Yapay zeka (AI) şu anda çok fazla baskı görüyor olabilir, ancak abartıyı bir kenara bırakalım ve alanın bugün gerçekte nerede olduğuna bakalım.
Şu anda, tüm yapay zekalar zayıf yapay zeka olarak bilinen şeylerdir – yani yalnızca bir alandaki sorunları çözebilirler. Güçlü AI – birden fazla türde sorunu çözebilen yapay zeka – hala yıllarca uzakta. Örneğin, herhangi bir insandan daha iyi satranç oynayabilen bir sistemi ele alalım. Aynı sistem, çok daha kolay bir oyun olan pokerin nasıl oynanacağına dair en ufak bir fikre sahip değil.
Ayrıca, yapay zekanın şu anki durumu, denetimsiz öğrenmenin henüz başlangıç aşamasında olmasıdır. Tüm pratik algoritmalar, etiketlenmiş verilerle öğrendikleri denetimli öğrenmeye hala güveniyor. Ve bunu, ilerledikçe öğrenmek yerine öğrenmeye adanmış bir aşamada yaparlar.
Reykjavik Üniversitesi’nde profesör ve İzlanda Akıllı Makineler Enstitüsü’nün (IIIM) kurucusu ve yöneticisi olan İzlandalı araştırmacı Kristinn Thórisson, yıllardır yapay zekaya yönelik mevcut yaklaşımın asla gerçek makine zekasına yol açmayacağını söylüyor.
Thórisson, hem akademi hem de endüstride yapay genel zeka projeleri üzerinde 30 yıl çalıştı ve yapay zeka projeleri uyguladı. Önümüzdeki otuz yılda, yapay sinir ağlarını gerçek zekaya daha yakın metodolojilerle değiştiren yeni bir paradigmanın hakim olacağını tahmin ediyor. Sonuç, endüstriyi ve toplumu dönüştüren daha güvenilir sistemler olacaktır.
Reykjavik Üniversitesi, Temmuz 2022’de Üçüncü Uluslararası Kendi Kendine Denetimli Öğrenme Çalıştayı’na ev sahipliği yaptı ve sunulan bildiriler şu dergide yayınlandı: Makine öğrenimi araştırması tutanakları. Thórisson, “Etkinliğin tutanakları tek bir yerde gerçekten çok sayıda iyi çalışma içeriyor” diyor. “Bence bu makalelerdeki fikirler, yapay zekanın önümüzdeki 30 yıl içinde evrimleşme biçiminin merkezinde yer alacak.”
Duruşmada yer alan ilginç bir makale, Leela AI’nın kurucu ortağı ve baş teknoloji sorumlusu Henry Minsky ile birlikte Thórisson tarafından yazılmıştır. başlıklı yazı Yapay zeka araştırmasının geleceği: Yenilebilir on ‘zeka aksiyomu’, bilişsel bilime daha fazla odaklanarak yeni bir metodolojinin geliştirilmesi gerektiğini savunarak geleneksel bilgisayar bilimi metodolojileri ve matematiğe daha az vurgu yapılması çağrısında bulunuyor. Yazarlar, gerçek zekanın nedensel ilişkilerin, akıl yürütmenin ve bilişsel gelişimin birleştirilmesini içerdiğine dikkat çekiyor.
Gelecekteki yapay zekanın temel özellikleri nelerdir?
Thórisson ve Minsky’ye göre, otonom genel öğrenme veya genel kendi kendini denetleyen öğrenme, alışılmadık fenomenler veya gerçek dünya nesneleri hakkında yardım almadan bilgi yapıları oluşturmayı içerir. Bir yapay zekanın sebep ve sonucu temsil etmesi ve bunu muhakeme süreçlerinde önemli bir bileşen olarak kullanması gerekir. Yapay zeka, yeni bir fenomenle karşılaştığında nedensel ilişkiler hakkında bir hipotez geliştirebilmelidir.
“Geleceğin genel makine zekası için en önemli bileşenler, yeniliklerle başa çıkma yeteneği, deneyimi özerk bir şekilde yönetme yeteneği ve neden-sonuç ilişkilerini temsil etme yeteneğidir”
Kristinn Thórisson, Reykjavik Üniversitesi ve İzlanda Akıllı Makineler Enstitüsü
Bir yapay zeka, yeni bilgilere dayalı olarak mevcut bilgisini değiştirerek aşamalı olarak öğrenme yeteneğine sahip olmalıdır. Kümülatif öğrenme, işlerin nasıl yürüdüğü hakkında giderek daha fazla yararlı olan bilgilerin akıl yürütmeye dayalı olarak edinilmesini içerir. Yeni kanıtlar elde edildiğinde modeller iyileştirilmelidir. Bu, gelecekteki AI araştırmaları için bir konu olan hipotez oluşturmayı gerektirir.
Halihazırda bilinen şey, hipotezlerin tümdengelim, kaçırma, tümevarım ve benzetmeyi içeren bir akıl yürütme süreciyle oluşturulması gerektiğidir. Ve bir yapay zeka, bir hipotezin lehindeki ve aleyhindeki argümanları takip etmelidir. Gelecekteki bir yapay zekanın bir diğer önemli gereksinimi, planlama sırasında bilinmeyenleri modellemesi gerektiğidir. Daha sonra herhangi bir zamanda bir göreve faydalı bilgi getirebilmelidir.
Thórisson, “Geleceğin genel makine zekası için en önemli bileşenler, yeniliklerle başa çıkma yeteneği, deneyimi özerk bir şekilde yönetme yeteneği ve neden-sonuç ilişkilerini temsil etme yeteneğidir” diyor. “Yapay zekaya yapılandırmacı bir yaklaşım, ilk iki noktayı ele almak için zaten yararlı bir başlangıç noktası sağlıyor – yeniliği ele almak ve deneyimi özerk bir şekilde yönetmek. Ancak, sistemlerin nedenselliği otonom, etkili ve verimli bir şekilde modelleyebilmesi için daha kat etmemiz gereken çok yol var.”
Buradan oraya nasıl gideceğiz?
Mevcut nesil yapay zeka sistemleri, Thórisson’un söylediği gibi, nispeten küçük sorunlara çeşitli izole çözümlerle sonuçlandığını söyleyen yapılandırmacı bir yaklaşım kullanıyor.
“Yapay zeka sistemleri, özellikle dikkat ve öğrenme gibi çapraz işlevler söz konusu olduğunda, bugüne kadar denenenden çok daha karmaşık entegrasyon gerektiriyor” diyor. “Zorluğun üstesinden gelmenin tek yolu, yukarıdan aşağıya mimari geliştirme metodolojilerini kendi kendine üretilen koda dayanan kendi kendini organize eden mimarilerle değiştirmek. Biz buna ‘yapılandırmacı yapay zeka’ diyoruz.”
Hem Thórisson hem de Minsky, bu ilkelere dayalı algoritmalar üzerinde çalışıyor. Thórisson, insanların TV tarzı bir görüşmeye katıldığını gözlemleyerek sözlü çok modlu görüşmelere nasıl katılacağını özerk bir şekilde öğrenen AERA olarak bilinen bir sistemle yapılandırmacı yapay zekaya bir yaklaşım sergiledi. Sistem, kendi kendini yeniden yapılandırma yoluyla yeteneklerini otonom olarak genişletir.
15 yıldır geliştirilmekte olan AERA, oldukça karmaşık görevleri adım adım öğreniyor. Normal bir masaüstü bilgisayarda önyükleme ve çalıştırma için yalnızca iki sayfalık tohum koduyla başlayan AERA aracısı, önceden hiçbir şey öğrenmeden anlamsal olarak anlamlı eylemler, dilbilgisi açısından doğru ifadeler, gerçek zamanlı koordinasyon ve sıra alma oluşturdu. Bunu sadece 20 saatlik gözlemden sonra yaptı. Üretilen bilgi, sistemin görüşmeci veya görüşmeci rolünü üstlenmesine izin vermek için kendi yazdığı 100 sayfadan fazla yürütülebilir koddan oluşuyordu.
Endüstriyel otomasyona odaklanan Minsky, Leila AI’da akıllı sistemlere çok benzer bir yaklaşım izliyor. Nöro-sembolik teknolojisi, bir fabrika katındaki insanların ve makinelerin faaliyetlerini takip edebilen ve operasyonları hakkında eyleme geçirilebilir bilgiler üretebilen endüstriyel otomasyona yeni bir yaklaşımla sonuçlandı.
Minsky ve Thórisson’a göre, derin sinir ağlarına yönelik mevcut odak, bu alandaki ilerlemeyi engelliyor. Thórisson, “Nedensel bilgileri içeren veriler üzerinde eğitildiklerinde bile, özellikle istatistiksel temsillere bağımlı olan derin sinir ağları, sahte korelasyonu nedensel olarak bağımlı korelasyondan güvenilir bir şekilde ayıramaz” diyor. “Sonuç olarak, bir şeyleri ne zaman uydurduklarını size söyleyemezler. Bu tür sistemlere tam olarak güvenilemez.”