İnsanların Düşünme Biçimi: Yapay Zeka Benzerlik Mantığını Geliştirebilir mi?

Yeni bir şeyle karşılaştıklarında, insanlar doğal olarak benzerliklere ulaşmaya çalışırlar. Atomlar hakkında öğrenen bir çocuk, elektronların çekirdek etrafında “güneş etrafındaki gezegenler gibi” döndüğünü duyabilir. Bir girişimci, startup’ını “hayvan bakımı için Uber” olarak tanıtabilir. Bir bilim insanı, beyin bilgiyi “bilgisayar gibi” işlediğini söyleyebilir.

Bu zihinsel sıçrama – bir şeyin daha derin yapısında başka bir şeye benzemesini görmek – benzerlik mantığı olarak adlandırılır. Ve bu, insan zekasından yapay zekayı ayıran şey olabilir. Yapay Genel Zeka’yı – şu ana kadar ulaşılamamış olan yapay zekanın Kutsal Kasesi’ni – geliştirmek istiyorsak, makinelerin benzerlik mantığını öğrenip öğrenemeyeceğini anlamamız gerekir. Bahisler hiç bu kadar yüksek olmamıştı. Eğer cevap “Hayır” ise, en gelişmiş yapay zeka sistemleri de yalnızca gelişmiş hesap makinelerinden ibaret kalacaktır. Veri üzerinde yalnızca yeniden düzenleme yapan sistemler, daha derin sorunları çözemezler.

Anlama Mimarisi

Benzerlik mantığı, yüzey düzeyindeki benzerliklerden ziyade yapısal benzerlik düzeyinde çalışır. Örneğin, kalpler ve su pompaları benzerdir, neden? Elbette fiziksel görünüşleri nedeniyle değil. Her ikisi de aynı işlevi görür: bir sistem içinde sıvıları dolaştırmak. Ve bu, insan öğrenimi, yaratıcılığı ve problem çözme yeteneğini bu kadar benzersiz kılan, bir bağlamdan diğerine yapısal ilişkileri aktarma yeteneğidir.

Gerçek dünya örnekleri eksik değil. August Kekulé, benzenden bir ipucunu, bir yılanın kendi kuyruğunu ısırdığı bir rüya yoluyla aldı. Bugün, programcılar, kodu düzenlerken mutfak organize etme derslerini uyguluyorlar ve öğretmenler, elektrik akımını borulardan akan suya benzeten bir şekilde açıklıyorlar.

Mevcut yapay zeka sistemleri ise bu ortak bilişsel beceriyi çok zor buluyorlar. Büyük dil modelleri (LLM’ler), “zaman paradır” gibi nedenlerini açıklamaya veya sözlü mantık bulmacalarını çözmeye çok isteklidirler. Ancak artan kanıtlar, bunların genellikle yapısal eşleme yerine sofistike desen eşleştirmesi yaptıklarını gösteriyor. Araştırmacılar bu modellere, eğitim verilerinin dışında olan yeni benzerlik sorunlarını sunduklarında, performans genellikle düşer. Bu, LLM’lerin daha önce gördükleri benzerlikleri yeniden üretmede başarılı olmasına rağmen yeni bağlantılar kurmakta zorlanmalarından kaynaklanmaktadır.

Benzerlik Mantığı Olmadan AGI Yok

Açıkça, benzerlik mantığı, AGI’nin temel bir yeteneğidir. Bu olmadan, yapay zeka sistemleri kırılgan kalır ve bir alanda relevant olan bilgiyi başka bir alanda sorunları çözmek için uygulayamazlar. Örneğin, güneşli California sokaklarında navigasyon öğrenen bir self-driving araba, karlı koşullarda nasıl davranacağını bilemez. Arabanın yapay zeka sistemi,真正 bir zeka sistemi değil, yalnızca pahalı bir desen eşleştirmesidir. Gerçek zeka, kaygan yüzeyli senaryolarda yapısal olarak benzerlik gösteren ilişkileri tanıma yeteneğini gerektirir.

Aynı ilke, otonom araçların ötesindeki alanlar için de geçerlidir. Benzerlik düşüncesi, bilim, tıbbi teşhis, hukuki akıl yürütme ve yaratıcı girişimlerde de ilerlemeyi sağlar. Benzerlik kapasitesi olmayan yapay zeka sistemleri, tüm bir kütüphaneyi ezberleyen ancak disiplinler arasında bilgi sentezleyemeyen bir bilim insanına benzer. Etkileyici, evet, ancak yalnızca sınırlı bir şekilde.

Benzerlik Mantığına Sahip Zeka İnşası

Peki, insan benzeri benzerlik mantığına sahip yapay zeka sistemleri geliştirmek için ne gerekir? Yeni araştırmalara ve benzerlik düşüncesinin temel doğasına dayanarak, birkaç kritik koşul ve teknik gerekli görünüyor.

Yapısal Zengin ve Çeşitli Eğitim Verileri

İlk gereksinim, yapay zeka sistemlerinin yalnızca yüzey düzeyindeki metin kalıplarının ötesine geçen verilerle eğitilmesidir. İnternet, bilimsel makaleler, teknik belgeler, yaratıcı eserler ve açıklamalı içeriklerin geniş deposu ile iyi bir başlangıç noktasıdır. Ancak her internet verisi yeterli değildir. Gereken şey, yapısal çeşitliliktir. Diğer bir deyişle, geliştiricilerin, yapay zeka sistemlerini soyut kalıpları tanımaya yönlendirmek için, eğitim verilerine farklı alanlardan karşıtlıkları dahil etmeleri gerekir. Eğitim verileri, mimari planları müzik notaları ile, matematiksel kanıtları şiir ile, yasal argümanları yemek tarifleri ile birlikte içerebilir. Her alan farklı türde ilişkisel yapıları içerdiğinden, bir AGI adayı bu tür bir egzersizden yararlanacaktır.

Daha da önemlisi, bu verilerin yapısal ilişkileri korumak ve vurgulamak için, yalnızca istatistiksel korelasyonları değil, gerekir. Bilgi grafikleri, nedensel grafikler ve kavramlar arasındaki açıkça eşleştirilmiş ilişkiler, yapay zeka sistemlerinin yapıyı mekanik olarak ilişkilendirmek yerine “görmesini” öğretebilir. Yapay zekaya, yalnızca nesnelerin ne olduklarını değil, nasıl ilişkili olduklarını öğretmek gibi düşünün.

Eğitim Kümesinin Ötesinde Test Etme

Yapay zeka sistemlerinin benzerlik mantığını öğrenip öğrenmediğini, yalnızca taklit yeteneklerini geliştirip geliştirmediğini anlamak için, yapısal eşleme yeteneklerini kasıtlı olarak test edecek araçlara ihtiyacımız vardır. Bu, eğitim verilerine benzemeyen, “karşıt olgu” görevleri oluşturmayı içerir.

Örneğin, bir yapay zekaya standarda analogi soruları sormak yerine, uydurulmuş kavramları veya daha önce bağlantılı olmayan alanlar arasındaki ilişkileri haritalamak için sorunlar sunabiliriz. Bir ilişkiyi bir tarifedeki malzemelerle bir yasal argümanda deliller arasındaki ilişkiye benzetebilir mi, даже eğer bu özel karşılaştırmayı daha önce görmediyse? Bu tür testler, sistemlerin yapısal ilişkileri anladığını yoksa yalnızca benzer örnekleri hatırladığını gösterecektir.

Önemli Olanı Ölçme

Yapay zeka geliştiricileri için iyi haber, insanların benzerlikleri nasıl işlediğine ilişkin bilişsel bilim araştırmalarının decades’lık bir geçmişinin olmasıdır. Bu araştırmaları, benzerlik mantığını ölçmek için güçlü standartlar geliştirmek için kullanabilirler. Ancak bu standartlar, yalnızca analoji testlerinde doğru cevapları saymakla kalmamalıdır. Gerçekten gerekli olan, yapay zeka sistemlerinin hangi ilişkilerin eşlenmesini önemli gördüğünü, yüzey benzerliklerini görmezden gelerek ve eşlemeleri boyunca tutarlılık korurken yakalayan ölçümlerdir.

Bu, daha yüksek düzeydeki ilişkileri tanıma yeteneğini ödüllendiren puanlama sistemlerini içerebilir. Örneğin, bir yapay zeka, yalnızca atomlar ve güneş sistemlerinin her ikisinin de yörüngesel hareket içerdiğini değil, aynı zamanda bu yörüngelerin yönetildiği neden-sonuç ilişkilerini de anladığında daha yüksek puan alacak. Bir başka değerlendirme standardı, yapay zekanın yeni kavramları açıklamak için uygun benzerlikleri spontan olarak üretebilme yeteneğidir, yalnızca önceden yapılandırılmış analoji sorunlarını çözmez.

İkna Ederek Destekleme

Son araştırmalar, yapay zekanın benzerlik mantığını düşünme yeteneğinin, büyük ölçüde bunu nasıl sorduğuna bağlı olduğunu gösteriyor. Benzerlik ikna etme – modelleri yapısal eşleme sürecine açıkça yönlendirme – soğuk olarak sunulan sorunlardan daha sofistike bir akıl yürütme ortaya çıkarabilir. Bu, önce sistemin bir kaynak alanında ilişkileri tanımlamasını istemek, ardından bu ilişkileri bir hedef alanına açıkça eşleştirmesini istemeyi içerebilir.

Bu teknik, mevcut yapay zeka sistemlerinin benzerlik yeteneklerini geliştirirken aynı zamanda gelecekteki modeller için eğitim verisi oluşturabilir. Başarılı hướng dẫnli benzerlik akıl yürütme örneklerini kaydederek, sonraki sistemlere bu süreci daha doğal bir şekilde öğrenmeleri için örnekler oluşturulabilir.

Melez Mimariler

İnsan benzeri benzerlik mantığına ulaşmak, saf sinir ağı yaklaşımlarının ötesine geçmeyi gerektirebilir. Desen tanıma ile sembolik akıl yürütme’yi birleştiren melez sistemler – yapısal ilişkileri açıkça temsil eden ve manipüle eden – eksik parçayı sağlayabilir. Sinir ağları, açıkça ilişkileri öğrenmede başarılı olsalar da, benzerlik mantığının gerektirdiği yapısal tutarlılığı ve mantıksal eşlemeyi zorlayabilirler.

Melez mimariler hala bebekliklerinde, ancak araştırmacılar potansiyellerini aktif olarak araştırıyorlar. Bazıları, sinir ağlarını sembolik akıl yürütme ile birleştirmeyi öneriyor, bu da gelişmiş benzerlik yeteneklerine yol açabilir. Diğerleri, melez modelleri savunuyor, bunlar yapay zeka modellerinin sığ bir şekilde benzerlik mantığını düşünme eğilimini ele alabilir.

Sonraki Adım?

Sorduğunuz kişiye bağlı olarak, benzerlik mantığı ya zaten ortaya çıkmış ya da yapay zeka sistemleri yalnızca taklit yeteneklerini geliştiriyor. Hangi pozisyon daha doğru olursa olsun, yapay genel zekayı gerçekleştirmek için, yalnızca daha büyük modeller veya daha fazla veriye ihtiyacımız olmayacak, aynı zamanda yapay zeka sistemlerimizi yapılandırma, eğitme ve değerlendirme şeklimizde temel yeniliklere de ihtiyacımız olacak.

Yapay zekanın dönüştürücü yetenekleri ortaya çıktıkça, benzerlik mantığı hem performans için kritik bir ölçüt hem de yapay zekanın mevcut yetenekleri ile gerçek insan bilişimi arasındaki boşluğu hatırlatan bir unsur olarak ortaya çıkıyor. Bir yapay zeka sistemi, demokrasinin vatandaşlara ne olduğuysa, bir orkestranın müzisyenlere olduğu gibi – yüzey özelliklerini değil, koordinasyon, temsil ve ortaya çıkan uyumu içeren derin yapısal ilişkileri tanıyarak – gerçek zekaya doğru kritik bir eşiği geçecektir.