En gelişmiş yapay zekâ sistemleri bile henüz bir yaşındaki bir çocuktan daha akıllı değil — bu abartı değil

Yapay zekânın etkileyici başarılarına rağmen günümüz sinir ağları, zekânın en temel unsurlarından birinde — çevrelerindeki dünyanın nasıl işlediğini hızla anlama ve asgari deneyimle öğrenme becerisinde — küçük çocukların hâlâ oldukça gerisinde kalıyor. Bilişsel bilimler, nörobiyoloji ve makine öğrenimi alanındaki uzmanlar giderek daha sık bu sonuca varıyor.

Paradoks şu ki dil modelleri programlama kodu yazabiliyor, zorlu sınavları geçebiliyor, anlamlı diyaloglar kurabiliyor ve devasa miktarda bilgiyi analiz edebiliyor. Ancak yapay zekâ, fizik yasalarını, neden-sonuç ilişkilerini ve nesnelerle etkileşimi anlamayı gerektiren yeni ve bilinmeyen bir ortama yerleştirildiğinde yetenekleri keskin biçimde azalıyor. Bir yaşındaki bir çocuğun yalnızca birkaç gün ya da hafta içinde kendi başına anlamaya başladığı şeyler için yapay zekâ milyonlarca eğitim örneğine ve muazzam hesaplama gücüne ihtiyaç duyuyor.

Çocuk neden yapay zekâdan daha verimli öğreniyor?

Temel fark, öğrenme biçiminde yatıyor.

Bebek bilgiyi aynı anda birçok kanaldan alıyor: görme, işitme, dokunma, hareket, denge, sosyal etkileşim ve duygusal geri bildirim. Her eylem bir deneye dönüşüyor. Çocuk oyuncağı attığında onun nasıl düştüğünü gözlemliyor. Bir nesneyi ittiğinde nesnenin hareket ettiğini anlıyor. Bir yetişkine gülümsediğinde karşılık alıyor. Böylece beyin, çevresindeki dünyanın sürekli olarak içsel bir modelini oluşturuyor.

Üstelik bu tür tasavvurların oluşması için çocuğun çok az veriye ihtiyacı oluyor.

Modern sinir ağları ise tamamen farklı çalışıyor. Ağırlıklı olarak metinler, görseller, videolar veya ses kayıtları gibi önceden hazırlanmış devasa bilgi kümeleriyle eğitiliyorlar. Bir örüntüyü öğrenmek için modellerin çoğu zaman milyonlarca örneğe ihtiyacı olurken, bir çocuk için bazen birkaç gözlem yeterli oluyor.

Bu nedenle uzmanlar, günümüz yapay zekâ sistemlerinin istatistiksel örüntüleri mükemmel biçimde tanıdığını, ancak olup bitenin doğasını anlamakta çok daha zayıf kaldığını söylüyor.

Verimlilikteki devasa fark

Aradaki fark, kullanılan veri miktarları karşılaştırıldığında özellikle belirginleşiyor.

Çocuk yaşamının ilk yılında çevresindeki dünyanın yalnızca küçük bir bölümünü görüyor; ancak bu, nesneler, insanlar, mekân ve neden-sonuç ilişkileri hakkında karmaşık tasavvurlar oluşturması için yeterli oluyor.

Buna karşılık büyük dil modelleri, erişilebilen internetin neredeyse tamamı, kütüphaneler, bilimsel yayınlar ve diğer dijital kaynaklar kullanılarak eğitiliyor. Bu modellerin oluşturulmasında büyük miktarda elektrik tüketen binlerce güçlü grafik işlemci kullanılıyor.

Tüm bunlara rağmen yapay zekâ, bir çocuğun çevresini tanımaya başladıktan sonraki ilk aylarda genellikle yapmadığı hataları hâlâ yapıyor.

Günümüz modellerinin temel sorunu nedir?

Temel nedenlerden biri, fiziksel dünyayla gerçek bir etkileşimin bulunmaması olarak görülüyor.

Mevcut modellerin çoğu fiilen “bilgisayarın içinde oturuyor”. Verileri analiz ediyorlar, ancak insanların yaptığı gibi çevreyi kendileri araştıramıyor, deney yapamıyor, hata yapamıyor ve yeni deneyimler edinemiyorlar.

Oysa dünyayla aktif etkileşim, insan zekâsının temeli olarak kabul ediliyor.

Bu nedenle giderek daha fazla araştırma grubu robotik, nörobiyoloji ve yapay zekâyı bir araya getiren bir alan üzerinde çalışıyor. Amaçları, yalnızca hazır verilerle değil, kendi deneyimleri üzerinden de öğrenebilen sistemler oluşturmak.

Bilim insanları ne öneriyor?

Araştırmacılar bugün insan beyninin çalışma ilkelerine giderek daha sık başvuruyor.

En umut vadeden yönler arasında şunlar yer alıyor:

önceden hazırlanmış verilerle sınırlı kalmadan, çevreyle etkileşim yoluyla öğrenme;

yeni durumları bağımsız olarak araştırabilen modellerin geliştirilmesi;

görme, işitme, dokunsal duyular ve hareketin tek bir algı sisteminde birleştirilmesi;

uzun süreli bellek ve deneyim biriktirme mekanizmalarının oluşturulması;

“dünya modeli” (world model) olarak adlandırılan, gerçekliğin nasıl işlediğine dair içsel bir modelin geliştirilmesi.

İşte bu yaklaşımlar, geleceğin yapay zekâ sistemlerini öğrenme konusunda çok daha esnek ve ekonomik hâle getirebilir.

Yapay zekânın gelişimindeki bir sonraki aşama

Uzmanlar, yapay zekâ alanındaki ilerlemenin bundan sonra veri miktarının veya ekran kartlarının gücünün artırılmasına değil, insan beyninin nasıl öğrendiğinin daha derinlemesine anlaşılmasına bağlı olacağı konusunda giderek daha fazla fikir birliğine varıyor.

Mühendisler, bebeklerin çevrelerindeki dünyayı inanılmaz bir hızla öğrenmesini sağlayan mekanizmaların en azından bir bölümünü yeniden oluşturmayı başarırsa, bu yapay zekânın gelişimindeki bir sonraki büyük atılım olabilir.

Bu nedenle nörobiyoloji ve bilişsel psikoloji, günümüzde yapay zekânın geleceği açısından programlama ve bilgisayar teknolojisi kadar önemli hâle geliyor. Belki de gerçekten genel amaçlı bir yapay zekâ oluşturmanın yolu giderek daha güçlü bilgisayarlardan değil, bir çocuğun beynindeki birkaç milyar nöronun sınırlı yaşam deneyimini dünya hakkında kapsamlı bir bilgiye nasıl dönüştürdüğünü anlamaktan geçiyor.