বুদ্ধিমত্তার জন্য কি কোনো সরল algorithm আছে?

এই বইয়ে আমরা neural network-এর খুঁটিনাটি যন্ত্রপাতির দিকে মনোযোগ দিয়েছি — এরা কীভাবে কাজ করে, আর pattern recognition-এর সমস্যা সমাধানে এদের কীভাবে কাজে লাগানো যায়। এ এমন এক বিষয় যার অজস্র তাৎক্ষণিক ব্যবহারিক প্রয়োগ আছে। কিন্তু neural net নিয়ে আগ্রহের একটা কারণ অবশ্যই এই আশা যে একদিন এরা এমন মৌলিক pattern recognition সমস্যার অনেক বাইরে চলে যাবে। হয়তো এরা, কিংবা digital computer-ভিত্তিক অন্য কোনো পথ, একদিন চিন্তা করতে সক্ষম যন্ত্র তৈরিতে ব্যবহৃত হবে — এমন যন্ত্র যা মানুষের বুদ্ধিমত্তার সমান বা তার চেয়েও উন্নত। এই ভাবনা বইয়ে আলোচিত বিষয়ের সীমা ছাড়িয়ে অনেক দূরে — আসলে পৃথিবীতে কেউই এখনও জানে না এটা কীভাবে করতে হয়। তবু এ নিয়ে জল্পনা করা বেশ মজার।

কম্পিউটারের পক্ষে মানুষের বুদ্ধিমত্তার সমান হওয়া আদৌ সম্ভব কিনা, তা নিয়ে অনেক বিতর্ক হয়েছে। সেই প্রশ্নে আমি জড়াব না। চলমান মতবিরোধ সত্ত্বেও আমার বিশ্বাস, একটা বুদ্ধিমান কম্পিউটার যে সম্ভব তা নিয়ে গুরুতর কোনো সন্দেহ নেই — যদিও তা হয়তো অত্যন্ত জটিল হবে, এবং সম্ভবত বর্তমান প্রযুক্তির অনেক ঊর্ধ্বে — আর আজকের নেতিবাচক সংশয়বাদীদের একদিন vitalistদের মতোই মনে হবে।

বরং এখানে আমি যে প্রশ্নটা খতিয়ে দেখছি তা হলো — বুদ্ধিমত্তা ব্যাখ্যা করার জন্য কি কোনো সরল নীতিমালা আছে? আরও সুনির্দিষ্ট ও বাস্তবভাবে বললে, বুদ্ধিমত্তার জন্য কি কোনো সরল algorithm আছে?

বুদ্ধিমত্তার জন্য সত্যিকারের একটা সরল algorithm আছে — এই ভাবনাটা সাহসী। সত্যি হওয়ার পক্ষে এটা হয়তো একটু বেশিই আশাবাদী শোনায়। অনেকের প্রবল স্বজ্ঞাত বিশ্বাস আছে যে বুদ্ধিমত্তার মধ্যে একটা বিরাট, অপরিবর্তনযোগ্য জটিলতা (irreducible complexity) আছে। মানুষের চিন্তার বিস্ময়কর বৈচিত্র্য ও নমনীয়তায় তাঁরা এতটাই অভিভূত যে সিদ্ধান্তে আসেন — বুদ্ধিমত্তার জন্য সরল algorithm অসম্ভব। এই স্বজ্ঞা সত্ত্বেও, তড়িঘড়ি রায় দেওয়া বুদ্ধিমানের কাজ বলে আমি মনে করি না। বিজ্ঞানের ইতিহাস এমন অসংখ্য উদাহরণে ভরা যেখানে কোনো ঘটনা প্রথমে অত্যন্ত জটিল মনে হয়েছিল, কিন্তু পরে কিছু সরল অথচ শক্তিশালী ধারণা দিয়ে তা ব্যাখ্যা করা গেছে।

যেমন ধরো জ্যোতির্বিজ্ঞানের আদিকালের কথা। প্রাচীনকাল থেকেই মানুষ জানে যে আকাশে নানা রকম বস্তুর সমাহার আছে: সূর্য, চাঁদ, গ্রহ, ধূমকেতু আর তারা। এই বস্তুগুলো খুব ভিন্ন ভিন্নভাবে আচরণ করে — যেমন তারারা আকাশ জুড়ে গম্ভীর, নিয়মিত গতিতে চলে, অন্যদিকে ধূমকেতু যেন কোথা থেকে হঠাৎ উদয় হয়, আকাশ চিরে ছুটে যায়, তারপর মিলিয়ে যায়। ষোড়শ শতাব্দীতে কেবল একজন নির্বোধ আশাবাদীই কল্পনা করতে পারত যে এই সব বস্তুর গতি একটা সরল নীতিমালা দিয়ে ব্যাখ্যা করা যাবে। কিন্তু সপ্তদশ শতাব্দীতে Newton তাঁর universal gravitation-এর তত্ত্ব প্রণয়ন করেন, যা কেবল এই সব গতিকেই ব্যাখ্যা করেনি, বরং জোয়ার-ভাটা আর পৃথিবীতে নিক্ষিপ্ত বস্তুর গতির মতো পার্থিব ঘটনাগুলোও ব্যাখ্যা করেছে। ফিরে তাকালে ষোড়শ শতাব্দীর সেই নির্বোধ আশাবাদীকেই বরং একজন হতাশাবাদী মনে হয়, যে খুব কম চেয়েছিল।

বিজ্ঞানে এমন আরও অসংখ্য উদাহরণ আছে। ভেবে দেখো আমাদের জগৎ গড়ে তোলা অগণিত রাসায়নিক পদার্থের কথা, যা Mendeleev-এর periodic table দিয়ে এত সুন্দরভাবে ব্যাখ্যা করা হয়েছে — যা আবার quantum mechanics থেকে পাওয়া কয়েকটি সরল নিয়ম দিয়ে ব্যাখ্যা করা যায়। কিংবা জৈবিক জগতে এত বিপুল জটিলতা ও বৈচিত্র্য কীভাবে এল, সেই ধাঁধার কথা, যার উৎস বেরিয়ে আসে natural selection-এর মাধ্যমে evolution-এর নীতিতে। এ ও এমন আরও বহু উদাহরণ ইঙ্গিত করে যে কেবল আমাদের মস্তিষ্ক — বর্তমানে বুদ্ধিমত্তার সেরা উদাহরণ — যা করছে তা দেখতে খুব জটিল, এই অজুহাতে বুদ্ধিমত্তার একটা সরল ব্যাখ্যা একদম বাতিল করে দেওয়া বুদ্ধিমানের কাজ হবে না।

অন্যদিকে, এই আশাবাদী উদাহরণগুলো সত্ত্বেও, যৌক্তিকভাবে এটাও সম্ভব যে বুদ্ধিমত্তা কেবল বিপুল সংখ্যক মৌলিকভাবে স্বতন্ত্র প্রক্রিয়া দিয়েই ব্যাখ্যা করা যায়। আমাদের মস্তিষ্কের ক্ষেত্রে, এই অসংখ্য প্রক্রিয়া হয়তো আমাদের প্রজাতির evolution-এর ইতিহাসে নানা ভিন্ন ভিন্ন selection pressure-এর জবাবে গড়ে উঠেছে। এই দৃষ্টিভঙ্গি ঠিক হলে, বুদ্ধিমত্তার মধ্যে একটা বিরাট অপরিবর্তনযোগ্য জটিলতা আছে, এবং বুদ্ধিমত্তার জন্য কোনো সরল algorithm সম্ভব নয়।

এই দুই দৃষ্টিভঙ্গির মধ্যে কোনটা ঠিক?

মস্তিষ্ক কতটা জটিল?

এই প্রশ্নের একটা ধারণা পেতে চলো ঘনিষ্ঠ একটা প্রশ্ন করি — মানুষের মস্তিষ্ক কীভাবে কাজ করে তার কি কোনো সরল ব্যাখ্যা আছে? বিশেষ করে, চলো মস্তিষ্কের জটিলতা পরিমাপ করার কয়েকটা উপায় দেখি। আমাদের প্রথম দৃষ্টিভঙ্গি হলো connectomics-এর দিক থেকে মস্তিষ্ককে দেখা। এটা পুরোপুরি কাঁচা তারের জাল নিয়ে: মস্তিষ্কে কতগুলো neuron আছে, কতগুলো glial cell আছে, আর neuron-গুলোর মধ্যে কতগুলো connection আছে। সংখ্যাগুলো তুমি হয়তো আগেই শুনেছ — মস্তিষ্কে প্রায় 100 billion neuron, 100 billion glial cell, আর neuron-গুলোর মধ্যে 100 trillion connection আছে। সংখ্যাগুলো বিস্ময়কর। ভীতিকরও বটে। মস্তিষ্ক কীভাবে কাজ করে তা বুঝতে যদি আমাদের এই সব connection-এর (neuron আর glial cell-এর কথা না হয় বাদই দিলাম) খুঁটিনাটি বুঝতে হয়, তাহলে বুদ্ধিমত্তার জন্য একটা সরল algorithm-এ আমরা নিশ্চয়ই পৌঁছাব না।

আরও আশাবাদী একটা দ্বিতীয় দৃষ্টিভঙ্গি আছে — molecular biology-র দিক থেকে মস্তিষ্ককে দেখা। মূল ভাবনাটা হলো প্রশ্ন করা: মস্তিষ্কের architecture বর্ণনা করতে কতটা genetic তথ্য লাগে? এই প্রশ্নের একটা সূত্র পেতে আমরা শুরু করব মানুষ ও chimpanzee-র মধ্যে genetic পার্থক্য বিবেচনা করে। তুমি হয়তো এই চটকদার কথাটা শুনেছ যে "মানুষ ৯৮ শতাংশ chimpanzee"। কখনো কখনো এই কথাটা একটু বদলে যায় — জনপ্রিয় কিছু সংস্করণে সংখ্যাটা ৯৫ বা ৯৯ শতাংশও বলা হয়। এই হেরফের হয় কারণ সংখ্যাগুলো প্রথমে অনুমান করা হয়েছিল মানুষ ও chimp-এর genome-এর নমুনা তুলনা করে, পুরো genome নয়। তবে ২০০৭ সালে chimpanzee-র পুরো genome sequence করা হয় (এখানেও দেখো), আর এখন আমরা জানি যে মানুষ ও chimp-এর DNA প্রায় 125 million DNA base pair-এ আলাদা। প্রতিটি genome-এ মোট প্রায় 3 billion DNA base pair-এর মধ্যে এটুকুই পার্থক্য। তাই "মানুষ ৯৮ শতাংশ chimpanzee" বলা ঠিক নয় — আমরা বরং ৯৬ শতাংশ chimpanzee।

ওই 125 million base pair-এ কতটা তথ্য আছে? প্রতিটি base pair-কে চারটি সম্ভাবনার একটি দিয়ে চিহ্নিত করা যায় — genetic code-এর "অক্ষর", অর্থাৎ adenine, cytosine, guanine ও thymine — এই চারটি base। তাই প্রতিটি base pair বর্ণনা করতে দুই bit তথ্য লাগে — চারটি লেবেলের একটা নির্দিষ্ট করার জন্য ঠিক যতটুকু দরকার। অর্থাৎ 125 million base pair সমান 250 million bit তথ্য। এই হলো মানুষ ও chimp-এর মধ্যে genetic পার্থক্য!

অবশ্যই ওই 250 million bit মানুষ ও chimp-এর মধ্যে সব genetic পার্থক্যের হিসাব। আমরা কেবল মস্তিষ্ক-সংক্রান্ত পার্থক্যেই আগ্রহী। দুর্ভাগ্যবশত, মস্তিষ্কের পার্থক্য ব্যাখ্যা করতে মোট genetic পার্থক্যের কত ভগ্নাংশ লাগে তা কেউ জানে না। তবে তর্কের খাতিরে ধরে নিই ওই 250 million bit-এর প্রায় অর্ধেক মস্তিষ্কের পার্থক্যের হিসাব। অর্থাৎ মোট 125 million bit।

125 million bit চমৎকার রকম বড় একটা সংখ্যা। মানুষের চেনা পরিভাষায় অনুবাদ করে এর আকারটা একটু অনুভব করি। বিশেষ করে, এর সমান ইংরেজি লেখা কতটা হবে? দেখা যায় ইংরেজি লেখার তথ্য-উপাদান প্রতি অক্ষরে প্রায় ১ bit। এটা কম মনে হয় — কারণ বর্ণমালায় তো ২৬টা অক্ষর — কিন্তু ইংরেজি লেখায় বিপুল পরিমাণ redundancy আছে। অবশ্য তুমি যুক্তি দিতে পারো যে আমাদের genome-ও redundant, তাই প্রতি base pair-এ দুই bit একটা অতিরিক্ত মূল্যায়ন। কিন্তু সেটা আমরা উপেক্ষা করব, কারণ সবচেয়ে খারাপ হলেও এর মানে দাঁড়ায় আমরা মস্তিষ্কের genetic জটিলতা একটু বেশিই হিসাব করছি। এই ধরে নেওয়াগুলো নিয়ে দেখা যায় যে আমাদের মস্তিষ্ক ও chimp-এর মস্তিষ্কের মধ্যে genetic পার্থক্য সমান প্রায় 125 million অক্ষর, অর্থাৎ প্রায় 25 million ইংরেজি শব্দ। এটা King James Bible-এর প্রায় ৩০ গুণ।

এটা অনেক তথ্য। কিন্তু এটা বোধের অতীত রকম বড় নয়। এটা মানুষের মাপের মধ্যেই। হয়তো একা কোনো মানুষ ওই code-এ যা লেখা আছে তার সবটা কখনো বুঝতে পারবে না, কিন্তু যথাযথ বিশেষীকরণের মাধ্যমে একদল মানুষ হয়তো সম্মিলিতভাবে তা বুঝতে পারবে। আর যদিও এটা অনেক তথ্য, আমাদের মস্তিষ্কের 100 billion neuron, 100 billion glial cell আর 100 trillion connection বর্ণনা করতে যে তথ্য লাগে তার তুলনায় এটা নগণ্য। এমনকি যদি আমরা একটা সরল, স্থূল বর্ণনা ব্যবহার করি — ধরো প্রতিটি connection বোঝাতে ১০টা floating point সংখ্যা — তাতেও লাগবে প্রায় 70 quadrillion bit। অর্থাৎ মানুষের মস্তিষ্কের পূর্ণ connectome-এর তুলনায় genetic বর্ণনাটা প্রায় অর্ধ-বিলিয়ন গুণ কম জটিল।

এ থেকে আমরা শিখি যে আমাদের genome-এ আমাদের সব neural connection-এর খুঁটিনাটি বর্ণনা থাকা কোনোভাবেই সম্ভব নয়। বরং এতে নিশ্চয়ই কেবল মস্তিষ্কের মূল ভিত্তি গড়ে তোলা বিস্তৃত architecture আর মৌলিক নীতিগুলোই উল্লেখ করা থাকে। কিন্তু সেই architecture আর সেই নীতিগুলোই আমাদের বুদ্ধিমান হয়ে বেড়ে ওঠার নিশ্চয়তা দিতে যথেষ্ট বলে মনে হয়। অবশ্য কিছু শর্ত আছে — বেড়ে ওঠা শিশুর তার বুদ্ধিবৃত্তিক সম্ভাবনায় পৌঁছাতে একটা সুস্থ, উদ্দীপক পরিবেশ আর ভালো পুষ্টি দরকার। কিন্তু যথাযথ পরিবেশে বেড়ে উঠলে একটা সুস্থ মানুষের বুদ্ধিমত্তা হবে অসাধারণ। একরকমভাবে বললে, আমাদের জিনের তথ্যে আমরা কীভাবে চিন্তা করি তার সারমর্ম ধরা আছে। আর তদুপরি, সেই genetic তথ্যে নিহিত নীতিগুলো আমাদের সম্মিলিতভাবে আয়ত্ত করার সাধ্যের মধ্যেই বলে মনে হয়।

উপরের সব সংখ্যা খুবই মোটামুটি অনুমান। এমন হতে পারে যে 125 million bit একটা বিরাট অতিমূল্যায়ন, যে মানুষের চিন্তার ভিত্তিতে এর চেয়ে অনেক বেশি সংহত (compact) কিছু মূল নীতি আছে। হয়তো ওই 125 million bit-এর বেশিরভাগই আসলে অপেক্ষাকৃত গৌণ খুঁটিনাটির fine-tuning মাত্র। কিংবা হয়তো সংখ্যা হিসাব করতে গিয়ে আমরা মাত্রাতিরিক্ত রক্ষণশীল ছিলাম। স্পষ্টতই, তা সত্যি হলে দারুণ হতো! আমাদের এখনকার উদ্দেশ্যের জন্য মূল কথাটা হলো এই: মস্তিষ্কের architecture জটিল, কিন্তু মস্তিষ্কের connection-এর সংখ্যা দেখে তুমি যতটা ভাবতে পারো ততটা মোটেই জটিল নয়। molecular biology-র দিক থেকে মস্তিষ্কের এই দৃষ্টিভঙ্গি ইঙ্গিত করে যে আমরা মানুষ একদিন মস্তিষ্কের architecture-এর পেছনের মৌলিক নীতিগুলো বুঝতে সক্ষম হব।

গত কয়েকটা অনুচ্ছেদে আমি একটা বিষয় উপেক্ষা করেছি — এই 125 million bit কেবল মানুষ ও chimp-এর মস্তিষ্কের মধ্যে genetic পার্থক্য পরিমাপ করে। আমাদের সব মস্তিষ্ক-ক্রিয়া ওই 125 million bit-এর কারণে নয়। Chimp-রা নিজেরাই অসাধারণ চিন্তাবিদ। হয়তো বুদ্ধিমত্তার মূল চাবিকাঠি বেশিরভাগই সেই মানসিক ক্ষমতার (এবং genetic তথ্যের) মধ্যে আছে যা chimp ও মানুষের মধ্যে সাধারণ (common)। এটা ঠিক হলে, অন্তত মূল নীতিগুলোর জটিলতার দিক থেকে, মানুষের মস্তিষ্ক হয়তো chimpanzee-র মস্তিষ্কের সামান্য একটা upgrade মাত্র। আমাদের অনন্য ক্ষমতা নিয়ে প্রচলিত মানব-অহংকার সত্ত্বেও, এটা অকল্পনীয় নয়: chimpanzee ও মানুষের genetic ধারা মাত্র ৫ million বছর আগে আলাদা হয়েছে — evolution-এর সময়স্কেলে যা চোখের পলক মাত্র। তবে আরও জোরালো কোনো যুক্তির অভাবে আমি প্রচলিত মানব-অহংকারের দিকেই ঝুঁকি: আমার ধারণা, মানুষের চিন্তার পেছনের সবচেয়ে আকর্ষণীয় নীতিগুলো ওই 125 million bit-এর মধ্যেই আছে, genome-এর যে অংশ আমরা chimpanzee-র সঙ্গে ভাগ করি সেখানে নয়।

molecular biology-র দিক থেকে মস্তিষ্ককে দেখায় আমাদের বর্ণনার জটিলতায় প্রায় নয় order of magnitude হ্রাস ঘটল। এটা উৎসাহব্যঞ্জক হলেও, সত্যিকারের একটা সরল algorithm সম্ভব কিনা তা এটা আমাদের বলে না। জটিলতায় আমরা কি আরও কোনো হ্রাস ঘটাতে পারি? আর আরও গুরুত্বপূর্ণ কথা, বুদ্ধিমত্তার জন্য একটা সরল algorithm সম্ভব কিনা সেই প্রশ্নের কি আমরা মীমাংসা করতে পারি?

দুর্ভাগ্যবশত, এই প্রশ্নের চূড়ান্ত মীমাংসা করার মতো জোরালো কোনো প্রমাণ এখনও নেই। চলো কিছু পাওয়া প্রমাণের বর্ণনা দিই, তবে এই সতর্কতার সঙ্গে যে এটা অত্যন্ত সংক্ষিপ্ত ও অসম্পূর্ণ একটা পরিচয় — সাম্প্রতিক কিছু কাজের স্বাদ দেওয়ার জন্য, যা জানা আছে তার বিস্তৃত সমীক্ষা দেওয়ার জন্য নয়।

সরল algorithm-এর পক্ষে প্রমাণ: ferret-এর rewiring

বুদ্ধিমত্তার জন্য একটা সরল algorithm থাকতে পারে — এই ভাবনার পক্ষে যে প্রমাণগুলো আছে, তার মধ্যে একটা হলো ২০০০ সালের এপ্রিলে Nature জার্নালে প্রকাশিত একটা পরীক্ষা। Mriganka Sur-এর নেতৃত্বে একদল বিজ্ঞানী সদ্যোজাত ferret-এর মস্তিষ্ক "rewire" করেন। সাধারণত একটা ferret-এর চোখ থেকে আসা সংকেত মস্তিষ্কের যে অংশে যায় তাকে বলে visual cortex। কিন্তু এই ferret-গুলোর ক্ষেত্রে বিজ্ঞানীরা চোখ থেকে আসা সংকেতকে নতুন পথে চালিয়ে দেন, যাতে তা বদলে চলে যায় auditory cortex-এ — অর্থাৎ মস্তিষ্কের যে অংশ সাধারণত শোনার জন্য ব্যবহৃত হয় সেখানে।

তাঁরা এমন করায় কী ঘটল তা বুঝতে হলে আমাদের visual cortex সম্পর্কে একটু জানতে হবে। visual cortex-এ অনেক orientation column থাকে। এগুলো neuron-এর ছোট ছোট স্তর, যাদের প্রতিটি কোনো নির্দিষ্ট দিক থেকে আসা visual উদ্দীপনায় সাড়া দেয়। Orientation column-গুলোকে তুমি ক্ষুদ্র দিক-নির্ণায়ক sensor হিসেবে ভাবতে পারো: কেউ যখন কোনো নির্দিষ্ট দিক থেকে একটা উজ্জ্বল আলো ফেলে, তখন একটা সংশ্লিষ্ট orientation column সক্রিয় হয়। আলোটা সরালে অন্য একটা orientation column সক্রিয় হয়। visual cortex-এর সবচেয়ে গুরুত্বপূর্ণ উচ্চস্তরীয় গঠনগুলোর একটা হলো orientation map, যা দেখায় orientation column-গুলো কীভাবে বিন্যস্ত আছে।

বিজ্ঞানীরা দেখলেন যে ferret-গুলোর চোখ থেকে আসা visual সংকেত যখন auditory cortex-এ পাঠানো হলো, তখন auditory cortex বদলে গেল। auditory cortex-এ orientation column আর একটা orientation map তৈরি হতে শুরু করল। visual cortex-এ সাধারণত যে orientation map পাওয়া যায় তার চেয়ে এটা বেশি এলোমেলো ছিল, কিন্তু নির্ভুলভাবে তারই মতো। তদুপরি, বিজ্ঞানীরা ferret-গুলো visual উদ্দীপনায় কীভাবে সাড়া দেয় তার কিছু সরল পরীক্ষা করলেন — ভিন্ন ভিন্ন দিক থেকে আলো জ্বললে ভিন্নভাবে সাড়া দিতে তাদের প্রশিক্ষণ দিলেন। এই পরীক্ষাগুলো ইঙ্গিত দিল যে ferret-গুলো auditory cortex ব্যবহার করেই, অন্তত একটা প্রাথমিক ধাঁচে, "দেখতে" শিখতে পারে।

এটা একটা বিস্ময়কর ফলাফল। এটা ইঙ্গিত করে যে মস্তিষ্কের ভিন্ন ভিন্ন অংশ কীভাবে sensory data-তে সাড়া দিতে শেখে, তার পেছনে কিছু সাধারণ নীতি আছে। এই সাধারণত্ব অন্তত কিছুটা হলেও এই ভাবনাকে সমর্থন করে যে বুদ্ধিমত্তার ভিত্তিতে এক গুচ্ছ সরল নীতি আছে। তবে এই পরীক্ষায় ferret-গুলোর দৃষ্টি কতটা ভালো ছিল তা নিয়ে আমাদের নিজেদের ভুলিয়ে রাখা উচিত নয়। আচরণগত পরীক্ষাগুলো দৃষ্টির কেবল খুব স্থূল দিকগুলোই যাচাই করেছে। আর অবশ্যই, ferret-দের জিজ্ঞেস করা যায় না তারা "দেখতে শিখেছে" কিনা। তাই পরীক্ষাগুলো প্রমাণ করে না যে rewire করা auditory cortex ferret-দের উচ্চ-বিশ্বস্ততার একটা visual অভিজ্ঞতা দিচ্ছিল। তাই এই পরীক্ষাগুলো — মস্তিষ্কের ভিন্ন অংশ কীভাবে শেখে তার পেছনে সাধারণ নীতি আছে — এই ভাবনার পক্ষে কেবল সীমিত প্রমাণই দেয়।

সরল algorithm-এর বিপক্ষে প্রমাণ

বুদ্ধিমত্তার জন্য একটা সরল algorithm-এর ভাবনার বিপক্ষে কী প্রমাণ আছে? কিছু প্রমাণ আসে evolutionary psychology ও neuroanatomy ক্ষেত্র থেকে। ১৯৬০-এর দশক থেকে evolutionary psychologist-রা বিস্তৃত পরিসরের human universal আবিষ্কার করেছেন — সংস্কৃতি ও বেড়ে ওঠার ধরন নির্বিশেষে সব মানুষের মধ্যে সাধারণ জটিল আচরণ। এই human universal-এর মধ্যে আছে মা ও ছেলের মধ্যে incest taboo, সংগীত ও নৃত্যের ব্যবহার, এবং বহু জটিল ভাষাগত গঠন — যেমন গালি (অর্থাৎ taboo শব্দ), pronoun, এমনকি verb-এর মতো মৌলিক গঠনের ব্যবহার। এই ফলাফলগুলোর পরিপূরক হিসেবে neuroanatomy থেকে বিপুল প্রমাণ দেখায় যে মানুষের অনেক আচরণ মস্তিষ্কের নির্দিষ্ট সীমিত এলাকা দিয়ে নিয়ন্ত্রিত হয়, আর এই এলাকাগুলো সব মানুষের মধ্যেই একইরকম বলে মনে হয়। একসঙ্গে নিলে এই আবিষ্কারগুলো ইঙ্গিত করে যে অনেক অত্যন্ত বিশেষায়িত আচরণ আমাদের মস্তিষ্কের নির্দিষ্ট অংশে hardwire করা।

কেউ কেউ এই ফলাফল থেকে সিদ্ধান্ত টানেন যে মস্তিষ্কের এই অনেক ক্রিয়ার জন্য আলাদা আলাদা ব্যাখ্যা লাগবে, এবং তার ফলে মস্তিষ্কের ক্রিয়ায় একটা অপরিবর্তনযোগ্য জটিলতা আছে — এমন জটিলতা যা মস্তিষ্কের কাজের একটা সরল ব্যাখ্যা (এবং, সম্ভবত, বুদ্ধিমত্তার জন্য একটা সরল algorithm) অসম্ভব করে তোলে। যেমন এই দৃষ্টিভঙ্গির একজন সুপরিচিত artificial intelligence গবেষক হলেন Marvin Minsky। ১৯৭০ ও ১৯৮০-এর দশকে Minsky তাঁর "Society of Mind" তত্ত্ব গড়ে তোলেন, যার ভিত্তি এই ভাবনা যে মানুষের বুদ্ধিমত্তা আসলে এক বিরাট সমাজের ফলাফল — পৃথকভাবে সরল (কিন্তু খুব ভিন্ন ভিন্ন) অসংখ্য computational প্রক্রিয়ার, যাদের Minsky agent বলেন। তত্ত্বটি বর্ণনাকারী তাঁর বইয়ে Minsky এই দৃষ্টিভঙ্গির শক্তি বলে যা মনে করেন তা সংক্ষেপে বলেন:

কোন জাদুমন্ত্র আমাদের বুদ্ধিমান করে তোলে? জাদুটা হলো এই যে কোনো জাদুই নেই। বুদ্ধিমত্তার শক্তি আসে আমাদের বিপুল বৈচিত্র্য থেকে, কোনো একক, নিখুঁত নীতি থেকে নয়।

তাঁর বইয়ের পর্যালোচনার একটা জবাবে Minsky neuroanatomy ও evolutionary psychology-র ভিত্তিতে উপরে বলা যুক্তির অনুরূপ একটা যুক্তি দিয়ে Society of Mind-এর প্রেরণা আরও বিশদ করেন:

আমরা এখন জানি যে মস্তিষ্ক নিজেই শত শত ভিন্ন অঞ্চল ও nucleus দিয়ে গঠিত, প্রতিটির উল্লেখযোগ্যভাবে ভিন্ন গাঠনিক উপাদান ও বিন্যাস আছে, এবং এদের অনেকগুলো আমাদের মানসিক ক্রিয়াকলাপের প্রমাণযোগ্যভাবে ভিন্ন দিকের সঙ্গে জড়িত। এই আধুনিক জ্ঞানের ভান্ডার দেখায় যে "intelligence" বা "understanding"-এর মতো commonsense পরিভাষায় ঐতিহ্যগতভাবে বর্ণিত অনেক ঘটনা আসলে যন্ত্রপাতির জটিল সমাবেশ জড়িয়ে থাকে।

Minsky-ই অবশ্যই এই ধাঁচের দৃষ্টিভঙ্গি ধারণকারী একমাত্র মানুষ নন; আমি কেবল এই যুক্তিধারার একজন সমর্থকের উদাহরণ হিসেবে তাঁর কথা বলছি। যুক্তিটা আমার কাছে আকর্ষণীয় মনে হয়, কিন্তু প্রমাণ যথেষ্ট জোরালো বলে মনে করি না। মস্তিষ্ক যে বহু সংখ্যক ভিন্ন অঞ্চল দিয়ে গঠিত, যাদের ভিন্ন ভিন্ন কাজ — এটা সত্যি হলেও তা থেকে এমন কিছু এসে পড়ে না যে মস্তিষ্কের কাজের একটা সরল ব্যাখ্যা অসম্ভব। হয়তো ওই গাঠনিক পার্থক্যগুলো কিছু সাধারণ অন্তর্নিহিত নীতি থেকেই উদ্ভূত — অনেকটা যেমন ধূমকেতু, গ্রহ, সূর্য আর তারার গতি সবই একটা মাত্র gravitational force থেকে উদ্ভূত। Minsky কিংবা অন্য কেউ এমন অন্তর্নিহিত নীতির বিপক্ষে দৃঢ় যুক্তি দিতে পারেননি।

আশাবাদ ও অন্তর্দৃষ্টির পথ

আমার নিজের পক্ষপাত বুদ্ধিমত্তার জন্য একটা সরল algorithm থাকার দিকেই। আর উপরের (অমীমাংসিত) যুক্তিগুলো ছাড়িয়ে এই ভাবনাটা আমার পছন্দ হওয়ার মূল কারণ হলো এটা একটা আশাবাদী ভাবনা। গবেষণার ক্ষেত্রে, একটা অযৌক্তিক আশাবাদ প্রায়ই আপাত-ভালোভাবে যুক্তিযুক্ত একটা হতাশাবাদের চেয়ে বেশি ফলপ্রসূ হয়, কারণ আশাবাদীর সাহস থাকে বেরিয়ে পড়ে নতুন কিছু চেষ্টা করার। সেটাই আবিষ্কারের পথ — এমনকি যা আবিষ্কার হয় তা হয়তো মূলত যা আশা করা হয়েছিল তা নয়। হতাশাবাদী হয়তো কোনো সংকীর্ণ অর্থে বেশি "ঠিক", কিন্তু আশাবাদীর চেয়ে কম আবিষ্কার করবে।

এই দৃষ্টিভঙ্গি আমরা সাধারণত যেভাবে ধারণার বিচার করি তার সম্পূর্ণ বিপরীত: ধারণাটা ঠিক না ভুল তা বের করার চেষ্টা করে। দৈনন্দিন গবেষণার রুটিন খুঁটিনাটির সঙ্গে মোকাবিলায় এটা একটা যুক্তিসঙ্গত কৌশল। কিন্তু একটা বড়, সাহসী ধারণার — যে ধরনের ধারণা একটা গোটা গবেষণা-কর্মসূচি সংজ্ঞায়িত করে — বিচারের ভুল উপায় হতে পারে এটা। কখনো কখনো এমন কোনো ধারণা ঠিক কিনা সে সম্পর্কে আমাদের হাতে কেবল দুর্বল প্রমাণ থাকে। আমরা হয় ভীরুভাবে ধারণাটাকে অনুসরণ করতে অস্বীকার করতে পারি, এর বদলে সব সময় পাওয়া প্রমাণের দিকে চোখ কুঁচকে তাকিয়ে কী সত্য তা বোঝার চেষ্টা করতে পারি। অথবা আমরা মেনে নিতে পারি যে এখনও কেউ জানে না, আর এর বদলে সেই বড়, সাহসী ধারণাটা গড়ে তুলতে কঠোর পরিশ্রম করতে পারি — এই বোঝাপড়া নিয়ে যে সাফল্যের কোনো নিশ্চয়তা না থাকলেও, এভাবেই কেবল আমাদের বোধ এগিয়ে যায়।

এসব বলার পরও, এর সবচেয়ে আশাবাদী রূপে আমি বিশ্বাস করি না যে আমরা কখনো বুদ্ধিমত্তার জন্য একটা সরল algorithm পাব। আরও সুনির্দিষ্টভাবে বললে, আমি বিশ্বাস করি না যে আমরা কখনো সত্যিকারের একটা ছোট্ট Python (বা C কিংবা Lisp, বা যা-ই হোক) program পাব — ধরো, বড়জোর হাজার লাইন কোড — যা artificial intelligence বাস্তবায়ন করে। আবার আমি এও মনে করি না যে আমরা কখনো এমন সহজে-বর্ণনাযোগ্য একটা neural network পাব যা artificial intelligence বাস্তবায়ন করতে পারে। কিন্তু আমি বিশ্বাস করি, এমনভাবে কাজ করা মূল্যবান যেন আমরা এমন একটা program বা network পেতে পারি। সেটাই অন্তর্দৃষ্টির পথ, আর সেই পথ অনুসরণ করেই আমরা একদিন হয়তো এতটা বুঝতে পারব যে একটা দীর্ঘতর program লিখতে বা আরও পরিশীলিত একটা network গড়তে পারব, যা সত্যিই বুদ্ধিমত্তা প্রদর্শন করে। তাই বুদ্ধিমত্তার জন্য একটা অত্যন্ত সরল algorithm আছে — এমনভাবে কাজ করাই মূল্যবান।

১৯৮০-এর দশকে বিশিষ্ট গণিতবিদ ও computer scientist Jack Schwartz-কে artificial intelligence-এর সমর্থক ও সংশয়বাদীদের মধ্যে একটা বিতর্কে আমন্ত্রণ জানানো হয়। বিতর্ক অশান্ত হয়ে ওঠে — সমর্থকরা ঠিক কোণার মোড়েই অপেক্ষমাণ বিস্ময়কর সব কীর্তি নিয়ে অতিরঞ্জিত দাবি করছিলেন, আর সংশয়বাদীরা তাঁদের হতাশাবাদ আরও জোরালো করছিলেন, দাবি করছিলেন artificial intelligence একদম অসম্ভব। Schwartz এই বিতর্কের বাইরের মানুষ ছিলেন, আর আলোচনা যখন উত্তপ্ত হচ্ছিল তখন তিনি নীরব থাকেন। একটা বিরতির ফাঁকে তাঁকে কথা বলতে এবং আলোচ্য বিষয়ে তাঁর ভাবনা জানাতে বলা হয়। তিনি বললেন: "আচ্ছা, এর মধ্যে কিছু অগ্রগতি হয়তো একশো খানা Nobel prize দূরে" (সূত্র, পৃষ্ঠা ২২)। আমার কাছে এটা নিখুঁত একটা জবাব মনে হয়। artificial intelligence-এর চাবিকাঠি হলো সরল, শক্তিশালী ধারণা, আর আমরা আশাবাদীভাবে সেই ধারণাগুলোর খোঁজ করতে পারি এবং করা উচিত। কিন্তু এমন অনেক ধারণা আমাদের লাগবে, আর আমাদের এখনও অনেকটা পথ পাড়ি দিতে বাকি!