Yapay zekanın gelişimi çıkmaza mı girdi?

Son günlerde teknik camia, üretken yapay zeka modellerinin geliştirilmesine ilişkin yaygın tartışmalara tanık oldu ve alanın önde gelen liderleri bu teknolojinin olası geleceği hakkında açıklamalarda bulundu. Bazıları yapay zeka iyileştirmelerinin sınırlarına ulaştığını belirtirken, diğerleri gelecekteki gelişmeler için umut verici beklentilerin olduğunu vurguladı.

Bu konuya yorum yapanlar arasında X platformunda yaptığı bir paylaşımda yapay zekanın gelişimini kısıtlayan "hiçbir duvar olmadığını" vurgulayan ve ilerlemesinin sınırı olmadığını belirten OpenAI CEO'su Sam Altman da vardı. Google'ın eski CEO'su Eric Schmidt ise bu görüşe katılıyor ve büyük dilsel modellerin önümüzdeki beş yıl içinde büyük gelişmelere tanık olacağını, çünkü güçlerinin 50 veya 100 katına kadar artabileceğini belirtti.

Ayrıca Anthropic CEO'su Dario Amodei ve NVIDIA CEO'su Jensen Huang, yapay zekanın ilerlemesinde yavaşlamaya işaret eden raporları reddettiklerini ifade etti. Bu bağlamda OpenAI kurucu ortağı Ilya Sutskever, model eğitimini ölçeklendirme çabalarının doyum aşamasına geldiğini doğrulayarak SSI'daki ekibinin bu zorluklarla başa çıkmak için alternatif bir yaklaşım üzerinde çalıştığını belirtti.

Öte yandan a16z'nin kurucu ortağı Marc Andreessen, şu anda piyasada bulunan çoğu yapay zeka modelinin benzer performans seviyesine ulaştığına ve bunun da aralarındaki rekabeti sınırladığına dikkat çekti. Bu, bu gelişmeyi desteklemek için veri merkezleri ve nükleer enerji santralleri inşa etmeye büyük yatırımlar yapan teknoloji endüstrisi için bir zorluk teşkil ediyor. Mevcut eğitim yöntemlerinin artık beklenen sonuçları vermediği ortaya çıkarsa şirketler bu devasa yatırımları nasıl haklı çıkaracak?

Yapay zekanın ekonomi, sağlık, eğitim gibi pek çok alanda yarattığı etkinin yanı sıra bu sektöre yapılan yatırımlar üzerindeki etkisi de göz önüne alındığında bu tartışmalar büyük önem taşıyor. Ancak asıl soru hâlâ ortada: Şirketler süper yapay zekaya ulaşma konusundaki mevcut zorlukların üstesinden nasıl gelebilecek?

Üstün yapay zekaya ulaşmanın zorlukları
Alandaki pek çok uzman, ilerlemenin anahtarının yeni veri türlerinin keşfedilmesinde, mantıksal akıl yürütme yeteneğine sahip sistemlerin geliştirilmesinde ve modellerin daha küçük ve daha uzmanlaşmış olmasını sağlamakta yattığı konusunda hemfikirdir. Şirketlerin büyük dil modelleri geliştirmede karşılaştığı temel zorluklardan biri veri kıtlığı ve bu modelleri eğitmek için gerekli olan grafik işlem birimlerini (GPU'lar) elde etme zorluğudur. Bu birimlere olan talebin yüksek olması nedeniyle, şirketler bu birimlerin temininde uzun gecikmeler yaşıyor ve bu da ilerlemeyi engelliyor.

Diğer bir zorluk ise model geliştirmenin anahtarı olan yüksek kaliteli verilerin azlığıdır. Bazıları, çevrimiçi olarak mevcut olan metin verilerinin tükendiğini ve bu sorunun, dil modellerinin eğitimine devam etmeyi çok zorlaştırabileceğini belirtti.

Sentetik verilere geçiş
Bu zorluklar karşısında araştırmacılar, verinin niceliğine odaklanmaktan, niteliğine odaklanmaya geçmeye başladı. Bu değişim, yapay zeka modellerinin kendileri tarafından oluşturulan ve yüksek kaliteli veri eksikliği sorununa yenilikçi bir çözüm sunan sentetik verilere ilgi duyulmasına yol açtı. Ancak sentetik verilerin kullanımı risksiz değildir ve araştırmacılar, model performansındaki sorunları önlemek için uygun bir denge kurma konusunda zorluklarla karşı karşıyadır.

Muhakeme ve akıl yürütmeye odaklanın
Verilerdeki ilerlemelerle birlikte odak noktası, modellerin mantıksal akıl yürütme olarak bilinen akıl yürütme ve akıl yürütme yeteneklerinin geliştirilmesine yöneldi. Bu dönüşüm, modellerin daha karmaşık görevleri yerine getirmesini sağlayacak ve onlara kelimelerin ardındaki anlamları anlama becerisi kazandıracak. Microsoft gibi bazı şirketler, karmaşık sorguları işlemek için onlara daha fazla zaman vererek modellerin doğruluğunu artırmayı amaçlayan "test zamanlı hesaplama" gibi yeni yöntemleri tanıttı.

Yapay zekadaki gelişme gerçeği
Pek çok uzman, yapay zekanın ilerlemesinin logaritmik bir model izlediğini, yani kalkınmaya yönelik her adımın bir önceki adımdan daha fazla kaynak gerektirdiğini açıkladı. Bu eğilim gelecekte geliştirme hızını yavaşlatabilir ve bu da maliyetleri önemli ölçüde artıracaktır. Öngörülere göre, büyük modellerin eğitim maliyetlerinin önümüzdeki yıllarda 1 milyar dolardan 10 milyar dolara kadar çıkması, yatırımcıların bu kadar yüksek maliyetlerle çalışmaya istekli olup olmadığı konusunda soru işaretlerini artırıyor.

Bununla birlikte, şirketler süper yapay zekanın gelişimini öngördüğü için bu soruların cevabı belirsizliğini koruyor, bazı müşteriler yavaş ilerlemeden dolayı hayal kırıklığı yaşıyor ve bu da onları başka seçenekler aramaya yöneltebilir. Bu, önemli bir psikolojik ve ekonomik soruyu gündeme getiriyor: Müşteriler bu ilerlemeyi beklemeye istekli mi olacak, yoksa hayal kırıklığına uğrayıp alternatifler mi arayacaklar?