Yapay zeka alanında uzun zamandır konuşulan Yapay Genel Zekâ (AGI) kavramı, yeni bir araştırmayla sorgulanıyor. Yann LeCun ve ekibinin hazırladığı son bilimsel çalışma, AGI’nin net bir tanımı olmadığını ve bu nedenle teknoloji geliştirme sürecinde somut bir hedef olarak kullanılamayacağını ortaya koyuyor. Araştırma, insan zekâsını yapay zekâda genel zeka anlayışının ölçütü yapmanın yanıltıcı sonuçlar doğurduğunu ve bundan vazgeçilmesi gerektiğini savunuyor.
LeCun’un ekibi, insan zekâsının “genel” zeka olarak kabul edilme biçimini temel bir varsayım olarak eleştiriyor. İnsan zekâsı, biyolojik evrim ve hayatta kalma gereklilikleri çerçevesinde şekillendiği için belirli alanlarda oldukça yetkin görünse de, aslında sınırlı ve görev odaklı bir yetenek sergiliyor. Araştırma ekibine göre, insan zekâsı, çevresel ihtiyaçlara göre uzmanlaşmış ve uyum sağlayabilir nitelikte, ancak evrensel veya kesin bir “genel zeka” tanımı yapmak için yeterince kapsamlı değil.
Araştırmanın önemli bulgularından biri, AGI tanımlamalarının çok çeşitlilik göstermesi ve çoğu zaman insan merkezli bir bakış açısından hareket etmesidir. Akademi ve teknoloji sektöründe AGI’nin ne anlama geldiği konusunda ortak bir görüş bulunmuyor. Bazıları AGI’yi insanın yapabildiği her şeyi yapabilen sistem olarak tanımlarken, diğerleri ekonomik fayda, çok çeşitli görevlerde yetkinlik ya da öğrenme kabiliyeti gibi farklı kriterlere odaklanıyor. Bu farklı anlayışlar, AGI’nin net bir ilerleme ölçütü olarak kullanılmasını zorlaştırıyor.
Araştırma bu noktada “Süper İnsan Uyarlanabilir Zekâ” (Superhuman Adaptable Intelligence – SAI) kavramını öne çıkarıyor. SAI, insanın yapabileceği her görevin ötesine geçebilen ve insan sınırlarının dışındaki yeni ve faydalı alanlarda hızla uyum sağlayabilen zekâ olarak tanımlanıyor. Buradaki kilit nokta, yapay zekâ sistemlerinin önceden belirlenmiş aşina görevler listesini tamamlamasından çok, yeni yetenekler öğrenme ve farklı ortamlara uyum sağlama hızıdır.
Adaptasyon hızı, yapay zekâ performansını değerlendirmek için daha pratik ve geleceğe dönük bir ölçüt olarak sunuluyor. Geleneksel olarak zekâ karşılaştırmaları sabit görev setleri üzerinden yapılırken, bu yaklaşımın sınırları vardır çünkü öğrenilecek görevlerin sayısı ve kapsamı sonsuzdur. Araştırmada vurgulanan, sistemin yeni bir alana veya amaca girdiğinde ne kadar hızlı uzmanlaşabileceğidir. Bu bakış açısı, yapay zekâ geliştirme sürecinde esnekliği ve dinamik öğrenmeyi ön planda tutuyor.
Araştırma aynı zamanda zekâda uzmanlaşmanın dezavantaj değil, aksine bir avantaj olduğunu belirtiyor. İnsanın gösterdiği uzmanlaşma ve esneklik, evrensel ve tek bir modelin her alanda eşit derecede başarılı olması gerektiği fikrini zayıflatıyor. Geleceğin yapay zekâ sistemlerinin farklı alanlarda uzmanlaşan, hiyerarşik ve çeşitli modellerden oluşması gerektiği öngörülüyor. Tek bir büyük ve genel model tasarlamak yerine, farklı görevler için optimize edilmiş özel altyapıların daha etkili olacağı belirtiliyor.
Araştırmada, yapay zekanın bu uyarlanabilirliğini desteklemek için kendini denetimli öğrenme (self-supervised learning) yöntemleri ön plana çıkarılıyor. Bu öğrenme biçiminin, gözetimli öğrenmeye kıyasla daha geniş ve etik olarak sorun çıkarma ihtimali daha az olan ham verilerle çalışabilme yeteneği nedeniyle daha uygun olduğu vurgulanıyor. Ayrıca bu öğrenme türünün, farklı görevler arasında hızlı geçiş yapmaya ve yeni bilgiler edinmeye olanak tanıdığı ifade ediliyor. Ancak araştırma, kesin bir mimari önerisi sunmaktan kaçınıyor; bunun yerine esnek öğrenme yaklaşımlarının daha etkili olabileceğine işaret ediyor.
Araştırmanın bir diğer önemli vurgusu ise yapay zekâda “dünya modelleri” kavramının önemidir. Yalnızca veri parçacıklarını veya görsel ögeleri tahmin etmek yerine, sistemlerin çalıştığı dünyanın dinamiklerini kavrayacak kompakt temsil modelleri geliştirmek gerekiyor. Bu temsil modelleri, simülasyon ve planlama yapılmasına olanak tanıyarak, “sıfır atış” (zero-shot) veya “az örnekle öğrenme” (few-shot) yeteneklerinin gelişmesini sağlıyor. JEPA, Dreamer 4 ve Genie 2 gibi yeni model mimarileri, bu yaklaşımın örnekleri olarak gösteriliyor.
Araştırma ekibi, bugünkü gelişmiş yapay zekâ uygulamalarında mimarilerin fazlaca benzeşmesinin risklerine de dikkat çekiyor. Özellikle büyük dil modelleri (LLM) ve multimodal modellerin (LMM) hakimiyetinin, arayış alanını daralttığını ve ilerlemeyi yavaşlattığını belirtiyorlar. Ayrıca otoregresif modellerin uzun vadeli hatalı tahmin problemi gibi temel zaafları olduğunu ve bu durumun karmaşık görevlerde direnci azalttığını ifade ediyorlar. Araştırma, mevcut modellerin faydasını tamamen inkar etmese de, yapay zekâ alanında tek bir yöntemin evrensel anahtar olarak görülmemesi gerektiğini savunuyor.
Sonuç olarak bu çalışma, “Yapay Genel Zekâ” kavramının belirsizliğini ortaya koyarak, yapay zekâ araştırmalarında yeni bir paradigmanın gerekliliğine işaret ediyor. İnsan zekâsına dayalı kıyaslamaların yerini, hızlı öğrenme ve geniş uyum yeteneğine sahip sistemlerin alması bekleniyor. Bu bakış açısı, yapay zekâ teknolojilerinin gelecekte çok daha çeşitli görevlerde ve karmaşık ortamlarda etkin şekilde çalışmasını sağlayabilir. Ayrıca, kendi kendini denetimli öğrenmeye dayalı yaklaşımlar ve dünya modellemeleri, daha anlamlı ve hızla adapte olabilen akıllı sistemlerin geliştirilmesinde kritik rol oynayacak. Bugün yapay zekâ araştırmalarında görülen çeşitlilik ve uzmanlaşma eğilimlerinin, alanın geleceğini şekillendirecek en önemli faktörlerden biri olması bekleniyor.
