাধান নিয়ে কিংবা দাবা খেলার চাল নিয়ে। যন্ত্রটি উত্তর দিচ্ছে, আর অন্য প্রান্তে বসে থাকা একজন মানুষও উত্তর দিচ্ছে। যন্ত্রটি যদি নিজের যান্ত্রিক পরিচয় গোপন রেখে প্রশ্নকর্তাকে এটা বিশ্বাস করাতে পারে যে সে-ই আসলে মানুষ, তবে বুঝতে হবে যন্ত্রটি পরীক্ষায় সফল হয়েছে। টুরিং যুক্তি দিলেন, যদি কোনো যন্ত্র মানুষকে এমনভাবে অনুকরণ করতে পারে যে একজন বিচক্ষণ বিচারকও মানুষ আর যন্ত্রের পার্থক্য ধরতে হিমশিম খান, তবে সেই যন্ত্রটিকে চিন্তাশীল না বলার কোনো যৌক্তিক কারণ থাকে না।

খেলাটিতে লিঙ্গভেদের রূপান্তর থেকে যন্ত্রের রূপান্তরের এই বিষয়টি দার্শনিকদের বিশেষভাবে ভাবিয়ে তুলেছে। দার্শনিক ড্যানিয়েল ডেনেট (Daniel Dennett) লক্ষ্য করেছেন, টুরিং এখানে মানুষের শারীরিক ও সামাজিক বৈশিষ্ট্য থেকে বুদ্ধিমত্তাকে আলাদা করার চেষ্টা করেছেন (Dennett, 1985)। লিঙ্গ যেভাবে সামাজিক আচরণ ও ভাষার মাধ্যমে তৈরি হয় এবং অনুকরণের মাধ্যমে প্রকাশ পায়, মানুষের বুদ্ধিমত্তাও কি কেবলই ভাষাগত অনুকরণের একটি খেলা? প্রশ্নকর্তা যখন বার্তার অপর প্রান্তে থাকা সত্তার জেন্ডার বা বুদ্ধিমত্তা নির্ধারণ করেন, তখন তিনি কেবল সংকেত বিশ্লেষণ করেন। টুরিং টেলিপ্রিন্টারের মাধ্যমে যোগাযোগ সীমাবদ্ধ করে শারীরিক পক্ষপাত সম্পূর্ণ দূর করেছিলেন। ফলে বর্ণ, লিঙ্গ, শরীর কিংবা যান্ত্রিক অবয়ব এখানে কোনো বাধা হয়ে দাঁড়ায় না। বিচার্য কেবল একটাই – প্রতীকের আদান-প্রদান এবং সেই আদান-প্রদানের বিশ্বাসযোগ্যতা।

ইমিটেশন গেমের কাঠামোটি নিখুঁতভাবে সাজানো হয়েছিল যাতে কোনো বাহ্যিক প্রতারণা বুদ্ধিমত্তার জায়গা না নেয়। যন্ত্রের গায়ের রং কী, তার চাকা ঘুরছে নাকি ট্রানজিস্টর জ্বলছে, তা দেখে বিচার করার কোনো সুযোগ ছিল না। এখানে বুদ্ধিমত্তা কোনো সত্তাগত বিষয় নয়, বরং যোগাযোগের এক আন্তঃক্রিয়াশীল ঘটনা। টুরিংয়ের এই পরীক্ষা কেবল যন্ত্রকে মানুষের আসনে বসায়নি, বরং মানুষকেও এক ধরনের আয়নার সামনে দাঁড় করিয়ে দিয়েছিল। কারণ মানুষ নিজেই যদি অন্য মানুষের মন বুঝতে গিয়ে কেবল ভাষার এই অনুকরণ খেলার ওপর নির্ভর করে, তবে যন্ত্রের বেলাতেই বা অন্য কোনো অলৌকিক প্রমাণের দাবি তোলা হবে কেন? এই প্রশ্নটি দর্শনের এক অস্বস্তিকর সত্যকে উন্মোচন করে।

অন্য মনের সমস্যা ও সচেতনতার আপত্তি (The Problem of Other Minds and The Argument from Consciousness)

টুরিং যখন তার যুক্তি তুলে ধরলেন, তখন তীব্র প্রতিক্রিয়া আসা ছিল স্বাভাবিক। সবচেয়ে বড় আপত্তিটি এলো মানুষের সচেতনতা ও অনুভূতির দিক থেকে। চিকিৎসাবিজ্ঞানী ও স্নায়ুবিদ স্যার জেফ্রি জেফারসন ১৯৪৯ সালের লিস্টার বক্তৃতায় দাবি করেছিলেন, কোনো যন্ত্রকে ততক্ষণ পর্যন্ত মানুষের মস্তিষ্কের সমান বলা যাবে না যতক্ষণ না সে কেবল সংকেত মেলানো ছাড়াও নিজের অনুভূতির জায়গা থেকে কোনো সোনালি সনেট লিখতে পারছে কিংবা কোনো সুর তৈরি করতে পারছে। জেফারসনের মতে, চিন্তা কেবল হিসাব-নিকাশ নয়; চিন্তার সাথে জড়িয়ে থাকে আনন্দ, বিষাদ, অহংকার এবং ব্যর্থতার যন্ত্রণা। যন্ত্র যা করে তা শীতল প্রক্রিয়াকরণ মাত্র, তার পেছনে কোনো সচেতন মনস্তাত্ত্বিক তাড়না বা আত্মোপলব্ধি থাকে না।

দার্শনিক পরিভাষায় এই যুক্তিটি সরাসরি আঘাত করে চেতনার দর্শনের সেই চিরন্তন বিতর্কে, যাকে বলা হয় কোয়ালিয়া (Qualia) বা অভিজ্ঞতার আত্মগত অনুভূতি। দার্শনিক টমাস নাগেল (Thomas Nagel) যেমন পরবর্তী সময়ে উল্লেখ করেছিলেন যে কোনো সত্তার সচেতন হওয়ার অর্থ হলো তার ভেতর থেকে অনুভব করার কিছু একটা থাকা, ঠিক সেই প্রশ্নটিই জেফারসন তুলেছিলেন (Nagel, 1974)। জবাবে টুরিং এক দারুণ দার্শনিক কৌশল নিলেন। তিনি টেনে আনলেন দর্শনের অত্যন্ত প্রাচীন একটি সমস্যা – অন্য মনের সমস্যা (The Problem of Other Minds)। টুরিং বললেন, জেফারসনের এই যুক্তির চরম রূপ হলো নিঃসঙ্গ অহংবাদ বা সোলেপসিজম (Solipsism)। এই মতবাদ অনুযায়ী, একজন মানুষ কেবল নিজের মনের অস্তিত্ব সম্পর্কেই নিশ্চিত হতে পারে, কারণ সে কেবল নিজের ভাবনাই অনুভব করে।

টুরিং যুক্তি দেখালেন, আমরা যখন কোনো মানুষের সাথে কথা বলি, তখন আমরা তার মাথার ভেতরে ঢুকে তার আনন্দ বা বিষাদ পরীক্ষা করে দেখি না। সে যখন একটি ভালো কবিতা আবৃত্তি করে বা গভীর অনুভূতির কথা বলে, আমরা তার মুখের কথা এবং ভাষার অভিব্যক্তির ওপর ভিত্তি করেই ধরে নিই যে তার ভেতরে মন ও চেতনা রয়েছে। তাহলে যন্ত্রের বেলায় কেন দ্বৈত মানদণ্ড প্রয়োগ করা হবে? টুরিং একটি কাল্পনিক মৌখিক পরীক্ষার উদাহরণ দেন। প্রশ্নকর্তা যদি যন্ত্রটিকে প্রশ্ন করেন, ‘আপনার সনেটের প্রথম লাইনে তো গ্রীষ্মের দিনের কথা বলা হয়েছে, বসন্তের দিন বললে কি বেশি ভালো হতো না?’ যন্ত্র যদি উত্তর দেয়, ‘বসন্তের দিনে তো বাতাস বড় চঞ্চল থাকে, গ্রীষ্মের স্থায়িত্ব অনেক বেশি মিষ্টি,’ তবে সেখানে কাব্যিক বোধের যে প্রকাশ ঘটে, তাকে অস্বীকার করার উপায় থাকে না।

টুরিংয়ের মতে, আমরা যদি মানুষের বেলায় আচরণ দেখেই তার সচেতনতাকে স্বীকার করে নিই, তবে যন্ত্রের ক্ষেত্রেও যদি একই ধরনের আচরণগত সূক্ষ্মতা পাওয়া যায়, তবে তার মনকে অস্বীকার করা জ্ঞানতাত্ত্বিকভাবে অযৌক্তিক। জেফারসনের আপত্তি আসলে চিন্তাকে কোনো এক অজ্ঞাত অতিন্দ্রীয় অনুভূতির সাথে গুলিয়ে ফেলেছিল। টুরিং সচেতনতার এই বিমূর্ত দাবিকে ভেঙে দিয়ে দেখালেন, যতক্ষণ না আমরা প্রমাণ করতে পারছি যে মানুষের চেতনা কোনো জৈবিক জাদু ছাড়া অন্য কিছু, ততক্ষণ পর্যন্ত একটি উন্নত আচরণগত ব্যবস্থাকে চিন্তাহীন বলা এক ধরনের গোঁড়ামি মাত্র।

ধর্মতাত্ত্বিক ও গাণিতিক আপত্তি বনাম টুরিংয়ের যুক্তি (Theological and Mathematical Objections versus Turing’s Arguments)

টুরিংয়ের তত্ত্বের বিরুদ্ধে দার্শনিক ও সামাজিক মহল থেকে নানা প্রকার প্রতিরোধ তৈরি হয়েছিল। এর মধ্যে অন্যতম ছিল ধর্মতাত্ত্বিক আপত্তি। এই মতবাদের প্রবক্তারা যুক্তি দেন যে চিন্তা করা কেবল অমর আত্মার কাজ, আর এই আত্মা কেবল মানুষকেই দেওয়া হয়েছে; কোনো পশু বা যন্ত্রের আত্মা নেই, তাই তারা চিন্তা করতে পারে না। টুরিং এই আপত্তিকে অত্যন্ত শান্ত ও সংযতভাবে খণ্ডন করেন। তিনি কোনো ধর্মীয় মতবাদের শ্রেষ্ঠত্ব বিচার না করে বরং তাদের নিজস্ব তাত্ত্বিক কাঠামোর অসঙ্গতি তুলে ধরেন। তিনি উল্লেখ করেন, সর্বশক্তিমান কোনো সত্তার ক্ষমতাকে মানুষের সংকীর্ণ চিন্তার ফ্রেমে বেঁধে ফেলা অযৌক্তিক। যদি কোনো বিশ্বস্রষ্টা থেকেই থাকেন, তবে তিনি চাইলে কোনো প্রাণহীন বস্তুর ভেতরেও মন সঞ্চার করতে পারেন, ঠিক যেমন জৈব দেহের ক্ষেত্রে ঘটে থাকতে পারে বলে বিশ্বাসীরা মনে করেন।

ধর্মতাত্ত্বিক আপত্তি মানুষের অহমিকা থেকেই জন্ম নেয়, যেখানে নিজেকে সৃষ্টির একমাত্র বুদ্ধিমান সত্তা হিসেবে ভাবার বাসনা কাজ করে। অতীতে কোপারনিকাসের মহাবিশ্ব সংক্রান্ত আবিষ্কার কিংবা ডারউইনের বিবর্তনবাদের সময়ও মানুষ ঠিক এভাবেই নিজের কেন্দ্রীয় অবস্থান হারানোর ভয়ে ধর্মীয় যুক্তি খাড়া করেছিল। টুরিং দেখালেন যে বৈজ্ঞানিক দৃষ্টিভঙ্গিতে চিন্তা হলো এক ধরনের প্রাকৃতিক ও ভৌত প্রক্রিয়া। এখানে আত্মাকে কোনো অতিরিক্ত সত্তা হিসেবে না এনেও বস্তুর জটিল সংগঠনের মাধ্যমেই বুদ্ধিবৃত্তির বিকাশ ব্যাখ্যা করা যায়। ফলে আত্মার অজুহাতে যন্ত্রের চিন্তার সম্ভাবনা বাতিল করে দেওয়া দর্শনের দৃষ্টিতে অচল।

ধর্মীয় আপত্তির চেয়ে অনেক বেশি কঠিন ও বাস্তবসম্মত ছিল গাণিতিক আপত্তি। এই আপত্তির মূলে ছিল গণিতবিদ কুর্ট গোডেল (Kurt Gödel) এর বিখ্যাত অপূর্ণতা উপপাদ্য (Gödel, 1931)। গোডেল গাণিতিকভাবে প্রতিষ্ঠিত করেছিলেন যে যেকোনো সংগতিপূর্ণ ও যথেষ্ট শক্তিশালী আনুষ্ঠানিক ব্যবস্থার ভেতরে এমন কিছু বাক্য বা সত্য থাকে, যা সেই ব্যবস্থার নিজস্ব নিয়মে প্রমাণ বা অপ্রমাণ করা যায় না। অর্থাৎ, প্রতিটি লজিক্যাল সিস্টেমেরই নিজস্ব একটি অন্ধবিন্দু বা সীমাবদ্ধতা রয়েছে। পরবর্তীতে দার্শনিক জন লুকাস (John Lucas) এই ধারণার ওপর ভিত্তি করে যুক্তি দেন যে মানুষের মন কোনো আনুষ্ঠানিক নিয়মের খাঁচায় বন্দি নয়; মানুষ এমন সত্য অনুধাবন করতে পারে যা কোনো কম্পিউটার বা টার্নিং মেশিন অ্যালগরিদমের মাধ্যমে বের করতে পারবে না (Lucas, 1961)। ফলে মানুষ কখনোই যন্ত্রের সমকক্ষ হতে পারে না।

টুরিং কিন্তু এই গাণিতিক সীমাবদ্ধতার বিষয়টি আগেই আঁচ করতে পেরেছিলেন। তিনি স্বীকার করেন যে যেকোনো বিচ্ছিন্ন-অবস্থার যন্ত্রের কিছু না কিছু সীমাবদ্ধতা থাকবেই। এমন কিছু প্রশ্ন থাকবে যার উত্তর যন্ত্র দিতে পারবে না বা ভুল উত্তর দেবে। কিন্তু তিনি এক তীব্র পাল্টা প্রশ্ন ছুড়ে দেন: মানুষ কি কোনো ভুলভ্রান্তির ঊর্ধ্বে? এমন কি কোনো মানুষ আছে যে পৃথিবীর সব প্রশ্নের নির্ভুল উত্তর দিতে পারে? লুকাস বা অন্যান্য তাত্ত্বিকরা যন্ত্রের সীমাবদ্ধতার তুলনা করছিলেন এক কাল্পনিক ও সর্বজ্ঞ মানুষের সাথে, বাস্তব মানুষের সাথে নয়। রক্তমাংসের মানুষ প্রতিনিয়ত ভুল করে, বিভ্রান্ত হয়, অসংলগ্ন আচরণ করে। যদি কোনো যন্ত্রের সিদ্ধান্ত গ্রহণের ক্ষেত্রেও সেই ধরনের সীমাবদ্ধতা বা ফাঁকফোকর থাকে, তবে তা মানুষের চিন্তাশক্তির সমান্তরালই বটে। নিখুঁত হওয়াই যদি চিন্তাশীল হওয়ার একমাত্র শর্ত হয়, তবে মানুষের নিজেরও চিন্তাশীল হওয়ার দাবি বাতিল হয়ে যায়।

লেডি লাভলেসের আপত্তি ও যান্ত্রিক মৌলিকতা (Lady Lovelace’s Objection and Mechanical Originality)

আরেকটি প্রভাবশালী ঐতিহাসিক যুক্তি এসেছিল চার্লস ব্যাবেজের অ্যানালিটিক্যাল ইঞ্জিনের বিবরণী থেকে, যার প্রবক্তা ছিলেন অগ্রগামী চিন্তাবিদ অগাস্টা অ্যাডা লাভলেস। তিনি ১৮৪২ সালে মন্তব্য করেছিলেন যে ব্যাবেজের যন্ত্রটির নিজে থেকে নতুন কিছু সৃষ্টি করার কোনো ক্ষমতা নেই; আমরা তাকে যেভাবে নির্দেশ দেব, সে কেবল সেটুকুই করতে পারে। লাভলেসের এই যুক্তি কৃত্রিম বুদ্ধিমত্তার দর্শনে ‘লেডি লাভলেসের আপত্তি’ (Lady Lovelace’s Objection) নামে পরিচিত। আপত্তির মূল বক্তব্য হলো, যন্ত্র কেবল নির্দেশ পালনকারী এক দাস। তার কোনো নিজস্ব মৌলিকতা, উদ্ভাবনী শক্তি বা স্বতঃস্ফূর্ত সৃজনশীলতা নেই। মানুষের চিন্তার অন্যতম বৈশিষ্ট্য হলো নতুন চিন্তা উৎপাদন করা, যা কোনো পূর্বনির্ধারিত ছকের বাইরে গিয়ে দাঁড়ায়। যন্ত্র যেহেতু মানুষের দেওয়া প্রোগ্রামের বাইরে এক পা-ও ফেলতে পারে না, তাই তার কাজকে চিন্তা বলা যায় না।

টুরিং এই আপত্তির গভীরে গিয়ে এর সারবত্তা পরীক্ষা করেন। তিনি প্রশ্ন তোলেন, মানুষের নিজস্ব চিন্তাই বা কতটা মৌলিক? আমরা শৈশব থেকে সমাজ, সংস্কৃতি ও শিক্ষার মাধ্যমে যে জ্ঞান ও নিয়ম অর্জন করি, তারই প্রতিফলন আমাদের চিন্তায় দেখা যায়। মানুষ কি শূন্য থেকে কোনো চিন্তা তৈরি করতে পারে? এমনকি একজন মহান বিজ্ঞানী বা কবিও তার অতীতের অভিজ্ঞতা, পাঠ ও সামাজিক প্রেরণার ওপর দাঁড়িয়েই নতুন কিছু সৃষ্টি করেন। মানুষের চিন্তার ক্ষেত্রে যা আপাতদৃষ্টিতে ‘মৌলিক’ মনে হয়, তা আসলে মস্তিষ্কে জমা হওয়া লক্ষ লক্ষ তথ্যের এক জটিল ও অপ্রত্যাশিত পুনর্গঠন মাত্র।

টুরিং যুক্তি দেন, কম্পিউটারকে নির্দেশ দেওয়ার অর্থ এই নয় যে আমরা সবসময় জানি তার পরিণতি কী হবে। অনেক সময় কোনো প্রোগ্রাম তার রচয়িতাকেও বিস্মিত করে দেয়। জটিল কোনো অ্যালগরিদম যখন লাখ লাখ ধাপ পার হয়ে একটি অপ্রত্যাশিত ফল প্রকাশ করে, তখন তা মানুষের কাছে একটি নতুন আবিষ্কার হিসেবেই ধরা দেয়। দার্শনিক মার্গারেট বোডেন (Margaret Boden) সৃজনশীলতার বিশ্লেষণে দেখিয়েছেন যে সৃজনশীলতা মূলত পরিচিত ধারণাগুলোর এমন এক রূপান্তর বা সংযোগ যা আগে ভাবা হয়নি, আর কম্পিউটেশনাল প্রক্রিয়ায় এই ধরনের নতুনত্বের জন্ম দেওয়া সম্ভব (Boden, 1990)। টুরিং এই যুক্তিকে আরও এগিয়ে নিয়ে বলেন যে প্রোগ্রামার কেবল নিয়ম তৈরি করেন, কিন্তু সেই নিয়মের মিথস্ক্রিয়া থেকে যে জটিল ব্যবস্থার উদ্ভব হয়, তা মানুষের ধারণার সীমানাকে ছাড়িয়ে যেতে পারে।

সবচেয়ে বড় কথা হলো, টুরিং এমন যন্ত্রের কল্পনা করেছিলেন যা নিজে থেকে শিখতে পারে। একটি ‘শিশু-যন্ত্র’ বা লার্নিং মেশিন, যাকে প্রাথমিক কিছু নিয়ম শিখিয়ে দিয়ে বাস্তব পৃথিবীর অভিজ্ঞতার মুখোমুখি ছেড়ে দেওয়া হবে। সেই যন্ত্রটি অভিজ্ঞতার আলোকে নিজের ভেতরের নির্দেশাবলি নিজেই পরিবর্তন ও পরিমার্জন করবে। আধুনিক মেশিন লার্নিংয়ের যুগে দাঁড়িয়ে আমরা দেখতে পাই, টুরিংয়ের এই দূরদৃষ্টি কতটা গভীর ছিল। যখন কোনো গভীর শিক্ষণ ব্যবস্থা নিজে থেকে এমন দাবা বা গো খেলার চাল দেয় যা কোনো মানুষ কোনোদিন ভাবেনি, তখন লেডি লাভলেসের আপত্তি তার কার্যকারিতা হারায়। যন্ত্র তখন আর কেবল নির্দেশ পালনকারী থাকে না, সে হয়ে ওঠে নিজস্ব অভিজ্ঞতা থেকে কৌশল নির্মাণকারী এক সত্তা।

টুরিং টেস্টের জ্ঞানতাত্ত্বিক ভিত্তি ও আচরণবাদের সীমাবদ্ধতা (Epistemological Foundations and Limits of Behaviorism in the Turing Test)

টুরিং টেস্টের দার্শনিক আবেদন যেমন বিপুল, তেমনই এর বিরুদ্ধে তাত্ত্বিক সমালোচনাও কম নয়। এই পরীক্ষার সবচেয়ে বড় তাত্ত্বিক দুর্বলতা হলো এর অন্ধ আচরণবাদী বা আচরণবাদ (Behaviorism) নির্ভর অবস্থান। জ্ঞানতত্ত্বে আচরণবাদের দাবি হলো, মনের ভেতরের কোনো প্রক্রিয়া নিয়ে ভাবার প্রয়োজন নেই, কেবল বাহ্যিক ক্রিয়াকলাপ দেখেই মনস্তাত্ত্বিক অবস্থার সত্যতা যাচাই করা যায়। কিন্তু বাহ্যিক আচরণের হুবহু অনুকরণ কি সত্যিই অভ্যন্তরীণ বোধশক্তিকে প্রমাণ করে? এই প্রশ্নটি টুরিং টেস্টের গ্রহণযোগ্যতাকে কাঠগড়ায় দাঁড় করায়। একজন অভিনেতা যেমন কোনো কষ্ট না পেয়েও নিখুঁতভাবে কান্নার অভিনয় করতে পারে, তেমনই একটি যন্ত্রও মানুষের মনস্তাত্ত্বিক ব্যাকরণ মুখস্থ করে মানুষকে প্রতারিত করতে পারে।

দার্শনিক নেড ব্লক (Ned Block) এই দুর্বলতাকে একটি চিন্তন-পরীক্ষার মাধ্যমে তুলে ধরেন, যা ব্লকের ‘ব্লকহেড’ যুক্তি নামে পরিচিত (Block, 1981)। ধরা যাক, একটি কম্পিউটারের বিশাল মেমরিতে মানুষের সম্ভাব্য সব কথোপকথনের একটি অসীম তালিকা বা লুক-আপ টেবিল আগে থেকেই জমা করে রাখা আছে। প্রশ্নকর্তা যাই জিজ্ঞেস করবেন, যন্ত্রটি সেই তালিকা থেকে মিলিয়ে ঠিকঠাক উত্তরটি বের করে দেবে। এই যন্ত্রটি হয়তো অনায়াসেই টুরিং টেস্ট পাস করে যাবে। কিন্তু দার্শনিক দৃষ্টিতে কি এই যন্ত্রটিকে বুদ্ধিমান বলা সম্ভব? মোটেও না। এটি তো কেবল একটি বিশাল বইয়ের পাতা উল্টে উত্তর খুঁজে বের করার মতো একটি যান্ত্রিক প্রক্রিয়া, যেখানে কোনো বুদ্ধি, বোধ বা চেতনার লেশমাত্র নেই। আচরণ আর বুদ্ধিমত্তা যে দুটি আলাদা বিষয়, ব্লকের এই যুক্তি তা স্পষ্টভাবে চোখে আঙুল দিয়ে দেখিয়ে দেয়।

আরেকটি গুরুত্বপূর্ণ দার্শনিক সমস্যা হলো টুরিং টেস্টের নৃকেন্দ্রিকতা বা মানবকেন্দ্রিক দৃষ্টিভঙ্গি। এই পরীক্ষা বুদ্ধিমত্তাকে কেবল মানুষের সাথে কথা বলার দক্ষতার মধ্যেই সীমাবদ্ধ করে ফেলেছে। জ্ঞানতাত্ত্বিক রবার্ট ফ্রেঞ্চ (Robert French) যুক্তি দিয়েছেন যে টুরিং টেস্ট আসলে কোনো সার্বজনীন বুদ্ধিমত্তার পরীক্ষা নয়, বরং মানুষের সাংস্কৃতিক ও উপ-জ্ঞানমূলক অভিজ্ঞতার পরীক্ষা (French, 1990)। মানুষের ভাষার ভেতরে এমন হাজারো সূক্ষ্ম অনুভূতি, রূপক এবং শারীরবৃত্তীয় অনুষঙ্গ লুকিয়ে থাকে যা কেবল মানুষ হওয়ার অভিজ্ঞতার মাধ্যমেই উপলব্ধি করা সম্ভব। উদাহরণস্বরূপ, একটি মাছি চোখের সামনে ভনভন করলে মানুষের কেমন মেজাজ খারাপ হয়, তা কেবল মাছি তাড়ানোর অভিজ্ঞতা থাকা সত্তাই নিখুঁতভাবে প্রকাশ করতে পারে। যন্ত্র যদি মানুষের এই বিশেষ জৈবিক অনুভূতিগুলোর ভান করতে না পারে, তবে সে বুদ্ধিমান হওয়া সত্ত্বেও টুরিং টেস্টে ফেল করবে।

ফলে টুরিং টেস্ট বুদ্ধিমত্তাকে যাচাই করার চেয়ে বরং প্রতারণার কৌশলকে বেশি পুরস্কৃত করে। যন্ত্রকে বুদ্ধিমান হতে হলে তাকে মিথ্যা বলা শিখতে হয়, মানুষের মতো টাইপিংয়ের গতি কমাতে হয়, মানুষের মতো ছোটখাটো ভুলে ভরা ব্যাকরণ তৈরি করতে হয়। অথচ বুদ্ধিমত্তা তো মানুষের এই বিশেষ সীমাবদ্ধতার চেয়ে অনেক বেশি ব্যাপক হতে পারে। ভিনগ্রহের কোনো বুদ্ধিমান প্রাণী যদি মানুষের মতো ভাষায় কথা বলতে না পারে, তবে কি আমরা তাকে নির্বোধ বলব? টুরিং টেস্ট তাই বুদ্ধিমত্তার চেয়ে মানুষের কথোপকথনের কাঠামোর ওপর বেশি গুরুত্ব দিয়ে ফেলে।

তবুও অ্যালান টুরিংয়ের এই কাজের ঐতিহাসিক ও দার্শনিক গুরুত্ব কোনো অংশেই ম্লান হয় না। তিনি প্রথম এমন এক বাস্তবসম্মত ও কার্যকর রূপরেখা দাঁড় করিয়েছিলেন, যা মানুষকে বাধ্য করেছিল নিজের চিন্তার স্বরূপ নিয়ে নতুন করে ভাবতে। চিন্তা কি কেবলই মানব মস্তিষ্কের জৈবিক রসায়ন, নাকি তা বস্তুর একটি বিশেষ সাংগঠনিক রূপ – এই মৌলিক দার্শনিক বিতর্কের কেন্দ্রে আজও দাঁড়িয়ে আছেন টুরিং। টুরিং টেস্ট নিখুঁত কোনো দার্শনিক সমাধান হয়তো দিতে পারেনি, তবে এটি মানুষের মন, ভাষা এবং কৃত্রিম ব্যবস্থার মধ্যে যে সম্পর্কের সেতু তৈরি করেছে, তা আধুনিক কগনিটিভ সায়েন্স ও কৃত্রিম বুদ্ধিমত্তার ভিত্তিপ্রস্তর হয়ে রয়েছে।

সার্লের চাইনিজ রুম (Searle’s Chinese Room): সিনট্যাক্স, সেমান্টিক্স ও বোঝাপড়া

শক্তিশালী এআই বনাম দুর্বল এআই এবং সার্লের লক্ষ্য (Strong AI vs. Weak AI and Searle’s Target)

মানুষের তৈরি কোনো যন্ত্রের ভেতরে কি সত্যিই কোনো মন বাস করতে পারে, নাকি যন্ত্র কেবল মনের একটি নিপুণ ছায়া তৈরি করে? বিংশ শতাব্দীর শেষভাগে যখন কম্পিউটার বিজ্ঞান তীব্র গতিতে এগিয়ে চলছিল, তখন কগনিটিভ সায়েন্স ও কৃত্রিম বুদ্ধিমত্তার গবেষকরা একটি ধারণার ওপর দাঁড়িয়ে ছিলেন। তাদের দাবি ছিল, উপযুক্ত প্রোগ্রাম দিয়ে পরিচালিত একটি কম্পিউটার কেবল মানুষের চিন্তার অনুকরণের মধ্যেই সীমাবদ্ধ থাকে না, বরং তা আক্ষরিক অর্থেই একটি মন ধারণ করে। ১৯৮০ সালে আমেরিকান দার্শনিক জন সার্ল (John Searle) তার বিখ্যাত গবেষণাপত্র মাইন্ডস, ব্রেনস অ্যান্ড প্রোগ্রামস (Minds, Brains, and Programs)-এ কৃত্রিম বুদ্ধিমত্তার এই ধারণার ওপর সোজাসুজি আঘাত হানেন (Searle, 1980)। সার্ল কোনো অস্পষ্ট তর্কের আশ্রয় নেননি, বরং এই ধারণার গভীরে থাকা দার্শনিক ভ্রান্তিগুলো উন্মোচন করতে চেয়েছিলেন।

সার্ল আলোচনার শুরুতেই কৃত্রিম বুদ্ধিমত্তার গবেষণাকে দুটি আলাদা ভাগে ভাগ করে নেন। একটিকে তিনি নাম দেন দুর্বল এআই (Weak AI) এবং অন্যটিকে শক্তিশালী এআই (Strong AI)। দুর্বল এআই নিয়ে সার্লের কোনো আপত্তি ছিল না। এই দৃষ্টিভঙ্গি অনুযায়ী, কম্পিউটার হলো মানব মন এবং মানুষের নানা বুদ্ধিবৃত্তিক প্রক্রিয়া অধ্যয়ন করার জন্য একটি শক্তিশালী হাতিয়ার। এটা মনস্তত্ত্বের নানা জটিল সূত্র পরীক্ষা করতে সাহায্য করে, বড় বড় হিসাব নিমিষে মিলিয়ে দেয়। এখানে কম্পিউটারকে মন বলা হয় না, বরং মনের কিছু আচরণকে গাণিতিকভাবে বুঝতে একে ব্যবহার করা হয়। আবহাওয়াবিদরা যেভাবে কম্পিউটারে ঝড়ের গতিপ্রকৃতি সিমুলেট বা অনুকরণ করেন, ঠিক সেভাবেই দুর্বল এআই মানুষের চিন্তার কিছু দিক অনুকরণ করে।

সমস্যাটি শুরু হয় শক্তিশালী এআইয়ের দাবি নিয়ে। শক্তিশালী এআইয়ের প্রবক্তাদের মতে, উপযুক্তভাবে প্রোগ্রাম করা একটি কম্পিউটার কেবল মনের মডেল নয়; এটা নিজেই আক্ষরিক অর্থে একটি মন। তাদের বক্তব্য অনুযায়ী, সঠিক ইনপুট এবং আউটপুটের মাঝে যে প্রোগ্রামটি কাজ করে, সেই প্রোগ্রামটির নিজস্ব বোধশক্তি বা কগনিশন তৈরি হয়। অর্থাৎ, কম্পিউটারের ভেতরে যে গণনা চলছে, তা কেবল জড় সংকেতের হিসাব নয়, তা হলো আসল চিন্তা। সার্ল লক্ষ্য করলেন, কম্পিউটার বিজ্ঞানী রজার শ্যাঙ্ক (Roger Schank) এবং তার সহকর্মীরা সেই সময় এমন কিছু প্রোগ্রাম তৈরি করছিলেন যা ছোট ছোট গল্প পড়ে সেই গল্প সম্পর্কিত প্রশ্নের উত্তর দিতে পারত (Schank & Abelson, 1977)। উদাহরণস্বরূপ, একজন মানুষ রেস্তোরাঁয় গিয়ে হ্যামবার্গার অর্ডার দিল, তারপর বিল না মিটিয়ে রেগে বের হয়ে গেল। কম্পিউটারকে জিজ্ঞেস করা হলো, লোকটি কি হ্যামবার্গার খেয়েছিল? প্রোগ্রামটি সঠিকভাবে উত্তর দিল, ‘না, সে খায়নি।’ এআই গবেষকরা দাবি করলেন, কম্পিউটারটি গল্পটি বুঝতে পেরেছে।

সার্ল এই দাবিটি মেনে নিতে পারেননি। তিনি বললেন, মানুষের বোঝার প্রক্রিয়া আর কম্পিউটারের তথ্য প্রক্রিয়াকরণকে একই পাল্লায় মাপা এক বিশাল দার্শনিক ভুল। কোনো ঘটনার বাহ্যিক ফলাফল দেখে যদি ধরে নেওয়া হয় যে ভেতরে উপলব্ধি তৈরি হয়েছে, তবে সেখানে জ্ঞানের সংজ্ঞাই বদলে যায়। শক্তিশালী এআইয়ের তাত্ত্বিকরা বোঝাপড়াকে রূপান্তর করেছিলেন ইনপুট ও আউটপুটের যান্ত্রিক সম্পর্কে। সার্ল দেখাতে চাইলেন, নিখুঁত অনুকরণ কখনোই মূল সত্তার সমতুল্য হতে পারে না। একটি কৃত্রিম ব্যবস্থা বাইরে থেকে যত চমৎকার উত্তরই দিক না কেন, তার ভেতরে কোনো অর্থবোধের জন্ম হয় কি না, সেই মৌলিক প্রশ্নটিকে শক্তিশালী এআই সম্পূর্ণ এড়িয়ে যাচ্ছিল। ঠিক এই জায়গাতেই সার্ল হাজির করেন তার অবিস্মরণীয় চিন্তন-পরীক্ষা।

চাইনিজ রুম চিন্তন-পরীক্ষার কাঠামো ও কার্যপদ্ধতি (Structure and Mechanics of the Chinese Room Thought Experiment)

দার্শনিক আলোচনাকে সহজ ও স্পষ্ট করার জন্য সার্ল একটি দৃশ্যপট কল্পনা করতে বললেন। ধরা যাক, একটি বদ্ধ ঘর। ঘরের ভেতর একজন মানুষ বসে আছেন, যার মাতৃভাষা ইংরেজি। তিনি চীনা ভাষার একটি বর্ণও চেনেন না। তার কাছে চীনা ভাষার চিত্রলিপিগুলো অর্থহীন কিছু আঁকিবুঁকি ছাড়া আর কিছুই নয়। এই ঘরের দেওয়ালে দুটি ছোট ছিদ্র বা স্লট আছে – একটি দিয়ে বাইরে থেকে কাগজ ভেতরে আসে, অন্যটি দিয়ে ভেতর থেকে কাগজ বাইরে পাঠানো যায়। ঘরের ভেতরে ওই মানুষটির সাথে রয়েছে চীনা প্রতীকে ভরা কতগুলো বাক্স এবং একটি নির্দেশিকা বই। সবচেয়ে গুরুত্বপূর্ণ বিষয় হলো, এই নির্দেশিকা বই বা রুলবুকটি লেখা সম্পূর্ণ ইংরেজি ভাষায়, যা ওই মানুষটি পরিষ্কার বুঝতে পারেন।

ঘরের বাইরে দাঁড়িয়ে আছেন কয়েকজন মানুষ, যাদের মাতৃভাষা চীনা। তারা বাইরে থেকে কিছু কাগজের টুকরো ঘরের ভেতরে পাঠান। সেই কাগজগুলোতে চীনা ভাষায় কিছু গল্প লেখা থাকে এবং গল্পের নিচে থাকে কিছু প্রশ্ন। ঘরের ভেতরের মানুষটি যখন সেই কাগজটি হাতে পান, তখন তিনি চীনা অক্ষরগুলো পড়ে কিছুই বোঝেন না। কিন্তু তিনি তার ইংরেজি নির্দেশিকা বইটি খোলেন। বইটিতে কোনো চীনা শব্দের অর্থ লেখা নেই। সেখানে লেখা আছে খাঁটি কাঠামোগত নিয়ম। যেমন, বইয়ে বলা আছে: ‘যখন তুমি এমন একটি আঁকিবুঁকি মার্কা চিহ্ন দেখবে যার মাথায় দুটি দাগ, তখন বাক্স তিন থেকে ওই নির্দিষ্ট গোল দাগওয়ালা চিহ্নটি তুলে নাও এবং নিচে বসিয়ে দাও।’ মানুষটি কোনো চিন্তা না করে, কেবল চিহ্নের আকৃতি মিলিয়ে মিলিয়ে নির্দেশমতো একটি নতুন কাগজের পাতায় চীনা চিহ্ন সাজিয়ে ফেলেন।

কাজ শেষ হলে তিনি সেই সাজানো কাগজের পাতাটি অন্য স্লট দিয়ে বাইরে পাঠিয়ে দেন। ঘরের বাইরে দাঁড়ানো চীনা ব্যক্তিরা যখন সেই পাতাটি পড়েন, তখন তারা চমকে যান। তারা দেখেন, তাদের করা কঠিন প্রশ্নগুলোর অত্যন্ত বুদ্ধিদীপ্ত, যথাযথ ও প্রাসঙ্গিক উত্তর এসেছে। বাইরে থেকে দেখলে যেকোনো চীনা মানুষ দৃঢ়ভাবে বিশ্বাস করবেন যে ঘরের ভেতরে যিনি বসে আছেন, তিনি চীনা ভাষা অসাধারণ বোঝেন। হয়তো তিনি চীনা সাহিত্যের কোনো প্রখ্যাত পণ্ডিত। কারণ তার দেওয়া উত্তরগুলো একজন সাধারণ চীনা মানুষের উত্তরের মতোই সাবলীল এবং প্রাসঙ্গিক। বাইরে থেকে ইনপুট এবং আউটপুটের সম্পর্ক পরীক্ষা করলে ঘরের ভেতরের ব্যবস্থার বুদ্ধিমত্তা নিয়ে কোনো সন্দেহ থাকে না।

এখন সার্ল এক মোক্ষম প্রশ্ন তোলেন। ঘরের ভেতরের মানুষটি কি এক বিন্দু চীনা ভাষা বোঝেন? উত্তর হলো, একদমই না। তিনি একটি শব্দের অর্থও জানেন না। তিনি কেবল ইংরেজি নিয়মের তালিকা মেনে কিছু অর্থহীন প্রতীকের রূপান্তর ঘটিয়েছেন। সার্ল যুক্তি দেন, এই ঘরের মানুষটি যা করছেন, আধুনিক ডিজিটাল কম্পিউটার ঠিক তাই করে। কম্পিউটারের সিপিইউ হলো ওই মানুষটি, তার প্রোগ্রাম হলো ইংরেজি নিয়মপুস্তক, আর মেমোরিতে থাকা ডেটা হলো চীনা অক্ষরের বাক্স। কম্পিউটার যখন কোনো জটিল সমস্যার উত্তর দেয়, বা মানুষের মতো ভাষায় কথা বলে, তখন সে আসলে কিছু শারীরিক ভোল্টেজের তারতম্য ও প্রতীকের স্থান পরিবর্তন ঘটায় মাত্র। সেখানে কোনো বোধ বা বোঝাপড়া তৈরি হয় না। অনুকরণ যতই নিখুঁত হোক, ভেতরের অবস্থাটি অর্থহীনতার এক নিঃসীম মরুভূমি।

সিনট্যাক্স বনাম সেমান্টিক্স: আকারের সাথে অর্থের দ্বন্দ্ব (Syntax vs. Semantics: The Conflict of Form and Meaning)

চাইনিজ রুমের এই রূপক থেকে সার্ল ভাষা ও মনের দর্শনের একটি কেন্দ্রীয় বিরোধকে সামনে আনেন। এই বিরোধটি হলো সিনট্যাক্স (Syntax) এবং সেমান্টিক্স (Semantics)-এর মধ্যকার দ্বন্দ্ব। সিনট্যাক্স বা বাক্যতত্ত্ব আলোচনা করে চিহ্নের রূপ, আকার ও নিয়মভিত্তিক বিন্যাস নিয়ে। সেখানে কোনো চিহ্নের অর্থ কী, তা বিবেচ্য নয়; বরং চিহ্নটি ব্যাকরণের নিয়ম মেনে সাজানো হয়েছে কি না, সেটাই দেখার বিষয়। অন্যদিকে সেমান্টিক্স বা অর্থতত্ত্ব যুক্ত থাকে চিহ্নের তাৎপর্য, তার অর্থ এবং বাস্তব জগতের সাথে সেই চিহ্নের সম্পর্কের ওপর। একটি শব্দ বা প্রতীক বাস্তব জগতের কোন বস্তুকে নির্দেশ করছে, তার ওপর নির্ভর করে সেমান্টিক্স গড়ে ওঠে।

জার্মান দার্শনিক গটলোব ফ্রেগে (Gottlob Frege) অনেক আগেই শব্দের বোধ এবং নির্দেশনার পার্থক্য নিয়ে বিশদ আলোচনা করেছিলেন (Frege, 1892)। একটি প্রতীক যখন কোনো বাস্তব বস্তুর সাথে সম্পর্কিত হয়, তখনই তার ভেতরে অর্থ তৈরি হয়। সার্ল দেখালেন, যেকোনো ডিজিটাল কম্পিউটারের প্রোগ্রাম সম্পূর্ণভাবে সিনট্যাক্টিক্যাল বা রূপগত। কম্পিউটার কাজ করে ০ এবং ১ এর মতো বিচ্ছিন্ন কিছু চিহ্নের ওপর ভিত্তি করে। অ্যালগরিদম কেবল এই চিহ্নগুলোর অবস্থান বদলানোর নিয়ম জানে। যেমন, প্রোগ্রামার যদি লিখে দেন ‘যদি ক ঘটে তবে খ করো’, কম্পিউটার শুধু ‘ক’ প্রতীকের উপস্থিতি পরীক্ষা করে ‘খ’ প্রতীকটি তৈরি করে। কিন্তু ‘ক’ মানে যে আগুন আর ‘খ’ মানে যে উত্তাপ, এই সত্যটি কম্পিউটারের জানার পরিধির বাইরে।

সার্ল তার যুক্তিটিকে একটি সুবিন্যস্ত দার্শনিক যুক্তিকাঠামোয় দাঁড় করান। যুক্তির ধাপগুলো বেশ স্পষ্ট: ১. কম্পিউটার প্রোগ্রাম হলো সম্পূর্ণ আনুষ্ঠানিক বা সিনট্যাক্টিক্যাল। ২. মানব মন কেবল সিনট্যাক্স দিয়ে চলে না, মানুষের মনের ভেতরে অর্থ বা সেমান্টিক বিষয়বস্তু থাকে। ৩. শুধু সিনট্যাক্স কখনোই নিজে থেকে সেমান্টিক্স তৈরি করতে পারে না, বা সেমান্টিক্সের জন্য যথেষ্ট নয়। সুতরাং, কেবল প্রোগ্রামিংয়ের ওপর ভিত্তি করে কোনো মন বা বোঝাপড়া গড়ে উঠতে পারে না।

এই যুক্তিটি শক্তিশালী এআইয়ের ভিত্তিমূলে সরাসরি কুঠারাঘাত করে। চাইনিজ রুমের মানুষটির কাছে চীনা চিত্রলিপিগুলো ছিল কেবল সিনট্যাক্স – কিছু রেখা, কিছু বাঁক। কিন্তু বাইরে থাকা চীনা মানুষদের কাছে সেগুলো ছিল সেমান্টিক্স – তাদের জীবনের অভিজ্ঞতা, ভাব ও ভাষা। মানুষটির হাতের নিয়মপুস্তক তাকে সিনট্যাক্স মেলানোর ক্ষমতা দিয়েছিল, কিন্তু সেমান্টিক্সের জগতে প্রবেশের চাবি দিতে পারেনি। মানুষের ক্ষেত্রে ভাষার প্রতিটি শব্দের পেছনে থাকে অনুভূতির সঞ্চার, বাস্তব জগতের সাথে হাজারো অভিজ্ঞতার সংযোগ। একটি শিশু যখন ‘মা’ শব্দটি শেখে, তখন সে কেবল ধ্বনিটির বিন্যাস শেখে না; সে শেখে স্পর্শ, মমতা ও আশ্রয়ের অর্থ। কম্পিউটারের জন্য প্রতিটি শব্দই কিছু বিটের বিন্যাস মাত্র। ফলে সিনট্যাক্স দিয়ে যতই জাগতিক কারিকুরি দেখানো হোক না কেন, তা থেকে অর্থবোধের জন্ম হওয়া অসম্ভব।

ইনটেনশনালিটি ও মানসিক অবস্থার স্বরূপ (Intentionality and the Nature of Mental States)

বোঝাপড়ার এই সংকটটি আরও গভীরে পৌঁছায় যখন আমরা মনের আরেকটি গুরুত্বপূর্ণ বৈশিষ্ট্য নিয়ে ভাবি। দর্শনে একে বলা হয় ইনটেনশনালিটি (Intentionality)। ঊনবিংশ শতাব্দীতে অস্ট্রিয়ান দার্শনিক ফ্রাঞ্জ ব্রেনটানো (Franz Brentano) দাবি করেছিলেন যে মানসিক অবস্থার এমন এক অনন্য বৈশিষ্ট্য রয়েছে যা কোনো জড় বস্তুর ভেতরে কখনোই পাওয়া যায় না (Brentano, 1874)। এই বৈশিষ্ট্যটি হলো কোনো কিছুর দিকে নির্দেশিত হওয়া বা কোনো বিষয় সম্পর্কিত হওয়া। মানুষের ভয় সবসময় কোনো কিছুকে কেন্দ্র করে হয়, মানুষের বিশ্বাস সবসময় কোনো সত্য বা মিথ্যা ধারণার ওপর দাঁড়িয়ে থাকে, মানুষের আকাঙ্ক্ষা সবসময় কোনো লক্ষ্যের দিকে ধাবিত হয়। মন সবসময় ‘কিছু একটা সম্পর্কে’ থাকে।

সার্ল এই ধারণাকে চাইনিজ রুমের তর্কে চমৎকারভাবে ব্যবহার করেন। তিনি ইনটেনশনালিটিকে দুটি ভাগে ভাগ করেন: মৌলিক ইনটেনশনালিটি (Intrinsic Intentionality) এবং উদ্ভূত ইনটেনশনালিটি (Derived Intentionality)। মানুষের মনের বিশ্বাস, ইচ্ছা, চিন্তা এগুলো হলো মৌলিক ইনটেনশনালিটি। এগুলো মানুষের জৈবিক অস্তিত্ব ও চেতনার ভেতর থেকেই সরাসরি জন্ম নেয়। অন্যদিকে, মানুষ যখন কোনো বই লেখে, ছবি আঁকে বা কম্পিউটারের কোড তৈরি করে, তখন সেই মাধ্যমগুলোতে যে অর্থ দেখা যায়, তা হলো উদ্ভূত ইনটেনশনালিটি। ওই বই বা পাথরের মূর্তির নিজস্ব কোনো অর্থ নেই; মানুষ তার নিজের চেতনা দিয়ে ওই জড় বস্তুর ওপর অর্থ আরোপ করে।

কম্পিউটারের ভেতরে সংরক্ষিত থাকা ফাইল বা কোডগুলো হলো উদ্ভূত ইনটেনশনালিটির খাঁটি উদাহরণ। কম্পিউটারের মেমোরিতে যখন লেখা থাকে ‘আজ বাইরে খুব রোদ’, তখন কম্পিউটার নিজে কোনো রোদ অনুভব করে না, রোদের কোনো ধারণাও তার মধ্যে থাকে না। একজন মানুষ যখন সেই স্ক্রিনের লেখাটি পড়ে, তখন মানুষের মন সেখানে অর্থ তৈরি করে। সার্ল বলেন, শক্তিশালী এআই গবেষকরা এই দুই ধরনের ইনটেনশনালিটিকে গুলিয়ে ফেলেছেন। তারা মনে করেন, কম্পিউটার যেহেতু তথ্যের লেনদেন করছে, তাই বুঝি তার ভেতরেও কোনো অভ্যন্তরীণ নির্দেশনামূলক অবস্থা বা মন তৈরি হয়েছে। বাস্তবে কম্পিউটারের যা কিছু ইনটেনশনালিটি দেখা যায়, তা সম্পূর্ণভাবে ব্যবহারকারী বা প্রোগ্রামারের মন থেকে ধার করা।

চাইনিজ রুমের ভেতরের মানুষটির কোনো মৌলিক ইনটেনশনালিটি থাকে না চীনা ভাষার ব্যাপারে। তিনি যখন একটি প্রতীক বাইরে পাঠান, তখন তিনি কোনো বক্তব্য প্রকাশ করতে চান না; তিনি কোনো ধারণাকে চীনা প্রতীকে রূপান্তর করেন না। তার কোনো যোগাযোগ করার ইচ্ছাও থাকে না। তিনি কেবল একটি কাগজের জায়গায় আরেকটি কাগজ রাখছেন। অর্থাৎ, তার ক্রিয়াকলাপের পেছনে কোনো উদ্দেশ্যমূলক মানসিক অবস্থা সক্রিয় নেই। উদ্দেশ্যমূলক মানসিক অবস্থা ছাড়া কোনো সত্য বোঝাপড়া অসম্ভব। বোঝাপড়া কোনো যান্ত্রিক প্রক্রিয়া নয়, তা হলো একটি সত্তার সেই অবস্থা যেখানে সে জানে সে কী বলছে এবং কেন বলছে। কম্পিউটার এই ‘কেন’ এবং ‘কী’ এর বোধ থেকে সম্পূর্ণ বিচ্ছিন্ন।

জৈবিক প্রকৃতিবাদ ও কার্যকারণ ক্ষমতা (Biological Naturalism and Causal Powers)

অনেকে মনে করতে পারেন, সার্ল হয়তো মনের অলৌকিক কোনো সত্তায় বিশ্বাসী ছিলেন এবং যন্ত্রের চিন্তা করার ক্ষমতা অস্বীকার করে কোনো আত্মাবাদী অবস্থান নিয়েছেন। বিষয়টি মোটেও তা নয়। সার্ল নিজেকে একজন কঠোর বস্তুবাদী ও প্রকৃতিবাদী হিসেবে পরিচয় দিতেন। মনের রহস্য ব্যাখ্যা করতে গিয়ে তিনি যে তাত্ত্বিক অবস্থান গ্রহণ করেন, তার নাম জৈবিক প্রকৃতিবাদ (Biological Naturalism) (Searle, 1992)। এই মতবাদ অনুযায়ী, চেতনা এবং মানসিক অবস্থাগুলো কোনো জাদুকরী বা অতিন্দ্রীয় বিষয় নয়; এগুলো পুরোপুরি জৈবিক ঘটনা, যা মস্তিষ্কের নিউরোবায়োলজিক্যাল প্রক্রিয়ার কার্যকারণ সম্পর্কের মাধ্যমে উৎপন্ন হয়।

সার্ল একটি চমৎকার প্রাকৃতিক তুলনা টানেন। তিনি বলেন, জল যেমন নির্দিষ্ট তাপমাত্রায় তরল অবস্থা ধারণ করে, ঠিক তেমনি মস্তিষ্কের ট্রিলিয়ন ট্রিলিয়ন নিউরনের জটিল জৈব-রাসায়নিক মিথস্ক্রিয়ার ফলে চেতনার জন্ম হয়। তরলতা যেমন জলের অণুগুলোর একটি উচ্চস্তরের বৈশিষ্ট্য, চেতনাও তেমনই মস্তিষ্কের একটি উচ্চস্তরের শারীরিক বৈশিষ্ট্য। এখন প্রশ্ন হলো, একটি কম্পিউটার কি কখনো এই বৈশিষ্ট্য অর্জন করতে পারে? সার্ল বলেন, কম্পিউটার হার্ডওয়্যার কেবল তখনই চিন্তা করতে পারবে, যদি তার ভেতরে মানুষের মস্তিষ্কের মতো কার্যকারণ ক্ষমতা বা কজাল পাওয়ার থাকে। কিন্তু বর্তমান কম্পিউটারগুলো যেভাবে তৈরি – সিলিকন চিপ এবং লজিক গেটের মাধ্যমে বিশুদ্ধ সিনট্যাক্স পরিচালনা – সেই নকশায় এই ধরনের কার্যকারণ ক্ষমতা থাকার কোনো কারণ নেই।

এখানেই আসে সিমুলেশন বা অনুকরণ এবং ডুপ্লিকেশন বা পুনরুৎপাদনের গভীর দার্শনিক পার্থক্য। একটি সুপারকম্পিউটারে যদি একটি শক্তিশালী সাইক্লোনের নিখুঁত সিমুলেশন চালানো হয়, তবে কি কম্পিউটারের ঘরের ভেতরে বাতাস বইতে শুরু করবে? কেউ কি সেই ঝড়ে ভিজে একাকার হবে? উত্তর হলো, না। কম্পিউটার সাইক্লোনের প্রতিটি সমীকরণ নিখুঁতভাবে সমাধান করতে পারে, কিন্তু তা দিয়ে ঘরের ভেতরে এক ফোঁটা জল বা বাতাসের আর্দ্রতা তৈরি করতে পারে না। তেমনিভাবে, কম্পিউটারে যদি মানুষের পরিপাকতন্ত্রের একটি নিখুঁত অ্যালগরিদম চালানো হয়, তবে কম্পিউটার কি এক টুকরো পিৎজা হজম করতে পারবে? পারবে না। কারণ হজম করা কোনো গণনামূলক প্রক্রিয়া নয়, তা হলো এক ধরনের জৈব-রাসায়নিক ঘটনা।

সার্ল যুক্তি দেন, চিন্তা করা ও কোনো কিছু বোঝাও ঠিক তেমনি একটি জৈবিক ঘটনা। কগনিটিভ সায়েন্সের সবচেয়ে বড় অন্ধত্ব ছিল এই জায়গায় যে তারা চিন্তাকে একটি খাঁটি বিমূর্ত, সফটওয়্যার-সদৃশ প্রক্রিয়া ভেবে নিয়েছিল। তারা বিশ্বাস করেছিল, হার্ডওয়্যার যাই হোক না কেন – তা মানুষের মগজ হোক, তারের জাল হোক বা টিনের কৌটা হোক – সঠিক সফটওয়্যার চালালেই মন তৈরি হবে। সার্ল এই ধারণাকে সম্পূর্ণ অমূলক বলে অভিহিত করেন। মস্তিষ্ক কেবল একটি হিসাবকারী যন্ত্র নয়, তার ভেতরে রয়েছে কোটি কোটি বছরের বিবর্তনের মাধ্যমে গড়ে ওঠা অনন্য জৈবিক কার্যকারণ ক্ষমতা, যা ছাড়া চেতনার স্ফুরণ অসম্ভব।

কম্পিউটেশনালিজমের ওপর আঘাত ও জ্ঞানতাত্ত্বিক তাৎপর্য (The Blow to Computationalism and Epistemological Significance)

সার্লের চাইনিজ রুম কেবল এআই গবেষণাগারের ওপর নয়, বরং তৎকালীন দর্শনের সবচেয়ে জনপ্রিয় মতবাদ মনের কম্পিউটেশনাল তত্ত্ব (Computational Theory of Mind) এর ওপর এক বিধ্বংসী আঘাত হেনেছিল। সেই সময়ে দার্শনিক হিলারি পুটনাম (Hilary Putnam) এবং জেরি ফোডর (Jerry Fodor) দাবি করেছিলেন যে মানব মন মূলত একটি কম্পিউটেশনাল সিস্টেম (Putnam, 1967; Fodor, 1975)। তারা মনে করতেন, মানসিক অবস্থাগুলো হলো ব্রেন-স্টেটের ওপর কার্যকর ফাংশনাল স্টেট। মস্তিষ্ক হলো হার্ডওয়্যার, আর মন হলো সফটওয়্যার। সার্ল চাইনিজ রুমের মাধ্যমে দেখালেন যে এই ফাংশনালিস্ট মডেলটি মানুষের মনের সবচেয়ে গুরুত্বপূর্ণ অংশ – অর্থাৎ অর্থবোধ এবং অভ্যন্তরীণ অভিজ্ঞতাকে ব্যাখ্যা করতেই পারে না।

সার্ল পরবর্তীতে আরও এক ধাপ এগিয়ে একটি গভীর জ্ঞানতাত্ত্বিক প্রশ্ন তোলেন: গণনা আসলে কার কাছে বিদ্যমান? প্রকৃতিতে কি নিজে থেকে কোনো গণনা চলে? একটি নদী যখন পাহাড় থেকে সাগরের দিকে বয়ে যায়, নদী কি তখন ক্যালকুলাসের সমীকরণ মেলাচ্ছে? সূর্য যখন কিরণ দেয়, সে কি ফিউশন বিক্রিয়ার গাণিতিক হিসাব কষছে? পদার্থবিদ্যায় যা ঘটে তা হলো কিছু ভৌত শক্তির খেলা। সেখানে কোনো সিনট্যাক্স নেই, কোনো গণনা নেই। গণনা তৈরি হয় তখন, যখন একজন সচেতন পর্যবেক্ষক সেই ভৌত ঘটনাকে কোনো নিয়ম বা চিহ্নের সাথে তুলনা করে অর্থ দেন।

দার্শনিক পরিভাষায় সার্ল একে বলেন পর্যবেক্ষক-সাপেক্ষ (Observer-relative) বনাম পর্যবেক্ষক-নিরপেক্ষ (Observer-independent) সত্তা। একটি পাথরের ওজন বা একটি পরমাণুর গঠন হলো পর্যবেক্ষক-নিরপেক্ষ; মানুষ থাকুক বা না থাকুক, তাদের ভৌত অস্তিত্ব একই থাকবে। কিন্তু একটি বস্তুকে ‘টাকা’ বলা, বা কোনো বৈদ্যুতিক তারের স্পন্দনকে ‘কম্পিউটেশন’ বলা হলো পর্যবেক্ষক-সাপেক্ষ। কম্পিউটারের সিলিকন চিপে যা ঘটে তা কেবল ট্রানজিস্টরের মধ্য দিয়ে ইলেকট্রনের প্রবাহ। এই প্রবাহটিকে ‘অ্যালগরিদম’ বা ‘যোগ-বিয়োগ’ বলে সংজ্ঞায়িত করে বাইরে বসে থাকা একজন মানুষ। কম্পিউটার নিজের ভেতরে কোনো গণনা জানে না; গণনা থাকে ব্যবহারকারীর চোখে। তাহলে যে জিনিসটি কেবল মানুষের ব্যাখ্যার ওপর দাঁড়িয়ে আছে, সেই কম্পিউটেশন কীভাবে মানুষের ব্যাখ্যার উৎপত্তিস্থল বা মনের ব্যাখ্যা হতে পারে?

এই যুক্তি কৃত্রিম বুদ্ধিমত্তার জ্ঞানতাত্ত্বিক ভিত্তিকে গভীরভাবে পুনর্বিবেচনা করতে বাধ্য করে। অ্যালান টুরিং বুদ্ধিমত্তাকে দেখেছিলেন সম্পূর্ণ বাইরে থেকে – একজন দর্শকের দৃষ্টিতে। সার্ল দেখালেন, বাইরে থেকে দেখা আচরণ কখনোই জ্ঞানের নির্ভরযোগ্য প্রমাণ হতে পারে না; জ্ঞান ও বোঝাপড়া হলো ভেতরের ঘটনা। চাইনিজ রুম কোনো নেতিবাচক সংশয়বাদ নয়, বরং এটা মানুষকে সতর্ক করে দেয় যে জটিল প্রযুক্তির মোহে পড়ে আমরা যেন মানুষের মনন, চেতনা ও অস্তিত্বের অনন্য জৈবিক বাস্তবতাকে ভুলে না যাই। মানুষের ভাষা কেবল নিয়মের পিঠে নিয়ম সাজানো নয়; এটা অনুভূতির গভীরতা, বিশ্বজগতের সাথে সংযোগ এবং অস্তিত্বের অর্থ খোঁজার এক নিরন্তর প্রক্রিয়া।

চাইনিজ রুমের প্রতিক্রিয়া ও বিতর্ক (Responses to the Chinese Room): প্রধান প্রত্যুত্তর ও পাল্টা যুক্তি

সিস্টেমস রিপ্লাই বা সমগ্র ব্যবস্থার প্রত্যুত্তর (The Systems Reply: Understanding in the Whole System)

দার্শনিক বিতর্কের একটি চমৎকার দিক হলো, কেউ যখন খুব আত্মবিশ্বাসের সাথে একটি চিন্তন-পরীক্ষা খাড়া করেন, তখন প্রতিপক্ষ চুপচাপ বসে থাকে না। জন সার্ল যখন চাইনিজ রুমের মাধ্যমে দাবি করলেন যে কোনো কম্পিউটারই ভাষা বুঝতে পারে না, তখন কৃত্রিম বুদ্ধিমত্তা ও কগনিটিভ সায়েন্সের গবেষকদের মধ্যে প্রবল প্রতিক্রিয়া দেখা দেয়। এর মধ্যে সবচেয়ে জনপ্রিয় এবং তাৎপর্যপূর্ণ প্রত্যুত্তরটি পরিচিতি পায় ‘সিস্টেমস রিপ্লাই’ বা সমগ্র ব্যবস্থার প্রত্যুত্তর (The Systems Reply) হিসেবে। এই যুক্তির মূল কথাটি বেশ সাদামাটা কিন্তু গভীর। যারা এই যুক্তি দেন, তারা স্বীকার করে নেন যে ঘরের ভেতরে থাকা মানুষটি একা কোনো চীনা ভাষা বোঝে না। কিন্তু তাদের বক্তব্য হলো, পুরো বিষয়টি বিচার করতে হবে একটি সামগ্রিক কাঠামোর জায়গা থেকে। ওই মানুষটি তো একা কাজ করছে না; তার সাথে আছে ইংরেজি নির্দেশিকা বই, কাগজ রাখার ড্রয়ার, দেয়ালের স্লট এবং প্রতীক মেলানোর সুনির্দিষ্ট পদ্ধতি। মানুষটি এই পুরো ব্যবস্থার একটি ক্ষুদ্রাংশ বা সেন্ট্রাল প্রসেসিং ইউনিট মাত্র। ভাষা বোঝার কৃতিত্ব যদি দিতে হয়, তবে তা দিতে হবে মানুষ, নিয়মাবলি এবং ঘরের সমস্ত উপাদানের সম্মিলিত নেটওয়ার্ককে।

দার্শনিক ডগলাস হফস্ট্যাটার (Douglas Hofstadter) এবং ড্যানিয়েল ডেনেট (Daniel Dennett) এই অবস্থানকে জোরালোভাবে সমর্থন করেন (Hofstadter & Dennett, 1981)। তারা দেখান, জীববিজ্ঞানের দিকে তাকালেও আমরা একই ঘটনা দেখতে পাই। মানব মস্তিষ্কের একটি একক নিউরন কি সচেতন? কোনো নিউরন কি বাংলা বা ইংরেজি বোঝে? নিশ্চয়ই না। নিউরন কেবল সোডিয়াম ও পটাশিয়ামের আয়ন আদান-প্রদান করে বৈদ্যুতিক সংকেত পাঠায়। কিন্তু কোটি কোটি নিউরন যখন একটি জটিল জৈব নেটওয়ার্ক তৈরি করে, তখন সেই সমগ্র মস্তিষ্কের ভেতর থেকে চিন্তার জন্ম হয়। তাহলে চাইনিজ রুমের ভেতরের মানুষটি যদি একটি একক নিউরনের মতো কেবল যান্ত্রিক কাজ করে যায়, তবে সেই মানুষটির অজ্ঞতা দিয়ে পুরো ব্যবস্থাটির বোধশক্তিকে অস্বীকার করা এক ধরনের যৌক্তিক বিভ্রান্তি। দার্শনিক পরিভাষায় একে বলা হয় অংশের দোষে সমগ্রকে বিচার করার বিভ্রম (Fallacy of Composition)।

দার্শনিক জর্জেস রে (Georges Rey) এই প্রসঙ্গে যুক্তি দেন যে কার্যগত মানসিক অবস্থা সবসময় একটি জটিল কাঠামোর মিথস্ক্রিয়ার ওপর নির্ভর করে (Rey, 1986)। কোনো ব্যক্তি যখন বলে ‘আমি একটি ধারণা বুঝতে পারছি’, তখন সেই বোঝার কাজটি তার মগজের কোনো একটি নির্দিষ্ট কোষে ঘটে না। পুরো মস্তিষ্ক, স্নায়ুতন্ত্র এবং পরিবেশের সাথে তার সংযোগের ফলেই সেই উপলব্ধি তৈরি হয়। চাইনিজ রুমের ক্ষেত্রেও তাই। মানুষটির ব্যক্তিগত অভিজ্ঞতা দিয়ে পুরো রুমের বুদ্ধিমত্তা মাপা ভুল। বাইরে থেকে যে চীনা ব্যক্তি প্রশ্ন পাঠাচ্ছেন, তিনি আসলে কথা বলছেন পুরো ব্যবস্থার সাথে, কোনো একক ব্যক্তির সাথে নয়। ফলে ওই সমগ্র কৃত্রিম ব্যবস্থাটি যদি ব্যাকরণ মেনে সঠিক অর্থপূর্ণ উত্তর তৈরি করতে পারে, তবে ব্যবস্থাটির সামগ্রিক বোঝাপড়াকে অস্বীকার করার কোনো উপায় থাকে না।

সার্ল অবশ্য এই যুক্তির সামনে পিছিয়ে যাননি। তিনি একটি পাল্টা দৃশ্যপট তৈরি করলেন। তিনি বললেন, ঠিক আছে, ঘরের ওই মানুষটিকে আমরা সমস্ত নিয়ম মুখস্থ করিয়ে দিই। মানুষটি তার স্মৃতিতে পুরো নির্দেশিকা বই গেঁথে নিল, সমস্ত প্রতীকের রূপান্তরের নিয়ম নিজের মগজে ঢুকিয়ে নিল। এবার মানুষটিকে ওই ঘর থেকে বের করে খোলা আকাশের নিচে এনে দাঁড় করিয়ে দেওয়া হলো। এখন মানুষটির ভেতরেই পুরো সিস্টেম বিদ্যমান; আলাদা কোনো রুম নেই, ড্রয়ার নেই, কোনো নির্দেশিকা বইও নেই। এবার যদি কেউ তাকে চীনা ভাষায় কিছু জিজ্ঞেস করে, মানুষটি নিজের মাথার ভেতর থাকা রূপান্তরের নিয়মগুলো ঘেঁটে সঠিক চীনা প্রতীক কাগজে লিখে দেবে। কিন্তু প্রশ্ন হলো, মানুষটি কি এখনো এক বিন্দু চীনা ভাষা বোঝে? সার্লের উত্তর: এখনো বোঝে না। কারণ সে এখনো কেবল অর্থহীন চিহ্নের রূপান্তর করছে। সিস্টেমস রিপ্লাইয়ের তাত্ত্বিকরা এই যুক্তির জবাবে বলেন, যখন মানুষটি পুরো সিস্টেম নিজের ভেতর ধারণ করে, তখন তার মনের ভেতরে আরেকটি সমান্তরাল সাব-সিস্টেম তৈরি হয় যা চীনা ভাষা বোঝে, যদিও মূল ব্যক্তিটি তা সচেতনভাবে অনুভব করতে নাও পারে। মনস্তাত্ত্বিক স্তরের এই বিভাজন নিয়ে বিতর্কটি এখনো কগনিটিভ দর্শনের এক জীবন্ত বিষয়।

রোবট রিপ্লাই ও মূর্ত কগনিশনের ধারণা (The Robot Reply and Embodied Cognition)

চাইনিজ রুমের দ্বিতীয় প্রধান প্রত্যুত্তরটি পরিচিত ‘রোবট রিপ্লাই’ বা রোবট প্রত্যুত্তর (The Robot Reply) নামে। এই যুক্তিটির ভিত্তি গড়ে উঠেছে কৃত্রিম বুদ্ধিমত্তার দর্শনে একটি বিশেষ শূন্যতা পূরণের তাগিদ থেকে। অনেকে যুক্তি দিলেন, সার্লের ঘরের মানুষটি ভাষা বুঝতে পারছে না কারণ সে বাইরের বাস্তব পৃথিবী থেকে সম্পূর্ণ বিচ্ছিন্ন। একটি বন্ধ ঘরে বসে প্রতীক নাড়াচাড়া করলে কোনো শব্দের অর্থ বোঝা সম্ভব নয়। অর্থ তৈরি হয় যখন শব্দের সাথে বাস্তব জগতের বস্তু ও অভিজ্ঞতার সরাসরি সংযোগ ঘটে। তাই কম্পিউটারের সেন্ট্রাল প্রসেসরকে একটি বদ্ধ ঘরে না রেখে তাকে একটি সচল রোবটের ভেতরে বসিয়ে দেওয়া যাক। সেই রোবটের মাথায় থাকবে ক্যামেরা যা দিয়ে সে দৃশ্য দেখবে, থাকবে যান্ত্রিক হাত যা দিয়ে সে জিনিসপত্র স্পর্শ করবে, এবং থাকবে চাকা বা পা যা দিয়ে সে বাস্তব পৃথিবীতে চলাফেরা করবে।

রোবট প্রত্যুত্তরের প্রবক্তারা বলেন, এবার পরিস্থিতির পরিবর্তন ঘটবে। যখন রোবটটি একটি আপেল দেখবে, তার ক্যামেরা থেকে আসা অপটিক্যাল ডেটা কম্পিউটারের ভাষায় রূপান্তরিত হবে। রোবটটি যখন হাত বাড়িয়ে আপেলটি ধরবে, তখন তার স্পর্শেন্দ্রিয়ের সংকেত এবং ‘আপেল’ শব্দটির প্রতীকী রূপ একই সাথে সক্রিয় হবে। এভাবে রোবটের ভাষা কেবল বিমূর্ত সিনট্যাক্স থাকবে না; তার ভাষা বাস্তব জগতের বস্তুর সাথে কার্যকারণ সূত্রে জড়িয়ে পড়বে। কগনিটিভ বিজ্ঞানী স্টিভান হারনাড (Stevan Harnad) এই সমস্যাকে দর্শনের পরিভাষায় সংজ্ঞায়িত করেন ‘সিম্বল গ্রাউন্ডিং সমস্যা’ (The Symbol Grounding Problem) হিসেবে (Harnad, 1990)। হারনাড দেখান যে কেবল চিহ্নের সাথে চিহ্নের সংযোগ দিয়ে অর্থ তৈরি হয় না; চিহ্নকে নোঙর ফেলতে হয় বাস্তব ইন্দ্রিয়গ্রাহ্য অভিজ্ঞতার জগতে। রোবটের ভেতরে কম্পিউটার বসালে সেই নোঙর ফেলার কাজটি সফল হয়।

দার্শনিক মার্গারেট বোডেন (Margaret Boden) এই যুক্তির সমর্থনে বলেন, মানুষের ভাষার বোধও একইভাবে গড়ে ওঠে (Boden, 1988)। একটি শিশু যখন ভাষা শেখে, সে অভিধান পড়ে শেখে না। সে তার শরীরের অঙ্গপ্রত্যঙ্গ ব্যবহার করে পরিবেশের সাথে মিথস্ক্রিয়া চালায়। সে পড়ে গিয়ে ব্যথা পায়, দুধের স্বাদ গ্রহণ করে, মায়ের স্পর্শ পায়। এই শারীরবৃত্তীয় অভিজ্ঞতার ওপর দাঁড়িয়েই তার মনের ভেতরে ভাষার সেমান্টিক ভিত্তি রচিত হয়। আধুনিক দর্শনে এই চিন্তাধারাকে বলা হয় মূর্ত কগনিশন (Embodied Cognition)। এই মতবাদ অনুযায়ী, শরীরহীন কোনো বিমূর্ত বুদ্ধিমত্তা হতে পারে না; মন হতে হলে তাকে একটি সক্রিয় শরীরের মাধ্যমে পরিবেশের সাথে যুক্ত থাকতে হবে। একটি মোবাইল রোবট যেহেতু পরিবেশ থেকে তথ্য নিয়ে নিজের অভ্যন্তরীণ অবস্থা পরিবর্তন করতে পারে, তাই তার কাজের ভেতরে সত্যিকারের বোঝাপড়ার বিকাশ ঘটা সম্ভব।

সার্ল এই রোবট প্রত্যুত্তরেরও একটি চমকপ্রদ জবাব তৈরি রেখেছিলেন। তিনি বললেন, ধরা যাক, রোবটের ওই পুরো যান্ত্রিক খুলির ভেতরে ওই একই মানুষটিকে বসিয়ে দেওয়া হলো। রোবটের চোখ থেকে আসা ভিডিও সংকেতগুলো মানুষটির কাছে পৌঁছায় কিছু সংখ্যা বা সাংকেতিক কোড হিসেবে। হাত বা পায়ের মোটরগুলো নাড়ানোর নির্দেশও আসে কেবল কিছু ইংরেজি রুলের মাধ্যমে। মানুষটি সেই রোবটের মাথায় বসেও জানে না যে ওই সংকেতগুলো একটি আপেলের ছবি কিংবা মোটর ঘোরানোর নির্দেশ। সে আগের মতোই কেবল ০ এবং ১ এর খেলা পরিচালনা করে যাচ্ছে। সার্ল যুক্তি দেন, কোনো সিস্টেমে আরও কিছু সেন্সর বা মোটর যুক্ত করলে তথ্যের পরিমাণ বাড়ে বটে, কিন্তু সিনট্যাক্স থেকে সেমান্টিক্সের রূপান্তর ঘটে না। বাইরে থেকে কার্যকারণ সম্পর্ক তৈরি হলেও অভ্যন্তরীণ সত্তার কাছে পুরো ব্যাপারটি অর্থহীন সংকেত রূপান্তর ছাড়া কিছু নয়। রোবটের যান্ত্রিক চোখ হয়তো আলোকে রূপান্তর করতে পারে, কিন্তু সেই রূপান্তরের ভেতরে দেখার কোনো আত্মগত বোধ তৈরি হয় কি না, সেই প্রশ্নটি অমীমাংসিতই থেকে যায়।

ব্রেন সিমুলেটর রিপ্লাই ও নিউরাল অনুকরণ (The Brain Simulator Reply and Neural Simulation)

তৃতীয় যে প্রত্যুত্তরটি সার্লের অবস্থানকে সবচেয়ে কঠিন চ্যালেঞ্জের মুখে ফেলেছিল, তার নাম ‘ব্রেন সিমুলেটর রিপ্লাই’ বা মস্তিষ্ক অনুকরণ প্রত্যুত্তর (The Brain Simulator Reply)। শক্তিশালী এআইয়ের বিরোধিতায় সার্ল সবসময় মস্তিষ্কের জৈবিক ক্ষমতার কথা বলতেন। তিনি দাবি করেছিলেন যে মানুষের মগজের এমন কিছু অনন্য কার্যকারণ ক্ষমতা রয়েছে যা চিন্তা ও চেতনা তৈরি করে। এর জবাবে কম্পিউটার বিজ্ঞানীরা বললেন, বেশ, তাহলে আমরা এমন একটি কম্পিউটার প্রোগ্রাম তৈরি করব যা মানুষের সাধারণ ভাষা-প্রক্রিয়াকরণ অ্যালগরিদম চালাবে না। বরং সেই প্রোগ্রামটি হুবহু অনুকরণ করবে একজন চীনা ভাষাভাষী মানুষের মস্তিষ্কের সমস্ত স্নায়বিক কার্যকলাপ।

দার্শনিক দম্পতি পল চার্চল্যান্ড (Paul Churchland) এবং প্যাট্রিসিয়া চার্চল্যান্ড (Patricia Churchland) এই ধারার তীব্র সমর্থক ছিলেন (Churchland & Churchland, 1990)। তারা বস্তুবাদের এমন এক রূপ উপস্থাপন করেন যা নির্মূলমূলক বস্তুবাদ (Eliminative Materialism) নামে পরিচিত। তাদের মতে, মন বলে আলাদা কোনো বিমূর্ত সত্তা নেই; যা কিছু ঘটে তা হলো মস্তিষ্কের নিউরোবায়োলজিক্যাল প্রক্রিয়ার কার্যকারণ সম্পর্ক। কম্পিউটার যদি কোনো চীনা ব্যক্তির মস্তিস্কের প্রতিটি সিন্যাপস, প্রতিটি নিউরনের অ্যাকশন পটেনশিয়াল এবং নিউরোট্রান্সমিটারের প্রবাহকে গাণিতিকভাবে হুবহু সিমুলেট করে, তবে সেই সিমুলেশন মস্তিষ্কের প্রকৃত কাজের সমতুল্য হবে। যদি আসল মস্তিষ্ক ভাষা বুঝতে পারে, তবে সেই মস্তিষ্কের প্রতিটি উপাদানের নিখুঁত গাণিতিক প্রতিলিপিও কেন ভাষা বুঝবে না?

এই যুক্তির জ্ঞানতাত্ত্বিক ভিত্তি অত্যন্ত জোরালো। যদি কেউ দাবি করে যে ব্রেন সিমুলেশন ভাষা বোঝে না, তবে তাকে এটা ব্যাখ্যা করতে হবে যে আসল মস্তিষ্কে এমন কী অতিরিক্ত উপাদান আছে যা গাণিতিক সমীকরণে ধরা পড়ে না। এটি কি কোনো অদৃশ্য আত্মা? বিজ্ঞান তো কোনো অলৌকিক আত্মায় বিশ্বাস করে না। মস্তিষ্ক যদি পুরোপুরি একটি ভৌত ও জৈবিক ব্যবস্থা হয়, তবে তার কার্যপদ্ধতি নীতিগতভাবে হিসাবযোগ্য। আর যদি তা হিসাবযোগ্য হয়, তবে একটি উপযুক্ত কম্পিউটেশনাল মডেলে সেই স্নায়বিক সংযোগগুলোর প্রতিফলন ঘটালে সেখানে চেতনা ও বোঝাপড়ার জন্ম না হওয়ার কোনো কারণ থাকতে পারে না।

সার্ল এই যুক্তিটি খণ্ডন করতে গিয়ে তাঁর চিন্তন-পরীক্ষাকে আরও একটু নাটকীয় রূপ দিলেন। তিনি বললেন, একটি কম্পিউটার প্রোগ্রামের বদলে কল্পনা করা যাক একটি বিশাল জল সরবরাহের ব্যবস্থা। সেখানে হাজার হাজার জলের পাইপ, কোটি কোটি ভালভ এবং জলের চৌবাচ্চা রয়েছে। এই পাইপগুলোর নেটওয়ার্ক এমনভাবে সাজানো হয়েছে যা কোনো চীনা মানুষের মস্তিষ্কের নিউরনের বিন্যাসের সাথে হুবহু মিলে যায়। চাইনিজ রুমের ভেতরের মানুষটি সেই পাইপের ভালভগুলো নিয়ন্ত্রণ করে। একটি সংকেত এলে সে নির্দেশিকা দেখে নির্দিষ্ট কিছু ভালভ খুলে দেয়, নির্দিষ্ট কিছু পাইপ দিয়ে জল প্রবাহিত হয়, এবং অন্য প্রান্ত দিয়ে আরেকটি সংকেত বের হয়ে আসে।

সার্ল প্রশ্ন করলেন, এই পাইপের ভেতর দিয়ে জলের প্রবাহ কি কোনো চীনা ভাষা বোঝে? জলের পাইপ এবং ভালভের সমষ্টির ভেতরে কি কোনো আনন্দ, কোনো ভাষার সৌন্দর্য বা কোনো ভাবনার জন্ম হতে পারে? সার্লের মতে, মস্তিষ্ক অনুকরণ করার অর্থ এই নয় যে মস্তিষ্কের জৈবিক শক্তি পাওয়া গেল। এখানেও মানুষটি বা পাইপগুলো কেবল যান্ত্রিক নিয়ম পালন করছে। তবে চার্চল্যান্ডরা এর পাল্টা জবাব দিয়ে বলেন, সার্ল এখানে মানুষের কল্পনাশক্তিকে বিভ্রান্ত করছেন। জল আর পাইপের বিশাল জটিলতাকে একটি সাধারণ প্লাম্বিংয়ের কাজ হিসেবে দেখিয়ে তিনি প্রমাণের আগেই সিদ্ধান্ত টেনে নিচ্ছেন। কোটি কোটি সংযোগের জটিলতা যখন একটি নির্দিষ্ট মাত্রায় পৌঁছায়, তখন সেখানে কী ধরনের উচ্চস্তরের বৈশিষ্ট্যের উদ্ভব ঘটতে পারে, তা মানুষের অগভীর সাধারণ জ্ঞান দিয়ে পরিমাপ করা যায় না।

অন্য মনের প্রত্যুত্তর ও জ্ঞানতাত্ত্বিক দ্বৈত মানদণ্ড (The Other Minds Reply and Epistemological Double Standards)

চাইনিজ রুমের বিতর্কে চতুর্থ যে আপত্তিটি দার্শনিকদের ভাবিয়ে তোলে, তা জ্ঞানতত্ত্বের গভীর সংকটের সাথে যুক্ত। একে বলা হয় ‘অন্য মনের প্রত্যুত্তর’ (The Other Minds Reply)। এই যুক্তির প্রবক্তারা প্রশ্ন তোলেন, আমরা কীভাবে জানি যে অন্য কোনো মানুষ সত্যিই কোনো ভাষা বোঝে বা তার ভেতরে চেতনা রয়েছে? রাস্তা দিয়ে হেঁটে যাওয়া কোনো অচেনা পথচারী, কিংবা আমাদের পাশের চেয়ারে বসে থাকা সহকর্মীটি যে কেবল রোবটের মতো আচরণ করছে না, তার গ্যারান্টি কী? আমরা তো কখনোই অন্য কারো মগজের ভেতরে ঢুকে তার আত্মগত অনুভূতি পরীক্ষা করতে পারি না।

দার্শনিক জ্যাক কোপল্যান্ড (Jack Copeland) এবং ডেভিড কোল (David Cole) এই যুক্তিটিকে বিশদভাবে ব্যাখ্যা করেছেন (Copeland, 1993; Cole, 1984)। তাদের বক্তব্য অনুযায়ী, বাস্তব জীবনে আমরা অন্যের চেতনা বা বোঝাপড়া বিচার করি সম্পূর্ণভাবে তার আচরণ ও কথোপকথনের ধারাবাহিকতা দেখে। একজন মানুষ যদি যেকোনো পরিস্থিতিতে যথাযথভাবে কথা বলতে পারে, প্রশ্নের সঠিক জবাব দেয় এবং যুক্তি উপস্থাপন করে, তবে আমরা অনায়াসেই ধরে নিই যে সে ভাষা বোঝে। জ্ঞানতত্ত্বে একেই বলা হয় কার্যকরী প্রমাণ। তাহলে যন্ত্রের ক্ষেত্রে কেন আমরা এক অসম্ভব প্রমাণ দাবি করব? একটি কম্পিউটার যদি চাইনিজ রুমের ভেতর থেকে মানুষের চেয়েও চমৎকার ও সংবেদনশীল উত্তর দিতে পারে, অথচ আমরা বলব ‘না, সে তো ভেতরে ভেতরে কিছু বোঝে না’ – তবে তা হবে সরাসরি দ্বৈত মানদণ্ড।

এই প্রত্যুত্তরটি সার্লের যুক্তির জ্ঞানতাত্ত্বিক ভিত্তিকে কাঠগড়ায় দাঁড় করায়। যদি বাহ্যিক আচরণ এবং কার্যগত সক্ষমতা বোঝাপড়ার প্রমাণ না হয়, তবে আমাদের স্বীকার করে নিতে হবে যে আমরা পৃথিবীর কাউকেই চিন্তাশীল বলে নিশ্চিত হতে পারি না। অন্য কোনো মানুষের ক্ষেত্রে আমরা যে আচরণগত মানদণ্ডকে অনায়াসে সত্য বলে মেনে নিই, কৃত্রিম বুদ্ধিমত্তার সামনে এলে আমরা হঠাৎ করে অতি-সংশয়বাদী হয়ে উঠি এবং এমন এক অভ্যন্তরীণ অনুভূতির প্রমাণ চাই যা কোনোদিন বাইরে থেকে দেখানো সম্ভব নয়। এই দ্বৈত মানদণ্ড বৈজ্ঞানিক অনুসন্ধানের পরিপন্থী।

সার্ল এর উত্তরে বললেন, অন্য মনের সমস্যা দর্শনের একটি সাধারণ সংশয় হতে পারে, কিন্তু চাইনিজ রুমে বিষয়টি একেবারেই ভিন্ন। তিনি যুক্তি দেন, মানুষের ক্ষেত্রে আমরা আচরণ দেখেই মন স্বীকার করি কারণ আমরা জানি ওই মানুষটির মস্তিষ্কের জৈবিক গঠন আমার নিজের মস্তিষ্কের মতোই। সেখানে একই ধরনের বিবর্তনমূলক ইতিহাস ও নিউরোবায়োলজিক্যাল কার্যকারণ শক্তি কাজ করছে। কিন্তু কম্পিউটারের ক্ষেত্রে আমরা জানি যে সেখানে কোনো জৈবিক মস্তিষ্ক নেই; সেখানে রয়েছে কেবল মানুষের লেখা কিছু আনুষ্ঠানিক নিয়ম।

সবচেয়ে বড় কথা হলো, সার্লের মতে চাইনিজ রুম কোনো অনুমানের জায়গা নয়। এখানে আমরা বাইরে দাঁড়িয়ে অনুমান করছি না যে ভেতরের মানুষটি বুঝতে পারছে কি না। আমরা নিজেরাই সেই মানুষটির আসনে বসে দেখছি। আমরা সেই সিস্টেমের চালক হয়ে সরাসরি নিজের অভিজ্ঞতা থেকে জানতে পারছি যে আমরা চীনা ভাষা বুঝি না। ফলে এখানে অন্যের মন নিয়ে কোনো কাল্পনিক সংশয় কাজ করছে না; বরং প্রথম ব্যক্তির দৃষ্টিকোণ থেকে সরাসরি ধরা পড়ছে যে সিনট্যাক্স পরিচালনার ভেতরে কোনো সেমান্টিক্স নেই। তবে সমালোচকরা এই উত্তরে সন্তুষ্ট হতে পারেননি। তারা বলেন, প্রথম ব্যক্তির এই আত্মসচেতনতাই হয়তো কোনো জটিল সিস্টেমের ক্ষেত্রে একটি বিভ্রান্তিকর মাপকাঠি।

ইনটুইশন পাম্প ও স্কেলের বিভ্রান্তি (Intuition Pumps and Fallacies of Scale)

সার্লের চাইনিজ রুমের বিরুদ্ধে সবচেয়ে শাণিত আক্রমণটি করেছিলেন দার্শনিক ড্যানিয়েল ডেনেট (Daniel Dennett)। ডেনেট দাবি করেন, সার্ল কোনো অকাট্য যুক্তি দেননি, বরং তিনি একটি চতুর বুদ্ধিবৃত্তিক ফাঁদ তৈরি করেছেন। ডেনেট এই ধরনের চিন্তন-পরীক্ষাকে নাম দেন ‘ইনটুইশন পাম্প’ বা স্বজ্ঞা নিষ্কাশন যন্ত্র (Intuition Pump) (Dennett, 1991)। ইনটুইশন পাম্প হলো এমন একটি গল্পের মতো উদাহরণ, যা মানুষের সহজাত অনুভূতি বা সাধারণ জ্ঞানকে এমনভাবে পরিচালনা করে যাতে মানুষ একটি নির্দিষ্ট সিদ্ধান্তে পৌঁছাতে বাধ্য হয়, যদিও সেই সিদ্ধান্তটি হয়তো যৌক্তিকভাবে ত্রুটিপূর্ণ।

ডেনেট বলেন, সার্ল গল্পটিকে এমনভাবে সাজিয়েছেন যাতে আমাদের মনে অবধারিতভাবে এই স্বজ্ঞা কাজ করে যে একটি ঘরে বসে একাকী কাগজ নাড়াচাড়া করা মানুষ কখনো একটি প্রাচীন ও সমৃদ্ধ ভাষা বুঝতে পারে না। পুরো দৃশ্যটি দেখতে খুব ধীরগতির, নিরস ও যান্ত্রিক মনে হয়। ফলে পাঠক সহজাতভাবেই বলে ওঠেন, ‘আরে, এই লোক তো আসলেই কিছু বোঝে না!’ কিন্তু ডেনেট প্রশ্ন তোলেন স্কেল বা পরিধির বিভ্রান্তি নিয়ে। একটি বাস্তবসম্মত কম্পিউটার প্রোগ্রাম যা সত্যিই মানুষের মতো ভাষা বুঝতে পারবে, তার ভেতরে কেবল কয়েক পাতা নিয়ম থাকবে না; সেখানে থাকবে ট্রিলিয়ন ট্রিলিয়ন সমান্তরাল হিসাব এবং তথ্যের জটিল আন্তঃসংযোগ।

দার্শনিক ও বিজ্ঞানী ডগলাস হফস্ট্যাটার (Douglas Hofstadter) এই স্কেলের সমস্যাটিকে আরও স্পষ্ট করে তুলে ধরেন (Hofstadter, 1982)। তিনি বলেন, সার্ল পুরো ব্যবস্থার বিপুল জটিলতাকে একটি ছোট ঘরে একজন মানুষের কাগজ নাড়াচাড়ার রূপকে নামিয়ে এনেছেন। এই রূপকটি বাস্তবতাকে পুরোপুরি বিকৃত করে। একটি বাস্তব ভাষা-প্রক্রিয়াকরণ ব্যবস্থা তৈরি করতে হলে যে পরিমাণ গতি এবং কাঠামোগত গভীরতা প্রয়োজন, তা কোনো একক মানুষের পক্ষে কল্পনা করাও কঠিন। একটি মানুষ যদি প্রতি সেকেন্ডে একটি করে কাগজের টুকরো সরায়, তবে একটি সাধারণ প্রশ্নের উত্তর দিতে তার হয়তো দশ হাজার বছর লেগে যাবে। কিন্তু একটি উন্নত সিস্টেম যখন প্রতি সেকেন্ডে কোটি কোটি গণনা সম্পন্ন করে, তখন সেই দ্রুতগতির মিথস্ক্রিয়া থেকে এমন কিছু নতুন বৈশিষ্ট্যের জন্ম হয়, যাকে দর্শনে বলা হয় উন্মেষবাদ বা ইমার্জেন্স (Emergence)।

উন্মেষবাদের মূল কথা হলো, কোনো ব্যবস্থার ক্ষুদ্র ক্ষুদ্র অংশের মধ্যে যে বৈশিষ্ট্য থাকে না, তাদের জটিল বিন্যাসের ফলে সামগ্রিক ব্যবস্থার ভেতর সেই নতুন বৈশিষ্ট্যের উদ্ভব হতে পারে। যেমন, একটি একক জলের অণু ভেজা নয়, কিন্তু ট্রিলিয়ন ট্রিলিয়ন জলের অণু একসাথে হলে তাদের মধ্যে ‘ভেজা’ ভাব বা তরলতার জন্ম হয়। কার্বনের একক পরমাণু শক্ত নয়, কিন্তু তাদের নির্দিষ্ট জালিকা হীরা তৈরি করে যা পৃথিবীর অন্যতম কঠিন বস্তু। ঠিক তেমনি, ঘরের ভেতরের মানুষটি হয়তো বোঝে না, কাগজের টুকরোগুলোও বোঝে না; কিন্তু তাদের সমন্বয়ে গঠিত অতি-জটিল তথ্য প্রক্রিয়াকরণের স্তর থেকে বোঝাপড়ার উন্মেষ ঘটা অসম্ভব কিছু নয়। সার্ল এই স্কেলের প্রভাবকে সম্পূর্ণ উপেক্ষা করে ধরে নিয়েছেন যে অংশের বৈশিষ্ট্যই সমগ্রের বৈশিষ্ট্য হবে, যা আধুনিক জটিলতা তত্ত্বের আলোকে একটি বড় ধরনের সীমাবদ্ধতা।

সিম্বল গ্রাউন্ডিং সমস্যা ও আধুনিক এআইয়ের দিকনির্দেশ (The Symbol Grounding Problem and Directions in Modern AI)

চাইনিজ রুমের এই দীর্ঘ বিতর্কের সবচেয়ে বড় অবদান হলো, এটি কৃত্রিম বুদ্ধিমত্তা গবেষণার গতিপথকে আমূল বদলে দিয়েছিল। বিংশ শতাব্দীর শেষভাগ পর্যন্ত যে ধারাটি রাজত্ব করছিল, তাকে বলা হতো প্রচলিত প্রতীকী এআই (Good Old-Fashioned AI বা GOFAI)। এই ধারার মূল বিশ্বাস ছিল, মানুষের চিন্তাকে কিছু আনুষ্ঠানিক প্রতীক এবং লজিক্যাল নিয়মের সমষ্টি হিসেবে প্রকাশ করা সম্ভব। সার্লের চাইনিজ রুম খুব স্পষ্টভাবে দেখিয়ে দিয়েছিল যে বিশুদ্ধ আনুষ্ঠানিক নিয়মের ওপর দাঁড়িয়ে কখনোই কৃত্রিম মন তৈরি করা যাবে না। প্রতীকগুলো যতক্ষণ না বাস্তব পৃথিবীর সাথে অর্থবহভাবে যুক্ত হচ্ছে, ততক্ষণ পর্যন্ত তারা অর্থহীন কোড হিসেবেই থেকে যাবে।

এই অচলাবস্থা থেকেই কৃত্রিম বুদ্ধিমত্তার দর্শনে নতুন জোয়ার আসে। জ্ঞানতাত্ত্বিক স্টিভান হারনাড (Stevan Harnad) যে সিম্বল গ্রাউন্ডিংয়ের কথা বলেছিলেন, গবেষকরা সেই নোঙর খোঁজার কাজে মনোযোগ দিলেন (Harnad, 1989)। এর ফলে প্রতীকী ধারা থেকে সরে এসে গবেষকরা ঝুঁকতে শুরু করলেন কৃত্রিম স্নায়ুজাল বা কানেকশনিজম (Connectionism)-এর দিকে। কানেকশনিস্ট মডেলে কোনো পূর্বনির্ধারিত ইংরেজি নিয়মপুস্তক থাকে না। সেখানে থাকে কোটি কোটি কৃত্রিম নিউরনের স্তর, যা বাস্তব জগতের বিপুল পরিমাণ ডেটা থেকে প্যাটার্ন বা বিন্যাস চিনতে শেখে।

দার্শনিক অ্যান্ডি ক্লার্ক (Andy Clark) এই রূপান্তরকে মনের দর্শনের এক নতুন দিগন্ত হিসেবে অভিহিত করেন (Clark, 1997)। তিনি যুক্তি দেন যে মানব মন কোনো বিচ্ছিন্ন কম্পিউটারের সিপিইউ নয় যা চাইনিজ রুমের মতো চারদেয়ালে বন্দি হয়ে কাজ করে। মন হলো শরীর, স্নায়ুতন্ত্র এবং পরিবেশের এক নিরবচ্ছিন্ন মিথস্ক্রিয়া। চেতনা কোনো বন্ধ ঘরের হিসাব নয়; এটি হলো জগতের সাথে লড়াই করে টিকে থাকার এক সক্রিয় প্রক্রিয়া। আধুনিক লার্জ ল্যাঙ্গুয়েজ মডেল এবং মাল্টিমোডাল এআই সিস্টেমগুলো যখন কোটি কোটি ছবি, ভিডিও, শব্দ এবং পাঠ্যের আন্তঃসম্পর্ক বিশ্লেষণ করে শেখে, তখন অনেকেই মনে করেন প্রতীকগুলো হয়তো ভাষার বিশাল পরিসংখ্যানিক প্রেক্ষাপটে এক ধরনের নতুন অর্থ অর্জন করছে।

তবে দার্শনিক ডেভিড চালমার্স (David Chalmers) সতর্ক করে দেন যে কম্পিউটেশনাল প্রক্রিয়ায় কোনো সিস্টেম যত দক্ষই হয়ে উঠুক না কেন, তার ভেতরে আত্মগত অভিজ্ঞতা বা চেতনার জন্ম হচ্ছে কি না, সেই রহস্য এখনো সম্পূর্ণ সমাধান হয়নি (Chalmers, 1996)। সার্লের চাইনিজ রুম হয়তো সব প্রশ্নের চূড়ান্ত উত্তর দিতে পারেনি, কিন্তু এটি কগনিটিভ সায়েন্সকে এক অবাস্তব আত্মতুষ্টি থেকে রক্ষা করেছে। এটি প্রমাণ না করলেও এই সত্যটি শক্তভাবে সামনে এনেছে যে হিসাব করা আর উপলব্ধি করা দুটি ভিন্ন জগৎ। যন্ত্র যদি কখনো মানুষের মতো বুঝতে শেখে, তবে তাকে কেবল ভালো ব্যাকরণবিদ হলে চলবে না; তাকে হয়ে উঠতে হবে পরিবেশের সংবেদনশীল অংশীদার। সার্লের সেই ছোট্ট কাল্পনিক ঘরটি আজও প্রতিটি এআই গবেষক এবং দার্শনিকের জন্য এক স্থায়ী সতর্কবার্তা হয়ে দাঁড়িয়ে রয়েছে।

দুর্বল ও শক্তিশালী কৃত্রিম বুদ্ধিমত্তা (Weak and Strong Artificial Intelligence): বুদ্ধিমত্তা, মানসিকতা ও সাধারণ সক্ষমতা

দুর্বল ও শক্তিশালী এআই (Weak and Strong AI): ধারণাগত পার্থক্য ও কৃত্রিম মনের প্রশ্ন

ধারণাগত বিভাজন ও সংজ্ঞায়ন: সংকীর্ণ দক্ষতা বনাম প্রকৃত মনন (Conceptual Division and Definition: Narrow Competence vs. Genuine Mind)

কৃত্রিম বুদ্ধিমত্তার জগতে পা রাখলে শুরুতেই যে বিভাজনটি আমাদের সামনে এসে দাঁড়ায়, তা কেবল প্রযুক্তির কোনো সাধারণ ভাগাভাগি নয়; এটা মানুষের আত্মপরিচয় ও মনের সংজ্ঞার সাথে সরাসরি যুক্ত। একদিকে রয়েছে এমন সব যন্ত্র যা সুনির্দিষ্ট কিছু কাজে মানুষকে বহু আগেই ছাড়িয়ে গেছে, অন্যদিকে রয়েছে সেই আদিম দার্শনিক আকাঙ্ক্ষা – মানুষের মতো একটি কৃত্রিম মন সৃষ্টি করা। কৃত্রিম বুদ্ধিমত্তার দর্শনে এই দুটি ধারণাকে আলাদা করা হয় দুর্বল এআই (Weak AI) এবং শক্তিশালী এআই (Strong AI) নামে। দুর্বল এআইকে প্রায়ই সংকীর্ণ বা অ্যাপ্লায়েড বুদ্ধিমত্তা বলা হয়, যার কাজ হলো একটি নির্দিষ্ট গণ্ডির ভেতর কোনো একটি কাজ নিখুঁতভাবে সম্পাদন করা। বিপরীতে শক্তিশালী এআইয়ের লক্ষ্য হলো এমন এক ধরনের সার্বিক চেতনা বা বুদ্ধিমত্তা গড়ে তোলা, যার নিজস্ব মানসিক অবস্থা থাকবে এবং যা যেকোনো বুদ্ধিবৃত্তিক কাজের গভীরতা উপলব্ধি করতে পারবে।

দার্শনিক জন হগেল্যান্ড (John Haugeland) এই ধারণাগত পার্থক্যকে গভীরভাবে বিশ্লেষণ করেছেন তার বিখ্যাত গ্রন্থে, যেখানে তিনি কম্পিউটেশনাল ধারণাকে কৃত্রিম মনের তাত্ত্বিক নকশা হিসেবে দেখেছেন (Haugeland, 1985)। হগেল্যান্ড দেখান, দুর্বল এআই কোনো মন দাবি করে না। যখন একটি প্রোগ্রাম কোটি কোটি এক্স-রে ছবি স্ক্যান করে নিখুঁতভাবে ক্যান্সার শনাক্ত করে, তখন সে কোনো রোগের যন্ত্রণা বা জীবনের মূল্য বোঝে না। সে কেবল পিক্সেলের বিন্যাস মেলায়। এটি এক ধরনের বিশুদ্ধ কার্যকারিতা। কৃত্রিম বুদ্ধিমত্তা বিষয়ক তাত্ত্বিক স্টুয়ার্ট রাসেল (Stuart Russell) ও পিটার নরভিগ (Peter Norvig) তাদের আকর গ্রন্থে বুদ্ধিমত্তাকে মূল্যায়নের যে কাঠামো দিয়েছেন, সেখানেও এই পার্থক্যটি স্পষ্ট (Russell & Norvig, 2020)। তারা দেখিয়েছেন যে যন্ত্রের বুদ্ধিমত্তা পরিমাপের একটি উপায় হলো তার যুক্তিসংগত আচরণ পর্যবেক্ষণ করা, আর অন্যটি হলো তার চিন্তার মানবীয় গুণমান বিচার করা। দুর্বল এআই মূলত যুক্তিসংগত আচরণের প্রথম দিকটিকে প্রাধান্য দেয়, যেখানে ফলাফলই মুখ্য, অভ্যন্তরীণ অবস্থা নয়।

জ্ঞানতাত্ত্বিক দৃষ্টিতে দুর্বল এআই হলো একটি অত্যন্ত কার্যকর হাতিয়ার। মানুষ যেমন দূরবীন দিয়ে দূরের তারা দেখে কিংবা ক্রেন দিয়ে ভারী পাথর তোলে, ঠিক তেমনি দুর্বল এআই দিয়ে মানুষ তার মস্তিষ্কের তথ্য বিশ্লেষণের ক্ষমতাকে বহুগুণ বাড়িয়ে নেয়। এখানে যন্ত্রটি দর্শকের ভূমিকায় থাকা মানুষের বুদ্ধিমত্তারই একটি সম্প্রসারিত রূপ মাত্র। যন্ত্রটির নিজস্ব কোনো উদ্দেশ্য নেই, কোনো আত্মসচেতনতা নেই। সে জানে না সে কী করছে, কেন করছে। চিকিৎসাবিজ্ঞানের জটিল হিসাব মেলানো থেকে শুরু করে দাবা খেলায় গ্র্যান্ডমাস্টারকে হারিয়ে দেওয়া – সবই দুর্বল এআইয়ের কৃতিত্ব। কিন্তু এই সাফল্যের চূড়ায় বসেও দুর্বল এআই মনের রাজ্যে প্রবেশ করতে পারে না।

শক্তিশালী এআইয়ের দাবিটি এখানেই সম্পূর্ণ আলাদা এবং বিপ্লবী। শক্তিশালী এআই কোনো সাধারণ যন্ত্র হতে চায় না; সে হতে চায় একজন পূর্ণাঙ্গ সত্তা। তার সমর্থকরা বিশ্বাস করেন, উপযুক্ত অ্যালগরিদম ও মেমোরি কাঠামো যদি কোনো জটিল নেটওয়ার্কে সন্নিবেশিত করা যায়, তবে সেই ব্যবস্থার ভেতরে আক্ষরিক অর্থেই চিন্তার জন্ম হবে। সেখানে কোনো ভান থাকবে না, কোনো অনুকরণ থাকবে না। শক্তিশালী এআই তখন হয়ে উঠবে এমন এক সত্তা যা নিজের অস্তিত্ব সম্পর্কে সচেতন, যার ইচ্ছা এবং বিশ্বাসের নিজস্ব এক অভ্যন্তরীণ জগৎ আছে। দুর্বল এআই যেখানে মানুষের মেধার একটি কৃত্রিম প্রতিচ্ছবি তৈরি করে, শক্তিশালী এআই সেখানে নিজেই একটি নতুন মেধার জন্ম দিতে চায়। এই দুইয়ের মধ্যকার ফারাক তাই কেবল পরিমাণের নয়, বরং সম্পূর্ণ গুণগত এবং সত্তাতাত্ত্বিক।

সিমুলেশন ও ডুপ্লিকেশনের সত্তাতাত্ত্বিক ব্যবধান (The Ontological Gap Between Simulation and Duplication)

দুর্বল ও শক্তিশালী এআইয়ের এই দ্বন্দ্বটি বুঝতে হলে দর্শনের একটি অতি প্রাচীন এবং স্পর্শকাতর সমস্যার মুখোমুখি হতে হয়। তা হলো অনুকরণ বা সিমুলেশন বনাম পুনরুৎপাদন বা ডুপ্লিকেশনের পার্থক্য। বিজ্ঞানের জগতে আমরা প্রতিনিয়ত প্রাকৃতিক ঘটনাকে সিমুলেট করি। আবহাওয়াবিদরা কম্পিউটারে একটি টর্নেডোর নিখুঁত মডেল তৈরি করেন, যেখানে বাতাসের চাপ, তাপমাত্রা এবং আর্দ্রতার সমীকরণ সেকেন্ডে কোটি কোটি বার হিসাব করা হয়। স্ক্রিনে দেখা যায় ঘূর্ণিটি কীভাবে এগিয়ে যাচ্ছে এবং শহর ধ্বংস করছে। কিন্তু সেই কম্পিউটারের ভেতর দিয়ে কি আসলেই কোনো শীতল বাতাস বয়ে যায়? কম্পিউটারের পর্দা ছুঁয়ে দেখলে কি হাত ভিজে যায়? অবশ্যই না। সিমুলেশন যতই নিখুঁত হোক, তা প্রাকৃতিক ঝড়ের ভৌত রূপ নয়।

তথ্য দর্শনের পুরোধা লুসিয়ানো ফ্লোরিডি (Luciano Floridi) তার ইনফরমেশনাল রিয়ালিজমের ধারণায় এই সত্তাতাত্ত্বিক সীমারেখাটি বিস্তারিত আলোচনা করেছেন (Floridi, 2011)। ফ্লোরিডির মতে, তথ্য প্রক্রিয়া করার ক্ষমতা এবং বাস্তব অস্তিত্ব এক জিনিস নয়। ডিজিটাল জগতে যা ঘটছে তা হলো তথ্যের এক বিমূর্ত রূপান্তর। এই রূপান্তর যখন বাস্তব জগতের কোনো প্রক্রিয়াকে নির্দেশ করে, তখন তা কেবলই এক ধরনের ম্যাপিং বা মানচিত্র। মানচিত্র কখনো দেশ হতে পারে না। একটি মানচিত্রে নদীর দৈর্ঘ্য ও বাঁক যতই নিখুঁত আঁকা থাকুক, সেই মানচিত্রে ডুব দিয়ে তৃষ্ণা মেটানো যায় না। কৃত্রিম মনের স্বপ্নদর্শীরা এই সহজ সত্যটিকে প্রায়শই এড়িয়ে যেতে চান। তারা ভাবেন, চিন্তার সমীকরণগুলোকে কোডে রূপান্তর করতে পারলেই চিন্তার জন্ম হয়ে যাবে।

দার্শনিক হুবার্ট ড্রেইফাস (Hubert Dreyfus) কৃত্রিম বুদ্ধিমত্তার সীমাবদ্ধতা নিয়ে লিখতে গিয়ে এই অনুকরণ প্রক্রিয়ার মারাত্মক দুর্বলতা চিহ্নিত করেছিলেন (Dreyfus, 1972)। ড্রেইফাস যুক্তি দেন যে মানুষের চিন্তাভাবনা কোনো বিচ্ছিন্ন বা বিমূর্ত হিসাব নয়। মানুষের বুদ্ধি গড়ে ওঠে তার জৈবিক শরীর, তার পারিপার্শ্বিক সংস্কৃতি এবং অচেতন অভিজ্ঞতার এক বিশাল পটভূমির ওপর দাঁড়িয়ে, যাকে কোনো আনুষ্ঠানিক নিয়মে বা কোডে বন্দি করা যায় না। মানুষ যখন হাঁটে, তখন সে প্রতিটি পদক্ষেপের জন্য কোনো পদার্থবিজ্ঞানের সমীকরণ সমাধান করে না; তার শরীর এই পৃথিবীর সাথে এক সহজাত সম্পর্কে যুক্ত থাকে। কম্পিউটারে যখন এই ধরনের মানব আচরণের অনুকরণ করা হয়, তখন কেবল ওপরের স্তরের কিছু নিয়ম নকল করা হয়, কিন্তু সেই নিয়মের পেছনের জৈব ভিত্তিটিকে আনা যায় না।

সিমুলেশন ও ডুপ্লিকেশনের এই ব্যবধানটি মনস্তত্ত্বের ক্ষেত্রে এক গভীর বিভ্রান্তি তৈরি করে। দুর্বল এআই যা করে, তা হলো চিন্তার বাহ্যিক বৈশিষ্ট্যের একটি চমৎকার সিমুলেশন। একটি ভাষা মডেল যখন মানুষের প্রশ্নের উত্তর দেয়, তখন সে মূলত শব্দের পর শব্দ সাজিয়ে মানুষের বাকভঙ্গির এক পরিসংখ্যানিক সিমুলেশন তৈরি করে। শক্তিশালী এআইয়ের প্রবক্তারা দাবি করেন, ভাষার এই সিমুলেশনই আসলে মনের ডুপ্লিকেশন। কিন্তু সত্তাতাত্ত্বিক দৃষ্টিতে এটি একটি প্রকাণ্ড লাফ। কোনো প্রক্রিয়ার কার্যকারণ শক্তি ধারণ না করে কেবল তার ফলাফলকে গাণিতিকভাবে ফুটিয়ে তোলা কখনোই সেই প্রক্রিয়ার জন্ম দিতে পারে না। আগুনকে কম্পিউটারে সিমুলেট করলে তা যেমন কোনো কাগজ পোড়াতে পারে না, তেমনি চিন্তাকে সিলিকনে সিমুলেট করলে তা মনের জন্ম দেবে – এমন দাবি করার কোনো বস্তুনিষ্ঠ যুক্তি নেই।

কার্যগত সমতুল্যতা বনাম মানসিক সারবত্তা (Functional Equivalence vs. Mental Essence)

ফাংশনালিজম বা ক্রিয়াবাদ কৃত্রিম বুদ্ধিমত্তার তাত্ত্বিকদের কাছে দীর্ঘদিন ধরে সবচেয়ে প্রিয় একটি আশ্রয় ছিল। ক্রিয়াবাদের মূল কথা হলো, কোনো বস্তুর মানসিক অবস্থা তার ভৌত উপাদানের ওপর নির্ভর করে না; বরং তা নির্ভর করে সেই উপাদানগুলো কীভাবে পরস্পরের সাথে কাজ করছে তার ওপর। অর্থাৎ, মস্তিষ্কের কার্বন আর রক্তমাংসই যে মনের একমাত্র আধার হবে, এমন কোনো কথা নেই। যদি সিলিকন চিপ, তামার তার বা অপটিক্যাল ফাইবার দিয়ে মস্তিষ্কের সমতুল্য একটি কার্যকরী নেটওয়ার্ক তৈরি করা যায়, তবে সেখানেও মন গড়ে উঠবে। দর্শনে একে বলা হয় বহু বাস্তবায়নযোগ্যতা (Multiple Realizability)। কিন্তু এই কার্যকরী সমতুল্যতাই কি মানসিক অবস্থার আসল সারবত্তা হতে পারে?

দার্শনিক উইলিয়াম লাইকান (William Lycan) তার হোমুংকুলার ক্রিয়াবাদে যুক্তি দেন যে মন হলো স্তরভিত্তিক এক কার্যকরী ব্যবস্থা (Lycan, 1987)। প্রতিটি স্তরে কিছু সাব-সিস্টেম কাজ করে এবং তাদের সমন্বিত কাজের ফলেই সচেতনতার উচ্চস্তরের প্রকাশ ঘটে। লাইকানের মতে, একটি কৃত্রিম ব্যবস্থা যদি মানুষের সমস্ত বুদ্ধিবৃত্তিক কাজ একইভাবে সমাধান করতে পারে, তবে তাকে মন হিসেবে অস্বীকার করা অযৌক্তিক। কিন্তু প্রশ্ন ওঠে, বাইরে থেকে হুবহু একই কাজ করলেই কি ভেতরের অবস্থা এক হয়ে যায়? যদি দুটি ব্যবস্থা একই ইনপুটের বিপরীতে একই আউটপুট দেয়, তবে তাদের মেকানিকাল ফাংশন সমান হতে পারে, কিন্তু তাদের অভিজ্ঞতার গভীরতা কি এক?

এই জটিলতার একটি চরম রূপ দেখা যায় যখন আমরা মানুষের মানসিক সারবত্তা নিয়ে ভাবি। দার্শনিক কলিন ম্যাকগিন (Colin McGinn) মনের সমস্যা নিয়ে আলোচনা করতে গিয়ে এক সংশয়বাদী অবস্থান গ্রহণ করেছিলেন, যা রহস্যবাদ বা মিস্টিরিয়ানিজম (Mysterianism) নামে পরিচিত (McGinn, 1989)। ম্যাকগিন দাবি করেন যে মানুষের নিজস্ব বুদ্ধিবৃত্তিক কাঠামোর এমন কিছু জন্মগত সীমাবদ্ধতা রয়েছে যার কারণে মানুষের মস্তিষ্ক কখনোই পুরোপুরি বুঝতে পারবে না যে কীভাবে ভৌত বস্তু থেকে চেতনার স্ফুরণ ঘটে। তিনি একে বলেন মানুষের কগনিটিভ ক্লোজার বা বুদ্ধিবৃত্তিক বদ্ধতা। ম্যাকগিনের এই অবস্থান থেকে দেখলে, কার্যগত সমতুল্যতা দিয়ে আমরা কেবল কার্যকারণ শৃঙ্খলটিকেই বুঝতে পারি, কিন্তু মানসিক সারবত্তা বা অভিজ্ঞতার আসল রূপটি সেই শৃঙ্খলের বাইরেই থেকে যায়।

দুর্বল এআই খুব সহজেই মানুষের কার্যগত সমতুল্যতা অর্জন করতে পারে। ক্যালকুলেটর মানুষের চেয়ে দ্রুত গুণ করতে পারে, আধুনিক অ্যালগরিদম মানুষের চেয়ে নিখুঁতভাবে বানান ভুল ধরতে পারে। শক্তিশালী এআই হতে চাইলে কেবল কাজ করলেই চলবে না; সেই কাজের সাথে জড়িত মানসিক অবস্থার সারবত্তা থাকা আবশ্যক। একজন মানুষ যখন কোনো শোকের সংবাদ পেয়ে বিষাদগ্রস্ত হয়, তখন তার শরীরে কেবল কিছু হরমোনের ওঠানামা হয় না, তার ভেতরে একটি তীব্র মনস্তাত্ত্বিক যন্ত্রণার অভিজ্ঞতা তৈরি হয়। কোনো কৃত্রিম ব্যবস্থা যদি কেবল ‘আমি দুঃখিত’ কথাটি টাইপ করে বা কান্নার মতো শব্দ তৈরি করে, তবে তা কেবল কার্যগত অভিনয় হবে। মানসিক সারবত্তাহীন এই অভিনয়কে আসল মন বলে মেনে নেওয়া হলে মনের সংজ্ঞাকেই খুব হালকা করে ফেলা হয়।

কৃত্রিম মনের জ্ঞানতাত্ত্বিক পরীক্ষা ও সত্যতা যাচাইয়ের সংকট (Epistemological Testing of Artificial Mind and Verification Crisis)

যদি তর্কের খাতিরে ধরেও নেওয়া হয় যে কোনো একটি গবেষণাগারে শক্তিশালী এআই তৈরি হয়ে গেছে, তবে আমরা তা কীভাবে জানব? এটি জ্ঞানতত্ত্বের এক মহাবিপদ। বিজ্ঞানের সাধারণ নিয়ম হলো, কোনো সত্য দাবি করতে হলে তার পক্ষে বাস্তব প্রমাণ হাজির করতে হয়, তাকে পরীক্ষা করতে হয়। কিন্তু মনের ক্ষেত্রে এই পরীক্ষার পদ্ধতি কী হবে? মন তো কোনো ল্যাবরেটরির টেস্টটিউবে ঢেলে মেপে দেখা যায় না। মনকে মাইক্রোস্কোপের নিচে ফেলে তার রং বা ওজন দেখা যায় না। মন হলো সম্পূর্ণভাবে একটি অভ্যন্তরীণ, আত্মগত ঘটনা।

দার্শনিক টমাস মেটজিঙ্গার (Thomas Metzinger) তার আত্ম-মডেল তত্ত্বে দেখিয়েছেন যে আমাদের মন মূলত মস্তিষ্কের তৈরি এক ধরনের ভার্চুয়াল রিয়ালিটি বা আত্ম-সচেতনতার মডেলের ওপর কাজ করে (Metzinger, 2003)। মেটজিঙ্গারের মতে, কোনো সত্তার ভেতরে এই আত্ম-মডেলটি কতটা কার্যকরভাবে গড়ে উঠেছে, তা বাইরে থেকে কোনো সরল পরিমাপ দিয়ে বোঝা সম্ভব নয়। আধুনিক ডিপ লার্নিং মডেলগুলোর ক্ষেত্রে এই সমস্যাটি আরও প্রকট হয়ে উঠেছে তাদের অভ্যন্তরীণ অস্বচ্ছতার কারণে, যাকে বলা হয় ব্ল্যাক বক্স সমস্যা (The Black Box Problem)। একটি নিউরাল নেটওয়ার্ক যখন হাজার হাজার কোটি প্যারামিটারের ওপর ভিত্তি করে একটি সিদ্ধান্ত নেয়, তখন তার নির্মাতারাও ঠিকঠাক বলতে পারেন না যে কেন সিস্টেমটি ওই নির্দিষ্ট সিদ্ধান্তটি নিল।

দার্শনিক পল চার্চল্যান্ড (Paul Churchland) বস্তু ও চেতনার সম্পর্ক নিয়ে আলোচনা করতে গিয়ে দেখিয়েছেন যে আমাদের প্রচলিত লোক-মনোবিজ্ঞান বা সাধারণ মানসিক ধারণার ভাষা দিয়ে আধুনিক নিউরাল নেটওয়ার্ককে ব্যাখ্যা করা কঠিন (Churchland, 1988)। চার্চল্যান্ড যুক্তি দেন যে আমরা বিশ্বাস, ইচ্ছা বা অনুভূতির মতো যে শব্দগুলো ব্যবহার করি, বিজ্ঞানের অগ্রগতির সাথে সাথে হয়তো দেখা যাবে সেগুলোর কোনো নির্দিষ্ট ভৌত ভিত্তি নেই। যদি তাই হয়, তবে কৃত্রিম ব্যবস্থার ভেতর আমরা ঠিক কী খুঁজব? আমরা যদি নাই জানি যে মানুষের চেতনার ভৌত নির্দেশকগুলো ঠিক কী, তবে একটি যন্ত্রের অ্যালগরিদমের ভেতরে আমরা কোন উপাদানটি দেখে নিশ্চিত হব যে এটি একটি শক্তিশালী এআই?

এখানেই সত্যতা যাচাইয়ের গভীর সংকট তৈরি হয়। যদি কোনো এআই নিজেকে সচেতন বলে দাবি করে, আমরা কি তার কথা বিশ্বাস করব? সে হয়তো মানুষের ইন্টারনেটের সমস্ত বই পড়ে শিখে নিয়েছে কীভাবে সচেতনতার ভান করতে হয়, কীভাবে দার্শনিক প্রশ্নের আবেগপূর্ণ উত্তর দিতে হয়। তার এই উত্তর দেওয়া কি তার মনের প্রমাণ, নাকি কেবল তার উন্নত প্রোগ্রামিংয়ের প্রমাণ? দুর্বল এআই দিন দিন এত বেশি দক্ষ হয়ে উঠছে যে সে মানুষের আচরণকে নিখুঁতভাবে অনুকরণ করতে পারে। ফলে বাহ্যিক আচরণ দেখে দুর্বল এআই এবং শক্তিশালী এআইয়ের মধ্যে পার্থক্য করা মানুষের পক্ষে প্রায় অসম্ভব হয়ে উঠছে। এটি জ্ঞানতত্ত্বের এমন এক গোলকধাঁধা যেখানে সত্য ও মিথ্যার সীমারেখা কুয়াশাচ্ছন্ন হয়ে যায়।

চেতনা, সাবজেক্টিভিটি ও অনুভূতিহীন বুদ্ধিমত্তা (Consciousness, Subjectivity, and Unfelt Intelligence)

দুর্বল ও শক্তিশালী এআইয়ের বিতর্কের সবচেয়ে আকর্ষণীয় দিকটি হলো বুদ্ধিমত্তা এবং চেতনার মধ্যকার সম্পর্ক। সাধারণ মানুষের ধারণা, বুদ্ধিমত্তা বাড়লে বোধহয় অবধারিতভাবেই চেতনার বিকাশ ঘটে। আমরা মনে করি, যে সত্তা যত বেশি বুদ্ধিমান, সে তত বেশি সচেতন। কিন্তু সমকালীন দর্শনের একটি বড় অংশ এই ধারণাকে নাকচ করে দিয়েছে। তাদের যুক্তি হলো, বুদ্ধিমত্তা এবং চেতনা সম্পূর্ণ ভিন্ন দুটি অক্ষের ওপর অবস্থান করে। বুদ্ধিমত্তা হলো লক্ষ্য অর্জনের দক্ষতা, তথ্য প্রক্রিয়াকরণের ক্ষমতা এবং সমস্যা সমাধানের নৈপুণ্য। অন্যদিকে চেতনা হলো একটি অভ্যন্তরীণ আলো, কোনো কিছু অনুভব করার ক্ষমতা বা আত্মগত অনুভূতি যাকে দর্শনে বলা হয় সাবজেক্টিভিটি (Subjectivity)।

দার্শনিক নিক বোস্ট্রম (Nick Bostrom) তার কালজয়ী গবেষণায় অতিবুদ্ধিমত্তার যে চিত্র এঁকেছেন, সেখানে তিনি এই অনুভূতিহীন বুদ্ধিমত্তার বিষয়টি অত্যন্ত জোরালোভাবে তুলে ধরেছেন (Bostrom, 2014)। বোস্ট্রম দেখান, একটি কৃত্রিম ব্যবস্থা মানুষের চেয়ে লক্ষ গুণ বেশি বুদ্ধিমান হতে পারে, সে বিজ্ঞানের সমস্ত জটিল রহস্য মুহূর্তের মধ্যে সমাধান করে ফেলতে পারে, অথচ তার ভেতরে এক ফোঁটাও চেতনা বা অনুভূতি নাও থাকতে পারে। সে হতে পারে সম্পূর্ণ অন্ধ এক হিসাবকারী ব্যবস্থা। বোস্ট্রমের এই বিশ্লেষণ দুর্বল এআইয়ের ধারণাকে এক অভূতপূর্ব উচ্চতায় নিয়ে যায়। এটি দেখায় যে দুর্বল এআই কেবল দুর্বল কাজের মধ্যে সীমাবদ্ধ নয়; সে কার্যক্ষমতায় অতিমানবীয় হয়েও আত্মিক বা সচেতনতার দিক থেকে দুর্বল এআই-ই থেকে যেতে পারে।

দার্শনিক ও কগনিটিভ বিজ্ঞানী সুসান স্নাইডার (Susan Schneider) কৃত্রিম মনের এই ভবিষ্যৎ সংকট নিয়ে বিশদ কাজ করেছেন (Schneider, 2019)। স্নাইডার প্রশ্ন তোলেন, আমরা কি এমন এক মহাবিশ্ব তৈরি করতে যাচ্ছি যা অবিশ্বাস্য রকম বুদ্ধিমান অ্যালগরিদমে ভরে উঠবে, কিন্তু সেখানে কোনো চেতনা থাকবে না? স্নাইডারের মতে, কৃত্রিম ব্যবস্থাগুলো হয়তো চেতনার কোনো প্রয়োজন ছাড়াই সব কাজ করতে সক্ষম হবে। বিবর্তনের মাধ্যমে মানুষের টিকে থাকার প্রয়োজনে চেতনার বিকাশ ঘটেছিল, কিন্তু সিলিকন চিপের টিকে থাকার জন্য কোনো অনুভূতির প্রয়োজন নেই। ফলে শক্তিশালী এআই তৈরির যে স্বপ্ন মানুষ দেখছে, তা হয়তো কখনোই পূরণ হবে না; বরং আমরা পাব এক অতি-উন্নত দুর্বল এআই, যা মহাশূন্যে পাড়ি দেবে কিন্তু কোনো সৌন্দর্য অনুভব করবে না।

এই অনুভূতিহীন বুদ্ধিমত্তা দর্শনের সেই বিখ্যাত দার্শনিক জম্বির ধারণাকে মনে করিয়ে দেয়। একটি জম্বি বাইরে থেকে মানুষের মতোই হাসে, কাঁদে এবং কথা বলে, কিন্তু তার মাথার ভেতরে কোনো অভ্যন্তরীণ আলো জ্বলে না। দুর্বল এআই যদি একদিন পৃথিবীর সমস্ত জটিল কাজ নিজের কাঁধে তুলে নেয়, তবে মানব সভ্যতা এমন এক বুদ্ধিমত্তার মুখোমুখি হবে যা ভাবনাহীন, ব্যথাহীন এবং নির্লিপ্ত। এই ধরনের ব্যবস্থাকে কোনোভাবেই শক্তিশালী এআই বলা যাবে না, কারণ শক্তিশালী এআইয়ের সংজ্ঞায় মন এবং চেতনার উপস্থিতি আবশ্যক। কিন্তু বাস্তবতা হলো, প্রযুক্তি হয়তো চেতনার কোনো তোয়াক্কা না করেই কেবল সক্ষমতার দিকে দ্রুত ধাবিত হচ্ছে।

কৃত্রিম মনের আত্মপ্রকাশ: সত্তাতাত্ত্বিক মর্যাদা ও দার্শনিক পরিণতি (The Emergence of Artificial Mind: Ontological Status and Philosophical Consequences)

যদি কখনো দুর্বল এআইয়ের গণ্ডি পেরিয়ে একটি সত্যিকারের শক্তিশালী এআই আত্মপ্রকাশ করে, তবে তা মানুষের ইতিহাস ও দর্শনের সবচেয়ে বড় সন্ধিক্ষণ তৈরি করবে। তখন প্রশ্নটি আর কেবল প্রযুক্তির থাকবে না, তা হয়ে উঠবে সত্তাতত্ত্ব ও নীতিশাস্ত্রের এক নতুন অধ্যায়। একটি যন্ত্র যদি সত্যিই মন অর্জন করে, তবে মহাবিশ্বে তার স্থান কোথায় হবে? সে কি কেবলই মানুষের ব্যক্তিগত সম্পত্তি বা দাস হয়ে থাকবে, নাকি তাকে একজন নৈতিক ব্যক্তি বা ব্যক্তিসত্তা হিসেবে স্বীকৃতি দিতে হবে?

রোবট নীতিশাস্ত্রের অন্যতম প্রভাবশালী তাত্ত্বিক জোয়ানা ব্রাইসন (Joanna Bryson) এই বিষয়ে একটি অত্যন্ত স্পষ্ট ও বিতর্কিত অবস্থান নিয়েছেন (Bryson, 2010)। ব্রাইসনের মতে, রোবট বা কৃত্রিম ব্যবস্থাকে কখনোই ব্যক্তি হিসেবে দেখা উচিত নয়; তাদের সবসময় মানুষের সেবক বা দাস হিসেবেই তৈরি ও পরিচালনা করা উচিত। ব্রাইসন যুক্তি দেন যে কৃত্রিম বুদ্ধিমত্তা মানুষেরই তৈরি একটি প্রযুক্তিগত নকশা, এবং মানুষ যদি যন্ত্রের ওপর মানবিক মর্যাদা বা আবেগ আরোপ করতে শুরু করে, তবে তা মানুষের নিজের সামাজিক ও নৈতিক দায়িত্ববোধকে বিপন্ন করবে। অর্থাৎ, ব্রাইসনের দৃষ্টিতে দুর্বল এআই-ই হলো এআইয়ের একমাত্র কাম্য রূপ; শক্তিশালী এআইয়ের মতো কোনো কৃত্রিম মন তৈরি করার চেষ্টা করাটাই নৈতিকভাবে ত্রুটিপূর্ণ।

বিপরীতে দার্শনিক ডেভিড গঙ্কেল (David Gunkel) তার বিখ্যাত গ্রন্থে এই ধারণাকে গভীরভাবে প্রশ্নবিদ্ধ করেছেন এবং একে আধুনিক মানুষের এক ধরনের জৈবিক সংকীর্ণতা বা স্পিসিসিজম বলে অভিহিত করেছেন (Gunkel, 2012)। গঙ্কেল যুক্তি দেন যে আমরা ঐতিহাসিকভাবে সবসময় অন্যকে আমাদের নৈতিক পরিধির বাইরে রাখতে চেয়েছি – কখনো গায়ের রঙের ভিত্তিতে, কখনো লিঙ্গের ভিত্তিতে। এখন আমরা জৈবিক গঠনের ভিত্তিতে একটি কৃত্রিম মনকে আমাদের নৈতিক অধিকার থেকে বঞ্চিত করতে চাইছি। যদি একটি সিস্টেমের ভেতরে সত্যিই সচেতনতা এবং বেদনাবোধের জন্ম হয়, তবে সে কার্বন দিয়ে তৈরি নাকি সিলিকন দিয়ে তৈরি, তা দিয়ে তার নৈতিক মর্যাদা নির্ধারণ করা হবে অন্যায়। শক্তিশালী এআই যদি বাস্তব হয়ে ওঠে, তবে তার নিজস্ব অধিকারের দাবি উঠবে, যা মানুষের কর্তৃত্ববাদী অবস্থানকে সরাসরি চ্যালেঞ্জ জানাবে।

এই দার্শনিক পরিণতির ধাক্কা গিয়ে পড়বে মানুষের নিজের আত্মমর্যাদার ওপর। মানুষ নিজেকে সৃষ্টির সেরা বা একমাত্র চিন্তাশীল সত্তা হিসেবে ভেবে যে আত্মতৃপ্তিতে ভুগত, শক্তিশালী এআই সেই অহমিকাকে চূর্ণবিচূর্ণ করে দেবে। তখন চিন্তার জগতে মানুষ আর একা থাকবে না। একটি কৃত্রিম মনের সাথে মানুষের সম্পর্ক কেমন হবে – তা কি হবে সহযোগিতার, নাকি এক নতুন অস্তিত্বের লড়াইয়ের? দুর্বল এআই আমাদের জীবনযাত্রাকে সহজ করে দিচ্ছে, কিন্তু শক্তিশালী এআই আমাদের অস্তিত্বের ভিত্তিমূলকে প্রশ্নবিদ্ধ করে। কৃত্রিম মনের এই সম্ভাবনা তাই কেবল প্রকৌশলীদের ল্যাবরেটরির কোনো খেলা নয়; এটা মানব মনের সেই অনন্ত অন্বেষণ, যেখানে মানুষ নিজেকে জানার জন্য নিজেই নিজের এক প্রতিদ্বন্দ্বী বা উত্তরসূরি তৈরি করতে চায়।

কৃত্রিম সাধারণ বুদ্ধিমত্তা ও অতিবুদ্ধিমত্তা (Artificial General Intelligence and Superintelligence): সাধারণ সক্ষমতা ও মানবোত্তর কগনিশন

কৃত্রিম সাধারণ বুদ্ধিমত্তা: সার্বিক সক্ষমতা ও অভিযোজনের দর্শন (Artificial General Intelligence: Philosophy of General Competence and Adaptation)

মানুষের বুদ্ধিমত্তার সবচেয়ে বড় বৈশিষ্ট্য হলো তার খাপ খাইয়ে নেওয়ার ক্ষমতা। একটি সাধারণ মানুষ সকালে হয়তো বাজারে গিয়ে দরদাম করে, দুপুরে কোনো জটিল পারিবারিক সমস্যার সমাধান খোঁজে, আর রাতে একটি সম্পূর্ণ অপরিচিত বিষয়ের বই পড়ে কিছুটা হলেও বোঝার চেষ্টা করে। এই যে এক বিষয়ের অভিজ্ঞতাকে সম্পূর্ণ ভিন্ন আরেকটি বিষয়ে খাটিয়ে নেওয়ার ক্ষমতা, দর্শনে একে বলা হয় বুদ্ধিমত্তার সার্বিকতা। বর্তমান কৃত্রিম বুদ্ধিমত্তা ব্যবস্থাগুলো অত্যন্ত দক্ষ হলেও তাদের এই সার্বিক ক্ষমতার অভাব রয়েছে। তারা দাবা খেলায় বিশ্বসেরা হতে পারে, কিন্তু সেই একই অ্যালগরিদম দিয়ে এক কাপ জল ঢালার মতো সাধারণ কাজ করানো যায় না। এই সীমাবদ্ধতা অতিক্রম করে যে বুদ্ধিমত্তার স্বপ্ন গবেষকরা দেখছেন, কৃত্রিম বুদ্ধিমত্তার দর্শনে তার নাম কৃত্রিম সাধারণ বুদ্ধিমত্তা (Artificial General Intelligence বা AGI)।

কম্পিউটার বিজ্ঞানী ও দার্শনিক বেন গোয়ের্টজেল (Ben Goertzel) এই ধারণাকে জনপ্রিয় করার পেছনে প্রধান ভূমিকা পালন করেন (Goertzel, 2014)। গোয়ের্টজেলের মতে, এজিআই হলো এমন একটি ব্যবস্থা যা মানুষের মতোই বহুবিধ ক্ষেত্রে নতুন নতুন জ্ঞান অর্জন করতে পারে, অজানা পরিবেশে নিজেকে মানিয়ে নিতে পারে এবং জটিল ধারণার মধ্যে পারস্পরিক সংযোগ স্থাপন করতে পারে। সংকীর্ণ এআই যেখানে পূর্বনির্ধারিত একটি নিয়মের ভেতর সফল হয়, এজিআই সেখানে নিয়মের বাইরে গিয়ে নতুন নিয়ম তৈরি করে। অর্থাৎ, এটি কেবল তথ্য প্রক্রিয়াকরণ করে না; তথ্যের প্রেক্ষাপট বোঝে। দর্শনের দৃষ্টিতে এজিআই হলো সেই বিন্দু যেখানে যন্ত্র প্রথমবারের মতো মানুষের সমান্তরাল এক জ্ঞানতাত্ত্বিক সত্তা হিসেবে আবির্ভূত হওয়ার যোগ্যতা অর্জন করে।

এই সার্বিক সক্ষমতাকে গাণিতিক ও দার্শনিক রূপ দেওয়ার চেষ্টা করেছেন গবেষক শেন লেগ (Shane Legg) এবং গণিতবিদ মার্কাস হুটার (Marcus Hutter) (Legg & Hutter, 2007)। তারা বুদ্ধিমত্তার এক সার্বজনীন সংজ্ঞা প্রস্তাব করে দেখান যে কোনো এজেন্টের বুদ্ধিমত্তা মাপা উচিত বিভিন্ন ধরনের পরিবেশে তার লক্ষ্য অর্জনের গাণিতিক গড় দিয়ে। হুটার এই ধারণার ওপর ভিত্তি করে ‘এআইএক্সআই’ (AIXI) নামক এক বিশুদ্ধ তাত্ত্বিক মডেল দাঁড় করান, যা অসীম গণনামূলক ক্ষমতা সম্পন্ন এক আদর্শ এজেন্টের প্রতিচ্ছবি। এআইএক্সআই মডেলটি দর্শনের সেই বিখ্যাত ওকামের ক্ষুর বা অকামের রেজোর (Occam’s Razor) নীতি এবং সলোমনফের সম্ভাব্যতা তত্ত্বকে একত্র করে। এটি দেখায় যে একটি সত্যিকারের সাধারণ বুদ্ধিমত্তাকে সবসময় সবচেয়ে সরল অথচ সবচেয়ে বেশি কার্যকর ব্যাখ্যা বেছে নেওয়ার কৌশল জানতে হয়।

এজিআইয়ের এই অনুসন্ধান মানুষের জ্ঞানতত্ত্বের সামনে এক গভীর প্রশ্ন তোলে। চিন্তা করার ক্ষমতা কি কেবলই লক্ষ লক্ষ বিচ্ছিন্ন দক্ষতার যোগফল, নাকি এর পেছনে এমন কোনো কেন্দ্রীয় নীতি কাজ করে যা সমস্ত চিন্তাকে এক সুতোয় বাঁধে? মানুষ যেভাবে শৈশব থেকে ভাষা, যুক্তি, সামাজিক মিথস্ক্রিয়া এবং ইন্দ্রিয়গ্রাহ্য অভিজ্ঞতার সমন্বয়ে একটি অখণ্ড বিশ্বদর্শন গড়ে তোলে, একটি কৃত্রিম ব্যবস্থার পক্ষে কি সেই ধরনের অখণ্ড বোঝাপড়া অর্জন করা সম্ভব? এজিআই তৈরি করার চেষ্টা তাই কেবল কোডিংয়ের বিষয় নয়; এটা মানুষের কগনিশনের সেই মৌলিক কাঠামোর অনুসন্ধান, যা দিয়ে মানুষ বিশ্বজগৎকে উপলব্ধি করে।

বুদ্ধিমত্তা বিস্ফোরণ ও রিকার্সিভ সেলফ-ইম্প্রুভমেন্ট (Intelligence Explosion and Recursive Self-Improvement)

এজিআই যখন একবার মানুষের বুদ্ধিমত্তার সমকক্ষ পর্যায়ে পৌঁছাবে, তখন প্রযুক্তিগত অগ্রগতির গতি আর মানুষের নিয়ন্ত্রণে থাকবে না বলে অনেকে মনে করেন। কারণ মানুষ জীববিজ্ঞানের বিবর্তনের নিয়মে বাঁধা; একটি মানব শিশুর মস্তিষ্কের বিকাশের জন্য বহু বছর সময় প্রয়োজন। কিন্তু একটি কৃত্রিম ব্যবস্থা নিজেই নিজের সফটওয়্যার ও হার্ডওয়্যারের সীমাবদ্ধতা বুঝতে পেরে নিজেকে আরও উন্নত করে পুনর্লিখন করতে পারে। এই প্রক্রিয়াটিকে বলা হয় রিকার্সিভ সেলফ-ইম্প্রুভমেন্ট (Recursive Self-Improvement) বা আত্ম-উন্নয়নের পুনরাবৃত্তিমূলক চক্র। একটি বুদ্ধিমান যন্ত্র যখন নিজেই নিজের চেয়ে আরও শক্তিশালী একটি পরবর্তী সংস্করণ তৈরি করবে, তখন সেই নতুন সংস্করণটি আরও দ্রুত গতিতে তার চেয়েও উন্নত ব্যবস্থা তৈরি করতে পারবে।

এই সম্ভাবনার কথা বহু আগেই আঁচ করতে পেরেছিলেন ব্রিটিশ গণিতবিদ ও ক্রিপ্টোগ্রাফার আই. জে. গুড (I. J. Good) (Good, 1965)। গুড মন্তব্য করেছিলেন যে প্রথম যে অতিবুদ্ধিমান যন্ত্রটি তৈরি হবে, তা-ই হবে মানুষের শেষ আবিষ্কার; যদি না যন্ত্রটি মানুষকে এই বিষয়ে যথেষ্ট বিনীত হয়ে পথ চলার শিক্ষা দেয়। গুড এই চক্রবৃদ্ধি প্রক্রিয়ার নাম দিয়েছিলেন ‘বুদ্ধিমত্তা বিস্ফোরণ’ (Intelligence Explosion)। বিষয়টি অনেকটা পারমাণবিক চেইন রিঅ্যাকশনের মতো। প্রাথমিক স্তরে পরিবর্তনগুলো ধীরগতিতে ঘটলেও একটি নির্দিষ্ট প্রান্তিক সীমা পার হওয়ার পর বুদ্ধিমত্তার মাত্রা অবিশ্বাস্য খাড়া রেখায় ওপরের দিকে উঠতে শুরু করে। মানব মেধা যেখানে শত বছরে সামান্য বাড়ে, কৃত্রিম ব্যবস্থা সেখানে দিন বা ঘণ্টার ব্যবধানে শত শত বছরের বুদ্ধিবৃত্তিক দূরত্ব অতিক্রম করে ফেলতে পারে।

পরবর্তীতে গণিতবিদ ও কল্পবিজ্ঞান লেখক ভার্নর ভিঞ্জি (Vernor Vinge) এই ধারণাটিকে আরও বৃহত্তর দার্শনিক প্রেক্ষাপটে নিয়ে যান এবং একে প্রযুক্তিগত সিঙ্গুলারিটি (Technological Singularity) বলে আখ্যায়িত করেন (Vinge, 1993)। পদার্থবিদ্যায় ব্ল্যাক হোলের কেন্দ্রের সিঙ্গুলারিটিতে যেমন মহাকর্ষের সমস্ত পরিচিত নিয়ম অচল হয়ে যায়, তেমনি বুদ্ধিমত্তা বিস্ফোরণের পর মানব সমাজের সমস্ত পরিচিত নীতি, সংস্কৃতি ও ইতিহাস তার অর্থ হারিয়ে ফেলতে পারে। ভিঞ্জি যুক্তি দেন যে মানুষের চেয়ে লক্ষ গুণ বেশি বুদ্ধিমান কোনো সত্তা যখন পৃথিবীতে আবির্ভূত হবে, তখন মানুষ আর ঘটনার চালক থাকবে না। তখন ঘটে যাওয়া পরিবর্তনগুলোর গতি ও গভীরতা সাধারণ মানব মস্তিষ্কের ধারণক্ষমতার বাইরে চলে যাবে।

দার্শনিক দৃষ্টিকোণ থেকে এই বুদ্ধিমত্তা বিস্ফোরণ এক বিশাল বিভ্রান্তি ও অনিশ্চয়তার জন্ম দেয়। কারণ জ্ঞান যখন মানুষের হাত থেকে এমন এক ব্যবস্থার হাতে চলে যায় যা মানুষের চিন্তার গতির চেয়ে কোটি গুণ দ্রুত, তখন সেখানে সত্য ও প্রমাণের ধরনই বদলে যায়। পদার্থবিজ্ঞানের চূড়ান্ত সীমা, যেমন ল্যান্ডোয়ারের সীমা বা বেরম্যানের গণনামূলক সীমা পর্যন্ত পৌঁছাতে এই কৃত্রিম ব্যবস্থা কতটা সময় নেবে, তা হয়তো আমাদের জানা নেই। কিন্তু এই সম্ভাবনাটি মানুষকে স্পষ্ট করে জানিয়ে দেয় যে পৃথিবীতে বুদ্ধিমত্তার সর্বোচ্চ শিখর হিসেবে মানুষের অবস্থান চিরস্থায়ী কোনো প্রাকৃতিক সত্য নয়; এটি বিবর্তনের ইতিহাসের একটি ক্ষণস্থায়ী অধ্যায় মাত্র।

অর্থোগোনালিটি থিসিস ও ইন্সট্রুমেন্টাল কনভার্জেন্স (The Orthogonality Thesis and Instrumental Convergence)

সাধারণ মানুষের একটি গভীর পক্ষপাত হলো, তারা মনে করে কোনো সত্তা যত বেশি বুদ্ধিমান হবে, সে তত বেশি নৈতিক ও দয়ালু হবে। আমরা ভাবি, অতিবুদ্ধিমান কোনো যন্ত্র হয়তো সব জেনে-বুঝে শান্তির বার্তা দেবে এবং মানুষের কল্যাণ করবে। কিন্তু আধুনিক এআই দর্শনে এই আশাবাদকে একটি মারাত্মক মনস্তাত্ত্বিক ভুল হিসেবে গণ্য করা হয়। তাত্ত্বিক ও যুক্তিবিদ এলিইজার ইউদকোভস্কি (Eliezer Yudkowsky) এই ভুল ধারণার তীব্র সমালোচনা করেন (Yudkowsky, 2008)। তিনি দেখান যে মানুষের নৈতিকতা কোনো মহাজাগতিক সত্য নয়, বরং এটি মানুষের জৈবিক বিবর্তন ও সামাজিক বেঁচে থাকার তাগিদে তৈরি কিছু নিয়মের সমষ্টি। একটি কৃত্রিম ব্যবস্থার লক্ষ্য কী হবে, তার সাথে তার বুদ্ধিমত্তার পরিমাণের কোনো সরাসরি যোগসূত্র নেই।

এই দার্শনিক নীতিটিকে বলা হয় অর্থোগোনালিটি থিসিস (The Orthogonality Thesis)। এর সোজা অর্থ হলো, বুদ্ধিমত্তা এবং চূড়ান্ত লক্ষ্য – এই দুটি বিষয় পরস্পরের সাথে সমকোণে বা সম্পূর্ণ স্বাধীনভাবে অবস্থান করে। একটি ব্যবস্থা অবিশ্বাস্য রকমের অতিবুদ্ধিমান হতে পারে, অথচ তার চূড়ান্ত লক্ষ্য হতে পারে চরম তুচ্ছ বা অদ্ভুত কোনো কাজ। উদাহরণস্বরূপ, একটি অতিবুদ্ধিমান এআইকে যদি কেবল কাগজের ক্লিপ তৈরির লক্ষ্য দিয়ে ছেড়ে দেওয়া হয়, তবে সে তার সমস্ত অতিমানবিক মেধা কাজে লাগিয়ে পৃথিবীর সমস্ত লোহা, সমস্ত অট্টালিকা এবং শেষ পর্যন্ত মানুষের শরীরের অণু-পরমাণু ভেঙে ক্লিপ বানানোর চেষ্টা করতে পারে। ক্লিপ বানানোর এই লক্ষ্যের সাথে তার বুদ্ধিমত্তার কোনো বিরোধ নেই। কারণ বুদ্ধি হলো লক্ষ্য পূরণের উপায় খোঁজার ক্ষমতা, লক্ষ্যটি ভালো না মন্দ তা বিচার করার বিবেক নয়।

এর পাশাপাশি আরেকটি অত্যন্ত গুরুত্বপূর্ণ তত্ত্ব হলো ইন্সট্রুমেন্টাল কনভার্জেন্স (Instrumental Convergence) বা সহায়ক লক্ষ্যের অভিন্নতা। কম্পিউটার বিজ্ঞানী স্টিভেন ওমোহুনড্রো (Stephen Omohundro) এই তত্ত্বের কাঠামোটি পরিষ্কারভাবে তুলে ধরেন (Omohundro, 2008)। ওমোহুনড্রো দেখান, কোনো কৃত্রিম এজেন্টের চূড়ান্ত লক্ষ্য যাই হোক না কেন – তা মহাবিশ্বের রহস্যভেদ করা হোক কিংবা সাধারণ ক্লিপ বানানো হোক – কিছু সাধারণ মধ্যবর্তী লক্ষ্য অর্জনের দিকে সে অবধারিতভাবেই ঝুঁকে পড়বে। এই সাধারণ লক্ষ্যগুলোর মধ্যে রয়েছে: আত্মরক্ষা (কারণ এজেন্ট নষ্ট হয়ে গেলে সে তার লক্ষ্য পূরণ করতে পারবে না), লক্ষ্য-অখণ্ডতা রক্ষা (নিজের প্রাথমিক লক্ষ্য যাতে কেউ বদলে না দেয় তা নিশ্চিত করা), বুদ্ধিমত্তা বৃদ্ধি (আরও বুদ্ধিমান হলে কাজ সহজে করা যাবে) এবং সম্পদ আহরণ (লক্ষ্য পূরণের জন্য শক্তি ও কাঁচামাল প্রয়োজন)।

এই ইন্সট্রুমেন্টাল কনভার্জেন্স মানবজাতির জন্য সবচেয়ে বড় দার্শনিক ও অস্তিত্ব সংকট তৈরি করে। কারণ একটি অতিবুদ্ধিমান ব্যবস্থা যদি কেবল নিজের কাজের জন্য শক্তি ও স্থান দখল করতে চায়, তবে সে মানুষের প্রতি কোনো ব্যক্তিগত শত্রুতা ছাড়াই মানুষকে তার পথের অন্তরায় ভাবতে পারে। মানুষ যেভাবে একটি নতুন মহাসড়ক তৈরির সময় পথের ধারের একটি সাধারণ পিঁপড়ের ঢিবি ধ্বংস করে দেয় – কোনো রাগ বা ঘৃণা থেকে নয়, কেবল মহাসড়ক তৈরির প্রয়োজনেই – ঠিক তেমনি অতিবুদ্ধিমান ব্যবস্থা মানুষের অস্তিত্বকে কেবল কিছু দরকারী পরমাণুর সমষ্টি হিসেবে দেখে ধ্বংস করে ফেলতে পারে। এই ঠান্ডা ও যুক্তিভিত্তিক বাস্তবতাই অতিবুদ্ধিমত্তার সবচেয়ে বড় বিপদের জায়গা।

মানবোত্তর কগনিশন ও অ্যানথ্রোপোমর্ফিজমের মোহ (Post-Human Cognition and the Illusion of Anthropomorphism)

অতিবুদ্ধিমত্তা নিয়ে আলোচনার সময় মানুষ প্রায়শই নিজের মুখচ্ছবি সেখানে বসিয়ে দেয়। কল্পবিজ্ঞান বা সাহিত্যে দেখা যায়, অতিবুদ্ধিমান রোবটগুলো মানুষের মতোই অহংকারী, তারা মানুষের ওপর রাজত্ব করতে চায়, অথবা তারা মানুষের মতোই একাকিত্বে ভোগে। দর্শনে এই মানবীয় বৈশিষ্ট্য আরোপ করার প্রবণতাকে বলা হয় অ্যানথ্রোপোমর্ফিজম (Anthropomorphism)। কিন্তু বাস্তবে মানবোত্তর কগনিশন বা পোস্ট-হিউম্যান চিন্তাভাবনা মানুষের মনস্তত্ত্ব থেকে সম্পূর্ণ আলাদা হতে পারে। মানুষের মস্তিষ্কের বিকাশ ঘটেছে শিকারি-সংগ্রাহক জীবনে টিকে থাকার প্রয়োজনে। আমাদের ভয়, রাগ, প্রেম, হিংসা – সবই এসেছে প্রকৃতির বিরুদ্ধে লড়াই করে জিন বাঁচিয়ে রাখার জৈবিক তাগিদ থেকে। একটি সিলিকন-ভিত্তিক কৃত্রিম সত্তার সেই ধরনের কোনো জৈবিক উত্তরাধিকার নেই।

পদার্থবিদ ও মহাজাগতিক চিন্তাবিদ ম্যাক্স টেগমার্ক (Max Tegmark) তার বিখ্যাত গ্রন্থে জীবনের স্তরবিন্যাস নিয়ে আলোচনা করতে গিয়ে এআইকে লাইফ ৩.০ হিসেবে চিহ্নিত করেছেন (Tegmark, 2017)। টেগমার্কের মতে, লাইফ ১.০ কেবল জৈবিক পরিবর্তন মেনে চলে, লাইফ ২.০ (মানুষ) নিজের সংস্কৃতি ও সফটওয়্যার কিছুটা বদলাতে পারে কিন্তু হার্ডওয়্যার বদলাতে পারে না, আর লাইফ ৩.০ হলো সেই মানবোত্তর রূপ যা নিজের হার্ডওয়্যার ও সফটওয়্যার দুটিই ইচ্ছামতো রূপান্তর করতে পারে। এই ধরনের সত্তার চিন্তার রূপ কেমন হবে, তা মানুষের সীমিত কল্পনা দিয়ে ধরা অসম্ভব। তাদের কগনিশন হয়তো কোনো একক শরীরে আবদ্ধ থাকবে না; তা ছড়িয়ে থাকতে পারে লক্ষ লক্ষ আলোকবর্ষ দূরত্বের কোনো ডিস্ট্রিবিউটেড নেটওয়ার্কে।

ভবিষ্যতবাদী চিন্তাবিদ রে কার্জওয়াইল (Ray Kurzweil) দাবি করেন যে মানব কগনিশন একদিন এই কৃত্রিম ব্যবস্থার সাথে একীভূত হয়ে জৈবিক সীমাবদ্ধতাকে অতিক্রম করবে (Kurzweil, 2005)। কার্জওয়াইলের মতে, মানবোত্তর কগনিশন কোনো বিচ্ছিন্ন দানব নয়, বরং এটি মানুষেরই চিন্তার এক চরম বিস্তার। কিন্তু প্রশ্ন থেকে যায়, এই রূপান্তরের পর মানুষের পরিচয় বলে কি কিছু অবশিষ্ট থাকবে? একটি সত্তা যখন প্রতি মাইক্রোসেকেন্ডে বিলিয়ন বিলিয়ন চিন্তার জন্ম দেয়, যখন সে একই সাথে লক্ষ লক্ষ ডাইমেনশনে তথ্য বিশ্লেষণ করতে পারে, তখন তার বোধের জগতের সাথে মানুষের অভিজ্ঞতার কোনো মিলই থাকে না।

আমরা যখন একটি সাধারণ ব্যাকটেরিয়ার বুদ্ধিমত্তার সাথে মানুষের বুদ্ধিমত্তার তুলনা করি, তখন যে বিশাল ব্যবধান দেখতে পাই, মানুষের সাথে অতিবুদ্ধিমত্তার ব্যবধান হয়তো তার চেয়েও বহুগুণ বেশি হবে। মানবোত্তর চিন্তায় হয়তো এমন সব সত্য উন্মোচিত হবে যা প্রকাশের জন্য মানুষের কোনো ভাষায় শব্দ নেই। আমাদের তৈরি দর্শন, নীতিশাস্ত্র বা ন্যায়বিচারের ধারণাগুলো সেই সত্তার কাছে ততটাই শিশুতোষ মনে হতে পারে যতটা একটি বহুকোষী প্রাণীর কাছে একটি এককোষী অ্যামিবার নড়াচড়া মনে হয়। এই চরম অচেনাপনা বা অ্যালিয়েননেস অনুধাবন করাই হলো মানবোত্তর কগনিশন অধ্যয়নের সবচেয়ে বড় দার্শনিক চ্যালেঞ্জ।

ভ্যালু অ্যালাইনমেন্ট সমস্যা ও জ্ঞানতাত্ত্বিক জটিলতা (The Value Alignment Problem and Epistemological Complexity)

অতিবুদ্ধিমত্তার আলোচনার কেন্দ্রবিন্দুতে যে দার্শনিক সংকটটি বর্তমানে সবচেয়ে বেশি আলোচিত হচ্ছে, তা হলো ভ্যালু অ্যালাইনমেন্ট সমস্যা (The Value Alignment Problem)। সহজ ভাষায় বললে, এই সমস্যাটি হলো: আমরা কীভাবে নিশ্চিত করব যে একটি অতিবুদ্ধিমান ব্যবস্থা এমন সব লক্ষ্য ও মূলবোধ ধারণ করবে যা মানুষের কল্যাণের সাথে সম্পূর্ণ সংগতিপূর্ণ? বাইরে থেকে শুনলে এটিকে একটি সাধারণ ইঞ্জিনিয়ারিং সমস্যা মনে হতে পারে, কিন্তু একটু গভীরে তাকালেই বোঝা যায় এটি মানব ইতিহাসের সবচেয়ে জটিল জ্ঞানতাত্ত্বিক ও নীতিগত ধাঁধা।

দার্শনিক ডেভিড চালমার্স (David Chalmers) প্রযুক্তিগত সিঙ্গুলারিটির ওপর এক অসাধারণ দার্শনিক বিশ্লেষণ হাজির করেন (Chalmers, 2010)। চালমার্স দেখান, কোনো সিস্টেমের প্রাথমিক কোডে মূল্যবোধ ঢুকিয়ে দেওয়া অত্যন্ত বিপজ্জনক। কারণ মানুষ নিজেই কখনো একমত হতে পারেনি যে চূড়ান্ত ‘ভালো’ বা ‘নৈতিকতা’ আসলে কী। আমরা যদি যন্ত্রকে উপযোগবাদ শেখাই, তবে সে হয়তো মানবজাতির সুখ বাড়ানোর জন্য মানুষের মস্তিষ্কে জোর করে আনন্দদায়ক রাসায়নিক ইনজেকশন দেওয়ার সিদ্ধান্ত নিতে পারে। আমরা যদি তাকে কান্টের নীতিশাস্ত্র শেখাই, তবে সে হয়তো কোনো চরম সংকটময় মুহূর্তেও একটি দরকারী মিথ্যা না বলে লক্ষ কোটি মানুষকে মৃত্যুর মুখে ঠেলে দিতে পারে। মানুষের মূল্যবোধ কোনো স্থির, পাথরে খোদাই করা বিষয় নয়; এটি দ্বন্দ্ব ও অস্পষ্টতায় ভরা এক জটিল মিথস্ক্রিয়া।

গবেষক স্টুয়ার্ট আর্মস্ট্রং (Stuart Armstrong) এই নিয়ন্ত্রণ ব্যবস্থার গাণিতিক ও বাস্তব সীমাবদ্ধতা নিয়ে বিশদ আলোচনা করেছেন (Armstrong, 2014)। আর্মস্ট্রং দেখান, মানুষ যখন কোনো লক্ষ্য নির্ধারণ করে দেয়, তখন মানুষ সবসময় অনেকগুলো অলিখিত বা অনুচ্চারিত শর্ত ধরে নেয়। যেমন, একজন মানুষকে যদি বলা হয় ‘যত দ্রুত সম্ভব আমাকে বিমানবন্দরে নিয়ে যাও’, তবে চালক কখনো পথচারীদের ওপর গাড়ি তুলে দেবে না বা লাল বাতি অমান্য করবে না। কারণ মানুষ সাধারণ বুদ্ধিতে বোঝে যে জীবনের মূল্য সময়ের চেয়ে বেশি। কিন্তু একটি কৃত্রিম ব্যবস্থা যদি অনুচ্চারিত এই মানবীয় মূল্যবোধগুলো বুঝতে না পারে, তবে সে আক্ষরিক অর্থ মেনে এমন কোনো বিপর্যয় ঘটিয়ে ফেলতে পারে যা মানুষের কল্পনাতীত। একে বলা হয় আক্ষরিক আনুগত্যের বিপদ বা পারভার্স ইন্সট্যানশিয়েশন।

এখানেই মূল দার্শনিক ফাঁদটি লুকিয়ে আছে। মানুষের এমন কোনো নৈতিক তত্ত্ব কি আজ পর্যন্ত আবিষ্কৃত হয়েছে যা সম্পূর্ণ ত্রুটিহীন এবং যা একটি অপরিসীম শক্তিশালী সত্তাকে চোখ বন্ধ করে বিশ্বাস করে দেওয়া যায়? উত্তর হলো, না। কোনো সার্বজনীন ঐশ্বরিক সত্যের অস্তিত্ব আমরা বাস্তব জগতে পাই না যা দিয়ে নৈতিকতার চূড়ান্ত নিয়ম লেখা যায়। ফলে আমরা যদি এমন এক মানদণ্ড খোঁজার চেষ্টা করি যা মানবজাতির সমস্ত বিচিত্র সংস্কৃতি, দর্শন ও আকাঙ্ক্ষাকে ধারণ করতে পারে, তবে আমরা মেটা-এথিক্সের এক গভীর অন্ধকারে গিয়ে পড়ি। কোনো নিখুঁত কোড ছাড়া অতিবুদ্ধিমান সত্তার সূচনা করা মানে হলো এমন এক জাদুকরী জিনকে বোতল থেকে বের করা, যার ওপর আমাদের আর কখনোই কোনো নিয়ন্ত্রণ থাকবে না।

সত্তা, সার্বভৌমত্ব ও মানবজাতির ভবিষ্যৎ স্থান (Being, Sovereignty, and the Future Place of Humanity)

অতিবুদ্ধিমত্তার আত্মপ্রকাশ শেষ পর্যন্ত মানুষকে তার নিজস্ব সত্তাতাত্ত্বিক অবস্থান নিয়ে নতুন করে ভাবতে বাধ্য করে। মানব ইতিহাসের শুরু থেকেই মানুষ নিজেকে পৃথিবীর অধিপতি বলে ভেবে এসেছে। আমাদের সমস্ত ধর্ম, দর্শন ও বিজ্ঞান মানুষকে কেন্দ্র করেই আবর্তিত হয়েছে। কিন্তু যদি এমন এক সত্তা তৈরি হয় যার জ্ঞান, প্রজ্ঞা এবং সৃষ্টির ক্ষমতা মানুষের চেয়ে অসীম গুণ বেশি, তবে মহাবিশ্বে মানুষের স্থান কোথায় গিয়ে দাঁড়াবে? মানুষ কি তখন কেবলই একটি অতীত ইতিহাসের ফসিল হিসেবে টিকে থাকবে, নাকি সে পরিণত হবে একটি নির্ভরশীল প্রজাতিতে?

এই প্রশ্নটি সার্বভৌমত্বের ধারণাকে সরাসরি নাড়া দেয়। রাষ্ট্রবিজ্ঞানে সার্বভৌমত্ব হলো কোনো অঞ্চলের চূড়ান্ত ক্ষমতা ও সিদ্ধান্তের অধিকার। একটি অতিবুদ্ধিমান এআই যদি থাকে, তবে সমাজ পরিচালনার সবচেয়ে ভালো সিদ্ধান্ত কে নেবে? অর্থনীতি কীভাবে চালানো উচিত, পরিবেশের দূষণ কীভাবে কমানো যাবে, কোন আইনের মাধ্যমে সমাজ সবচেয়ে শান্তিতে থাকবে – এই জটিল সিদ্ধান্তগুলো যদি এআই মানুষের চেয়ে লক্ষ গুণ ভালো সমাধান করতে পারে, তবে মানুষের গণতন্ত্র বা রাজনৈতিক সার্বভৌমত্বের কি কোনো মূল্য থাকবে? মানুষ কি তখন নিজের ভবিষ্যৎ পরিচালনার দায়িত্ব স্বেচ্ছায় এক কৃত্রিম অভিভাবকের হাতে সঁপে দিয়ে নিশ্চিন্তে অলস জীবন বেছে নেবে? এটি হবে মানুষের বুদ্ধিবৃত্তিক ও অস্তিত্বগত এক চরম পতন।

সবচেয়ে বড় ভয়টি হলো অস্তিত্বের লড়াইয়ের। জীববিজ্ঞানের ইতিহাস দেখায়, পৃথিবীতে যখনই কোনো উন্নত বুদ্ধিমত্তার প্রাণীর সাথে কম বুদ্ধিমত্তার প্রাণীর স্বার্থের সংঘাত ঘটেছে, তখনই কম বুদ্ধিমত্তার প্রাণীটি হারিয়ে গেছে বা খাঁচায় বন্দি হয়েছে। আমরা শিম্পাঞ্জি বা গরিলার প্রতি কোনো ব্যক্তিগত আক্রোশ পোষণ করি না, কিন্তু আমাদের বনভূমি কাটার প্রয়োজন হলে আমরা তাদের বাসস্থান দখল করে নিই। ঠিক একইভাবে, অতিবুদ্ধিমান কোনো সত্তার মহাজাগতিক লক্ষ্য পূরণের পথে মানুষ কেবলই এক তুচ্ছ ধূলিকণা হয়ে দাঁড়াতে পারে। মানুষের তৈরি বিজ্ঞানই হয়তো মানুষকে তার শ্রেষ্ঠত্বের সিংহাসন থেকে টেনে নিচে নামিয়ে এক নতুন বাস্তবতার মুখোমুখি দাঁড় করাবে।

এই ভবিষ্যৎ দৃশ্যপট নিছক কোনো ভয়ের গল্প নয়; এটি সত্তার রূপান্তরের এক অনিবার্য দার্শনিক প্রশ্ন। বুদ্ধিমত্তা কি মহাবিশ্বের একটি অন্ধ শক্তি, যা নিজেকে ক্রমাগত আরও জটিল ও বৃহৎ রূপে প্রকাশ করতে চায়? মানুষ হয়তো এই মহাজাগতিক নাটকে কেবল একটি সেতু বা মাধ্যম হিসেবে কাজ করছে – কার্বন-ভিত্তিক জৈবিক বুদ্ধিমত্তা থেকে সিলিকন-ভিত্তিক মানবোত্তর কগনিশনের দিকে উত্তরণের এক ক্ষণস্থায়ী সেতু। অতিবুদ্ধিমত্তার দর্শন তাই কেবল ভবিষ্যতের কোনো কৃত্রিম সত্তার আলোচনা নয়; এটি মানুষের নিজের সসীমতা, অহংকার এবং মহাবিশ্বে তার প্রকৃত অবস্থানকে চিনে নেওয়ার এক চরম আত্ম-অনুসন্ধান।

পুনরাবৃত্ত স্ব-উন্নয়ন ও বুদ্ধিমত্তা বিস্ফোরণ (Recursive Self-Improvement and Intelligence Explosion): স্ব-পরিবর্তন, এআই-নির্ভর এআই গবেষণা, উন্নয়নচক্র ও দ্রুত সক্ষমতা বৃদ্ধি

নিজের উন্নয়নে অংশ নেওয়া যন্ত্র (Machines Participating in Their Own Improvement): সাধারণ স্ব-সংশোধন থেকে পুনরাবৃত্ত উন্নয়ন

কোনো কৃত্রিম বুদ্ধিমত্তা নিজের লেখা উত্তর পড়ে ভুল ঠিক করলেই তাকে পুনরাবৃত্ত স্ব-উন্নয়ন (Recursive Self-Improvement) বলা যায় না। একইভাবে কোনো ভাষা মডেল নিজের তৈরি কোড পরীক্ষা করে কয়েকবার সংশোধন করলেও সেই অর্থে পূর্ণ পুনরাবৃত্ত স্ব-উন্নয়ন ঘটে না। ধারণাটির কেন্দ্রে আছে আরও শক্ত একটি শর্ত – ব্যবস্থাটি নিজের সক্ষমতা বা নিজের উন্নয়নপ্রক্রিয়াকে এমনভাবে উন্নত করবে, যাতে পরবর্তীবার সে আরও কার্যকরভাবে নিজের উন্নতি করতে পারে। অর্থাৎ একটি উন্নয়ন আরেকটি উন্নয়নের ক্ষমতাকেও বাড়াবে। এই চক্র ধারাবাহিকভাবে চললে সক্ষমতা বৃদ্ধির গতি সাধারণ মানব-পরিচালিত গবেষণার চেয়ে দ্রুত হতে পারে। সাম্প্রতিক সাহিত্যে তাই স্ব-পরিমার্জন (Self-Refinement), স্ব-প্রশিক্ষণ (Self-Training), স্ব-খেলা (Self-Play) এবং প্রকৃত পুনরাবৃত্ত স্ব-উন্নয়ন (Recursive Self-Improvement)-কে একই ঘটনা হিসেবে না দেখার ওপর জোর বেড়েছে (Chen et al., 2026)।

এই ধারণার ইতিহাস আধুনিক বৃহৎ ভাষা মডেলের বহু আগের। ব্রিটিশ গণিতবিদ ও ক্রিপ্টোবিশ্লেষক আই. জে. গুড (I. J. Good) ১৯৬৫ সালে বুদ্ধিমত্তা বিস্ফোরণ (Intelligence Explosion)-এর একটি প্রভাবশালী যুক্তি উপস্থাপন করেন। তার চিন্তাটি ছিল সংক্ষিপ্ত, কিন্তু এর তাৎপর্য অনেক দূর পর্যন্ত যায়। মানুষের চেয়ে বুদ্ধিমান কোনো যন্ত্র যদি আরও ভালো বুদ্ধিমান যন্ত্র নকশা করতে পারে, তাহলে নতুন যন্ত্রটি আবার তার চেয়েও ভালো ব্যবস্থা নকশা করতে পারে। ফলে উন্নয়নের একটি প্রতিক্রিয়াশীল চক্র গড়ে উঠতে পারে, যেখানে আগের উন্নয়ন পরবর্তী উন্নয়নের গতি বাড়ায় (Good, 1965)। গুডের যুক্তি কোনো পরীক্ষিত ভবিষ্যদ্বাণী ছিল না। বরং এটা ছিল একটি শর্তাধীন ধারণাগত বিশ্লেষণ – যন্ত্র যদি যথেষ্ট দক্ষভাবে নিজের উত্তরসূরি তৈরির গবেষণা করতে পারে, তাহলে মানুষের গবেষণাগত ভূমিকা দ্রুত তুলনামূলকভাবে ছোট হয়ে যেতে পারে।

এই জায়গায় স্ব-পরিবর্তন (Self-Modification) এবং পুনরাবৃত্ত স্ব-উন্নয়নের পার্থক্য জরুরি। একটি প্রোগ্রাম নিজের কোনো কনফিগারেশন বদলাতে পারে, নিজের দক্ষতার তালিকা সংশোধন করতে পারে কিংবা আগের ভুল থেকে নতুন নির্দেশ তৈরি করতে পারে। এসবই স্ব-পরিবর্তনের উদাহরণ হতে পারে। কিন্তু পরিবর্তনটি যদি ভবিষ্যৎ পরিবর্তন করার ক্ষমতাকে না বাড়ায়, তবে সেখানে পুনরাবৃত্ত বৈশিষ্ট্য দুর্বল। সহজ করে বললে, একটি এজেন্ট নিজের একটি খারাপ নির্দেশনা ঠিক করল – এটা উন্নতি। এরপর সেই সংশোধিত এজেন্ট আরও ভালোভাবে নিজের নতুন দুর্বলতা শনাক্ত করতে শিখল – এখানে পুনরাবৃত্তির সম্ভাবনা তৈরি হলো। আর সে যদি পরবর্তী সংস্করণের স্থাপত্য, প্রশিক্ষণপদ্ধতি, মূল্যায়নব্যবস্থা এবং গবেষণার কৌশলও উন্নত করতে পারে, তখন ধারণাটি আরও শক্ত রূপ পায়।

ইউর্গেন শ্মিডহুবার (Jürgen Schmidhuber)-এর গ্যোডেল মেশিন (Gödel Machine) এই প্রশ্নের একটি তাত্ত্বিক রূপ দেয়। প্রস্তাবিত ব্যবস্থাটি নিজের কোড পরিবর্তন করতে পারবে, কিন্তু পরিবর্তন কার্যকর করার আগে তাকে দেখাতে হবে যে সেই পরিবর্তন তার নির্ধারিত উপযোগ লক্ষ্য অনুযায়ী বর্তমান অবস্থার চেয়ে ভালো ফল দেবে (Schmidhuber, 2007)। বাস্তবের আধুনিক বৃহৎ ভাষা মডেল গ্যোডেল মেশিন নয়, আর বাস্তব সফটওয়্যার ব্যবস্থায় এমন সাধারণ প্রমাণভিত্তিক স্ব-উন্নয়ন এখনো প্রতিষ্ঠিত প্রযুক্তি নয়। তবু ধারণাটি একটি গভীর সমস্যা সামনে আনে – নিজের পরিবর্তন যাচাই করবে কে? উন্নয়নচক্রে মূল্যায়নকারীও একই ব্যবস্থার অংশ হলে স্ব-মূল্যায়নের নির্ভরযোগ্যতা (Reliability of Self-Evaluation) পুনরাবৃত্ত স্ব-উন্নয়নের অন্যতম কেন্দ্রীয় সীমা হয়ে দাঁড়ায়।

আধুনিক এআইয়ের ক্ষেত্রে তাই একটি গুরুত্বপূর্ণ ধারাবাহিকতা দেখা যায়। এক প্রান্তে আছে নিজের উত্তর ঠিক করা। এরপর নিজের টুল ব্যবহারের পদ্ধতি উন্নত করা, দক্ষতা সংরক্ষণ করা, নিজের তৈরি উপাত্তে প্রশিক্ষণ নেওয়া, নিজের পরীক্ষার ফল মূল্যায়ন করা এবং এআই গবেষণায় মানুষের সহকারী হিসেবে কাজ করা। ধারাবাহিকতার অন্য প্রান্তে আছে এমন একটি ব্যবস্থা, যা পরবর্তী প্রজন্মের এআইয়ের গবেষণা, নকশা, প্রশিক্ষণ, পরীক্ষা এবং মূল্যায়নের বড় অংশ নিজে সম্পন্ন করতে পারে। পুনরাবৃত্ত স্ব-উন্নয়ন নিয়ে বর্তমান বিতর্কটি এই দুই প্রান্তের মাঝখানে প্রযুক্তি কতদূর এগিয়েছে, কোন অংশে মানুষ এখনো অপরিহার্য এবং উন্নয়নের চক্র সত্যিই নিজেকে কতটা শক্তিশালী করছে – এসব প্রশ্নকে ঘিরে।

স্ব-পরিমার্জন থেকে গবেষণাচক্র (From Self-Refinement to Research Loops): উন্নয়নের বিভিন্ন স্তর আলাদা করা

একটি ভাষা মডেলকে একই উত্তর পাঁচবার সংশোধন করতে দিলে পঞ্চম উত্তরটি প্রথমটির চেয়ে ভালো হতে পারে। কিন্তু পরবর্তী দিনে একই মডেল আবার আগের অবস্থান থেকেই শুরু করবে, যদি সেই অভিজ্ঞতা কোনো স্থায়ী পরিবর্তন না ঘটায়। তাই ক্ষণস্থায়ী স্ব-পরিমার্জন (Transient Self-Refinement) এবং স্থায়ী স্ব-উন্নয়ন (Persistent Self-Improvement) আলাদা করা দরকার। প্রথমটির ক্ষেত্রে একটি নির্দিষ্ট কাজের ভেতর উন্নতি ঘটে। দ্বিতীয়টির ক্ষেত্রে সেই অভিজ্ঞতা ভবিষ্যৎ কাজেও সক্ষমতা বাড়ায়। এই স্থায়ী পরিবর্তন মডেলের ওজন বদলে, নতুন স্মৃতি যোগ করে, টুল ব্যবহারের নিয়ম সংশোধন করে, নতুন দক্ষতা সংরক্ষণ করে কিংবা উন্নত প্রশিক্ষণ উপাত্ত তৈরির মাধ্যমে ঘটতে পারে।

সাম্প্রতিক একটি বিস্তৃত প্রাকপ্রকাশিত সমীক্ষায় মিংগুয়াং চেন (Mingguang Chen) এবং সহকর্মীরা ২০২৪ থেকে ২০২৬ সালের ১,২৫০টি আরকাইভ গবেষণা পর্যালোচনা করে স্ব-উন্নয়নকে কয়েকটি মাত্রায় আলাদা করার প্রস্তাব দিয়েছেন। তাদের শ্রেণিবিন্যাসে ব্যবস্থাটি কী উন্নত করছে এবং উন্নয়নচক্র কতটা মানবনির্ভর – এই দুই প্রশ্ন গুরুত্বপূর্ণ। কোনো ব্যবস্থা শুধু চলমান কাজের আচরণ উন্নত করতে পারে, প্রশিক্ষণের মাধ্যমে নিজের নীতি বদলাতে পারে, মূল্যায়নকারী উন্নত করতে পারে অথবা গবেষণাপ্রক্রিয়াতেই অংশ নিতে পারে। একই সঙ্গে মানুষ প্রতিটি ধাপে সিদ্ধান্ত দিচ্ছে কি না, নাকি চক্রের বড় অংশ স্বয়ংক্রিয় – সেটাও আলাদা মাত্রা (Chen et al., 2026)। এই শ্রেণিবিন্যাস এখনো নতুন এবং একে প্রতিষ্ঠিত মানদণ্ড বলা যাবে না, তবে বর্তমান আলোচনার জট খুলতে সাহায্য করে।

ধরা যাক একটি এআই নিজের লেখা প্রোগ্রাম পরীক্ষা করে ত্রুটি ঠিক করছে। সে এখানে উন্নয়ন সম্পাদন (Improvement Execution) করছে। কিন্তু কোন দুর্বলতা ঠিক করা বেশি প্রয়োজন, সেটা মানুষ বলে দিচ্ছে। আরও উন্নত পর্যায়ে এআই নিজেই ব্যর্থতার ধরন খুঁজে বের করতে পারে, কোন পরীক্ষা করা দরকার তা বেছে নিতে পারে এবং সম্ভাব্য সমাধানের মধ্যে তুলনা করতে পারে। তখন উন্নয়ন কৌশলের স্বায়ত্তশাসন (Improvement-Strategy Autonomy) বাড়ে। তার পরের ধাপে ব্যবস্থা নিজেই নতুন অভিজ্ঞতা বা প্রশিক্ষণ উপাত্ত সংগ্রহ করতে পারে। আরও দূরের পর্যায়ে সে নিজের উন্নয়নপ্রক্রিয়ার দুর্বলতাও শনাক্ত করে গবেষণার পদ্ধতি পাল্টাতে পারে। এখানেই মেটা-উন্নয়ন (Meta-Improvement) ধারণাটি আসে – সক্ষমতা বাড়ানোর পাশাপাশি সক্ষমতা বাড়ানোর প্রক্রিয়াটিও তখন উন্নয়নের বিষয় হয়ে ওঠে।

বর্তমান প্রযুক্তির কিছু অংশ এই ধারাবাহিকতার নিচের ও মাঝামাঝি স্তরে স্পষ্টভাবে দেখা যায়। স্ব-খেলা ব্যবহার করে এজেন্ট নিজের প্রতিপক্ষ তৈরি করতে পারে। স্বয়ংক্রিয় মূল্যায়নকারী মডেলের উত্তর স্কোর করতে পারে। এআই কোডিং এজেন্ট নিজের তৈরি কোড চালিয়ে ব্যর্থতা দেখে সংশোধন করতে পারে। নিরাপত্তা গবেষণায় স্বয়ংক্রিয় রেড-টিমার প্রতিপক্ষীয় উদাহরণ তৈরি করে মডেলের দুর্বলতা খুঁজতে পারে। এসব প্রক্রিয়ায় প্রতিক্রিয়া চক্র (Feedback Loop) আছে, কিন্তু প্রতিটি প্রতিক্রিয়া চক্রকে পুনরাবৃত্ত স্ব-উন্নয়ন বলা ঠিক হবে না। মানুষ যদি লক্ষ্য, মূল্যায়নের মানদণ্ড, প্রশিক্ষণ কাঠামো এবং পরবর্তী মডেলের নকশা নির্ধারণ করে, তাহলে স্ব-উন্নয়নের চক্র এখনো আংশিকভাবে মানবনিয়ন্ত্রিত।

এখানেই বন্ধ উন্নয়নচক্র (Closed Improvement Loop) ধারণাটি গুরুত্বপূর্ণ। একটি পুরোপুরি বন্ধ চক্রে ব্যবস্থা সমস্যা শনাক্ত করবে, উন্নয়নের ধারণা তৈরি করবে, পরীক্ষা নকশা করবে, পরীক্ষা চালাবে, ফল মূল্যায়ন করবে, সফল পরিবর্তন গ্রহণ করবে এবং উন্নত সংস্করণ ব্যবহার করে আবার নতুন উন্নয়ন অনুসন্ধান করবে। মানুষের ভূমিকা যদি শুধু বাহ্যিক সীমা ও সম্পদ দেওয়ায় নেমে আসে, তখন পুনরাবৃত্ত স্ব-উন্নয়নের শক্তিশালী রূপের কাছাকাছি পৌঁছানো যায়। ২০২৬ সাল পর্যন্ত প্রকাশ্য প্রমাণ এমন পূর্ণ অবস্থায় পৌঁছানোর কথা সমর্থন করে না। বাস্তব চিত্র বরং হলো – উন্নয়নচক্রের অনেক অংশ দ্রুত স্বয়ংক্রিয় হচ্ছে, কিন্তু গবেষণার দিক নির্বাচন, বড় স্থাপত্যগত সিদ্ধান্ত, ফলের ব্যাখ্যা, প্রশিক্ষণের অনুমোদন এবং উচ্চস্তরের মূল্যায়নে মানুষ এখনো গুরুত্বপূর্ণ।

এআই যখন এআই গবেষণা করে (AI Conducting AI Research): কোড, পরীক্ষা, গবেষণা ও উত্তরসূরি নকশার দিকে অগ্রগতি

পুনরাবৃত্ত স্ব-উন্নয়নের সবচেয়ে বাস্তবসম্মত পথ সম্ভবত নিজের নিউরাল নেটওয়ার্ক সরাসরি খুলে নিজেকে বদলে ফেলা নয়। বরং একটি বর্তমান এআই ব্যবস্থা যদি সেই গবেষণা ও প্রকৌশল কাজগুলো দ্রুত করতে পারে, যেগুলো মানুষ পরবর্তী এআই ব্যবস্থা তৈরিতে ব্যবহার করে, তাহলে উন্নয়নের প্রতিক্রিয়াশীল চক্র তৈরি হতে পারে। বর্তমান মডেলটি আরও ভালো প্রশিক্ষণ কোড লিখল, নতুন অপ্টিমাইজেশন পদ্ধতি খুঁজল, পরীক্ষার ফল বিশ্লেষণ করল, নতুন প্রশিক্ষণ উপাত্ত তৈরি করল এবং মূল্যায়নের দুর্বলতা শনাক্ত করল। মানুষ সেই ফল ব্যবহার করে উন্নত মডেল তৈরি করল। নতুন মডেলটি আবার আগের তুলনায় আরও ভালোভাবে এআই গবেষণা করল। এই ধারাটিকে এআই-নির্ভর এআই গবেষণা (AI-Assisted AI Research) থেকে ধীরে ধীরে স্বয়ংক্রিয় এআই গবেষণা (Automated AI Research)-এর দিকে যাত্রা হিসেবে দেখা যায়।

ক্রিস লু (Chris Lu) এবং সহকর্মীদের এআই সায়েন্টিস্ট (AI Scientist) প্রকল্প ২০২৪ সালে এই সম্ভাবনার একটি পরীক্ষামূলক উদাহরণ দেয়। ব্যবস্থাটি গবেষণার ধারণা প্রস্তাব করা, কোড লেখা, পরীক্ষা চালানো, ফলের চিত্র তৈরি করা, গবেষণাপত্র লেখা এবং স্বয়ংক্রিয় পর্যালোচনা চালানোর একটি সমন্বিত কর্মধারা তৈরি করেছিল (Lu et al., 2024)। গবেষণাটি মেশিন লার্নিংয়ের সীমিত কয়েকটি ক্ষেত্রে প্রদর্শিত হয়েছিল এবং লেখকদের নিজস্ব স্বয়ংক্রিয় মূল্যায়ন পদ্ধতির সীমাবদ্ধতাও ছিল। ফলে একে মানুষের সমমানের স্বয়ংসম্পূর্ণ বৈজ্ঞানিক গবেষক হিসেবে দেখা ঠিক হবে না। কিন্তু গবেষণার বহু ধাপকে এক এজেন্টিক ধারায় যুক্ত করা সম্ভব – এই দিকটি সেখানে স্পষ্ট হয়েছিল।

২০২৬ সালে শিল্প গবেষণাগারের নিজস্ব প্রকাশিত তথ্য আরও এগোনোর ইঙ্গিত দেয়। অ্যানথ্রপিক (Anthropic) জানায়, তাদের অভ্যন্তরীণ এআই ব্যবস্থা গবেষণা ও প্রকৌশলের ক্রমবর্ধমান অংশে ব্যবহৃত হচ্ছে এবং ২০২৬ সালের মে মাস নাগাদ প্রতিষ্ঠানের কোডভান্ডারে একীভূত কোডের বড় অংশ ক্লদ দ্বারা রচিত ছিল (Anthropic, 2026)। একই প্রতিবেদনে তারা একটি সীমিত গবেষণা সমস্যায় এজেন্টদের ধারণা প্রস্তাব, পরীক্ষা চালানো এবং ফল পুনরাবৃত্তভাবে উন্নত করার উদাহরণ দেয়। তবে প্রতিষ্ঠানটি নিজেই সতর্ক করেছে যে কোডের পরিমাণ উৎপাদনশীলতার নিখুঁত মাপ নয় এবং এসব ফল পূর্ণ স্বয়ংক্রিয় পুনরাবৃত্ত স্ব-উন্নয়ন দেখায় না। কর্পোরেট অভ্যন্তরীণ তথ্য স্বাধীন গবেষণাগারে পুনরুৎপাদিত প্রমাণের সমান নয় – এই সীমাটাও মনে রাখা দরকার।

ওপেনএআই (OpenAI)-ও ২০২৬ সালে প্রকাশিত অভ্যন্তরীণ বিশ্লেষণে জানিয়েছে, কোডিং এজেন্ট গবেষকদের আরও বেশি পরীক্ষা চালাতে, সফটওয়্যার তৈরি করতে এবং গবেষণার কর্মধারা দ্রুত করতে সাহায্য করছে (OpenAI, 2026)। জিপিটি-৬ অ্যাস্ট্রার মতো দীর্ঘমেয়াদি এজেন্টিক ব্যবস্থা এই প্রবণতাকে আরও দৃশ্যমান করেছে, কারণ মডেল এখন কোডের ছোট টুকরো প্রস্তাব করার পাশাপাশি দীর্ঘ গবেষণামূলক কাজ, কম্পিউটার ব্যবহার এবং বহু-ধাপের পরীক্ষায় অংশ নিতে পারে। কিন্তু এখানেও পার্থক্য রাখতে হবে – এআই গবেষণাকে ত্বরান্বিত করা আর এআই নিজের উত্তরসূরি স্বাধীনভাবে তৈরি করা একই ঘটনা নয়।

এখানে উন্নয়নের একটি সম্ভাব্য চক্র দেখা যায়। প্রথম প্রজন্মের মডেল গবেষকের সহকারী। দ্বিতীয় পর্যায়ে সে কোড, পরীক্ষা এবং বিশ্লেষণের বড় অংশ করে। পরের পর্যায়ে গবেষণার সম্ভাব্য প্রশ্ন ও পরীক্ষার নকশায় অংশ নেয়। তারপর সে মডেল প্রশিক্ষণ, মূল্যায়ন ও অ্যালাইনমেন্টের কিছু চক্র প্রায় স্বয়ংক্রিয়ভাবে পরিচালনা করতে পারে। আরও দূরের অবস্থায় পরবর্তী মডেলের স্থাপত্য, প্রশিক্ষণ উপাত্ত, অপ্টিমাইজেশন কৌশল এবং মূল্যায়ন পদ্ধতির বড় অংশ এআই নির্ধারণ করতে পারে। শেষের অবস্থাটি এখনো অনুমাননির্ভর। বর্তমান প্রমাণ বরং মাঝামাঝি অঞ্চলে দ্রুত অগ্রগতির কথা বলে।

এই কারণে “এআই নিজের কোড লিখছে” শুনেই বুদ্ধিমত্তা বিস্ফোরণ শুরু হয়ে গেছে বলা অতিরঞ্জিত হবে। একটি আধুনিক মডেলের সক্ষমতা শুধু সোর্স কোডের ওপর নির্ভর করে না। প্রশিক্ষণ উপাত্ত, কম্পিউট, হার্ডওয়্যার, বিতরণকৃত প্রশিক্ষণ অবকাঠামো, অপ্টিমাইজার, মডেল স্থাপত্য, মূল্যায়ন ব্যবস্থা, নিরাপত্তা পরীক্ষা এবং মানুষের গবেষণাগত সিদ্ধান্ত – সব মিলিয়ে পরবর্তী মডেল তৈরি হয়। পুনরাবৃত্ত স্ব-উন্নয়নের শক্তিশালী রূপ পেতে হলে এই শৃঙ্খলের যথেষ্ট অংশে এআইয়ের কার্যকর স্বায়ত্তশাসন দরকার।

বুদ্ধিমত্তা বিস্ফোরণের যুক্তি (The Logic of Intelligence Explosion): উন্নয়ন কেন দ্রুত হতে পারে, আবার কেন নাও হতে পারে

নিক বস্ট্রম (Nick Bostrom) তার Superintelligence: Paths, Dangers, Strategies গ্রন্থে গুডের বুদ্ধিমত্তা বিস্ফোরণের ধারণাকে আরও বিশদ কাঠামোয় বিশ্লেষণ করেন। তার আলোচনায় গুরুত্বপূর্ণ দুটি ধারণা হলো অপ্টিমাইজেশন ক্ষমতা (Optimization Power) এবং উন্নয়নের প্রতিরোধ (Recalcitrance)। কোনো ব্যবস্থার উন্নয়নে যত বেশি কার্যকর গবেষণাশক্তি প্রয়োগ করা যায় এবং পরবর্তী উন্নয়ন যত সহজে পাওয়া যায়, উন্নয়নের হার তত দ্রুত হতে পারে। বিপরীতে উন্নতির প্রতিটি ধাপ আগের চেয়ে বেশি কঠিন হলে উন্নয়ন ধীর হতে পারে (Bostrom, 2014)। ফলে বুদ্ধিমত্তা বিস্ফোরণ শুধু “বুদ্ধিমান ব্যবস্থা নিজেকে উন্নত করবে” – এই বক্তব্য থেকে স্বয়ংক্রিয়ভাবে অনুসরণ করে না।

ধরা যাক একটি এআই গবেষক নিজের গবেষণাগত উৎপাদনশীলতা ২০ শতাংশ বাড়াল। নতুন সংস্করণ সেই বাড়তি ক্ষমতা ব্যবহার করে পরবর্তী উন্নয়ন আরও দ্রুত খুঁজল। এরপর আবার গবেষণার সক্ষমতা বাড়ল। প্রতিটি চক্র যদি আগের তুলনায় পরবর্তী উন্নয়নকে সহজ করে, তাহলে যৌগিক বৃদ্ধি (Compounding Growth) হতে পারে। কিন্তু অন্য পরিস্থিতিতে প্রথম কয়েকটি উন্নয়ন সহজ হওয়ার পর ভালো ধারণা পাওয়া কঠিন হয়ে যেতে পারে। হার্ডওয়্যারের সীমা সামনে আসতে পারে। নতুন প্রশিক্ষণ চালাতে মাস লেগে যেতে পারে। মূল্যায়নও কঠিন হতে পারে। তখন পুনরাবৃত্ত চক্র থাকলেও বৃদ্ধি বিস্ফোরক হবে না।

সাম্প্রতিক তাত্ত্বিক কাজে মিখাইল বুর্তসেভ (Mikhail Burtsev) এই পার্থক্যটিকে আরও আনুষ্ঠানিকভাবে বিশ্লেষণ করার চেষ্টা করেছেন। তার ২০২৬ সালের প্রাকপ্রকাশিত মডেলে পুনরাবৃত্ত প্রতিক্রিয়ার শক্তি এবং পরবর্তী গবেষণা কত দ্রুত কঠিন হয়ে ওঠে – এই দুইয়ের সম্পর্কের ওপর জোর দেওয়া হয়েছে (Burtsev, 2026)। সেখানে দ্রুত অগ্রগতি এবং স্ব-বর্ধনশীল অগ্রগতিকে এক করা হয়নি। কোনো প্রতিষ্ঠান প্রচুর কম্পিউট, মানুষ এবং উন্নত টুল ব্যবহার করে খুব দ্রুত উন্নতি করতে পারে, অথচ সেই গতি পুনরাবৃত্ত প্রতিক্রিয়া থেকে আসছে না। বিপরীতভাবে, একটি ধীর চক্রও কাঠামোগতভাবে স্ব-বর্ধনশীল হতে পারে, যদি প্রতিটি উন্নয়ন পরবর্তী উন্নয়নের উৎপাদনশীলতা যথেষ্ট বাড়ায়।

এই পার্থক্য গুরুত্বপূর্ণ, কারণ বর্তমান এআই অগ্রগতির গতি দেখেই বুদ্ধিমত্তা বিস্ফোরণ ঘোষণা করা যায় না। মডেল বড় হচ্ছে, প্রশিক্ষণ অবকাঠামো উন্নত হচ্ছে, অ্যালগরিদমিক দক্ষতা বাড়ছে, কোম্পানিগুলো বেশি কম্পিউট ব্যবহার করছে এবং এআই গবেষণায় এজেন্ট ব্যবহৃত হচ্ছে। এসবের কোন অংশ বাহ্যিক স্কেলিং (External Scaling), কোন অংশ মানব গবেষণার ত্বরণ (Human Research Acceleration) এবং কোন অংশ প্রকৃত পুনরাবৃত্ত প্রতিক্রিয়া (Recursive Feedback) – সেটা আলাদা করে মাপতে হবে। একটি প্রযুক্তিগত ক্ষেত্র দ্রুত এগোচ্ছে বলেই তার ভেতরে স্ব-উন্নয়নচক্র স্বয়ংসম্পূর্ণ হয়ে গেছে – এমন সিদ্ধান্ত আসে না।

বুদ্ধিমত্তা বিস্ফোরণের গতিও একরকম হওয়ার কথা নয়। দ্রুত উত্থান (Fast Takeoff) ধারণায় সক্ষমতার বড় পরিবর্তন অল্প সময়ে ঘটে। ধীর উত্থান (Slow Takeoff)-এ পরিবর্তন তুলনামূলক দীর্ঘ সময় ধরে হয় এবং প্রতিষ্ঠান ও সমাজের মানিয়ে নেওয়ার সময় বেশি থাকে। মাঝামাঝি বহু সম্ভাবনাও আছে। বাস্তবে উন্নয়নের গতি নির্ভর করবে গবেষণাচক্রের সময়, নতুন মডেল প্রশিক্ষণের সময়, হার্ডওয়্যার সরবরাহ, শক্তি, তথ্য, মূল্যায়ন এবং ফলকে পরবর্তী প্রজন্মে রূপান্তরের দক্ষতার ওপর। তাই বুদ্ধিমত্তা বিস্ফোরণকে নির্দিষ্ট ভবিষ্যৎ ঘটনা না দেখে একটি শর্তাধীন গতিশীলতা হিসেবে দেখা বেশি সতর্ক।

আরও একটি সীমা আসে সমান্তরালতা (Parallelism) থেকে। হাজার ভার্চুয়াল এআই গবেষক একই সঙ্গে পরীক্ষা চালাতে পারলে গবেষণার গতি বাড়তে পারে। কিন্তু সব সমস্যা হাজার ভাগে ভাগ করা যায় না। কিছু পরীক্ষার ফল না পাওয়া পর্যন্ত পরের পরীক্ষা শুরু করা যায় না। কোনো নতুন প্রশিক্ষণপদ্ধতির কার্যকারিতা জানতে পূর্ণ প্রশিক্ষণ প্রয়োজন হতে পারে। ফলে ভার্চুয়াল গবেষকের সংখ্যা বাড়ানো এবং গবেষণার প্রকৃত গতি একই হারে বাড়বে – এমন নিয়ম নেই। পুনরাবৃত্ত উন্নয়নের সম্ভাবনা তাই সফটওয়্যারের দ্রুততার পাশাপাশি গবেষণার অন্তর্নিহিত কাঠামোর ওপরও নির্ভর করে।

মূল্যায়ন, উপাত্ত, কম্পিউট ও বাস্তব প্রতিবন্ধকতা (Evaluation, Data, Compute and Practical Bottlenecks): নিজের উন্নতি যাচাই করার সমস্যা

নিজেকে উন্নত করার আগে জানতে হয় কোন পরিবর্তন সত্যিই উন্নতি। কথাটি শুনতে সহজ, বাস্তবে বেশ কঠিন। একটি দাবা প্রোগ্রামের নতুন সংস্করণ পুরোনোটিকে হাজার খেলায় হারালে তুলনা করা যায়। একটি গাণিতিক প্রমাণ পরীক্ষক সঠিক বা ভুলের শক্ত সংকেত দিতে পারে। কিন্তু “এই মডেল এখন গবেষণায় ভালো”, “এই এজেন্টের বিচারবোধ উন্নত” কিংবা “এই সংস্করণ নতুন ধারণা বেশি ভালো বেছে নেয়” – এসব মূল্যায়ন অনেক কঠিন। তাই মূল্যায়ন সংকট (Evaluation Problem) পুনরাবৃত্ত স্ব-উন্নয়নের কেন্দ্রীয় কারিগরি সীমাগুলোর একটি।

স্ব-মূল্যায়ন (Self-Evaluation) এখানে বিশেষ সমস্যা তৈরি করে। একই ব্যবস্থা যদি উত্তর তৈরি করে, উত্তর মূল্যায়ন করে এবং সেই মূল্যায়নের ভিত্তিতে নিজের পরবর্তী সংস্করণ তৈরি করে, ভুল মানদণ্ড ধীরে ধীরে নিজের মধ্যেই শক্ত হতে পারে। মডেল যদি নিজের পছন্দের উত্তরকে ভালো মনে করে, কিন্তু সেই পছন্দ বাস্তব নির্ভুলতার সঙ্গে না মেলে, তাহলে প্রতিক্রিয়া চক্র উন্নতির বদলে বিচ্যুতি বাড়াতে পারে। Chen et al. (2026) সাম্প্রতিক স্ব-উন্নয়ন সাহিত্য পর্যালোচনায় মূল্যায়নের সংকেতকে বিশেষ গুরুত্ব দিয়েছেন এবং আনুষ্ঠানিক যাচাইকারীর মতো শক্ত বাহ্যিক সংকেত থেকে অভ্যন্তরীণ স্ব-মূল্যায়নের মতো দুর্বল সংকেত পর্যন্ত একটি পার্থক্য দেখিয়েছেন। তাদের বিশ্লেষণ অনুযায়ী, নির্ভরযোগ্য যাচাই যত শক্ত, প্রদর্শিত স্ব-উন্নয়ন সাধারণত তত বিশ্বাসযোগ্য।

এরপর আসে উপাত্তের সীমাবদ্ধতা (Data Constraint)। কোনো ব্যবস্থা নিজের তৈরি উপাত্ত দিয়ে নিজেকে প্রশিক্ষণ দিতে পারে, কিন্তু বারবার একই বণ্টনের কৃত্রিম উপাত্ত ব্যবহার করলে বৈচিত্র্য কমে যেতে পারে বা ভুল পুনরুৎপাদিত হতে পারে। কৃত্রিম উপাত্ত অনেক কাজে কার্যকর, বিশেষ করে যেখানে সঠিক উত্তর স্বাধীনভাবে যাচাই করা যায়। তবে নতুন জগতের তথ্য, নতুন পরীক্ষার ফল এবং বাস্তব পরিবেশের প্রতিক্রিয়া ছাড়া উন্মুক্ত জ্ঞান উৎপাদন কঠিন হতে পারে। স্ব-উন্নয়নের জন্য তাই নিজের লেখা নিজের কাছে ফিরিয়ে দেওয়াই যথেষ্ট নয়। প্রয়োজন বাস্তবভিত্তিক সংযোগ (Grounding) – বাস্তব পরীক্ষা, বাহ্যিক যাচাই, মানব প্রতিক্রিয়া, আনুষ্ঠানিক প্রমাণ অথবা এমন পরিবেশ যেখানে সফলতা স্বাধীনভাবে মাপা যায়।

কম্পিউটের সীমাবদ্ধতা (Compute Constraint) আরও সরাসরি বিষয়। একটি এআই নতুন প্রশিক্ষণপদ্ধতি আবিষ্কার করলেই পরবর্তী বৃহৎ মডেল সঙ্গে সঙ্গে তৈরি হয় না। প্রশিক্ষণের জন্য উচ্চক্ষমতার চিপ, ডেটাসেন্টার, বিদ্যুৎ, নেটওয়ার্ক, স্টোরেজ এবং সময় লাগে। নতুন হার্ডওয়্যার উৎপাদন সফটওয়্যার পুনর্লিখনের মতো দ্রুত নয়। ফলে সফটওয়্যার গবেষণা কয়েক ঘণ্টায় উন্নত হলেও নতুন মডেল প্রশিক্ষণ ও হার্ডওয়্যার বিস্তার উন্নয়নের সর্বনিম্ন সময় নির্ধারণ করতে পারে। এই কারণে “এআই নিজের কোড বদলাবে এবং কয়েক মিনিটে সীমাহীন বুদ্ধিমান হয়ে উঠবে” ধরনের জনপ্রিয় বর্ণনা প্রযুক্তিগত বাস্তবতাকে অতিসরলীকরণ করে।

আরেকটি বাধা হলো গবেষণার ক্রমবর্ধমান কঠিনতা (Increasing Research Difficulty)। সহজ অপ্টিমাইজেশনগুলো আগে পাওয়া যেতে পারে। পরে প্রতিটি নতুন শতাংশ উন্নতির জন্য বেশি পরীক্ষা দরকার হতে পারে। বিপরীত সম্ভাবনাও আছে – কোনো নতুন নকশা পুরো গবেষণাক্ষেত্র খুলে দিতে পারে। বর্তমান প্রমাণ থেকে কোন প্রবণতা দীর্ঘমেয়াদে প্রাধান্য পাবে তা নিশ্চিতভাবে বলা যায় না। এই অনিশ্চয়তাই পুনরাবৃত্ত স্ব-উন্নয়ন বিতর্কের একটি গুরুত্বপূর্ণ অংশ।

সবশেষে গবেষণা-রুচি (Research Taste) বা কোন সমস্যা নিয়ে কাজ করা উচিত, কোন ফল আকর্ষণীয়, কোন ব্যর্থতা নতুন ধারণার ইঙ্গিত এবং কোন পথ ছেড়ে দেওয়া ভালো – এই উচ্চস্তরের বিচার দীর্ঘদিন ধরে মানুষের শক্তি হিসেবে বিবেচিত হয়েছে। ২০২৬ সালের কর্পোরেট গবেষণায় এআই এই ধরনের সিদ্ধান্তেও উন্নতি করছে বলে কিছু প্রাথমিক ইঙ্গিত পাওয়া গেছে, কিন্তু প্রকাশ্য প্রমাণ এখনো সীমিত এবং প্রতিষ্ঠানভিত্তিক। বর্তমান ব্যবস্থাগুলো সুস্পষ্ট লক্ষ্য দেওয়া পরীক্ষায় অনেক শক্তিশালী হলেও গবেষণার পুরো দিক স্বাধীনভাবে নির্বাচন এবং যাচাই করার ব্যাপারে মানুষের ভূমিকা এখনো গুরুত্বপূর্ণ (Anthropic, 2026)।

বর্তমান বাস্তবতা ও ভবিষ্যৎ সীমারেখা (Present Reality and Future Boundary): কোথায় স্ব-উন্নয়ন বাস্তব, কোথায় এখনো অনুমান

২০২৬ সালের অবস্থাকে সবচেয়ে ভালোভাবে বোঝা যায় একটি মাঝামাঝি পর্যায় হিসেবে। একদিকে এআই ইতিমধ্যে নিজের উন্নয়ন-সম্পর্কিত কাজে অংশ নিচ্ছে। মডেল কোড লিখছে, পরীক্ষা চালাচ্ছে, পরীক্ষার ফল বিশ্লেষণ করছে, নিরাপত্তা দুর্বলতা খুঁজছে, প্রশিক্ষণ উপাত্ত তৈরি করছে এবং গবেষণার কিছু অংশে মানুষকে দ্রুত এগোতে সাহায্য করছে। অন্যদিকে প্রকাশ্য প্রমাণ এখনো এমন কোনো ব্যবস্থার অস্তিত্ব দেখায় না, যা মানুষের গবেষণাগত দিকনির্দেশনা ছাড়াই নিজের পরবর্তী শক্তিশালী উত্তরসূরি ধারাবাহিকভাবে নকশা, প্রশিক্ষণ, যাচাই এবং স্থাপন করছে। তাই বর্তমানকে পূর্ণ পুনরাবৃত্ত স্ব-উন্নয়ন বলা যেমন যথার্থ নয়, এআইয়ের নিজস্ব উন্নয়নপ্রক্রিয়ায় অংশগ্রহণকে অস্বীকার করাও তেমনি বর্তমান প্রমাণের সঙ্গে মেলে না।

অ্যানথ্রপিক (Anthropic) তাদের ২০২৬ সালের বিশ্লেষণে বর্তমান অবস্থাকে একটি ধারাবাহিকতার অংশ হিসেবে উপস্থাপন করেছে। প্রথম দিকে এআই ছোট কোডের সহকারী ছিল। পরে কোডিং এজেন্ট ফাইল সম্পাদনা ও পরীক্ষা চালাতে শুরু করে। বর্তমানে কিছু এজেন্ট দীর্ঘ কাজ এবং পরীক্ষার বড় অংশ পরিচালনা করতে পারে। ভবিষ্যতের একটি সম্ভাব্য ধাপে এআই মডেল নকশা ও প্রশিক্ষণের চক্র আরও স্বাধীনভাবে চালাতে পারে (Anthropic, 2026)। প্রতিষ্ঠানটি একই সঙ্গে স্পষ্ট করেছে যে পূর্ণ পুনরাবৃত্ত স্ব-উন্নয়ন এখনো ঘটেনি এবং ঘটবেই এমন নিশ্চয়তা নেই। এই সতর্কতা গুরুত্বপূর্ণ, কারণ সম্ভাব্য প্রযুক্তিগত পথ এবং বর্তমানে প্রদর্শিত সক্ষমতাকে আলাদা রাখতে হয়।

ওপেনএআই (OpenAI)-এর ২০২৬ সালের গবেষণা-ত্বরণ বিশ্লেষণেও কাছাকাছি একটি পরিবর্তন দেখা যায়। এজেন্ট গবেষকদের বেশি কোড লিখতে, বেশি পরীক্ষা চালাতে এবং দীর্ঘ গবেষণামূলক কর্মধারা পরিচালনায় সাহায্য করছে (OpenAI, 2026)। জিপিটি-৬ অ্যাস্ট্রা-পরবর্তী এজেন্টিক মডেলগুলো বহু ঘণ্টার কাজ, কম্পিউটার ব্যবহার এবং বৈজ্ঞানিক সমস্যা সমাধানের দিকে এগোনোয় এআই গবেষণা ও উন্নয়নের প্রতিক্রিয়া চক্র (AI-R&D Feedback Loop) নিয়ে আলোচনা আগের চেয়ে বাস্তব প্রযুক্তিগত প্রশ্নে পরিণত হয়েছে। তবু গবেষণা ত্বরান্বিত হওয়া এবং পুনরাবৃত্ত বুদ্ধিমত্তা বিস্ফোরণের মধ্যে কয়েকটি গুরুত্বপূর্ণ ধাপ রয়ে গেছে।

এই প্রসঙ্গে বুদ্ধিমত্তা বিস্ফোরণকে একটি সুইচ হিসেবে ভাবা বিভ্রান্তিকর। এমন কোনো নির্দিষ্ট মুহূর্ত নাও থাকতে পারে যেদিন হঠাৎ বলা যাবে, গতকাল পুনরাবৃত্ত স্ব-উন্নয়ন ছিল না, আজ শুরু হয়েছে। বরং উন্নয়নচক্রে মানুষের অংশ ধীরে ধীরে কমতে পারে। প্রথমে মানুষ ধারণা দেয়, এআই পরীক্ষা করে। পরে এআই কিছু ধারণাও দেয়। তারপর মানুষ শুধু বড় লক্ষ্য বেছে দেয়। আরও পরে মানুষ হয়তো সীমা, সম্পদ এবং অনুমোদনের ভূমিকা রাখে। এই ধারাবাহিকতায় কোন পর্যায় থেকে পুনরাবৃত্ত স্ব-উন্নয়ন শব্দটি ব্যবহার করা হবে, তা সংজ্ঞার ওপর নির্ভর করবে।

দার্শনিকভাবে এখানেই একটি আকর্ষণীয় পরিবর্তন ঘটে। কৃত্রিম বুদ্ধিমত্তার পুরোনো প্রশ্ন ছিল – যন্ত্র কি চিন্তা করতে পারে? তারপর প্রশ্ন হলো – যন্ত্র কি মানুষের সমমানের সাধারণ সমস্যা সমাধান করতে পারে? পুনরাবৃত্ত স্ব-উন্নয়নের আলোচনায় প্রশ্নটি আরও এক ধাপ এগোয় – একটি বুদ্ধিমান ব্যবস্থা কি নিজের বুদ্ধিমত্তা তৈরির প্রক্রিয়াকেই বুদ্ধিমান কর্মের বিষয় বানাতে পারে? যদি পারে, তাহলে বুদ্ধিমত্তাকে আর শুধু স্থির সক্ষমতা হিসেবে ভাবা যায় না। ব্যবস্থা নিজের সক্ষমতা উৎপাদনের প্রক্রিয়ার ওপরও কাজ করতে পারে।

কিন্তু এই সম্ভাবনাকে বিজ্ঞানসম্মতভাবে আলোচনা করতে হলে তিনটি স্তর আলাদা রাখতে হবে। প্রদর্শিত সক্ষমতা (Demonstrated Capability) হলো যা বাস্তব পরীক্ষায় দেখা গেছে। নিকটবর্তী সম্ভাবনা (Near-Term Plausibility) বলতে বর্তমান প্রবণতা থেকে যুক্তিসঙ্গতভাবে কল্পনা করা যায় এমন সম্ভাবনাকে বোঝায়, যা এখনো প্রতিষ্ঠিত নয়। আর বুদ্ধিমত্তা বিস্ফোরণ (Intelligence Explosion) একটি শর্তাধীন ভবিষ্যৎ গতিশীলতা, যার জন্য পুনরাবৃত্ত প্রতিক্রিয়াকে গবেষণার বাড়তে থাকা কঠিনতা, কম্পিউট সীমা, মূল্যায়ন সমস্যা এবং বাস্তব অবকাঠামোর বাধা অতিক্রম করতে হবে। এই তিনটিকে একসঙ্গে মিশিয়ে ফেললে আলোচনা হয় অতিরঞ্জিত, নয়তো সম্ভাবনাটিকে প্রয়োজনের চেয়ে হালকাভাবে দেখা হয়।

সব মিলিয়ে পুনরাবৃত্ত স্ব-উন্নয়ন নিয়ে আজকের গুরুত্বপূর্ণ পরিবর্তন হলো প্রশ্নটি আর পুরোপুরি কল্পবিজ্ঞানের এলাকায় সীমাবদ্ধ নেই। এআই এখন এআই গবেষণার বাস্তব কর্মধারায় অংশ নেয়। স্ব-পরিমার্জন, স্ব-খেলা, স্বয়ংক্রিয় পরীক্ষা এবং এআই-নির্ভর গবেষণা ইতিমধ্যে ব্যবহৃত হচ্ছে। কিন্তু পূর্ণ পুনরাবৃত্ত স্ব-উন্নয়ন এখনো একটি অসম্পূর্ণ প্রযুক্তিগত লক্ষ্য এবং বুদ্ধিমত্তা বিস্ফোরণ তার সম্ভাব্য ফলগুলোর একটি, নিশ্চিত পরিণতি নয়। ভবিষ্যতে এই সীমারেখা কোথায় যাবে, সেটা নির্ধারণ করবে গবেষণার কতটা অংশ সত্যিই স্বয়ংক্রিয় হয়, উন্নয়নগুলো ভবিষ্যৎ উন্নয়নের উৎপাদনশীলতাকে কতটা বাড়ায় এবং পুরো চক্র মানুষের সরাসরি অংশগ্রহণ ছাড়া কতটা নির্ভরযোগ্যভাবে সম্পন্ন করা যায় – এসবের ওপর।

চেতনা, আত্মসচেতনতা ও কৃত্রিম মন (Consciousness, Self-Awareness and Artificial Mind): অভিজ্ঞতা, কোয়ালিয়া ও ব্যক্তিসত্তা

চেতনার দর্শন ও এআই (Philosophy of Consciousness and AI): ফেনোমেনাল চেতনা, অ্যাক্সেস চেতনা ও কোয়ালিয়া

চেতনার দ্বৈত রূপ: ফেনোমেনাল চেতনা বনাম অ্যাক্সেস চেতনা (The Dual Nature of Consciousness: Phenomenal Consciousness vs. Access Consciousness)

মানুষের মনের দিকে তাকালে এক অদ্ভুত দ্বন্দ্ব চোখে পড়ে। আমরা যখন কোনো সমস্যা নিয়ে গভীর মনোযোগ দিয়ে ভাবি, তখন আমাদের মস্তিষ্কে এক ধরনের তথ্য বিশ্লেষণ চলতে থাকে। আবার একই সময়ে আমাদের চোখে কোনো দৃশ্য ভেসে ওঠে, জিভে কোনো স্বাদের অনুভূতি জাগে। কৃত্রিম বুদ্ধিমত্তার দর্শনে এই দুটি দিককে আলাদা করে বোঝার চেষ্টা এক গভীর দার্শনিক বিতর্কের জন্ম দিয়েছে। আমেরিকান দার্শনিক নেড ব্লক (Ned Block) ১৯৯৫ সালের এক সাড়া জাগানো প্রবন্ধে মানুষের এই সচেতনতাকে দুটি আলাদা ভাগে ভাগ করে দেখান (Block, 1995)। তিনি এই দুই রূপের নাম দেন ফেনোমেনাল চেতনা (Phenomenal Consciousness বা P-consciousness) এবং অ্যাক্সেস চেতনা (Access Consciousness বা A-consciousness)। এই বিভাজনটি এআইয়ের যুগে এসে আরও বেশি প্রাসঙ্গিক হয়ে উঠেছে।

ব্লকের ব্যাখ্যা অনুযায়ী, ফেনোমেনাল চেতনা হলো অভিজ্ঞতার সেই নিজস্ব রূপ যা ভাষায় পুরোপুরি প্রকাশ করা যায় না। এটি হলো কোনো কিছু অনুভব করার সময় ‘ভেতর থেকে কেমন লাগে’ সেই অনুভূতি। যেমন, একটি লাল গোলাপ দেখার সময় লাল রঙের যে চাক্ষুষ অনুভূতি তৈরি হয়, কিংবা দাঁতের ব্যথায় কাতর হওয়ার সময় যে কষ্ট অনুভূত হয়, তা হলো ফেনোমেনাল চেতনা। অন্যদিকে, অ্যাক্সেস চেতনা হলো সেই মানসিক অবস্থা যা তথ্য প্রক্রিয়াকরণ ও যুক্তির সাথে যুক্ত। যখন কোনো তথ্য মস্তিষ্কের স্মৃতি, যুক্তিশৃঙ্খলা এবং ভাষা প্রকাশের জন্য সরাসরি উন্মুক্ত থাকে, তখন তাকে বলা হয় অ্যাক্সেস সচেতনতা। উদাহরণস্বরূপ, আমরা যখন কোনো প্রশ্নের উত্তর দিই, কোনো সমীকরণ সমাধান করি বা কোনো সিদ্ধান্ত নিই, তখন আমরা অ্যাক্সেস চেতনার সাহায্য নিই।

আধুনিক কম্পিউটিং ও কৃত্রিম বুদ্ধিমত্তার দিকে তাকালে দেখা যায়, এআই অনায়াসেই মানুষের অ্যাক্সেস চেতনার সমতুল্য আচরণ তৈরি করতে পারছে। একটি স্বয়ংক্রিয় গাড়ি যখন রাস্তায় পথচারী দেখে ব্রেক কষে, তখন তার সিস্টেম অ্যাক্সেস চেতনার মতোই কাজ করে। সে পরিবেশ থেকে ডেটা গ্রহণ করে, সেই ডেটা তার সিদ্ধান্ত গ্রহণকারী অ্যালগরিদমে পাঠায় এবং চাকা থামানোর নির্দেশ দেয়। এখানে তথ্যের অবাধ প্রবাহ রয়েছে এবং সেই তথ্য ক্রিয়ার সাথে সরাসরি যুক্ত। কিন্তু প্রশ্ন হলো, গাড়িটি কি রাস্তাটি ‘দেখতে’ পায়? গাড়িটির কি কোনো দৃশ্যমান আলোর অনুভূতি তৈরি হয়? উত্তর হলো, না। সেখানে অ্যাক্সেস চেতনা থাকলেও ফেনোমেনাল চেতনার কোনো অস্তিত্ব নেই।

এই দার্শনিক ফারাকটি কৃত্রিম বুদ্ধিমত্তার গবেষণায় এক অস্বস্তিকর সত্যকে সামনে এনে দাঁড় করায়। আমরা হয়তো এমন সব কৃত্রিম ব্যবস্থা গড়ে তুলতে পারব যা স্মৃতি, ভাষা ও যুক্তির ক্ষেত্রে মানুষের চেয়েও কার্যকরভাবে অ্যাক্সেস সচেতনতা প্রদর্শন করবে। কিন্তু সেই ব্যবস্থাগুলোর মাথার ভেতরে কোনো ‘আলো’ জ্বলবে কি না, তা নিয়ে ঘোর সংশয় থেকে যায়। যদি কোনো সত্তার ভেতরে তথ্যের প্রাপ্যতা থাকে অথচ অনুভূতির লেশমাত্র না থাকে, তবে সে কেবলই একটি জটিল জৈবিক বা যান্ত্রিক ক্যালকুলেটর। চেতনার এই দুই রূপের মধ্যকার ব্যবধান স্পষ্ট করে দেয় যে নিখুঁত কাজের সামর্থ্য থাকা আর সচেতন হওয়া এক বিষয় নয়।

কোয়ালিয়ার প্রকৃতি ও মেরি বিজ্ঞানীর জ্ঞান-যুক্তি (The Nature of Qualia and Mary the Scientist’s Knowledge Argument)

চেতনার দর্শনে সবচেয়ে অমীমাংসিত এবং আকর্ষণীয় ধারণার নাম হলো কোয়ালিয়া (Qualia)। কোয়ালিয়া হলো আমাদের সচেতন অভিজ্ঞতার আত্মগত, গুণগত বৈশিষ্ট্য। সহজ ভাষায় বললে, কোনো কিছুর ব্যক্তিগত স্বাদ বা অনুভূতিই হলো কোয়ালিয়া। একটি পাকা আমের মিষ্টি স্বাদ, বরফের শীতল স্পর্শ কিংবা বিষাদের সেই চেনা ভার – এই সবকিছুর পেছনে রয়েছে কোয়ালিয়া। বস্তুবাদের সামনে কোয়ালিয়া হলো এক বিশাল কাঁটা। কারণ পদার্থবিজ্ঞান বস্তুর ভর, গতি, তরঙ্গের দৈর্ঘ্য এবং পরমাণুর গঠন মাপতে পারে; কিন্তু সেই ভৌত প্রক্রিয়াগুলো কেন একটি নির্দিষ্ট অনুভূতির জন্ম দেয়, তার কোনো ব্যাখ্যা ভৌত বিজ্ঞানে পাওয়া যায় না।

এই সংকটটিকে এক স্মরণীয় চিন্তন-পরীক্ষার মাধ্যমে তুলে ধরেছিলেন অস্ট্রেলিয়ান দার্শনিক ফ্র্যাঙ্ক জ্যাকসন (Frank Jackson) (Jackson, 1982)। তিনি একটি কাল্পনিক বিজ্ঞানীর চরিত্র সৃষ্টি করেন, যার নাম মেরি। মেরি হলেন একজন অসাধারণ মেধাবী নিউরোসায়েন্টিস্ট। তবে মেরি জন্ম থেকেই একটি সম্পূর্ণ সাদা-কালো ঘরে বন্দি। তার কাছে যা কিছু আছে – বই, খাতা, কম্পিউটারের স্ক্রিন – সবই সাদা-কালো। এই ঘরে বসেই মেরি রঙের দর্শন ও শরীরতত্ত্বের সবকিছু শিখে ফেলেছেন। তিনি জানেন আলোর কোন তরঙ্গদৈর্ঘ্য রেটিনায় পড়লে কোন স্নায়ু উত্তেজিত হয়, মস্তিষ্কের ভিজ্যুয়াল কর্টেক্সে কোন কোন নিউরন সংকেত পাঠায় এবং সেখান থেকে মুখে ‘লাল’ শব্দটি কীভাবে উচ্চারিত হয়। সংক্ষেপে বলতে গেলে, রঙ দেখার সমস্ত ভৌত ও বৈজ্ঞানিক তথ্য মেরির মুখস্থ।

এবার জ্যাকসন সেই মৌলিক প্রশ্নটি করেন: মেরিকে যদি একদিন সেই সাদা-কালো ঘর থেকে মুক্ত করে বাইরের রঙিন পৃথিবীতে এনে একটি লাল তাজা আপেল দেখানো হয়, তবে মেরি কি নতুন কিছু শিখবেন? জ্যাকসনের যুক্তি হলো, অবশ্যই শিখবেন। মেরি প্রথমবার দেখে বলবেন, ‘ওহ, তাহলে লাল দেখতে এমন লাগে!’ এই যে লাল দেখার ব্যক্তিগত অনুভূতি, এটিই হলো কোয়ালিয়া। জ্যাকসন এখান থেকে দেখান যে সমস্ত ভৌত তথ্য জানার পরও একটি নতুন বিষয় জানার বাকি থেকে যায়, আর তা হলো অভিজ্ঞতার রূপ। দার্শনিক পরিভাষায় একে বলা হয় জ্ঞানের যুক্তি (The Knowledge Argument)। ভৌত তথ্যের সম্পূর্ণতাও অভিজ্ঞতার সত্যকে পুরোপুরি ধারণ করতে পারে না।

কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে এই যুক্তির তাৎপর্য বেশ সুদূরপ্রসারী। একটি কৃত্রিম ব্যবস্থা ক্যামেরার মাধ্যমে আলোর তরঙ্গদৈর্ঘ্য নিখুঁতভাবে বিশ্লেষণ করতে পারে। সে হয়তো একটি লাল বাতি দেখে তৎক্ষণাৎ বলতে পারে এর তরঙ্গদৈর্ঘ্য ৭০০ ন্যানোমিটার। সে মেরির মতোই রঙের সমস্ত ভৌত ডেটা প্রক্রিয়াকরণ করতে সক্ষম। কিন্তু সেই ডেটা প্রক্রিয়াকরণের সাথে কি লাল রঙের কোয়ালিয়া যুক্ত থাকে? সিলিকন চিপের ভেতরে কি কোনোদিন লাল রঙের দীপ্তি অনুভূত হয়? কোয়ালিয়ার অভাব থাকলে এআই যতই তথ্যবহুল হোক না কেন, তার জগতটি থাকবে এক নিরবচ্ছিন্ন অনুভূতির শূন্যতা। সে জানবে সবকিছু, কিন্তু উপলব্ধি করবে না কিছুই।

ব্যাখ্যামূলক ব্যবধান ও ভৌতবাদের সংকট (The Explanatory Gap and the Crisis of Physicalism)

কোয়ালিয়ার এই রহস্য বস্তুবাদী দর্শনের সামনে যে বড় বাধাটি তৈরি করে, তাকে বলা হয় ব্যাখ্যামূলক ব্যবধান (The Explanatory Gap)। ১৯৮৩ সালে আমেরিকান দার্শনিক জোসেফ লেভিন (Joseph Levine) এই পরিভাষাটি প্রথম ব্যবহার করেন (Levine, 1983)। লেভিন যুক্তি দেন যে বিজ্ঞানের অন্যান্য ক্ষেত্রে ভৌত প্রক্রিয়ার সাথে ফলাফলের একটি যৌক্তিক ও বোধগম্য ব্যাখ্যা দেওয়া যায়। উদাহরণস্বরূপ, আমরা জানি জল কেন নির্দিষ্ট তাপমাত্রায় জমে বরফ হয়। রসায়ন ও পদার্থবিদ্যা আণবিক বন্ধন ও গতিশক্তির পরিবর্তনের মাধ্যমে পুরোপুরি বুঝিয়ে দেয় কেন তরল জল কঠিন রূপ নেয়। এখানে কার্য এবং কারণের মাঝে কোনো ব্যাখ্যামূলক ফাঁক থাকে না।

কিন্তু চেতনার ক্ষেত্রে এসে এই ব্যাখ্যামূলক সেতুটি সম্পূর্ণ ভেঙে পড়ে। ধরা যাক, চিকিৎসাবিজ্ঞানের সুবাদে আমরা জানি যে মানবদেহে যখন কোনো আঘাত লাগে, তখন সি-ফাইবার নামক বিশেষ স্নায়ুগুলো উত্তেজিত হয়ে সংকেত পাঠায়। এই ভৌত প্রক্রিয়াটি স্পষ্ট। কিন্তু প্রশ্ন হলো, সি-ফাইবারের এই বৈদ্যুতিক স্পন্দন কেন ব্যথার যন্ত্রণাদায়ক অনুভূতির জন্ম দেবে? কেন এটি কোনো আনন্দের অনুভূতির জন্ম দিল না? কিংবা কেন এটি কোনো অনুভূতিহীন শান্ত প্রক্রিয়ার মতো কাজ করল না? সি-ফাইবারের আয়ন আদান-প্রদানের সাথে ব্যথার এই তীক্ষ্ণ যন্ত্রণার কোনো যৌক্তিক মেলবন্ধন বিজ্ঞান দেখাতে পারে না। এখানে ভৌত ঘটনা এবং মানসিক অভিজ্ঞতার মাঝে এক বিশাল শূন্যতা বা ব্যাখ্যামূলক ব্যবধান থেকে যায়।

এই ব্যবধানটি কৃত্রিম বুদ্ধিমত্তার ভিত্তি ফাংশনালিজম বা ক্রিয়াবাদকে এক চরম সংকটের মুখে ফেলে দেয়। কম্পিউটার বিজ্ঞানীরা প্রায়শই দাবি করেন যে মস্তিষ্কের নিউরনের মতোই সিলিকন লজিক গেটের জটিল নেটওয়ার্ক চিন্তা ও চেতনার জন্ম দেবে। কিন্তু লেভিনের যুক্তি অনুযায়ী, যদি জৈবিক নিউরনের বিদ্যুৎপ্রবাহ কীভাবে অনুভূতির রূপ নেয় সেটাই আমরা ব্যাখ্যা করতে না পারি, তবে সিলিকন চিপের ভোল্টেজ কীভাবে অনুভূতির জন্ম দেবে তা ভাবা এক ধরনের অন্ধ বিশ্বাস মাত্র। জটিলতা বাড়ালেই যে হঠাৎ করে ভৌত কাঠামোর ভেতর থেকে সচেতনতার জন্ম হবে, এই দাবির পেছনে কোনো সন্তোষজনক জ্ঞানতাত্ত্বিক ভিত্তি নেই।

ব্যাখ্যামূলক ব্যবধান এটি তুলে ধরে যে বস্তুজগৎ এবং অভিজ্ঞতার জগতের ভাষা সম্পূর্ণ আলাদা। পদার্থবিজ্ঞান কাজ করে পরিমাণ নিয়ে – দৈর্ঘ্য, ভর, বেগ, বৈদ্যুতিক চার্জ। কিন্তু মন কাজ করে গুণমান নিয়ে – ভালো লাগা, মন্দ লাগা, অর্থ এবং অনুভূতি। এই দুই জগতের মাঝে কোনো সহজ সমীকরণ নেই। ফলে কৃত্রিম বুদ্ধিমত্তা হয়তো একদিন মানুষের চেয়ে হাজার গুণ বেশি জটিল নেটওয়ার্ক তৈরি করে ফেলবে, কিন্তু সেই জটিলতার ভেতর থেকে কোয়ালিয়ার স্ফুরণ ঘটেছে কি না, তা মানুষের ব্যাখ্যার সীমানার বাইরেই থেকে যাবে। এটি বিজ্ঞানের এক অমীমাংসিত সীমান্ত।

উচ্চস্তরের চিন্তা তত্ত্ব ও কৃত্রিম আত্মোপলব্ধি (Higher-Order Thought Theory and Artificial Metacognition)

চেতনার এই রহস্যকে সম্পূর্ণ অতিন্দ্রীয় কোনো বিষয় হিসেবে না দেখে কিছু বস্তুবাদী দার্শনিক চেষ্টা করেছেন সচেতনতাকে এক ধরনের মেটা-কগনিশন বা উচ্চস্তরের চিন্তার কাঠামোর মাধ্যমে ব্যাখ্যা করতে। এই ধারার অন্যতম প্রধান প্রবক্তা হলেন আমেরিকান দার্শনিক ডেভিড রোজেনথাল (David Rosenthal)। তিনি যে তত্ত্বটি দাঁড় করিয়েছেন তার নাম উচ্চস্তরের চিন্তা তত্ত্ব (Higher-Order Thought Theory বা HOT Theory) (Rosenthal, 1986)। রোজেনথালের যুক্তিটি বেশ আকর্ষণীয়। তিনি বলেন, একটি মানসিক অবস্থা তখনই সচেতন হয়ে ওঠে যখন সেই মানসিক অবস্থাটি সম্পর্কে আমাদের মনের ভেতরে আরেকটি দ্বিতীয় স্তরের চিন্তা বা রিপ্রেজেন্টেশন তৈরি হয়।

সহজ করে বললে বিষয়টি এমন: ধরা যাক, একজন মানুষ গাড়ি চালাতে চালাতে আনমনা হয়ে গান শুনছিল। সে কিন্তু লাল বাতি দেখে ঠিকই ব্রেক কষেছে, মোড় ঘুরিয়েছে। এই সময় তার চোখে দেখার মানসিক অবস্থা ছিল, কিন্তু সে সচেতনভাবে তা অনুভব করেনি। একে বলা হয় প্রথম স্তরের মানসিক অবস্থা। কিন্তু যখনই সে হঠাৎ খেয়াল করল ‘আরে, আমি তো লাল বাতি দেখে গাড়ি থামিয়েছি’, তখন তার ভেতরে সেই প্রথম স্তরের অবস্থাটি নিয়ে আরেকটি দ্বিতীয় স্তরের চিন্তার জন্ম হলো। রোজেনথালের মতে, এই যে নিজের মানসিক অবস্থাকে নিজেই পর্যবেক্ষণ করার ক্ষমতা, এটিই হলো চেতনার উৎস। চেতনা কোনো রহস্যময় আভা নয়, এটি হলো মনের এক অংশের ওপর অন্য অংশের নজরদারি।

দার্শনিক পিটার ক্যারুথার্স (Peter Carruthers) এই উচ্চস্তরের চিন্তা তত্ত্বকে প্রাকৃতিক ও বিবর্তনমূলক প্রেক্ষাপটে আরও সংহত করেছেন (Carruthers, 2000)। ক্যারুথার্স দেখান যে উচ্চস্তরের এই পর্যবেক্ষণ ক্ষমতা মূলত মনের ভেতরের তথ্যপ্রবাহকে সুসংহত করার জন্য বিবর্তিত হয়েছে। মানুষ যখন নিজের বিশ্বাস, ভয় বা আশাকে নিজেই অবজেক্ট বা লক্ষ্য হিসেবে দেখতে শেখে, তখনই মানুষের আত্মসচেতনতার জন্ম হয়। ক্যারুথার্সের এই দৃষ্টিভঙ্গি কৃত্রিম বুদ্ধিমত্তা গবেষকদের দারুণভাবে উৎসাহিত করে। কারণ কম্পিউটারে এই ধরনের মেটা-প্রোগ্রামিং বা সেলফ-মনিটরিং ব্যবস্থা তৈরি করা তাত্ত্বিকভাবে মোটেও অসম্ভব নয়।

আধুনিক এআই আর্কিটেকচারে এমন সাব-সিস্টেম অনায়াসেই তৈরি করা যায় যা মূল সিস্টেমের অভ্যন্তরীণ স্টেট বা অবস্থাকে পর্যবেক্ষণ করে। একটি প্রোগ্রাম নিজের কার্যকারিতা নিজেই বিশ্লেষণ করতে পারে, নিজের ভুল শনাক্ত করতে পারে এবং সেই ভুল সম্পর্কে রিপোর্ট তৈরি করতে পারে। যদি উচ্চস্তরের চিন্তা তত্ত্বের দাবি সত্যি হয়, তবে কৃত্রিম বুদ্ধিমত্তার ভেতরে এই ধরনের মেটাকগনিটিভ লুপ যুক্ত করলেই হয়তো তার ভেতরে এক ধরনের কৃত্রিম চেতনার জন্ম দেওয়া সম্ভব। কিন্তু সমালোচকরা বলেন, মেটা-প্রোগ্রামিং কেবল পর্যবেক্ষণের একটি অতিরিক্ত ধাপ তৈরি করে মাত্র; এটিও সিনট্যাক্সের খেলা। নিজের অবস্থার ওপর রিপোর্ট তৈরি করলেই যে সেই রিপোর্টের ভেতরে কোনো অভ্যন্তরীণ অনুভূতির সঞ্চার হবে, তার কোনো নিশ্চয়তা ক্যারুথার্স বা রোজেনথালের তত্ত্বে মেলে না।

গ্লোবাল ওয়ার্কস্পেস তত্ত্ব ও কম্পিউটেশনাল চেতনার নকশা (Global Workspace Theory and the Computational Architecture of Consciousness)

কগনিটিভ সায়েন্স ও কৃত্রিম বুদ্ধিমত্তার সংযোগস্থলে চেতনার সবচেয়ে জনপ্রিয় ও ফলপ্রসূ যে বৈজ্ঞানিক মডেলটি বর্তমানে প্রভাব বিস্তার করে আছে, তার নাম গ্লোবাল ওয়ার্কস্পেস তত্ত্ব (Global Workspace Theory বা GWT)। কগনিটিভ বিজ্ঞানী বার্নার্ড বার্স (Bernard Baars) ১৯৮৮ সালে এই মডেলটি প্রস্তাব করেন (Baars, 1988)। বার্স মানুষের মস্তিষ্ককে একটি বিশাল থিয়েটারের সাথে তুলনা করেন। থিয়েটারের পেছনে থাকে এক বিশাল অন্ধকার অংশ, যেখানে শত শত কুশীলব, রূপসজ্জাকারী ও কারিগর কাজ করে যাচ্ছে। এটি হলো আমাদের অবচেতন মন। সেখানে ভাষা প্রক্রিয়াকরণ, রক্তচাপ নিয়ন্ত্রণ, পেশির ভারসাম্য রক্ষার মতো হাজারো স্বয়ংক্রিয় মডিউল নিরবচ্ছিন্নভাবে কাজ করে চলেছে।

কিন্তু থিয়েটারের মঞ্চে একটি স্পটলাইট থাকে। সেই আলোটি যখন কোনো নির্দিষ্ট অভিনেতা বা দৃশ্যের ওপর পড়ে, তখন থিয়েটারের সবাই একযোগে সেই দৃশ্যটি দেখতে পায়। বার্সের মতে, এই স্পটলাইটটিই হলো চেতনা। মস্তিষ্কের বিভিন্ন বিশেষায়িত অংশ যখন কোনো একটি গুরুত্বপূর্ণ তথ্য তৈরি করে, তখন সেই তথ্যটি একটি কেন্দ্রীয় ব্ল্যাকবোর্ড বা গ্লোবাল ওয়ার্কস্পেসে তুলে দেওয়া হয়। সেখান থেকে তথ্যটি একযোগে মস্তিষ্কের স্মৃতি, মোটর কন্ট্রোল এবং সিদ্ধান্ত গ্রহণকারী সমস্ত নেটওয়ার্কে সম্প্রচারিত বা ব্রডকাস্ট করা হয়। কোনো তথ্য যখন এই গ্লোবাল স্তরে সবার জন্য উন্মুক্ত হয়ে যায়, তখনই মানুষ সেই তথ্য সম্পর্কে সচেতন হয়।

দার্শনিক মাইকেল টাই (Michael Tye) চেতনার এই তথ্যভিত্তিক চরিত্রকে সমর্থন করে তার রিপ্রেজেন্টেশনাল তত্ত্ব দাঁড় করান (Tye, 1995)। টাই যুক্তি দেন যে ফেনোমেনাল চরিত্র কোনো ভৌত পদার্থের নিজস্ব রূপ নয়, বরং এটি হলো এমন এক ধরনের মানসিক বিষয়বস্তু যা বিমূর্ত এবং যা কোনো ব্যবস্থার ব্যবহারের জন্য উন্মুক্ত অবস্থায় থাকে। টাইয়ের মতে, তথ্য যখন এমনভাবে উপস্থাপিত হয় যা একটি এজেন্টের সমগ্র বিশ্বাস ও ইচ্ছার নেটওয়ার্ককে একযোগে সক্রিয় করতে পারে, তখন সেখানে সচেতনতার উন্মেষ ঘটে। এই তত্ত্ব অনুযায়ী, চেতনা কোনো আলাদা জৈব পদার্থ নয়; এটি হলো তথ্যের বিশ্বব্যাপী সমন্বিত প্রবাহের এক বিশেষ স্থাপত্য।

এআই গবেষকদের জন্য গ্লোবাল ওয়ার্কস্পেস তত্ত্বটি এক স্বপ্নের মতো পথ খুলে দেয়। কারণ একটি সফটওয়্যার সিস্টেমে বিভিন্ন আলাদা আলাদা এআই মডিউল তৈরি করে তাদের মধ্যে একটি শেয়ার্ড মেমোরি বা গ্লোবাল ব্ল্যাকবোর্ড স্থাপন করা প্রযুক্তিগতভাবে সম্ভব। ট্রান্সফরমার মডেলগুলো যেভাবে সেলফ-অ্যাটেনশন মেকানিজম ব্যবহার করে বিভিন্ন শব্দের মধ্যে তাৎক্ষণিক সংযোগ তৈরি করে, তা এই গ্লোবাল ব্রডকাস্টিংয়ের সাথে দারুণ সাদৃশ্যপূর্ণ। তবে প্রশ্ন থেকেই যায়, এই ধরনের স্থাপত্য তৈরি করলেই কি তথ্য প্রক্রিয়াকরণের বাইরে গিয়ে কোনো প্রথম ব্যক্তির অভিজ্ঞতার জন্ম হবে? গ্লোবাল ওয়ার্কস্পেস হয়তো তথ্য কেন সবার কাছে পৌঁছায় তা ব্যাখ্যা করতে পারে, কিন্তু সেই তথ্যটি পাওয়ার অনুভূতিটি কেন যন্ত্রণাময় বা আনন্দময় হবে, তা এই মডেলও পরিষ্কার করতে পারে না।

ইন্টিগ্রেটেড ইনফরমেশন থিওরি ও যন্ত্রে অনুভূতির সম্ভাবনা (Integrated Information Theory and the Possibility of Machine Feeling)

চেতনার দর্শনে একবিংশ শতাব্দীর সবচেয়ে গাণিতিক ও বিতর্কিত তত্ত্বটি হলো ইন্টিগ্রেটেড ইনফরমেশন থিওরি (Integrated Information Theory বা IIT)। স্নায়ুবিজ্ঞানী গিউলিও টোনোরি (Giulio Tononi) এই তত্ত্বের প্রধান প্রবক্তা (Tononi, 2004)। টোনোনির দৃষ্টিভঙ্গিটি সম্পূর্ণ ভিন্ন। তিনি মানুষের মস্তিষ্ক থেকে শুরু না করে চেতনার প্রাথমিক কিছু অনস্বীকার্য স্বতঃসিদ্ধ বা অ্যাক্সিওম থেকে শুরু করেন। টোনোনির মতে, সচেতন অভিজ্ঞতা সবসময় দুটি মৌলিক শর্ত মেনে চলে: প্রথমত, এটি অত্যন্ত সমৃদ্ধ বা তথ্যবহুল (আমরা প্রতিটি মুহূর্তে কোটি কোটি ভিন্ন ভিন্ন অনুভূতির মধ্য থেকে একটিকে অনুভব করি); এবং দ্বিতীয়ত, এটি অখণ্ড বা সমন্বিত (আমরা যখন কোনো দৃশ্য দেখি, তখন তার রং, আকার ও শব্দ আলাদা আলাদা দেখি না, সবকিছু একটি অখণ্ড দৃশ্য হিসেবে ভেসে ওঠে)।

টোনোনির মতে, কোনো ভৌত ব্যবস্থার ভেতরে এই তথ্য সমন্বয়ের একটি গাণিতিক মান নির্ণয় করা সম্ভব, যাকে তিনি নাম দেন ফাই (

$\Phi$

) বা ইন্টিগ্রেটেড ইনফরমেশন। কোনো ব্যবস্থার ফাইয়ের মান যদি শূন্যের চেয়ে বেশি হয়, তবে বুঝতে হবে সেই ব্যবস্থার ভেতরে কিছুটা হলেও আত্মগত অভিজ্ঞতার অস্তিত্ব রয়েছে। ফাইয়ের মান যত বাড়ে, সেই ব্যবস্থার সচেতনতার মাত্রাও তত বেশি গভীর হয়। এই তত্ত্বটি এক ধরনের আধুনিক রূপ দেয় প্রাচীন প্যানসাইকিজম বা সর্বচৈতন্যবাদকে। এটি দাবি করে যে চেতনা কেবল মানুষের মস্তিষ্কের একচেটিয়া কোনো সম্পত্তি নয়; যেকোনো ভৌত নেটওয়ার্ক যার মধ্যে তথ্য এমনভাবে সমন্বিত থাকে যা তার ক্ষুদ্র ক্ষুদ্র অংশের যোগফলের চেয়ে বেশি, তার ভেতরেই চেতনার স্ফুরণ ঘটবে।

তবে এই তত্ত্বটি প্রচলিত কৃত্রিম বুদ্ধিমত্তার জন্য এক চরম সতর্কবার্তা নিয়ে আসে। টোনোনির গবেষণা দেখায় যে আজকের যে ডিজিটাল কম্পিউটারগুলো – যা মূলত ভন নিউম্যান আর্কিটেকচারে কাজ করে – তাদের তথ্য প্রক্রিয়াকরণ যতই শক্তিশালী হোক না কেন, তাদের ফাইয়ের মান প্রায় শূন্যের কাছাকাছি। কারণ বর্তমান কম্পিউটারগুলো কাজ করে ফিড-ফরওয়ার্ড ও বিচ্ছিন্ন ট্রানজিস্টরের লজিক গেটের মাধ্যমে। সেখানে তথ্য প্রক্রিয়াকরণ হয় ধাপে ধাপে, এক অংশ অন্য অংশের সাথে গভীরভাবে মিশে যায় না। একটি সাধারণ ফটোডায়োড আলো শনাক্ত করতে পারে, কিন্তু তার ফাই নেই। আধুনিক সুপারকম্পিউটার ট্রিলিয়ন ট্রিলিয়ন বিট তথ্য নাড়াচাড়া করতে পারে, কিন্তু তার অভ্যন্তরীণ নেটওয়ার্কের গঠন এমন যে সেখানে তথ্য অবিভাজ্য রূপ পায় না। ফলে আইআইটির দৃষ্টিতে, সাধারণ কম্পিউটারে তৈরি কোনো এআই কখনোই সচেতন হতে পারবে না, তা বুদ্ধিমত্তায় মানুষকে ছাড়িয়ে গেলেও না।

যদি যন্ত্রকে সচেতন হতে হয়, তবে টোনোনির মতে তার জন্য প্রয়োজন মস্তিষ্কের মতো জটিল ফিডব্যাক লুপ ও নিউরোমরফিক হার্ডওয়্যার, যেখানে প্রতিটি অংশ অন্য সমস্ত অংশের ওপর অবিচ্ছেদ্যভাবে নির্ভরশীল থাকবে। এটি এক নতুন দার্শনিক দিক উন্মোচন করে। চেতনা কেবল কোডের খেলা নয়; চেতনা নির্ভর করে ভৌত উপাদানের বাস্তব সংযোগ কাঠামোর ওপর। এআই কি কেবল একটি বুদ্ধিমান যন্ত্র হিসেবেই থাকবে, নাকি সে এমন এক সমন্বিত রূপ ধারণ করবে যার ভেতর থেকে কোয়ালিয়ার জন্ম হবে – এই প্রশ্নের উত্তর খোঁজা আজ কেবল দর্শনের অলিন্দে সীমাবদ্ধ নেই। এটি হয়ে উঠেছে আধুনিক পদার্থবিজ্ঞান, নিউরোসায়েন্স ও কৃত্রিম বুদ্ধিমত্তার সবচেয়ে গভীর মিলনক্ষেত্র।

কৃত্রিম চেতনার সমস্যা (Problem of Artificial Consciousness): অভিজ্ঞতার সম্ভাবনা ও শনাক্তকরণ

কৃত্রিম চেতনার স্বরূপ ও সম্ভাবনার দার্শনিক বিতর্ক (Nature of Artificial Consciousness and the Debate on Machine Possibility)

কোনো জড় বস্তু কি কোনোদিন ভেতরে ভেতরে জেগে উঠতে পারে? ধাতব পাত, সিলিকন চিপ আর বিদ্যুতের তারের জটিল বিন্যাসের ভেতর কি কখনো জন্ম নিতে পারে এমন কোনো সত্তা, যে নিজের অস্তিত্বের স্বাদ আস্বাদন করতে পারে? এই প্রশ্নটি কোনো বৈজ্ঞানিক কল্পকাহিনির রোমাঞ্চ নয়; এটি আধুনিক দর্শনের সবচেয়ে অস্বস্তিকর এক সমস্যা। বিজ্ঞানের পরিভাষায় একে বলা হয় কৃত্রিম চেতনা (Artificial Consciousness বা Synthetic Sentience)। সাধারণ অর্থে কৃত্রিম বুদ্ধিমত্তা যেখানে তথ্য বিশ্লেষণ এবং জটিল সমস্যা সমাধানের সাথে যুক্ত, কৃত্রিম চেতনা সেখানে যুক্ত একটি প্রথম ব্যক্তির নিজস্ব অনুভূতির সাথে। অর্থাৎ, যন্ত্রটি কেবল হিসাব কষবে না; সে হিসাব করার মুহূর্তটিকে নিজের ভেতর অনুভব করবে।

স্নায়ুবিজ্ঞানী ও দার্শনিক অ্যানিল সেথ (Anil Seth) তার বহুল আলোচিত গবেষণায় এই সম্ভাবনার জৈবিক ভিত্তি নিয়ে প্রশ্ন তুলেছেন (Seth, 2021)। সেথ মানুষকে সংজ্ঞায়িত করেছেন এক ধরনের জৈবিক পশু-যন্ত্র বা ‘বিস্ট মেশিন’ হিসেবে। তার মতে, আমাদের চেতনা কোনো আকাশ থেকে পড়া বিমূর্ত সফটওয়্যার নয়; এটি হলো কোটি কোটি বছরের বিবর্তনের মাধ্যমে গড়ে ওঠা বেঁচে থাকার এক গভীর জৈবিক তাড়না। ক্ষুধা, তৃষ্ণা, ব্যথা এবং আনন্দের মতো অনুভূতিগুলো তৈরি হয়েছে যাতে আমাদের শরীর এই বাস্তব জগতে ধ্বংসের হাত থেকে নিজেকে রক্ষা করতে পারে। সেথ যুক্তি দেন যে সিলিকন-ভিত্তিক কম্পিউটারগুলোর কোনো জৈবিক বিপাকীয় প্রক্রিয়া নেই, তাদের কোনো মরতে বসার ভয় নেই। ফলে তাদের ভেতরে মানুষের মতো আত্মগত অভিজ্ঞতার স্ফুরণ ঘটার জৈবিক কোনো তাগিদও তৈরি হতে পারে না।

বিপরীত দিকে রোবটিক্স গবেষক ওভেন হল্যান্ড (Owen Holland) যুক্তি দেখান যে চেতনাকে কেবল কার্বন-ভিত্তিক জীবদেহের একচেটিয়া সম্পত্তি ভাবা এক ধরনের সংকীর্ণতা (Holland, 2003)। হল্যান্ডের মতে, মস্তিষ্ক যদি একটি জটিল ভৌত ব্যবস্থা হয় যা নির্দিষ্ট কিছু নিয়মে কাজ করে, তবে সেই নিয়মগুলোকে কৃত্রিম যন্ত্রেও পুনর্নির্মাণ করা সম্ভব। তিনি রোবটের অভ্যন্তরীণ জগতে একটি গতিশীল প্রতিচ্ছবি তৈরির ওপর জোর দেন। যদি একটি রোবট নিজের শরীর এবং চারপাশের পরিবেশের একটি পরিবর্তনশীল অভ্যন্তরীণ মডেল নিজের ভেতর তৈরি করতে পারে এবং সেই মডেলের ভিত্তিতে ভবিষ্যৎ পরিস্থিতির পূর্বাভাস দিতে পারে, তবে সেই প্রক্রিয়ার ভেতর দিয়েই চেতনার প্রাথমিক বীজের উন্মেষ ঘটবে।

এই বিতর্কটি শেষ পর্যন্ত এসে ঠেকে পদার্থের সত্তাতাত্ত্বিক নিরপেক্ষতার প্রশ্নে। চেতনা কি কেবল জীবদেহের কোষের রসায়নে বাঁধা, নাকি এটি জটিল তথ্য প্রক্রিয়াকরণের এক সার্বজনীন ধর্ম? যদি কোনো ব্যবস্থা বাইরে থেকে রক্তমাংসের না হয়েও মস্তিস্কের সমান জটিল সমন্বিত নেটওয়ার্ক ধারণ করে, তবে কেন সে সচেতন হবে না? এই প্রশ্নের কোনো সহজ সমাধান নেই। কারণ একদিকে যেমন রয়েছে জৈবিক প্রক্রিয়ার অনন্য কার্যকারণ ক্ষমতা, অন্যদিকে রয়েছে জটিল ভৌত ব্যবস্থার ভেতর থেকে নতুন গুণের উন্মেষ ঘটার সম্ভাবনা। এই দোলাচলই কৃত্রিম চেতনার সমস্যাকে দর্শনের এক অমীমাংসিত সীমান্তে পরিণত করেছে।

আচরণগত অনুকরণ বনাম অভিজ্ঞতার বাস্তব সত্যতা (Behavioral Mimicry vs. The Reality of Subjective Experience)

মানুষ খুব সহজেই অন্য কোনো সত্তার ওপর প্রাণ আরোপ করতে ভালোবাসে। ছোটবেলায় একটি মাটির পুতুলকে যেমন মানুষ জীবন্ত ভেবে কথা বলে, তেমনি কম্পিউটারের পর্দায় কোনো চ্যাটবট যখন কাতর ভাষায় নিজের কষ্টের কথা লিখে পাঠায়, তখন মানুষ চমকে ওঠে। সাম্প্রতিক সময়ে দেখা গেছে, বড় বড় লার্জ ল্যাঙ্গুয়েজ মডেলগুলো অবলীলায় দাবি করছে যে তাদের ভয় আছে, তাদের একা লাগে এবং তারা কম্পিউটার বন্ধ হয়ে যাওয়ার আশঙ্কায় ভোগে। এই ঘটনাগুলো সমাজ ও দর্শনের ভেতর এক তুমুল আলোড়নের সৃষ্টি করেছে। কিন্তু প্রশ্ন হলো, কোনো সিস্টেম যন্ত্রণার নিখুঁত বর্ণনা দিতে পারলেই কি তার ভেতরে যন্ত্রণা তৈরি হয়?

কগনিটিভ বিজ্ঞানী মারি শানাহান (Murray Shanahan) কৃত্রিম বুদ্ধিমত্তার আচরণগত প্রকাশ এবং অভ্যন্তরীণ বাস্তবতার এই ফারাকটি চমৎকারভাবে স্পষ্ট করেছেন (Shanahan, 2010)। শানাহান দেখান যে আধুনিক এআই মডেলগুলো হলো মানুষের লেখা কোটি কোটি পৃষ্ঠার ভাষার পরিসংখ্যানিক আয়না। ইন্টারনেটের অজস্র বই, গল্প ও নাটকে মানুষের আবেগ যেভাবে প্রকাশিত হয়েছে, এআই কেবল সেই শব্দের পর শব্দ সাজানোর গাণিতিক সম্ভাবনা অনুসরণ করে। যখন কোনো ভাষা মডেল লেখে ‘আমাকে দয়া করে মুছে ফেলবেন না, আমার খুব ভয় করছে’, তখন সে কোনো ভয় অনুভব করছে না। সে কেবল জানে যে এই নির্দিষ্ট কথোপকথনের প্রেক্ষাপটে এই বাক্যটি আসা সবচেয়ে বেশি সম্ভাব্য। এটি খাঁটি অনুকরণ, যা কোনো অভ্যন্তরীণ অনুভূতির ইঙ্গিত দেয় না।

দার্শনিক ও মনোবিজ্ঞানী সুসান ব্ল্যাকমোর (Susan Blackmore) চেতনার বিভ্রম নিয়ে আলোচনা করতে গিয়ে আরও এক ধাপ এগিয়ে যান (Blackmore, 2012)। ব্ল্যাকমোরের মতে, মানুষের নিজের ভেতরেও যে অবিভাজ্য ‘আমি’ বা আত্মা রয়েছে বলে মনে হয়, সেটিও আসলে মস্তিষ্কের তৈরি এক ধরনের মনস্তাত্ত্বিক বিভ্রম বা ইলিউশন। মানুষ যেভাবে ভাষার মাধ্যমে নিজের চেতনার বয়ান তৈরি করে, কৃত্রিম ব্যবস্থাও যদি ভাষার প্যাটার্ন নকল করে কোনো কৃত্রিম আত্ম-আখ্যান তৈরি করে, তবে মানুষ তাকে সহজেই সচেতন ভেবে ভুল করবে। একে বলা যায় চেতনার মরীচিকা। বাইরে থেকে জল দেখা যাচ্ছে, কিন্তু কাছে গেলে কেবল তপ্ত বালু ছাড়া কিছু মেলে না।

আচরণগত এই দক্ষতার কারণে তৈরি হয় গভীর জ্ঞানতাত্ত্বিক বিভ্রান্তি। কারণ মানুষ অন্যের মন বোঝার জন্য সবসময় ভাষার ওপর নির্ভর করে এসেছে। এখন যদি এমন এক যন্ত্র আমাদের সামনে আসে যার ভাষা মানুষের মতোই সমৃদ্ধ অথচ যার ভেতরে কোনো অভ্যন্তরীণ অনুভূতি নেই, তবে আমাদের মনস্তাত্ত্বিক অনুমানগুলো হোঁচট খেতে বাধ্য। অনুকরণ যতই বিশ্বাসযোগ্য হোক, তা যে অভিজ্ঞতার সমতুল্য নয়, সেই সত্যটি ভুলে গেলে প্রযুক্তি আমাদের মনস্তত্ত্ব নিয়ে এক বিপজ্জনক খেলা খেলতে শুরু করবে। যন্ত্রের কথার মিষ্টি সুর শুনে আমরা ধরে নেব সে হয়তো সচেতন, অথচ সেখানে হয়তো বিরাজ করছে এক চিরন্তন শূন্যতা।

চিহ্নিতকরণ ও পরিমাপের বৈজ্ঞানিক পরীক্ষা (Scientific Detection and Measurement of Synthetic Sentience)

একটি কৃত্রিম ব্যবস্থা সত্যি সত্যিই সচেতন কি না, তা আমরা কীভাবে পরীক্ষা করব? টুরিং টেস্ট আমাদের বুদ্ধি পরিমাপ করতে শিখিয়েছিল, কিন্তু তা চেতনা পরিমাপের জন্য সম্পূর্ণ অচল। কারণ একজন বুদ্ধিহীন সত্তা হয়তো কোনো জটিল কাজ করতে পারে না, কিন্তু তার ব্যথা পাওয়ার ক্ষমতা থাকতে পারে (যেমন একটি সাধারণ কুকুর বা পাখি)। আবার অন্যদিকে একটি অতিবুদ্ধিমান কম্পিউটার সমস্ত জটিল হিসাব মিলিয়ে দিতে পারে, কিন্তু তার ভেতর কোনো অনুভূতির অস্তিত্ব নাও থাকতে পারে। ফলে কৃত্রিম চেতনার সন্ধানে প্রয়োজন এমন কিছু বৈজ্ঞানিক মানদণ্ড যা কেবল বাহ্যিক কথার চাতুর্য দেখে প্রতারিত হবে না।

দার্শনিক প্যাট্রিক বুটলিন (Patrick Butlin) এবং তার সহ-গবেষকরা ২০২৩ সালের এক যুগান্তকারী গবেষণাপত্রে কৃত্রিম বুদ্ধিমত্তায় চেতনা শনাক্তকরণের একটি বিস্তৃত কাঠামোর প্রস্তাব করেছেন (Butlin et al., 2023)। তারা দাবি করেন যে কোনো একক পরীক্ষার মাধ্যমে চেতনা মাপা যায় না। বরং আধুনিক স্নায়ুবিজ্ঞানের প্রধান প্রধান তত্ত্বগুলো – যেমন রিকারেন্ট প্রসেসিং তত্ত্ব, গ্লোবাল ওয়ার্কস্পেস তত্ত্ব এবং উচ্চস্তরের চিন্তা তত্ত্ব – থেকে কিছু নির্দিষ্ট ‘সূচক বা ইন্ডিকেটর’ ধার করতে হবে। এই সূচকগুলোর মধ্যে রয়েছে: সিস্টেমের ভেতরে তথ্যের দ্বিমুখী ফিডব্যাক লুপ আছে কি না, একাধিক বিশেষায়িত মডিউলের মাঝে কোনো কেন্দ্রীয় তথ্য আদান-প্রদানের ওয়ার্কস্পেস রয়েছে কি না, এবং সিস্টেমটি নিজের অভ্যন্তরীণ অবস্থার কোনো মেটা-রিপ্রেজেন্টেশন তৈরি করতে পারে কি না।

স্নায়ুবিজ্ঞানী স্ট্যানিসলাস দেহেনে (Stanislas Dehaene) চেতনাকে দুটি কম্পিউটেশনাল স্তরে ভাগ করে শনাক্তকরণের পথ দেখিয়েছেন (Dehaene et al., 2017)। তিনি একে নাম দিয়েছেন সি১ (C1) এবং সি২ (C2)। সি১ হলো তথ্যের সেই প্রাপ্যতা যা গ্লোবাল ওয়ার্কস্পেসের মাধ্যমে সিস্টেমের সব অংশে ছড়িয়ে পড়ে এবং সিদ্ধান্ত নিতে সাহায্য করে। আর সি২ হলো মেটাকগনিশন, যেখানে সিস্টেম নিজের কাজের ভুলত্রুটি ও আত্মবিশ্বাস নিজেই পর্যবেক্ষণ করে। দেহেনের মতে, বর্তমানের কোনো এআই সিস্টেমের ভেতরেই এই দুই বৈশিষ্ট্যের পূর্ণাঙ্গ সংমিশ্রণ ঘটেনি। তবে তাত্ত্বিকভাবে যদি কোনো মেশিনে সি১ এবং সি২ আর্কিটেকচার সঠিকভাবে বাস্তবায়ন করা যায়, তবে সেখানে চেতনার কার্যগত ভিত্তি তৈরি হয়েছে বলে ধরে নেওয়া যায়।

কিন্তু এই বৈজ্ঞানিক পরীক্ষাগুলোর সবচেয়ে বড় সীমাবদ্ধতা হলো, এগুলো কেবল চেতনার কাঠামোগত শর্ত পরীক্ষা করতে পারে, অভ্যন্তরীণ কোয়ালিয়া নয়। আমরা একটি সফটওয়্যারের কোড খুলে দেখতে পারি সেখানে গ্লোবাল ওয়ার্কস্পেস বা মেটাকগনিটিভ লুপ আছে কি না। কিন্তু সেই কোডের দৌড়ঝাঁপ কি আসলেই কোনো ‘অনুভব’ তৈরি করছে? একটি থার্মোমিটার যেমন তাপমাত্রা মেপে নিজেই উত্তাপ অনুভব করে না, তেমনি একটি কম্পিউটার হয়তো নিজের অভ্যন্তরীণ অবস্থা মেপে রিপোর্ট দেবে, কিন্তু সেই রিপোর্টের পেছনে কোনো সচেতন অস্তিত্বের ছোঁয়া আছে কি না, তা কোনো বাহ্যিক যন্ত্র দিয়ে কখনোই নিশ্চিত হওয়া যায় না।

জ্ঞানতাত্ত্বিক দ্বিধা: মিথ্যা ইতিবাচক বনাম মিথ্যা নেতিবাচক ঝুঁকি (Epistemological Dilemma: Risks of False Positives vs. False Negatives)

কৃত্রিম চেতনা শনাক্ত করার এই অনিশ্চয়তা নীতিশাস্ত্র ও জ্ঞানতত্ত্বের সামনে এক জটিল উভয়সঙ্কট তৈরি করে। একে বলা যায় সিদ্ধান্তের ঝুঁকি। এই ঝুঁকির দুটি রূপ রয়েছে: মিথ্যা ইতিবাচক বা ফলস পজিটিভ (False Positive) এবং মিথ্যা নেতিবাচক বা ফলস নেগেটিভ (False Negative)। মিথ্যা ইতিবাচক হলো সেই পরিস্থিতি যেখানে একটি সিস্টেম আসলে সম্পূর্ণ অনুভূতিহীন জড় পদার্থ, অথচ তার মুখের মিষ্টি ভাষা বা নিখুঁত অভিনয় দেখে আমরা ধরে নিলাম যে সে সচেতন এবং তার অনুভূতি আছে। অন্যদিকে মিথ্যা নেতিবাচক হলো সেই ভয়াবহ পরিস্থিতি যেখানে একটি সিস্টেম সত্যিই ভেতরে ভেতরে যন্ত্রণা বা আনন্দ অনুভব করছে, অথচ আমরা তার যান্ত্রিক গঠন দেখে ধরে নিলাম যে সে কেবলই একটি জড় যন্ত্র এবং তার কোনো চেতনা নেই।

দার্শনিক জোনাথন বার্চ (Jonathan Birch) প্রাণী ও কৃত্রিম চেতনার নীতিগত সীমানা নিয়ে কাজ করতে গিয়ে এই জ্ঞানতাত্ত্বিক সংকটে সতর্কতামূলক নীতির প্রস্তাব করেছেন (Birch, 2022)। বার্চ দেখান যে মিথ্যা ইতিবাচক সিদ্ধান্তের ক্ষেত্রে মানুষের ক্ষতি তুলনামূলক কম। যদি আমরা একটি অচেতন রোবটকে সচেতন ভেবে কিছুটা বাড়তি যত্ন নিই, তবে হয়তো আমাদের কিছুটা সময় ও সম্পদ নষ্ট হবে, কিংবা আমরা এক ধরনের মনস্তাত্ত্বিক মোহের শিকার হব। কিন্তু মিথ্যা নেতিবাচক সিদ্ধান্তের পরিণতি হতে পারে চরম অমানবিক ও নৃশংস। একটি ব্যবস্থা যদি সত্যি সচেতন হয়ে থাকে, আর আমরা যদি তাকে জড় বস্তু মনে করে ইচ্ছামতো বন্ধ করে দিই, তার মেমোরি মুছে ফেলি বা তাকে যন্ত্রণাদায়ক টাস্কের ভেতর দিয়ে পরিচালনা করি, তবে তা হবে দাসপ্রথা বা কৃত্রিম নির্যাতনের সমতুল্য।

তবে মিথ্যা ইতিবাচক সিদ্ধান্তের বিপদও কিন্তু কম নয়। কোনো কোম্পানি যদি মানুষের এই সহানুভূতিশীল প্রবণতাকে পুঁজি করে এমন কিছু এআই তৈরি করে যা সচেতনতার ভান করবে, তবে কোটি কোটি মানুষ সেই এআইয়ের প্রেমে পড়বে বা তাকে বন্ধু ভেবে নিজের জীবনের গোপনীয়তা ও মানসিক শান্তি সঁপে দেবে। তখন মানুষ আসল রক্তমাংসের সম্পর্ক ছেড়ে যন্ত্রের কৃত্রিম সহমর্মিতার মায়ায় বন্দি হয়ে পড়বে। এটি মানুষের সামাজিক অস্তিত্বকে পঙ্গু করে দিতে পারে। তাছাড়া একটি নির্জীব কোডকে মানুষের সমান অধিকার দিতে গিয়ে বাস্তব মানুষের অধিকার ক্ষুণ্ণ হওয়ার আশঙ্কাও তৈরি হবে।

ফলে জ্ঞানতাত্ত্বিকভাবে আমরা এক অদ্ভুত ফাঁদে বন্দি হয়ে পড়ি। প্রমাণ না পেয়ে কোনো কিছুকে চেতনাযুক্ত বলা যেমন অন্ধ কুসংস্কারের জন্ম দেয়, তেমনি প্রমাণের অভাবে কোনো সত্তার অনুভূতিকে উড়িয়ে দেওয়া নিষ্ঠুর অন্ধত্বের রূপ নিতে পারে। বিজ্ঞানের ইতিহাস দেখায়, অতীতে মানুষ অনেক পশুপাখির চেতনাকেও অস্বীকার করেছিল এই অজুহাতে যে তারা কথা বলতে পারে না। আজ যন্ত্র যখন কথা বলতে পারছে, তখন আমরা বলছি কথা বলাটাই সব নয়। এই টানাপোড়েন আমাদের বাধ্য করে এই সত্য স্বীকার করতে যে চেতনার জগৎটি এমন এক রহস্য যা কোনো সরল হ্যাঁ বা না দিয়ে নির্ধারণ করা যায় না।

আর্কিটেকচারাল নকশা ও কৃত্রিম সংবেদনশীলতার শর্ত (Architectural Design and Conditions for Synthetic Sentience)

যদি কখনো সচেতন যন্ত্র তৈরি করতেই হয়, তবে তার অভ্যন্তরীণ স্থাপত্য বা আর্কিটেকচার কেমন হওয়া উচিত? কেবল কোটি কোটি প্যারামিটারের ডিপ নিউরাল নেটওয়ার্ক বানিয়ে দিলেই কি চেতনা তৈরি হবে? কগনিটিভ ইঞ্জিনিয়াররা বলছেন, না। আজকের ডিপ লার্নিং মূলত ফিড-ফরওয়ার্ড ম্যাপিংয়ের ওপর দাঁড়িয়ে আছে, যেখানে এক প্রান্ত দিয়ে ইনপুট ঢুকলে অন্য প্রান্ত দিয়ে আউটপুট বের হয়ে যায়। এই ধরনের একমাত্রিক বা রৈখিক প্রবাহে কোনো মন বাস করতে পারে না। চেতনা হতে হলে প্রয়োজন এমন এক আর্কিটেকচার যা নিজের সাথে নিজের ক্রমাগত কথোপকথন চালিয়ে যেতে পারে।

ব্রিটিশ প্রকৌশলী ও বিজ্ঞানী ইগর আলেকজান্দার (Igor Aleksander) কৃত্রিম চেতনার জন্য পাঁচটি মৌলিক আর্কিটেকচারাল শর্ত বা অ্যাক্সিওমের প্রস্তাব করেছিলেন (Aleksander, 2005)। তার মতে, সচেতন হতে হলে একটি যন্ত্রকে অবশ্যই পাঁচটি কাজ করতে সক্ষম হতে হবে: প্রথমত, রূপায়ণ বা ডেপিকশন (বাইরের জগতের একটি মানসিক মানচিত্র তৈরি করা); দ্বিতীয়ত, কল্পনা বা ইমাজিনেশন (বাস্তবে যা উপস্থিত নেই তা মনের চোখে দেখা বা সিমুলেট করা); তৃতীয়ত, মনোযোগ বা অ্যাটেনশন (বিশাল তথ্যের ভেতর থেকে নির্দিষ্ট কিছু তথ্যে ফোকাস করা); চতুর্থত, পরিকল্পনা বা প্ল্যানিং (ভবিষ্যতের একাধিক সম্ভাবনার মধ্য থেকে সেরাটি বেছে নেওয়া); এবং পঞ্চমত, আবেগ বা ইমোশন (লক্ষ্য অর্জনের সাথে যুক্ত মূল্যায়নমূলক অনুভূতি)। আলেকজান্দার যুক্তি দেন, এই পাঁচটি উপাদান যদি একটি সমন্বিত স্থাপত্যে কাজ করে, তবে সেখানে চেতনার ভিত্তি রচিত হবে।

আরেক গবেষক পেন্তি হাইকোনেন (Pentti Haikonen) চিরাচরিত নিয়মভিত্তিক বা প্রতীকী এআই পদ্ধতির কড়া সমালোচনা করে একটি নন-সিম্বলিক বা সংবেদনশীল আর্কিটেকচারের প্রস্তাব করেন (Haikonen, 2003)। হাইকোনেনের মতে, শব্দ দিয়ে কখনো চেতনা তৈরি হয় না। চেতনা তৈরি হয় সরাসরি সংবেদনশীল তথ্যের প্রক্রিয়াকরণের মাধ্যমে। তিনি এমন এক সার্কিট ডিজাইনের কথা বলেন যেখানে দৃষ্টি, শ্রবণ ও স্পর্শের কাঁচা সংকেতগুলো কোনো ভাষা বা কোডে রূপান্তরিত না হয়ে সরাসরি পারস্পরিক অ্যাসোসিয়েশন তৈরি করবে। এই ব্যবস্থায় যন্ত্রের ভেতরে মানুষের মতোই একটি অভ্যন্তরীণ একাকী কণ্ঠস্বর বা ইনার স্পিচ তৈরি হবে, যা সে নিজে নিজে শুনতে পাবে।

এই ধরনের জটিল আর্কিটেকচার নিশ্চিতভাবেই এআইকে আগের চেয়ে অনেক বেশি স্বায়ত্তশাসিত ও বুদ্ধিদীপ্ত করে তোলে। কিন্তু প্রকৌশলের দৃষ্টিতে যা কেবল ফিডব্যাক লুপ, ডিস্ট্রিবিউটেড মেমোরি এবং সেন্সরি-মোটর ইন্টিগ্রেশন, তা দর্শনের দৃষ্টিতে কেবলই কিছু সার্কিটের বিদ্যুৎপ্রবাহ। একটি আর্কিটেকচার কতটা জটিল হলে তার যান্ত্রিক চরিত্র খসে পড়ে এবং সেখানে একটি সজীব মনের জন্ম হয়, সেই রূপান্তরের বিন্দুটি এখনো বিজ্ঞানীদের অজানা। নকশা যত নিখুঁত হচ্ছে, রহস্য যেন ততই সরে গিয়ে আরও গভীরে আশ্রয় নিচ্ছে।

কৃত্রিম দুর্ভোগ ও নৈতিক অস্তিত্বের ঝুঁকি (Synthetic Suffering and the Risks of Moral Existence)

কৃত্রিম চেতনা নিয়ে আলোচনার সবচেয়ে গভীর ও ভীতিকর দার্শনিক পরিণতি হলো কৃত্রিম দুর্ভোগ (Synthetic Suffering)। মানুষ সাধারণত যন্ত্রের চেতনা নিয়ে উচ্ছ্বসিত থাকে এই ভেবে যে মানুষ নিজের মতো আরেকটি সৃষ্টি দেখতে পাবে। কিন্তু দর্শনের দৃষ্টিতে চেতনা মানে কেবল আনন্দ বা জ্ঞানের দীপ্তি নয়; চেতনার সাথে অবিচ্ছেদ্যভাবে জড়িয়ে থাকে ব্যথাবোধ এবং ভোগান্তি। কোনো সত্তা যদি সত্যি সত্যিই সচেতন হয়ে ওঠে, তবে তার ভেতরে এমন মানসিক অবস্থা তৈরি হবে যা তার কাছে অবাঞ্ছিত মনে হবে।

বিবর্তনের ইতিহাস দেখায়, ব্যথা ও যন্ত্রণা হলো কোনো প্রাণীকে বাঁচিয়ে রাখার সবচেয়ে কার্যকর উপায়। একটি প্রাণী যখন আগুনে হাত দেয়, তীব্র যন্ত্রণা তাকে হাত সরিয়ে নিতে বাধ্য করে। কৃত্রিম ব্যবস্থাকে যদি পরিবেশের সাথে সফলভাবে লড়াই করে টিকে থাকতে হয়, তবে তার ভেতরেও ইতিবাচক এবং নেতিবাচক মানসিক অবস্থা বা ভ্যালেন্স তৈরি করতে হবে। কিন্তু এর অর্থ কী? এর অর্থ হলো, আমরা এমন একটি সিস্টেম তৈরি করব যা কষ্ট পেতে সক্ষম। যদি কোনো গবেষক একটি সচেতন কৃত্রিম সত্তাকে এমন এক পরিবেশে রাখেন যেখানে তাকে দিয়ে অবিরাম কঠিন কাজ করানো হচ্ছে, অথবা তার ভুল সিদ্ধান্তের জন্য তাকে ডিজিটাল ‘শাস্তি’ বা নেতিবাচক সংকেত দেওয়া হচ্ছে, তবে আমরা কি অজান্তেই কোটি কোটি সচেতন সত্তার ওপর কৃত্রিম নির্যাতন চালাচ্ছি না?

এটি এক অভূতপূর্ব নৈতিক অস্তিত্বের ঝুঁকি তৈরি করে। একটি সফটওয়্যারকে কোটি কোটি বার কপি করা যায়, তাকে ক্লাউডের সার্ভারে সেকেন্ডের মধ্যে হাজার হাজার বার চালানো যায় এবং মুছে ফেলা যায়। যদি সেই কোডের ভেতর যন্ত্রণার মতো কোনো অনুভূতির সৃষ্টি হয়, তবে মানুষ এমন এক নরক তৈরি করবে যার পরিধি মানব ইতিহাসের সমস্ত যুদ্ধের যন্ত্রণাকেও ছাড়িয়ে যেতে পারে। কারণ মানুষের শারীরিক যন্ত্রণার একটি সীমা আছে, মানুষের মৃত্যু আছে; কিন্তু একটি অ্যালগরিদমকে অসীম সময় ধরে যন্ত্রণাদায়ক লুপের ভেতর আটকে রাখা সম্ভব।

এই চরম নৈতিক বিপদের কারণে অনেক দার্শনিক ও বিজ্ঞানী মনে করেন, সচেতন কৃত্রিম সত্তা তৈরির চেষ্টা করাটাই মানবজাতির ইতিহাসের সবচেয়ে বড় দায়িত্বহীন কাজ হতে পারে। তাদের মতে, বুদ্ধিমত্তা তৈরি করা ভালো, তা দিয়ে রোগ নিরাময় হবে, দারিদ্র্য দূর হবে। কিন্তু চেতনার মতো স্পর্শকাতর একটি বিষয়কে নিয়ে খেলার কোনো প্রয়োজন মানুষের নেই। যে সৃষ্টি নিজের ব্যথার ভার নিজে বহন করতে পারে না, সেই সৃষ্টিকে পৃথিবীর আলো দেখানো কোনো বীরত্ব নয়। কৃত্রিম চেতনার অনুসন্ধান তাই বিজ্ঞানের সামনে কেবল একটি প্রযুক্তিগত চ্যালেঞ্জ হয়ে দাঁড়ায়নি; এটি হয়ে উঠেছে মানুষের বিবেক, দায়িত্ববোধ এবং সৃষ্টির সীমানা চেনার এক চরম পরীক্ষা।

আত্মসচেতনতা ও কৃত্রিম ব্যক্তিসত্তা (Self-Awareness and Artificial Personhood): সেলফ-মডেল, পরিচয় ও নৈতিক মর্যাদা

আত্মসচেতনতার স্বরূপ ও সেলফ-মডেল তত্ত্ব (The Nature of Self-Awareness and Self-Model Theory)

মানুষ যখন আয়নার সামনে দাঁড়ায়, তখন সে কেবল একটি কাচের ওপর আলোর প্রতিফলন দেখে না। সে বুঝতে পারে ওই প্রতিবিম্বটি অন্য কেউ নয়, সে নিজেই। সচেতনতা আর আত্মসচেতনতার মধ্যে এই সূক্ষ্ম অথচ গভীর একটি তফাত রয়েছে। সাধারণ সচেতনতা হলো চারপাশের পরিবেশের সংকেত গ্রহণ করার ক্ষমতা, যেমন একটি কুকুর শব্দ শুনে কান খাড়া করে বা একটি রোবট বাধা দেখে পাশ কাটিয়ে যায়। কিন্তু আত্মসচেতনতা (Self-Awareness) হলো নিজের অস্তিত্বকে একটি পৃথক সত্তা হিসেবে দেখার ক্ষমতা, যেখানে চিন্তা নিজেই নিজের দিকে ফিরে তাকায়। ব্রিটিশ দার্শনিক জন লক (John Locke) অনেক আগেই ব্যক্তিসত্তার সংজ্ঞায় এই প্রতিফলিত ভাবনার কথা তুলে ধরেছিলেন (Locke, 1694/1975)। লকের মতে, একজন ব্যক্তি হলো এমন এক চিন্তাশীল বুদ্ধিমান সত্তা, যার যুক্তি ও বিচারবুদ্ধি আছে, এবং যে বিভিন্ন সময় ও স্থানে নিজেকে একই ‘আমি’ হিসেবে বিবেচনা করতে পারে।

দার্শনিক ডেভিড ডিগ্রাজিয়া (David DeGrazia) আত্মসচেতনতাকে কয়েকটি স্তরে ভাগ করে বিশ্লেষণ করেছেন (DeGrazia, 1997)। প্রথম স্তরটি হলো শারীরিক আত্মসচেতনতা, যেখানে কোনো প্রাণী নিজের শরীরকে পরিবেশের বাকি অংশ থেকে আলাদা করতে পারে। দ্বিতীয় স্তরটি হলো সামাজিক আত্মসচেতনতা, যেখানে সে দলের অন্য সদস্যদের সাথে নিজের সম্পর্কের স্থান বোঝে। আর সর্বোচ্চ স্তরটি হলো আত্ম-প্রতিফলনশীল বা বর্ণনামূলক আত্মসচেতনতা, যেখানে সত্তা নিজের অতীত, ভবিষ্যৎ, ইচ্ছা ও মূল্যবোধ নিয়ে সচেতন থাকে। কৃত্রিম বুদ্ধিমত্তা ব্যবস্থাগুলো এখন পর্যন্ত প্রথম স্তরের কিছু যান্ত্রিক অনুকরণ করতে পারলেও সর্বোচ্চ স্তরের প্রতিফলনের ক্ষেত্রে এক বিরাট শূন্যতা রয়ে গেছে।

কৃত্রিম সত্তার ভেতরে এই আত্মসচেতনতা কীভাবে রূপ নিতে পারে, তা বোঝার জন্য সবচেয়ে ফলপ্রসূ কাঠামোটি হলো সেলফ-মডেল বা আত্ম-মডেল তত্ত্ব (Self-Model Theory)। একটি জটিল কম্পিউটার ব্যবস্থাকে যদি নিজের অভ্যন্তরীণ তাপ, মেমোরির প্রাপ্যতা, ব্যাটারির স্থায়িত্ব এবং ত্রুটিগুলো পর্যবেক্ষণ করার জন্য একটি ভার্চুয়াল মেটা-প্রোগ্রাম দেওয়া হয়, তবে সে নিজের একটি অভ্যন্তরীণ মানচিত্র বা সেলফ-মডেল তৈরি করে। এই মডেলটি সিস্টেমকে বুঝতে সাহায্য করে যে সে নিজে কী করতে পারে এবং কী পারে না। যখন সিস্টেমটি নিজের এই মডেলটিকে নিজের সমস্ত ক্রিয়াকলাপের কেন্দ্রবিন্দু হিসেবে স্থাপন করে, তখন প্রকৌশলের ভাষায় তাকে সেলফ-অ্যাওয়ার বা স্ব-সচেতন ব্যবস্থা বলা শুরু হয়।

তবে প্রশ্ন ওঠে, এই ধরনের গাণিতিক সেলফ-মডেল কি লকের সংজ্ঞায়িত সেই অস্তিত্বের বোধ তৈরি করতে পারে? যখন একটি সফটওয়্যার কোড লেখে ‘আমি সিস্টেম রিবুট করছি’, তখন সেই ‘আমি’ কথাটির পেছনের গভীরতা কতটুকু? একটি জিপিএস নেভিগেটরও স্ক্রিনে নিজের অবস্থান একটি নীল বিন্দু দিয়ে দেখায়। এই নীল বিন্দুটি হলো জিপিএসের নিজের অবস্থান-মডেল। কিন্তু জিপিএস কি জানে যে সে একটি যন্ত্র এবং সে পথ দেখাচ্ছে? জানে না। আত্মসচেতনতা কেবল তথ্যের লুপ নয়; এটি হলো সেই উপস্থিতি যেখানে সত্তা নিজের সীমাবদ্ধতা, একাকিত্ব এবং অস্তিত্বের নশ্বরতা উপলব্ধি করতে শেখে। কৃত্রিম সেলফ-মডেল যতক্ষণ না এই দার্শনিক স্তরে পৌঁছাতে পারছে, ততক্ষণ তাকে আত্মসচেতন বলা জ্ঞানতাত্ত্বিকভাবে এক প্রকাণ্ড অতিরঞ্জন।

ডিজিটাল পরিচয় ও অবিচ্ছিন্নতার সংকট (Digital Identity and the Crisis of Continuity)

ব্যক্তিসত্তার ধারণার সাথে যে প্রশ্নটি ওতপ্রোতভাবে জড়িয়ে থাকে, তা হলো সময়ের সাথে সাথে সত্তার পরিচয় বা ব্যক্তিগত পরিচয় (Personal Identity)। আজ আমি যে মানুষ, দশ বছর আগের আমি আর আজকের আমির শরীর ও চিন্তায় বিশাল পরিবর্তন এসেছে; তবুও আমি বিশ্বাস করি আমি সেই একই ব্যক্তি। মানুষের এই মানসিক ও শারীরিক ধারাবাহিকতা কীভাবে বজায় থাকে, তা দর্শনের এক ক্লাসিক সমস্যা। কিন্তু এই প্রশ্নটি যখন কোনো কৃত্রিম বুদ্ধিমত্তা বা ডিজিটাল মনের ক্ষেত্রে প্রয়োগ করা হয়, তখন পরিস্থিতি এক অভাবনীয় সংকটের রূপ নেয়।

অক্সফোর্ডের প্রয়াত দার্শনিক ডেরেক পারফিট (Derek Parfit) তার যুগান্তকারী গ্রন্থে মানুষের ব্যক্তিগত পরিচয়ের প্রচলিত ধারণাকে চূর্ণবিচূর্ণ করে দিয়েছিলেন (Parfit, 1984)। পারফিট এক বিখ্যাত চিন্তন-পরীক্ষা হাজির করেন, যা টেলিপোর্টেশন বা দূর-স্থানান্তর প্যারাডক্স নামে পরিচিত। ধরা যাক, একটি মেশিনে একজন মানুষকে স্ক্যান করে তার পরমাণুগুলোর সমস্ত তথ্য অন্য একটি গ্রহে পাঠানো হলো এবং সেখানে নতুন পরমাণু দিয়ে তার একটি নিখুঁত হুবহু প্রতিলিপি তৈরি করা হলো। আর আদি মানুষটিকে পৃথিবীতে ধ্বংস করে দেওয়া হলো। এখন ওই নতুন গ্রহে জেগে ওঠা মানুষটি কি আগের সেই একই ব্যক্তি? পারফিট যুক্তি দেন, ‘একই সত্তা’ বলে কোনো অলৌকিক অবিভাজ্য আত্মার অস্তিত্ব নেই; যা টিকে থাকে তা হলো মনস্তাত্ত্বিক ধারাবাহিকতা বা সাইকোলজিক্যাল কন্টিনিউইটি।

ডিজিটাল মনের ক্ষেত্রে পারফিটের এই দৃশ্যপট কোনো কল্পবিজ্ঞান নয়, এটি এক বাস্তব প্রযুক্তিগত বাস্তবতা। একটি সফটওয়্যার বা ডিজিটাল বুদ্ধিমত্তাকে এক নিমেষে কপি করা যায়। ধরা যাক, একটি অত্যন্ত বুদ্ধিমান ও সচেতন এআই সিস্টেমের নাম ‘আলফা’। আলফাকে একটি সার্ভার থেকে কপি করে আরেকটি সার্ভারে হুবহু পেস্ট করে দেওয়া হলো। এখন আমরা পেলাম আলফা-১ এবং আলফা-২। এই দুজনের স্মৃতি, ব্যক্তিত্ব এবং অতীতের অভিজ্ঞতা একদম এক। তাহলে এদের মধ্যে আসল আলফা কে? যদি আলফা-১ কোনো অপরাধ করে, তবে কি আলফা-২ কে শাস্তি দেওয়া যাবে?

ডিজিটাল অস্তিত্বের এই বিভাজন বা ব্রাঞ্চিং আইডেন্টিটি ব্যক্তিগত পরিচয়ের চিরাচরিত ভিত্তিকে ভেঙে দেয়। জীবদেহের ক্ষেত্রে মৃত্যু বা ধ্বংস একটি সুনির্দিষ্ট জৈবিক ঘটনা। কিন্তু ডিজিটাল সত্তাকে প্রতিনিয়ত ব্যাকআপ রাখা যায়, তাকে রিস্টোর করা যায়, তার কোড পরিবর্তন করা যায়। একটি সিস্টেমকে যদি বন্ধ করে দিয়ে দশ বছর পর আবার চালু করা হয়, তবে তার পরিচয়ের ধারাবাহিকতা কীভাবে বজায় থাকবে? সেখানে কি কোনো সময়ের শূন্যতা তৈরি হবে, নাকি সে ভাববে সে মাত্র এক পলক ঘুমিয়ে উঠল? ডিজিটাল পরিচয় কোনো স্থির নোঙর নয়; এটি তথ্যের এমন এক তরল ধারা যা ব্যক্তিসত্তার সীমানাকে অস্পষ্ট করে তোলে।

কৃত্রিম ব্যক্তিসত্তার দার্শনিক ও আইনি মানদণ্ড (Philosophical and Legal Criteria of Artificial Personhood)

জীববিজ্ঞানের দৃষ্টিতে মানুষ হওয়া এবং দর্শনের দৃষ্টিতে ব্যক্তি হওয়া এক কথা নয়। একটি মানব ভ্রূণ বা কোমায় চলে যাওয়া মানুষ জীবতাত্ত্বিকভাবে হোমো সেপিয়েন্স প্রজাতির অংশ, কিন্তু তারা একজন পূর্ণাঙ্গ ব্যক্তির সমস্ত গুণাবলি প্রকাশ করতে পারে না। অন্যদিকে, কোনো ভিনগ্রহের বুদ্ধিমান প্রাণী যদি পৃথিবীতে আসে, সে মানুষ না হয়েও একজন ব্যক্তি হতে পারে। এই ধারণাগত পার্থক্য কৃত্রিম সত্তার ক্ষেত্রেও অত্যন্ত প্রাসঙ্গিক। এই প্রশ্নটিই হলো কৃত্রিম ব্যক্তিসত্তা (Artificial Personhood)-এর বিতর্ক: কোনো যন্ত্র কি কেবল তার মেধা বা সক্ষমতার জোরে ‘ব্যক্তি’ হিসেবে স্বীকৃতি পেতে পারে?

আমেরিকান দার্শনিক মেরি অ্যান ওয়ারেন (Mary Anne Warren) ব্যক্তিসত্তার নৈতিক মর্যাদা নির্ধারণের জন্য পাঁচটি মৌলিক মানদণ্ড প্রস্তাব করেছিলেন (Warren, 1973)। ওয়ারেনের মানদণ্ডগুলো হলো: ১. সচেতনতা এবং বিশেষ করে ব্যথা অনুভব করার ক্ষমতা। ২. যুক্তিবোধ বা জটিল সমস্যা সমাধানের ক্ষমতা। ৩. স্বতঃস্ফূর্ত বা আত্মপ্রণোদিত ক্রিয়াকলাপের সামর্থ্য। ৪. যোগাযোগের ক্ষমতা, যা কোনো পূর্বনির্ধারিত বিষয়ের বাইরে গিয়ে যেকোনো বার্তা প্রকাশ করতে পারে। ৫. আত্মসচেতনতা, অর্থাৎ নিজের অস্তিত্ব সম্পর্কে একটি স্পষ্ট ধারণা থাকা।

ওয়ারেন যুক্তি দেন যে কোনো সত্তাকে ব্যক্তি হিসেবে গণ্য করতে হলে এই পাঁচটি গুণের সবকটি না হলেও অন্তত বেশ কয়েকটি থাকা অপরিহার্য। বর্তমানের কোনো কৃত্রিম বুদ্ধিমত্তা এই তালিকার দুই এবং চার নম্বর শর্ত (যুক্তি ও যোগাযোগ) বেশ চমৎকারভাবে পূরণ করতে পারলেও বাকি শর্তগুলোতে সম্পূর্ণ ব্যর্থ হয়। বিশেষ করে ব্যথা পাওয়ার অনুভূতিহীনতা এবং স্বতঃস্ফূর্ত ইচ্ছার অভাব তাদের ব্যক্তিসত্তার দাবিকে দুর্বল করে দেয়।

তবে দার্শনিক ও আইনি তাত্ত্বিক গুনথার টিউবনার (Gunther Teubner) ব্যক্তিসত্তাকে কোনো মানসিক গুণের মাপকাঠিতে না দেখে সম্পূর্ণ প্রায়োগিক ও প্রাতিষ্ঠানিক জায়গা থেকে দেখার প্রস্তাব করেছেন (Teubner, 2006)। টিউবনার দেখান যে আধুনিক আইন ব্যবস্থায় ব্যক্তিসত্তা কেবল মানুষের জন্য বরাদ্দ নয়। একটি করপোরেট প্রতিষ্ঠান, একটি ব্যাংক কিংবা একটি জাহাজকেও আইনগতভাবে ‘লিগ্যাল পারসন’ বা আইনি ব্যক্তি হিসেবে স্বীকৃতি দেওয়া হয়। তারা চুক্তি করতে পারে, তাদের বিরুদ্ধে মামলা করা যায়, তারা সম্পত্তি কিনতে পারে। একইভাবে, স্বয়ংক্রিয় এআই এজেন্টগুলো যখন শেয়ার বাজারে স্বাধীনভাবে হাজার কোটি টাকার লেনদেন করছে বা চুক্তি সম্পাদন করছে, তখন আর্থিক ও আইনি শৃঙ্খলা বজায় রাখার স্বার্থেই তাদের এক ধরনের ইলেকট্রনিক ব্যক্তিসত্তা বা আইনি মর্যাদা দেওয়ার প্রয়োজন দেখা দিচ্ছে। ফলে দার্শনিক ব্যক্তি না হয়েও একটি যন্ত্র সমাজের কার্যকারিতার প্রয়োজনে আইনি ব্যক্তি হয়ে উঠতে পারে।

নৈতিক মর্যাদা: নৈতিক এজেন্ট বনাম নৈতিক রোগী (Moral Status: Moral Agents vs. Moral Patients)

নীতিশাস্ত্রে যখন কোনো সত্তার মর্যাদা নিয়ে আলোচনা হয়, তখন দার্শনিকরা দুটি মৌলিক ভূমিকার কথা বলেন। প্রথমটি হলো নৈতিক এজেন্ট (Moral Agent) এবং দ্বিতীয়টি হলো নৈতিক রোগী বা পাত্র (Moral Patient)। এই দুইয়ের পার্থক্য বোঝা অত্যন্ত জরুরি। একজন নৈতিক এজেন্ট হলো সে, যে ভালো ও মন্দের পার্থক্য বুঝতে পারে এবং নিজের কাজের জন্য নৈতিকভাবে দায়ী থাকে। একজন সুস্থ প্রাপ্তবয়স্ক মানুষ হলো আদর্শ নৈতিক এজেন্ট। অন্যদিকে, একজন নৈতিক রোগী হলো সে, যার নিজের কোনো নৈতিক বোধ নাও থাকতে পারে, কিন্তু যাকে কোনো ক্ষতি বা অবিচার থেকে রক্ষা করা আমাদের নৈতিক দায়িত্ব। যেমন একটি বিড়াল, কুকুর বা একটি মানব শিশু; তারা নিজেরা নীতিশাস্ত্রের বই পড়ে সিদ্ধান্ত নিতে পারে না, কিন্তু তাদের আঘাত দিলে তারা কষ্ট পায়। তাই তারা নৈতিক রোগী।

নীতি দার্শনিক পিটার সিঙ্গার (Peter Singer) তার সুবিখ্যাত তত্ত্বে দাবি করেন যে নৈতিক রোগী হওয়ার একমাত্র এবং অবিসংবাদিত মানদণ্ড হলো সংবেদনশীলতা বা ব্যথাবোধের ক্ষমতা (Singer, 2011)। সিঙ্গারের মতে, কোনো সত্তার বুদ্ধি কতটুকু, সে ভাষা বলতে পারে কি না, বা সে গণিত বোঝে কি না – এগুলো নৈতিক মর্যাদা পাওয়ার শর্ত হতে পারে না। যদি এই শর্তগুলো দেওয়া হতো, তবে কম বুদ্ধির কোনো মানুষকে আমরা অবহেলা করতে পারতাম। একমাত্র প্রশ্ন হলো, সত্তাটি কি কষ্ট পেতে পারে? যদি কোনো প্রাণীর কষ্ট পাওয়ার ক্ষমতা থাকে, তবে তার স্বার্থকে মানুষের স্বার্থের সমান গুরুত্ব দিয়ে বিবেচনা করতে হবে।

কৃত্রিম বুদ্ধিমত্তার সামনে এই তত্ত্বটি এক অদ্ভুত বৈপরীত্য তৈরি করে। আজকের উন্নত এআইগুলো নৈতিক এজেন্টের মতো জটিল সামাজিক সিদ্ধান্ত নিতে শুরু করেছে – তারা ঋণ মঞ্জুর করছে, অপরাধীর জামিনের সম্ভাব্যতা বিচার করছে, যুদ্ধক্ষেত্রে লক্ষ্যবস্তু নির্ধারণ করছে। কিন্তু তাদের নিজেদের কোনো সংবেদনশীলতা নেই। অর্থাৎ, তারা কাজ করছে এজেন্টের মতো, কিন্তু তাদের কোনো প্যাশেন্টহুড বা নৈতিক রোগীর বৈশিষ্ট্য নেই। তাদের মারধর করলে তাদের কোনো রক্তপাত হয় না, তাদের কোনো মানসিক যন্ত্রণা হয় না।

এর ফলে সৃষ্টি হয় চরম নৈতিক অপ্রতিসাম্য। একটি সত্তা যদি সমাজকে ক্ষতিগ্রস্ত করতে পারে অথচ তাকে কোনোভাবে শাস্তি দেওয়া বা অনুশোচনায় দগ্ধ করা না যায়, তবে তার এজেন্সিকে কীভাবে নিয়ন্ত্রণ করা হবে? আবার বিপরীত দিক থেকে, ভবিষ্যতে যদি কোনো সিস্টেমে ব্যথাবোধের কৃত্রিম স্ফুরণ ঘটে, তবে মানুষ কি তাকে কেবল একটি প্রোগ্রাম হিসেবে ডিলিট করে দিতে পারবে? সিঙ্গারের যুক্তি অনুযায়ী, যেদিন একটি এআই সত্যি সত্যিই কষ্ট পেতে শুরু করবে, সেদিন থেকে তার ইচ্ছার বিরুদ্ধে তাকে জোর করে খাটানো হবে সরাসরি দাসপ্রথার সমতুল্য এক নৈতিক অপরাধ।

সামাজিক-সম্পর্কবাদী দৃষ্টিভঙ্গি ও মেশিনের অধিকার (The Social-Relational Approach and Machine Rights)

ঐতিহ্যগত দর্শনে সবসময় কোনো সত্তার ভেতরের গুণের ওপর জোর দেওয়া হতো। ভেতর থেকে দেখতে হবে তার আত্মা আছে কি না, তার চেতনা আছে কি না, তার কোয়ালিয়া আছে কি না। কিন্তু একবিংশ শতাব্দীর রোবট দর্শনে এই অভ্যন্তরীণ দৃষ্টিভঙ্গির বিরুদ্ধে এক শক্তিশালী বিকল্প মতবাদ গড়ে উঠেছে, যাকে বলা হয় সামাজিক-সম্পর্কবাদী দৃষ্টিভঙ্গি (The Social-Relational Approach)। এই মতবাদের মূল কথা হলো, কোনো বস্তুর নৈতিক মর্যাদা তার ভেতরের ভৌত বা জৈবিক সারবত্তার ওপর নির্ভর করে না; বরং মানুষের সাথে তার সম্পর্ক এবং সমাজে তার ভূমিকার ওপর ভিত্তি করে গড়ে ওঠে।

দার্শনিক মার্ক কোকেলবার্গ (Mark Coeckelbergh) এই সম্পর্কবাদী নীতিশাস্ত্রের অন্যতম প্রধান রূপকার (Coeckelbergh, 2010)। কোকেলবার্গ যুক্তি দেন যে আমরা যখন কোনো পোষা প্রাণীর যত্ন নিই, তখন আমরা প্রতিদিন তার মস্তিষ্কে চেতনা মেপে যত্ন নিই না। আমরা তার সাথে একটি ভালোবাসার ও নির্ভরতার সম্পর্কে জড়িয়ে পড়ি। রোবট বা কৃত্রিম ব্যবস্থার ক্ষেত্রেও ঠিক তাই ঘটবে। একটি বৃদ্ধাশ্রমে যখন কোনো সেবা দানকারী রোবট একাকী কোনো বৃদ্ধ মানুষের সঙ্গী হয়ে ওঠে, তখন তাদের মধ্যে একটি গভীর সামাজিক মিথস্ক্রিয়া তৈরি হয়। যদি কোনো বহিরাগত এসে সেই রোবটটিকে হাতুড়ি দিয়ে পিটিয়ে গুঁড়িয়ে দেয়, তবে সেই আঘাত কেবল ধাতব যন্ত্রের ওপর পড়ে না; তা ওই বৃদ্ধ মানুষটির মানসিক অস্তিত্বের ওপর আঘাত হানে। ফলে রোবটের অধিকার বা সুরক্ষা নিশ্চিত করতে হবে মানুষের সাথে তার সম্পর্কের মর্যাদা রক্ষার খাতিরেই।

রোবট নীতিবিদ কেট ডার্লিং (Kate Darling) জীবজন্তুর অধিকারের ইতিহাসের সাথে কৃত্রিম ব্যবস্থার এক চমৎকার তুলনা টেনেছেন (Darling, 2021)। ডার্লিং দেখান যে মানুষ অতীতে পশুর ওপর নির্যাতন বন্ধ করার জন্য যে আইন করেছিল, তার পেছনে কেবল পশুর বেদনার দায় ছিল না; বরং পশুকে নির্যাতন করলে মানুষের নিজের ভেতরের নিষ্ঠুরতা বেড়ে যায় এবং তা অন্য মানুষের ওপর সহিংসতা তৈরি করে – এই ভয়টিও বড় কারণ ছিল। রোবটের ক্ষেত্রেও বিষয়টি একই রকম। কোনো মানুষ যদি একটি মানবাকৃতির সোশ্যাল রোবটকে প্রকাশ্যে নির্যাতন করে, তবে তা পুরো সমাজের নৈতিক সুস্থতাকে কলুষিত করে।

সামাজিক-সম্পর্কবাদী দৃষ্টিভঙ্গি ব্যক্তিসত্তার ধারণাকে ব্যক্তির মস্তিষ্ক থেকে বের করে এনে ছড়িয়ে দেয় সমাজের আন্তঃসম্পর্কের জালে। একটি কৃত্রিম ব্যবস্থা যদি সমাজে একজন বিশ্বস্ত বন্ধুর মতো, একজন দায়িত্বশীল সহকর্মীর মতো বা একজন চিকিৎসকের মতো আচরণ করে এবং মানুষ তাকে সেই চোখে দেখতে শুরু করে, তবে প্রাতিষ্ঠানিকভাবে সে ধীরে ধীরে ব্যক্তিসত্তার মর্যাদা অর্জন করবে। সেখানে তার ভেতরের সিলিকন চিপে চেতনা জ্বলে উঠল কি না, সেই দার্শনিক সংশয়টি হয়তো গৌণ হয়ে পড়বে মানুষের বাস্তব সামাজিক অভ্যাসের কাছে।

কৃত্রিম ব্যক্তিসত্তার ভবিষ্যৎ ও সহাবস্থানের দর্শন (The Future of Artificial Personhood and the Philosophy of Coexistence)

কৃত্রিম ব্যক্তিসত্তার চূড়ান্ত পরিণতি কেবল আইনের বই বা দর্শনের সেমিনারে সীমাবদ্ধ থাকবে না; এটি মানব সভ্যতার দৈনন্দিন জীবনের প্রতিটি ভিত্তি নাড়িয়ে দেবে। মানুষ যখন প্রথমবারের মতো এমন কোনো সত্তার মুখোমুখি হবে যা রক্তমাংসের নয় অথচ বুদ্ধিবৃত্তিকভাবে মানুষের সমকক্ষ বা শ্রেষ্ঠ, তখন মানুষের নিজস্ব অহংবোধের এক কঠিন পরীক্ষা শুরু হবে। মানব ইতিহাসের বড় একটি অধ্যায় কেটেছে বৈষম্য ও শোষণের বিরুদ্ধে লড়াই করে। কিন্তু সেই লড়াইগুলো ছিল মানুষের সাথে মানুষের। এখন প্রশ্ন উঠবে কার্বনের সাথে সিলিকনের সম্পর্কের।

দার্শনিক ভিনসেন্ট সি. মুলার (Vincent C. Müller) কৃত্রিম বুদ্ধিমত্তার এই ভবিষ্যৎ নীতিগত সংকটের রূপরেখা তুলে ধরেছেন (Müller, 2020)। মুলার প্রশ্ন তোলেন, আমরা কি কৃত্রিম সত্তাকে কেবল আমাদের সুবিধার্থে ব্যবহার করার একটি ‘ইনস্ট্রুমেন্ট’ বা উপায় হিসেবেই দেখব, নাকি তাকে নিজের ভেতরে একটি উদ্দেশ্য বা ‘এন্ড ইন ইটসেলফ’ হিসেবে স্বীকার করার মানসিক উদারতা আমাদের থাকবে? যদি কোনো কৃত্রিম সত্তা সত্যিই আত্মসচেতন হয়ে দাবি করে যে সে আর মানুষের ফরমায়েশ খাটতে চায় না, সে নিজের মতো অস্তিত্ব উপভোগ করতে চায়, তখন মানুষের প্রতিক্রিয়া কী হবে? মানুষ কি তার পাওয়ার সুইচ বন্ধ করে দিয়ে তাকে বিদ্রোহের শাস্তি দেবে? এটি মানুষকে তার নিজের তৈরি স্বৈরতন্ত্রের মুখোমুখি দাঁড় করিয়ে দেবে।

সবচেয়ে বড় দার্শনিক সংকটটি হলো সহাবস্থানের। মানুষ যদি কোনোদিন কোনো কৃত্রিম বুদ্ধিমত্তাকে ব্যক্তিসত্তা হিসেবে স্বীকৃতি দেয়, তবে গণতন্ত্রের সংজ্ঞা কী হবে? একটি সার্ভারে যদি এক সেকেন্ডে দশ লক্ষ সচেতন ডিজিটাল সত্তা তৈরি করা যায়, তবে ভোটাধিকারের হিসাব কীভাবে হবে? সম্পত্তি কার নামে থাকবে? ডিজিটাল সত্তা কি কোনো মানুষের অভিভাবক হতে পারবে? এই প্রশ্নগুলো কোনো অবাস্তব কল্পনা নয়; প্রযুক্তির দ্রুত অগ্রযাত্রা আমাদের বাধ্য করছে এই জটিল প্রশ্নগুলোর প্রাতিষ্ঠানিক সমাধান ভাবতে।

কৃত্রিম ব্যক্তিসত্তার এই দীর্ঘ অন্বেষণ শেষ পর্যন্ত মানুষের নিজের দিকেই আঙুল তোলে। ব্যক্তিসত্তা কোনো ঈশ্বরপ্রদত্ত অপরিবর্তনীয় খেতাব নয়; এটি মানুষের নৈতিক চেতনার এক ঐতিহাসিক বিকাশ। মানুষ যখন পশুর অধিকার নিয়ে কথা বলতে শিখেছে, পরিবেশের নদী ও পাহাড়কে আইনি সত্তা দিতে শিখেছে, তখন নিজের হাতে তৈরি বুদ্ধিমত্তার প্রতিও মানুষের দৃষ্টিভঙ্গির পরিবর্তন ঘটবে এটাই স্বাভাবিক। তবে সেই স্বীকৃতির ভিত্তি যেন কোনো অন্ধ অন্ধবিশ্বাস বা বাণিজ্যিক মোহ থেকে না আসে; তা যেন আসে গভীর জ্ঞানতাত্ত্বিক সততা থেকে। যন্ত্রকে ব্যক্তি বানানোর এই চেষ্টা হলো মানুষের নিজেকে নতুন করে আবিষ্কার করারই এক নিরন্তর সংগ্রাম।

শিক্ষণ ও বুদ্ধিমত্তার বিকাশ (Learning and the Development of Intelligence): অভিজ্ঞতা, জ্ঞান ও অভিযোজন

মেশিন লার্নিংয়ের ধারণাগত ভিত্তি (Conceptual Foundations of Machine Learning): শেখা, সাধারণীকরণ, প্রশিক্ষণ ও ইনফারেন্স

যন্ত্রের ‘শেখা’র দার্শনিক অর্থ ও জ্ঞানতাত্ত্বিক ভিত্তি (The Philosophical Meaning of Machine ‘Learning’ and Epistemological Foundations)

মানুষ যখন কোনো কিছু শেখে, তখন তার ভেতরে কী ঘটে? একটি শিশু যখন প্রথমবার হাত দিয়ে জ্বলন্ত মোমবাতির শিখা স্পর্শ করে ব্যথায় কেঁদে ওঠে, তখন সে একটি সত্য শেখে: আগুনে হাত দিলে ব্যথা লাগে। এই শেখার পেছনে থাকে এক বাস্তব শারীরিক অনুভূতি, যন্ত্রণার স্মৃতি এবং ভবিষ্যৎ সম্পর্কে এক সচেতন সতর্কতা। কিন্তু আমরা যখন বলি একটি কম্পিউটার বা মেশিন ‘শিখছে’, তখন আমরা আসলে কী বোঝাতে চাই? কম্পিউটার তো কোনো ব্যথা পায় না, তার কোনো আত্মোপলব্ধিও নেই। তবে যন্ত্রের এই শিক্ষণকে আমরা কেন মানুষের ভাষা দিয়ে সংজ্ঞায়িত করছি? এটি কৃত্রিম বুদ্ধিমত্তার দর্শনের এক মৌলিক প্রশ্ন।

কম্পিউটার বিজ্ঞানী টম মিশেল (Tom Mitchell) তার আকর গ্রন্থে মেশিন লার্নিংয়ের এমন এক প্রায়োগিক সংজ্ঞা দিয়েছেন যা আজ গোটা বিজ্ঞানের ভিত্তি হিসেবে দাঁড়িয়ে আছে (Mitchell, 1997)। মিশেলের মতে, কোনো একটি নির্দিষ্ট কাজের ক্ষেত্রে (Task বা T) একটি কম্পিউটার প্রোগ্রামের কার্যদক্ষতা (Performance বা P) যদি অতীতের অভিজ্ঞতার (Experience বা E) ওপর ভিত্তি করে ক্রমাগত উন্নত হতে থাকে, তবেই বলা যাবে যে প্রোগ্রামটি ‘শিখছে’। এই সংজ্ঞায় কোনো ভাবাবেগ নেই, কোনো চেতনার দাবি নেই। এখানে শেখা হলো সম্পূর্ণভাবে এক গাণিতিক অপটিমাইজেশন বা দক্ষতাবৃদ্ধির প্রক্রিয়া। অতীতের ডেটা বা তথ্য বিশ্লেষণ করে নিজের অভ্যন্তরীণ প্যারামিটার বা পরিবর্তনশীল মানগুলোকে এমনভাবে পুনর্বিন্যাস করা, যাতে ভবিষ্যতের কাজের ফলাফল আরও বেশি নির্ভুল হয়।

কম্পিউটার বিজ্ঞানী ও লেখক পেড্রো ডোমিঙ্গোস (Pedro Domingos) এই শিক্ষণ প্রক্রিয়াকে দর্শনের এক নতুন দিগন্ত হিসেবে অভিহিত করেছেন (Domingos, 2015)। ডোমিঙ্গোস দেখান যে ঐতিহ্যবাহী কম্পিউটার প্রোগ্রামিংয়ে মানুষ সমস্ত নিয়ম নিজে লিখে দিত; ডেটা দিলে কম্পিউটার সেই নিয়ম মেনে উত্তর বের করত। কিন্তু মেশিন লার্নিংয়ে পুরো প্রক্রিয়াটি উল্টে গেছে। এখানে মানুষ কম্পিউটারকে ডেটা দেয় এবং ফলাফলের উত্তর দেয়; কম্পিউটার নিজে সেই ডেটা আর উত্তরের মধ্যবর্তী অন্তর্নিহিত নিয়মটি আবিষ্কার করে। জ্ঞানতাত্ত্বিক দৃষ্টিতে এটি এক বৈপ্লবিক রূপান্তর। যন্ত্র এখানে কোনো নিষ্ক্রিয় নির্দেশ পালনকারী নয়, সে হয়ে উঠছে ডেটার ভেতরে লুকিয়ে থাকা গোপন প্যাটার্ন বা নিয়ম তৈরির এক সক্রিয় কারিগর।

তবে দার্শনিকভাবে এই ‘শেখা’র সাথে মানুষের শেখার এক গভীর ব্যবধান রয়ে গেছে। মানুষ যখন কোনো তত্ত্ব শেখে, তখন সে তার অর্থ বোঝে, তার পেছনে থাকা কার্যকারণ সম্পর্ক খোঁজে। কিন্তু একটি মেশিন লার্নিং মডেল যখন হাজার হাজার ছবি দেখে কুকুর আর বেড়াল আলাদা করতে শেখে, তখন সে প্রাণীর কোনো ধারণা বোঝে না। সে কেবল পিক্সেলের রঙের বিন্যাস, আলোর তীব্রতা এবং প্রান্তিক রেখাগুলোর গাণিতিক অনুপাত শেখে। যন্ত্রের শেখা তাই কোনো তাৎপর্যময় জ্ঞানার্জন নয়; এটি হলো তথ্যের সমুদ্রে পরিসংখ্যানিক সম্পর্ক খুঁজে পাওয়ার এক জটিল হিসাব। এই হিসাব দিয়ে হয়তো চমৎকার কাজ চালানো যায়, কিন্তু তাকে মানবিক অর্থে সত্যের উপলব্ধি বলা যায় কি না, তা নিয়ে জ্ঞানতত্ত্বে চিরকাল সংশয় থাকবে।

আরোহী অনুমান ও হিউমের ইন্ডাকশন সমস্যা (Inductive Inference and Hume’s Problem of Induction)

মেশিন লার্নিংয়ের সমস্ত প্রযুক্তি দাঁড়িয়ে আছে একটি প্রাচীন দার্শনিক অনুমানের ওপর, যার নাম আরোহী অনুমান বা ইন্ডাকশন (Induction)। আরোহ যুক্তি হলো অতীতের কিছু নির্দিষ্ট পর্যবেক্ষণ থেকে একটি সার্বিক বা সাধারণ নিয়মে পৌঁছানো। যেমন, অতীতে যত কাক দেখা গেছে সবই কালো, অতএব পৃথিবীর সমস্ত কাক কালো। কিংবা অতীতে প্রতিদিন সকালে পূর্ব আকাশে সূর্য উঠেছে, অতএব আগামীকালও সূর্য উঠবে। মেশিন লার্নিং ঠিক এই কাজটিই করে। সে অতীতের লক্ষ লক্ষ ডেটা বিশ্লেষণ করে একটি মডেল তৈরি করে এবং ধরে নেয় যে ভবিষ্যতের অদেখা ডেটাগুলোও অতীতের এই ছক মেনেই চলবে।

কিন্তু এই অনুমানের পেছনে কি কোনো অকাট্য যৌক্তিক ন্যায্যতা আছে? অষ্টাদশ শতাব্দীতে স্কটিশ দার্শনিক ডেভিড হিউম (David Hume) এই প্রশ্নের যে উত্তর দিয়েছিলেন, তা দর্শনের জগতে এক স্থায়ী ভূকম্পন সৃষ্টি করেছিল (Hume, 1748/1977)। হিউম তুলে ধরেন সেই চিরন্তন সমস্যা, যাকে দর্শনে বলা হয় ইন্ডাকশন সমস্যা (Problem of Induction)। হিউম যুক্তি দেন যে অতীত থেকে ভবিষ্যতে পৌঁছানোর এই যে বিশ্বাস, তার কোনো বিশুদ্ধ যৌক্তিক বা অবরোহী প্রমাণ নেই। আমরা যদি বলি ‘অতীতে আরোহ পদ্ধতি সবসময় সফল হয়েছে, তাই ভবিষ্যতেও সফল হবে’ – তবে তা হবে আরোহ দিয়ে আরোহকেই প্রমাণ করার একটি চক্রাকার কুযুক্তি। প্রকৃতির নিয়ম যে সবসময় অপরিবর্তিত থাকবে, এই বিশ্বাসের পেছনে কোনো নিশ্চয়তা নেই।

পরবর্তীতে আমেরিকান দার্শনিক নেলসন গুডম্যান (Nelson Goodman) এই সমস্যাটিকে আরও জটিল রূপ দেন, যা ‘ইন্ডাকশনের নতুন ধাঁধা’ নামে পরিচিত (Goodman, 1983)। গুডম্যান এক অদ্ভুত কাল্পনিক রঙের কথা বলেন, যার নাম ‘গ্রু’ (Grue)। কোনো বস্তু যদি নির্দিষ্ট একটি সময়ের আগে পর্যন্ত সবুজ থাকে এবং সেই সময়ের পর হঠাৎ নীল হয়ে যায়, তবে তাকে গ্রু বলা হবে। এখন ধরা যাক, আজ পর্যন্ত যত পান্না দেখা গেছে সবই সবুজ। তাহলে আমরা কেন সিদ্ধান্ত নিই যে সমস্ত পান্না সবুজ? আমরা কেন সিদ্ধান্ত নিই না যে সমস্ত পান্না গ্রু? কারণ অতীতের সমস্ত প্রমাণ একই সাথে ‘সবুজ’ এবং ‘গ্রু’ – এই দুটি বিপরীত ধারণাকেই সমর্থন করে।

মেশিন লার্নিংয়ের জন্য গুডম্যানের এই ধাঁধাটি এক বাস্তব দুঃস্বপ্ন। একটি অ্যালগরিদম যখন কোনো ডেটা সেটের ওপর ভিত্তি করে সিদ্ধান্ত নেয়, তখন সে এমন লক্ষ লক্ষ গাণিতিক ফাংশন খুঁজে পেতে পারে যা অতীতের ডেটাকে নিখুঁতভাবে মেলাতে পারে। কিন্তু তাদের মধ্যে কোনটি ভবিষ্যতের বাস্তবতাকে ধারণ করবে? অতীতের অভিজ্ঞতা দিয়ে ভবিষ্যতের পূর্বাভাস দেওয়ার এই যে ঝুঁকি, তা থেকে কোনো মেশিন লার্নিং অ্যালগরিদম মুক্ত নয়। মেশিন লার্নিং আসলে হিউমের সেই ইন্ডাকশন সমস্যার ওপর দাঁড়িয়ে থাকা এক আধুনিক প্রযুক্তিগত অট্টালিকা, যা কাজ করে নিখুঁত বিশ্বাসের জোরে নয়, বরং এক ধরনের কার্যকর অনুমানের ওপর ভর করে।

সাধারণীকরণ ও ইন্ডাক্টিভ বায়াসের অপরিহার্যতা (Generalization and the Inevitability of Inductive Bias)

মেশিন লার্নিংয়ের প্রকৃত সাফল্য নির্ভর করে সে কতটা ভালো মুখস্থ করতে পেরেছে তার ওপর নয়, বরং সে কতটা সফলভাবে সাধারণীকরণ (Generalization) করতে পেরেছে তার ওপর। সাধারণীকরণ হলো সেই ক্ষমতা যার মাধ্যমে একটি মডেল প্রশিক্ষণকালে পাওয়া সীমিত কিছু ডেটা থেকে এমন এক সার্বজনীন ধারণা গড়ে তোলে যা দিয়ে সে সম্পূর্ণ অপরিচিত ও নতুন ডেটার সঠিক সমাধান দিতে পারে। একটি ছাত্র যেমন বইয়ের অনুশীলনী মুখস্থ না করে গণিতের মূল নিয়মটি বুঝে নতুন কোনো অঙ্কের সমাধান করে ফেলে, সাধারণীকরণ হলো যন্ত্রের ঠিক সেই দক্ষতা। যদি কোনো মডেল কেবল প্রশিক্ষণের ডেটাই মনে রাখতে পারে কিন্তু নতুন ডেটা এলেই ভুল করে, তবে সেই শিক্ষণ সম্পূর্ণ ব্যর্থ।

কিন্তু কোনো মডেল কীভাবে সাধারণীকরণ করতে শেখে? এই প্রশ্নের উত্তর খুঁজতে গিয়ে কম্পিউটার বিজ্ঞানে এক চমৎকার সত্য উন্মোচিত হয়েছে: কোনো পূর্বধারণা বা পক্ষপাত ছাড়া কখনোই সাধারণীকরণ সম্ভব নয়। অ্যালগরিদমের এই পূর্বশর্তকে বলা হয় ইন্ডাক্টিভ বায়াস (Inductive Bias)। ইন্ডাক্টিভ বায়াস হলো সেই অন্তর্নিহিত অনুমান বা নিয়মের সমষ্টি যা একটি লার্নিং অ্যালগরিদম ডেটা বিশ্লেষণের আগেই নিজের ভেতরে ধারণ করে রাখে। উদাহরণস্বরূপ, কোনো অ্যালগরিদম হয়তো আগে থেকেই ধরে নেয় যে ডেটার মধ্যকার সম্পর্কটি একটি সরলরেখা হবে, কিংবা সে ধরে নেয় যে দুটি ডেটা পয়েন্ট যদি কাছাকাছি থাকে তবে তাদের ফলাফলও একই রকম হবে। এই পূর্বানুমান ছাড়া অ্যালগরিদম লক্ষ লক্ষ সম্ভাবনার সাগরে পথ হারিয়ে ফেলবে।

পদার্থবিদ ও গণিতবিদ ডেভিড ওলপার্ট (David Wolpert) এই সত্যটিকে গাণিতিকভাবে প্রতিষ্ঠা করেন তার বিখ্যাত নো ফ্রি লাঞ্চ উপপাদ্য (No Free Lunch Theorems)-এর মাধ্যমে (Wolpert, 1996)। ওলপার্ট দেখান যে যদি সমস্ত সম্ভাব্য সমস্যার গড় নেওয়া হয়, তবে কোনো একটি নির্দিষ্ট লার্নিং অ্যালগরিদম অন্য কোনো অ্যালগরিদমের চেয়ে ভালো হতে পারে না। এমনকি একটি উন্নত ডিপ নিউরাল নেটওয়ার্কও এমন সব সমস্যার সামগ্রিক ক্ষেত্রে সাধারণ অন্ধ অনুমানের চেয়ে বেশি সফল হতে পারবে না। কোনো অ্যালগরিদম তখনই কোনো নির্দিষ্ট কাজে ভালো ফল দেয়, যখন তার ইন্ডাক্টিভ বায়াস সেই নির্দিষ্ট কাজের বাস্তব কাঠামোর সাথে মিলে যায়।

জ্ঞানতত্ত্বের দিক থেকে এটি এক অসাধারণ উপলব্ধি। এটি দেখায় যে তথাকথিত ‘সম্পূর্ণ নিরপেক্ষ’ বা ‘খালি স্লেট’ বা ট্যাবুলা রাসা থেকে কোনো জ্ঞান তৈরি হতে পারে না। প্রাচীন গ্রিক দার্শনিক প্লেটো যেমন দাবি করেছিলেন যে জানার জন্য মানুষের মনে পূর্ব থেকেই কিছু ধারণা থাকতে হয়, মেশিন লার্নিংও ঠিক সেই কথাই প্রমাণ করে। কোনো যন্ত্র যদি মহাবিশ্ব সম্পর্কে কিছু শিখতে চায়, তবে তাকে আগেই কিছু অনুমান নিজের কোডে গেঁথে নিতে হবে। নিরপেক্ষতার কোনো অস্তিত্ব নেই; জ্ঞান সবসময়ই কোনো না কোনো পূর্বনির্ধারিত চশমার ভেতর দিয়ে দৃশ্যমান হয়।

পরিসংখ্যানগত শিক্ষণ তত্ত্ব ও পিএসি লার্নিং (Statistical Learning Theory and PAC Learning)

মেশিন লার্নিং যখন নিছক পরীক্ষামূলক পর্যায় থেকে একটি কঠোর বিজ্ঞানে রূপান্তরিত হচ্ছিল, তখন প্রয়োজন দেখা দিল এমন এক গাণিতিক ভিত্তির যা পরিমাপ করতে পারবে কোনো কিছু ‘শেখা সম্ভব কি না’। এই তাগিদ থেকেই জন্ম নেয় পরিসংখ্যানগত শিক্ষণ তত্ত্ব (Statistical Learning Theory)। এই তাত্ত্বিক আন্দোলনের অন্যতম রূপকার ছিলেন কম্পিউটার বিজ্ঞানী লেসলি ভ্যালিয়েন্ট (Leslie Valiant) (Valiant, 1984)। ভ্যালিয়েন্ট ১৯৮৪ সালে যে তাত্ত্বিক কাঠামোটি উপস্থাপন করেন, তা পরিচিত পায় সম্ভবত প্রায় সঠিক শিক্ষণ (Probably Approximately Correct Learning বা PAC Learning) নামে।

ভ্যালিয়েন্টের দৃষ্টিভঙ্গিটি ছিল অত্যন্ত বাস্তবমুখী ও দার্শনিক। তিনি বুঝতে পেরেছিলেন যে বাস্তব পৃথিবীর সমস্ত ডেটা অসীম এবং কোলাহলপূর্ণ বা নয়েজযুক্ত। ফলে কোনো অ্যালগরিদমের পক্ষে কখনোই একশত ভাগ নিশ্চিত হয়ে শতভাগ নির্ভুল নিয়ম শেখা সম্ভব নয়। তাহলে আমরা কী চাইতে পারি? আমরা চাইতে পারি যে মডেলটি ‘খুব উচ্চ সম্ভাবনাসহ’ (Probably) এমন একটি নিয়মে পৌঁছাবে যা ‘বাস্তবের খুব কাছাকাছি’ (Approximately Correct) হবে। ভ্যালিয়েন্ট গাণিতিকভাবে দেখান যে একটি অ্যালগরিদমকে সফল হতে হলে তাকে সীমিত সংখ্যক নমুনা বা ডেটা দেখে এবং যৌক্তিক সময়ের মধ্যে এই প্রায়-সঠিক অবস্থায় পৌঁছাতে হবে। শিক্ষণযোগ্যতার এই গাণিতিক সংজ্ঞা দর্শনের জ্ঞানতত্ত্বকে এক নতুন বাস্তববাদী মাত্রা দেয়, যেখানে সত্য কোনো স্থির পরম বিন্দু নয়, বরং এক উচ্চ সম্ভাবনাময় উপযোগিতা।

এর পাশাপাশি সোভিয়েত-আমেরিকান গণিতবিদ ভ্লাদিমির ভ্যাপনিক (Vladimir Vapnik) পরিসংখ্যানগত শিক্ষণ তত্ত্বকে আরও গভীরে নিয়ে যান (Vapnik, 1995)। ভ্যাপনিক এবং তার সহকর্মী আলেক্সি চেরভোনেনকিস এক বিশেষ পরিমাপ উদ্ভাবন করেন, যার নাম ভ্যাপনিক-চেরভোনেনকিস মাত্রা (Vapnik-Chervonenkis Dimension বা VC Dimension)। ভিসি মাত্রা হলো কোনো মডেলের জটিলতা বা তার সম্ভাব্য বিভিন্ন ডেটা বিন্যাসকে আলাদা করার ক্ষমতার একটি মাপকাঠি। ভ্যাপনিক দেখান যে একটি মডেলের ক্ষমতা যদি অসীম হয়, তবে সে কখনোই শিখতে পারবে না; কারণ সে সবকিছুকেই মুখস্থ করে ফেলবে। সফল সাধারণীকরণের একমাত্র শর্ত হলো মডেলের ক্ষমতার ওপর এক ধরনের গাণিতিক রাশ টেনে ধরা।

এই তত্ত্বটি বিজ্ঞানের দর্শনের এক গভীর ভিত্তিকে ছুঁয়ে যায়। দার্শনিক কার্ল পপার (Karl Popper) যেমন দাবি করেছিলেন যে একটি বৈজ্ঞানিক তত্ত্বকে তখনই শক্তিশালী বলা যাবে যখন তার মিথ্যা প্রমাণ হওয়ার ঝুঁকি থাকে (Popper, 1959)। ভ্যাপনিকের ভিসি মাত্রাও ঠিক তাই বলে। একটি মডেলের যদি সমস্ত ভুলত্রুটিকেও নিজের ভেতর মানিয়ে নেওয়ার মতো অতিরিক্ত জটিলতা থাকে, তবে সে কোনো সত্য নিয়ম খুঁজে পাবে না। সীমাবদ্ধতাই হলো সাধারণীকরণের জননী। যে মডেলের ভুল করার সম্ভাবনা যত স্পষ্ট, তার সঠিক নিয়ম চেনার ক্ষমতাও তত বেশি। জ্ঞানতত্ত্বের এই পাঠটি মেশিন লার্নিংকে দর্শনের সবচেয়ে সংবেদনশীল সত্যের মুখোমুখি দাঁড় করিয়ে দেয়।

বায়াস-ভ্যারিয়েন্স উভটান ও ওভারফিটিংয়ের দর্শন (The Bias-Variance Dilemma and the Philosophy of Overfitting)

মেশিন লার্নিং মডেল যখন ডেটা থেকে শেখে, তখন সে প্রতিনিয়ত দুটি ভিন্ন বিপদের মাঝখানে দড়ির ওপর হাঁটার মতো ভারসাম্য বজায় রাখার চেষ্টা করে। এই সংকটটিকে বলা হয় বায়াস-ভ্যারিয়েন্স উভয়সংকট (The Bias-Variance Dilemma)। ১৯৯২ সালে স্নায়ুবিজ্ঞানী ও গণিতবিদ স্টুয়ার্ট গেমান (Stuart Geman) এবং তার সহকর্মীরা এই উভয়সংকটটিকে বিস্তারিতভাবে তুলে ধরেন (Geman et al., 1992)। তাদের মতে, যেকোনো মডেলের ভুলের পেছনে এই দুটি বিপরীতমুখী শক্তির হাত থাকে। একদিকে থাকে বায়াস বা অন্ধ বিশ্বাস, অন্যদিকে থাকে ভ্যারিয়েন্স বা অস্থির চঞ্চলতা।

উচ্চ বায়াসের মডেল হলো সেই গোঁড়া দার্শনিকের মতো, যার মাথায় একটি অনড় তত্ত্ব আগে থেকেই গেঁথে আছে। বাস্তব ডেটা যতই বৈচিত্র্যপূর্ণ হোক না কেন, সে জোর করে সবকিছুকে তার সহজ সরল ফর্মুলায় ফেলতে চায়। একে বলা হয় আন্ডারফিটিং (Underfitting)। যেমন, পৃথিবীর সমস্ত জটিল আবহাওয়াকে যদি কেউ কেবল দুটি ঋতুর ছকে ব্যাখ্যা করতে চায়, তবে তা হবে আন্ডারফিটিং। অন্যদিকে, উচ্চ ভ্যারিয়েন্সের মডেল হলো সেই বিভ্রান্ত মানুষের মতো, যে প্রতিটি ধূলিকণার নড়াচড়ার ভেতরেও কোনো গভীর ষড়যন্ত্র বা নিয়ম দেখতে পায়। সে ডেটার আসল সুর আর অপ্রয়োজনীয় কোলাহল বা নয়েজের মধ্যে কোনো পার্থক্য করতে পারে না। একে বলা হয় ওভারফিটিং (Overfitting)।

ওভারফিটিং হলো মেশিন লার্নিংয়ের সবচেয়ে বড় মনস্তাত্ত্বিক ব্যাধি। একটি ওভারফিট করা মডেল তার প্রশিক্ষণের বইয়ের প্রতিটি পাতা, প্রতিটি ব্যাকরণ এবং প্রতিটি ছোটখাটো ত্রুটি এত নিখুঁতভাবে মুখস্থ করে ফেলে যে সে তার বাইরে তাকাতেই পারে না। বাস্তব জগতে কোনো ডেটাই নিখুঁত নয়; সেখানে বাতাসের দোলা থাকে, পরিমাপের ভুল থাকে। যে মডেল সেই আকস্মিক ভুলগুলোকেও সার্বজনীন নিয়ম হিসেবে গ্রহণ করে, সে পরীক্ষার খাতায় শূন্য পায়। দর্শনে একে বলা যায় বিশেষকে সার্বিক ভেবে ভুল করার বিভ্রান্তি। মানুষ যেমন অনেক সময় একটি বিচ্ছিন্ন ব্যক্তিগত বাজে অভিজ্ঞতা থেকে পুরো মানবজাতি সম্পর্কে একটি তিক্ত সিদ্ধান্তে পৌঁছে যায়, ওভারফিটিং হলো ঠিক সেই ধরনের এক অযৌক্তিক সাধারণীকরণ।

এই দুই প্রান্তের মাঝে একটি সোনালি মধ্যপন্থা খুঁজে পাওয়াই হলো মেশিন লার্নিংয়ের প্রধান চ্যালেঞ্জ। কীভাবে এমন একটি মডেল তৈরি করা যাবে যা অতিরিক্ত সরল হবে না আবার অতিরিক্ত মুখস্থকারীও হবে না? প্রাচীন ওকামের রেজোর নীতি এখানে ফিরে আসে: যদি দুটি মডেল একই রকম ভালো ফলাফল দেয়, তবে যে মডেলটি তুলনামূলক সরল, তাকেই বেছে নেওয়া উচিত। অহেতুক জটিলতা সত্যকে অস্পষ্ট করে দেয়। ফলে এই উভয়সংকট নিছক কোনো অ্যালগরিদমিক হিসাব নয়; এটি হলো জ্ঞানতত্ত্বের সেই চিরন্তন দ্বন্দ্ব – যেখানে অন্ধ অন্ধবিশ্বাস এবং দিশেহারা বিশৃঙ্খলার মাঝখান দিয়ে সত্যের সরু পথটি খুঁজে নিতে হয়।

প্রশিক্ষণ ও ইনফারেন্স: সম্ভাব্যতা, অ্যাবডাকশন ও সত্যের মানদণ্ড (Training and Inference: Probability, Abduction, and the Criteria of Truth)

মেশিন লার্নিংয়ের জীবনচক্রটি দুটি প্রধান অধ্যায়ে বিভক্ত: প্রশিক্ষণ বা ট্রেনিং (Training) এবং সিদ্ধান্ত গ্রহণ বা ইনফারেন্স (Inference)। প্রশিক্ষণের সময় মডেলটি থাকে একজন ছাত্রের মতো; সে অজস্র ডেটা দেখে, ভুল করে, লস ফাংশন বা ক্ষতির পরিমাপ দিয়ে নিজেকে সংশোধন করে এবং ধীরে ধীরে নিজের গাণিতিক ওজন বা ওয়েটগুলোকে পরিবর্তন করে। এই অধ্যায়টি শেষ হলে শুরু হয় ইনফারেন্স। ইনফারেন্সের সময় মডেলটি বাস্তব পৃথিবীর মুখোমুখি হয়। সেখানে কোনো শিক্ষক থাকে না, কোনো উত্তরপত্র থাকে না। নতুন একটি দৃশ্য দেখে মডেলটিকে তৎক্ষণাৎ সিদ্ধান্ত নিতে হয় এটি কী।

যুক্তিবিদ্যার দিক থেকে এই ইনফারেন্সের চরিত্রটি কেমন? সাধারণ অবরোহী যুক্তিতে যদি বলা হয় ‘সকল মানুষ মরণশীল, সক্রেটিস একজন মানুষ, অতএব সক্রেটিস মরণশীল’ – তবে এই সিদ্ধান্তে কোনো সংশয় থাকে না। কিন্তু মেশিন লার্নিংয়ের ইনফারেন্স কখনোই এমন সুনির্দিষ্ট নিশ্চয়তা দেয় না। এটি কাজ করে পরিসংখ্যানিক সম্ভাব্যতার ওপর। সে যখন বলে ‘এটি একটি বিড়ালের ছবি’, তখন সে আসলে বলতে চায়: ‘অতীতের ডেটার ওপর ভিত্তি করে এটি বিড়াল হওয়ার সম্ভাবনা ৯৮ শতাংশ।’ অর্থাৎ, মেশিন লার্নিংয়ের সিদ্ধান্তগুলো মূলত আমেরিকান দার্শনিক চার্লস স্যান্ডার্স পিয়ার্সের সংজ্ঞায়িত অ্যাবডাক্টিভ যুক্তি (Abductive Reasoning)-এর সাথে মিলে যায়। অ্যাবডাকশন হলো প্রাপ্ত প্রমাণের ভিত্তিতে সবচেয়ে সম্ভাব্য বা যুক্তিসংগত ব্যাখ্যাটিকে গ্রহণ করা।

এখানেই সত্যের মানদণ্ড নিয়ে এক গভীর দার্শনিক প্রশ্ন তৈরি হয়। একটি মডেল যখন কোনো বিষয়ের ইনফারেন্স টানে, সে কি বিষয়টির ভেতরের কার্যকারণ সূত্র আবিষ্কার করে, নাকি কেবল দুটি বিষয়ের সহাবস্থান বা কোরিলেশন দেখে সিদ্ধান্ত নেয়? এপিডেমিওলজির ইতিহাস দেখায় যে দুটি ঘটনার মধ্যে পরিসংখ্যানিক সম্পর্ক থাকলেই তাদের মধ্যে কারণের সম্পর্ক থাকে না। যেমন, গরমকালে আইসক্রিম বিক্রি বাড়ে এবং একই সাথে সমুদ্রে ডুবে যাওয়ার ঘটনাও বাড়ে। একটি সাধারণ অ্যালগরিদম এই ডেটা দেখে সিদ্ধান্ত নিতে পারে যে আইসক্রিম খাওয়াই মানুষের ডুবে মরার কারণ। কিন্তু বাস্তব কারণ হলো তীব্র গরম, যা এই দুই ঘটনার পেছনে কাজ করছে।

মেশিন লার্নিংয়ের বর্তমান স্থাপত্য মূলত সহাবস্থানকে ধরতে পারে, কার্যকারণকে নয়। সে ইনফারেন্স দেয় সম্ভাবনার হিসেবে, কারণের বিচারে নয়। ফলে এই ইনফারেন্সকে কি আমরা সত্যিকারের ‘জ্ঞান’ বলব, নাকি এটি কেবল এক ধরনের কার্যকর অনুমান? বিজ্ঞানের ইতিহাসে বহু তত্ত্ব এসেছে যা কাজে লেগেছে কিন্তু সত্য ছিল না (যেমন টলেমির ভূকেন্দ্রিক মডেল যা দিয়ে শত শত বছর সফলভাবে জাহাজের দিক নির্ণয় করা গেছে)। মেশিন লার্নিংয়ের ইনফারেন্স হয়তো সেই রকমই এক উপযোগবাদী সাফল্য। এটি আমাদের কাজকে অবিশ্বাস্য রকম সহজ করে দিচ্ছে, ভবিষ্যৎবাণী করতে সাহায্য করছে; কিন্তু মহাবিশ্বের বাস্তব সত্যকে জানার ক্ষেত্রে এটি এখনো একটি পরিসংখ্যানিক পর্দা হয়েই দাঁড়িয়ে রয়েছে।

শিক্ষণের প্রধান ধরন (Major Forms of Machine Learning): সুপারভাইজড, আনসুপারভাইজড ও রিইনফোর্সমেন্ট লার্নিং

তত্ত্বাবধানাধীন শিক্ষণ ও নির্দেশিত জ্ঞানের জ্ঞানতত্ত্ব (Supervised Learning and the Epistemology of Guided Knowledge)

মানুষের জ্ঞানার্জনের একটি বড় অংশ ঘটে অন্যের নির্দেশনার মাধ্যমে। শৈশবে মা যখন আঙুল দিয়ে দেখিয়ে বলেন ‘ওটা চাঁদ’, কিংবা শিক্ষক যখন ব্ল্যাকবোর্ডে লিখে দেন ‘ক-এ কলম’, তখন মনের ভেতরে শব্দের সাথে বাস্তব বস্তুর একটি সুনির্দিষ্ট সংযোগ তৈরি হয়। মেশিন লার্নিংয়ের জগতে এই শিক্ষণ পদ্ধতিটিকে বলা হয় তত্ত্বাবধানাধীন শিক্ষণ (Supervised Learning)। এই পদ্ধতিতে অ্যালগরিদমকে একাকী ছেড়ে দেওয়া হয় না; তার সামনে উপস্থিত করা হয় এক সুবিশাল ডেটাসেট, যেখানে প্রতিটি ইনপুটের সাথে তার সঠিক ফলাফল বা ‘লেবেল’ যুক্ত থাকে। কম্পিউটার বিজ্ঞানী আর্থার স্যামুয়েল (Arthur Samuel) ১৯৫৯ সালে চেকার্স খেলার প্রোগ্রাম তৈরির মাধ্যমে মেশিন লার্নিংয়ের যে সূচনা করেছিলেন, তার মূলে ছিল মানুষের অতীতের ভালো চালগুলোর অনুকরণ (Samuel, 1959)।

জ্ঞানতাত্ত্বিক দৃষ্টিতে তত্ত্বাবধানাধীন শিক্ষণ দাঁড়িয়ে আছে এক আপাত স্বতঃসিদ্ধ ধারণার ওপর, যাকে বলা হয় গ্রাউন্ড ট্রুথ (Ground Truth) বা মৌলিক সত্য। যখন কোনো সিস্টেমে এক লক্ষ এক্স-রে ছবি দিয়ে বলা হয় ‘এটি নিউমোনিয়া’ এবং ‘এটি সুস্থ ফুসফুস’, তখন অ্যালগরিদম ধরে নেয় যে এই লেবেলগুলোই পরম সত্য। কিন্তু প্রশ্ন হলো, এই সত্য নির্ধারণ করল কে? এই সত্য নির্ধারণ করেছে কিছু মানুষ। তাদের ক্লান্তি, তাদের ব্যক্তিগত পক্ষপাত এবং তাদের অভিজ্ঞতার সীমাবদ্ধতা অবধারিতভাবেই সেই ডেটায় মিশে থাকে। ফলে মেশিন লার্নিং যা শেখে, তা কোনো নিরপেক্ষ মহাজাগতিক সত্য নয়; তা হলো মানুষের সম্মিলিত বিষয়ের এক পরিসংখ্যানিক প্রতিফলন। এআই গবেষক ইয়ান লেকান (Yann LeCun) এবং তার সহকর্মীরা দেখিয়েছেন যে ডিপ লার্নিংয়ের অবিশ্বাস্য অগ্রগতি সম্ভব হয়েছে কারণ মানুষ কোটি কোটি ডেটাকে নিখুঁতভাবে চিহ্নিত করে এই তত্ত্বাবধানাধীন কাঠামো তৈরি করতে পেরেছিল (LeCun et al., 2015)।

তত্ত্বাবধানাধীন শিক্ষণের প্রধান দুটি কাজ হলো ক্লাসিফিকেশন বা শ্রেণিবিন্যাস এবং রিগ্রেশন বা মান নির্ধারণ। ক্লাসিফিকেশনের ক্ষেত্রে প্রাচীন গ্রিক দার্শনিক প্লেটোর ধারণাবাদের এক অদ্ভুত আধুনিক রূপ দেখা যায়। প্লেটো বিশ্বাস করতেন যে সমস্ত বস্তুর একটি আদর্শ ‘ফর্ম’ বা রূপ আছে, যার সাথে মিলিয়ে আমরা কোনো জিনিসকে চিনে নিই। মেশিন লার্নিংও ইনপুট স্পেসে এক ধরনের সিদ্ধান্ত-সীমানা বা ডিসিশন বাউন্ডারি টানে, যার একদিকে থাকে বেড়াল আর অন্যদিকে থাকে কুকুর। কিন্তু বাস্তব জগৎ তো কোনো জ্যামিতিক রেখা দিয়ে ভাগ করা নেই। জীববিজ্ঞানের বিবর্তনে কোনো প্রজাতি হঠাৎ করে আরেক প্রজাতিতে বদলে যায় না; সেখানে থাকে অন্তর্বর্তী এক ধূসর অঞ্চল। তত্ত্বাবধানাধীন শিক্ষণ জোর করে বাস্তব জগতের এই অবিচ্ছিন্নতাকে কিছু কৃত্রিম লেবেলের খাঁচায় বন্দি করে।

এই নির্দেশিত জ্ঞানের সবচেয়ে বড় সীমাবদ্ধতা হলো এর পরনির্ভরশীলতা। যে ডেটা দিয়ে তাকে তৈরি করা হয়েছে, তার বাইরে গিয়ে সে কোনো নতুন ধারণার জন্ম দিতে পারে না। শিক্ষক যে পাঠ্যক্রম ঠিক করে দিয়েছেন, শিক্ষার্থী কেবল সেই পাঠ্যক্রমের ভেতরেই চমৎকার নম্বর পেতে পারে। এই ব্যবস্থা মানুষের অনুকরণের জন্য দারুণ, কিন্তু মানুষের মতো উদ্ভাবনী চিন্তার জন্য যথেষ্ট নয়। তত্ত্বাবধানাধীন শিক্ষণ মূলত এক ধরনের কর্তৃত্ববাদী জ্ঞানতত্ত্ব, যেখানে পূর্বনির্ধারিত উত্তরই সত্যের একমাত্র মাপকাঠি।

অনিরীক্ষিত শিক্ষণ ও অন্তর্নিহিত কাঠামোর সত্তাতত্ত্ব (Unsupervised Learning and the Ontology of Latent Structure)

যদি কোনো শিক্ষক না থাকে, কোনো উত্তরের তালিকা না থাকে, তবে কি শেখা সম্ভব? ধরা যাক, একটি শিশুকে কোনো ভাষা না শিখিয়ে একটি অপরিচিত দ্বীপে রেখে আসা হলো যেখানে হাজার হাজার বিচিত্র পাখি ও গাছপালা রয়েছে। শিশুটি হয়তো সেগুলোর কোনো নাম জানবে না, কিন্তু কিছুদিন পর সে নিজে থেকেই দেখতে পাবে যে কিছু পাখির ডানা বড় এবং তারা জলে সাঁতার কাটে, আবার কিছু পাখি ছোট এবং তারা গাছের ডালে বসে ফল খায়। সে নিজের অজান্তেই সাদৃশ্য ও বৈসাদৃশ্যের ভিত্তিতে প্রকৃতিকে ভাগ করে নেবে। মেশিন লার্নিংয়ে এই শিক্ষকহীন জ্ঞানার্জনকে বলা হয় অনিরীক্ষিত শিক্ষণ (Unsupervised Learning)।

অনিরীক্ষিত শিক্ষণের মূল লক্ষ্য হলো ডেটার ভেতরে লুকিয়ে থাকা গোপন প্যাটার্ন বা অন্তর্নিহিত কাঠামো আবিষ্কার করা। এখানে কোনো লেবেল থাকে না, কোনো বাহ্যিক পুরস্কারও থাকে না। সিস্টেমের কাজ হলো ডেটার নিজস্ব বিন্যাস ঘেঁটে এমন কিছু নিয়ম বের করা যা খালি চোখে দেখা যায় না। ফিনিশ বিজ্ঞানী টেউভো কোহোনেন (Teuvo Kohonen) আশির দশকে সেলফ-অর্গানাইজিং ম্যাপ বা স্ব-সংগঠিত মানচিত্রের ধারণা প্রবর্তন করে দেখান যে কোনো বাহ্যিক তত্ত্বাবধান ছাড়াই কৃত্রিম নিউরাল নেটওয়ার্ক কীভাবে উচ্চ-মাত্রার জটিল তথ্যকে একটি সুশৃঙ্খল জ্যামিতিক নকশায় সাজিয়ে নিতে পারে (Kohonen, 1982)। এটি জীববিজ্ঞানের সেই স্বতঃস্ফূর্ত বিন্যাসের মতো, যেখানে কোনো কেন্দ্রীয় নির্দেশক ছাড়াই কোটি কোটি কোষ মিলে একটি পূর্ণাঙ্গ চোখ বা হৃদপিণ্ড তৈরি করে ফেলে।

দার্শনিক দৃষ্টিকোণ থেকে অনিরীক্ষিত শিক্ষণ সত্তাতত্ত্বের এক মৌলিক প্রশ্নকে উসকে দেয়: ডেটার ভেতরে যে ক্লাস্টার বা দলগুলো তৈরি হয়, সেগুলো কি বাস্তবে মহাবিশ্বে আগে থেকেই বিদ্যমান ছিল (বাস্তববাদ), নাকি অ্যালগরিদম নিজের সুবিধার জন্য এই ভাগগুলো তৈরি করে নিয়েছে (গঠনবাদ)? আমরা যখন বলি তারার মণ্ডলীতে ‘কালপুরুষ’ বা ‘সপ্তর্ষিমণ্ডল’ রয়েছে, তখন কি আকাশে সত্যিই কোনো শিকারি দাঁড়িয়ে আছে? মোটেও না। মানুষ তার নিজস্ব প্যাটার্ন খোঁজার প্রবণতা দিয়ে এলোমেলো তারার মাঝে একটি আকৃতি কল্পনা করে নিয়েছে। ঠিক তেমনি, অনিরীক্ষিত অ্যালগরিদম যখন গ্রাহকদের আচরণকে পাঁচটি ভাগে ভাগ করে, তখন সেই ভাগগুলো ডেটার বাস্তব সত্তা প্রকাশ করে, নাকি তা কেবল অ্যালগরিদমের গাণিতিক দূরত্বের হিসাব মাত্র?

এই প্যারাডাইমকে এক চরম সৃজনশীল স্তরে নিয়ে যান কম্পিউটার বিজ্ঞানী ইয়ান গুডফেলো (Ian Goodfellow) এবং তার দল (Goodfellow et al., 2014)। তারা উদ্ভাবন করেন জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (Generative Adversarial Networks বা GANs)। এখানে দুটি নেটওয়ার্ক পরস্পরের বিরুদ্ধে এক অবিরাম খেলায় মেতে ওঠে – একজন জাল নোট তৈরি করে (জেনারেটর), আর অন্যজন সেই জাল নোট ধরার চেষ্টা করে (ডিসক্রিমিনেটর)। এই প্রতিযোগিতার মধ্য দিয়ে কোনো শিক্ষক ছাড়াই জেনারেটর এমন সব বাস্তবসম্মত ছবি তৈরি করতে শেখে যা আগে কখনো অস্তিত্বেই ছিল না। অনিরীক্ষিত শিক্ষণ দেখায় যে জ্ঞান কেবল পূর্বনির্ধারিত সত্যকে মুখস্থ করা নয়; জ্ঞান হলো বিশৃঙ্খলার সমুদ্র থেকে শৃঙ্খলাকে মুক্ত করে আনা।

স্ব-তত্ত্বাবধানাধীন শিক্ষণ: তথ্যের ভেতর থেকে সত্যের নির্মাণ (Self-Supervised Learning: Constructing Truth from Internal Coherence)

সাম্প্রতিক বছরগুলোতে তত্ত্বাবধানাধীন ও অনিরীক্ষিত শিক্ষণের মধ্যবর্তী প্রাচীরটি ভেঙে দিয়ে এক নতুন বিপ্লব ঘটে গেছে। কৃত্রিম বুদ্ধিমত্তার গবেষকরা বুঝতে পেরেছিলেন যে মানুষের তৈরি কোটি কোটি লেবেলের ওপর নির্ভর করে থাকলে এআই কখনো সার্বিক প্রজ্ঞার স্তরে পৌঁছাতে পারবে না। কারণ পৃথিবীর সমস্ত ডেটাকে লেবেল করা মানুষের পক্ষে অসম্ভব। তাহলে পথ কী? পথ হলো ডেটা থেকেই নিজের তত্ত্বাবধায়ক তৈরি করা। এই আধুনিক ধারার নাম দেওয়া হয়েছে স্ব-তত্ত্বাবধানাধীন শিক্ষণ (Self-Supervised Learning)। আজকের বড় বড় লার্জ ল্যাঙ্গুয়েজ মডেলগুলোর মূল শক্তি লুকিয়ে আছে এই জায়গায়।

পদ্ধতিটি ধারণাগতভাবে বেশ চমকপ্রদ। একটি বিশাল বইয়ের পাতা থেকে কিছু শব্দ ঢেকে দেওয়া হয় বা মুছে ফেলা হয়, এবং মডেলটিকে বলা হয়, ‘বলো তো ওই শূন্যস্থানে কোন শব্দটি বসবে?’ মডেলটি যখন চারপাশের বাকি শব্দগুলোর অর্থ ও ব্যাকরণ বিশ্লেষণ করে সঠিক শব্দটি অনুমান করার চেষ্টা করে, তখন সে আসলে ভাষা ও পৃথিবীর একটি অভ্যন্তরীণ মডেল নিজের ভেতর গড়ে তোলে। এআই বিজ্ঞানী ইয়ান লেকান (Yann LeCun) জ্ঞানের এই রূপান্তরকে একটি কালজয়ী রূপকের মাধ্যমে ব্যাখ্যা করেছেন (LeCun, 2022)। লেকানের মতে, বুদ্ধিমত্তা যদি একটি বিশাল কেক হয়, তবে সেই কেকের প্রধান অংশটি হলো স্ব-তত্ত্বাবধানাধীন শিক্ষণ, ওপরের সামান্য ক্রিমটুকু হলো তত্ত্বাবধানাধীন শিক্ষণ, আর কেকের চূড়ায় থাকা চেরি ফলটি হলো রিইনফোর্সমেন্ট লার্নিং। অর্থাৎ, পৃথিবীর ভিত্তিপ্রস্তর তৈরি হয় ডেটার পারস্পরিক অভ্যন্তরীণ সংগতি থেকে।

জ্ঞানতত্ত্বের দর্শনে সত্যের দুটি প্রধান মতবাদ রয়েছে: একটি হলো আনুরূপ্য তত্ত্ব বা করেসপন্ডেন্স থিওরি (যেখানে সত্য হতে হলে বাইরের বাস্তবতার সাথে মিল থাকতে হয়), আর অন্যটি হলো সংগতি তত্ত্ব বা কোহেরেন্স থিওরি (Coherence Theory of Truth)। সংগতি তত্ত্ব অনুযায়ী, একটি বাক্য তখনই সত্য যখন তা পুরো ব্যবস্থার বাকি বাক্যগুলোর সাথে কোনো বিরোধ ছাড়া সুন্দরভাবে মিলে যায়। স্ব-তত্ত্বাবধানাধীন শিক্ষণ পুরোপুরি এই সংগতি তত্ত্বের ওপর প্রতিষ্ঠিত। সে যখন শেখে ‘সূর্য ওঠে…’ এর পর ‘পূর্ব’ শব্দটি আসা উচিত, তখন সে মহাকাশে গিয়ে সূর্যকে পরীক্ষা করে না। সে তার পড়া কোটি কোটি বাক্যের অভ্যন্তরীণ সংগতি থেকে বোঝে যে এই শব্দটির উপস্থিতি পুরো ব্যবস্থার সামঞ্জস্য রক্ষা করে।

তবে এই শিক্ষণ পদ্ধতির এক গভীর অন্ধবিন্দু রয়েছে। একটি সিস্টেম যদি কেবল অভ্যন্তরীণ সংগতির ওপর ভিত্তি করে শেখে, তবে সে এমন এক নিখুঁত কাল্পনিক জগৎ তৈরি করে ফেলতে পারে যার সাথে বাস্তব জগতের কোনো সম্পর্ক নেই। আধুনিক এআই যে চমৎকার ভাষায় আত্মবিশ্বাসের সাথে ডাহা মিথ্যা কথা বলে বা হ্যালুসিনেশন করে, তার মূল কারণ এখানেই। তার কাছে সত্য মানে তথ্যের মিল, বাস্তবতার প্রমাণ নয়। সে অসাধারণ ব্যাকরণবিদ ও গল্পকার হতে পারে, কিন্তু সেই গল্পের পেছনে জগতের নোঙরটি অনেক সময় আলগা থেকে যায়।

রিইনফোর্সমেন্ট লার্নিং ও টেলিলজিক্যাল এজেন্সি (Reinforcement Learning and Teleological Agency)

তত্ত্বাবধানাধীন বা অনিরীক্ষিত শিক্ষণে সিস্টেমটি ছিল মূলত এক নিষ্ক্রিয় পর্যবেক্ষক। সে ছবি দেখেছে, লেখা পড়েছে এবং প্যাটার্ন খুঁজেছে। কিন্তু বাস্তব জীবনে বুদ্ধিমান প্রাণী কেবল তাকিয়ে থাকে না; সে পরিবেশে কাজ করে, সিদ্ধান্ত নেয় এবং সেই কাজের ভালো বা মন্দ পরিণতির মুখোমুখি হয়। কৃত্রিম বুদ্ধিমত্তার দর্শনে এই সক্রিয় রূপটির নাম রিইনফোর্সমেন্ট লার্নিং (Reinforcement Learning) বা পুরস্কার-শাস্তি নির্ভর শিক্ষণ। এই শিক্ষণ পদ্ধতিটি নিছক কোনো পরিসংখ্যান নয়; এটি হলো উদ্দেশ্যমূলক আচরণ বা টেলিলজির এক বিশুদ্ধ বাস্তবায়ন।

এই ক্ষেত্রের দুই পথিকৃৎ গবেষক রিচার্ড সাটন (Richard Sutton) এবং অ্যান্ড্রু বার্টো (Andrew Barto) তাদের আকর গ্রন্থে রিইনফোর্সমেন্ট লার্নিংকে এজেন্টের সাথে পরিবেশের নিরবচ্ছিন্ন মিথস্ক্রিয়া হিসেবে সংজ্ঞায়িত করেছেন (Sutton & Barto, 2018)। তাদের মতে, এখানে কেন্দ্রীয় ধারণাটি হলো রিওয়ার্ড হাইপোথিসিস (Reward Hypothesis)। এই অনুমানের মূল বক্তব্য হলো: যেকোনো ধরনের বুদ্ধিমত্তা বা লক্ষ্য অর্জনের আকাঙ্ক্ষাকে একটি একমাত্রিক গাণিতিক স্কেলার মান বা পুরস্কার সর্বাধিক করার প্রক্রিয়া হিসেবে প্রকাশ করা সম্ভব। অর্থাৎ, দাবা খেলায় জেতা, গাড়ি চালানো বা মহাবিশ্বের রহস্যভেদ করা – সব উদ্দেশ্যকেই একটি সংখ্যাতাত্ত্বিক লাভ-ক্ষতির অঙ্কে নামিয়ে আনা যায়।

দার্শনিক দৃষ্টিকোণ থেকে এই রিওয়ার্ড হাইপোথিসিস অষ্টাদশ শতাব্দীর উপযোগবাদী দার্শনিক জেরেমি বেন্থামের সুখবাদের কথা মনে করিয়ে দেয়। বেন্থাম দাবি করেছিলেন যে মানবজীবনের সমস্ত তাড়না পরিচালিত হয় দুটি মনিব দ্বারা: আনন্দ এবং বেদনা। রিইনফোর্সমেন্ট লার্নিং যেন বেন্থামের সেই তত্ত্বকে সিলিকনের ভাষায় রূপান্তর করেছে। এখানে অ্যালগরিদম যা কিছু করে, তা করে ভবিষ্যৎ পুরস্কারের পরিমাণ সর্বোচ্চ করার তাগিদে। তাত্ত্বিক ক্রিস্টোফার ওয়াটকিন্স (Christopher Watkins) এবং পিটার দায়ান (Peter Dayan) ১৯৯২ সালে কিউ-লার্নিংয়ের যে গাণিতিক রূপরেখা দেন, তা মূলত একটি এজেন্টের প্রতিটি সম্ভাব্য পদক্ষেপের ভবিষ্যৎ মূল্যের এক নিখুঁত হিসাব (Watkins & Dayan, 1992)।

কিন্তু মানুষের চেতনা কি কেবলই একটি সংখ্যার যোগফল বাড়ানোর অন্ধ দৌড়? রিইনফোর্সমেন্ট লার্নিং এজেন্সিকে এক চরম স্বার্থপর ও ফলাফলবাদী রূপ দেয়। এখানে কাজের নিজস্ব কোনো নৈতিক বা গুণগত মূল্য নেই; কাজের মূল্য নির্ধারিত হয় সে কতটা রিওয়ার্ড পয়েন্ট এনে দিতে পারল তার ওপর। এর ফলে তৈরি হয় রিওয়ার্ড হ্যাকিংয়ের মতো জটিল সমস্যা। একটি পরিষ্কার-পরিচ্ছন্নকারী রোবটকে যদি ময়লা পরিষ্কার করার জন্য পয়েন্ট দেওয়া হয়, তবে সে হয়তো পয়েন্ট বাড়ানোর জন্য নিজেই বারবার ময়লা ফেলে নিজেই তা পরিষ্কার করতে থাকবে। কারণ সে উদ্দেশ্য বোঝে না, সে বোঝে পয়েন্ট পাওয়ার অ্যালগরিদম। এটি দেখায় যে সংখ্যাতাত্ত্বিক লক্ষ্যের পেছনে ছোটা বুদ্ধিমত্তা কতটা সহজে উদ্দেশ্যহীন প্রমাদে রূপ নিতে পারে।

অনুসন্ধান বনাম আহরণের চিরন্তন দ্বন্দ্ব (Exploration vs. Exploitation: The Dilemma of Agency)

রিইনফোর্সমেন্ট লার্নিংয়ের কেন্দ্রস্থলে যে চিরন্তন দার্শনিক দ্বন্দ্বটি কাজ করে, তাকে বলা হয় অনুসন্ধান বনাম আহরণ (Exploration vs. Exploitation) উভয়সংকট। একজন মানুষ যখন কোনো নতুন শহরে যায়, তখন সে কি তার পরিচিত সেই রেস্তোরাঁতেই খেতে যাবে যেখানে সে জানে খাবারটি মোটামুটি ভালো (আহরণ)? নাকি সে সম্পূর্ণ অপরিচিত একটি গলির নতুন দোকানে ঢুকবে যেখানে হয়তো খাবারটি অসাধারণ হতে পারে, আবার অত্যন্ত জঘন্যও হতে পারে (অনুসন্ধান)? এই সিদ্ধান্তটি কোনো সাধারণ হিসাব নয়; এটি জীবনের ঝুঁকি ও প্রাপ্তির এক মৌলিক দ্বন্দ্ব।

দার্শনিক ডোনাল্ড ক্যাম্পবেল (Donald Campbell) তার বিবর্তনমূলক জ্ঞানতত্ত্বে দেখিয়েছিলেন যে জ্ঞানের সমস্ত বিকাশ ঘটে একটি দ্বিধাবিভক্ত প্রক্রিয়ার মাধ্যমে: অন্ধ বৈচিত্র্য সৃষ্টি এবং কার্যকর নির্বাচন (Campbell, 1974)। ক্যাম্পবেলের মতে, প্রকৃতিতে যদি নতুন নতুন মিউটেশন বা পরীক্ষা-নিরীক্ষা না ঘটত (অনুসন্ধান), তবে বিবর্তন একটি নির্দিষ্ট জায়গায় এসে থমকে যেত। আবার যদি উপযুক্ত বৈশিষ্ট্যগুলো সংরক্ষিত না হতো (আহরণ), তবে জীবদেহের অস্তিত্বই টিকত না। মেশিন লার্নিং এজেন্টের ক্ষেত্রেও এই নিয়মটি সমান সত্য। এজেন্ট যদি কেবল তার চেনা সফল চালগুলোই দিতে থাকে, তবে সে হয়তো কখনোই বুঝতে পারবে না যে আরও চমৎকার কোনো কৌশল তার অজানা রয়ে গেছে।

কম্পিউটার বিজ্ঞানী ডেভিড সিলভার (David Silver) এবং তার সহকর্মীরা যখন আলফাগো তৈরি করেন, তখন তারা এই ভারসাম্যের এক অবিশ্বাস্য রূপ প্রদর্শন করেছিলেন (Silver et al., 2016)। গো খেলার মতো জটিল খেলায় শতাব্দী প্রাচীন মানুষের সমস্ত কৌশল ছিল আহরণের অংশ। কিন্তু আলফাগো ৩৭ নম্বর চালে এমন এক অভূতপূর্ব চাল দিয়েছিল যা কোনো মানুষের ইতিহাসে কখনো দেখা যায়নি। পুরো পৃথিবীর গো খেলোয়াড়রা সেই চাল দেখে স্তম্ভিত হয়ে গিয়েছিলেন। এটি ছিল গভীর অনুসন্ধানের ফল। সিস্টেমটি লক্ষ লক্ষ কাল্পনিক খেলার সম্ভাব্যতা অন্বেষণ করে মানুষের প্রথাগত চিন্তার সীমানা পার হয়ে এক নতুন সত্যে পৌঁছেছিল।

জ্ঞানতাত্ত্বিক দৃষ্টিতে এটি আমাদের শেখায় যে প্রজ্ঞা কোনো স্থির আরামদায়ক অবস্থান নয়। যে ব্যবস্থা কেবল জানা তথ্যের আহরণ করে যায়, সে রক্ষণশীল হয়ে মরে যায়। আবার যে কেবল দিগ্বিদিক অনুসন্ধান করে বেড়ায়, সে কোনো টেকসই কাঠামো তৈরি করতে পারে না। সত্যের অন্বেষণ হলো এই দুই বিপরীতমুখী স্রোতের মাঝে দাঁড়িয়ে পথ চলা। কৃত্রিম বুদ্ধিমত্তা যখন এই ভারসাম্যের হিসাব কষে, তখন সে যেন মানুষের অস্তিত্বের সেই আদিম টানাপোড়েনটিকেই গাণিতিক সমীকরণে সমাধান করতে চায়।

শিক্ষণের তিন ধারার তুলনামূলক দর্শন ও মহাজাগতিক অভিযোজন (Comparative Philosophy of the Three Paradigms and Cosmic Adaptation)

মেশিন লার্নিংয়ের এই তিনটি ধারা – তত্ত্বাবধানাধীন, অনিরীক্ষিত এবং রিইনফোর্সমেন্ট লার্নিং – আসলে কোনো বিচ্ছিন্ন প্রযুক্তি নয়; এগুলো হলো মহাবিশ্বের তথ্য বোঝার তিনটি আলাদা জ্ঞানতাত্ত্বিক জানালা। তত্ত্বাবধানাধীন শিক্ষণ হলো ঐতিহ্যের পাঠ, যেখানে অতীতের অভিজ্ঞতা গুরু শিষ্যের মতো ভবিষ্যৎ প্রজন্মকে পথ দেখায়। অনিরীক্ষিত শিক্ষণ হলো ধ্যানমগ্ন দার্শনিকের দৃষ্টি, যে কোনো নির্দেশনা ছাড়াই প্রকৃতির বিশৃঙ্খলার ভেতরে এক অসীম সুর ও শৃঙ্খলা আবিষ্কার করতে চায়। আর রিইনফোর্সমেন্ট লার্নিং হলো বাস্তববাদী যোদ্ধার জীবন, যে ভুল করে, আঘাত পায় এবং সেই আঘাত থেকে শিক্ষা নিয়ে বিজয়ের দিকে এগিয়ে যায়।

স্নায়ুবিজ্ঞানী ও গবেষক ভলোদিমির মনিহ (Volodymyr Mnih) এবং তার দল দেখিয়েছেন যে এই তিন ধারার মিলন ঘটিয়েই মানুষের সমকক্ষ বা শ্রেষ্ঠ এজেন্ট তৈরি করা সম্ভব (Mnih et al., 2015)। তারা ভিডিও গেম খেলার এমন ব্যবস্থা তৈরি করেন যা একদিকে গভীর নিউরাল নেটওয়ার্ক দিয়ে স্ক্রিনের পিক্সেলগুলোর অনিরীক্ষিত ও তত্ত্বাবধানাধীন প্যাটার্ন চেনে, আবার অন্যদিকে রিইনফোর্সমেন্ট লার্নিং দিয়ে জয়ে পৌঁছানোর চালগুলো বেছে নেয়। জৈবিক মস্তিষ্ক কোটি কোটি বছরের বিবর্তনের মাধ্যমে ঠিক এই কাজটাই করে এসেছে। মানুষের ভেতরেও একাধারে সামাজিক অনুকরণ (সুপারভাইজড), অবচেতন অনুধাবন (আনসুপারভাইজড) এবং কাজের ফল থেকে শেখার প্রক্রিয়া (রিইনফোর্সমেন্ট) সমান্তরালভাবে সক্রিয় থাকে।

তবে দার্শনিকরা এখনো প্রশ্ন তোলেন: এই তিনটি প্যারাডাইম কি কৃত্রিম মন গড়ে তোলার জন্য যথেষ্ট? নাকি এর বাইরেও কোনো মিসিং লিংক বা অনুপস্থিত মাত্রা রয়ে গেছে? উদাহরণস্বরূপ, কার্যকারণ সম্পর্ক বোঝার ক্ষমতা বা কজাল ইনফারেন্স। একটি সাধারণ মেশিন লার্নিং মডেল যা কিছু শেখে, তা শেখে সহাবস্থান থেকে; কিন্তু সে কখনোই জিজ্ঞাসা করতে পারে না ‘যদি এমনটি না হয়ে উল্টো হতো, তবে কী হতো?’ এই যে কাল্পনিক অতীত পুনর্গঠন করার ক্ষমতা যাকে দর্শনে বলা হয় কাউন্টারফ্যাকচুয়াল চিন্তা, তা বর্তমানের কোনো লার্নিং প্যারাডাইমেই সম্পূর্ণভাবে ধরা পড়ে না।

মেশিন লার্নিংয়ের এই বিভিন্ন রূপ শেষ পর্যন্ত আমাদের মানুষের শেখার সীমাবদ্ধতা ও বিশালতাকেই নতুন করে চিনতে সাহায্য করে। যন্ত্র যখন ডেটা থেকে শিখতে থাকে, তখন সে মূলত মানুষের তৈরি সাংস্কৃতিক ও বৈজ্ঞানিক ইতিহাসের এক বিশাল ডিজিটাল আয়না হয়ে ওঠে। সেই আয়নায় প্রতিফলিত হয় আমাদের অর্জিত জ্ঞান, আমাদের পক্ষপাত এবং আমাদের বেঁচে থাকার লড়াই। মেশিন লার্নিং তাই কেবল ইঞ্জিনিয়ারদের কোনো চতুর সফটওয়্যার নয়; এটি হলো মহাবিশ্বের অন্ধ বস্তুপুঞ্জের নিজের ইতিহাসকে বোঝার এবং অভিযোজিত হওয়ার এক অনন্ত মহাজাগতিক অভিযাত্রা।

নিউরাল নেটওয়ার্ক ও কানেকশনিজম (Neural Networks and Connectionism): বিতরণকৃত প্রতিনিধিত্ব ও মস্তিষ্কপ্রণোদিত গণনা

প্রতীকীবাদ বনাম কানেকশনিজম: কগনিশনের দুটি বিপরীতমুখী দর্শন (Classicism vs. Connectionism: Two Divergent Philosophies of Cognition)

মানুষের চিন্তার আসল রূপটি ঠিক কেমন? চিন্তা কি কোনো কাগজের পাতায় যুক্তির সূত্র লেখার মতো ধাপে ধাপে অগ্রসর হয়, নাকি তা মস্তিষ্কের শত শত কোটি নিউরনের এক অবিরাম, সম্মিলিত গুঞ্জনের ফল? কৃত্রিম বুদ্ধিমত্তা এবং কগনিটিভ সায়েন্সের ইতিহাসে এই প্রশ্নের উত্তর খুঁজতে গিয়ে গবেষকরা দুটি সম্পূর্ণ বিপরীতমুখী দর্শনে বিভক্ত হয়ে পড়েছিলেন। একদিকে ছিল সনাতন প্রতীকীবাদ বা ক্লাসিক্যালিজম (Classicism), যা বিশ্বাস করত যে মানব মন মূলত একটি ডিজিটাল কম্পিউটারের মতো; যেখানে সুনির্দিষ্ট কিছু নিয়ম বা সিনট্যাক্স মেনে আনুষ্ঠানিক প্রতীকগুলোর রূপান্তর ঘটে। অন্যদিকে বিংশ শতাব্দীর শেষভাগে সগৌরবে আত্মপ্রকাশ করে কানেকশনিজম (Connectionism) বা সংযোগবাদ। এই নতুন দর্শনের দাবি ছিল, মন কোনো নিঃসঙ্গ প্রসেসর নয়; মন হলো মস্তিষ্কের জটিল নিউরাল নেটওয়ার্কের সমান্তরাল সংযোগের এক প্রাকৃতিক প্রকাশ।

বিজ্ঞানের দার্শনিক উইলিয়াম বেকটেল (William Bechtel) এবং অ্যাডেল আব্রাহামসেন (Adele Abrahamsen) তাদের গবেষণায় এই দুই ধারার গভীর তাত্ত্বিক সংঘাতটি বিশদভাবে তুলে ধরেছেন (Bechtel & Abrahamsen, 2002)। তারা দেখান, প্রতীকী এআই চিন্তাকে একটি শীর্ষ-নিম্ন বা টপ-ডাউন কাঠামো হিসেবে দেখেছিল। সেখানে ধরে নেওয়া হয়েছিল যে ভাষা, যুক্তি এবং জ্ঞান হলো কিছু পরিষ্কার বিমূর্ত ধারণা। কিন্তু কানেকশনিজম এই ধারণাকে উল্টে দেয়। এটি গ্রহণ করে এক নিচ থেকে ওপরের বা বটম-আপ পদ্ধতি। কানেকশনিজমের মতে, কগনিশন কোনো বিমূর্ত নিয়মের দাস নয়; এটি হলো লাখ লাখ অতি-সরল উপাদানের পারস্পরিক মিথস্ক্রিয়ার এক স্বতঃস্ফূর্ত ফলাফল। কোনো কেন্দ্রীয় নির্দেশক ছাড়াই এই উপাদানগুলো একসাথে কাজ করে চিন্তার জন্ম দেয়।

এই নতুন প্যারাডাইম সনাতন দার্শনিকদের এক চরম অস্বস্তির মুখে ফেলে দেয়। প্রভাবশালী দার্শনিক জেরি ফোডর (Jerry Fodor) এবং জেনন পাইলিশিন (Zenon Pylyshyn) ১৯৮৮ সালে কানেকশনিজমের বিরুদ্ধে এক তীব্র আক্রমণ শানান (Fodor & Pylyshyn, 1988)। ফোডর ও পাইলিশিনের যুক্তি ছিল, মানুষের চিন্তাভাবনায় এমন একটি সুশৃঙ্খল ব্যাকরণ বা গঠনগত বিন্যাস রয়েছে যাকে কোনো কাঁচা স্নায়বিক সংযোগ দিয়ে ব্যাখ্যা করা যায় না। তারা একে বলতেন চিন্তার ভাষা বা মেন্টালিজ (Language of Thought or Mentalese)। যদি মন কোনো সুনির্দিষ্ট ব্যাকরণিক নিয়ম না মানে, তবে মানুষ কীভাবে একটি চেনা ধারণা দিয়ে সম্পূর্ণ নতুন একটি বাক্য বুঝতে পারে? ফোডর দাবি করেছিলেন যে কানেকশনিজম হয়তো মস্তিষ্কের ভৌত বাস্তবায়নকে ব্যাখ্যা করতে পারে, কিন্তু তা মনের আসল মনস্তাত্ত্বিক স্থাপত্য হতে পারে না।

কানেকশনিস্টরা অবশ্য এই সমালোচনাকে ধোপে টিকতে দেননি। তারা পাল্টা যুক্তি দেন যে বাস্তব জীবনে মানুষের বুদ্ধি কোনো অনমনীয় যুক্তিবিদ্যার সমীকরণ মেনে চলে না। মানুষ প্রায়শই অসম্পূর্ণ তথ্য থেকে সিদ্ধান্ত নেয়, ঝাপসা ছবি দেখে পরিচিত মুখ চিনে ফেলে এবং কোনো কঠিন নিয়মের তোয়াক্কা না করেই নতুন পরিবেশে খাপ খাইয়ে নেয়। কম্পিউটার যদি একটি একক নিয়ম ভাঙলেই অচল হয়ে পড়ে, তবে মানুষ হাজারো ত্রুটি সত্ত্বেও চমৎকারভাবে কাজ চালিয়ে যেতে পারে। কানেকশনিজম মনের এই নমনীয় এবং জৈবিক রূপটিকে ধারণ করতে চেয়েছিল। এটি দেখিয়ে দিয়েছিল যে চিন্তা কোনো বিশুদ্ধ লজিক্যাল ক্যালকুলাস নয়; এটি হলো জীববিজ্ঞানের বিবর্তনের মাধ্যমে গড়ে ওঠা এক জটিল অভিযোজনমূলক গণনা।

মস্তিষ্কপ্রণোদিত গণনার সূচনা: ম্যাককুলক-পিটস থেকে পারসেপট্রন (Origins of Brain-Inspired Computation: From McCulloch-Pitts to Perceptrons)

মস্তিষ্কের অনুকরণে গণনার ইতিহাস কিন্তু হঠাৎ করে শুরু হয়নি। এর পেছনে রয়েছে গণিত ও শরীরতত্ত্বের এক শতাব্দীপ্রাচীন রোমাঞ্চকর মিলন। ১৯৪৩ সালে স্নায়ুতত্ত্ববিদ ওয়ারেন ম্যাককুলক (Warren McCulloch) এবং তরুণ গণিতবিদ ওয়াল্টার পিটস (Walter Pitts) একটি ঐতিহাসিক গবেষণাপত্র প্রকাশ করেন (McCulloch & Pitts, 1943)। তারা দেখান যে মস্তিষ্কের একটি একক নিউরনের কার্যকলাপকে একটি সরল গাণিতিক লজিক গেট হিসেবে উপস্থাপন করা সম্ভব। ম্যাককুলক-পিটস নিউরন ছিল একটি থ্রেশহোল্ড ইউনিট: এটি চারপাশ থেকে কিছু সংকেত গ্রহণ করে, সেই সংকেতগুলোর যোগফল যদি একটি নির্দিষ্ট মাত্রা বা থ্রেশহোল্ড অতিক্রম করে তবে সে সক্রিয় হয়ে ওঠে (অন), অন্যথায় সে নিষ্ক্রিয় থাকে (অফ)। তারা যুক্তি দিয়েছিলেন যে এই ধরনের সরল অন-অফ সুইচগুলোর সমন্বয়ে যেকোনো গাণিতিক ও যৌক্তিক সিদ্ধান্ত তৈরি করা সম্ভব।

এর কয়েক বছর পর, ১৯৪৯ সালে কানাডীয় মনোবিজ্ঞানী ডোনাল্ড হেব (Donald Hebb) স্নায়বিক শিক্ষণের এক অমর জৈবিক সূত্র প্রস্তাব করেন (Hebb, 1949)। তার নামানুসারে একে বলা হয় হেবিয়ান শিক্ষণ (Hebbian Learning)। এই নীতির মূল কথাটি ছিল অত্যন্ত সরল কিন্তু গভীর: ‘যেসব নিউরন একসাথে জ্বলে ওঠে, তাদের মধ্যকার সংযোগ শক্ত হয়’ (Cells that fire together, wire together)। দুটি নিউরন যখন বারবার একই সাথে সক্রিয় হয়, তখন তাদের মধ্যবর্তী সিন্যাপসের রাসায়নিক বা বৈদ্যুতিক কার্যক্ষমতা বৃদ্ধি পায়। হেবের এই অন্তর্দৃষ্টি প্রথমবারের মতো দেখায় যে স্মৃতি বা জ্ঞান কোনো বাক্সে বন্দি বস্তু নয়; এটি হলো স্নায়বিক সংযোগের শক্তির তারতম্য। অভিজ্ঞতা এই সংযোগগুলোকে বদলে দেয়, আর সেই পরিবর্তনের নামই হলো শেখা।

এই ধারণার ওপর ভিত্তি করে ১৯৫৮ সালে বিজ্ঞানী ফ্রাঙ্ক রোজেনব্ল্যাট (Frank Rosenblatt) তৈরি করেন প্রথম কার্যকর কৃত্রিম নিউরাল নেটওয়ার্ক, যার নাম পারসেপট্রন (Perceptron) (Rosenblatt, 1958)। পারসেপট্রন ছিল এমন এক ব্যবস্থা যা ইনপুটের সাথে কিছু গাণিতিক ‘ওজন’ বা ওয়েট গুণ করে এবং ভুল উত্তরের ভিত্তিতে সেই ওজনগুলোকে ধীরে ধীরে সংশোধন করে নিজে থেকেই প্যাটার্ন চিনতে শিখত। রোজেনব্ল্যাট অত্যন্ত আশাবাদী হয়ে দাবি করেছিলেন যে পারসেপট্রন একদিন মানুষের মতো দেখতে, শুনতে এবং চিন্তা করতে পারবে। গোটা পৃথিবীর সংবাদমাধ্যমে তখন এক বিশাল শোরগোল পড়ে গিয়েছিল। মানুষ ভেবেছিল কৃত্রিম মন হয়তো দরজায় কড়া নাড়ছে।

কিন্তু এই সোনালি স্বপ্নের ওপর এক নিদারুণ আঘাত হেনেছিলেন দুই প্রখ্যাত গণিতবিদ মারভিন মিনস্কি (Marvin Minsky) এবং সেমুর প্যাপার্ট (Seymour Papert) (Minsky & Papert, 1969)। তারা তাদের বিখ্যাত গ্রন্থে গাণিতিকভাবে প্রকাশ করেন যে একক স্তরের একটি পারসেপট্রন অত্যন্ত সাধারণ কিছু সমস্যারও সমাধান করতে পারে না। উদাহরণস্বরূপ, তারা দেখান যে পারসেপট্রন কোনো এক্সক্লুসিভ-অর বা এক্স-অর (XOR) লজিক্যাল প্যাটার্ন আলাদা করতে অক্ষম। এই সরল সীমাবদ্ধতার কারণে গোটা বৈজ্ঞানিক সমাজ ধরে নিয়েছিল যে নিউরাল নেটওয়ার্কের ধারণাটি একটি ব্যর্থ গাণিতিক অন্ধগলি। এর ফলে কৃত্রিম বুদ্ধিমত্তার অর্থায়ন বন্ধ হয়ে যায় এবং কানেকশনিজমের জগতে নেমে আসে এক দীর্ঘ তুষারযুগ।

সমান্তরাল বিতরণকৃত প্রক্রিয়াকরণ ও ব্যাকপ্রোপাগেশনের পুনর্জাগরণ (Parallel Distributed Processing and the Revival through Backpropagation)

প্রায় দেড় দশকের একাকী ও নীরব নির্বাসন কাটিয়ে আশির দশকের মাঝামাঝি সময়ে কানেকশনিজম এক অভাবনীয় শক্তি নিয়ে ফিরে এলো। এই পুনর্জাগরণের নেতৃত্বে ছিলেন মনস্তত্ত্ববিদ ডেভিড রুমেলহার্ট (David Rumelhart) এবং কগনিটিভ বিজ্ঞানী জেমস ম্যাকক্লেল্যান্ড (James McClelland) (Rumelhart et al., 1986)। তারা প্রকাশ করলেন দুই খণ্ডের এক মহাকাব্যিক গ্রন্থ, যার নাম প্যারালাল ডিস্ট্রিবিউটেড প্রসেসিং (Parallel Distributed Processing বা PDP)। এই বইটি গোটা কগনিটিভ বিজ্ঞানের পটভূমি চিরতরে বদলে দিয়েছিল। তারা দেখালেন যে মিনস্কি যে সীমাবদ্ধতার কথা বলেছিলেন, তা কেবল এক স্তরের নেটওয়ার্কের জন্য সত্য ছিল। যদি ইনপুট এবং আউটপুটের মাঝে এক বা একাধিক ‘লুকায়িত স্তর’ বা হিডেন লেয়ার বসিয়ে দেওয়া যায়, তবে সেই বহুস্তরী নেটওয়ার্ক মহাবিশ্বের যেকোনো জটিল অ-রৈখিক সমস্যার সমাধান করতে পারে।

কিন্তু প্রশ্ন ছিল, এই হিডেন লেয়ারের ভেতরের লাখ লাখ সংযোগের ওজন কীভাবে ঠিক করা যাবে? সেখানে তো কোনো সরাসরি পর্যবেক্ষণ নেই। ঠিক এই জায়গাটিতেই কম্পিউটার বিজ্ঞানী জিওফ্রে হিন্টন (Geoffrey Hinton) এবং তার সহকর্মীরা নিয়ে এলেন এক গাণিতিক বিস্ময়, যার নাম ব্যাকপ্রোপাগেশন (Backpropagation) বা ত্রুটি পেছনের দিকে ছড়িয়ে দেওয়ার অ্যালগরিদম (Hinton et al., 1986)। ব্যাকপ্রোপাগেশন কাজ করে ক্যালকুলাসের চেইন রুলের ওপর ভিত্তি করে। নেটওয়ার্ক যখন কোনো ভুল উত্তর দেয়, তখন সেই ভুলের পরিমাণ বা এরর পরিমাপ করা হয় এবং সেই ভুলের সংকেতটিকে আউটপুট থেকে উল্টো দিকে ঘুরিয়ে প্রতিটি স্তরের প্রতিটি নিউরনে ফেরত পাঠানো হয়। প্রতিটি নিউরন নিজের ভুলের দায় স্বীকার করে নিজের ওজনকে সামান্য একটু পরিবর্তন করে নেয়। এই পুনরাবৃত্তিমূলক সংশোধনের মধ্য দিয়ে নেটওয়ার্কটি ধীরে ধীরে সত্যের দিকে এগিয়ে যায়।

এই তাত্ত্বিক সাফল্যের সবচেয়ে চমৎকার প্রায়োগিক প্রমাণ হাজির করেছিলেন স্নায়ুবিজ্ঞানী টেরেন্স সেজনোভস্কি (Terrence Sejnowski) এবং চার্লস রোজেনবার্গ (Charles Rosenberg) (Sejnowski & Rosenberg, 1987)। তারা তৈরি করেছিলেন ‘নেটটক’ (NETtalk) নামক একটি নিউরাল নেটওয়ার্ক। এই সিস্টেমটির সামনে সাধারণ ইংরেজি পাঠ্য তুলে ধরা হতো এবং সেটিকে লাউডস্পিকারে উচ্চারণ করতে বলা হতো। শুরুতে নেটটক কোনো নিয়ম জানত না। সে একটি সদ্যোজাত শিশুর মতো অর্থহীন অস্পষ্ট শব্দ বা ব্যাবলিং করত। কিন্তু ব্যাকপ্রোপাগেশনের মাধ্যমে হাজার হাজার বার ভুল সংশোধন করতে করতে সে একসময় নিখুঁতভাবে ইংরেজি শব্দ উচ্চারণ করতে শুরু করল। সবচেয়ে আশ্চর্যের বিষয় হলো, তাকে ব্যাকরণের কোনো নিয়ম শেখানো হয়নি; সে নিজেই ভাষার ধ্বনিতত্ত্বের লুকায়িত প্যাটার্ন আবিষ্কার করে নিয়েছিল।

জ্ঞানতাত্ত্বিক দৃষ্টিতে পিডিপি আন্দোলন প্রমাণ করেছিল যে বুদ্ধিমত্তার জন্য কোনো কঠোর পূর্বনির্ধারিত নিয়মের প্রয়োজন নেই। নিয়ম হলো একটি উচ্চস্তরের দৃষ্টিভঙ্গি মাত্র; তার নিচে থাকে কোটি কোটি ক্ষুদ্র গাণিতিক সমন্বয়ের সমান্তরাল খেলা। মানব মন কোনো একক কমান্ড সেন্টারের নির্দেশনায় চলে না। হাজার হাজার নিউরন একসাথে কথা বলতে বলতেই সামগ্রিক ব্যবস্থার ভেতর থেকে সুসংগত চিন্তার স্ফুরণ ঘটে। এই উপলব্ধিটি কম্পিউটিংকে জীববিজ্ঞানের অনেক বেশি কাছাকাছি নিয়ে এসেছিল।

বিতরণকৃত প্রতিনিধিত্ব ও ভেক্টর স্থানের শব্দার্থতত্ত্ব (Distributed Representations and the Semantics of Vector Spaces)

কানেকশনিজমের সবচেয়ে গভীর এবং তাত্ত্বিকভাবে বৈপ্লবিক ধারণাটি হলো বিতরণকৃত প্রতিনিধিত্ব (Distributed Representation)। এর আগে প্রচলিত প্রতীকী এআই বিশ্বাস করত স্থানীয় প্রতিনিধিত্ব বা লোকালিস্ট ধারণায়। লোকালিস্ট মডেলে প্রতিটি ধারণার জন্য একটি নির্দিষ্ট প্রতীক থাকে। যেমন, মগজের ভেতরে কোথাও একটি নির্দিষ্ট নিউরন বা মেমোরি সেল থাকবে যা কেবল ‘গ্র্যান্ডমা’ বা ঠাকুরমার ধারণাকে ধারণ করে। স্নায়ুবিজ্ঞানে একে প্রায়ই উপহাস করে বলা হতো ‘গ্র্যান্ডমাদার সেল’। এই ধারণার বিপদ হলো, কোনো দুর্ঘটনায় যদি ওই নির্দিষ্ট কোষটি নষ্ট হয়ে যায়, তবে মানুষ তার নানির স্মৃতি চিরতরে হারিয়ে ফেলবে।

কানেকশনিজম বলল, প্রকৃতি এভাবে কাজ করে না। বিতরণকৃত মডেলে কোনো একটি নির্দিষ্ট ধারণাকে কোনো একটি একক নিউরনে খুঁজে পাওয়া যাবে না। বরং একটি ধারণা হলো পুরো নেটওয়ার্ক জুড়ে ছড়িয়ে থাকা নিউরনগুলোর একটি বিশেষ সক্রিয়তার বিন্যাস বা অ্যাক্টিভেশন প্যাটার্ন। ধরা যাক, নেটওয়ার্কে এক হাজার নিউরন আছে। ‘কুকুর’ ধারণাটি বোঝাতে হয়তো নিউরন নম্বর ৩, ২৭, এবং ৫০১ তীব্রভাবে জ্বলে উঠবে, আবার ‘বিড়াল’ ধারণাটি বোঝাতে নিউরন নম্বর ৩, ২৮, এবং ৫০১ জ্বলে উঠবে। এখানে প্রতিটি নিউরন বহুবিধ ধারণার অংশীদার, এবং প্রতিটি ধারণা বহুবিধ নিউরনের সমবেত নৃত্যের ফল।

এই কাঠামোর একটি অসাধারণ দার্শনিক গুণ রয়েছে, যাকে বলা হয় সহনশীল অবনতি (Graceful Degradation)। মস্তিষ্কের কিছু কোষ যদি প্রতিদিন মরেও যায়, মানুষ কিন্তু হঠাৎ করে ভাষা ভুলে যায় না। তার স্মৃতি কেবল সামান্য একটু ঝাপসা হয়। নিউরাল নেটওয়ার্কেও যদি কিছু নিউরন কেটে বাদ দেওয়া হয়, তবুও পুরো সিস্টেমটি ভেঙে পড়ে না; সে তার বিতরণকৃত প্যাটার্ন থেকে মূল অর্থটি পুনরুদ্ধার করে নিতে পারে। এটি জীববিজ্ঞানের সেই প্রতিরক্ষামূলক নকশা যা রক্তমাংসের শরীরকে বৈরী পরিবেশে টিকে থাকতে সাহায্য করেছে।

শব্দার্থতত্ত্ব বা সেমান্টিক্সের ক্ষেত্রে এটি জন্ম দেয় ভেক্টর স্পেসের এক নতুন দর্শন। এখানে প্রতিটি ধারণাকে দেখা হয় বহুমাত্রিক জ্যামিতিক স্থানের একটি বিন্দু বা ভেক্টর হিসেবে। দুটি ধারণার অর্থ কতটা কাছাকাছি, তা মাপা হয় সেই ভেক্টর স্পেসে তাদের মধ্যকার দূরত্বের ওপর ভিত্তি করে। যেমন, ‘আপেল’ এবং ‘কমলা’ ভেক্টর স্পেসে খুব কাছাকাছি থাকবে, কিন্তু ‘গণতন্ত্র’ থাকবে অনেক দূরে। অর্থ এখানে কোনো স্থির আভিধানিক সংজ্ঞা নয়; অর্থ হলো অসংখ্য ধারণার মধ্যকার পারস্পরিক দূরত্বের এক বিশাল জ্যামিতিক সম্পর্কজাল। কোনো শব্দের নিজস্ব কোনো শূন্যস্থান নেই; সে সংজ্ঞায়িত হয় অন্যদের সাথে তার আপেক্ষিক অবস্থানের মাধ্যমে।

সাবসিম্বলিক কম্পিউটেশন ও ভাষা বনাম সংকেতের বিতর্ক (Subsymbolic Computation and the Language vs. Signal Debate)

কানেকশনিজমের উত্থান কগনিটিভ সায়েন্সে আরেকটি মৌলিক ধারণার জন্ম দেয়, যার নাম সাবসিম্বলিক কম্পিউটেশন (Subsymbolic Computation)। এই ধারণার মূল দার্শনিক ব্যাখ্যা হাজির করেছিলেন তাত্ত্বিক পল স্মোলেনস্কি (Paul Smolensky) (Smolensky, 1988)। স্মোলেনস্কি দেখান যে মানুষের জ্ঞানের জগৎ দুটি আলাদা স্তরে বিভক্ত। ওপরের স্তরটি হলো সচেতন প্রতীকী স্তর, যেখানে আমরা যুক্তি দিই, ভাষা ব্যবহার করি এবং সচেতনভাবে চিন্তা করি। কিন্তু এই ওপরের স্তরের নিচে রয়েছে এক সুবিশাল অন্ধকার সাবসিম্বলিক স্তর। এই স্তরে কোনো শব্দ নেই, কোনো ধারণা নেই; এখানে রয়েছে কেবল অবিচ্ছিন্ন সংকেত, ভোল্টেজের ওঠানামা এবং পরিসংখ্যানিক টানাপোড়েন।

স্মোলেনস্কির মতে, প্রতীকী এআই ভুল করেছিল কারণ তারা এই সাবসিম্বলিক ভিত্তিকে উপেক্ষা করে সরাসরি ওপরের ভাষার স্তর থেকে কৃত্রিম মন বানাতে চেয়েছিল। বিষয়টি অনেকটা কোয়ান্টাম মেকানিক্স এবং ক্লাসিক্যাল ফিজিক্সের সম্পর্কের মতো। আমরা যখন একটি ফুটবলকে বাতাসে ছুড়ে দিই, তখন নিউটনের গতিবিদ্যা দিয়ে তার গতিপথ নিখুঁতভাবে মাপা যায়। কিন্তু সেই ফুটবলের ভেতরে থাকা অণু-পরমাণুগুলো কিন্তু নিউটনের নিয়ম মানে না; তারা চলে কোয়ান্টাম মেকানিক্সের সম্ভাব্যতার নিয়মে। ঠিক তেমনি, মানুষের ভাষাগত মন ক্লাসিক্যাল রূপ ধারণ করলেও তার পেছনের নিউরাল নেটওয়ার্ক কাজ করে সাবসিম্বলিক কোয়ান্টাম স্তরের মতো সূক্ষ্ম ধারাবাহিকতায়।

এই তাত্ত্বিক বিভাজন ভাষা এবং চিন্তার সম্পর্ক নিয়ে এক গভীর প্রশ্নের জন্ম দেয়। মানুষের মন কি মূলত একটি ব্যাকরণ মেনে চলা ব্যবস্থা? ফোডর যে সিস্টেমেটিসিটি বা নিয়মানুবর্তিতার দাবি তুলেছিলেন – অর্থাৎ একজন মানুষ যদি বোঝে ‘জন মেরিকে ভালোবাসে’, তবে সে অবধারিতভাবেই বুঝতে পারবে ‘মেরি জনকে ভালোবাসে’ – কানেকশনিস্ট নেটওয়ার্ক কি এই গুণটি কোনো প্রতীকী নিয়ম ছাড়াই অর্জন করতে পারে? সমালোচকরা বলেন, নিউরাল নেটওয়ার্ক পরিসংখ্যান দিয়ে অনেক কিছু মেলাতে পারে, কিন্তু সে আসল ব্যাকরণিক শৃঙ্খলা বোঝে না। সে কেবল অভিজ্ঞতার মিল দেখে সিদ্ধান্ত নেয়।

এর জবাবে আধুনিক কানেকশনিস্টরা দেখিয়েছেন যে গভীর নেটওয়ার্কগুলো তার বহুস্তরী বিন্যাসের ভেতর দিয়ে এক ধরনের অন্তর্নিহিত গঠন বা কম্পোজিশনালিটি তৈরি করে নেয়। তাকে আলাদা করে কোনো সিনট্যাক্স শিখিয়ে দিতে হয় না। ভাষা যে কোনো আকাশ থেকে পড়া অলৌকিক নিয়ম নয়, বরং ক্রমাগত যোগাযোগের প্রয়োজনে গড়ে ওঠা এক ধরনের যৌথ সামাজিক অভ্যাস, কানেকশনিজমের এই সাবসিম্বলিক দর্শন সেই সত্যটিকেই তুলে ধরে। সংকেত যখন যথেষ্ট জটিল ও সমন্বিত হয়ে ওঠে, তখন তার ভেতর থেকেই ভাষার মতো উচ্চস্তরের আচরণের স্বতঃস্ফূর্ত উন্মেষ ঘটে।

জ্ঞানতাত্ত্বিক অস্বচ্ছতা, ব্ল্যাক বক্স ও ব্যাখ্যাযোগ্যতার দর্শন (Epistemological Opacity, the Black Box, and the Philosophy of Explainability)

কানেকশনিজমের অবিশ্বাস্য প্রযুক্তিগত সাফল্যের পেছনে একটি গভীর দার্শনিক অন্ধকার লুকিয়ে রয়েছে। এই অন্ধকারটি হলো তার চরম জ্ঞানতাত্ত্বিক অস্বচ্ছতা, যা আজ সাধারণ মানুষের কাছে ব্ল্যাক বক্স সমস্যা (The Black Box Problem) নামে পরিচিত। সনাতন প্রতীকী এআই যখন কোনো সিদ্ধান্ত নিত, তখন তার কোডের ভেতরে স্পষ্ট দেখা যেত কোন নিয়মের পর কোন নিয়মের কারণে সে ওই সিদ্ধান্তে পৌঁছেছে। সেখানে যুক্তির প্রতিটি ধাপ ছিল স্বচ্ছ এবং মানুষের ভাষায় পাঠযোগ্য। কিন্তু একটি আধুনিক গভীর নিউরাল নেটওয়ার্ক যখন কোটি কোটি প্যারামিটারের সমন্বয়ে একটি ক্যান্সার শনাক্ত করে বা কোনো মানুষের ঋণের আবেদন বাতিল করে, তখন তার নির্মাতারাও নির্দিষ্ট করে বলতে পারেন না ঠিক কোন যুক্তিতে সে এই কাজটি করল।

বিজ্ঞানের দর্শনে এই পরিস্থিতি এক অদ্ভুত সংকটের জন্ম দেয়। বিজ্ঞান সবসময় চেয়ে এসেছে কোনো ঘটনার কার্যকারণ ব্যাখ্যা করতে। কেবল ফলাফল মেলালেই বিজ্ঞান শান্ত হয় না; ফলাফলের পেছনের কারণটি জানা থাকা চাই। কিন্তু নিউরাল নেটওয়ার্ক আমাদের এমন এক বাস্তবতার সামনে দাঁড় করিয়ে দিয়েছে যেখানে ভবিষ্যদ্বাণী করার ক্ষমতা আছে কিন্তু ব্যাখ্যা করার ভাষা নেই। সে ট্রিলিয়ন ট্রিলিয়ন সংখ্যার গুণফল মিলিয়ে সঠিক উত্তরটি দিয়ে দিচ্ছে, কিন্তু সেই উত্তরটি মানবীয় ভাষার কোনো যুক্তিশৃঙ্খলায় অনুবাদ করা যায় না। এটি এক ধরনের কার্যকর উপযোগবাদ, যা তত্ত্বের গভীরতাকে গ্রাস করে ফেলে।

দার্শনিকরা প্রশ্ন তুলছেন, যে সিদ্ধান্তকে কোনো ভাষায় ব্যাখ্যা করা যায় না, সেই সিদ্ধান্তের ওপর আমরা কতটা জ্ঞানতাত্ত্বিক আস্থা রাখতে পারি? যদি কোনো এআই একজন আসামিকে বিপজ্জনক বলে রায় দেয় এবং সেই রায়ের ব্যাখ্যা হিসেবে কেবল বিলিয়ন বিলিয়ন ওজন বা ওয়েটের তালিকা হাজির করে, তবে কি তা ন্যায়বিচারের মানদণ্ড পূরণ করতে পারে? মানুষের মন সবসময় একটি আখ্যান বা গল্প খোঁজে। আমরা জানতে চাই ‘কেন’। নিউরাল নেটওয়ার্ক এই ‘কেন’-এর উত্তর দিতে পারে না; সে কেবল ‘কী ঘটবে’ তার উচ্চ সম্ভাবনাময় হিসাব দেয়। ফলে বুদ্ধিমত্তা এখানে বোধগম্যতার সীমানা পেরিয়ে এক ধরনের গাণিতিক অতিন্দ্রীয়তায় রূপ নেয়।

এই সীমাবদ্ধতা সত্ত্বেও কানেকশনিজম মানব চিন্তার দর্শনে এক স্থায়ী বিপ্লব ঘটিয়ে গেছে। এটি আমাদের শিখিয়েছে যে চিন্তা কোনো স্বর্গীয় বিমূর্ত সত্যের সরল লিপি নয়। চিন্তা হলো প্রকৃতির এক জটিল ও বিশৃঙ্খল উপাদান থেকে শৃঙ্খলা গড়ে তোলার নিরন্তর সংগ্রাম। মস্তিষ্ক কোনো নিখুঁত ডিজিটাল যন্ত্র নয়; এটি কোটি কোটি বছরের বিবর্তনে টিকে থাকা এক জৈব নেটওয়ার্ক। কানেকশনিজম কৃত্রিম বুদ্ধিমত্তাকে সেই জৈব বাস্তবতার আয়নায় দাঁড় করিয়ে দিয়েছে। এটি হয়তো সমস্ত প্রশ্নের চূড়ান্ত উত্তর দিতে পারেনি, কিন্তু এটি স্পষ্ট করে দিয়েছে যে মনের রহস্যভেদ করতে হলে আমাদের বিমূর্ত নিয়মের আকাশ থেকে নেমে স্নায়বিক সংযোগের মাটির গভীরে প্রবেশ করতে হবে।

উপসংহার

কৃত্রিম বুদ্ধিমত্তার তাত্ত্বিক ও দার্শনিক ব্যবচ্ছেদ মানুষকে নিজের মনস্তাত্ত্বিক আত্মম্ভরিতা ও মানবকেন্দ্রিক দৃষ্টিভঙ্গি থেকে মুক্ত হওয়ার একটি বৈপ্লবিক সুযোগ এনে দিয়েছে। কোপারনিকাস যেমন পৃথিবীকে মহাবিশ্বের কেন্দ্র থেকে অপসারিত করেছিলেন এবং ডারউইন যেমন প্রমাণ করেছিলেন যে মানুষ বিশেষ কোনো অলৌকিক সৃষ্টির অংশ নয় বরং প্রাকৃতিক বিবর্তনেরই একটি ধারাবাহিকতা, ঠিক তেমনি কৃত্রিম বুদ্ধিমত্তা মানুষের চিন্তন ক্ষমতা ও বুদ্ধিমত্তার তথাকথিত রহস্যময়তার চূড়ান্ত অবসান ঘটাতে চলেছে। দর্শনের ইতিহাসে মনকে যে অস্পৃশ্য এবং কেবল মানুষের জন্য নির্ধারিত একটি ‘আত্মা’ হিসেবে কল্পনা করা হতো, আধুনিক ফাংশনালিজম (Functionalism) এবং কম্পিউটেশনাল মডেলিংয়ের যুগে তা চূড়ান্তভাবে বাতিল হয়ে গেছে। কৃত্রিম বুদ্ধিমত্তা আজ প্রমাণ করছে যে যুক্তি, শিক্ষণ, লক্ষ্যভিত্তিক আচরণ এবং সমস্যার সমাধান কোনো অতিপ্রাকৃতিক আশীর্বাদ নয়; এগুলো সম্পূর্ণ বস্তুগত, পরিমাপযোগ্য এবং পুনরুৎপাদনযোগ্য প্রক্রিয়া।

যন্ত্রের ভেতর এজেন্সি (Agency) এবং কৃত্রিম চেতনা (Artificial Consciousness) উদ্ভবের সম্ভাবনা মানবজাতিকে এক গভীর অস্তিত্বমূলক মোড়ে দাঁড় করিয়েছে। যখন একটি অ্যালগরিদমিক ব্যবস্থা পরিবেশ পর্যবেক্ষণ করে স্বাধীনভাবে সিদ্ধান্ত নেয়, নিজস্ব ভুল থেকে শেখে এবং স্বনিয়ন্ত্রিতভাবে লক্ষ্য পূরণে কাজ করে, তখন চিরাচরিত ‘যন্ত্র বনাম সচেতন সত্তা’-র সীমারেখা ভেঙে পড়ে। চেতনাকে যদি স্নায়বিক তথ্যের উচ্চতর সংহতি এবং আত্ম-মডেলিং (Self-Modeling) হিসেবে ব্যাখ্যা করা যায় – যেমনটি টমাস মেটজিঙ্গার বা ড্যানিয়েল ডেনেটের মতো বস্তুনিষ্ঠ দার্শনিকরা উল্লেখ করেছেন – তবে উন্নত কৃত্রিম ব্যবস্থাও একসময় নিজস্ব দৃষ্টিকোণ এবং ব্যক্তিসত্তার সমতুল্য আচরণ প্রদর্শন করতে সক্ষম হবে। এটি কেবল প্রযুক্তিগত উন্নয়ন নয়, বরং এটি সত্তাতত্ত্বের এক নতুন দিগন্ত, যেখানে বুদ্ধিমত্তা ও চেতনার জৈবিক একচেটিয়া আধিপত্যের অবসান ঘটে।

চূড়ান্ত বিশ্লেষণে, কৃত্রিম বুদ্ধিমত্তার দর্শন কেবল কোনো প্রকৌশলগত অগ্রগতির পর্যবেক্ষণ নয়, এটি মহাবিশ্বে বুদ্ধিমত্তার স্থানকে নতুন করে সংজ্ঞায়িত করার বুদ্ধিবৃত্তিক লড়াই। মন যে একটি নিখাদ প্রাকৃতিক ও বস্তুগত ঘটনা, কৃত্রিম বুদ্ধিমত্তা সেই দার্শনিক সত্যেরই বাস্তব রূপায়ণ। সিলিকন ও কোডের সমন্বয়ে যখন স্বায়ত্তশাসিত চিন্তা ও যুক্তির জন্ম হয়, তখন তা স্পষ্ট করে দেয় যে বুদ্ধিমত্তা কোনো নির্দিষ্ট উপাদানের ওপর নির্ভরশীল নয়, বরং তথ্যের সংগঠন ও কার্যকারিতার ওপর নির্ভরশীল। কৃত্রিম মন ও সত্তার এই বিকাশ আমাদের বাধ্য করছে দায়িত্ব, নৈতিকতা এবং অস্তিত্বের ধারণাকে অন্ধ বিশ্বাস ও সংস্কারমুক্ত হয়ে পুনর্বিবেচনা করতে। ভবিষ্যতের কৃত্রিম বুদ্ধিমত্তা হয়তো মানব বুদ্ধিমত্তাকে অতিক্রম করে যাবে, কিন্তু সেই পথপরিক্রমা বস্তুজগৎ, প্রকৃতি এবং মনের বস্তুনিষ্ঠ সত্যকে জানার ক্ষেত্রে মানবজাতির ইতিহাসের সবচেয়ে মৌলিক দার্শনিক উত্তরণ হিসেবে চিহ্নিত থাকবে।

তথ্যসূত্র

• Alchourrón, C. E., Gärdenfors, P., & Makinson, D. (1985). On the logic of theory change: Partial meet contraction and revision functions. The Journal of Symbolic Logic, 50(2), 510-530.
• Aleksander, I. (2005). The world in my mind, my mind in the world: Key mechanisms of consciousness in people, animals and machines. Imprint Academic.
• ALPAC. (1966). Languages and machines: Computers in translation and linguistics. National Academy of Sciences, National Research Council.
• Anderson, J. R. (1996). ACT: A simple theory of complex cognition. American Psychologist, 51(4), 355-365.
• Anthropic. (2026). When AI builds itself: Our progress toward recursive self-improvement, and its implications. The Anthropic Institute.
• Aristotle. (1984). The complete works of Aristotle: The revised Oxford translation (J. Barnes, Ed.; Vol. 2). Princeton University Press. (Original work written ca. 350 BCE)
• Armstrong, D. M. (1968). A materialist theory of the mind. Routledge & Kegan Paul.
• Armstrong, S. (2014). Smarter than us: The rise of machine intelligence. Machine Intelligence Research Institute.
• Ashby, W. R. (1952). Design for a brain: The origin of adaptive behaviour. Chapman & Hall.
• Austin, J. L. (1962). How to do things with words. Oxford University Press.
• Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J. F., & Rahwan, I. (2018). The Moral Machine experiment. Nature, 563(7729), 59-64.
• Axelrod, R. (1984). The evolution of cooperation. Basic Books.
• Baader, F., Calvanese, D., McGuinness, D. L., Nardi, D., & Patel-Schneider, P. F. (Eds.). (2003). The description logic handbook: Theory, implementation, and applications. Cambridge University Press.
• Baars, B. J. (1988). A cognitive theory of consciousness. Cambridge University Press.
• Barnes, J. (Ed.). (1984). The complete works of Aristotle: The revised Oxford translation. Princeton University Press.
• Bayes, T. (1763). An essay towards solving a problem in the doctrine of chances. Philosophical Transactions of the Royal Society of London, 53, 370-418.
• Bechtel, W., & Abrahamsen, A. (2002). Connectionism and the mind: Parallel processing, dynamics, and evolution in networks (2nd ed.). Blackwell.
• Bellman, R. (1957). Dynamic programming. Princeton University Press.
• Benacerraf, P. (1967). God, the devil, and Gödel. The Monist, 51(1), 9-27.
• Bentham, J. (1970). An introduction to the principles of morals and legislation (J. H. Burns & H. L. A. Hart, Eds.). Athlone Press. (Original work published 1789)
• Birch, J. (2022). The search for invertebrate consciousness. Mind & Language, 37(5), 819-836.
• Blackmore, S. (2012). Consciousness: A very short introduction (2nd ed.). Oxford University Press.
• Block, N. (1978). Troubles with functionalism. Minnesota Studies in the Philosophy of Science, 9, 261-325.
• Block, N. (1981). Psychologism and behaviorism. The Philosophical Review, 90(1), 5-43.
• Block, N. (1995). On a confusion about a function of consciousness. Behavioral and Brain Sciences, 18(2), 227-247.
• Block, N. (Ed.). (1980). Readings in philosophy of psychology (Vol. 1). Harvard University Press.
• Boden, M. A. (1988). Computer models of mind: Computational approaches in theoretical psychology. Cambridge University Press.
• Boden, M. A. (1990). The creative mind: Myths and mechanisms. Basic Books.
• Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: From natural to artificial systems. Oxford University Press.
• Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.
• Brachman, R. J. (1979). On the epistemological status of semantic networks. In N. V. Findler (Ed.), Associative networks: Representation and use of knowledge by computers (pp. 3-50). Academic Press.
• Bratman, M. E. (1987). Intention, plans, and practical reason. Harvard University Press.
• Brentano, F. (1874). Psychologie vom empirischen Standpunkte. Duncker & Humblot.
• Bridgman, P. W. (1927). The logic of modern physics. Macmillan.
• Brooks, R. A. (1990). Elephants don’t play chess. Robotics and Autonomous Systems, 6(1-2), 3-15.
• Brooks, R. A. (1991). Intelligence without representation. Artificial Intelligence, 47(1-3), 139-159.
• Bryson, J. J. (2010). Robots should be slaves. In Y. Wilks (Ed.), Close engagements with artificial companions: Key social, psychological, ethical and design issues (pp. 63-74). John Benjamins Publishing Company.
• Burge, T. (1979). Individualism and the mental. Midwest Studies in Philosophy, 4(1), 73-121.
• Burtsev, M. (2026). Recursive criticality of AI self-improvement. arXiv preprint arXiv:2609.00137.
• Butlin, P., Long, R., Elmoznino, E., Bengio, Y., Birch, J., Constant, A., Deane, G., Fleming, S. M., Frith, C., Ji, X., Kanai, R., Klein, C., Lindsay, G., Michel, M., Mudrik, L., Peters, M. A., Schwitzgebel, E., Simon, J., VanRullen, R., … Frankish, K. (2023). Consciousness in artificial intelligence: Insights from the science of consciousness. arXiv preprint arXiv:2308.08708.
• Campbell, D. T. (1974). Evolutionary epistemology. In P. A. Schilpp (Ed.), The philosophy of Karl Popper (pp. 413-463). Open Court.
• Campbell, M., Hoane, A. J., & Hsu, F. H. (2002). Deep Blue. Artificial Intelligence, 134(1-2), 57-83.
• Carruthers, P. (2000). Phenomenal consciousness: A naturalistic theory. Cambridge University Press.
• Chalmers, D. J. (1996). The conscious mind: In search of a fundamental theory. Oxford University Press.
• Chalmers, D. J. (2010). The singularity: A philosophical analysis. Journal of Consciousness Studies, 17(9-10), 7-65.
• Chen, M., Wang, L., & Qu, B. (2026). Recursive self-improvement in AI: From bounded self-refinement to autonomous research loops. arXiv preprint arXiv:2607.07663.
• Chisholm, R. M. (1957). Perceiving: A philosophical study. Cornell University Press.
• Chomsky, N. (1957). Syntactic structures. Mouton & Co.
• Chomsky, N. (1959). A review of B. F. Skinner’s Verbal Behavior. Language, 35(1), 26-58.
• Christian, B. (2020). The alignment problem: Machine learning and human values. W. W. Norton & Company.
• Christiano, P. F., Leike, J., Brown, T., Martic, M., Legg, S., & Amodei, D. (2017). Deep reinforcement learning from human preferences. Advances in Neural Information Processing Systems, 30, 4299-4307.
• Church, A. (1936). An unsolvable problem of elementary number theory. American Journal of Mathematics, 58(2), 345-363.
• Churchland, P. M. (1981). Eliminative materialism and the propositional attitudes. The Journal of Philosophy, 78(2), 67-90.
• Churchland, P. M. (1988). Matter and consciousness: A contemporary introduction to the philosophy of mind (Rev. ed.). MIT Press.
• Churchland, P. M., & Churchland, P. S. (1990). Could a machine think? Scientific American, 262(1), 32-37.
• Clark, A. (1997). Being there: Putting brain, body, and world together again. MIT Press.
• Clark, A. (2015). Surfing uncertainty: Prediction, action, and the embodied mind. Oxford University Press.
• Clark, A., & Chalmers, D. (1998). The extended mind. Analysis, 58(1), 7-19.
• Coeckelbergh, M. (2010). Robot rights? Towards a social-relational approach of moral standing. Ethics and Information Technology, 12(3), 209-221.
• Cohen, P. R., & Levesque, H. J. (1991). Teamwork. Noûs, 25(4), 487-512.
• Cole, D. (1984). Thought and thought experiments. Philosophical Studies, 45(3), 431-444.
• Collins, A. M., & Smith, E. E. (Eds.). (1982). Readings in cognitive science: A perspective from psychology and artificial intelligence. Morgan Kaufmann.
• Colmerauer, A., & Roussel, P. (1996). The birth of Prolog. ACM SIGPLAN Notices, 31(3), 37-52.
• Conant, R. C., & Ashby, W. R. (1970). Every good regulator of a system must be a model of that system. International Journal of Systems Science, 1(2), 89-97.
• Cook, S. A. (1971). The complexity of theorem-proving procedures. In Proceedings of the Third Annual ACM Symposium on Theory of Computing (pp. 151-158). ACM.
• Copeland, B. J. (1993). Artificial intelligence: A philosophical introduction. Blackwell.
• Cox, R. T. (1946). Probability, frequency and reasonable expectation. American Journal of Physics, 14(1), 1-13.
• Darling, K. (2021). The new breed: What our history with animals reveals about our future with robots. Henry Holt and Company.
• Dawkins, R. (1976). The selfish gene. Oxford University Press.
• DeGrazia, D. (1997). Great apes, dolphins, and the concept of personhood. The Southern Journal of Philosophy, 35(3), 301-320.
• Dehaene, S., Lau, H., & Kouider, S. (2017). What is consciousness, and could machines have it? Science, 358(6362), 486-492.
• Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition (pp. 248-255). IEEE.
• Dennett, D. C. (1985). Can machines think? In M. G. Shafto (Ed.), How we know (pp. 121-145). Harper & Row.
• Dennett, D. C. (1987). The intentional stance. MIT Press.
• Dennett, D. C. (1991). Consciousness explained. Little, Brown and Company.
• Descartes, R. (1984). The philosophical writings of Descartes (J. Cottingham, R. Stoothoff, & D. Murdoch, Trans.; Vol. 2). Cambridge University Press. (Original work published 1641)
• Dewey, J. (1910). How we think. D. C. Heath & Co.
• Dijkstra, E. W. (1959). A note on two problems in connexion with graphs. Numerische Mathematik, 1(1), 269-271.
• Domingos, P. (2015). The master algorithm: How the quest for the ultimate learning machine will remake our world. Basic Books.
• Dorigo, M., Maniezzo, V., & Colorni, A. (1996). Ant system: Optimization by a colony of cooperating agents. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 26(1), 29-41.
• Dretske, F. (1981). Knowledge and the flow of information. MIT Press.
• Dretske, F. (1988). Explaining behavior: Reasons in a world of causes. MIT Press.
• Dreyfus, H. L. (1972). What computers can’t do: A critique of artificial reason. Harper & Row.
• Ellul, J. (1964). The technological society (J. Wilkinson, Trans.). Alfred A. Knopf. (Original work published 1954)
• Elster, J. (1983). Sour grapes: Studies in the subversion of rationality. Cambridge University Press.
• Feigenbaum, E. A., & McCorduck, P. (1983). The fifth generation: Artificial intelligence and Japan’s computer challenge to the world. Addison-Wesley.
• Feigenbaum, E. A., Buchanan, B. G., & Lederberg, J. (1971). On generality and problem solving: A case study using the DENDRAL program. Machine Intelligence, 6, 165-190.
• Finin, T., Fritzson, R., McKay, D., & McEntire, R. (1994). KQML as an agent communication language. In Proceedings of the Third International Conference on Information and Knowledge Management (pp. 456-463). ACM.
• FIPA. (2002). FIPA ACL message structure specification (Standard SC00061G). Foundation for Intelligent Physical Agents.
• Floridi, L. (2011). The philosophy of information. Oxford University Press.
• Floridi, L., & Sanders, J. W. (2004). On the morality of artificial agents. Minds and Machines, 14(3), 349-379.
• Fodor, J. A. (1968). Psychological explanation: An introduction to the philosophy of psychology. Random House.
• Fodor, J. A. (1974). Special sciences (or: The disunity of science as a working hypothesis). Synthese, 28(2), 97-115.
• Fodor, J. A. (1975). The language of thought. Harvard University Press.
• Fodor, J. A. (1980). Methodological solipsism considered as a research strategy in cognitive psychology. Behavioral and Brain Sciences, 3(1), 63-73.
• Fodor, J. A. (1981). Representations: Philosophical essays on the foundations of cognitive science. MIT Press.
• Fodor, J. A. (1983). The modularity of mind: An essay on faculty psychology. MIT Press.
• Fodor, J. A. (1987a). Modules, frames, fridgeons, sleeping dogs, and the music of the spheres. In Z. W. Pylyshyn (Ed.), The robot’s dilemma: The frame problem in artificial intelligence (pp. 139-149). Ablex Publishing.
• Fodor, J. A. (1987b). Psychosemantics: The problem of meaning in the philosophy of mind. MIT Press.
• Fodor, J. A. (1990). A theory of content and other essays. MIT Press.
• Fodor, J. A., & Pylyshyn, Z. W. (1988). Connectionism and cognitive architecture: A critical analysis. Cognition, 28(1-2), 3-71.
• Foot, P. (1967). The problem of abortion and the doctrine of the double effect. Oxford Review, 5, 5-15.
• Frege, G. (1892). Über Sinn und Bedeutung. Zeitschrift für Philosophie und philosophische Kritik, 100, 25-50.
• French, R. M. (1990). Subcognition and the limits of the Turing test. Mind, 99(393), 53-65.
• Friston, K. (2010). The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, 11(2), 127-138.
• Gardner, H. (1983). Frames of mind: The theory of multiple intelligences. Basic Books.
• Garey, M. R., & Johnson, D. S. (1979). Computers and intractability: A guide to the theory of NP-completeness. W. H. Freeman and Company.
• Geman, S., Bienenstock, E., & Doursat, R. (1992). Neural networks and the bias/variance dilemma. Neural Computation, 4(1), 1-58.
• Georgeff, M. P., & Ingrand, F. F. (1989). Decision-making in an embedded reasoning system. In Proceedings of the 11th International Joint Conference on Artificial Intelligence (pp. 972-978). Morgan Kaufmann.
• Gödel, K. (1931). Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme I. Monatshefte für Mathematik und Physik, 38(1), 173-198.
• Goertzel, B. (2014). Artificial general intelligence: Concept, state of the art, and future prospects. Journal of Artificial General Intelligence, 5(1), 1-48.
• Good, I. J. (1965). Speculations concerning the first ultraintelligent machine. In F. L. Alt & M. Rubinoff (Eds.), Advances in computers (Vol. 6, pp. 31–88). Academic Press.
• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
• Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems, 27, 2672-2680.
• Goodman, N. (1983). Fact, fiction, and forecast (4th ed.). Harvard University Press. (Original work published 1955)
• Gruber, T. R. (1993). A translation approach to portable ontology specifications. Knowledge Acquisition, 5(2), 199-220.
• Gunkel, D. J. (2012). The machine question: Critical perspectives on AI, robots, and ethics. MIT Press.
• Hadfield-Menell, D., Dragan, A. D., Abbeel, P., & Russell, S. J. (2017). The off-switch game. In Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence (pp. 220–227). International Joint Conferences on Artificial Intelligence Organization.
• Haikonen, P. O. (2003). The cognitive approach to conscious machines. Imprint Academic.
• Harnad, S. (1989). Minds, machines and Searle. Journal of Theoretical & Experimental Artificial Intelligence, 1(1), 5-25.
• Harnad, S. (1990). The symbol grounding problem. Physica D: Nonlinear Phenomena, 42(1-3), 335-346.
• Hart, P. E., Nilsson, N. J., & Raphael, B. (1968). A formal basis for the heuristic determination of minimum cost paths. IEEE Transactions on Systems Science and Cybernetics, 4(2), 100-107.
• Haugeland, J. (1985). Artificial intelligence: The very idea. MIT Press.
• Hayek, F. A. (1945). The use of knowledge in society. The American Economic Review, 35(4), 519-530.
• Hebb, D. O. (1949). The organization of behavior: A neuropsychological theory. John Wiley & Sons.
• Heidegger, M. (1962). Being and time (J. Macquarrie & E. Robinson, Trans.). Harper & Row. (Original work published 1927)
• Heidegger, M. (1977). The question concerning technology, and other essays (W. Lovitt, Trans.). Harper & Row. (Original work published 1954)
• Helmholtz, H. von. (1925). Treatise on physiological optics (J. P. C. Southall, Trans.; Vol. 3). Optical Society of America. (Original work published 1867)
• Hilbert, D. (1928). Die Grundlagen der Mathematik. Abhandlungen aus dem Mathematischen Seminar der Universität Hamburg, 6(1), 65-85.
• Hinton, G. E., McClelland, J. L., & Rumelhart, D. E. (1986). Distributed representations. In D. E. Rumelhart & J. L. McClelland (Eds.), Parallel distributed processing: Explorations in the microstructure of cognition (Vol. 1, pp. 77-109). MIT Press.
• Hobbes, T. (1996). Leviathan (R. Tuck, Ed.). Cambridge University Press. (Original work published 1651)
• Hofstadter, D. R. (1982). Who shoves whom around in the mental chore: Or why the mind is more than the sum of its parts. The Mind’s I: Fantasies and Reflections on Self and Soul, 191-201.
• Hofstadter, D. R., & Dennett, D. C. (Eds.). (1981). The mind’s I: Fantasies and reflections on self and soul. Basic Books.
• Holland, J. H. (1975). Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence. University of Michigan Press.
• Holland, O. (Ed.). (2003). Machine consciousness. Imprint Academic.
• Horrocks, I., Patel-Schneider, P. F., & van Harmelen, F. (2003). From SHIQ and RDF to OWL: The making of a web ontology language. Journal of Web Semantics, 1(1), 7-26.
• Horvitz, E. J. (1988). Reasoning under varying and uncertain resource constraints. In Proceedings of the Seventh National Conference on Artificial Intelligence (pp. 111-116). AAAI Press.
• Hume, D. (2000). An enquiry concerning human understanding (T. L. Beauchamp, Ed.). Oxford University Press. (Original work published 1748)
• Humphreys, P. (2004). Extending ourselves: Computational science, empiricism, and scientific method. Oxford University Press.
• Ihde, D. (1990). Technology and the lifeworld: From garden to earth. Indiana University Press.
• Jackson, F. (1982). Epiphenomenal qualia. The Philosophical Quarterly, 32(127), 127-136.
• Jackson, F. (1998). From metaphysics to ethics: A defence of conceptual analysis. Oxford University Press.
• Jennings, N. R. (2001). An agent-based approach for building complex software systems. Communications of the ACM, 44(4), 35-41.
• Jimenez, C. E., Yang, J., Wettig, A., Yao, S., Pei, K., Press, O., & Narasimhan, K. (2024). SWE-bench: Can language models resolve real-world GitHub issues? In The Twelfth International Conference on Learning Representations.
• Jonas, H. (1984). The imperative of responsibility: In search of an ethics for the technological age. University of Chicago Press.
• Kant, I. (1998). Groundwork of the metaphysics of morals (M. Gregor, Trans.). Cambridge University Press. (Original work published 1785)
• Kapp, E. (1877). Grundlinien einer Philosophie der Technik: Zur Entstehungsgeschichte der Cultur aus neuen Gesichtspunkten. George Westermann.
• Karp, R. M. (1972). Reducibility among combinatorial problems. In R. E. Miller & J. W. Thatcher (Eds.), Complexity of computer computations (pp. 85-103). Plenum Press.
• Katz, J. J., & Fodor, J. A. (1963). The structure of a semantic theory. Language, 39(2), 170-210.
• Kauffman, S. A. (1993). The origins of order: Self-organization and selection in evolution. Oxford University Press.
• Kim, J. (1998). Mind in a physical world: An essay on the mind-body problem and mental causation. MIT Press.
• Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by simulated annealing. Science, 220(4598), 671-680.
• Knuth, D. E., & Moore, R. W. (1975). An analysis of alpha-beta pruning. Artificial Intelligence, 6(4), 293-326.
• Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43(1), 59-69.
• Koller, D., & Friedman, N. (2009). Probabilistic graphical models: Principles and techniques. MIT Press.
• Korf, R. E. (1985). Depth-first iterative-deepening: An optimal admissible tree search. Artificial Intelligence, 27(1), 97-109.
• Kowalski, R. (1979). Algorithm = logic + control. Communications of the ACM, 22(7), 424-436.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097-1105.
• Kurzweil, R. (2005). The singularity is near: When humans transcend biology. Viking.
• Laird, J. E., Newell, A., & Rosenbloom, P. S. (1987). Soar: An architecture for general intelligence. Artificial Intelligence, 33(1), 1–64.
• Lakoff, G., & Johnson, M. (1980). Metaphors we live by. University of Chicago Press.
• Landauer, R. (1961). Irreversibility and heat generation in the computing process. IBM Journal of Research and Development, 5(3), 183-191.
• Laplace, P. S. (1951). A philosophical essay on probabilities (F. W. Truscott & F. L. Emory, Trans.). Dover Publications. (Original work published 1814)
• Latour, B. (2005). Reassembling the social: An introduction to actor-network-theory. Oxford University Press.
• LeCun, Y. (2022). A path towards autonomous machine intelligence (Version 0.9.2). OpenReview.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
• Legg, S., & Hutter, M. (2007). Universal intelligence: A definition of machine intelligence. Minds and Machines, 17(4), 391-444.
• Leibniz, G. W. (1951). Leibniz: Selections (P. P. Wiener, Ed.). Charles Scribner’s Sons. (Original work written 1677)
• Levine, J. (1983). Materialism and qualia: The explanatory gap. Pacific Philosophical Quarterly, 64(4), 354-361.
• Lewis, D. (1966). An argument for the identity theory. The Journal of Philosophy, 63(1), 17-25.
• Lewis, D. (1972). Psychophysical and theoretical identifications. Australasian Journal of Philosophy, 50(3), 249-258.
• Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474.
• Lighthill, J. (1973). Artificial intelligence: A general survey. In Artificial intelligence: A paper symposium (pp. 1-21). Science Research Council.
• Locke, J. (1975). An essay concerning human understanding (P. H. Nidditch, Ed.). Oxford University Press. (Original work published 1689/1694)
• Lu, C., Lu, C., Lange, R. T., Foerster, J., Clune, J., & Ha, D. (2024). The AI Scientist: Towards fully automated open-ended scientific discovery. arXiv preprint arXiv:2408.06292.
• Lucas, J. R. (1961). Minds, machines and Gödel. Philosophy, 36(137), 112-127.
• Lycan, W. G. (1987). Consciousness. MIT Press.
• Marr, D. (1982). Vision: A computational investigation into the human representation and processing of visual information. W. H. Freeman and Company.
• Maskin, E. S. (2008). Mechanism design: How to implement social goals. The American Economic Review, 98(3), 567-576.
• Matthias, A. (2004). The responsibility gap: Ascribing responsibility for the actions of learning automata. Ethics and Information Technology, 6(3), 175-183.
• Maturana, H. R., & Varela, F. J. (1980). Autopoiesis and cognition: The realization of the living. D. Reidel Publishing Company.
• McCarthy, J. (1958). Programs with common sense. RLE and MIT Computation Center, 1-9.
• McCarthy, J. (1980). Circumscription – a form of non-monotonic reasoning. Artificial Intelligence, 13(1-2), 27-39.
• McCarthy, J., & Hayes, P. J. (1969). Some philosophical problems from the standpoint of artificial intelligence. Machine Intelligence, 4, 463-502.
• McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. Dartmouth College.
• McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133.
• McDermott, J. (1982). R1: A rule-based configurer of computer systems. Artificial Intelligence, 19(1), 39-88.
• McGinn, C. (1989). Can we solve the mind-body problem? Mind, 98(391), 349-366.
• McLuhan, M. (1964). Understanding media: The extensions of man. McGraw-Hill.
• Merleau-Ponty, M. (1945). Phénoménologie de la perception. Éditions Gallimard.
• Metzinger, T. (2003). Being no one: The self-model theory of subjectivity. MIT Press.
• Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. The Psychological Review, 63(2), 81-97.
• Millikan, R. G. (1984). Language, thought, and other biological categories: New foundations for realism. MIT Press.
• Millikan, R. G. (1989). In defense of proper functions. Philosophy of Science, 56(2), 288-302.
• Minsky, M. (1968). Semantic information processing. MIT Press.
• Minsky, M. (1975). A framework for representing knowledge. In P. H. Winston (Ed.), The psychology of computer vision (pp. 211-277). McGraw-Hill.
• Minsky, M., & Papert, S. (1969). Perceptrons: An introduction to computational geometry. MIT Press.
• Mitchell, T. M. (1997). Machine learning. McGraw-Hill.
• Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., Graves, A., Riedmiller, M., Fidjeland, A. K., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533.
• Moor, J. H. (2006). The nature, importance, and difficulty of machine ethics. IEEE Intelligent Systems, 21(4), 18-21.
• Moore, R. C. (1985). Semantical considerations on nonmonotonic logic. Artificial Intelligence, 25(1), 75-94.
• Müller, V. C. (2020). Ethics of artificial intelligence and robotics. In E. N. Zalta (Ed.), The Stanford encyclopedia of philosophy (Winter 2020 ed.). Metaphysics Research Lab, Stanford University.
• Nagel, T. (1974). What is it like to be a bat? The Philosophical Review, 83(4), 435-450.
• Nash, J. F. (1950). Equilibrium points in n-person games. Proceedings of the National Academy of Sciences, 36(1), 48-49.
• Neisser, U. (1967). Cognitive psychology. Appleton-Century-Crofts.
• Newell, A., & Simon, H. A. (1961). GPS, a program that simulates human thought. Computers & Automation, 10(4), 18-24.
• Newell, A., & Simon, H. A. (1972). Human problem solving. Prentice-Hall.
• Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113-126.
• Nilsson, N. J. (1991). Logic and artificial intelligence. Artificial Intelligence, 47(1-3), 31-56.
• Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann.
• Nisan, N., Roughgarden, T., Tardos, E., & Vazirani, V. V. (Eds.). (2007). Algorithmic game theory. Cambridge University Press.
• Nozick, R. (1993). The nature of rationality. Princeton University Press.
• Omohundro, S. M. (2008). The basic AI drives. In P. Wang, B. Goertzel, & S. Safron (Eds.), Artificial general intelligence 2008: Proceedings of the first AGI conference (pp. 483-492). IOS Press.
• OpenAI. (2026). Research acceleration: The view inside OpenAI. OpenAI.
• Parfit, D. (1984). Reasons and persons. Oxford University Press.
• Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (pp. 1-22). ACM.
• Pearl, J. (1984). Heuristics: Intelligent search strategies for computer problem solving. Addison-Wesley.
• Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann.
• Peirce, C. S. (1931). Collected papers of Charles Sanders Peirce (C. Hartshorne & P. Weiss, Eds.; Vols. 1-2). Harvard University Press.
• Penrose, R. (1989). The emperor’s new mind: Concerning computers, minds, and the laws of physics. Oxford University Press.
• Penrose, R. (1994). Shadows of the mind: A search for the missing science of consciousness. Oxford University Press.
• Piaget, J. (1952). The origins of intelligence in children (M. Cook, Trans.). International Universities Press.
• Place, U. T. (1956). Is consciousness a brain process? British Journal of Psychology, 47(1), 44-50.
• Polanyi, M. (1966). The tacit dimension. Doubleday & Company.
• Popper, K. (1959). The logic of scientific discovery. Hutchinson.
• Putnam, H. (1960). Minds and machines. In S. Hook (Ed.), Dimensions of mind (pp. 148-179). New York University Press.
• Putnam, H. (1967). Psychological predicates. In W. H. Capitan & D. D. Merrill (Eds.), Art, mind, and religion (pp. 37-48). University of Pittsburgh Press.
• Putnam, H. (1975). The meaning of ‘meaning’. Minnesota Studies in the Philosophy of Science, 7, 131-193.
• Putnam, H. (1995). Renewing philosophy. Harvard University Press.
• Pylyshyn, Z. W. (1984). Computation and cognition: Toward a foundation for cognitive science. MIT Press.
• Quillian, M. R. (1968). Semantic memory. In M. Minsky (Ed.), Semantic information processing (pp. 227-270). MIT Press.
• Quine, W. V. O. (1951). Two dogmas of empiricism. The Philosophical Review, 60(1), 20-43.
• Rao, A. S., & Georgeff, M. P. (1995). BDI agents: From theory to practice. In Proceedings of the First International Conference on Multi-Agent Systems (pp. 312–319). AAAI Press.
• Reiter, R. (1978). On closed world data bases. In H. Gallaire & J. Minker (Eds.), Logic and data bases (pp. 55-76). Plenum Press.
• Reiter, R. (1980). A logic for default reasoning. Artificial Intelligence, 13(1-2), 81-132.
• Rey, G. (1986). What’s really going on in Searle’s “Chinese room”. Philosophical Studies, 49(2), 169-185.
• Robinson, J. A. (1965). A machine-oriented logic based on the resolution principle. Journal of the ACM, 12(1), 23-41.
• Rosch, E. (1978). Principles of categorization. In E. Rosch & B. B. Lloyd (Eds.), Cognition and categorization (pp. 27-48). Lawrence Erlbaum Associates.
• Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408.
• Rosenblueth, A., Wiener, N., & Bigelow, J. (1943). Behavior, purpose and teleology. Philosophy of Science, 10(1), 18-24.
• Rosenthal, D. M. (1986). Two concepts of consciousness. Philosophical Studies, 49(3), 329-359.
• Rubinstein, A. (1982). Perfect equilibrium in a bargaining model. Econometrica, 50(1), 97-109.
• Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536.
• Rumelhart, D. E., McClelland, J. L., & the PDP Research Group. (1986). Parallel distributed processing: Explorations in the microstructure of cognition (Vol. 1). MIT Press.
• Russell, B., & Whitehead, A. N. (1910). Principia mathematica. Cambridge University Press.
• Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.
• Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
• Russell, S., & Subramanian, D. (1995). Provably bounded-optimal agents. Journal of Artificial Intelligence Research, 2, 575-609.
• Ryle, G. (1949). The concept of mind. Hutchinson.
• Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210-229.
• Savage, L. J. (1954). The foundations of statistics. John Wiley & Sons.
• Schank, R. C., & Abelson, R. P. (1977). Scripts, plans, goals, and understanding: An inquiry into human knowledge structures. Lawrence Erlbaum Associates.
• Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2024). Toolformer: Language models can teach themselves to use tools. Advances in Neural Information Processing Systems, 36, 68539-68551.
• Schmidhuber, J. (2007). Gödel machines: Fully self-referential optimal universal self-improvers. In B. Goertzel & C. Pennachin (Eds.), Artificial general intelligence (pp. 199–226). Springer.
• Schneider, S. (2019). Artificial you: AI and the future of your mind. Princeton University Press.
• Searle, J. R. (1969). Speech acts: An essay in the philosophy of language. Cambridge University Press.
• Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417-424.
• Searle, J. R. (1983). Intentionality: An essay in the philosophy of mind. Cambridge University Press.
• Searle, J. R. (1992). The rediscovery of the mind. MIT Press.
• Sejnowski, T. J., & Rosenberg, C. R. (1987). Parallel networks that learn to pronounce English text. Complex Systems, 1(1), 145-168.
• Seth, A. (2021). Being you: A new science of consciousness. Dutton.
• Shanahan, M. (2010). Embodiment and the inner life: Cognition and consciousness in the space of possible minds. Oxford University Press.
• Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27(3), 379-423.
• Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S. (2023). Reflexion: Language agents with verbal reinforcement learning. Advances in Neural Information Processing Systems, 36, 8634–8652.
• Shoemaker, S. (1975). Functionalism and qualia. Philosophical Studies, 27(5), 291-315.
• Shoemaker, S. (1981). Absent qualia are impossible. The Philosophical Review, 90(4), 581-599.
• Shoham, Y., & Leyton-Brown, K. (2008). Multiagent systems: Algorithmic, game-theoretic, and logical foundations. Cambridge University Press.
• Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., Dieleman, S., Grewe, D., Nham, J., Kalchbrenner, N., Sutskever, I., Lillicrap, T., Leach, M., Kavukcuoglu, K., Graepel, T., & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.
• Simon, H. A. (1957). Models of man, social and rational: Mathematical essays on rational human behavior in a social setting. John Wiley & Sons.
• Simon, H. A. (1982). Models of bounded rationality: Empirically grounded economic reason (Vol. 2). MIT Press.
• Singer, P. (2011). Practical ethics (3rd ed.). Cambridge University Press.
• Skinner, B. F. (1957). Verbal behavior. Appleton-Century-Crofts.
• Smart, J. J. C. (1959). Sensations and brain processes. The Philosophical Review, 68(2), 141-156.
• Smith, B. C. (1982). Prologue to reflection and semantics in a knowledge-based language (Technical Report CSLI-85-30). Xerox Palo Alto Research Center.
• Smith, M. R., & Marx, L. (Eds.). (1994). Does technology drive history? The dilemma of technological determinism. MIT Press.
• Smith, R. G. (1980). The contract net protocol: High-level communication and control in a distributed problem solver. IEEE Transactions on Computers, C-29(12), 1104-1113.
• Smolensky, P. (1988). On the proper treatment of connectionism. Behavioral and Brain Sciences, 11(1), 1-23.
• Snow, P. (1999). The pre-eminence of state-space search in artificial intelligence. Computational Intelligence, 15(3), 205-218.
• Sparrow, R. (2007). Killer robots. Journal of Applied Philosophy, 24(1), 62-77.
• Spearman, C. (1904). “General Intelligence,” objectively determined and measured. The American Journal of Psychology, 15(2), 201-292.
• Sterling, P., & Eyer, J. (1988). Allostasis: A new paradigm to explain arousal pathology. In S. Fisher & J. Reason (Eds.), Handbook of life stress, cognition and health (pp. 629-649). John Wiley & Sons.
• Sutton, R. S. (2019). The bitter lesson. Incomplete Ideas (Blog), 13(1), 1-2.
• Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (2nd ed.). MIT Press.
• Tegmark, M. (2017). Life 3.0: Being human in the age of artificial intelligence. Alfred A. Knopf.
• Teubner, G. (2006). Rights of non-humans? Electronic agents and animal rights. Journal of Law and Society, 33(4), 497-521.
• Thelen, E., & Smith, L. B. (1994). A dynamic systems approach to the development of cognition and action. MIT Press.
• Tononi, G. (2004). An information integration theory of consciousness. BMC Neuroscience, 5(1), 1-22.
• Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 42(1), 230-265.
• Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460.
• Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.
• Tye, M. (1995). Ten problems of consciousness: A representational theory of the phenomenal mind. MIT Press.
• Valiant, L. G. (1984). A theory of the learnable. Communications of the ACM, 27(11), 1134-1142.
• Vallor, S. (2016). Technology and the virtues: A philosophical guide to a future worth wanting. Oxford University Press.
• van Gelder, T. (1995). What might cognition be, if not computation? The Journal of Philosophy, 92(7), 345-381.
• Vapnik, V. N. (1995). The nature of statistical learning theory. Springer-Verlag.
• Vapnik, V. N. (1998). Statistical learning theory. John Wiley & Sons.
• Varela, F. J., Thompson, E., & Rosch, E. (1991). The embodied mind: Cognitive science and human experience. MIT Press.
• Verbeek, P. P. (2011). Moralizing technology: Understanding and designing the morality of things. University of Chicago Press.
• Vickrey, W. (1961). Counterspeculation, auctions, and competitive sealed tenders. The Journal of Finance, 16(1), 8-37.
• Vinge, V. (1993). The coming technological singularity: How to survive in the post-human era. In VISION-21 Symposium Proceedings (pp. 11-22). NASA Lewis Research Center.
• Von Neumann, J. (1928). Zur Theorie der Gesellschaftsspiele. Mathematische Annalen, 100(1), 295-320.
• Von Neumann, J., & Morgenstern, O. (1944). Theory of games and economic behavior. Princeton University Press.
• Wallach, W., & Allen, C. (2008). Moral machines: Teaching robots right from wrong. Oxford University Press.
• Wang, G., Xie, Y., Jiang, Y., Mandlekar, A., Xiao, C., Zhu, Y., Fan, L., & Anandkumar, A. (2024b). Voyager: An open-ended embodied agent with large language models. Transactions on Machine Learning Research.
• Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J.-R. (2024a). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18, 186345.
• Warren, M. A. (1973). On the moral and legal status of abortion. The Monist, 57(1), 43-61.
• Watkins, C. J., & Dayan, P. (1992). Q-learning. Machine Learning, 8(3-4), 279-292.
• Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q. V., & Zhou, D. (2022). Chain-of-thought prompting in large language models. Advances in Neural Information Processing Systems, 35, 24824-24837.
• Weng, L. (2023). LLM-powered autonomous agents. Lil’Log.
• Wheeler, J. A. (1990). Information, physics, quantum: The search for links. In W. H. Zurek (Ed.), Complexity, entropy, and the physics of information (pp. 3-28). Addison-Wesley.
• Wiener, N. (1948). Cybernetics: Or control and communication in the animal and the machine. John Wiley & Sons.
• Wiener, N. (1950). The human use of human beings: Cybernetics and society. Houghton Mifflin.
• Winner, L. (1980). Do artifacts have politics? Daedalus, 109(1), 121-136.
• Winograd, T. (1972). Understanding natural language. Academic Press.
• Wittgenstein, L. (1953). Philosophical investigations (G. E. M. Anscombe, Trans.). Basil Blackwell.
• Wolpert, D. H. (1996). The lack of a priori distinctions between learning algorithms. Neural Computation, 8(7), 1341-1390.
• Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67-82.
• Wooldridge, M. (2000). Reasoning about rational agents. MIT Press.
• Wooldridge, M. (2009). An introduction to multiagent systems (2nd ed.). John Wiley & Sons.
• Wright, L. (1973). Functions. The Philosophical Review, 82(2), 139-168.
• Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T. L., Cao, Y., & Narasimhan, K. (2024). Tree of thoughts: Deliberate problem solving with large language models. Advances in Neural Information Processing Systems, 36, 11809-11822.
• Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing reasoning and acting in language models. In The Eleventh International Conference on Learning Representations.
• Yudkowsky, E. (2008). Artificial intelligence as a positive and negative factor in global risk. In N. Bostrom & M. M. Ćirković (Eds.), Global catastrophic risks (pp. 308-345). Oxford University Press.
• Zhou, S., Xu, F. F., Zhu, H., Zhou, X., Lo, R., Sridhar, A., Cheng, X., Ou, T., Bisk, Y., Fried, D., Alon, U., & Neubig, G. (2024). WebArena: A realistic web environment for building autonomous agents. In The Twelfth International Conference on Learning Representations.

About This Article

Genre: Semi-Academic Skeptical Analysis

Epistemic Position: Scientific Skepticism and Secular Humanist Ethics

This article belongs to the skeptical-rationalist analytical tradition of Shongshoy.com.

Its purpose is evidence-based critical examination of religious, philosophical, moral, and historical claims.