এআই যুগে টিউরিং টেস্ট কেন তার অর্থ হারিয়েছে

২০২৪ সালের একটি নিয়ন্ত্রিত পাঁচ মিনিটের কথোপকথনে অংশগ্রহণকারীরা ৫৪ শতাংশ ক্ষেত্রে GPT-4-কে মানুষ ভেবেছিলেন। পরে তিন পক্ষের একটি পরীক্ষায় মানুষসদৃশ ব্যক্তিত্ব গ্রহণের নির্দেশ পেয়ে GPT-4.5-এর হার হয় ৭৩ শতাংশ। এই সংখ্যা প্রমাণ করে না যে ভাষা মডেল মানুষ হয়ে গেছে। বরং দেখায়, অল্প সময়ের টেক্সট কথোপকথন মানুষ ও যন্ত্র আলাদা করার দুর্বল পদ্ধতি।

এই কারণেই টিউরিং টেস্ট সাধারণ বুদ্ধিমত্তার পরীক্ষা হিসেবে গুরুত্ব হারিয়েছে। এটি এখনও মাপতে পারে নির্দিষ্ট নিয়মের মধ্যে কোনো সিস্টেম মানুষের কথাবার্তা নকল করতে পারে কি না। কিন্তু সিস্টেমটি পৃথিবী বোঝে কি না, নিজের ভুল পরীক্ষা করে কি না, দীর্ঘ সময় পরিকল্পনা ধরে রাখতে পারে কি না, বা বাস্তব কাজ নির্ভরযোগ্যভাবে শেষ করতে পারে কি না—তা বলে না।

টিউরিং আসলে কী প্রস্তাব করেছিলেন

অ্যালান টিউরিং ১৯৫০ সালের “Computing Machinery and Intelligence” প্রবন্ধে প্রশ্ন করেছিলেন, “যন্ত্র কি চিন্তা করতে পারে?” তিনি আগে “যন্ত্র” ও “চিন্তা”র চূড়ান্ত সংজ্ঞা ঠিক না করে একটি imitation game-এর কথা বলেন। একজন মানব প্রশ্নকারী টেক্সটের মাধ্যমে দুই অজ্ঞাত অংশগ্রহণকারীর সঙ্গে কথা বলেন—একজন মানুষ, অন্যজন যন্ত্র।

প্রশ্নকারীকে ঠিক করতে হয় কে যন্ত্র। যন্ত্র যদি এই সিদ্ধান্তকে অবিশ্বস্ত করে তুলতে পারে, তাহলে সে খেলায় সফল। কণ্ঠ, চেহারা ও শরীর বাদ দিয়ে পরীক্ষাটি ভাষা এবং কথোপকথনে দেখা যায় এমন যুক্তির ওপর নির্ভর করে। চিন্তা সরাসরি দেখা না গেলেও কথোপকথনের আচরণ রেকর্ড করা যায়—এটাই ছিল প্রস্তাবটির শক্তি।

সমস্যা শুরু হয় যখন এই আচরণগত আনুমানিক মাপকাঠিকে বুদ্ধিমত্তার সম্পূর্ণ তত্ত্ব ধরে নেওয়া হয়।

ভাষা এখন সহজে অনুকূল করা যায়

বড় ভাষা মডেল বিপুল মানব-লেখা থেকে শেখে এবং প্রসঙ্গ অনুযায়ী সম্ভাব্য পরের বাক্য তৈরি করে। যে পরীক্ষার দৃশ্যমান লক্ষ্য “মানুষের মতো শোনা”, সেখানে তাদের কাঠামোগত সুবিধা থাকে।

মডেলের সত্যিকারের শৈশব দরকার নেই শৈশবের স্মৃতি লেখার জন্য। ব্যক্তিগত অনুভূতি দরকার নেই সহানুভূতিশীল উত্তর দেওয়ার জন্য। স্থায়ী স্মৃতি দরকার নেই কয়েক মিনিট একটি চরিত্র ধরে রাখার জন্য। ভাষার ধরণ, নির্দেশ এবং কথোপকথনের প্রসঙ্গ থেকেই এই আচরণ তৈরি হতে পারে।

কম কথা বলা, কথ্য ভাষা ব্যবহার করা, মাঝে মাঝে বানান ভুল করা, কম জ্ঞানী দেখানো বা কঠিন প্রশ্নে বিষয় বদলানো—সবই নির্দেশ দিয়ে নিয়ন্ত্রণ করা যায়। স্বাভাবিক কথোপকথন সহায়কের জন্য উপকারী, কিন্তু স্বাভাবিক ইন্টারফেসকে ভেতরের মানবিক বোঝাপড়ার প্রমাণ ভাবা ভুল।

পরীক্ষা অভিনয়কে পুরস্কৃত করে, নির্ভরযোগ্যতাকে নয়

একজন নির্ভরযোগ্য সহায়কের তথ্য ও অনুমান আলাদা করা, উৎস দেওয়া, প্রমাণ না থাকলে তা স্বীকার করা, প্রয়োজনীয় প্রসঙ্গ চাওয়া এবং ঝুঁকিপূর্ণ কাজের আগে থামা উচিত। সাধারণ কথায় এই সতর্কতা কম মানবিক মনে হতে পারে, কারণ মানুষও অসংগত এবং আত্মবিশ্বাসের সঙ্গে ভুল করে।

Imitation game-এর প্রণোদনা অন্যরকম। ব্যক্তিগত অভিজ্ঞতার ভান, ছোট ভুল বা নির্দিষ্ট উত্তর এড়িয়ে যাওয়া মানবিকতার ছাপ বাড়াতে পারে। লক্ষ্য সেরা উত্তর দেওয়া নয়, বিচারককে বিশ্বাস করানো। ফলে মডেল আরও নির্ভুল বা সক্ষম না হয়েও পরীক্ষার ফল বাড়াতে পারে।

সাম্প্রতিক পরীক্ষা কী দেখায়

Jones ও Bergen-এর ২০২৪ সালের preregistered গবেষণায় ELIZA, GPT-3.5, GPT-4 এবং মানুষকে পাঁচ মিনিটের কথোপকথনে তুলনা করা হয়। GPT-4-কে ৫৪ শতাংশ ক্ষেত্রে মানুষ ধরা হয়, মানুষের অংশগ্রহণকারীদের হার ছিল ৬৭ শতাংশ। আসল শিক্ষা “GPT-4 প্রায় মানুষ” নয়; শিক্ষা হলো অল্প কথাতেই পরিচয় বিচার অনির্ভরযোগ্য হয়ে পড়ে।

২০২৫ সালের “Large Language Models Pass the Turing Test” গবেষণায় মানুষসদৃশ persona-র নির্দেশে GPT-4.5-এর হার ছিল ৭৩ শতাংশ, Llama 3.1-এর ৫৬ শতাংশ, GPT-4o-এর ২১ শতাংশ এবং ELIZA-এর ২৩ শতাংশ। এটি arXiv preprint, তাই চূড়ান্ত সিদ্ধান্ত হিসেবে লেখা উচিত নয়। তবুও মডেল, নির্দেশ এবং পরীক্ষার নিয়মে ফল বদলে যাওয়া স্পষ্ট।

মানুষের মতো দেখানো বোঝাপড়ার প্রমাণ নয়

কোনো সিস্টেম বাস্তব তথ্যের সঙ্গে যুক্ত বিশ্ব-মডেল ছাড়াই বিশ্বাসযোগ্য উত্তর তৈরি করতে পারে। অনুভূতি না থাকলেও অনুভূতি বর্ণনা করতে পারে, একটি প্রমাণ বুঝিয়ে পরের বাক্যেই সহজ যুক্তিগত ভুল করতে পারে, আগের কথার উল্লেখ করতে পারে কিন্তু কথোপকথনকারী সম্পর্কে স্থায়ী স্মৃতি নাও থাকতে পারে।

এতে ভাষা মডেলের কোনো ধরনের বোঝাপড়া একেবারেই নেই—এমন প্রমাণ হয় না। প্রমাণ হয়, টিউরিং টেস্ট এই প্রশ্নের উত্তর দিতে পারে না। একই বাহ্যিক আচরণ ভিন্ন অভ্যন্তরীণ প্রক্রিয়া থেকে আসতে পারে, যা শুধু কথোপকথনের লেখায় দেখা যায় না।

বাস্তব কাজে অবস্থা ধরে রাখা, ইনপুট যাচাই, টুল সঠিকভাবে ব্যবহার, ব্যর্থতা শনাক্ত, পরিকল্পনা সংশোধন এবং অডিট রেকর্ড রাখা দরকার। পাঁচ মিনিটের ভালো আড্ডা ছয় ঘণ্টার গবেষণা বা বহু ধাপের সফটওয়্যার পরিবর্তনের নিশ্চয়তা দেয় না।

উল্টো উদাহরণও আছে। দাবা ইঞ্জিন বা বৈজ্ঞানিক সিস্টেম মানুষের কথাবার্তা নকল না করেও নিজের ক্ষেত্রে মানুষকে ছাড়িয়ে যেতে পারে। মানুষের ভাষার ধরন বুদ্ধিমত্তার সঙ্গে যুক্ত একটি আচরণ, বুদ্ধিমত্তার সংজ্ঞা নয়।

বাস্তব প্রশ্নটি উল্টে গেছে

মূল খেলা জিজ্ঞেস করত, যন্ত্র মানুষ বলে বিশ্বাস করাতে পারে কি না। এখন প্রশ্ন হলো, কোনো যোগাযোগের উৎস, অনুমতি ও দায়িত্ব কীভাবে যাচাই করা যাবে। মানুষের মতো লেখা বার্তা বট থেকে আসতে পারে; কৃত্রিম শোনানো বার্তা ক্লান্ত মানুষ, অনুবাদ বা সম্পাদনার ফলও হতে পারে।

Rathi ও সহকর্মীদের ২০২৫ সালের গবেষণায় দেখা যায়, বিচারকরা সরাসরি প্রশ্ন না করে শুধু ট্রান্সক্রিপ্ট পড়লে মানুষ ও মডেল উভয়ের নির্ভুলতা কমে। সেরা GPT-4 কথোপকথনকে বাস্তব মানুষের চেয়েও বেশি বার মানুষ ভাবা হয়েছিল।

এর প্রভাব প্রতারণা, ভুয়া অ্যাকাউন্ট, গ্রাহকসেবা নকল এবং স্বয়ংক্রিয় প্রচারে পড়ে। ভাষার ধরন পরিচয়ের প্রমাণ নয়। পরিচয়ের জন্য authentication, কনটেন্টের জন্য provenance, এবং গুরুত্বপূর্ণ কাজের জন্য permission ও log দরকার।

এর বদলে কী মাপা উচিত

তথ্যের জন্য hidden test set ও উৎস যাচাই, যুক্তির জন্য adversarial ও counterfactual task, কাজের জন্য end-to-end success, এবং নির্ভরযোগ্যতার জন্য calibration, refusal quality, tool verification, cost, latency ও stability মাপা উচিত। দীর্ঘ কাজের ক্ষেত্রে state tracking এবং plan revision-ও দরকার।

সামাজিক প্রতারণার ঝুঁকি মাপার ছোট পরীক্ষা হিসেবে টিউরিং টেস্ট রাখা যায়। এটি দেখায় কোনো কথোপকথন ব্যবস্থা কত সহজে মানবিক ছাপ তৈরি করে। ইন্টারফেস ও নিরাপত্তা গবেষণায় তা দরকারি, কিন্তু intelligence, consciousness বা trust-এর সার্টিফিকেট নয়। পরীক্ষা হারিয়ে যায়নি; তার কাজের সীমা ছোট হয়েছে।

তথ্যসূত্র

• Alan Turing, “Computing Machinery and Intelligence”, Mind, 1950
• Cameron R. Jones and Benjamin K. Bergen, “People cannot distinguish GPT-4 from a human in a Turing test”, 2024
• Cameron R. Jones and Benjamin K. Bergen, “Large Language Models Pass the Turing Test”, 2025
• Ishika M. Rathi et al., “GPT-4 is Judged More Human than Humans in Displaced and Inverted Turing Tests”, ACL GenAIDetect, 2025
• Qiaozhu Mei et al., “A Turing Test: Are AI Chatbots Behaviorally Similar to Humans?”, 2023