କାହିଁକି AI-ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ଉଲଗ୍ନ ଛବି ସବୁକୁ ରୋକାଯାଇପାରିବ ନାହିଁ — ଜଣେ ନିର୍ମାତାଙ୍କ ଦୃଷ୍ଟିକୋଣ

ଲୋକମାନଙ୍କୁ ସୁରକ୍ଷିତ ରଖୁଥିବା ବାଧା ଏବେ ଆଉ ନାହିଁ

କିଛି ବର୍ଷ ପୂର୍ବେ, ଏକ ବିଶ୍ୱସନୀୟ ଉଲଗ୍ନ ଫଟୋ ନକଲି କରିବା ପାଇଁ ପ୍ରକୃତ ପରିଶ୍ରମ ଆବଶ୍ୟକ ହେଉଥିଲା — ଏକ ଭଲ GPU, ଜଟିଳ ସଫ୍ଟୱେର୍ ସହିତ ଧୈର୍ଯ୍ୟ, ଏବଂ ଖରାପ ଫଳାଫଳକୁ ସହ୍ୟ କରିବାର କ୍ଷମତା। ସେହି ପରିଶ୍ରମ ଏକ ପ୍ରାକୃତିକ ଫିଲ୍ଟର୍ ଭାବରେ କାମ କରୁଥିଲା, ଯାହା ଗମ୍ଭୀର ଭାବରେ ଆଗ୍ରହୀ ନ ଥିବା ଯେକୌଣସି ବ୍ୟକ୍ତିଙ୍କୁ ଦୂରେଇ ରଖୁଥିଲା। ସେହି ଫିଲ୍ଟର୍ ଏବେ ଆଉ ନାହିଁ।

ଆଜିର ଓପନ୍ ଇମେଜ୍-ଜେନେରେସନ୍ ମଡେଲଗୁଡ଼ିକ ସାଧାରଣ ଗ୍ରାହକ ହାର୍ଡୱେରରେ ଫୋଟୋରିଏଲିଷ୍ଟିକ୍ ଆଉଟପୁଟ୍ ତିଆରି କରନ୍ତି। କମ୍ୟୁନିଟି ମଡେଲ୍ ରେପୋଜିଟୋରୀଗୁଡ଼ିକରେ ଏପରି ଚେକ୍‌ପଏଣ୍ଟଗୁଡ଼ିକ ଗଚ୍ଛିତ ଅଛି ଯାହା ପ୍ରତ୍ୟେକ ଦଶ ଲକ୍ଷରୁ ଅଧିକ ଥର ଡାଉନଲୋଡ୍ ହୋଇସାରିଛି, ଏବଂ ଲୋକପ୍ରିୟ ବେସ୍ ମଡେଲ୍‌ଗୁଡ଼ିକ ଉପରେ ନିର୍ମିତ ଆପତ୍ତିଜନକ-ବିଷୟବସ୍ତୁ ପ୍ରକାରଗୁଡ଼ିକ ଶହ ଶହ ହଜାର ଥର ଡାଉନଲୋଡ୍ କରାଯାଇଛି। ତା' ଉପରେ ସୌକିନ୍ ବ୍ୟକ୍ତିମାନଙ୍କ ଦ୍ୱାରା ନିର୍ମିତ ଅସଂଖ୍ୟ ଛୋଟ "fine-tune" ଫାଇଲଗୁଡ଼ିକ ରହିଛି, ଯାହା ଆଉଟପୁଟକୁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ରୂପ, ଶରୀରର ପ୍ରକାର, କିମ୍ବା ଏପରିକି ଜଣେ ନିର୍ଦ୍ଦିଷ୍ଟ ପ୍ରକୃତ ବ୍ୟକ୍ତିଙ୍କ ଆଡ଼କୁ ନେଇଥାଏ। କେତେକ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ବେସ୍ ମଡେଲ୍ ଲକ୍ଷ ଲକ୍ଷ ଛବି ଉପରେ ପ୍ରଶିକ୍ଷିତ ହୋଇଥିଲେ ଏବଂ ସେଗୁଡ଼ିକରେ କୌଣସି ବିଲ୍ଟ-ଇନ୍ ବିଷୟବସ୍ତୁ ପ୍ରତିବନ୍ଧକ ନଥାଏ। ଏଥିମଧ୍ୟରୁ କୌଣସିଟି ପାଇଁ ଆଉ କୌଣସି ବିଶେଷ ହାର୍ଡୱେରର ଆବଶ୍ୟକତା ନାହିଁ — କିଛି ବର୍ଷ ପୂର୍ବର ଏକ ମଧ୍ୟମ ଧରଣର ଗେମିଂ ଲାପଟପ୍ ଯଥେଷ୍ଟ।

ତା'ପରେ ପ୍ୟାକେଜ୍ ହୋଇଥିବା ସଂସ୍କରଣ ଅଛି: ତଥାକଥିତ "nudify" ଆପ୍ସ ଯାହା ସେହି ସମସ୍ତ ଯନ୍ତ୍ରପାତିକୁ ଗୋଟିଏ ବଟନ୍ ପଛରେ ଲୁଚାଇଥାଏ। ପୋଷାକ ପିନ୍ଧିଥିବା ଫଟୋ ଅପଲୋଡ୍ କରନ୍ତୁ, କିଛି ସେକେଣ୍ଡ ଅପେକ୍ଷା କରନ୍ତୁ, ଏବଂ ଏକ ନକଲି ଉଲଗ୍ନ ଛବି ଫେରସ୍ତ ପାଆନ୍ତୁ। ନିକଟରେ ହୋଇଥିବା ସ୍ୱଚ୍ଛତା ରିପୋର୍ଟରେ ପ୍ରମୁଖ ଆପ୍ ଷ୍ଟୋରଗୁଡ଼ିକରେ ଏହିପରି ଡଜନ ଡଜନ ଆପ୍ ଗଣନା କରାଯାଇଥିଲା, ଯାହାର ମିଳିତ ଡାଉନଲୋଡ୍ ସଂଖ୍ୟା ଶହ ଶହ ନିୟୁତ ଅଟେ। ଆକର୍ଷଣୀୟ ଇଣ୍ଟରଫେସ୍ ଏବଂ ପେମେଣ୍ଟ ୱାଲ୍‌କୁ ହଟାଇଦିଅନ୍ତୁ, ଏବଂ ଏହା ସେହି ସମାନ ଓପନ୍-ସୋର୍ସ ଡିଫ୍ୟୁଜନ୍ ଟେକ୍ନୋଲୋଜି ଯାହାକୁ ଯେକୌଣସି ବ୍ୟକ୍ତି ଘରେ ଚଲାଇପାରିବେ।

ଓପନ୍ ୱେଟ୍‌ସର ଅର୍ଥ ହେଉଛି କୌଣସି ଅଫ୍ ସ୍ୱିଚ୍ ନାହିଁ

ଏହା ହେଉଛି ସେହି ଅଂଶ ଯାହାକୁ ଅଧିକାଂଶ ଚିନ୍ତାଜନକ ଆଲୋଚନାରେ ଏଡ଼ାଇ ଦିଆଯାଏ: ଏହି ମଡେଲଗୁଡ଼ିକ ହେଉଛି ଓପନ୍ ୱେଟ୍‌ସ। ମୁକ୍ତିଲାଭ କରିବା ପରେ, ଏକ ମଡେଲର ପାରାମିଟରଗୁଡ଼ିକ ଏକ ଫାଇଲ୍ ଭାବରେ ବିଦ୍ୟମାନ ରହେ — ଏବଂ ସେହି ଫାଇଲ୍ ଏବେ ବିଶ୍ୱବ୍ୟାପୀ ଦଶ ହଜାର ହାର୍ଡ ଡ୍ରାଇଭରେ ରହିଛି। ଆପଣ ଏହାକୁ ଫେରାଇ ଆଣିପାରିବେ ନାହିଁ। ଆପଣ ଏହାକୁ ଦୂରରୁ ହଟାଇବା ପାଇଁ କୌଣସି ପ୍ୟାଚ୍ ପଠାଇ ପାରିବେ ନାହିଁ। କୌଣସି କେନ୍ଦ୍ରୀୟ ସର୍ଭର ନାହିଁ ଯାହା ମାଧ୍ୟମରେ ଅନୁରୋଧଗୁଡ଼ିକ ଗତି କରେ, ଏହାକୁ ଚଲାଉଥିବା ବ୍ୟକ୍ତିଙ୍କୁ ବାନ୍ଧି ରଖୁଥିବା କୌଣସି ସେବା ସର୍ତ୍ତାବଳୀ ନାହିଁ, ଏପରି କୌଣସି କମ୍ପାନୀ ନାହିଁ ଯିଏ କ’ଣ ତିଆରି ହେଉଛି ତାହା ଦେଖିପାରିବ, ରୋକିବା ତ ଦୂରର କଥା।

AI-ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ପୋର୍ନୋଗ୍ରାଫି ନିୟନ୍ତ୍ରଣ କରିବାର ଅଧିକାଂଶ ଆଲୋଚନା ଧରିନିଏ ଯେ ଏକ ଚୋକ୍‌ପଏଣ୍ଟ ଅଛି — ଯେପରି ଏକ ପ୍ଲାଟଫର୍ମ ସ୍ୱିଚ୍ ଅନ୍/ଅଫ୍ କରି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବିଷୟବସ୍ତୁକୁ ଗାୟବ କରିଦେଇପାରେ। ଓପନ୍-ୱେଟ୍ ମଡେଲଗୁଡ଼ିକ ସେହି ଚୋକ୍‌ପଏଣ୍ଟ ବିନା ନିର୍ମିତ ହୋଇଥିଲା। ସୃଷ୍ଟି ପ୍ରକ୍ରିୟା ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ କାହାର ନିଜ ଡିଭାଇସରେ ଘଟେ, ଯଦି ସେମାନେ ଚାହାଁନ୍ତି ତେବେ ଅଫଲାଇନରେ, କୌଣସି ବାହ୍ୟ ନିରୀକ୍ଷକଙ୍କ ପାଇଁ ଅଦୃଶ୍ୟ। ମୁଁ ଏହି ମଡେଲଗୁଡ଼ିକୁ ଆଦୌ ଇଣ୍ଟରନେଟ୍ ସଂଯୋଗ ନଥିବା ଲାପଟପ୍‌ରେ ଚଲାଇପାରିବି। ଅନ୍ୟ ଯେକୌଣସି ବ୍ୟକ୍ତି ମଧ୍ୟ ତାହା କରିପାରିବେ।

ଏହା ହେଉଛି ସେହି ସମାନ ଗୁଣ ଯାହା ଲୋକାଲ୍ ମଡେଲଗୁଡ଼ିକୁ ବୈଧ କାର୍ଯ୍ୟ ପାଇଁ ପ୍ରକୃତରେ ମୂଲ୍ୟବାନ କରିଥାଏ — କୌଣସି ପ୍ରତି-ଅନୁରୋଧ ବିଲିଂ ନାହିଁ, କୌଣସି ବିକ୍ରେତା ଉପରେ ନିର୍ଭରଶୀଳତା ନାହିଁ ଯିଏ ବନ୍ଦ ହୋଇପାରେ କିମ୍ବା ସର୍ତ୍ତ ବଦଳାଇପାରେ, ସମ୍ବେଦନଶୀଳ ଡାଟା ପାଇଁ ପ୍ରକୃତ ଗୋପନୀୟତା। ଟେକ୍ନୋଲୋଜି କ୍ଲାଏଣ୍ଟ କୋଡ୍ ସୁରକ୍ଷିତ ରଖୁଥିବା ଜଣେ ଡେଭଲପର୍ ଏବଂ ଅସମ୍ମତିପୂର୍ଣ୍ଣ ଛବି ତିଆରି କରୁଥିବା ଜଣେ ଅଜଣା ବ୍ୟକ୍ତି ମଧ୍ୟରେ ଫରକ କରେ ନାହିଁ। କ୍ଷତିକାରକ ବ୍ୟବହାରକୁ ସକ୍ଷମ ନକରି ଆପଣ ଲାଭଦାୟକ ବ୍ୟବହାର ପାଇପାରିବେ ନାହିଁ। ଏହା ଏପରି ଏକ ବଗ୍ ନୁହେଁ ଯାହାକୁ କେହି ପ୍ୟାଚ୍ କରିବାକୁ ଭୁଲିଯାଇଛନ୍ତି। ଏହା ଟେକ୍ନୋଲୋଜି କିପରି କାମ କରେ ତାହାର ଏକ ଅନ୍ତର୍ନିହିତ ବୈଶିଷ୍ଟ୍ୟ।

ଲକ୍ଷ୍ୟ ହେଉଥିବା ଲୋକମାନେ ଅଧିକାଂଶ ପିଲା, ସେଲିବ୍ରିଟି ନୁହଁନ୍ତି

ଡିପଫେକ୍ ପ୍ରତି ଜନସାଧାରଣଙ୍କ ଧ୍ୟାନ ମୁଖ୍ୟତଃ ସେଲିବ୍ରିଟି ଏବଂ ରାଜନେତାମାନଙ୍କ ଉପରେ କେନ୍ଦ୍ରୀଭୂତ ହୋଇଛି, ଯାହା ଏହି ସମସ୍ୟାକୁ ଦୂରବର୍ତ୍ତୀ ଏବଂ ବିରଳ ଅନୁଭବ କରାଏ। ପ୍ରକୃତ ସ୍ଥିତି ବହୁତ ଅଧିକ ସାଧାରଣ ଏବଂ ଆମ ନିଜ ଘର ନିକଟତର।

ଇଂଲଣ୍ଡର ଶିକ୍ଷକମାନଙ୍କ ସର୍ବେକ୍ଷଣରୁ ଜଣାପଡ଼ିଛି ଯେ ଏକ ଉଲ୍ଲେଖନୀୟ ଅଂଶ ପୂର୍ବରୁ ଜାଣିଛନ୍ତି ଯେ ଜଣେ ଛାତ୍ର ସହପାଠୀଙ୍କ ନକଲି ଆପତ୍ତିଜନକ ଛବି ତିଆରି କରିବା ପାଇଁ ଏହି ଟୁଲଗୁଡ଼ିକୁ ବ୍ୟବହାର କରୁଛନ୍ତି। ଅନ୍ୟାନ୍ୟ ଗବେଷଣାରୁ ଜଣାପଡ଼ିଛି ଯେ ବିଦ୍ୟାଳୟଗୁଡ଼ିକରେ ପ୍ରସାରିତ ହେଉଥିବା ଡିପଫେକ୍ ପୋର୍ନୋଗ୍ରାଫିର ଏକ ବଡ଼ ଅଂଶ ଚଉଦ ବର୍ଷରୁ କମ୍ ବୟସର ପିଲାମାନଙ୍କୁ ଲକ୍ଷ୍ୟ କରେ — କେତେକ ଏଗାର ବର୍ଷ ଭଳି ସାନ। ପେନସିଲଭାନିଆ ହାଇସ୍କୁଲର ଏକ ବହୁଳ ପ୍ରଚାରିତ ମାମଲାରେ, ଜଣେ ଏକକ ଛାତ୍ର ସୋସିଆଲ ମିଡିଆରୁ ନିଆଯାଇଥିବା ସାଧାରଣ ଫଟୋ ବ୍ୟବହାର କରି ପାଞ୍ଚଜଣ ସହପାଠୀଙ୍କ ନକଲି ଆପତ୍ତିଜନକ ଛବି ତିଆରି କରିଥିଲା। ବ୍ୟାପକ କିଶୋର ସର୍ବେକ୍ଷଣରୁ ଜଣାପଡ଼ିଛି ଯେ ଆମେରିକୀୟ କିଶୋରମାନଙ୍କର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଅଂଶ ବ୍ୟକ୍ତିଗତ ଭାବରେ ସେପରି କାହାକୁ ଜାଣନ୍ତି ଯିଏ ନାବାଳକ ଥିବାବେଳେ ଏହିପରି ଲକ୍ଷ୍ୟ ହୋଇଥିଲେ।

ଶିଶୁ ସୁରକ୍ଷା ଦିଗଟି ହେଉଛି ତାହା ଯାହା ଏହା ଜରୁରୀ କି ନୁହେଁ ସେ ବିଷୟରେ ବାକି ଥିବା କୌଣସି ବିତର୍କର ସମାଧାନ କରିବା ଉଚିତ୍। ଶିଶୁ ଯୌନ ଶୋଷଣ ସାମଗ୍ରୀ ପାଇଁ ଆମେରିକାର ମୁଖ୍ୟ ରିପୋର୍ଟିଂ ସିଷ୍ଟମ୍ ପରିଚାଳନା କରୁଥିବା ସଂସ୍ଥା AI-ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ବିଷୟବସ୍ତୁ ସହିତ ଜଡ଼ିତ ରିପୋର୍ଟଗୁଡ଼ିକରେ ବର୍ଷକୁ ବର୍ଷ ପ୍ରଚୁର ବୃଦ୍ଧି ଲିପିବଦ୍ଧ କରିଛି। ଅନ୍ତତଃ ପକ୍ଷେ ଗୋଟିଏ ବିଦେଶୀ "nudify" ସେବାରୁ ଲିକ୍ ହୋଇଥିବା ଡାଟାରେ ଦଶ ହଜାର ହଜାର ପ୍ରସ୍ତୁତ ଛବି ରହିଥିବା କୁହାଯାଇଛି ଯାହା ସେଗୁଡ଼ିକୁ ତିଆରି କରିବା ପାଇଁ ବ୍ୟବହୃତ ପ୍ରମ୍ପ୍ଟଗୁଡ଼ିକ ସହିତ ଗଚ୍ଛିତ ଥିଲା। ଏହା ଆଉ ଏକ କାଳ୍ପନିକ ବିପଦ ନୁହେଁ — ଏହା ପୂର୍ବରୁ ଘଟିସାରିଥିବା ଘଟଣାର ଏକ ଦଲିଲଭୁକ୍ତ ଧାରା।

ଯାହା ସହ୍ୟ କରିବା ସବୁଠାରୁ କଷ୍ଟକର ତାହା ହେଉଛି ଅପରାଧୀମାନେ ପ୍ରାୟତଃ କେତେ ସାଧାରଣ: କୌଣସି ଜଟିଳ କର୍ତ୍ତା ନୁହଁନ୍ତି, କେବଳ ଗୋଟିଏ ଫୋନ୍ ଏବଂ ଏକ ଆପ୍ ଥିବା ଜଣେ ବିରକ୍ତ କିଶୋର, ଯାହା ନିକଟ ଅତୀତ ପର୍ଯ୍ୟନ୍ତ ମୁଖ୍ୟସ୍ରୋତ ଆପ୍ ଷ୍ଟୋରଗୁଡ଼ିକରେ ସହଜରେ ମିଳୁଥିଲା। ଯେଉଁ ବାଧା ଏହାକୁ କଷ୍ଟକର କରୁଥିଲା, ସେହି ବାଧା ହିଁ ଲିଭିଯାଇଛି।

ଚିହ୍ନଟ କରିବା ଏକ ଦୌଡ଼ ଯାହାକୁ ରକ୍ଷାକାରୀମାନେ ହାରି ଚାଲିଛନ୍ତି

ଆଶ୍ୱାସନାଦାୟକ ପ୍ରତିଯୁକ୍ତି ହେଉଛି ଯେ ଯଦି ନକଲିଗୁଡ଼ିକ ଯଥେଷ୍ଟ ବିଶ୍ୱସନୀୟ ହୋଇଯାଏ, ତେବେ ଚିହ୍ନଟ ଟୁଲଗୁଡ଼ିକ ସମତା ରକ୍ଷା କରିବ। ପ୍ରମାଣ ଅନ୍ୟ କିଛି ସୂଚାଏ — ଏହା ଏକ ଟ୍ରେଡମିଲ୍, ଫିନିସ୍ ଲାଇନ୍ ନୁହେଁ।

କୌଣସି ଡିଟେକ୍ଟର ଦୀର୍ଘ ସମୟ ପାଇଁ ଏକ ସ୍ଥିର ସଠିକତା ରେକର୍ଡ ରଖେ ନାହିଁ, କାରଣ ପରିସ୍ଥିତି ବଦଳିବା ମାତ୍ରେ କାର୍ଯ୍ୟଦକ୍ଷତା ହ୍ରାସ ପାଏ। ଏକ ସ୍ୱଚ୍ଛ ବେଞ୍ଚମାର୍କ ଡାଟାସେଟ୍‌ରେ ଭଲ ପ୍ରଦର୍ଶନ କରୁଥିବା ମଡେଲ୍ ପ୍ରକୃତ ଦୁନିଆର ଛବିଗୁଡ଼ିକରେ ସ୍ପଷ୍ଟ ଭାବରେ ଖରାପ ପ୍ରଦର୍ଶନ କରେ — ଯାହା କମ୍ପ୍ରେସ୍, କ୍ରପ୍, ସ୍କ୍ରିନଶଟ୍ ଏବଂ ପୁନଃ-ସେୟାର ହୁଏ, ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ସେହି ସୂକ୍ଷ୍ମ ଆର୍ଟିଫାକ୍ଟଗୁଡ଼ିକୁ ଲିଭାଇ ଦିଏ ଯାହା ଉପରେ ଡିଟେକ୍ଟରଗୁଡ଼ିକ ନିର୍ଭର କରନ୍ତି। ଆହୁରି ଖରାପ କଥା ହେଉଛି, ଏହା ଡିଜାଇନ୍ ଦ୍ୱାରା ଏକ ପ୍ରତିଦ୍ୱନ୍ଦ୍ୱିତାମୂଳକ ଲୁପ୍: ଗବେଷକମାନେ ଚିହ୍ନଟ ପଦ୍ଧତି ପ୍ରକାଶ କରନ୍ତି, ଜେନେରେଟିଭ୍ ମଡେଲ୍ ତିଆରି କରୁଥିବା ଲୋକମାନେ ସେହି କାଗଜପତ୍ର ପଢ଼ନ୍ତି, ଏବଂ ପରବର୍ତ୍ତୀ ପିଢ଼ିର ମଡେଲଗୁଡ଼ିକ ସେହି ନିର୍ଦ୍ଦିଷ୍ଟ ସଙ୍କେତଗୁଡ଼ିକୁ ଦୂର କରିବା ପାଇଁ ଟ୍ୟୁନ୍ ହୁଅନ୍ତି ଯାହା ସେଗୁଡ଼ିକୁ ପ୍ରକାଶ କରିଥିଲା।

ରକ୍ଷାକାରୀମାନେ ପଛରେ ରହିବାର ଏକ ସଂରଚନାଗତ କାରଣ ଅଛି। କ୍ଷତି ପହଞ୍ଚାଇବା ପାଇଁ ଏକ ଜେନେରେଟରକୁ କେବଳ ଗୋଟିଏ ଥର ଡିଟେକ୍ଟରକୁ ଭୁଲାବାକୁ ପଡ଼େ। ଏକ ଡିଟେକ୍ଟରକୁ ପ୍ରାୟ ସବୁ ସମୟରେ, ପ୍ରତ୍ୟେକ ମଡେଲ୍ ଏବଂ ଛବି ପରିବର୍ତ୍ତନ ହୋଇପାରୁଥିବା ପ୍ରତ୍ୟେକ ଉପାୟରେ, ପ୍ରକୃତ ଫଟୋଗୁଡ଼ିକୁ ଭୁଲ୍ ଭାବରେ ଚିହ୍ନଟ ନକରି ସଠିକ୍ ହେବାକୁ ପଡ଼େ। ସେଗୁଡ଼ିକ ତୁଳନୀୟ ବୋଝ ନୁହଁନ୍ତି — ଗୋଟିଏ ପକ୍ଷକୁ ଗୋଟିଏ ସଫଳତା ଆବଶ୍ୟକ, ଅନ୍ୟ ପକ୍ଷକୁ ନିକଟତର-ସମ୍ପୂର୍ଣ୍ଣ ଏବଂ ନିରନ୍ତର ସଠିକତା ଆବଶ୍ୟକ। ଏହି କ୍ଷେତ୍ରର ପ୍ରତ୍ୟେକ ସଚ୍ଚୋଟ ଆକଳନ ସମାନ ନିଷ୍କର୍ଷରେ ପହଞ୍ଚେ: ଚିହ୍ନଟ କେବେବି ସ୍ଥାୟୀ ଭାବରେ ଜିତେ ନାହିଁ, ଏହା କେବଳ ଏକ ଅସ୍ଥାୟୀ ଅଗ୍ରଗତି ଧାରଣ କରେ ଯାହାକୁ ପରବର୍ତ୍ତୀ ମଡେଲ୍ ରିଲିଜ୍ ଲିଭାଇ ଦିଏ।

ଆଇନ ଭୁଲ୍ ସ୍ତରକୁ ଲକ୍ଷ୍ୟ କରେ

ଏଥିରୁ କୌଣସିଟିର ଅର୍ଥ ନୁହେଁ ଯେ କିଛି କରାଯାଉନାହିଁ। ଯୁକ୍ତରାଷ୍ଟ୍ର ଆମେରିକାରେ, Take It Down Act — ଯାହା 2025 ରେ ଆଇନରେ ସ୍ୱାକ୍ଷରିତ ହୋଇଥିଲା — ପ୍ରକୃତ, ଚିହ୍ନଟଯୋଗ୍ୟ ଲୋକଙ୍କ AI-ଦ୍ୱାରା ପ୍ରସ୍ତୁତ ନକଲି ସମେତ ଅସମ୍ମତିପୂର୍ଣ୍ଣ ଅନ୍ତରଙ୍ଗ ଛବି ପ୍ରକାଶ କରିବାକୁ ଅପରାଧ ବୋଲି ଘୋଷଣା କରେ, ଏବଂ ଏକ ବୈଧ ଅନୁରୋଧର 48 ଘଣ୍ଟା ମଧ୍ୟରେ ଚିହ୍ନିତ ସାମଗ୍ରୀକୁ ହଟାଇବା ପାଇଁ ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକୁ ଆବଶ୍ୟକ କରେ। ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ପାଖରେ ଅନୁପାଳନକାରୀ ଟେକ୍‌ଡାଉନ୍ ସିଷ୍ଟମ୍ ତିଆରି କରିବା ପାଇଁ 2026 ମଧ୍ୟଭାଗ ପର୍ଯ୍ୟନ୍ତ ସମୟ ଥିଲା, ଏବଂ ଆଇନ ଅଧୀନରେ ପ୍ରଥମ ଦଣ୍ଡାଦେଶ ପୂର୍ବରୁ ଘଟିସାରିଛି। ଅଧିକାଂଶ ଆମେରିକୀୟ ରାଜ୍ୟରେ ଏବେ ଆପତ୍ତିଜନକ ଡିପଫେକ୍‌କୁ ସମ୍ବୋଧିତ କରୁଥିବା ସେମାନଙ୍କର ନିଜସ୍ୱ ଆଇନ ମଧ୍ୟ ଅଛି। ସେହି ଅଗ୍ରଗତି ପ୍ରକୃତ ଏବଂ ସ୍ୱୀକାର କରିବା ଯୋଗ୍ୟ।

କିନ୍ତୁ ଆଇନ ପ୍ରକୃତରେ କ’ଣ ନିୟନ୍ତ୍ରଣ କରେ ତାହା ଦେଖନ୍ତୁ: ପ୍ରକାଶନ ଏବଂ ବିତରଣ — ଯେଉଁ ମୁହୂର୍ତ୍ତରେ ବିଷୟବସ୍ତୁ ଏକ ଡିଭାଇସରୁ ବାହାରି ଏକ ପ୍ଲାଟଫର୍ମରେ ପହଞ୍ଚେ। ଚାପ ପକାଇବା ପାଇଁ ତାହା ଏକ ଯୁକ୍ତିଯୁକ୍ତ ସ୍ଥାନ, କାରଣ ପ୍ଲାଟଫର୍ମଗୁଡ଼ିକ ଏକ ପ୍ରକୃତ ଚୋକ୍‌ପଏଣ୍ଟ ହୋଇ ରହିଛନ୍ତି। ଆଇନ ଯାହାକୁ ସ୍ପର୍ଶ କରିପାରିବ ନାହିଁ ତାହା ହେଉଛି ସୃଷ୍ଟି ପ୍ରକ୍ରିୟା। ଏହା କାହାର ଲାପଟପ୍‌ରେ ଥିବା ମଡେଲ୍ ଫାଇଲ୍, କିମ୍ବା ମେସେଜିଂ ଆପ୍ ମାଧ୍ୟମରେ ବ୍ୟକ୍ତିଗତ ଭାବରେ ସୃଷ୍ଟି ଏବଂ ସେୟାର କରାଯାଇଥିବା ଏକ ଛବି ଯାହା କେବେବି ପ୍ଲାଟଫର୍ମ ସମୀକ୍ଷାକୁ ସକ୍ରିୟ କରେ ନାହିଁ, କିମ୍ବା ଏକ ଗ୍ରୁପ୍ ଚାଟ୍‌ରେ ପଠାଯାଇଥିବା ଫଟୋ ପାଖରେ ପହଞ୍ଚିପାରିବ ନାହିଁ। ଟେକ୍‌ଡାଉନ୍ ହେଉଛି ଏକ ପ୍ରତିକାର ଯାହା କେବଳ କ୍ଷତି ସାର୍ବଜନୀନ ହେବା ପରେ ସକ୍ରିୟ ହୁଏ। ଯେଉଁ ଛାତ୍ରଙ୍କ ସହପାଠୀମାନେ ପୂର୍ବରୁ ଏକ ନକଲି ଛବି ଦେଖିସାରିଛନ୍ତି, ତାଙ୍କ ପାଇଁ ଏକ ଦ୍ରୁତ ଅପସାରଣ ସମୟସୀମା ପୂର୍ବରୁ ଘଟିସାରିଥିବା ଘଟଣାକୁ ବଦଳାଇ ଦିଏନାହିଁ।

ଏହାର ଅର୍ଥ ନୁହେଁ ଯେ ଆଇନ ନିରର୍ଥକ — ଏହି ସାମଗ୍ରୀ ବିତରଣ କରିବାର ମୂଲ୍ୟ ବୃଦ୍ଧି କରିବା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ। କିନ୍ତୁ ଟେକ୍‌ଡାଉନ୍ ଆଇନଗୁଡ଼ିକୁ ଏକ ସମାଧାନ ଭାବରେ ଗ୍ରହଣ କରିବା ନିୟନ୍ତ୍ରିତ ହୋଇଥିବା ଗୋଟିଏ ସ୍ତରକୁ ବହୁତ ବଡ଼ ଅନିୟନ୍ତ୍ରିତ ସ୍ତର ସହିତ ଭୁଲ୍ କରିବା ସଦୃଶ। ଯେକୌଣସି ଟେକ୍‌ଡାଉନ୍ ବ୍ୟବସ୍ଥାର ପହଞ୍ଚ ବାହାରେ ସୃଷ୍ଟି ପ୍ରକ୍ରିୟା ଘଟିଥାଏ, ଏବଂ ତାହା ହିଁ ସେହି ସ୍ତର ଯାହା ପୂର୍ବରୁ ନିୟନ୍ତ୍ରଣ ବାହାରକୁ ଚାଲିଯାଇଛି।

କାହିଁକି "ରୋକିବା ଅସମ୍ଭବ" ହେଉଛି ସତ୍ୟ ଉତ୍ତର

ଏହା ହାର୍ ମାନିବାର ଆହ୍ୱାନ ନୁହେଁ — ଏହା ସମସ୍ୟାର ସଠିକ୍ ନିରୂପଣ କରିବାର ଆହ୍ୱାନ, କାରଣ ଭୁଲ୍ ନିରୂପଣ ଭୁଲ୍ ପ୍ରତିକ୍ରିୟା ଆଡ଼କୁ ନେଇଯାଏ।

ଆପଣ ହଜାର ହଜାର ମେସିନ୍‌କୁ ପୂର୍ବରୁ କପି ହୋଇସାରିଥିବା ଏକ ମଡେଲକୁ ଅନ୍-ରିଲିଜ୍ କରିପାରିବେ ନାହିଁ। ଆପଣ ଫୋଟୋରିଏଲିଷ୍ଟିକ୍ ସୃଷ୍ଟିକୁ ପୁନର୍ବାର କଠିନ କରିପାରିବେ ନାହିଁ। ଆପଣ ଏପରି ଏକ ଡିଟେକ୍ଟର ତିଆରି କରିପାରିବେ ନାହିଁ ଯାହା ସ୍ଥାୟୀ ଭାବରେ ଆଗରେ ରହିବ, ଏବଂ ଆପଣ ଏପରି ଏକ ଆଇନ ଲେଖିପାରିବେ ନାହିଁ ଯାହା କାହାର ନିଜସ୍ୱ ହାର୍ଡୱେରରେ ବ୍ୟକ୍ତିଗତ ଭାବରେ ହେଉଥିବା ଗଣନା ପାଖରେ ପହଞ୍ଚିପାରିବ। ପ୍ରକୃତରେ ସାହାଯ୍ୟ କରୁଥିବା ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ସୃଷ୍ଟି ପ୍ରକ୍ରିୟାର ପରବର୍ତ୍ତୀ ସ୍ତରରେ କାର୍ଯ୍ୟ କରେ: ଦ୍ରୁତ ଏବଂ ଅଧିକ ନିରନ୍ତର ଟେକ୍‌ଡାଉନ୍, ବିତରଣ ପାଇଁ ପ୍ରକୃତ ଆଇନଗତ ପରିଣାମ, ଏହି ଉଦ୍ଦେଶ୍ୟ ପାଇଁ ନିର୍ମିତ ଆପ୍ସ ବିରୁଦ୍ଧରେ ଆପ୍ ଷ୍ଟୋରଗୁଡ଼ିକ ପ୍ରକୃତରେ ନୀତି ଲାଗୁ କରିବା, ଏବଂ ସ୍କ୍ରିନ୍ ମାଧ୍ୟମରେ ଆସିଥିବା ଅନ୍ୟାନ୍ୟ କ୍ଷତିର ସମାଧାନ କରିବା ପାଇଁ ଶିଖିଥିବା ପରି ବିଦ୍ୟାଳୟଗୁଡ଼ିକ ପିଲାମାନଙ୍କ ସହିତ ଏ ବିଷୟରେ ସଚ୍ଚୋଟ କଥାବାର୍ତ୍ତା କରିବା। ଏଗୁଡ଼ିକ କରିବା ଯୋଗ୍ୟ — କିନ୍ତୁ ସେଗୁଡ଼ିକ କ୍ଷତି ହ୍ରାସ, ନିବାରଣ ନୁହେଁ।

ଏହି ଟେକ୍ନୋଲୋଜି ବିପଜ୍ଜନକ ବୋଲି ଚେତାବନୀ ଦେଉଥିବା ପ୍ରବନ୍ଧଗୁଡ଼ିକ ବିପଦକୁ ସଠିକ୍ ଭାବରେ ବୁଝିଛନ୍ତି। ଯେଉଁଠାରେ ସେମାନେ ଭୁଲ୍ କରନ୍ତି ତାହା ହେଉଛି ଆଜି ବି ଏହାର ଏକ ପ୍ରତିକାର ଉପଲବ୍ଧ ଅଛି ବୋଲି ଧରିନେବା। ଟୁଲଗୁଡ଼ିକ ପୂର୍ବରୁ ଲକ୍ଷ ଲକ୍ଷ ଡିଭାଇସରେ ବିତରିତ ହୋଇସାରିଛି। ଦିନେ ଲୋକମାନଙ୍କୁ ସୁରକ୍ଷିତ ରଖୁଥିବା ବାଧା ଏବେ ଚାଲିଯାଇଛି, ଏବଂ ଏହା ଆଉ ଫେରିବ ନାହିଁ। ଅସ୍ୱସ୍ତିକର ସତ୍ୟ ହେଉଛି ଯେ ଯେଉଁ ଅଂଶକୁ ସମସ୍ତେ ଆଶା କରୁଥିଲେ ଯେ ସ୍ଥଗିତ କିମ୍ବା ରୋକାଯାଇପାରିବ ତାହା ପୂର୍ବରୁ ଘଟିସାରିଛି — ନୀରବରେ, ଯେତେବେଳେ ଜନସାଧାରଣଙ୍କ ବିତର୍କ ଏବେ ବି ପଚାରୁଥିଲା ଯେ ଏହା ଆସୁଛି କି ନାହିଁ।