কৃত্রিম বুদ্ধিমত্তা কীভাবে কাজ করে? মানুষের মতো শেখার পেছনের বিজ্ঞান

আমরা যখন কোনো শিশুকে প্রথমবার বিড়াল দেখাই, তখন সে হয়তো সঙ্গে সঙ্গে বুঝতে পারে না প্রাণীটি কী। কিন্তু তাকে বিভিন্ন রঙের, আকারের ও ভঙ্গির অনেক বিড়াল দেখানোর পর ধীরে ধীরে তার মস্তিষ্ক কিছু সাধারণ বৈশিষ্ট্য চিনে নিতে শেখে। এরপর এমন একটি বিড়াল দেখানো হলেও, যেটি সে আগে কখনো দেখেনি, সে সেটিকে বিড়াল হিসেবে শনাক্ত করতে পারে। কৃত্রিম বুদ্ধিমত্তার শেখার মূল ধারণাটিও অনেক ক্ষেত্রে এর সঙ্গে তুলনীয়। তবে মানুষের মস্তিষ্ক এবং কৃত্রিম বুদ্ধিমত্তার শেখার প্রকৃত প্রক্রিয়া এক নয়। যন্ত্র অনুভব, উপলব্ধি বা অভিজ্ঞতা অর্জন করে মানুষের মতো নয়; বরং বিপুল তথ্যের মধ্যে গাণিতিক সম্পর্ক, পুনরাবৃত্ত বিন্যাস এবং সম্ভাবনার কাঠামো শনাক্ত করে।

কৃত্রিম বুদ্ধিমত্তা বলতে মূলত এমন গণনাভিত্তিক ব্যবস্থা বোঝানো হয়, যা সাধারণত মানুষের বুদ্ধিবৃত্তিক ক্ষমতার সঙ্গে সম্পর্কিত কিছু কাজ সম্পাদন করতে পারে। যেমন ছবি দেখে বস্তু শনাক্ত করা, মানুষের ভাষা বিশ্লেষণ করা, প্রশ্নের উত্তর তৈরি করা, কথার শব্দ চিনতে পারা, ভবিষ্যৎ ফলাফল অনুমান করা কিংবা জটিল পরিস্থিতিতে সম্ভাব্য সিদ্ধান্ত নির্বাচন করা। এর পেছনে কোনো একক জাদুকরী সূত্র নেই। তথ্য, গাণিতিক পদ্ধতি, পরিসংখ্যান, গণনাশক্তি এবং শেখার বিশেষ কাঠামোর সমন্বয়েই আধুনিক কৃত্রিম বুদ্ধিমত্তা তৈরি হয়।

কৃত্রিম বুদ্ধিমত্তাকে বোঝার জন্য প্রথমে তথ্যের গুরুত্ব বুঝতে হয়। একটি যন্ত্রের কাছে পৃথিবী শুরুতে অর্থপূর্ণ কোনো অভিজ্ঞতা নয়। ছবি তার কাছে মানুষের দেখা ছবির মতো নয়; সেটি মূলত সংখ্যার বিশাল বিন্যাস। একটি রঙিন ছবির প্রতিটি ক্ষুদ্র চিত্রবিন্দুর রঙ ও উজ্জ্বলতাকে সংখ্যা দিয়ে প্রকাশ করা যায়। একইভাবে শব্দকে তরঙ্গের সংখ্যাগত বৈশিষ্ট্যে এবং লেখাকে নির্দিষ্ট সাংকেতিক সংখ্যায় রূপান্তর করা যায়। অর্থাৎ যন্ত্রের শেখার জগৎ মূলত সংখ্যায় নির্মিত।

ধরা যাক, একটি ব্যবস্থা তৈরি করা হবে যা কুকুর ও বিড়ালের ছবি আলাদা করতে পারবে। তাকে হাজার হাজার ছবি দেওয়া হলো এবং প্রতিটি ছবির সঙ্গে জানিয়ে দেওয়া হলো কোনটি কুকুর আর কোনটি বিড়াল। শুরুতে ব্যবস্থা প্রায় অনুমানের ভিত্তিতে ফলাফল দিতে পারে। কিন্তু প্রতিবার তার অনুমানের সঙ্গে সঠিক উত্তর তুলনা করা হয়। অনুমান ভুল হলে কতটা ভুল হয়েছে তা গাণিতিকভাবে নির্ণয় করা হয়। এরপর ব্যবস্থার অভ্যন্তরীণ সংখ্যাগত মানগুলো সামান্য পরিবর্তন করা হয়, যাতে পরবর্তীবার একই ধরনের তথ্য পেলে ভুলের পরিমাণ কিছুটা কমে।

এই প্রক্রিয়াই যন্ত্রশিক্ষার অন্যতম মৌলিক ধারণা। প্রচলিত কম্পিউটার কর্মসূচিতে মানুষ সাধারণত স্পষ্ট নিয়ম লিখে দেয়—এই শর্ত সত্য হলে এই কাজ করো, অন্যথায় অন্য কাজ করো। কিন্তু বাস্তব পৃথিবীর অনেক সমস্যা এত জটিল যে প্রতিটি সম্ভাব্য পরিস্থিতির জন্য আলাদা নিয়ম লেখা অসম্ভব। একটি বিড়াল শনাক্ত করার জন্যই যদি মানুষের হাতে নিয়ম লিখতে হয়, তাহলে কান কতটা লম্বা, চোখের আকৃতি কেমন, লোমের রং কী, প্রাণীটি বসে আছে না দৌড়াচ্ছে—এমন অসংখ্য পরিবর্তন বিবেচনা করতে হবে। যন্ত্রশিক্ষা এই সমস্যার ভিন্ন সমাধান দেয়। মানুষ প্রতিটি নিয়ম লিখে দেওয়ার পরিবর্তে উদাহরণ দেয়, আর ব্যবস্থা উদাহরণগুলোর মধ্যে কার্যকর সম্পর্ক খুঁজে বের করার চেষ্টা করে।

আধুনিক কৃত্রিম বুদ্ধিমত্তার অন্যতম গুরুত্বপূর্ণ ভিত্তি হলো কৃত্রিম স্নায়ুজাল। নামটি মানুষের মস্তিষ্কের স্নায়ুকোষ থেকে অনুপ্রাণিত হলেও এটি মস্তিষ্কের সরাসরি অনুলিপি নয়। কৃত্রিম স্নায়ুজালে অনেক ছোট গাণিতিক একক পরস্পরের সঙ্গে সংযুক্ত থাকে। প্রতিটি একক আগের স্তর থেকে কিছু সংখ্যা গ্রহণ করে, সেগুলোকে নির্দিষ্ট গুরুত্ব অনুযায়ী পরিবর্তন করে, যোগ করে এবং একটি গাণিতিক নিয়ম প্রয়োগ করে পরবর্তী স্তরে ফল পাঠায়।

এই সংযোগগুলোর গুরুত্বই শেখার ক্ষেত্রে অত্যন্ত গুরুত্বপূর্ণ। একটি নির্দিষ্ট সংকেত যদি সঠিক উত্তর তৈরিতে বেশি কার্যকর হয়, তার প্রভাব বাড়ানো যেতে পারে। অকার্যকর সংকেতের প্রভাব কমানো যায়। লক্ষ লক্ষ কিংবা কখনো শত শত কোটি সংখ্যাগত মানের সমন্বয়ে আধুনিক বৃহৎ স্নায়ুজাল গঠিত হতে পারে। প্রশিক্ষণের মূল উদ্দেশ্য হলো এই বিপুল সংখ্যক মান এমনভাবে সমন্বয় করা, যাতে ব্যবস্থা প্রদত্ত তথ্য থেকে কাঙ্ক্ষিত ফলাফল যথাসম্ভব নির্ভুলভাবে তৈরি করতে পারে।

একটি গভীর স্নায়ুজালে সাধারণত অনেক স্তর থাকে। প্রথম দিকের স্তর তুলনামূলক সরল বৈশিষ্ট্য শনাক্ত করতে পারে, আর পরবর্তী স্তরগুলো সেগুলোর সমন্বয় থেকে আরও জটিল বৈশিষ্ট্য ধরতে পারে। ছবি বিশ্লেষণের ক্ষেত্রে প্রাথমিক স্তর রেখা, প্রান্ত বা রঙের পরিবর্তনের মতো বৈশিষ্ট্যের প্রতি সংবেদনশীল হতে পারে। পরবর্তী স্তরগুলো এগুলোর সমন্বয়ে চোখ, কান, চাকা বা মুখের মতো কাঠামোর প্রতিনিধিত্ব গড়ে তুলতে পারে। আরও গভীর স্তরে সম্পূর্ণ বস্তু বা জটিল দৃশ্যের সঙ্গে সম্পর্কিত বৈশিষ্ট্য তৈরি হতে পারে।

তবে স্নায়ুজালকে প্রথম থেকেই কেউ বলে দেয় না যে নির্দিষ্ট কোনো অভ্যন্তরীণ একককে অবশ্যই “কান” শনাক্ত করতে হবে। প্রশিক্ষণের সময় সঠিক ফলাফল দেওয়ার জন্য উপযোগী অভ্যন্তরীণ প্রতিনিধিত্ব ধীরে ধীরে গড়ে ওঠে। এই বৈশিষ্ট্যটি গুরুত্বপূর্ণ, কারণ এর ফলে ব্যবস্থা এমন জটিল সম্পর্কও শিখতে পারে যেগুলো মানুষের পক্ষে হাতে লিখে নির্ধারণ করা অত্যন্ত কঠিন।

কিন্তু ব্যবস্থা বুঝবে কীভাবে যে সে ভুল করেছে? এখানে আসে ভুল পরিমাপের গাণিতিক ব্যবস্থা। কোনো স্নায়ুজাল একটি উত্তর দেওয়ার পর তার ফলাফল এবং প্রত্যাশিত ফলাফলের মধ্যে পার্থক্য নির্ণয় করা হয়। এই পার্থক্য যত বেশি, ব্যবস্থার ভুল তত বেশি। প্রশিক্ষণের লক্ষ্য হলো বারবার চেষ্টা করে এই ভুলের পরিমাণ কমানো।

এরপর একটি বিশেষ গাণিতিক প্রক্রিয়ায় নির্ণয় করা হয় স্নায়ুজালের কোন সংযোগগুলো ভুল ফলাফলের জন্য কতটা দায়ী। ফলাফলের স্তর থেকে এই তথ্য পেছনের স্তরগুলোর দিকে প্রবাহিত হয় এবং সংযোগগুলোর গুরুত্ব সামান্য পরিবর্তিত হয়। অর্থাৎ যন্ত্র তার ভুল নিয়ে মানুষের মতো অনুশোচনা করে না; বরং ভুলকে একটি সংখ্যায় প্রকাশ করে এবং সেই সংখ্যা কমানোর জন্য নিজের অভ্যন্তরীণ গাণিতিক মান পরিবর্তন করে।

এই পরিবর্তন একবার করলেই কাজ শেষ হয় না। বিপুল সংখ্যক উদাহরণ বারবার ব্যবস্থার মধ্য দিয়ে পাঠানো হয়। প্রতিবার পূর্বাভাস, ভুল নির্ণয় এবং মান পরিবর্তনের চক্র চলতে থাকে। লক্ষ লক্ষ বা কোটি কোটি পুনরাবৃত্তির পর ব্যবস্থা এমন অবস্থায় পৌঁছাতে পারে, যেখানে নতুন তথ্যের ক্ষেত্রেও যথেষ্ট ভালো ফলাফল দিতে সক্ষম হয়।

এখানেই একটি গুরুত্বপূর্ণ বিষয় হলো মুখস্থ করা এবং শেখার পার্থক্য। একটি ব্যবস্থা যদি প্রশিক্ষণের প্রতিটি উদাহরণ শুধু মুখস্থ করে ফেলে, তাহলে আগে না দেখা তথ্যের ক্ষেত্রে সেটি ব্যর্থ হতে পারে। ভালো যন্ত্রশিক্ষা ব্যবস্থার লক্ষ্য হলো নির্দিষ্ট উদাহরণ মুখস্থ করার পরিবর্তে উদাহরণগুলোর মধ্যে সাধারণ সম্পর্ক ও কাঠামো শিখে নেওয়া। এজন্য প্রশিক্ষণের সময় দেখা হয় ব্যবস্থা এমন তথ্যের ওপর কেমন কাজ করছে যা তাকে প্রশিক্ষণের জন্য সরাসরি দেওয়া হয়নি।

সব ধরনের কৃত্রিম বুদ্ধিমত্তা আবার একইভাবে শেখে না। কোনো কোনো ক্ষেত্রে সঠিক উত্তরসহ উদাহরণ দেওয়া হয়। কোথাও সঠিক উত্তর না দিয়ে বিপুল তথ্যের মধ্যকার গঠন ও সম্পর্ক খুঁজতে দেওয়া হয়। আবার কিছু ব্যবস্থায় একটি পরিবেশে কাজ করার সুযোগ দেওয়া হয় এবং ভালো কাজের জন্য পুরস্কার ও খারাপ কাজের জন্য নেতিবাচক সংকেত দেওয়া হয়। বারবার চেষ্টা করতে করতে ব্যবস্থা কোন ধরনের সিদ্ধান্তে বেশি পুরস্কার পাওয়া যায় তা শিখতে পারে।

খেলা শেখা একটি সহজ উদাহরণ। একটি কৃত্রিম ব্যবস্থা যদি কোনো কৌশলভিত্তিক খেলা বারবার খেলতে পারে, তাহলে জয়কে ইতিবাচক ফল এবং পরাজয়কে নেতিবাচক ফল হিসেবে ধরা যায়। শুরুতে তার চাল এলোমেলো হতে পারে। কিন্তু বিপুল সংখ্যক খেলার অভিজ্ঞতা থেকে কোন অবস্থায় কোন সিদ্ধান্ত ভবিষ্যতে জয়ের সম্ভাবনা বাড়ায়, সেটি গাণিতিকভাবে শেখা সম্ভব। এখানে যন্ত্রকে প্রতিটি পরিস্থিতির সঠিক চাল আলাদাভাবে লিখে দিতে হয় না।

ভাষাভিত্তিক কৃত্রিম বুদ্ধিমত্তার শেখার প্রক্রিয়া আরও বিস্ময়কর। একটি ভাষা ব্যবস্থা যখন বিপুল পরিমাণ লেখা থেকে প্রশিক্ষণ গ্রহণ করে, তখন লেখাকে ছোট ছোট সাংকেতিক অংশে বিভক্ত করা হয়। একটি অংশ সম্পূর্ণ শব্দ হতে পারে, আবার শব্দের অংশ বা কোনো চিহ্নও হতে পারে। প্রতিটি অংশকে সংখ্যাগত প্রতিনিধিত্বে রূপান্তর করা হয়, যাতে গাণিতিকভাবে সেগুলোর সম্পর্ক বিশ্লেষণ করা যায়।

এরপর ব্যবস্থাকে বিপুল পরিমাণ লেখার ধারাবাহিকতার মধ্যে পরবর্তী অংশ অনুমান করার মতো কাজ শেখানো যেতে পারে। যেমন একটি বাক্যের শুরু যদি হয় “বাংলাদেশের রাজধানী”, তাহলে পরবর্তী অংশ কী হওয়ার সম্ভাবনা বেশি—এটি অনুমান করতে হবে। প্রথমে ভুল হতে পারে। কিন্তু অসংখ্য উদাহরণের মাধ্যমে প্রশিক্ষিত হতে হতে ব্যবস্থা ভাষার শব্দবিন্যাস, ব্যাকরণ, বাক্যের গঠন, বিভিন্ন ধারণার সম্পর্ক এবং লেখায় প্রকাশিত বহু ধরনের জ্ঞান সম্পর্কে জটিল সংখ্যাগত সম্পর্ক তৈরি করে।

এই কারণেই আধুনিক ভাষা ব্যবস্থা শুধু মুখস্থ বাক্য ফিরিয়ে দেয় না। একটি নতুন প্রশ্নের উত্তর তৈরির সময় সেটি পূর্বে শেখা সংখ্যাগত সম্পর্ক ব্যবহার করে একটির পর একটি সম্ভাব্য ভাষাংশ নির্বাচন করে নতুন বাক্য গঠন করতে পারে। কিন্তু এখানেই একটি গুরুত্বপূর্ণ সীমাবদ্ধতা রয়েছে। সাবলীল ভাষা তৈরি করতে পারা এবং মানুষের মতো সত্যিকার অর্থে কোনো বিষয় উপলব্ধি করা একই বিষয় নয়।

আধুনিক ভাষাভিত্তিক কৃত্রিম বুদ্ধিমত্তায় মনোযোগভিত্তিক একটি বিশেষ পদ্ধতি অত্যন্ত গুরুত্বপূর্ণ। একটি বাক্যের সব শব্দ সমানভাবে গুরুত্বপূর্ণ নয়। কোনো একটি শব্দের অর্থ বুঝতে বাক্যের অনেক আগের অন্য একটি শব্দের সঙ্গে সম্পর্ক জানা প্রয়োজন হতে পারে। মনোযোগভিত্তিক ব্যবস্থা নির্ণয় করতে পারে বর্তমান অংশটি বোঝার ক্ষেত্রে আগের কোন অংশগুলোর প্রতি কতটা গুরুত্ব দেওয়া উচিত। এর ফলে দীর্ঘ বাক্য, অনুচ্ছেদ এবং জটিল ভাষাগত সম্পর্ক বিশ্লেষণ করা অনেক কার্যকর হয়েছে।

ধরা যাক লেখা হলো, “রহিম বইটি করিমকে দিল, কারণ সে বইটি পড়তে চেয়েছিল।” এখানে “সে” কাকে বোঝাচ্ছে তা নির্ধারণ করতে বাক্যের অন্যান্য অংশের সম্পর্ক বিশ্লেষণ করতে হয়। বাস্তব ভাষায় এমন সম্পর্ক আরও অনেক জটিল। আধুনিক ভাষা ব্যবস্থা বিভিন্ন অংশের মধ্যে সম্পর্কের শক্তি গণনা করে প্রসঙ্গভিত্তিক প্রতিনিধিত্ব তৈরি করতে পারে। এই ক্ষমতাই বর্তমান প্রজন্মের ভাষাভিত্তিক কৃত্রিম বুদ্ধিমত্তার অগ্রগতির অন্যতম প্রধান ভিত্তি।

কৃত্রিম বুদ্ধিমত্তার আরেকটি গুরুত্বপূর্ণ ধারণা হলো সংখ্যাগত অর্থস্থান। প্রশিক্ষণের মাধ্যমে শব্দ, ছবি বা অন্য তথ্যকে এমন সংখ্যাগত বিন্যাসে প্রকাশ করা যায়, যেখানে অর্থগতভাবে সম্পর্কিত বিষয়গুলো নির্দিষ্ট গাণিতিক অর্থে কাছাকাছি অবস্থান করতে পারে। যেমন রাজা, রানি, পুরুষ, নারী, শহর, দেশ কিংবা প্রাণীর মতো ধারণাগুলোর মধ্যকার বিভিন্ন সম্পর্ক সংখ্যাগত কাঠামোর মধ্যে প্রতিফলিত হতে পারে। মানুষের চোখে এই স্থান দেখা যায় না, কিন্তু গণনার মাধ্যমে এর ভেতরের দূরত্ব ও সম্পর্ক ব্যবহার করা যায়।

তাহলে কি কৃত্রিম বুদ্ধিমত্তা মানুষের মস্তিষ্কের মতোই শেখে? পুরোপুরি নয়। মানুষ অল্প উদাহরণ থেকেও অনেক কিছু শিখতে পারে। একটি শিশু কয়েকবার হাতি দেখেই হাতির ধারণা তৈরি করতে পারে। আধুনিক কৃত্রিম ব্যবস্থার অনেক ক্ষেত্রে একই দক্ষতা অর্জনের জন্য বিপুল পরিমাণ তথ্য ও গণনাশক্তির প্রয়োজন হয়। মানুষ একই সঙ্গে শরীর, অনুভূতি, স্মৃতি, সামাজিক অভিজ্ঞতা এবং বাস্তব পৃথিবীর সঙ্গে সরাসরি যোগাযোগের মাধ্যমে শেখে। যন্ত্রের শেখা সাধারণত নির্ধারিত তথ্য ও গাণিতিক উদ্দেশ্যের সীমার মধ্যে ঘটে।

মানুষ কারণ ও ফলাফল নিয়েও গভীরভাবে চিন্তা করতে পারে। কিন্তু যন্ত্র কোনো দুটি বিষয়ের মধ্যে শক্তিশালী সম্পর্ক খুঁজে পেলেই সেটি প্রমাণ করে না যে একটি অন্যটির কারণ। এই পার্থক্য অত্যন্ত গুরুত্বপূর্ণ। বিপুল তথ্যের মধ্যে ভুল, পক্ষপাত বা অসম প্রতিনিধিত্ব থাকলে কৃত্রিম ব্যবস্থা সেই সমস্যাগুলোও শিখে নিতে পারে। তাই কৃত্রিম বুদ্ধিমত্তার দক্ষতা অনেকাংশে নির্ভর করে তাকে কী তথ্য দেওয়া হয়েছে, কীভাবে প্রশিক্ষণ দেওয়া হয়েছে এবং কোন উদ্দেশ্যে তার ফলাফল মূল্যায়ন করা হয়েছে তার ওপর।

এ কারণেই কৃত্রিম বুদ্ধিমত্তা কখনো আত্মবিশ্বাসের সঙ্গে ভুল উত্তরও তৈরি করতে পারে। একটি ভাষা ব্যবস্থা মূলত শেখা গাণিতিক সম্পর্কের ভিত্তিতে সম্ভাব্য উত্তর নির্মাণ করে। তার তৈরি বাক্য ভাষাগতভাবে অত্যন্ত বিশ্বাসযোগ্য হলেও তথ্যগতভাবে ভুল হতে পারে। মানুষের কাছে একটি বাক্য সুন্দর ও যুক্তিসংগত শোনানো এবং বাস্তবে সেটি সত্য হওয়া দুটি ভিন্ন বিষয়। তাই চিকিৎসা, আইন, অর্থনীতি, প্রকৌশল কিংবা নিরাপত্তার মতো গুরুত্বপূর্ণ ক্ষেত্রে মানুষের যাচাই অত্যন্ত জরুরি।

কৃত্রিম বুদ্ধিমত্তা তৈরিতে গণনাশক্তির ভূমিকাও বিশাল। বৃহৎ স্নায়ুজালের প্রশিক্ষণে অসংখ্য গাণিতিক গুণ ও যোগের হিসাব করতে হয়। সাধারণ কম্পিউটারে যে কাজ অত্যন্ত দীর্ঘ সময় নিতে পারে, বিশেষায়িত গণনাযন্ত্র একসঙ্গে বিপুল সংখ্যক হিসাব সম্পন্ন করে সেটিকে দ্রুততর করতে পারে। আধুনিক কৃত্রিম বুদ্ধিমত্তার বিস্ফোরক অগ্রগতির পেছনে তাই শুধু নতুন গাণিতিক পদ্ধতি নয়, বিশাল তথ্যভান্ডার এবং শক্তিশালী গণনাব্যবস্থার উন্নতিও গুরুত্বপূর্ণ।

প্রশিক্ষণ শেষ হওয়ার পর শুরু হয় ব্যবহারের আরেকটি পর্যায়। তখন নতুন তথ্য ব্যবস্থার মধ্যে প্রবেশ করানো হলে প্রশিক্ষণের সময় শেখা সংখ্যাগত মান ব্যবহার করে ফলাফল তৈরি করা হয়। একটি ছবির ক্ষেত্রে সেটি বস্তু শনাক্ত করতে পারে, ভাষার ক্ষেত্রে উত্তর তৈরি করতে পারে, আবার সংখ্যাগত তথ্যের ক্ষেত্রে সম্ভাব্য ভবিষ্যৎ ফলাফল অনুমান করতে পারে। প্রশিক্ষণ অত্যন্ত ব্যয়বহুল হতে পারে, কিন্তু প্রশিক্ষিত ব্যবস্থা থেকে একটি ফলাফল তৈরি করা সাধারণত তুলনামূলকভাবে কম গণনাশক্তিতে সম্ভব।

সবচেয়ে আকর্ষণীয় বিষয় হলো, কৃত্রিম বুদ্ধিমত্তার কোনো একক অংশের মধ্যে সম্পূর্ণ “বুদ্ধি” লুকিয়ে থাকে না। একটি বৃহৎ স্নায়ুজালের ক্ষমতা অসংখ্য ক্ষুদ্র গাণিতিক সংযোগের সম্মিলিত আচরণ থেকে তৈরি হয়। পৃথক একটি সংযোগ দেখলে তার বিশেষ অর্থ নাও বোঝা যেতে পারে, কিন্তু কোটি কোটি সংযোগ একসঙ্গে কাজ করলে ভাষা তৈরি, ছবি শনাক্তকরণ কিংবা জটিল নকশা বিশ্লেষণের মতো আচরণ দেখা দিতে পারে।

এই কারণে উন্নত কৃত্রিম বুদ্ধিমত্তার সিদ্ধান্ত সব সময় সহজে ব্যাখ্যা করাও সম্ভব হয় না। ব্যবস্থা সঠিক উত্তর দিলেও তার অভ্যন্তরে ঠিক কোন বৈশিষ্ট্যের সমন্বয় সিদ্ধান্তটির জন্য প্রধান ভূমিকা রেখেছে, তা নির্ণয় করা কঠিন হতে পারে। গুরুত্বপূর্ণ ক্ষেত্রে তাই এমন কৃত্রিম বুদ্ধিমত্তা তৈরির চেষ্টা চলছে যার সিদ্ধান্ত শুধু নির্ভুল নয়, মানুষের কাছে যথাসম্ভব ব্যাখ্যাযোগ্যও।

কৃত্রিম বুদ্ধিমত্তাকে মানুষের মতো শেখে বলা তাই কিছুটা সুবিধাজনক উপমা, কিন্তু বৈজ্ঞানিকভাবে বিষয়টি আরও সূক্ষ্ম। মানুষ অভিজ্ঞতা থেকে শেখে, আর আধুনিক কৃত্রিম ব্যবস্থা প্রধানত তথ্যের মধ্যে গাণিতিক বিন্যাস শনাক্ত করে নিজের অভ্যন্তরীণ সংখ্যাগত মান পরিবর্তনের মাধ্যমে নির্দিষ্ট কাজে দক্ষ হয়ে ওঠে। মানুষের মস্তিষ্কে জীবন্ত স্নায়ুকোষের জটিল জৈবিক কার্যকলাপ ঘটে; কৃত্রিম স্নায়ুজালে ঘটে সংখ্যা, গুণ, যোগ, সম্ভাবনা এবং গাণিতিক রূপান্তরের বিশাল ধারাবাহিকতা।

তবু ফলাফল কখনো এতটাই মানবসদৃশ হয় যে পার্থক্যটি আমাদের বিস্মিত করে। একটি ব্যবস্থা কবিতার ধরন শনাক্ত করতে পারে, দীর্ঘ প্রশ্নের উত্তর দিতে পারে, ছবির বিষয়বস্তু ব্যাখ্যা করতে পারে কিংবা এমন সমস্যার সমাধান করতে পারে যার প্রতিটি নিয়ম তাকে সরাসরি শেখানো হয়নি। এই ক্ষমতার পেছনে কোনো রহস্যময় যান্ত্রিক চেতনা থাকার প্রয়োজন নেই। বিপুল তথ্য, অসংখ্য গাণিতিক সংযোগ, ভুল থেকে সংখ্যাগত সংশোধন এবং কোটি কোটি পুনরাবৃত্ত শেখার ধাপ মিলেই এমন জটিল আচরণ সৃষ্টি করতে পারে।

কৃত্রিম বুদ্ধিমত্তার ভবিষ্যৎ তাই শুধু আরও বড় ব্যবস্থা তৈরির মধ্যে সীমাবদ্ধ নয়। কম তথ্য থেকে শেখা, যুক্তির ধারাবাহিকতা উন্নত করা, ভুল তথ্য কমানো, বাস্তব পৃথিবীর কারণ ও ফলাফল ভালোভাবে বোঝা, সিদ্ধান্ত ব্যাখ্যা করা এবং মানুষের মূল্যবোধ ও নির্দেশনার সঙ্গে নির্ভরযোগ্যভাবে সামঞ্জস্য রেখে কাজ করানো—এসবই পরবর্তী অগ্রগতির গুরুত্বপূর্ণ ক্ষেত্র।

শেষ পর্যন্ত কৃত্রিম বুদ্ধিমত্তার সবচেয়ে বিস্ময়কর দিক সম্ভবত এই যে, অত্যন্ত সরল গাণিতিক ক্রিয়ার বিপুল সমন্বয় থেকে অবিশ্বাস্য রকম জটিল ক্ষমতা তৈরি হতে পারে। একটি যন্ত্র মানুষের মতো মস্তিষ্ক নিয়ে জন্মায় না, মানুষের মতো শৈশব কাটায় না এবং পৃথিবীকে মানুষের মতো অনুভবও করে না। তারপরও যথেষ্ট তথ্য, উপযুক্ত শেখার পদ্ধতি এবং বিপুল গণনাশক্তি পেলে সেটি তথ্যের ভেতরে এমন সব সূক্ষ্ম সম্পর্ক আবিষ্কার করতে পারে যা তাকে বুদ্ধিমান বলে মনে হওয়া আচরণ করতে সক্ষম করে। আর এই সংখ্যার জগত থেকে শেখার ক্ষমতাই আধুনিক কৃত্রিম বুদ্ধিমত্তার প্রকৃত বৈজ্ঞানিক বিস্ময়।