Yapay zeka öncülerinden Ilya Sutskever, sektörün 2020-2025 arasındaki ölçeklendirme odaklı dönemden, yeni keşiflere yöneldiği bir araştırma çağına geri döndüğünü öne sürdü.
Yapay zeka alanının önde gelen isimlerinden ve SSI’ın kurucu ortağı Ilya Sutskever, Dwarkesh Patel’in podcast yayınına katılarak sektörün geleceğine dair çarpıcı analizlerde bulundu. Sutskever’a göre, yapay zekanın bugünkü durumu bilim kurgudan fırlamış gibi görünse de, yavaş ve kademeli ilerlemesi nedeniyle yarattığı etki beklenenden daha “normal” hissedilmekte [00:07]. Bu normalleşme, yapay zeka modellerinin gösterdiği zekâ ile ekonomik etki arasındaki belirgin kopukluktan kaynaklanıyor.
Sutskever, yapay zeka modellerinin değerlendirme (eval) testlerinde çok başarılı olmasına rağmen, kodlamada bir hatayı düzeltirken ikincisini yaratmak gibi gerçek dünya görevlerinde tuhaf hatalar yapabildiğini dile getirdi [02:01]. Bu durum, modellerin genelleme yeteneklerinin yetersiz olduğunu gösteren temel bir teknik soruna işaret ediyor. Sutskever, yapay zekanın daha iyi genelleme yapabilmesi için yeni bir temel makine öğrenimi prensibine ihtiyaç duyulduğunu belirtti.
Alan, 2012-2020 yılları arasındaki araştırma odaklı dönemden, büyük ölçekli veri ve hesaplamanın ön planda olduğu 2020-2025 yıllarındaki “Ölçeklendirme Çağı”na geçiş yaptı. Ancak sutskever, eğitim verilerinin sınırlı hale gelmesi ve mevcut ölçeklerin büyüklüğü nedeniyle, sektörün artık büyük bilgisayarlarla yürütülen “Araştırma Çağı”na geri döndüğünü ifade etti [21:04]. Bu yeni dönem, kaynakları daha verimli kullanacak yeni eğitim tariflerinin bulunmasını gerektirmektedir.
Sutskever, mevcut makine öğrenimi yaklaşımlarında, insanların öğrenme şekline kıyasla ciddi bir eksiklik olduğunu vurguladı. İnsanlar, kısıtlı örneklemle bile kodlama ve matematik gibi yeni alanlarda hızla ve sağlam bir şekilde genelleme yapabilmektedir. Örnek olarak, bir gencin harici bir öğretmen olmaksızın sadece pratikle araba kullanmayı kısa sürede öğrenmesini sağlayan şeyin, evrimle kodlanmış sağlam bir değer işlevi (value function) olan duygular olduğunu söyledi [30:36].
SSI olarak yürüttükleri araştırmanın, bu temel genelleme sorununa odaklandığını belirten Sutskever, yapay genel zekânın (AGI) tanımının da değişmesi gerektiğini öne sürdü. AGI, her işi yapabilen “bitmiş bir zihin” yerine, herhangi bir işi hızla öğrenme yeteneğine sahip, sürekli öğrenen bir süreç olarak görülmelidir [50:03]. Bu yaklaşım, AGI’ın tıpkı bir insan gibi deneyim yoluyla gelişeceği anlamına gelmektedir.
Gelecekteki süper zekâ sistemlerinin güvenliği konusuna da değinen Sutskever, güçlü yapay zekânın dünyada kademeli ve artımlı olarak konuşlandırılması gerektiğini savundu [56:12]. Bu kademeli sunumun, toplumun ve şirketlerin bu yeni güce uyum sağlaması için hayati olduğunu belirtti. Ayrıca, bu sistemlerin duyarlı yaşama değer verecek şekilde sağlam bir biçimde hizalanması gerektiğini söyledi [01:01:20].
Sutskever, şirketlerin rekabet ortamında dahi YZ güvenliği konusunda iş birliği yapmaya başlayacağını ve hükümetlerin de YZ’nin görünür gücü arttıkça daha fazla düzenleyici rol üstleneceğini öngördü [59:04]. Bu süreçte, güçlü YZ sistemlerinin yanlış ellere düşmemesi için atılacak adımlar, kısa ve uzun vadeli istikrarı belirleyecektir.
Bu yeni araştırma paradigması, yapay zekâ teknolojilerinin ilerleme hızını artırabilir. Sutskever, insanüstü bir öğrenme yeteneğine sahip sistemlerin ortaya çıkmasını 5 ila 20 yıl arasında bir zaman diliminde beklediğini belirtti [01:22:21]. Bu teknolojilerin geniş çapta konuşlandırılması, beraberinde çok hızlı bir ekonomik büyümeyi tetikleme potansiyeli taşımaktadır.
“Araştırma Dönemi” Ne Anlama Geliyor?
Sutskever, 2020 ile 2025 yılları arasında süren ölçeklendirme odaklı dönemin sona erdiğini ve yapay zeka gelişiminde artık temel bilimsel keşiflere öncelik verilmesi gereken bir “araştırma çağına” girildiğini ifade etti.
Sutskever’e göre yapay zeka, son yıllarda büyük ölçekli veri setleri, yoğun hesaplama gücü ve giderek büyüyen modeller üzerine kurulu bir “tarife” ile ilerledi. Bu “ölçeklendirme çağı”, başlangıçta çarpıcı sonuçlar verse de, mevcut yöntemleri sadece büyütmenin getirisinin azaldığı noktaya ulaşıldı. Bu durumun başlıca nedenleri arasında, büyük ölçekli ön eğitim verilerinin tükenme noktasına gelmesi ve kaynakları katlayarak artırmanın artık beklenen devrimsel etkiyi yaratmaması gösteriliyor.
Bu nedenle yapay zeka endüstrisi, mevcut büyük hesaplama kaynaklarını daha verimli ve üretken şekillerde kullanacak yeni yollar aramak zorunda kalıyor. Araştırma çağının temel amacı, mevcut modellerin temel bir zayıflığı olan güvenilmez genelleme sorununu çözmektir. Modellerin değerlendirme testlerinde başarılı görünmesine rağmen, gerçek dünyadaki karmaşık görevlerde tutarsız ve öngörülemeyen hatalar yapması, bu genelleme eksikliğini ortaya koymaktadır.
Sutskever, insanların kısıtlı örneklerle dahi hızla öğrenme ve bilgiyi yeni durumlara aktarma yeteneğine dikkat çekiyor. Yeni araştırma dönemi, yapay zeka sistemlerinin bu insana özgü öğrenme verimliliğine ve sağlamlığına ulaşmasını sağlayacak yeni makine öğrenimi prensiplerini bulmayı hedefliyor. Özünde, yapay zekanın ilerlemesi için artık niceliğe değil, nitelikli bilimsel atılımlara ihtiyaç duyulduğu ifade ediliyor.