Hepsine “yapay zeka” diyoruz ama…

E-postanızdaki spam filtresi yapay zeka. Netflix’in film önerileri yapay zeka. Telefonunuzun yüz tanıması yapay zeka. ChatGPT de yapay zeka. Aynı etiket, çok farklı şeyler — ve bu etiket karmaşası, yapay zeka tartışmalarındaki kafa karışıklığının önemli bir kaynağı. Biri “yapay zeka yıllardır hayatımızda, yeni bir şey yok” der; öbürü “yapay zeka her şeyi değiştirecek” der; ikisi de aslında farklı şeylerden bahsediyordur.

Bu yazıda haritayı netleştirelim. İki ayrım yetecek: ayırt edici mi, üretici mi? ve dar mı, genel mi? Sonunda AGI tartışmasına da ayık bir bakış atacağız.

Birinci ayrım: seçen ile üreten

Spam filtresinin işi şudur: gelen e-postaya bakar ve iki seçenekten birini işaretler — spam ya da değil. Yüz tanıma da benzer: bu yüz, kayıtlı yüzle eşleşiyor mu, eşleşmiyor mu? Röntgende gölge var mı, yok mu? Bu kredi başvurusu riskli mi, değil mi?

Bunlara ayırt edici (sınıflandırıcı) sistemler denir. Ortak özellikleri: cevap uzayı önceden bellidir. Sistem yeni bir şey yaratmaz; eldeki girdiyi, tanımlı kategorilerden birine yerleştirir. Girdi karmaşık olabilir (milyonlarca piksel), ama çıktı dardır (birkaç seçenekten biri).

ChatGPT’nin işi ise başkadır: ona bir soru yazdığınızda, önceden hazırlanmış cevap listesinden seçim yapmaz. Cevabı, token token, o an inşa eder — daha önce kimsenin yazmadığı bir metin de olabilir bu. Görsel üreten modeller de öyle: var olmayan bir tabloyu piksellerinden kurarlar. Bunlara üretici (generative) sistemler diyoruz. Çıktı uzayı dar bir liste değil, neredeyse sonsuz bir olasılık alanıdır.

Sezgisel bir benzetme: ayırt edici sistem, sınavdaki çoktan seçmeli soruyu çözen öğrencidir; üretici sistem, kompozisyon yazan öğrenci. İkisi de öğrenmiştir, ama işin doğası farklıdır — ve kompozisyonda hata yapmanın yolları çok daha çeşitlidir.

İlginç olan şu: ikisinin de motoru aynı — yapay sinir ağları, örüntü öğrenme, derin öğrenme. Fark, örüntünün ne için kullanıldığında. Ayırt edici model “bu örüntü hangi sınıfa ait?” diye sorar; üretici model “bu örüntüye göre sırada ne olmalı?” diye. Dil modellerinin bu ikinci soruyu nasıl cevapladığını büyük dil modelleri nasıl çalışır yazısında, görüntü tarafını ise difüzyon modelleri yazısında anlattım.

Bu farkın pratik bir sonucu var: hata biçimleri farklıdır. Spam filtresi yanılırsa, yanlış kutuya koyar — hatası görünür ve sınırlıdır. Üretici model yanılırsa, kendinden emin bir uydurma üretir: halüsinasyon. Ayırt edici sistemlere onlarca yıldır güvenip üretici sistemlerin çıktısını hâlâ kontrol etmemiz gerekmesi, kapris değil, bu yapısal farkın gereğidir.

İkinci ayrım: dar ile genel

Şimdi ikinci eksen. Spam filtresi, spam ayıklamakta insanüstüdür — günde milyarlarca e-postayı yorulmadan eler. Ama ona bir tarif soramazsınız; satranç oynayamaz; kendi işinin bir milim dışına çıkamaz. Satranç şampiyonunu yenen sistem de öyleydi: satrançta tanrısal, satranç dışında hiçbir şey. Bunlara dar yapay zeka denir: tek görevde, bazen insandan iyi; görev değişince sıfır.

Bugüne kadarki yapay zekanın tamamı — istisnasız — dar yapay zekadır. Bunun karşısına konan kavram ise genel yapay zeka, İngilizce kısaltmasıyla AGI: bir insanın yapabildiği zihinsel işlerin genelini, alan değiştirerek, yeni durumlara uyum sağlayarak yapabilen varsayımsal sistem. Vurgulayalım: varsayımsal. Elimizde yok.

“İyi ama ChatGPT tarif de veriyor, kod da yazıyor, hukuk sorusu da cevaplıyor — bu genel değil mi?” İşte tartışmanın alevlendiği yer burası. Büyük dil modelleri, dar-genel ayrımını eskisi kadar keskin olmaktan çıkardı. Tek görev için eğitilmediler; “sıradaki kelimeyi tahmin et” hedefiyle eğitilip (nasıl eğitildiklerini burada anlattım) yüzlerce farklı işte kullanılabilir hale geldiler. Bu, gerçek ve önemli bir genişlemedir — ilk büyük belgesi, GPT-3’ün tek eğitim hedefiyle onlarca farklı görevi yapabildiğini gösteren 2020 tarihli makaledir.

Ama “geniş” ile “genel” aynı şey değil. Bu modeller hâlâ tek tip bir işlem yapıyor: öğrenilmiş örüntülerden metin üretmek. Fizik dünyada iş göremiyorlar, deneyimden anlık öğrenemiyorlar (eğitimleri bitince bilgileri donuyor), uzun vadeli hedef güdemiyorlar ve yaptıkları işin doğruluğunu içeriden denetleyemiyorlar. Genişlemiş dar yapay zeka mı, ilkel genel yapay zeka mı — bu, tanım savaşının ta kendisi ve dürüst cevap şu: AGI’nin üzerinde uzlaşılmış bir tanımı yok. Tanımı olmayan şeyin tarihi de verilemez.

AGI tartışmasına ayık bakış

Bu belirsizlik, iki uç anlatıya alan açıyor. Bir uçta “AGI köşede, her şey bitmek üzere” heyecanı; diğer uçta “hepsi balon, papağandan farkı yok” küçümsemesi. Bu sitenin çizgisi belli: ikisi de ucuz. Ayık bakış bence üç cümleye sığar.

Bir: Yetenek artışı gerçek. Beş yıl önce hayal olan işler bugün rutin; bu hızı küçümseyen, üst üste yanıldı. Tarih bu konuda öğretici: bu alan daha önce de “bahar-kış” döngüleri yaşadı — büyük vaat, hayal kırıklığı, sessiz birikim, sonra sıçrama. (Derin öğrenmenin kısa tarihi tam bu döngülerin hikayesi.)

İki: Mevcut sistemlerin yapısal sınırları da gerçek. Örüntü genellemesi düşünme değildir; akıcılık anlama kanıtı değildir; ölçek büyütmenin her sorunu çözeceği bir varsayımdır, kanıtlanmış bir yasa değil. Neyin elimizde olup neyin olmadığının dökümünü ne yapabilir, ne yapamaz yazısında yaptım.

Üç: “AGI ne zaman?” sorusunun cevabını kimse bilmiyor — alanın en iyileri de. Uzman tahminleri birkaç yıldan onlarca yıla, “belki hiç”e kadar savruluyor; 2.778 yapay zeka araştırmacısıyla yapılan en büyük anket tam bu savrulmayı belgeliyor (Grace vd., aşağıda). Bu kadar geniş bir tahmin aralığı, bilginin değil belirsizliğin göstergesidir. Kesin tarih veren herkese — iyimser ya da kötümser — aynı soruyu sorun: neye dayanarak?

Pratik sonuç şu: bugün karar verirken AGI spekülasyonuna değil, eldeki sistemlerin gerçek yeteneklerine ve gerçek sınırlarına bakmak gerekiyor. Sağlıkta, eğitimde, hukukta bugün olan biten — teşhiste, bilimsel keşifte, sınıfta — dar ve üretici sistemlerin hikayesidir ve yeterince önemlidir.

Aklınızda kalsın

  1. Ayırt edici AI seçer, üretici AI inşa eder — spam filtresi çoktan seçmeli çözer, ChatGPT kompozisyon yazar; motor aynı, iş ve hata biçimi farklı.
  2. Bugüne kadarki her yapay zeka dar yapay zekadır — dil modelleri bu sınırı genişletti ama “genel” olduklarını söylemek tanım savaşına girmektir.
  3. AGI için ne kesin tarih ne kesin imkansızlık iddiası ciddiye alınmalı — tanım muğlak, tahminler savruk; kararlarınızı eldeki sistemlerin gerçekliğine göre verin.

Etiketler netleşince tartışma da netleşiyor: “yapay zeka” tek bir şey değil, bir araç ailesidir. Hangi üyesinden bahsettiğinizi bilmek, hem abartıdan hem küçümsemeden korur.

Kaynaklar

  • Goodfellow, I. vd. (2014). Generative Adversarial Networks. Ayırt edici ve üretici modeli aynı çerçevede karşı karşıya koyan, üretici yapay zekanın kilometre taşı makalesi. arxiv.org/abs/1406.2661
  • Brown, T. vd. (2020). Language Models are Few-Shot Learners. GPT-3 makalesi: “sıradaki kelimeyi tahmin et” hedefiyle eğitilen tek modelin çeviri, soru-cevap gibi birçok görevi yapabildiğinin gösterimi. arxiv.org/abs/2005.14165
  • Bubeck, S. vd. (2023). Sparks of Artificial General Intelligence: Early experiments with GPT-4. “Genişlemiş dar AI mı, erken AGI mi?” tartışmasının en çok atıf alan metinlerinden; sınırlara da ayrıntılı yer verir. arxiv.org/abs/2303.12712
  • Grace, K. vd. (2024). Thousands of AI Authors on the Future of AI. 2.778 yapay zeka araştırmacısıyla yapılan anket: AGI zaman çizelgesi tahminlerindeki geniş belirsizliğin belgesi. arxiv.org/abs/2401.02843