ধরেন, আপনাকে বলা হলো ঢাকার ভবিষ্যৎ কল্পনা করতে। খুব দূরের ভবিষ্যৎ নয়, ধরা যাক পঞ্চাশ বছর পরের ঢাকা। শহরটা তখন কেমন হবে? কেমন হবে তার রাস্তাঘাট, বাড়িঘর, মানুষের জীবনযাপন? আপনি হয়তো ভাবতে শুরু করবেন। পুরান ঢাকার কোনো সরু গলিতে তখনও কি মানুষ সন্ধ্যাবেলা চা খেতে বসবে? বুড়িগঙ্গার পানি কি আরও কালো হবে, নাকি কোনো এক অসম্ভব সকালে নদীটাকে আবার নদীর মতো দেখাবে? ঢাকার আশেপাশে যে ভবনগুলো উঠছে, সেগুলোর জায়গায় আরও কতগুলো ভবন উঠবে? কিংবা হয়তো আপনার কল্পনায় আসবে এমন এক ঢাকা, যেখানে এখনকার কোনো কিছুরই অস্তিত্ব নেই।

এবার এই কাজটা নিজের হাতে না করে কৃত্রিম বুদ্ধিমত্তার হাতে ছেড়ে দিন। কয়েকটা জেনারেটিভ এআই মডেলকে একই নির্দেশ দিন: ‘ভবিষ্যতের ঢাকা আঁকো।’ মডেলগুলো কয়েক মুহূর্তের মধ্যেই ছবি বানিয়ে দেবে। ছবিগুলো দেখতে বেশ চমৎকার। কাচে মোড়া সুউচ্চ ভবন, নীলচে আলোয় ঝলমলে রাস্তা, আকাশের গায়ে উঠে যাওয়া স্কাইস্ক্র্যাপার, কোথাও কোথাও উড়ন্ত গাড়ি। শহরের গায়ে ভবিষ্যতের একটা চকচকে আবরণ। ছবিগুলো দেখে মনে হতে পারে, ঢাকা বুঝি একদিন সিঙ্গাপুর কিংবা ‘উন্নত’ কোনো শহরের সাথে পাল্লা দেবে। কিন্তু একটু খেয়াল করলেই একটা প্রশ্ন মাথায় আসবে: বর্তমানের ঢাকা তাহলে কোথায় গেল?

ঢাকার ভবিষ্যৎ কল্পনা করতে গিয়ে আমরা যে শহরটাকে চিনি, তার প্রায় কিছুই ছবিগুলোতে নেই। নেই তার অগোছালো রাস্তাঘাট, নেই তার চায়ের দোকান, নেই ফুটপাতের দখল নিয়ে প্রতিদিনের দর-কষাকষি, নেই তার অসংখ্য বৈপরীত্য। শহরটা যেন ভবিষ্যতে পৌঁছানোর আগেই নিজের বর্তমানকে হারিয়ে ফেলেছে। তার বদলে হাজির হয়েছে এমন এক শহর, যাকে পৃথিবীর আরও অনেক শহরের সাথে গুলিয়ে ফেলা সম্ভব। হয়তো ঢাকাকে অন্য শহরগুলো থেকে আলাদা করার জন্য বর্তমানের কিছু বড় বড় স্থাপনা সে রাখতে পারে। কিন্তু ছবিগুলোতে ভবিষ্যৎ আছে, আছে উন্নয়নের একটা পরিচিত আন্তর্জাতিক ভাষা – যেখানে ভবিষ্যৎ মানেই কাচের ভবন, প্রশস্ত রাস্তা, নিয়ন আলো আর ঝকঝকে অবকাঠামো।

অবশ্য, কয়েকটা ছবি দেখে জেনারেটিভ এআই সম্পর্কে চূড়ান্ত কোনো সিদ্ধান্তে পৌঁছানোর দরকার নেই। এই পরীক্ষাকে বৈজ্ঞানিক গবেষণা হিসেবেও হাজির করার সুযোগ নেই। কিন্তু ছোট্ট এই অভিজ্ঞতা একটা বড় প্রশ্নের দরজা খুলে দেয়। আমরা যখন কোনো কিছু কল্পনা করতে বলি, তখন এআই আসলে কী করে? আমাদের কল্পনাকে দৃশ্যমান করে, নাকি কল্পনা করার আগেই আমাদের সামনে সম্ভাব্য কিছু দৃশ্য সাজিয়ে রাখে? আর যদি দ্বিতীয় ঘটনাটিও ঘটে, তাহলে সেই সম্ভাবনাগুলো কোথা থেকে আসে?

প্রশ্নটা গুরুত্বপূর্ণ, কারণ জেনারেটিভ এআইকে ঘিরে আমাদের সময়ের সবচেয়ে আকর্ষণীয় প্রতিশ্রুতিগুলোর একটা হলো সৃজনশীলতার গণতন্ত্রীকরণ। কথাটা একেবারে অমূলক নয়, এর পক্ষে যথেষ্ট শক্তিশালী যুক্তি আছে। এত দিন একটা ছবি আঁকতে চাইলে ছবি আঁকার দক্ষতা লাগত। মাথায় একটা বাড়ির নকশা এলে সেটাকে কাগজে ফুটিয়ে তুলতে জানতে হতো স্থাপত্যের ভাষা, রেখা টানার কৌশল, আলো-ছায়ার ব্যবহার - আরো কত কি। একটা অ্যানিমেশন বানাতে চাইলে লাগত সফটওয়্যার, সময়, প্রশিক্ষণ এবং অনেক ক্ষেত্রে একটা পুরো টিম। এখন আপনি কয়েকটা বাক্যে নিজের ধারণাটা লিখে দিলেই এআই তার একটা দৃশ্যমান রূপ হাজির করতে পারে। আঁকতে জানেন না? সমস্যা নেই। ডিজাইন বোঝেন না? তাতেও আপাতত কাজ চলে যাবে। আপনার কল্পনায় একটা দৃশ্য আছে, সেটাকে ভাষায় প্রকাশ করতে পারলেই হলো।

এই পরিবর্তনকে ছোট করে দেখার কোনো কারণ নেই। প্রযুক্তির ইতিহাসেও এমন ঘটনা নতুন নয়। একসময় আলোকচিত্রের আবির্ভাব ছবি তৈরির ক্ষমতাকে অনেক বেশি মানুষের নাগালে নিয়ে এসেছিল। ছবি আঁকার দীর্ঘ প্রশিক্ষণ ছাড়াই মানুষ নিজের চারপাশের দৃশ্য ধরে রাখতে পারল। ওয়াল্টার বেঞ্জামিন আলোকচিত্র ও যান্ত্রিক পুনরুৎপাদনের এই পরিবর্তনকে দেখেছিলেন শিল্পের সামাজিক অবস্থান বদলে যাওয়ার একটা গুরুত্বপূর্ণ মুহূর্ত হিসেবে। শিল্প আর কেবল বিশেষ দক্ষতাসম্পন্ন মানুষের হাতে সীমাবদ্ধ থাকল না, আর aura বা মাহাত্ম্য কমে গেল, তার উৎপাদন ও প্রচারের পরিসরও বদলে গেল।

জেনারেটিভ এআইয়ের ক্ষেত্রেও এমন একটা সম্ভাবনা আছে। সৃজনশীল কাজের দরজাটা আরও অনেক মানুষের জন্য খুলে যাচ্ছে। এই সম্ভাবনাকে অস্বীকার করা মানে বাস্তব একটা পরিবর্তনকে অস্বীকার করা। এখানে একটা কিন্তু আছে। কোনো কিছু তৈরি করার ক্ষমতা অনেক মানুষের হাতে পৌঁছে গেলেই কি তাঁদের সৃজনশীলতার পরিসরও সমানভাবে বেড়ে যায়? নাকি তৈরি করার ক্ষমতা আর কল্পনা করার ক্ষমতা – দুটোকে আমরা একটু গুলিয়ে ফেলছি?

ধরেন, আপনি একটা ছবি বানাতে চান। আগে হয়তো আপনাকে ভাবতে হতো ছবিটা দেখতে কেমন হবে, কোন জিনিসটা কোথায় থাকবে, আলো ছায়ার কম্বিনেশন কীভাবে হবে, রং কেমন হবে, দৃশ্যের মধ্যে কী ধরনের আবহ থাকবে। তারপর আঁকতে বসতেন। কাজটা কঠিন, সময়সাপেক্ষ, এবং বলা চলে বিরক্তিকরও। কিন্তু এই পুরো প্রক্রিয়ার মধ্যেই আপনার ভাবনাটা পূর্ণতা পেত। একটা রেখা টানতে গিয়ে নতুন কোনো ধারণা আসত, রং মেলাতে গিয়ে আগের পরিকল্পনা পাল্টে যেত, আঁকতে গিয়ে বুঝতে পারতেন – মাথায় যে ছবিটা ছিল, আসলে সেটাই আপনি চান না। অর্থাৎ, তৈরি করার কাজটা কেবল কল্পনাকে বাস্তবে নামিয়ে আনার ব্যাপার ছিল না, তৈরি করতে করতেই কল্পনাটাও তৈরি হচ্ছিল।

এখন আপনি চাইলে সেই দীর্ঘ পথের অনেকটাই এড়িয়ে যেতে পারেন। লিখলেন, ‘একটা বৃষ্টিভেজা ঢাকার রাস্তা, রাতের আলো, সিনেমাটিক আবহ।’ কয়েক সেকেন্ড পরেই ছবি হাজির। পছন্দ হলো না? আরেকটা প্রম্পট দিন। এবার একটু বেশি কুয়াশা, একটু কম আলো, রাস্তার পাশে পুরোনো বাড়ি। আবার ছবি। এভাবে একের পর এক ছবি তৈরি হতে পারে। আপনার হাতে বিকল্পের অভাব নেই। কিন্তু খেয়াল করুন, এখানে একটা অদ্ভুত পরিবর্তন ঘটেছে। আপনি আর ছবিটা তৈরি করছেন না, অন্তত আগের অর্থে তৈরি নয়। আপনি মূলত ছবির বর্ণনা দিচ্ছেন, আর একটা যন্ত্র সেই বর্ণনাকে দৃশ্যমান রূপ দিচ্ছে।

এই পার্থক্যটা শুনতে সামান্য মনে হতে পারে। কিন্তু সৃজনশীলতার প্রশ্নে এর তাৎপর্য অনেক। কারণ কল্পনা কেবল মাথার ভেতর কোনো ছবি দেখতে পাওয়ার নাম নয়। কল্পনাকে প্রকাশ করতে গিয়ে, তার সাথে লড়াই করতে গিয়ে, নিজের ভাবনাকে বারবার সংশোধন করতে গিয়েও কল্পনার বিকাশ ঘটে। ফলে যে প্রযুক্তি আমাদের কিছু তৈরি করার ক্ষমতা বাড়িয়ে দিচ্ছে, সেই প্রযুক্তিই যদি তৈরি করার পুরো প্রক্রিয়াটাকে আমাদের কাছ থেকে সরিয়ে নেয়, তাহলে একটা নতুন প্রশ্ন তৈরি হয়। আমরা কি আরও বেশি সৃজনশীল হয়ে উঠছি, নাকি সৃজনশীলতার ফলাফল তৈরির কাজটা সহজ হয়ে যাওয়ায় তার অনুশীলনটাই কমিয়ে দিচ্ছি?

কথাটা শুধু ছবির বেলায় সত্যি নয়। একটা বই বা প্রবন্ধ পড়ার কথাই ভাবুন। এআইকে দিলে সে এক নিমিষে সারাংশ বের করে দেয়, কে কী বলছেন, মূল যুক্তি কী - সবকিছু। এটা কাজের জিনিস, সন্দেহ নেই, কোন লেখাটা পড়ার যোগ্য, সেটা বাছতে সারাংশ দারুণ সাহায্য করে। কিন্তু সারাংশ হাতে পেলেই কি আপনি লেখাটা পড়লেন? পড়া মানে তো শুধু তথ্য তুলে নেওয়া নয়। পড়তে পড়তে লেখকের কথার সাথে আপনার পুরোনো ধারণার একটা ঠোকাঠুকি লাগে, কোথাও আপনি মেনে নেন, কোথাও বিরোধিতা করেন, কোথাও আবার অবাক হয়ে যান, আর অনেক সময় নিজের অজান্তেই একটু বদলে যান। এই ঠোকাঠুকি কেমন হবে, তা নির্ভর করে আপনি কে তার ওপর। মানে আপনার অভিজ্ঞতা, আপনার জানাশোনা, আপনার সামর্থ্য এসবের উপর। তাই একই বই দুজন পড়লে দুজন দুই রিফ্লেকশনে পৌঁছান। লেখার বেলাতেও তা-ই। লিখতে গিয়ে আমরা শুধু ভাবনা প্রকাশ করি না, ভাবনাটাকে খুঁজেও পাই। অথচ সারাংশ সবার জন্য মোটামুটি একই। যে পড়ার ফল ছিল লাখো রকম, তাকে একটা সারাংশে নামিয়ে আনলে ফলটাও এক হয়ে যায়। ছবি, লেখা আর পড়া, তিন ক্ষেত্রেই আসলে একই ঘটনা ঘটছে। ফলাফলটা সবাইকে দিয়ে দেওয়া যায়, কিন্তু যে অভিজ্ঞতার ভেতর দিয়ে ফলাফলটা আসত, সেটা তো আর দেওয়া যায় না।

ছবির প্রসঙ্গে ফিরি। এই জায়গায় এসে জেনারেটিভ এআইয়ের সাথে ফটোগ্রাফি বা আলোকচিত্রের তুলনাটা আর পুরোপুরি খাটে না। আলোকচিত্র মূলত আমাদের সামনে থাকা কোনো কিছুকে ধারণ করে, তারপর সেই দৃশ্যকে পুনরুৎপাদনের সুযোগ করে দেয়। জেনারেটিভ এআইয়ের কাজটা আলাদা। সে কেবল আগে থেকে থাকা কোনো দৃশ্যের অনুলিপি তৈরি করে না, এমন দৃশ্যও তৈরি করে, যার বাস্তবে কোনো অস্তিত্ব নেই। অর্থাৎ, যন্ত্রটি এখন শুধু বাস্তবতাকে পুনরুৎপাদন করছে না, বাস্তবতার সম্ভাব্য রূপও উৎপাদন করছে। এই পরিবর্তনটা বেশ তাৎপর্যপূর্ণ। কারণ এখানে প্রযুক্তি আর কেবল আমাদের দেখা জিনিসের সংখ্যা বাড়াচ্ছে না, আমরা কী দেখতে পারি, কী কল্পনা করতে পারি – সেই পরিসরেও ঢুকে পড়ছে।

এখানে হিটো স্টেয়ার্লের ‘মিন ইমেজেস’ ধারণাটি আমরা কাজে লাগাতে পারি। ইংরেজিতে mean শব্দটার একাধিক মানে আছে: গড়, আবার রূঢ়। স্টেয়ার্ল সেই একাধিক অর্থই কাজে লাগিয়েছেন। তাঁর যুক্তিটাকে মোটামুটি এভাবে বলা যায়: এআইয়ের বানানো ছবি আসলে বাস্তব কোনো বস্তুর ছবি নয়, পরিসংখ্যানের হিসাবে গড়া ইমাজিনেশন, যার জন্ম ইন্টারনেট থেকে কুড়িয়ে আনা বিপুল ছবির ভিড় থেকে। ফলে যে গড়টা তৈরি হয়, সেটা সমাজের প্রচলিত মনোভাব, মূল্যবোধ আর রুচিরই গড়, তাই সে নিরীহ নয়। জেনারেটিভ এআইয়ের যুগে এই ভাবনাকে নতুন করে পড়ার সুযোগ তৈরি হয়েছে। কারণ এখন যন্ত্র শুধু ছবির ভিড়ে সার্ফিং করছে না, সেই ভিড় থেকে শেখা বৈশিষ্ট্যগুলো ব্যবহার করে নতুন ছবিও তৈরি করছে।

বিষয়টা একটু সহজ করে বলি। আপনি যদি কোনো এআই মডেলকে একটা ছবি বানাতে বলেন, সে শূন্য থেকে ছবিটা আঁকে না। তাকে বিপুলসংখ্যক ছবি দেখিয়ে প্রশিক্ষণ দেওয়া হয়েছে। সেই ছবিগুলোর মধ্যে আছে প্রফেশনাল ফটোগ্রাফি, বিজ্ঞাপনের ছবি, সিনেমার দৃশ্য, ডিজিটাল আর্ট, সামাজিক যোগাযোগমাধ্যমে ছড়িয়ে পড়া ছবি – আরও কত কী। প্রশিক্ষণের মধ্য দিয়ে মডেলটি এসব ছবির নানা প্যাটার্ন, পারস্পরিক সম্পর্ক, রং, বিন্যাস, অবয়ব ও শৈলীর বৈশিষ্ট্য শিখে নেয়। এরপর আপনার নির্দেশের সাথে মিলিয়ে সেই শেখা সম্পর্কগুলোর ভিত্তিতে নতুন ছবি তৈরি করে। সে কোনো ছবির আলমারি খুলে আপনার চাওয়া ছবিটা বের করে দেয় না, বরং আগে শেখা অসংখ্য সম্পর্কের ভিত্তিতে একটা নতুন দৃশ্য নির্মাণ করে।

তবে এই প্রক্রিয়াকে এমনভাবে বোঝা ঠিক হবে না যে মডেলটি সব ছবির একটা গাণিতিক গড় বের করে সেটাই আমাদের দেখায়। ব্যাপারটা তার চেয়ে জটিল। কিন্তু ‘গড়’ কথাটা এখানে অন্য একটা অর্থে কাজে লাগে। একটা মডেল বিপুলসংখ্যক ছবির ভেতর থেকে যে সাধারণ প্রবণতাগুলো শেখে, সেগুলোই তার কাছে কোনো নির্দিষ্ট ধরনের ছবির সম্ভাব্য রূপ নির্ধারণে ভূমিকা রাখে। ফলে আমরা যখন খুব সাধারণ কোনো নির্দেশ দিই, তখন মডেলটি অনেক সময় এমন একটা দৃশ্য তৈরি করে, যা ওই ধরনের ছবির পরিচিত বৈশিষ্ট্যগুলোকে একসাথে হাজির করে। ছবিটি হয়তো সুন্দর, পরিপাটি, এমনকি প্রফেশনালও। কিন্তু তার মধ্যে এমন কিছু থাকে, যা আগে থেকেই আমাদের চোখে পরিচিত। মনে হয়, এমন ছবি আমরা কোথাও দেখেছি। হয়তো বিজ্ঞাপনে, হয়তো কোনো সিনেমার পোস্টারে, কিংবা সামাজিক যোগাযোগমাধ্যমে কারও শেয়ার করা ডিজিটাল আর্টে।

এখানে একটা মজার ব্যাপার আছে। আমরা প্রায়ই এআইয়ের তৈরি ছবির প্রশংসা করি এই বলে যে, ছবিটা একেবারে নিখুঁত। কিন্তু নিখুঁত হওয়ার এই প্রবণতাই কখনো কখনো ছবিটাকে নির্দিষ্ট কোনো অভিজ্ঞতা থেকে দূরে সরিয়ে দেয়। ছবির আলো ঠিকঠাক, রং সুন্দর, অবয়ব আকর্ষণীয়, সবকিছু যেন নিজের জায়গায় আছে। অথচ কোথাও একটা অস্বস্তি থেকে যায়। ছবিটা দেখতে ভালো, কিন্তু তার মধ্যে এমন কোনো খুঁত নেই, যা দেখে মনে হবে – এটা কেউ নিজের অভিজ্ঞতা থেকে তৈরি করেছে। যেন ছবিটির সবকিছুই ঠিক, শুধু তার নিজস্ব কোনো গল্প নেই।

অবশ্য এআইয়ের তৈরি সব ছবি গড় ছবি হয় না। দক্ষ ইউজার, দীর্ঘ প্রম্পট, বারবার সংশোধন এবং বিভিন্ন কৌশলের মাধ্যমে পরিচিত নান্দনিকতার বাইরে যাওয়া সম্ভব। কোনো শিল্পী চাইলে এআইকে এমনভাবেও ব্যবহার করতে পারেন, যা প্রচলিত রুচি ও ইমেজ ল্যাঙ্গুয়েজকে প্রশ্নের মুখে দাঁড় করায়। কিন্তু আমাদের আলোচনার বিষয় সেই ব্যতিক্রমী ব্যবহার নয়। আমরা বরং ভাবতে চাই, সাধারণ ব্যবহারকারীর হাতে এই প্রযুক্তি কী ধরনের সম্ভাবনা হাজির করছে। কারণ প্রযুক্তির প্রকৃত সামাজিক প্রভাব অনেক সময় তার সবচেয়ে দক্ষ ব্যবহারকারীদের কাজ দিয়ে বোঝা যায় না, বোঝা যায় বিপুলসংখ্যক সাধারণ মানুষ প্রতিদিন সেটাকে কীভাবে ব্যবহার করছেন, তা দিয়ে।

আর এই সাধারণ ব্যবহারের মধ্যেই আরেকটা বিষয় কাজ করে। আমরা যখন কোনো ছবি পছন্দ করি, তখন সেই পছন্দ কেবল ব্যক্তিগত রুচির ব্যাপার থাকে না। আমাদের পছন্দ, অপছন্দ, ক্লিক, শেয়ার, লাইক – এসবের মধ্য দিয়েও ডিজিটাল প্ল্যাটফর্মগুলো বুঝতে চেষ্টা করে কোন ধরনের ছবি মানুষ বেশি গ্রহণ করছে। কোন ছবিতে এঙ্গেজমেন্ট বেশি, কোন ছবিতে প্রতিক্রিয়া বেশি, কোন ধরনের দৃশ্য বেশি ছড়িয়ে পড়ছে – এসব তথ্য প্ল্যাটফর্মের কাছে গুরুত্বপূর্ণ। ফলে আমাদের চোখে যে ছবিগুলো বারবার হাজির হয়, সেগুলোর পেছনে কেবল কোনো শিল্পীর ব্যক্তিগত সিদ্ধান্ত থাকে না, থাকে প্ল্যাটফর্মের বাছাই ও দৃশ্যমানতা তৈরির ব্যবস্থাও।

এই ব্যবস্থার সাথে জেনারেটিভ এআইয়ের সম্পর্কটা একটু খেয়াল করুন। একদিকে প্ল্যাটফর্ম আমাদের পছন্দের সাথে মেলে এমন ছবি বেশি করে সামনে আনছে। অন্যদিকে সেই ছবির জগৎ থেকেই প্রশিক্ষণ নেওয়া এআই আবার আমাদের জন্য নতুন ছবি তৈরি করছে। অর্থাৎ, আমরা যা পছন্দ করি, তা আমাদের সামনে আরও বেশি করে হাজির হচ্ছে, আর সেই পরিচিত পছন্দের জগৎ থেকেই নতুন কিছু তৈরির উপকরণও আসছে। এখানে একটা বৃত্ত তৈরি হওয়ার সম্ভাবনা আছে। পরিচিত নান্দনিকতা বেশি দৃশ্যমান হয়, সেই নান্দনিকতা আরও বেশি ব্যবহৃত হয়, আর তার ভিত্তিতে তৈরি ছবিও আবার পরিচিত রুচিকে শক্তিশালী করে।

প্রশিক্ষণের উপাত্ত, প্ল্যাটফর্মের বাছাই, মানুষের প্রতিক্রিয়া, মডেলের নকশা, ব্যবহারকারীর নির্দেশ – সব মিলিয়ে এমন এক পরিবেশ তৈরি হয়, যেখানে কিছু নান্দনিক প্রবণতা অন্যগুলোর তুলনায় বেশি সুবিধা পায়। আর যেগুলো বেশি সুবিধা পায়, সেগুলোই ধীরে ধীরে আমাদের কাছে স্বাভাবিক বলে মনে হতে শুরু করে।

তবে এই পুরো ব্যবস্থার মধ্যে একটা গুরুত্বপূর্ণ পার্থক্য আছে। কোনো মডেল কীভাবে প্রশিক্ষিত হয়েছে, কোন ধরনের ডেটা তার শেখার ভিত্তি, ব্যবহারকারীর প্রতিক্রিয়া দিয়ে তাকে কতটা সংশোধন করা হয়েছে – এসবের প্রভাব এক নয়। মানুষের প্রতিক্রিয়া থেকে শেখার প্রক্রিয়ায় কোনো ছবি বেশি গ্রহণযোগ্য বলে বিবেচিত হতে পারে, আবার প্রশিক্ষণের ডেটার ভারসাম্যহীনতা কোনো নির্দিষ্ট ভাষা, অঞ্চল বা সংস্কৃতির দৃশ্যকে অন্যগুলোর তুলনায় বেশি প্রতিনিধিত্ব দিতে পারে। একইভাবে, এআইয়ের তৈরি উপাত্ত দিয়ে ভবিষ্যতের মডেলকে প্রশিক্ষণ দিলে কিছু বিশেষ পরিস্থিতিতে বৈচিত্র্য কমে যাওয়ার ঝুঁকি তৈরি হয়। গবেষকেরা এই ধরনের একটা সমস্যাকে ‘মডেল কলাপ্স’ নামে চিহ্নিত করেছেন। তবে এর মানে এই নয় যে সব এআই মডেল অনিবার্যভাবে নিজের তৈরি ছবিতে প্রশিক্ষিত হয়ে নিজেদেরই পুনরুৎপাদন করছে। বরং নির্দিষ্ট পরিস্থিতিতে কৃত্রিম উপাত্তের ওপর অতিরিক্ত নির্ভরতা কীভাবে মূল উপাত্তের বৈচিত্র্য ও বিরল বৈশিষ্ট্যগুলোকে হারিয়ে দিতে পারে, সেটাই এখানে গুরুত্বপূর্ণ।

এখন গুরুত্বপুর্ন প্রশ্ন হলো, কোন ধরনের ছবি তৈরি করা সহজ হচ্ছে, কোন ধরনের নান্দনিকতা মডেল সহজে বুঝতে পারছে, আর কোন ধরনের অভিজ্ঞতা তার কাছে প্রায় অদৃশ্য থেকে যাচ্ছে। ভবিষ্যতের ঢাকা বলতে যদি বারবার কাচের ভবন আর নিয়ন আলোই ফিরে আসে, তাহলে প্রশ্ন করতে হবে – ঢাকার মানুষ ভবিষ্যৎ কল্পনা করতে গিয়ে কি সত্যিই শুধু এমন শহরই ভাবছে, নাকি ভবিষ্যৎকে দৃশ্যমান করার জন্য আমরা এমন এক যন্ত্রের ওপর নির্ভর করছি, যার কাছে এই ছবিটাই সবচেয়ে পরিচিত?

এখানে এসে ভিলেম ফ্লুসারের কথা মনে করা যেতে পারে। প্রযুক্তি নিয়ে তাঁর ভাবনার একটা মজার দিক হলো, তিনি যন্ত্রকে কখনোই কেবল মানুষের ইচ্ছাপূরণের নিরীহ হাতিয়ার হিসেবে দেখেননি। তাঁর মতে, আধুনিক প্রযুক্তিগত যন্ত্রের নিজস্ব একটা কার্যপদ্ধতি আছে, নিজস্ব নিয়ম আছে। যন্ত্রটি কী কী করতে পারে, কোন পথে কাজ করে, কোন ফলাফল তৈরি করতে পারে – এসব কিছু তার ভেতরেই আগে থেকে নির্ধারিত থাকে। ফ্লুসার এই ব্যবস্থাকে বলেছিলেন ‘অ্যাপারেটাস’। শব্দটার বাংলা করলে দাঁড়ায় যন্ত্রব্যবস্থা, যদিও শুধু যন্ত্র বললে এর ব্যাপ্তিটা বোঝা যায় না। কারণ অ্যাপারেটাস বলতে তিনি কেবল কোনো বস্তু বা মেশিন বোঝাননি, বোঝাতে চেয়েছেন এমন একটা ব্যবস্থা, যার মধ্যে প্রযুক্তি, নিয়ম, সম্ভাবনা এবং সেগুলো পরিচালনার যুক্তি একসাথে কাজ করে।

ফ্লুসারের কাছে ক্যামেরাই ছিল এর একটা গুরুত্বপূর্ণ উদাহরণ। ক্যামেরা দিয়ে ছবি তোলার সময় ফটোগ্রাফার নিজেকে স্বাধীন মনে করতে পারেন। তিনি চাইলে এদিক থেকে ছবি তুলবেন, চাইলে ওদিক থেকে, আলো বদলাবেন, লেন্স বদলাবেন, দূরত্ব কমাবেন বা বাড়াবেন। কিন্তু এই স্বাধীনতারও একটা সীমা আছে। ক্যামেরার প্রোগ্রাম বা কার্যক্রমের মধ্যে যে সম্ভাবনাগুলো রাখা হয়েছে, ফটোগ্রাফার মূলত সেগুলোর মধ্যেই ঘোরাফেরা করেন। ক্যামেরা কী করতে পারে, কোন ধরনের ছবি তৈরি করতে পারে, কোন নিয়ন্ত্রণগুলো ব্যবহারকারীর হাতে থাকবে – এসব আগে থেকেই তার নকশার মধ্যে নির্ধারিত। ফ্লুসার এমন ব্যবহারকারীকে বলেছিলেন ‘ফাংশনারি’ – যিনি যন্ত্রের প্রোগ্রাম অনুযায়ী কাজ করেন, অথচ নিজের কাজের মধ্যেই স্বাধীনতার অনুভূতি খুঁজে পান।

এবার ব্যাপারটা জেনারেটিভ এআইয়ের সাথে মিলিয়ে দেখুন। আপনি একটা প্রম্পট লিখছেন, মডেল আপনাকে চারটি ছবি দিচ্ছে। আপনি বলছেন, ছবির আলোটা একটু কমাও, আকাশে মেঘ বাড়াও, ভবনগুলো আরও পুরোনো আর ভিন্টেজ দেখাক। মডেল আবার ছবি তৈরি করছে। আপনার মনে হচ্ছে, আপনি নিজের কল্পনাকে নিজের ইচ্ছামতো পরিচালনা করছেন। এক অর্থে সেটা সত্যিও। আপনি সিদ্ধান্ত নিচ্ছেন, নির্দেশ দিচ্ছেন, ফলাফল পছন্দ না হলে বাতিল করছেন। কিন্তু আপনি যে পরিসরের মধ্যে এসব সিদ্ধান্ত নিচ্ছেন, সেটা তো আপনার তৈরি নয়। মডেল কী ধরনের নির্দেশ বুঝতে পারবে, কোন দৃশ্যের সাথে কোন শব্দের সম্পর্ক স্থাপন করবে, কীভাবে একটা ছবিকে অন্য ছবির চেয়ে আলাদা করবে – এসব তার প্রশিক্ষণ ও নকশার মধ্য দিয়ে গড়ে উঠেছে। আপনি একটা দরজা দিয়ে ঢুকেছেন, কিন্তু দরজার ওপারে কতগুলো ঘর আছে, কোন ঘরে যাওয়ার রাস্তা আছে, কোন ঘরের দরজাই নেই – সেটা আপনি নির্ধারণ করেননি।

অবশ্য এখানেই কেউ আপত্তি করতে পারেন। বলতেই পারেন, যন্ত্রের তো সব সময়ই কিছু সীমাবদ্ধতা থাকে। কাগজে আঁকতে গেলে কাগজের সীমা আছে, ক্যামেরায় ছবি তুলতে গেলে লেন্সের সীমা আছে, কম্পিউটারে ডিজাইন করতে গেলেও সফটওয়্যারের সীমা আছে। তাহলে জেনারেটিভ এআইয়ের ক্ষেত্রে এত কথা কেন? আপত্তিটা যৌক্তিক। কিন্তু পার্থক্যটা সম্ভবত সীমাবদ্ধতার অস্তিত্বে নয়, সীমাবদ্ধতাটি কোথায় এবং কীভাবে কাজ করছে, সেখানে। আগে অনেক প্রযুক্তি আমাদের একটা নির্দিষ্ট কাজ সহজ করে দিত। ক্যামেরা ছবি তুলতে সাহায্য করত, সম্পাদনার সফটওয়্যার ছবিকে বদলাতে সাহায্য করত। কিন্তু কী ছবি তুলব, কী দেখব, কীভাবে দেখব – এই সিদ্ধান্তগুলোর বড় অংশ তখনও আমাদেরই নিতে হতো। জেনারেটিভ এআইয়ের ক্ষেত্রে সেই ব্যবধানটা অনেকখানি কমে এসেছে। এখানে একটা ধারণাকে দৃশ্যমান রূপ দেওয়ার কাজটুকুই নয়, ধারণাটিকে কীভাবে দৃশ্যমান করা যায়, তার সম্ভাব্য রূপগুলোও যন্ত্র হাজির করতে পারে।

ফলে ব্যবহারকারীর স্বাধীনতা একেবারে উধাও হয়ে যায় না, বরং তার চরিত্র বদলে যায়। আপনি এখনো অনেক কিছু বেছে নিতে পারেন, কিন্তু বেছে নেওয়ার জন্য যে বিকল্পগুলো সামনে আসছে, সেগুলোর উৎপাদন ও বিন্যাসে যন্ত্রের বড় ভূমিকা আছে। আপনি হয়তো একশটি ছবি তৈরি করলেন, কিন্তু সেই একশটি ছবিই যদি একই ধরনের নান্দনিক ব্যাকরণ অনুসরণ করে, তাহলে বিকল্পের সংখ্যা বাড়লেও কল্পনার পরিসর কি সত্যিই ততটা বাড়ল? এখানে অ্যাডর্নোর ‘ছদ্ম-ব্যক্তিকরণ’ বা ‘সিউডো-ইন্ডিভিজুয়ালাইজেশন’ ধারণাটি আমরা কাজে লাগাবো। অ্যাডর্নো দেখিয়েছিলেন, পপ কালচারের পণ্যগুলো প্রায়ই আমাদের সামনে ব্যক্তিগত পছন্দের অসংখ্য বিকল্প হাজির করে। গান আলাদা, শিল্পী আলাদা, প্রচ্ছদ আলাদা, কিন্তু ভেতরের কাঠামো অনেক সময় একই ছাঁচে তৈরি। ফলে আমরা নিজেদের পছন্দমতো কিছু বেছে নিচ্ছি বলে মনে করি, অথচ পছন্দের জগৎটাই আগে থেকে একটা নির্দিষ্ট ছাঁচে সাজানো।

এআইয়ের তৈরি ছবির ক্ষেত্রেও এমন কিছু ঘটতে পারে। আপনি চাইলে সাইবারপাঙ্ক ঢাকা বানাতে পারেন, চাইলে ফ্যান্টাসি ঢাকা, চাইলে ভবিষ্যতের ঢাকা, চাইলে অতীতের ঢাকা। কিন্তু একটু খেয়াল করলে দেখা যাবে, এই আলাদা আলাদা ছবির মধ্যেও কিছু পরিচিত নান্দনিক সংকেত বারবার ফিরে আসছে। ভবিষ্যৎ মানে নিয়ন আলো, পুরোনো শহর মানে সেপিয়া রং, রহস্যময়তা মানে কুয়াশা, বিলাসিতা মানে মার্বেল আর সোনালি আলো। যেন আমাদের কল্পনার জন্য একটা রেডিমেড ডিকশনারি তৈরি আছে। আপনি সেই ডিকশনারি থেকে শব্দ বেছে নিচ্ছেন, বাক্য সাজাচ্ছেন, আর যন্ত্র বাক্যটাকে ছবিতে অনুবাদ করে দিচ্ছে।

এখানে ব্যক্তিগত পছন্দের বিষয়টিও একটু জটিল। ধরেন, আপনি এমন একটা ছবি বানালেন, যা আপনার রুচির সাথে পুরোপুরি মিলে গেছে। আপনার কাছে ছবিটি একেবারেই ব্যক্তিগত, কারণ এর প্রতিটি সিদ্ধান্ত আপনি নিয়েছেন। কিন্তু একই মডেল ব্যবহার করে অন্য একজনও হয়তো নিজের রুচি অনুযায়ী ছবি তৈরি করছেন। তাঁর ছবিটি আপনার ছবির মতো নয়, কারণ আপনাদের নির্দেশ আলাদা, পছন্দ আলাদা। কিন্তু দুজনের ছবিই যদি একই মডেলের শেখা নান্দনিকতার ভেতর থেকে তৈরি হয়, তাহলে তাদের মধ্যে কিছু গভীর মিল থেকে যেতে পারে। ব্যক্তিগত স্তরে বৈচিত্র্য বাড়ছে, অথচ সমষ্টিগত স্তরে ছবিগুলোর বৈচিত্র্য কমে যাওয়ার সম্ভাবনাও তৈরি হচ্ছে। এই দুই ঘটনা পরস্পরবিরোধী নয়। বরং একই সাথে ঘটতে পারে।

একটা উদাহরণ দেওয়া যাক। ধরেন, একটা শহরের একশজন মানুষকে আলাদা আলাদা করে নিজেদের স্বপ্নের বাড়ির ছবি বানাতে বলা হলো। প্রত্যেকে নিজের পছন্দমতো নির্দেশ দিলেন। কেউ বললেন, বাড়িটা হবে মিনিমালিস্ট, কেউ বললেন, একটু ক্লাসিক, কেউ চাইলেন সবুজে ঘেরা, কেউ চাইলেন কাচের দেয়াল। প্রত্যেকেই হয়তো নিজের পছন্দের কাছাকাছি কিছু পেলেন। কিন্তু যদি দেখা যায়, একশটি বাড়ির বেশির ভাগই একই ধরনের অনুপাত, জানালা, আলো, আসবাব ও স্থাপত্যভাষা অনুসরণ করছে, তাহলে ব্যক্তিগত সন্তুষ্টি দিয়ে সমষ্টিগত বৈচিত্র্য মাপা যাবে না। প্রত্যেকে নিজের মতো করে বাড়ি পেয়েছেন – কিন্তু সেই ‘নিজের মতো’ হওয়ার ভাষাটাই যদি সবার ক্ষেত্রে প্রায় একই হয়, তাহলে ব্যাপারটা ভাবার মতো।

অবশ্য এই সম্ভাবনাকে নিশ্চিত ফলাফল হিসেবে ধরে নেওয়াও ঠিক হবে না। জেনারেটিভ এআইয়ের ব্যবহার মানুষের সৃজনশীলতার ওপর কী প্রভাব ফেলে, তা নিয়ে গবেষণায় বেশ কিছু জটিল ও কখনো পরস্পরবিরোধী ফল পাওয়া যাচ্ছে। কিছু গবেষণায় দেখা গেছে, এআইয়ের সহায়তা ব্যক্তির সৃজনশীল কাজের মান বাড়াতে পারে, বিশেষ করে যাঁরা শুরুতে তুলনামূলক কম দক্ষ। আবার অন্য কিছু গবেষণা ইঙ্গিত করছে, একই ধরনের এআই-সহায়তা পাওয়া মানুষের তৈরি কাজগুলো নিজেদের মধ্যে বেশি সাদৃশ্যপূর্ণ হয়ে উঠতে পারে। অর্থাৎ, একজন ব্যক্তি হয়তো আগের চেয়ে ভালো কাজ করছেন, কিন্তু সবার কাজ একসাথে দেখলে বৈচিত্র্যের একটা অংশ হারিয়ে যাচ্ছে। এই পার্থক্যটি খুব গুরুত্বপূর্ণ। কারণ আমরা যদি কেবল একজন ব্যবহারকারীর তৈরি ছবির দিকে তাকাই, তাহলে প্রযুক্তির সুফলই বেশি চোখে পড়বে। কিন্তু অনেক ব্যবহারকারীর কাজ পাশাপাশি রাখলে হয়তো অন্য একটা ছবি দেখা যাবে।

তবে এ কথাও মনে রাখা দরকার, এআইয়ের প্রভাব সব ধরনের সৃজনশীল কাজে এক রকম নয়। কেউ যদি একটা বিজ্ঞাপনের জন্য দ্রুত কয়েকটা ভিজ্যুয়াল ধারণা তৈরি করতে চান, সেখানে এআইয়ের সাহায্য নিঃসন্দেহে কার্যকর। কোনো স্থপতি যদি একটা নকশার সম্ভাব্য রূপ নিয়ে পরীক্ষা করতে চান, সেখানেও এটা নতুন সুযোগ তৈরি করতে পারে। আবার কোনো শিল্পী যদি নিজের প্রতিষ্ঠিত কাজের পদ্ধতিকে প্রশ্ন করতে চান, এআই তাঁর জন্য অপ্রত্যাশিত উপকরণ হাজির করতে পারে। ফলে যন্ত্রটি নিজে থেকেই কল্পনাকে সংকুচিত করছে, এমন সরল সিদ্ধান্তে পৌঁছানো যাবে না। বরং দেখতে হবে, আমরা তাকে কী কাজে লাগাচ্ছি, কতটা নিজের সিদ্ধান্ত দিয়ে পরিচালনা করছি, আর কোথায় গিয়ে তার তৈরি বিকল্পকেই নিজের কল্পনার বিকল্প হিসেবে গ্রহণ করছি।

ফ্লুসারের আলোচনায় ফিরে গেলে বলা যায়, সমস্যাটা যন্ত্র ব্যবহার করার মধ্যে নয়, সমস্যাটা হলো যন্ত্রের প্রোগ্রামকে নিজের স্বাধীনতার সীমানা বলে মেনে নেওয়ার মধ্যে। একজন ফটোগ্রাফার ক্যামেরার প্রোগ্রাম বুঝতে পারেন, তার সীমাবদ্ধতা নিয়ে খেলতে পারেন, এমনকি এমন কিছু ছবিও তুলতে পারেন, যা ক্যামেরার প্রচলিত ব্যবহারকে ছাড়িয়ে যায়। একইভাবে, এআই ব্যবহারকারীও মডেলের পরিচিত নান্দনিকতা ভাঙার চেষ্টা করতে পারেন। কিন্তু তার জন্য আগে বুঝতে হবে, যন্ত্রটি কোন ধরনের সম্ভাবনাকে সহজ করে তুলছে, কোন ধরনের সম্ভাবনাকে কঠিন করে তুলছে। নইলে আমরা হয়তো যন্ত্রের দেওয়া বিকল্পগুলোর মধ্যে ঘুরে ঘুরে নিজেদের স্বাধীনতার উদ্‌যাপন করব – অথচ বিকল্পের বাইরের জগৎটা ক্রমশ আমাদের চোখের আড়ালে চলে যাবে।

আর এই জায়গাতেই আলোচনাটা শুধু ছবি তৈরি করার কৌশলে আটকে থাকে না। কারণ প্রশ্নটা শেষ পর্যন্ত হলো, আমরা কল্পনা বলতে কী বুঝি? একটা ছবি তৈরি করতে পারা আর নতুনভাবে কল্পনা করতে পারা কি একই ব্যাপার? মাথায় আসা কোনো ধারণাকে দ্রুত দৃশ্যমান করে তোলাই কি সৃজনশীলতার পূর্ণতা, নাকি এমন কিছু করার ক্ষমতাও কল্পনার মধ্যে পড়ে, যার কোনো প্রস্তুত নমুনা আমাদের সামনে নেই? যে মুহূর্তে আমরা পরিচিত সম্ভাবনাগুলোর বাইরে যেতে চাই, তখনই হয়তো কল্পনার আসল পরীক্ষা শুরু হয়।

এই পরীক্ষাটাকে আরেকটু পরিষ্কার করতে মার্গারেট বোডেনের একটা ভাগ কাজে লাগানো যায়। বোডেন সৃজনশীলতার কয়েকটা ধরন আলাদা করেছিলেন, তার মধ্যে দুটো আমাদের এখানে দরকার। একটা এক্সপ্লোরেটরি সৃজনশীলতা, যেখানে আমরা একটা প্রচলিত ধাঁচের ভেতরেই নতুন নতুন কোণ খুঁজে বের করি, যেমন চেনাজানা একটা থিউরির ভেতরে অচেনা একটা আলাপ। আরেকটা ট্রান্সফরমেশনাল সৃজনশীলতা, যেখানে ধাঁচটাকেই বদলে ফেলা হয়, আর তাতে এমন কিছু সম্ভব হয়, যা পুরোনো নিয়মে ভাবাই যেত না। জেনারেটিভ এআই প্রথমটায় অসাধারণ: চেনা ধাঁচের ভেতরে অগণিত রূপ বানানো তার কাছে ডালভাত। দ্বিতীয়টা, অর্থাৎ ধাঁচের নিয়মটাই বদলে দেওয়া, সাধারণ ব্যবহারে তার কাছ থেকে সহজে মেলে না, কারণ সে যা শিখেছে তার সীমানার ভেতরেই ঘোরে। আর আমাদের ভয়টা হলো, ধাঁচের ভেতরে ঘুরতে ঘুরতে আমরাও সেই দ্বিতীয় অভ্যাসটা হারিয়ে ফেলব কিনা!

শুরুর পরীক্ষায় ফিরে যাই। ভবিষ্যতের ঢাকার ছবিগুলো যখন আপনি বানাচ্ছিলেন, ছবিগুলো আপনার হয়ে কল্পনার কাজটা সেরে দিয়েছিল, আর এমন নিপুণভাবে যে আপনি টেরই পাননি কাজটা আপনার ছিল। আমরা সেই কাজ আউটসোর্স করি, যা করার সময় বা ইচ্ছে আমাদের নেই। কিন্তু কল্পনা সেই জাতের কাজ নয়, যা ঠিকাদারকে দিয়ে করিয়ে ফলটুকু বুঝে নেওয়া যায়, কারণ কল্পনার ফল আর কল্পনার অনুশীলন আলাদা করা যায় না। যেমন আরেকজন আপনার হয়ে ব্যায়াম করলে আপনার শরীরের উন্নতি হয় না।

তাহলে কি দাঁড়ালো? কল্পনারও কি এখন একটা অ্যালগরিদম আছে? আমার উত্তর, না, কল্পনার কোনো অ্যালগরিদম নেই। কিন্তু কল্পনার একটা চলার পথ ছিল, বড়জোর সেই পথে এখন আপনার একজন সঙ্গী জুটেছে, যে সবসময় আমাদের আগে পৌঁছে যায় এবং সবচেয়ে ভিড়ের রাস্তাটাই দেখিয়ে দেয়। গুগল ম্যাপের উল্টো। তবু তাকে তাড়িয়ে দেওয়ার কথা আমি বলছি না। যিনি কোনোদিন আঁকতে পারেননি, তাঁর হাতে একটা তুলি পৌঁছে যাওয়ার সত্যটা ছোট নয়। আমার কথা শুধু এটুকু: পথের সাথী কখনো পথিকের জায়গা নিয়ে নেয় না, যদি পথিক নিজে হাঁটতে ভুলে না যায়।

তাই একটা ছোট অভ্যাস দিয়েই শেষ করা যাক। পঞ্চাশ বছর পরের ঢাকা নিয়ে আপনার মাথায় প্রথম যে ছবিটা এসেছিল, সেই চায়ের দোকান, সেই নদীর সকাল, ওটা এআইয়ের হাতে তুলে দেওয়ার আগে একবার নিজের ভাষায়, নিজের হাতে, যতই এলোমেলো হোক, কাগজে লিখে বা এঁকে রাখুন। তারপর প্রম্পট দিন। দেখবেন, যন্ত্রের ছবির পাশে নিজের কাঁচা ছবিটা অনেক সময় বেশি ঢাকার মতো লাগে। আর যদি না লাগে, সেটাও একটা খবর। বুঝবেন, আপনার মস্তিষ্কের নিউরন কোষগুলো আজ কতখানি ব্যায়াম করেছে।