AI’niz Düşündüğünüzden Daha Güçlü

Bir grup bilim insanı, AI yetenekleri hakkında bildiğimiz her şeyi değiştirecek bir şey keşfetti. Modelleriniz sadece bilgi işlemez – aynı zamanda eğitimlerinin ötesine geçen sofistike yetenekler geliştirir. Ve bu yetenekleri açığa çıkarmak için onlara nasıl konuştuğumuzun değişmesi gerekir.

Kavram Uzayı Devrimi

AI’nin sadece desenleri eşleştirdiğini düşündüğümüz zamanları hatırlayın mı? Yeni bir araştırma, AI öğrenmesinin siyah kutusunu “kavram uzayı” olarak adlandırdıkları şeyi haritalayarak açığa çıkardı. AI öğrenmesini, her koordinatın farklı bir kavramı temsil ettiği çok boyutlu bir harita olarak düşünün – renk, şekil veya boyut gibi şeyler. Araştırmacılar, AI modellerinin eğitim sırasında bu uzayda nasıl hareket ettiklerini izleyerek beklenmedik bir şey keşfettiler: AI sistemleri sadece ezberlemez – aynı zamanda kavramları farklı hızlarda sofistike bir şekilde anlar.

“Bu uzayda öğrenme dinamiklerini karakterize ederek, bir kavramın öğrenilme hızının veri özelliklerine nasıl kontrol edildiğini belirledik” diye not ediyor araştırma ekibi. Diğer bir deyişle, bazı kavramlar diğerlerinden daha hızlı klikler, bunlara eğitim verisi中的 nasıl güçlü bir şekilde ortaya çıktıklarına bağlı olarak.

Burada ilginç olan şey: AI modelleri bu kavramları öğrendiğinde, onları sadece izole edilmiş bilgi parçaları olarak depolamazlar. Aslında, onları bizim hiç açıkça öğretmediğimiz şekillerde birleştirmek ve karıştırmak için kendi yaratıcı araç setlerini geliştirirler. Bu, onlara doğru talimatları vermediğimiz sürece kullanamayacakları bir araç seti inşa etmelerine benzer.

AI projeleri için bunun ne anlama geldiğini düşünün. Çalıştığınız modeller, henüz keşfetmediğiniz karmaşık kavram kombinasyonlarını zaten anlıyor olabilir. Soru, onların daha fazlasını yapabileceklerini sormak değil – nasıl gerçekten yeteneklerini göstermelerini sağlayacağınızı sormaktır.

Gizli Güçleri Açığa Çıkarma

Burada şeyler ilginç bir hal alıyor. Araştırmacılar, AI modellerinin nasıl öğrendiği hakkında temel bir şey ortaya çıkarmak için zarif bir deney tasarladılar. Kurulumları aldatıcı bir şekilde basitti: sadece üç tür görüntüye eğitim veren bir AI modeli:

• Büyük kırmızı daireler
• Büyük mavi daireler
• Küçük kırmızı daireler

Sonraki ana test: model bir küçük mavi daire oluşturabilir miydi? Bu, sadece yeni bir şekil çizmekle ilgili değildi – aynı zamanda modelin gerçekten iki farklı kavramı (boyut ve renk) daha önce görmediği bir şekilde birleştirebileceğini anlamakla ilgiliydi.

Keşfettikleri şey, AI yetenekleri hakkında düşüncelerimizi değiştiriyor. Normal promt’ları kullanarak “küçük mavi daire” istediklerinde, model zorlanıyordu. Ancak model gerçekten küçük mavi daireler oluşturabiliyordu – sadece doğru şekilde sormuyorduk.

Araştırmacılar, bunu kanıtlamak için iki teknik keşfettiler:

1. “Latent müdahale” – Bu, modelin beynine bir arka kapı bulmak gibidir. Normal promt’lar yerine, “mavi” ve “küçük”yi temsil eden iç sinyalleri doğrudan ayarladılar. Renk ve boyut için ayrı ayarları olan bir düşünce gibi – belirli şekillerde bu ayarları çevirerek, model aniden daha önce imkansız görünen şeyi üretebilirdi.
2. “Aşırı promt” – Sadece “mavi” istemektense, renk değerleri ile çok spesifik oldular. “Mavi yap” demekten “tam olarak bu mavi tonunu yap: RGB(0.3, 0.3, 0.7)” deme arasındaki fark gibi. Bu ekstra precisyon, modelin normal koşullar altında gizli kalan yeteneklerine erişmesini sağladı.

Her iki teknik de modelin eğitimindeki aynı noktada, yaklaşık 6.000 eğitim adımı civarında çalışmaya başladı. Oysa normal promt’lar ya tamamen başarısız oldu ya da çalışması için 8.000+ adıma ihtiyaç duydu. Ve bu bir tesadüf değildi – birden fazla test boyunca tutarlı bir şekilde gerçekleşti.

Bu, AI modellerinin yetenekleri geliştirdikleri iki ayrı aşama olduğunu gösterir. İlk olarak, kavramları içsel olarak birleştirmeyi öğrenirler – bu, yaklaşık 6.000. adımda gerçekleşir. Ancak bir ikinci aşama vardır – normal şekilde şeylerden istendiğinde bu iç yetenekleri bizim için nasıl bağlayacaklarını öğrenirler. Bu, modelin önce bizim için tercüme etmeden önce yeni bir dilde akıcı hale gelmesine benzer.

Sonuçlar önemlidir. Bir modelin bir şeyi yapamayacağına düşünürsek, yanılıyor olabiliriz – o yeteneğe sahip olabilir, ancak bizim promt’larımızla yetenekleri arasındaki bağlantıyı kuramıyor olabilir. Bu, sadece basit şekiller ve renkler için değil, daha büyük AI sistemlerindeki daha karmaşık yetenekler için de geçerli olabilir.

Araştırmacılar, CelebA yüz verisi gibi gerçek dünya verilerini kullanarak bu fikirleri test ettiğinde, aynı kalıpları buldular. Modelin eğitiminde görmediği “şapka takan kadınlar” resimleri oluşturmasını denediler. Normal promt’lar başarısız oldu, ancak latent müdahaleler modelin gerçekten bu resimleri oluşturabileceğini gösterdi. Yetenek orada vardı – sadece normal yollarla erişilemiyordu.

Park et al., Harvard Üniversitesi & NTT Araştırma

Ana Alınan Sonuç

AI yeteneklerini değerlendirmek için nasıl düşündüğümüzü yeniden düşünmemiz gerekiyor. Bir modelin standard promt’larla bir şeyi yapamayacağı anlamına gelmez – o şeyi hiç yapamayacağı anlamına gelmez. AI modellerinin neler yapabileceği ile bizim onlardan neler elde edebileceğimiz arasındaki fark, düşündüğümüzden daha küçük olabilir – sadece daha iyi soru sormayı öğrenmemiz gerekiyor.

Bu keşif sadece teorik değil – AI sistemleri hakkında nasıl düşündüğümüzü temel olarak değiştiriyor. Bir modelin bir görevde zorlandığını düşünürsek, gerçekten yetenekten yoksun olup olmadığını veya sadece doğru şekilde erişip erişmediğimizi sormamız gerekir. Geliştiriciler, araştırmacılar ve kullanıcılar için bu, AI ile nasıl etkileşimde bulunduğumuzda yaratıcı olmayı意味 ediyor – bazen ihtiyacımız olan yetenek zaten orada, sadece doğru anahtarı bekliyor.