Google DeepMind: Yapay Zekâ Modelleri İnsan Dehasının Yerini Asla Alamayacak

Google DeepMind'dan yeni bir araştırma makalesi, büyük dil modellerinin (LLM) insan dehasının yerini asla alamayacağını savunuyor. Nedeni ise yapay zekânın fiziksel bir bedene sahip olmamasının bilişsel bir engel oluşturması.

Üç Çıkarım Türünden Yalnızca Biri Fethedildi

Tom Zahavy imzalı "LLMs can't jump" başlıklı makale, çıkarımın üç farklı türü olduğunu belirtiyor: tümevarım (induction), tümdengelim (deduction) ve en zoru olan abdüksiyon. İstatistiksel örüntü tanıma ve devasa veri sıkıştırma sayesinde yapay zekâ tümevarımda başarılı oldu; AlphaProof gibi sistemler de belirlenmiş kurallardan türetilmiş mantıksal kanıtlarla tümdengelimde hızla ustalaştı. Ancak "aşılamaz tavan", kıt veri karşısında açıklayıcı hipotezler üretme yeteneği olan abdüksiyonda ortaya çıkıyor — makaleye göre bugüne kadar hiçbir yapay zekâ sistemi bu üçüncü çıkarım türünde insan seviyesine yaklaşamadı.

Schmidhuber'e Karşı Einstein Örneği

Makale, yapay zekâ araştırmacısı Jürgen Schmidhuber'in en çok tanınan görüşlerinden birine, yani "bilimsel keşif, gelişmiş bir veri sıkıştırma biçimidir" iddiasına doğrudan karşı çıkıyor. Bu iddiayı çürütmek için Albert Einstein'ın Genel Görelilik Kuramı örneği kullanılıyor. Einstein bu buluşları geliştirdiğinde analiz edilecek ya da sıkıştırılacak neredeyse hiç görsel veri yoktu. Einstein bunun yerine, kapalı bir asansörde düşen bir insanın ne hissedeceğini görselleştirmek gibi "bedenlenmiş düşünce deneylerine" dayandı — duyusal deneyimleri fiziksel sezgiyle birleştirerek yeni matematiksel ilkeler ortaya çıkardı. Bir LLM, Einstein'ın bulgularını gördükten sonra karmaşık matematiksel çıkarımları sorunsuzca ele alabilir, ancak bu orijinal önermeleri yalnızca mevcut metni analiz ederek kendi başına asla icat edemezdi — çünkü ortada sıkıştırılacak bir veri seti yoktu, yalnızca fiziksel sezgi vardı.

Mevcut Yapay Zekâ Neden Yetersiz Kalıyor?

Makaleye göre mevcut yapay zekâ keşif çerçeveleri — otomatik kodlama araçları da dahil — belirli kural kitapları ve eşiklerle sınırlı kalıyor, tamamen yeni çerçeveler yaratamıyor. LLM'lerin gerçek dünyada fiziksel bir temeli olmadığından, neden-sonuç ilişkisine dayalı sezgisel modeller oluşturmaları mümkün değil. Veri merkezlerini ve hesaplama gücünü genişletmek de bu LLM'lerin sihirli bir şekilde deha seviyesinde bir zekâ geliştirmesini sağlamayacak — makale bunu açıkça vurguluyor, çünkü sorun ölçek değil, temelde fiziksel deneyim eksikliği.

Gelecek İçin Ne Gerekiyor?

Mantıksal hesaplama ile gerçek bilimsel icat arasındaki köprüyü kurmak için gelecekteki yapay zekâ mimarilerinin metin ve görüntü işlemenin ötesine geçip fiziksel çok modlu dünya modellerine yönelmesi gerekiyor. Yapay zekâ sistemlerine sanal ortamlarda bedenlenmiş simülasyonlar çalıştırma yeteneği kazandırmak, denklem veya kod üretmeden önce gerçek dünya fiziksel sezgisi inşa etmelerine olanak tanıyabilir. Bu, mevcut LLM mimarilerinden kökten farklı bir yaklaşım gerektiriyor.

Neden Önemli?

Bu makale, yapay zekânın kısa sürede bilim insanlarının veya mucitlerin yerini alacağı yönündeki iyimser (ya da endişeli) senaryolara karşı ölçülü bir karşı argüman sunuyor. Veri merkezi yatırımları ve hesaplama kapasitesi ne kadar artarsa artsın, mevcut mimari yaklaşımın insan yaratıcılığının belirli bir boyutunu — kıt veriden açıklayıcı sıçramalar yapma yeteneğini — yakalayamayacağı görüşü, yapay zekâ araştırma gündeminde önemli bir tartışma başlığı olmaya devam edecek gibi görünüyor.