AGI ve geleceğin yapay zekası
2027’de yapay zekâ: Bellek, makine zekâsının bir sonraki sınavı olacak

Öne çıkan noktalarHafıza testleri, olguların basitçe hatırlanmasından ziyade düzeltme ve kaçınmayı…
Daha fazla göster
- Hafıza testleri, olguların basitçe hatırlanmasından ziyade düzeltme ve kaçınmayı değerlendirecektir.
- Seçilmiş yapılandırılmış hafıza, kontrollü karşılaştırmalarda ayrıştırılmamış tam geçmişten daha iyi performans göstermelidir.
- Asistan ürünleri, kullanıcılar için tuttukları bilgilerin kaynağını ve kapsamını açığa çıkaracaktır.
Bir asistan, projenin Maya’ya ait olduğunu hatırlar. Sonra Maya projeyi başka birine devreder. Ertesi gün asistan, kendinden emin bir şekilde Maya’ya bir görev daha verir. Bir bilgiyi aklında tutmuş, ama dünyadaki değişimi gözden kaçırmıştır. Bu küçük başarısızlık, makine zekâsının çok daha büyük bir sorununu gözler önüne seriyor.
Bellek, ancak bir sistem hâlâ geçerli olanı, geri çağrılmaya değer bilgiyi ve gözden geçirilmesi ya da unutulması gerekenleri belirleyebildiğinde işe yarar. 2027’de bu kararlar, bir modelin ne kadar geçmiş bilgiyi saklayabildiğinden daha keskin bir yetenek sınavına dönüşecek.
Bellek şimdiden çeşitli biçimlerde mevcut. MemGPT, hiyerarşik bağlam yönetimini ele aldı. Titans, test sırasında güncellenen bir sinirsel bellek modülü sundu. Google’ın Gemini kişiselleştirme kontrolleri ve Microsoft’un Copilot bellek kontrolleri, kullanıcıların görebildiği kalıcı bellek özelliklerini ve bu konudaki tercihleri tanımlıyor. Bu mekanizmalar tek bir yetenekmiş gibi ele alınmamalı: kaydedilmiş bir bilgiyi geri getirmek, bağlamı korumak ve öğrenilmiş parametreleri güncellemek farklı fırsatlar ve başarısızlık türleri doğurur.
Aşağıdaki öngörüler, bu mekanizmalarda gözlemlenebilir ilerlemeyle ilgilidir. Bellek puanlarına bakarak yapay genel zekânın (AGI) ne zaman ortaya çıkacağına dair bir tarih vermiyor veya bir sistemin bilgiyi saklayabilme becerisinden bilinçli olduğu sonucunu çıkarmıyorlar.
1. Bellek testleri, olguları hatırlamanın ötesine geçecek
Dünün yanıtını hatırlamak, o yanıt yanlış çıkana kadar kutlanması kolay bir başarıdır. 2027’deki yeni bellek değerlendirmeleri; düzeltmeyi, gerektiğinde yanıt vermekten kaçınmayı ve geçmiş deneyimlerden yararlanmayı aynı sınava dahil edecek. Sistemin, soruya benzeyen bir cümleyi bulup getirmekten fazlasını yapması gerekecek. Geçmişin ne zaman önem taşıdığını ve ona dayanmanın mevcut yanıtı ne zaman kötüleştireceğini anlaması gerekecek.
Zamansal akıl yürütme, doğru ifadeyi bulmaktan daha zordur. Bir müşteriye para iadesi yapılmış, bir politikanın süresi dolmuş ya da bir istisna yalnızca tek bir vaka için geçerli olmuş olabilir. Asistanın, şu anda hangi durumun geçerli olduğunu yeniden oluşturması gerekir. Bunun için çelişkili güncellemeleri, açık zaman sınırlarını ve mevcut kayıtlardan yanıtlanamayacak soruları içeren değerlendirmeler gerekir.
LongMemEval, zamansal akıl yürütme, bilgi güncellemeleri ve yanıt vermekten kaçınma dahil olmak üzere çeşitli becerileri şimdiden değerlendiriyor. Bu nedenle geçmişteki tüm bellek değerlendirmelerini basit hatırlama testleri olarak nitelendirmek doğru değil. 2026’da sunulan LongMemEval-V2, tartışmayı iş akışları, değişen durumlar ve yinelenen operasyonel ayrıntılar gibi ortama özgü deneyimlere doğru genişletiyor. Özenle seçilmiş 451 sorusu, bir konuşmayı hatırlamakla belirli bir çalışma ortamında işe yarar hâle gelmek arasındaki farkı ortaya koyuyor.
LoCoMo, insanlar tarafından doğrulanıp düzenlenen uzun konuşmalardan yararlanarak bir başka önemli referans noktası sunuyor. Veri kümesinin oluşturulma biçimi, yöntemle ilgili bir sorunu da öne çıkarıyor: Yapay olarak oluşturulan konuşma geçmişleri, sıradan iş yaşamındaki çelişkili ve eksik kayıtlardan daha düzenli bir yapı sunabilir. Bu geçmişler temel alınarak oluşturulmuş bir kıyaslamada başarılı olmak, belleğin her kullanım ortamında güvenilir olduğunu kanıtlamaz.
Öngörüm, bu gerekliliklerin daha güçlü biçimde bir araya geleceği yönünde. Bir ajan, bir iş akışının başarısız olduğunu hatırlamalı, bu deneyimin sonraki bir görev açısından neden önemli olduğunu anlamalı ve koşulları artık geçerli olmadığında bu dersi uygulamaktan kaçınmalıdır. Bunun için, kaydedilmiş bilgi ile sonraki bir karar arasındaki ilişkiyi sınamak; kayıtlardaki bir ifadeyi yeniden üretmeyi ödüllendirmektense bunu değerlendirmek gerekir.
2027’de nelere dikkat etmeli?
Bir olgu değiştikten sonra, mevcut kayıtlar eksik olduğunda ya da geçmişte edinilmiş bir ders yeni bir görev için önem kazandığında ajanın ne yaptığını sınayan bellek değerlendirmelerine dikkat edin. Kamuya açık görevler ve puanlama yöntemleri, ilerlemeyi değerlendirmeyi kolaylaştıracak. Yalnızca hatırlama puanlarının yükselmesi, oturumlar arasında güvenilir sürekliliğin sağlandığına dair sınırlı kanıt sunar.
Bu, işletmeler için ne anlama geliyor?
Kalıcı belleğe sahip asistanları değerlendiren ekipler, kendi işlerinde gerçekleşen değişiklikleri temel alan testler oluşturmalı: güncellenen politikalar, yeniden atanan sorumlular, süresi dolan tercihler ve eksik kayıtlar. Ajanın davranışını güncelleyip güncellemediğini ve belirsizliği kabul edip etmediğini kontrol edin. Bu senaryolar, adları ya da tercihleri hatırladığı bir gösterimin gizli bırakacağı operasyonel zayıflıkları ortaya çıkarabilir.
2. Kontrollü testlerde seçilmiş bellek, ayrıştırılmamış geçmişten daha başarılı olacak
Daha fazla geçmiş bilgisi, kafa karışıklığına daha çok zemin hazırlayabilir. Uzun bir bağlamda güncelliğini yitirmiş bir talimat, tekrarlanan bir anekdot ve yararlı bir gözlem, dikkat için birbiriyle yarışabilir. 2027’deki kontrollü değerlendirmelerde, seçilmiş ve yapılandırılmış belleğin ayrıştırılmamış tam geçmişten kayda değer ölçüde daha iyi sonuç vereceğini öngörüyorum. Temel modeli ve mevcut bilgileri sabit tutmak, sonucu özellikle ilginç kılacak: kazanım, yalnızca daha güçlü bir model sunmaktan değil, deneyimleri düzenlemekten kaynaklanacak.
Buradaki temel düşünce, yararlı belleğin seçme ve düzenleme işlevlerini yerine getirdiğidir. Güncel bir olguyu artık geçerli olmayandan ayırabilir, bir kararın dayanağını koruyabilir ya da bir iş akışından çıkarılan dersi gerektiği anda geri getirebilir. Eksiksiz konuşma dökümü her ayrıntıyı erişilebilir kılar, ancak aynı zamanda her yeni soruda ilgili durumu yeniden oluşturma işini modele bırakır.
Bu sezgi bir garanti değildir. Bir özetleyici, daha sonra ihtiyaç duyulacak tek ayrıntıyı silebilir. Bir bilgi erişim sistemi, ilgili bir olayı getiremeyebilir. Bir dizinleme süreci, modelin kendi varsayımını doğrulanmış bir olgu gibi ele alabilir. Yanıt, bellek oluşturma sürecinin gözden çıkardığı ince bir ayrıntıya bağlıysa, tüm bağlam daha güçlü bir temel oluşturabilir.
Tasarım alanının sınırları, dizinleme, bilgi erişimi ve okuma tercihlerini inceleyen LongMemEval makalesinde şimdiden görülebilir. MemGPT’nin hiyerarşik yapısı, etkin bağlama nelerin sığacağını yönetmek için daha önce geliştirilmiş, sistem düzeyinde bir yaklaşım sunar. Bunlar, değerlendirilmiş tasarımlara ilişkin araştırma katkılarıdır. Bu katkıların varlığı, tahminimde öngördüğüm 10 puanlık avantajı veya bağımsız tekrarlama gerekliliğini kanıtlamaz.
En açıklayıcı örnekler, güncellemeleri ve zamansal kısıtları içerecek. Bir müşteri adresini iki kez değiştirdiyse doğru yanıtın, en son yetkilendirilmiş değeri ve bu değerin ne zaman geçerli hâle geldiğine ilişkin bir kaydı içermesi gerekebilir. Özenle tutulan bir durum gösterimi, bu ayrımı açıkça ortaya koyabilir. Düz bir geçmiş, her olguyu içerse bile modele yanlış olanı seçmesi için daha fazla fırsat sunabilir.
2027’de nelere dikkat etmeli?
Yapılandırılmış belleğe ve tüm geçmiş bağlamına aynı temel model üzerinden aynı bilgilere erişim olanağı tanıyan karşılaştırmalara dikkat edin. En güçlü sonuçlarda daha önce görülmemiş sorular kullanılmalı; bellek yazma maliyetleri de yanıt doğruluğu kadar şeffaf biçimde ortaya konmalı. Karşılaştırılan geçmişin kısaltılmasına veya yanıtın önceden bilinerek kanıt seçilmesine bağlı kazanımlar daha az ikna edici olur.
Bu, işletmeler için ne anlama geliyor?
Bellek tasarımını uygulama mimarisinin bir parçası olarak değerlendirin. Düzeltmelerin ve çelişkili kayıtların da yer aldığı temsili görevlerde bilgi erişimini, özetleri, yapılandırılmış durum bilgisini ve daha uzun bağlamı karşılaştırın. Belleği korumanın ve hataları düzeltmenin maliyetini hesaba katın. Daha geniş bir bağlam sınırı yardımcı olabilir; ancak ekibin, sistemin doğru bilgiyi bulup uyguladığına dair kanıta yine de ihtiyacı vardır.
3. Bellek ürünleri, sakladıkları bilgilerin dayanağını gösterecek
Sizinle ilgili bir şeyi hatırlayan bir asistan, bu bilgiyi nereden edindiğini gösterebilmeli ve düzeltmenize olanak tanımalıdır. Bir bellek kaydı birkaç konuşmadan çıkarılıp farklı ortamlarda yeniden kullanıldığında, bu beklentinin ne kadar sıradan olmadığı anlaşılır. 2027’de büyük asistan ürünleri, bu bağlantıların bazılarını daha kolay incelenebilir hâle getirecek. Uygulamada asıl ilerleme, kullanıcının nerelerde kullanılabileceğini açıkça anlayarak sorgulayabildiği, düzenleyebildiği veya silebildiği bir bellek olacak.
Bir bellek kaydı, kullanıcı kaynağını ve bu kayda bağlı unsurları sorabildiğinde daha yararlı olur. Tek bir konuşmada dile getirilen bir tercih ile birkaç belgeden çıkarılan bir olgu aynı statüde değildir. Hatalı bir çıkarım, kullanıcının bundan etkilenmiş olabilecek sonraki tüm yanıtları bulmasını gerektirmeden düzeltilebilmelidir.
Önemli denetim seçenekleri şimdiden mevcut. Microsoft’un gizlilik belgeleri, bellek ayarlarını konuşma geçmişinden ve diğer kişiselleştirme tercihlerinden ayrı tutar. Google’ın geçici sohbet ve kişiselleştirme duyurusu, önceki konuşmaların kullanımına ilişkin seçenekleri açıklar. Google’ın 2026 tarihli sohbet ve bellek içe aktarma duyurusu da kalıcı bağlamın nasıl bir taşınabilirlik özelliğine dönüştüğünü gösterir. Tahminim, bir silme düğmesinin ortaya çıkması değil, daha kapsamlı ve bütünleşik bir denetim arayüzünün sunulması yönünde.
Kaynağa ilişkin bilgi, incelenebilecek kadar ayrıntılı olmalıdır. “Geçmişinize dayanıyor” ifadesi, bir veri kategorisini tanımlar; belirli bir iddianın dayanağını değil. Bir kaynak bağlantısı veya tarihli kayıt, kullanıcının açık bir talimatı bir yorumdan ayırt etmesine yardımcı olabilir. Kapsam açıklaması ise belleğin gelecekteki sohbetler, belirli bir çalışma alanı ya da bağlı araçlar üzerinden gerçekleştirilen eylemler için geçerli olup olmadığını belirtebilir.
Silme işlemi de benzer ölçüde dikkatli bir dille açıklanmalıdır. Bir kaydı ürünün etkin bellek deposundan kaldırmak; kaynağı olan konuşmayı silmek, yedekleri temizlemek veya bilgiyi model ağırlıklarından unutturmakla kendiliğinden eşdeğer değildir. Ürün, gerçekte hangi işlemi yaptığını açıklamalıdır. Tahminim, her depolama katmanından kusursuz silme iddiasını değil, gözlemlenebilir ürün denetimlerini ve bunlara ilişkin belgeleri gerektiriyor.
İlerleme beklentisinin nedeni, etik olduğu kadar pratiktir de. Kullanıcısı, asistanın eylemlerine temel oluşturan durumu düzeltemiyorsa asistan güvenilir bir uzun vadeli çalışma ortağına dönüşemez. Düzeltmeler, sistemi işletmenin bir parçasıdır. Bellek kayıtlarını gösteren ancak bunların kaynaklarını ve sonraki kullanımlarını açıklamayan şık bir arayüz, bu ihtiyacın yalnızca bir kısmını karşılar.
2027’de nelere dikkat etmeli?
Saklanan bir kaydı incelenebilir bir kaynağa bağlayan, düzeltmeye veya silmeye olanak tanıyan ve bilginin nerelerde yeniden kullanılabileceğini açıklayan bellek arayüzlerine dikkat edin. Bu özellikler tek tek her kayıt için birlikte çalışmalıdır. Genel bir bellek özeti veya tüm geçmişi silme seçeneği, kaynağa ve kapsama ilişkin önemli soruları yanıtsız bırakır.
Bu, işletmeler için ne anlama geliyor?
Kalıcı asistanları devreye almadan önce, çalışanların sistemin sakladığı bilgileri nasıl inceleyip düzeltebileceğini belirleyin. Tedarikçilerden etkin belleği, kaynak konuşmaları ve saklanan diğer kayıtları birbirinden ayırmalarını ve her bir kontrolün kapsamını açıklamalarını isteyin. Bu yanıtlar, kişiler, projeler ve iş ilişkileri değiştikçe doğru bağlamı koruma sorumluluğunun kime ait olacağını belirlemeye yardımcı olacaktır.
4. Sürekli öğrenme, bilgiyi koruma kısıtı altında sınırlı ilerleme gösterecek
Yeni bir şey öğrenmek, işe yarar bir şeyi sessizce silmemeli. Kalıcı parametre güncellemelerinin ve sinir ağı belleğinin ardındaki zorlu ödünleşim budur. Büyük modellerde 2027’de sınırlı bir ilerleme bekliyorum: yeni bilgilerde belirgin bir kazanım sağlanırken yerleşik değerlendirmelerdeki performans büyük ölçüde korunacak. Böyle bir sonuç, tam da bu kısıtı koruduğu için ilgi çekici olurdu. Eski testleri kaldırmak, ilerleme iddiasında bulunmayı kolaylaştırır ama bu iddiayı çok daha az anlamlı hâle getirirdi.
Bu, bir sistemin her görevi sonsuza dek öğrenmesi iddiasından daha dar kapsamlıdır. Bir modeli yeni deneyimlerle güncellemek, modelin zaten sahip olduğu yeteneklere müdahale edebilir. İkna edici bir sonuç, güncellemeleri gerçekleştirmek için gereken hesaplama kaynaklarını da görünür kılarak, tekrarlanan güncellemeler boyunca hem yeni bilgilerin edinilmesini hem de mevcut bilgilerin korunmasını ölçmelidir.
Titans makalesi, sinir ağlarında uzun süreli belleği ve test sırasında ezberlemeyi inceliyor. MIRAS, bir dizi model ailesini; ilişkisel bellek, öğrenme hedefleri, bilgiyi koruma ve optimizasyona ilişkin tercihler üzerinden çerçeveliyor. Google’ın araştırma açıklaması, bu çalışmanın belirli mimariler ve bellek mekanizmalarıyla ilgili olduğunu açıkça ortaya koyuyor. Bu çalışma, kullanıma sunulmuş her dil modelinin temel bilgisini sürekli değiştirdiğinin kanıtı olarak sunulmamalı.
Daha yakın tarihli uyku çerçevesi duyurusu, 27 Ekim 2026’da yayımlandı ve etkin işlemeyi önceden ayrılmış bellek bileşenlerine yönelik çevrimdışı pekiştirmeyle dönüşümlü olarak yürütmeyi açıklıyor. Bilgi edinirken unutmayı azaltmaya yönelik bir araştırma yaklaşımını aktarıyor. Adı, hesaplamaya dayalı bir benzetmedir; çerçeve sabit bir mimari ve belirlenmiş güncelleme kuralları üzerinden çalışır.
Bu araştırma yönelimleri öngörüyü makul kılıyor, ancak kanıtlar henüz erken aşamada ve deney tasarımına büyük ölçüde bağlı. Değerlendirme soruları, güncelleme örneklerine benzediği için bir sistem öğreniyor gibi görünebilir. Ortalama puanını korurken küçük ama önemli bir yeteneğini kaybedebilir. Ayrıca deneyimi pekiştirmek için ek hesaplama kaynaklarına o kadar çok ihtiyaç duyabilir ki elde edilen kazanım gerçek bir kullanım için cazip olmaktan çıkar. Sonuçların bağımsız olarak tekrarlanması ve eski performansla yeni performansın ayrı ayrı raporlanması şarttır.
2027’de neler izlenmeli?
Tekrarlanan güncellemeler boyunca yeni öğrenilenleri ve korunan yetenekleri ayrı ayrı raporlayan, bağımsız olarak tekrarlanabilir deneyleri takip edin. Hesaplama maliyetleri, veri bulaşması kontrolleri ve eski görevlerdeki performans, sonuçları değerlendirmek için vazgeçilmez bağlamı sağlayacaktır. Yeni öğretilen materyaldeki iyileşmelere başka alanlardaki kayıplar eşlik ediyorsa, öne çıkan öğrenme puanı yükselse bile edinme ile bilgiyi koruma arasındaki ödünleşimin hâlâ önemli olduğu anlaşılır.
Bu, işletmeler açısından ne anlama geliyor?
Ar-Ge ekipleri ve model sağlayıcıları, umut vadeden bir öğrenme mekanizmasıyla kullanıma hazır bir güncelleme sürecini birbirinden ayırmalıdır. Her pilot uygulamada gerileme testleri, kontrollü güncelleme verileri, sürüm takibi ve önceki bir duruma geri dönme yöntemi bulunmalıdır. Ürün planları, sürekli uyarlamanın tüm müşteri görevlerinde güvenilir biçimde çalışacağı varsayımına değil; kanıtlanmış edinme, bilgiyi koruma ve işletme maliyetlerine dayanmalıdır.
Önemli olan ölçüt, değişim karşısında sürekliliktir
Yararlı bir bellek sistemi, deneyim yükü altında ezilmemek için yeterince seçici, değişen dünyaya ayak uydurabilmek içinse gerektiğinde gözden geçirilebilir olmalıdır. Hataları çoğu zaman sıradan görünür: eskimiş bir tercih, yanlış bir sorumlu ya da gereğinden geniş uygulanan, hatırlanmış bir istisna. Bu hatalar açıklayıcıdır. Bir asistanın etkileşim geçmişini bir sonraki etkileşim hakkında sağlıklı bir yargıya dönüştürüp dönüştüremediğini gösterir.












