Suni Genel Zekaya Giden Uzun, Belirsiz Yol

Son Guncelleme : 2 Haziran 2022 | admin


Last ay, DeepMind, teknoloji devi Alphabet’in bir yan kuruluşu, duyurduğunda Silikon Vadisi’ni ayağa kaldırdı Gato, kim bilir mevcud en oldukca yönlü suni zeka modeli. “Genel temsilci” olarak faturalandırılan Gato, 600’den fazla değişik görevi yerine getirebilir. Bir robotu kullanabilir, resimlere yazı yazabilir, resimlerdeki nesneleri tanımlayabilir ve daha fazlasını yapabilir. Muhtemelen gezegendeki tek bir işleve adanmamış en gelişmiş suni zeka sistemidir. Ve bazı informasyon işlem uzmanlarına gore bu, endüstrinin uzun süreden beri beklenen, oldukca heyecanlı bir dönüm noktasına ulaşmanın eşiğinde bulunduğunun kanıtı: Suni Genel Zeka.

Bayağı AI’dan değişik olarak, Suni Genel Zeka, bir görevi öğrenmek için devasa veri hazinelerine gereksinim duymaz. Bayağı suni zekanın belirli bir takım problemi çözmek için evvel eğitilmesi yada programlanması gerekirken, genel bir zeka sezgi ve tecrübe kanalıyla öğrenebilir.

Bir YGZ, kuramsal olarak, bilgiye aynı erişim hakkı verilirse, bir insanoğlunun öğrenebileceği her şeyi öğrenebilecektir. Temel olarak, bir çipe bir AGI koyarsanız ve sonrasında o çipi bir robota yerleştirirseniz, robot sizin yada benim yaptığım şeklinde tenis oynamayı öğrenebilir: bir raket sallayarak ve oyun için bir düşünce edinerek. Bu, robotun duyarlı yada biliş kabiliyetine haiz olacağı anlamına gelmez. Düşünceleri yada duyguları olmazdı, bir tek insan yardımı olmadan yeni görevleri yapmayı öğrenmede hakkaten iyi olurdu.

Bu insanlık için oldukca büyük olurdu. Bir insanoğlunun entelektüel kapasitesine ve güvenilir bir köpek arkadaşının sadakatine haiz bir makineniz olsaydı, başarabileceğiniz her şeyi bir düşünün – herhangi bir amaca uyacak şekilde fizyolojik olarak uyarlanabilen bir makine. AGI’nin vaadi budur. Onun C-3PO duygular olmadan, Teğmen Komutan Verileri merak etmeden ve Robot Rosey kişilik olmadan. Doğru geliştiricilerin elinde, şu fikri özetleyebilir: insan merkezli yapay zeka.

Fakat YGZ’nin imgesel hakkaten ne kadar yakın? Ve Gato aslına bakarsak bizi ona yaklaştırıyor mu?

Belirli bir grup bilim insanı ve geliştirici için (bu gruba “Ölçeklendirme-Uber-Alles“kalabalık, dünyaca meşhur suni zeka uzmanı Gary Marcus tarafınca buluş edilen bir terimi benimsemiştir) Gato ve derin öğrenmenin dönüştürücü modellerine dayanan benzer sistemler, bizlere şimdiden YGZ oluşturmanın planını vermiştir. Esasen, bu transformatörler, bir sonraki adımda nasıl sonuçlanacağını kestirmek için devasa veritabanları ve milyarlarca yada trilyonlarca ayarlanabilir parametre kullanır.

OpenAI’den Ilya Sutskever ve Austin’den Alex Dimakis’teki Texas Üniversitesi şeklinde dikkate kıymet adları içeren Scaling-Uber-Alles kalabalığı, transformatörlerin kaçınılmaz olarak YGZ’ye yol açacağına inanıyor; geriye kalan tek şey onları daha büyük ve daha süratli yapmak. Gato’yu yaratan ekibin bir üyesi olan Nando de Freitas olarak, son zamanlarda tweetlendi: “Artık her şey ölçekle ilgili! Oyun bitti! Bu modelleri daha büyük, daha güvenli, hesaplama verimli, örneklemede daha süratli, daha akıllı hafıza yapmakla ilgili…” De Freitas ve şirket, bu büyümeyi desteklemek için yeni algoritmalar ve mimariler oluşturmak zorunda kalacaklarını anlıyorlar, sadece bununla beraber bir YGZ olduğuna inanıyorlar. Gato şeklinde modelleri büyütmeye devam edersek kendi kendine ortaya çıkacak.

Bana eski kafalı kabul edebilirsiniz, sadece bir geliştirici bana planlarının bir YGZ’nin ilkel çorbadan çıkan bir balçık balığı şeklinde büyük veri pisliğinden büyülü bir halde ortaya çıkmasını beklemek bulunduğunu söylediğinde, birkaç adımı atladıklarını düşünüyorum. Görünüşe gore yalnız değilim. Marcus da dahil olmak suretiyle bir takım uzman ve bilim adamı, Gato benzeri suni zekayı tam teşekküllü genel olarak akıllı makinelere dönüştürmek için meydana getirilen görkemli planlarda temel bir şeyin tamamlanmamış bulunduğunu savundu.

“Bir çipe bir AGI koyarsanız ve sonrasında o çipi bir robota yerleştirirseniz, robot sizin yada benim yaptığım şeklinde tenis oynamayı öğrenebilir: bir raket sallayarak ve oyun için bir düşünce edinerek.”

Geçenlerde bir düşüncemi açıkladım üçleme nın-nin denemeler Sonraki Web’ler için sinirsel dikey, ben bir editörüm. Kısacası, AGI’nin temel dayanağı, kendi verilerini elde edebilmesidir. Sadece, transformatör AI’ları şeklinde derin öğrenme modelleri, kendilerine sağlanan veritabanlarına gore çıkarımlar yapmak için tasarlanmış makinelerden birazcık daha fazlasıdır. Onlar kütüphanecidirler ve bu yüzden bir tek eğitim kütüphaneleri kadar iyidirler.

Genel bir zeka, ufak bir veri tabanına haiz olsa bile kuramsal olarak bir şeyleri çözebilir. Bir insanoğlunun dikkatini nereye vereceğine karar vermesi şeklinde, hangi dış verilerin mühim olup olmadığını seçme kabiliyetinden başka bir şeye dayanarak görevini yerine getirmek için metodolojiyi sezerdi.

Gato havalı ve onun gibisi yok. Sadece, esasen, büyük verilerin uzman kullanımı kanalıyla genel bir AI yanılsamasını münakaşaya açık bir halde sunan akıllı bir pakettir. Mesela, dev veritabanı, muhtemelen temel alınan veri kümelerini ihtiva eder. web sitelerinin tüm içeriği Reddit ve Wikipedia şeklinde. İnsanların bir tek daha çok veriyi ayrıştırmaya zorlayarak rahat algoritmalarla bu kadar oldukca şey yapmayı başarması şaşırtıcı.

Aslına bakarsak Gato, genel zekayı yansılamak etmek için o denli etkisinde bırakan bir yol ki, yanlış ağaca havlıyor olabilir miyiz diye merak ediyorum. Gato’nun bugün yapabileceği görevlerin bir çok, bir kez inandı bir tek bir YGZ’nin yapabileceği bir şey olmak. Düzgüsel AI ile ne kadar oldukca başarırsak, genel bir gizmen oluşturmanın zorluğu o denli zor görünüyor.

“Bana eski kafalı kabul edebilirsiniz, sadece bir geliştirici bana planlarının bir YGZ’nin ilkel çorbadan çıkan bir balçık balığı şeklinde büyük veri pisliğinden büyülü bir halde ortaya çıkmasını beklemek bulunduğunu söylediğinde, birkaç adımı atladıklarını düşünüyorum.”

Bu nedenlerden dolayı, AGI’ye giden yolun tek başına derin öğrenme olduğundan şüpheliyim. İnce ayar yapmak için daha büyük veritabanlarından ve ek parametrelerden daha fazlasına ihtiyacımız olacağına inanıyorum. Makine öğrenimi için tamamen yeni bir kavramsal yaklaşıma ihtiyacımız olacak.

İnsanlığın sonunda YGZ inşa etme arayışında başarı göstermiş olacağını düşünüyorum. En iyi tahminim, 2100’lerin başlarından ortasına doğru AGI’nin kapısını çalacağımız ve bunu yaptığımızda, bunun DeepMind’deki bilim adamlarının tasarım ettiğinden oldukça değişik göründüğünü göreceğiz.

Fakat bilimin güzel yanı, işinizi göstermek zorunda olmanız ve şu anda DeepMind tam da bunu yapıyor. Beni ve öteki karşı çıkanları kanıtlamak için her fırsatı var.

Hakkaten, derinden umuyorum ki başarı göstermiş olur.


Tristan Greene, insan merkezli değişen teknolojinin gücüne inanan bir fütüristtir. Şu anda The Next Web’in fütürizm dikey kısmı Neural’ın editörüdür.

Comments are closed.