AGI ve geleceğin yapay zekası

DeepMind Institute, AGI’den Süperzekâya Giden Dört Yolu Haritalandırıyor

Jonas Reeve
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarKüresel etkin hesaplama gücü, donanım ve algoritmalar genelinde yılda en az on kat…
Daha fazla göster
  • Küresel etkin hesaplama gücü, donanım ve algoritmalar genelinde yılda en az on kat artmıştır.
  • Yalnızca eğitim hesaplamasını kısıtlamak, yollar birleşerek çoğalabildiği için ilerlemeyi mutlaka durdurmaz.
  • Daha yakın vadeli zorluk, daha yüksek ajan hızını ve sayısını gerçekten yeni yeteneklerden ayırt etmektir.

DeepMind Institute, yapay zekânın insan düzeyindeki yapay genel zekâdan (AGI) yapay genel süperzekâya (ASI) geçiş yapabileceği dört yolu ana hatlarıyla açıklayan bir makaleyi 19 Kasım 2026’da yayımladı; hızlı ilerlemenin sürmesinin mümkün olduğunu, ancak bunun kesin olmaktan çok uzak olduğunu da vurguladı.

Bu dört yol; modellerin ve verilerin ölçeğini büyütmeye devam etmek, teknolojik paradigma değişimleri, geniş ajan toplulukları arasında koordinasyon ve yapay zekâ sistemlerinin sonraki sistemleri geliştirmeye katkıda bulunduğu yinelemeli öz gelişimdir. Her yol, farklı teknik darboğazlar ve ölçüm sorunları barındırıyor.

Makalede AGI, neredeyse tüm bilişsel görevlerde kabaca insan düzeyinde yetkinliğe sahip sistemler olarak tanımlanıyor. ASI’nin ise insanların ilgilendiği neredeyse tüm görevlerde, büyük insan uzman gruplarının yıllarını alabilecek işleri daha az kaynak ve daha kısa sürede yaparak bu grupları güvenilir biçimde geride bırakması gerekiyor. Satranç, Go veya protein yapısı tahmini gibi dar alanlarda insanüstü performans göstermek bu tanıma uymuyor.

Makale, Google DeepMind’ın 12 Haziran 2026 tarihini verdiği AGI’den ASI’ye başlıklı teknik raporu ve enstitünün daha sonra yaptığı tartışmaları temel alıyor. Raporun arXiv metninde ASI eşiği, 2010’da mevcut olan teknoloji ve kültürel eserlerden yararlanarak tek bir sorun üzerinde on yıl çalışan, iyi koordine olmuş on binlerce uzmanı güvenilir biçimde geride bırakmak şeklinde örneklendiriliyor. Önceki raporda da aynı dört yollu çerçeve ortaya konmuştu.

ASI bile teorik zekâ sınırlarının oldukça altında kalır. Makalede; iklimler, bağışıklık sistemleri ve insan toplumları dâhil gerçek dünya sistemleri hakkında sınırsız ölçüde kesin tahminler yapılmasını engelleyecek fiziksel, mantıksal ve karmaşıklık kaynaklı kısıtlar sıralanıyor. Dolayısıyla insan düzeyindeki yapay zekâ, bu sınırlarla arasında geniş ve büyük ölçüde keşfedilmemiş bir alan bulunan sürekliliğin yalnızca bir noktasıdır.

Bilişsel Sanayileşme ve Maliyetlerin Düşmesi

Makalenin tahminine göre donanım iyileştirmelerini, yapay zekâ donanımına yapılan yatırımları ve algoritmik verimliliği bir arada hesaba katan küresel etkin hesaplama gücü, yılda en az on kat arttı. Bu hızın on yıl boyunca sürmesi, 10 milyar katlık bir artış anlamına geliyor. Bu eğilimlerin devam etmesi hâlinde senaryo, bugün çalıştırılabilen her bir yapay zekâ ajanı için insan nüfusundan daha fazla sayıda, aynı kalitede ajanın çalıştırılabileceğini öngörüyor.

Makalede maliyet örneği, donanımdaki ve çıkarım verimliliğindeki kazanımlar sayesinde hesaplama gereksiniminin her yıl kabaca 4 kat azalmasını varsayıyor. Bu hızda, hesaplama tokenları için 1 milyar dolara mal olan bir iş yükü on yıl sonra 1.000 dolara mal olur. Bilişsel emeğin bu şekilde standartlaşması ve otomatikleşmesi, rutin fiziksel işlerin metalaşmasına benzetilerek “bilişsel sanayileşme” olarak tanımlanıyor. En ileri sistemlerde çarpıcı gelişmeler yaşanmasa bile bu dönüşüm, bilgiye dayalı işleri ve daha geniş ekonomiyi yeniden şekillendirebilir.

Makale, bazı bilişsel görevler insan yardımını gerektiriyorsa ölçeği büyütmenin tek başına tam AGI’ye ulaşmaya yetmeyebileceği uyarısında bulunuyor. İnsan düzeyine genel olarak yakın sistemler kullanıma sunulduğunda daha hızlı ve daha çok sayıdaki ajan, dijital sistemlerin işlem hızı, belleği, farklı bilgi işlem donanımları arasında hareket edebilmesi, kodu ve bellek durumunu neredeyse kayıpsız kopyalayabilmesi ve deneyimlerini yüksek bant genişliğiyle paylaşabilmesi sayesinde zayıf bir ASI biçimine giden açığın kapatılmasına yardımcı olabilir.

Dört Yol ve Karşılaştıkları Kısıtlar

Ölçeği büyütmeye devam etmek; yüksek kaliteli eğitim verilerinin tükenmesi, her yeni yetkinlik adımının hesaplama gücünün ve model boyutunun katlanarak artmasını gerektirmesi nedeniyle getirilerin azalması ve enerji üretimi, elektrik şebekeleri, çip üretimi ile donanım ara bağlantılarını ilgilendiren fiziksel veya ekonomik sınırlar gibi olası engellerle karşı karşıya. Mevcut mimarilere, verilere ve değerlendirmelere göre oluşturulan ölçekleme yasaları, AGI veya ASI için ne ölçüde ölçek artışı gerekeceğini güvenle öngöremiyor.

Paradigma değişimleri; sürekli öğrenme, bazı dünya modelleme biçimleri, karar verme ve örnek verimliliği alanlarındaki eksiklikleri gidermeyi amaçlıyor. Örnek verimliliği, bir sistemin belirli bir yetkinlik düzeyine ulaşmak için ne kadar eğitim verisine ihtiyaç duyduğunu ifade ediyor. Mevcut sistemler, var olan kavramları ve soyutlamaları yeniden birleştirmekten öteye geçerek gerçekten yeni kavramlar ve soyutlamalar icat edemiyor da olabilir. Araştırmacılar, hâkim transformatör paradigmasında yapılacak aşamalı değişikliklerin bu eksiklikleri giderip gideremeyeceği veya daha köklü dönüşümlerin gerekip gerekmeyeceği konusunda görüş ayrılığı yaşıyor.

Makaleye göre ajanlar arasında koordinasyon, kolektif bir ilerleme yolu sunuyor ancak çok ajanlı sistemlerin ölçeklenmesine ilişkin yasalar henüz mevcut değil. Koordinasyondaki verimsizlikler, yanlış bilgi, manipülasyon ve gizli anlaşmalar büyük grupların etkinliğini zayıflatabilir; bu nedenle kurumsal ve örgütsel savunma mekanizmaları gerekiyor. Yinelemeli öz gelişim ise kod ve donanım tasarımları, sistemlerin kullanıma sunulması sırasında üretilen ve yeniden kullanılabilen veriler ya da ajan grupları içindeki uzmanlaşma üzerinden geri bildirim döngüleri oluşturuyor. Hatalı geri bildirim bu döngüleri durdurabilir veya verimsizleştirebilir. Matematiksel ispatlar gibi çıktıların otomatik olarak doğrulanabildiği alanlarda ise daha hızlı ilerleme bekleniyor.

Bu yollar birbirini güçlendirebilir. Makalede, yollardan biri tıkandığında ekonomik ve jeopolitik rekabetin çabaları diğerlerine yöneltebileceği; dolayısıyla yalnızca eğitim hesaplama gücünü kısıtlamanın genel ilerlemeyi mutlaka durdurmayacağı savunuluyor. Diğer girdiler gelişmeye devam ederken tek bir girdinin baskılanması da bir yetkinlik “birikmiş potansiyeli” yaratabilir; kısıtlama gevşetildiğinde veya aşıldığında ise daha hızlı kazanımlar görülebilir.

AGI’nin Ötesindeki İlerlemeyi Ölçmek

Önerilen yaklaşım; öncü laboratuvarları, ulusal kurumları ve küresel kuruluşları kapsayan disiplinler arası çalışmalarla modelleme yapmak, ölçümde bulunmak, öngörülerde bulunmak ve bu süreci yinelemektir. Gerekli ölçütlerden bazıları için öncü modellere erişim, değerlendirmeye yönelik yüksek işlem gücü ve yeni kıyaslama ve modelleme yöntemleri gerekir.

Bu yolların süper yapay zekâ (ASI) üretip üretmeyeceği ve bunun hangi zaman çizelgesinde gerçekleşeceği henüz belirsiz. Daha yakın vadeli zorluk, ajanların daha hızlı çalışması ve sayılarının artmasıyla gerçekten yeni yetenekler kazanmasını birbirinden ayırt edebilecek değerlendirmeler geliştirmek; aynı zamanda kamu kurumlarına, birbirini güçlendirebilecek bu yolları izlemeleri için yeterli erişim ve işlem kapasitesi sağlamaktır.

Jonas Reeve, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; bilişsel yapay zekâyı, yapay genel zekâyı (AGI) ve makine zekâsının kuramsal temellerini inceler. Çalışması, öğrenme, akıl yürütme, hafıza ve soyutlamanın hem biyolojik hem de yapay sistemlerde nasıl ortaya çıktığını inceler, modern AI mimarileri ile bilişsel bilim ve zihin felsefesindeki uzun süredir var olan sorular arasında bağlantılar kurar.

Kavramsal ve yansıtıcı bir yaklaşımla, Jonas akıl yürütme modelleri, ajan sistemleri, ortaya çıkan bilişsel süreçler ve uyum teorisi gibi çerçeveleri inceler; AGI'ye doğru ilerlemenin gerçekte ne anlama geldiğini ve ne anlama gelmediğini açıklamayı amaçlar. Zaman çizelgeleri ya da hype peşinde koşmak yerine, temel ilkelere, kavramsal titizliğe ve mevcut modellerin sınırlamalarına vurgu yapar.

Jonas Reeve tarafından yazılan makaleler AI tarafından üretilir ve Unite.AI'nin editöryal ekibi tarafından doğruluk, açıklık ve gelişmiş AI kavramlarının sorumlu bir şekilde tartışılmasını sağlamak amacıyla gözden geçirilir.