Yapay Zekanın Yeni Karar Verme Yeteneği: Neden Akıllı Düşünmek, Uzun Düşünmekten Daha Önemli

Yapay zekanın (AI) gelişimi uzun süredir artan veri ve hesaplama gücüne dayalı olarak tiếnledi. Bu “brute force” yaklaşımı, GPT-3 gibi etkileyici AI sistemlerine yol açtı ve yıllar boyunca dikkat çekici bir şekilde performans gösterdi. Ancak bu paradigmın sınırlarına ulaşıldı. AI problemleri daha karmaşık hale geldikçe, sadece daha fazla işlem gücünü eklemenin uzun vadeli ilerleme için sürdürülebilir veya etkili bir çözüm olmayacağı açık hale geldi. Bu realizasyon, araştırmacıları AI geliştirme yaklaşımını yeniden düşünmeye sevk etti. Bu bağlamda, Deep Cogito’nun Cogito v2 modeli, AI geliştirme geleceğini değiştirebilecek yeni bir yaklaşım sunuyor. Daha fazla işlem gücü veya uzatılmış akıl yürütme yerine, Cogito v2 modeli, aramaya başlamadan önce doğru yolları belirlemek için iç “karar verme yeteneği” geliştirir. Bu, AI’nin geliştirilme şeklindeki bir paradigma değişikliğidir ve daha iyi düşünmek yerine daha uzun düşünmeye odaklanmaktadır.

AI Geliştirmedeki Değişim

Birçok yıl boyunca, AI ilerlemelerinin arkasındaki itici güç, “daha fazlası daha iyidir” fikriydi. Bu yaklaşım, karmaşık problemleri çözmek için geniş akıl yürütme zincirleri oluşturan AI modellerine yol açtı. OpenAI’nin modelleri, gibi GPT-3, bu yaklaşımın bir örneğidir ve daha uzun akıl yürütme zincirleri, zor görevlerde etkileyici sonuçlara yol açmıştır. Bu yöntem etkileyici sonuçlar üretmiştir, ancak önemli dezavantajları da vardır. Daha uzun akıl yürütme zincirleri daha fazla hesaplama kaynağı gerektirir, bu da daha yavaş çıkarım süreleri ve daha yüksek işletim maliyetlerine yol açar. Ayrıca, araştırmalar, bu uzatılmış süreçlerin genellikle azalan getiriye yol açtığını, daha uzun akıl yürütmenin daha büyük önyargıya ve daha az verimliliğe yol açtığını göstermiştir. Temel sorun, uzun akıl yürütme zincirlerine ve artan hesaplama gücüne güvenmenin, karmaşık AI problemlerini ele almak için artık etkili bir çözüm olmamasıdır. Bu yaklaşımlar, muazzam işlem zamanı ve bellek gereksinimleriyle sınırlıdır.

Neden ‘Karar Verme Yeteneği’ AI için Önemlidir

Mevcut AI sistemlerinin aksine, uzatılmış akıl yürütmeye dayanmak yerine, insanlar genellikle problemleri çözmek için “karar verme yeteneği” (hızlı, sezgisel yargı) kullanır. Karar verme yeteneği soyut bir kavram gibi görünse de, bu genellikle yılların deneyimi, öğrenimi ve bağlam işlemenin bir sonucu olarak, insanların her ayrıntıyı tam olarak analiz etmeden hızlı kararlar almasına olanak tanır. Bu, ham hesaplama ile insan benzeri akıl yürütme arasındaki farkı oluşturan türden bir sezgidir. İnsanlar, karar verme yeteneğini, örüntü tanıma ve biriken deneyim yoluyla oluşturur ve bu, her olasılığın kapsamlı bir şekilde araştırılmasını gerektirmeden kararlar almasına olanak tanır. AI’nin yeni “karar verme yeteneği”, bu süreci taklit etmeyi amaçlar.
Bu fikir, aynı zamanda “zeka önceliği” olarak da adlandırılır, AI sistemlerine insan benzeri akıl yürütme ile donatmak ve daha verimli hale getirmek için anahtar olabilir. Güçlü zeka önceliği olan AI modelleri, kapsamlı bir hesaplama yapmadan hangi çözümlerin muhtemelen başarılı olacağını önceden görebilir. Uzatılmış arama yöntemlerine güvenmek yerine, karar verme yeteneği AI sistemlerine, önceki bilgileri kullanarak en etkili çözüme ulaşmak için odaklanmalarını sağlar.

Cogito v2 Nasıl ‘Karar Verme Yeteneği’ni Entegre Etti

Cogito, ‘karar verme yeteneği’ fikrini (daha teknik olarak, zeka önceliği) yakın zamanda piyasaya sürülen Cogito v2 modeline entegre etti. Bu fikri, Iterated Distillation and Amplification (IDA) adlı bir mekanizma kullanarak uyguladılar. Bu mekanizma, modelin kendi akıl yürütme sürecinden öğrenmesini ve problem çözme becerilerini zaman içinde iyileştirmesini sağlar. Statik promt veya sabit öğretmenlere güvenmek yerine, IDA, AI’nin başarılı akıl yürütme yollarını temel model parametrelerine geri distilemesini sağlar. Bu kendini iyileştirme süreci, modelin akıl yürütme yeteneğini zaman içinde optimize eder, sadece doğru cevaplar için değil, aynı zamanda en etkili düşünme yöntemleri için de optimize eder.

• Iterated Distillation and Amplification (IDA)

IDA’nın nasıl çalıştığını anlamak için, çift işlem teorisine bakabiliriz, bu teori insan düşüncesini iki sistem olarak ayırır: Sistem 1 ve Sistem 2. Sistem 1, hızlı, sezgisel karar vermeyi ifade ederken, Sistem 2 daha yavaş ve daha bilinçli akıl yürütmeyi ifade eder. Teori, insanların çoğu görev için Sistem 1’e güvendiğini, ancak daha karmaşık kararlar karşısındaysa Sistem 2’ye geçiş yaptığını öne sürer.

IDA, bir amplifikasyon ve bir distilasyon aşamasından oluşan bir döngüdür. Amplifikasyon aşamasında, model, yoğun hesaplama yöntemlerini kullanarak yüksek kaliteli çözümler veya akıl yürütme izleri üretir. Bu, Sistem 2 düşünce gibi, AI’nin potansiyel çözümleri dikkatlice değerlendirmek için zaman ayırdığı bir aşamadır. Distilasyon aşamasında, model, amplifikasyon aşamasından elde edilen içgörülerin içselleştirilmesini sağlar, akıl yürütme sürecini Sistem 2’den Sistem 1’e dönüştürür. Bir insan sürücünün deneyim kazandıkça daha sezgisel hale gelmesi gibi, IDA ile donatılan bir AI modeli de zamanla daha hızlı ve daha verimli kararlar alabilir.
IDA’nın temel fikri, amplifikasyon aşamasında yoğun hesaplama yöntemlerini kullanmak, ardından bu geliştirilmiş akıl yürütme sürecini modelin parametrelerine geri distilemektir. Bu süreç, modelin etkili akıl yürütme stratejilerini içselleştirmesini ve problem çözerken daha sezgisel kararlar alabilme yeteneğini geliştirir. Bu döngüyü tekrarlayarak, AI sistemi sürekli olarak daha az hesaplama kaynağı ile karar verebilme yeteneğini geliştirir.

AI’ye ‘Karar Verme Yeteneği’ Entegrasyonunun Avantajları

AI’nin karar verme yeteneğinin birincil avantajlarından biri verimliliktir. Cogito v2 gibi modeller, rakip modellere kıyasla %60’a varan oranlarda daha kısa akıl yürütme zincirlerine sahiptir. Bu, daha az adımda cevaplara ulaşabildikleri, bu da çıkarım için gereken zamanı ve kaynakları azalttığı anlamına gelir. Örneğin, DeepSeek R1’in 200’den fazla tokenle çözmesi gereken bir problem, Cogito v2 tarafından 100’den az tokenle çözülebilir.

Dahası, Cogito v2’nin eğitim maliyeti geleneksel AI modellerine kıyasla önemli ölçüde daha düşüktür. Cogito v2’nin tüm eğitim süreci, geniş bir parametre yelpazesi kapsayacak şekilde, 3,5 milyon doların altında kaldı, bu da büyük ölçekli modeller gibi GPT-4’ün eğitimine ilişkin maliyetlerin çok altında.
Cogito v2, özellikle eğitim verilmeyen alanlarda ortaya çıkan yetenekleri de gösterdi. Örneğin, esas olarak metin üzerinde eğitilmiş olmasına rağmen, Cogito v2, görseller hakkında akıl yürütebilir, görsel bileşimi ve habitatları hakkında içgörüler sağlayabilir. Bu, görseller ve metin arasında akıl yürütme yeteneği, genel zeka için önemli bir kilometre taşı olan Yapay Genel Zeka (AGI) yolunda önemli bir adımdır.

AI Geliştirmeyi Yeniden Düşünmek

Zeka önceliğinin başarısı, AI geliştirme stratejilerinin temel olarak değişmesi gerektiğini gösteriyor. Model boyutunu artırma veya hesaplama kaynaklarını artırma yerine, AI geliştirme, sistemlerin kendi bilişsel stratejilerini geliştirmeleri ve iyileştirmelerine odaklanmalıdır. Bu değişim, insan bilişsel gelişimini yansıtır, burada zeka, daha büyük bir beyin veya daha uzun düşünme zamanı sonucu değil, daha iyi zihinsel modeller ve akıl yürütme stratejilerinden kaynaklanır. Bu yaklaşımın değişimi, uzun vadeli etkileri olabilir. Hesaplama gücünden daha akıllı akıl yürütmeye odaklanarak, AI daha çok yönlü, uyumlu ve yeni zorluklarla başa çıkma yeteneğine sahip olabilir. Bu değişim, sağlık hizmetleri, siber güvenlik ve otonom taşımacılık gibi endüstrilerde AI’nin uygulanmasını hızlandırabilir, AI sistemlerini daha verimli, maliyet etkili ve etkili hale getirebilir.

Sonuç

Cogito v2’nin başarısı, AI’nin geleceğinin, modelleri büyütme veya hesaplama gücünü artırma değil, akıl yürütme mimarilerini iyileştirme ve daha akıllı problem çözme için optimize etme üzerine odaklanacağını gösteriyor. Bu değişim, AI için daha sürdürülebilir ve erişilebilir bir gelecek vaat ediyor, burada sistemler, muazzam hesaplama kaynaklarına daha az bağımlı olarak sürekli olarak gelişebilir ve uyum sağlayabilir. Akıllı akıl yürütme yerine brute-force hesaplamaya odaklanarak, AI, karmaşık, gerçek dünya problemlerini ele alma yeteneğini geliştirebilir.