Erkan Saka
Yapay Zekâ Uzmanlarının bile Yanlış Anladığı 4 Fikir
Hayır millet, yapay genel zekânın henüz yakınından bile geçemiyoruz!
Sanal gerçekliğin tarihçesi, kendini tekrarlayan iyimserlik ve hayal kırıklıklarından oluşan döngüler olarak tanımlanabilir. Günümüzün AI sistemleri matematik, oyun ve fotorealistik görsel oluşturma gibi birçok alanda karmaşık görevleri yerine getirebilmekte. Bunun yanında, ev yardımcısı robotlar ya da insansız arabalar gibi sanal gerçekliğin ilk başlardaki hedefleri adeta biz yaklaştıkça uzaklaşmaya devam etmekte.
Santa Fe Enstitüsü’nde Karmaşıklık Akademisyeni ve “Sanal Gerçeklik: Düşünen İnsanlar için bir Rehber” kitabının yazarı Melanie Mitchell’a göre bu hedeflere ulaşamama döngüsü kısmen sanal ve doğal gerçeklikle ilgili yanlış varsayımlardan kaynaklanmakta.
“Sanal Gerçeklik Neden Sandığımızdan Daha Zor?” başlıklı yeni makalesinde Mitchell, sanal gerçeklikle ilgili olarak yalnız kamuoyu ve medya tarafından değil, uzmanlar tarafından da yanlış anlaşılmalara neden olan dört yanılgıdan bahsediyor. Bu yanılgılar yapay genel zekâya, yani insanoğlunun bilişsel ve genel problem çözme becerisine eşdeğer yapay zekâ sistemlerine ne kadar yaklaşmış olduğumuz konusunda sahte bir güven hissi yaratmakta.
Dar yapay zekâ ve genel yapay zekâ aynı ölçekte değiller.
Günümüzün yapay zekâsı dar bir çerçeve ile çizilmiş problemleri çözmekte çok başarılı olabilir. İnsanları Go ve satrançta yenebilir, röntgen filmlerinde yüksek bir doğruluk derecesiyle kanser örüntülerini saptayabilir, duyusal veriyi metne çevirebilir, fakat tekil problemler çözebilen sistemler tasarlayabilmek daha karmaşık problemleri çözmeye yaklaştığımız anlamına gelmeyebilir. Mitchell bu ilk yanılgıyı “Dar zekâ genel zekâyla devamlılık göstermez.” şeklinde ifade ediyor.
Mitchell makalesinde şöyle vurguluyor: “İnsanlar bir makinenin, dar bir alanda da olsa, müthiş bir başarısını gördüklerinde, genellikle genel yapay zekâ uygulamalarında da aynı aşamaya gelindiğini varsayıyorlar.”
Örneğin, günümüzün doğal dil işleme sistemleri tercüme, metin oluşturma ve spesifik problemlere dair soru cevaplama gibi alanlarda oldukça önemli başarılar yakaladı. Aynı zamanda, ses verisini gerçek zamanlı olarak metne çevirebilen derin öğrenme sistemlerimiz var. Bu başarıların her birinin arkasında binlerce saat araştırma ve geliştirme (ve veri ve bilişime harcanmış milyonlarca dolar) yatıyor. Bunun yanında, yapay zekâ camiası hala ucu açık konuşmalara dahil olabilen ve uzasa da tutarlılığını yitirmeyen etmenler yaratabilmeyi başarabilmiş değil. Küçük problemleri çözen sistemlerin tersine, böyle bir sistemin “makul” olmaya ihtiyacı var, bu da yapay zekânın henüz çözemediği zorluklardan en önemlisi.
Otomasyonu zor olan aslında kolay olan şeyler
Credit: Ben Dickson Vision, one of the problems every living being solves without effort, remains a challenge for computers
Konu insanlar olduğunda, zeki bir insandan öğrenmesi uzun yıllar çalışma ve pratik gerektiren zor şeyler yapmasını bekleriz. Calculus ve fizik problemleri çözmek, usta seviyede satranç oynamak ya da çok sayıda şiir ezberlemek gibi örnekler sıralayabiliriz.
Fakat, yıllardır devam eden yapay zekâ araştırmaları, bilinçli dikkat gerektiren zor işlerin otomasyonunun daha kolay olduğunu gösteriyor. Otomasyonu zor olan işler ise düşünmeden yaptığımız kolay işler. Mitchell bu ikinci yanılgıyı “Kolay işler kolay, zor işler zor.” şeklinde tanımlıyor.
Mitchell, çevremize bakıp ne gördüğümüzü anlamak ya da kalabalık bir kaldırımda kimseye çarpmadan yürümek gibi fazla düşünmeden yaptığımız şeylerin aslında makineler için en zorlayıcı görevler olduğunu söylüyor. “Bunun yanında, insanlar için çok zor olan işleri makinelere yaptırmak genelde daha kolay. Örneğin, karmaşık matematik problemleri çözmenin, satranç ya da Go gibi oyunlarda ustalaşmanın, ya da yüzlerce dili birbirine tercüme etmenin makineler için daha kolay olduğu ortaya çıkıyor.”
Örneğin görmeyi ele alalım. Milyarlarca yıl boyunca organizmalar ışık sinyallerini işleyebilmek için oldukça karmaşık sistemler geliştirmiş. Hayvanlar çevrelerindeki nesneleri fark edebilmek, ortamlarında hareket edebilmek, yiyecek bulabilmek, tehditleri fark etmek gibi hayatta kalabilmeleri için gerekli olan birçok iş için gözlerini kullanmakta. Biz insanlar bütün bu yetkinlikleri atalarımızdan miras aldık ve farkında olmadan kullanıyoruz. Oysa görme işleminin gerçekleşmesini sağlayan mekanizmalar bizi lise ve üniversitede çok zorlayan uzun matematiksel formüllerden çok daha karmaşık.
Sonuç: İnsanlardaki görme fonksiyonunun sofistikeliğine ve çok yönlülüğüne yaklaşabilen bir bilgisayar görüş sistemine henüz sahip değiliz. Nesneleri saptamak ve görselleri parçalara ayırmak gibi hayvan ve insanlardaki görme sistemlerinin bir kısmını kabaca taklit eden yapay sinirsel ağlar geliştirmeyi başardık. Ancak henüz rüştünü ispatlayamayan bu sistemler biyolojik görüşün yerine getirebildiği görevlerin hepsini gerçekleştirememektedir. Bu nedenle, sürücüsüz otomobillerin lidar ve haritalama verisi gibi ileri teknolojilerle desteklenmesi gerekmektedir.
Yapay zekâ uygulamaları arasında çok zor olduğu ortaya çıkan bir başka alan da insanların özel bir eğitime ihtiyaçları olmadan ustaca kullandıkları duyu-motor yetkinlikleri. Nesneleri nasıl tuttuğunuzu, nasıl yürüdüğünüzü ya da zıpladığınızı düşünün. Bunlar bilinçli olarak düşünmeden yapabildiğiniz şeyler. Hatta, yürürken bir podcast dinlemek ya da telefonda konuşmak gibi başka şeyler de yapabiliyorsunuz. Fakat buna benzer yetkinlikler mevcut yapay zekâ sistemleri için oldukça büyük ve pahalı çözümler gerektiriyor.
Mitchell bu durumu şöyle özetliyor: “Yapay zekâ sandığımızdan daha zor, çünkü kendi düşünsel süreçlerimizin karmaşıklığının tam olarak farkında değiliz.”
Yapay zekâyı insansallaştırma işe yaramıyor
Icons8 – Çağdaş yapay zekâ sistemlerini insan zekâsıyla karşılaştırmak yapay zekânın şu andaki durumu ile ilgili yanlış bir izlenim yaratmaktadır.
Yapay zekâ literatürü, yazılımı insan zekâsı ile aynı seviyeye koyan kelimelerle dolup taşmakta. Yapay zekâ algoritmalarının nasıl çalıştığını anlatmak için “öğrenmek”, “anlamak”, ve “düşünme” gibi terimler kullanıyoruz. Her ne kadar bu tip antropomorfik (insana benzetme) terimler karmaşık yazılım mekanizmalarını anlamaya yönelik bir kolaylık sağlasa da yapay zekânın insan aklı gibi çalıştığı şeklinde bir yanlış algıya neden olabilir.
Mitchell bu yanılgıyı “hevesli anımsatıcıların cazibesi” olarak nitelendiriyor ve ekliyor: “İnsana benzetme bu sonuçları anlamaya çalışan geniş kitleler ve medya açısından yanlış yönlendirici olabilir ve hatta yapay zekâ uzmanlarının bile kendi sistemleri ile ilgili düşüncelerini ve bu sistemlerin insan zekâsına ne kadar benzediğini şekillendirebilir. “
Bu yanılgı aynı zamanda yapay zekâ camiasının algoritma değerlendirme kriterlerini yanıltıcı şekilde isimlendirmesine neden oldu. Örneğin, yapay zekâ camiasındaki en saygın organizasyonlar ve akademik yapılar tarafından geliştirilen Genel Dil Anlama Değerlendirmesi (GDAD) kriterlerini ele alalım. GDAD bir dil modelinin yerine getirmek için eğitildiği görevin ötesinde yetkinliklerini nasıl genelleştirebildiğini anlamak için bir görev seti ortaya koymakta. Fakat, medyanın çizdiği tablonun tersine bir yapay zekâ etmeninin insandan daha yüksek puan alması, dil anlamakta insanlardan daha iyi olduğu anlamına gelmiyor.
Mitchell, “Her ne kadar makineler bu gibi spesifik kriterlerde insanları geçse de yapay zekâ sistemleri hala bu kriterlere verdiğimiz isimlerle eşleştirdiğimiz genel insan yetkinliklerine ulaşmaktan çok geriler.” diyor.
Facebook Yapay Zekâ Araştırması kapsamında 2017’de yapılan bir proje hevesli anımsatıcılara çarpıcı bir örnek oluşturuyor. Bu çalışmada, bilim insanları iki yapay zekâ etmenini insan diyaloglarını baz alan görevleri müzakere etmek üzere eğittiler. Araştırmacılar bloglarında “her iki etmenin de parametrelerinin güncellenmesinin, etmenlerin müzakere için kendi dillerini oluşturmalarına ve dolayısıyla insan dilinden uzaklaşmalarına neden olduğunu” paylaştılar.
Bu açıklama yapay zekâ sistemlerinin insanlardan daha akıllı hale gelmekte olduğunu ve aralarında gizli bir dille haberleştiklerini anlatan bir dizi tık tuzağı makalelere yol açtı. Ancak dört yıl sonra, en gelişmiş dil modelleri hala insanların çok küçük yaşlarda eğitim almadan öğrendikleri en temel kavramları anlamaya çalışıyor.
Vücutsuz Yapay Zekâ
Zekâ zengin bir fiziksel dünya tecrübesi olmadan var olabilir mi? Bu bilim insanları ve düşünürlerin yüzyıllardır içinden çıkamadığı bir soru.
“Kavanozda beyin” teorisi olarak da bilinen bir düşünce ekolü zekânın tamamen beynin içinde olduğunu ve vücuttan ayrılabileceğine inanmaktadır. Mitchell bunu “Zekâ tamamen beynin içindedir” yanılgısı olarak adlandırmaktadır. Bu düşünceye göre, doğru algoritmalar ve veri sayesinde sunucularda yaşayan insan zekâsına denk yapay zekâ yaratılabilir. Bu düşünceyi destekleyenler, özellikle de derin öğrenme temelli yaklaşımları benimseyenler için genel yapay zekâya ulaşmanın yolu gerekli miktarda veriyi toparlamak ve gittikçe büyüyen sinir ağları kurmaktan geçiyor.
Diğer yandan bu yaklaşımın başarısızlıkla sonuçlanacağına dair kanıtlar gittikçe çoğalıyor. Mitchell “Gittikçe artan sayıda araştırmacı zekâyı anlamak ve yapay zekâyı yaratmak için bir bilgi işleme modeli olarak ‘hepsi beyinde’ yaklaşımının temelini sorgulamaya başlamış durumda” şeklinde devam ediyor.
İnsan ve hayvan beyni nihai amacı hayatta kalmayı sağlamak olacak şekilde tüm diğer vücut organları ile birlikte evrimleşti. Zekâmız vücutlarımızın sınır ve kabiliyetlerine sıkı sıkıya bağlı. Üstelik, farklı duyusal uyaranlar vasıtasıyla bulundukları ortam ile etkileşerek akıllı yetkinlikler geliştiren etmenler yaratmayı amaçlayan bir alan olan bedenselleşmiş yapay zekâ gittikçe büyümekte.
Mitchell sinirbilim araştırmalarının “bilişselliği (idrak) kontrol eden sinir yapılarının duyu ve motor sistemlerini kontrol eden yapılara zengin bir şekilde bağlı olduğunu ve soyut düşünmenin vücut tabanlı sinir haritalarını kullandığını” vurguluyor. Ayrıca, beynin farklı duyusal merkezlerinden gelen bilginin hem bilinçli hem de bilinçsiz düşüncelerimizi etkilediğini ispatlayan araştırma ve kanıt sayısı gittikçe artmakta.
Mitchell duyguların, bilinçaltı temayüllerin ve fiziksel tecrübelerin zekâdan ayrılamaz olduğu düşüncesini destekliyor. “Psikoloji ya da sinirbilim alanındaki bilgilerimiz ‘saf rasyonelliğin’ idrak ve amaçlarımızı oluşturan duygularımız ve kültürel temayüllerimizden ayrılabilme olasılığını desteklemiyor.” şeklinde ifade ediyor. ”Tam tersine, bedenselleşmiş bilişsellik araştırmalarından insan zekâsının duygu, arzu, sağlam bir benlik ve otonomi hissi ile sağduyu gibi birbiriyle bağlantılı özellikler içeren güçlü bir bütünleşmiş sistem olduğunu öğreniyoruz.” Bu özelliklerin birbirinden ayrılabilmesinin mümkün olduğuna dair hiçbir kesinlik söz konusu değildir.
Yapay Zekâda Sağduyu
Genel yapay zekâ geliştirebilmek için öncelikle zekâdan ne anladığımız konusuna bir ayarlama yapmamız gerekiyor. Hala zekânın tanımını ve ister doğal ister yapay varlıklarda ölçümlemesini yapmakta zorlanıyoruz.
Mitchell: “Yapay zekâ alanında ilerleme kaydedebilmek ve bunu doğru bir şekilde ölçümleyebilmek için makinelerin ne yapabileceği ile ilgili daha iyi bir terminoloji geliştirmemiz gerektiği çok net. Ve daha genel bir açıdan, zekânın doğada farklı sistemlerde tezahür edişine dair bilimsel anlayışımızı geliştirmemiz gerekiyor.”
Mitchell’in raporunda tartıştığı farklı bir zorluk ise, “günümüzün en gelişmiş yapay zekâ sistemlerinin genel eksikliği” şeklinde tarif ettiği sağduyu.
Sağduyu dünya hakkında edindiğimiz ve her gün farkında bile olmadan uyguladığımız bilgileri içerir. Çocuklukta uzay, zaman, yerçekimi ve nesnelerin fiziksel özellikleri gibi açıkça eğitim almadığımız çok şey öğreniriz. Örneğin, bir çocuk bir nesne diğer bir nesnenin arkasında gözden kaybolduğunda nesnenin yok olmadığını ya da masa üstünde yuvarlanan bir topun kenara gelince aşağı düşeceğini çok küçük yaşta öğrenir. Bu bilgileri dünyanın zihinsel modellerini çıkarmak ve gelecek hallerini tahmin etmek için kullanırız.
Günümüzün yapay zekâ sistemlerinin veriye aç ve istikrarsız halleri bu tip bilgilerin eksikliği ile açıklanabilir. Aslında, bu makalenin en başında sözü geçen araba kullanma ve ev bakımı da tam olarak insanların biraz sağduyu biraz da pratik yaparak öğrendikleri şeylere örnek verilebilir.
Sağduyu aynı zamanda okuyucularımız ya da dinleyicilerimizin de bildiğini bildiğimiz için açıkça belirtmeye gerek duymadığımız insan doğası ve yaşamla ilgili temel bilgileri de içerir. Örneğin, biliriz ki eğer iki kişi “telefonda konuşuyorsa” aynı odada değillerdir. Yine biliriz ki, eğer “John şekere uzandı” ise John’a yakın bir yerde içinde şeker olan bir kap vardır. Bu tip bilgiler doğal dil işlemesi gibi bazı alanlar için vazgeçilmezdir.
Mitchell “Henüz kimse bu tip bilgi ve yetkinliklerin makinelere nasıl yükleneceğini bilmiyor. Bu yapay zekâ araştırmalarının şu anki sınırı ve bu sınırı aşmak için ümit verici bir yol bu bilgi ve yetkinliklerin çocuklarda nasıl geliştiğini incelemek olabilir.” diyor.
Bu soruların çoğunun cevabını hala bilmiyor olsak da çözümlere ulaşmak yolunda ilk adım kendi yanlış düşüncelerimizin farkında olmak. “Yanılgılarımızı ve muhtemel sonuçlarını anlayarak daha güvenilir, daha sağlam ve belki de akıllı yapay zekâ sistemleri yaratmamız mümkün olabilir.”
