İnsan gibi düşünmek: yapay zekâ analoji yoluyla akıl yürütmeyi 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 “evcil hayvan kuaförlüğü için Uber” olarak tanıtabilir. Bir bilim insanı, uzman olmayan bir dinleyici kitlesine beynin bilgiyi “bilgisayar gibi” işlediğini söyleyebilir.

Bu zihinsel sıçrama – bir şeyin daha derin yapısında başka bir şeye benzemesini görmek – analoji yoluyla akıl yürütme olarak adlandırılır. Bu, mevcut haliyle insan zekasını yapay zekadan ayıran unsur olabilir. Yapay Genel Zekayı (AGI) – şimdiye kadar ulaşılamamış yapay zekanın Kutsal Kâsesini – geliştirmek istiyorsak, makinelerin analoji yoluyla akıl yürütmeyi öğrenip öğrenemeyeceğini anlamamız gerekir. Bahisler hiç bu kadar yüksek olmamıştı. Eğer cevap “Hayır” ise, en gelişmiş yapay zeka sistemleri de sonsuza dek yalnızca gösterişli hesap makinelerinden ibaret kalacaktır. Eğitim aldıkları verileri yeniden düzenlemekten fazlasını gerektiren sorunları çözemeyeceklerdir.

Anlama Mimarisi

Analoji yoluyla akıl yürütme, 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. Parlak Alman kimyager August Kekulé, benzenin yapısına ilişkin bir ipucunu kendi kuyruğunu ısıran bir yılan gördüğü bir rüyadan 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. İstendiğinde, büyük dil modelleri (LLM’ler), “zaman paradır” sözünün nedenini açıklamaya veya sözlü mantık bulmacalarını çözmeye çok isteklidirler. Ancak artan kanıtlar, bunların genellikle yapısal eşleme yerine sofistike desen eşleştirmesi yaptıklarını düşündürüyor. Araştırmacılar bu modellere, eğitim verilerinin dışında olan yeni benzerlik sorunlarını sunduklarında, performans genellikle keskin biçimde düşer. Bu, LLM’lerin daha önce gördükleri benzerlikleri yeniden üretmede başarılı olmasına rağmen yeni bağlantılar kurmakta zorlanmalarından kaynaklanmaktadır.

Analoji Yoluyla Akıl Yürütme Olmadan AGI Yok

Görünen o ki, analoji yoluyla akıl yürütme, olmazsa olmaz bir AGI koşuludur. Bu olmadan, yapay zeka sistemleri kırılgan kalır ve bir alanda işe yarayan bilgiyi başka bir alanda sorunları çözmek için uygulayamazlar. Örneğin, güneşli California sokaklarında navigasyon öğrenen bir otonom araç, karlı koşullarda nasıl davranacağını bilemez. Arabanın yapay zeka sistemi gerçek bir zeka sistemi değil, yalnızca pahalı bir desen eşleştirmesidir. Gerçek zekâ, ayrıntılar farklı olsa bile buzlu yollarda sürüşün diğer kaygan yüzeylerdeki durumlarla yapısal olarak karşılaştırılabilir olduğunu fark edecek bilişsel esnekliği gerektirir.

Aynı ilke, otonom araçların ötesindeki alanlar için de geçerlidir. Analoji yoluyla düşünme, 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.

Analoji Yoluyla Akıl Yürütmeye Sahip Zeka İnşası

Peki, insan benzeri analoji yoluyla akıl yürütmeye sahip yapay zeka sistemleri geliştirmek için ne gerekir? Yeni araştırmalara ve analoji yoluyla düşünmenin temel doğasına dayanarak, birkaç kritik koşul ve teknik gerekli görünüyor.

Yapısal Açıdan 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, eğitimin ilk gününden itibaren onlara farklı alanlardan karşıt örnekler sunmaya başlamaları gerekir. Eğitim verileri, mimari planları müzik partisyonları ile, matematiksel kanıtları şiir ile, yasal argümanları yemek tarifleri ile birlikte içerebilir. Her alan farklı türde ilişkisel yapıları içerdiğinden, bir AGI adayı bu tür alıştırmalardan yararlanabilir.

Daha da önemlisi, bu veriler yalnızca istatistiksel korelasyonları değil, yapısal ilişkileri de korumalı ve vurgulamalıdır. Bilgi grafları, nedensel grafikler ve kavramlar arasındaki açıkça eşleştirilmiş ilişkiler, yapay zekâ sistemlerinin çağrışımları mekanik biçimde ezberlemek yerine yapıyı “görmeyi” öğrenmesine yardımcı olabilir. Yapay zekaya, yalnızca nesnelerin ne olduklarını değil, hangi ilkelere göre ilişkili olduklarını öğretmek gibi düşünün.

Eğitim Kümesinin Ötesinde Test Etme

Yapay zekâ sistemlerinin yalnızca taklit becerilerini geliştirmediğinden, gerçekten analoji yoluyla akıl yürütmeyi öğrendiğinden emin olmak için yapıyı daha önce hiç karşılaşmadıkları durumlara eşleme becerilerini bilinçli olarak sınayan araçlara ihtiyacımız vardır. Bu, eğitim verilerinde bulunabilecek herhangi bir şeye kasıtlı olarak benzemeyen, “karşıolgusal” görevler oluşturmayı içerir.

Örneğin, yapay zekâdan “yavru köpek köpeğe göre neyse, yavru kedi de ____ göre odur” gibi standart analojileri tamamlamasını istemek yerine, uydurma kavramlar içeren problemler sunabilir veya daha önce birbiriyle bağlantılı görmediği alanlar arasındaki ilişkileri eşlemesini isteyebiliriz. Bu özel karşılaştırmayla daha önce hiç karşılaşmamış olsa bile, malzemeler ile yemek tarifi arasındaki ilişkinin deliller ile hukuki argüman arasındaki ilişkiye paralel olduğunu fark edebilir mi? 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 onlarca yıllık bir geçmişinin olmasıdır. Bu araştırmaları, analoji yoluyla akıl yürütmeyi 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 kendiliğinden üretebilme yeteneğidir, yalnızca önceden hazırlanmış analoji problemlerini çözmesi değil.

İstemlerle Akıl Yürütmeyi Destekleme

Son araştırmalar, yapay zekânın analoji yoluyla akıl yürütme becerisinin büyük ölçüde kendisinden bunu nasıl yapmasının istendiğine bağlı olduğunu düşündürüyor. Analojiye yönlendiren istemler – modelleri yapısal eşleme sürecine açıkça yönlendirme – hiçbir yönlendirme olmadan 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 yönlendirilmiş analoji yoluyla akıl yürütme örneklerini kaydederek, sonraki sistemlere bu süreci daha doğal bir şekilde öğrenmeleri için örnekler oluşturulabilir.

Melez Mimariler

İnsan benzeri analoji yoluyla akıl yürütmeye ulaşmak, saf sinir ağı yaklaşımlarının ötesine geçmeyi gerektirebilir. Desen tanıma ile sembolik akıl yürütmeyi birleştiren melez sistemler – yapısal ilişkileri açıkça temsil eden ve manipüle eden – eksik parçayı sağlayabilir. Sinir ağları örtük örüntüleri öğrenmede üstünken, sembolik sistemler analoji yoluyla akıl yürütmenin gerektirdiği yapısal tutarlılığı ve mantıksal eşlemeyi sağlayabilir.

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, bu modeller yapay zekâ modellerinin bilgi uydurma ve yüzeysel analoji yoluyla akıl yürütme eğilimlerini ele almak üzere tasarlanmıştır.

Sonraki Adım?

Sorduğunuz kişiye bağlı olarak, analoji yoluyla akıl yürütme 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, analoji yoluyla akıl yürütme hem performans için kritik bir ölçüt hem de yapay zekanın mevcut yetenekleri ile gerçek insan bilişi arasındaki boşluğu hatırlatan bir unsur olarak ortaya çıkıyor. Bir yapay zekâ sistemi, demokrasi ile vatandaşlar arasındaki ilişkinin orkestra ile müzisyenler arasındaki ilişkiye benzediğini görebildiğinde – yüzeysel özellikleri değil; koordinasyon, temsil ve etkileşimden doğan uyum gibi derin yapısal ilişkileri fark ettiğinde – gerçek zekâya doğru önemli bir eşiği aşmış olacaktır.