Yapay Zeka Hakkında Yanlış Bilinen Dört Yanılgı

Yapay zekanın tarihi, ilk başlarda vaat ettitği sonucu veremediği için hayal kırıklığıyla damgalanmıştır. Günümüzün yapay zeka sistemleri ise; matematik, oyunlar ve görüntü oluşturma gibi çok çeşitli alanlarda karmaşık görevleri gerçekleştirebiliyor. Ancak, temizlikçi robotlar ve sürücüsüz arabalar gibi yapay zekanın ilk hedeflerinden bazıları geri çekilmeye devam ediyor. Santa Fe Enstitüsünde Karmaşıklık Profesörü ve Yapay Zeka: İnsanları Düşünmek İçin Bir Kılavuz kitabının yazarı Melanie Mitchell'e göre, bu hedefleri kaçırmanın devam eden döngüsünün bir kısmı yapay zeka ve doğal zeka hakkındaki yanlış varsayımlardan kaynaklanıyor.

Dar Yapay Zeka ve Genel Yapay Zeka aynı ölçekte değil

İnsanlar bugün sahip olduğumuz yapay zeka türü, dar olarak tanımlanmış sorunları çözmede çok iyi olabileceğini ve insanları satrançta yenebileceği öngörüyor. Mitchell makalesinde, ''İnsanlar bir makinenin dar bir alanda da olsa şaşırtıcı bir şey yaptığını görürlerse, alanın genel yapay zekaya doğru çok daha ileride olduğunu varsayar.'' diye yazıyor. Örneğin, günümüzün doğal dil işleme sistemleri, çeviri, metin oluşturma belirli sorunlara ilişkin soru yanıtlama gibi birçok farklı sorunu çözmede uzun bir yol kat etti. Aynı zamanda, ses verilerini gerçek zamanlı olarak metne dönüştürebilen derin öğrenme sistemlerimiz var. Bu başarıların her birinin arkasında binlerce saatlik araştırma ve geliştirme vardır. Ancak Yapay Zeka topluluğu, uzun süreler boyunca tutarlılığını kaybetmeden açık uçlu konuşmalara katılabilecek aracılar oluşturma sorununu hala çözemedi. Böyle bir sistem daha küçük sorunları çözmekten daha fazlasını gerektirir; yapay zekanın çözülmemiş kilit zorluklarından biri olan sağduyuyu gerektirir.

Kolay şeyleri otomatikleştirmek zor mudur?

İnsanlara gelince zeki bir insanın yıllarca çalışma ve uygulama gerektiren zor şeyler yapmasını bekleriz. Örnekler, matematik ve fizik problemlerini çözmek, büyük usta düzeyinde satranç oynamak veya birçok şiir ezberlemek gibi görevleri içerebilir. Ancak onlarca yıllık yapay zeka araştırmaları, bilinçli dikkat gerektiren zorlu görevlerin otomatik hale getirilmesinin daha kolay olduğunu kanıtladı. Otomatikleştirmesi zor olan kolay görevler hafife aldığımız şeylerdir. Mitchell ikinci yanlışlığı ''Kolay olan şeyler kolaydır, zor olan şeyler zordur.'' olarak tanımlar. İnsan görüşü kadar çok yönlü bilgisayarlı görme sistemlerine hala sahip değiliz. Hayvan ve insan görme sisteminin parçalarını kabaca taklit eden yapay sinir ağları oluşturmaya başardık, örneğin nesneleri tespit etmek ve görüntüleri bölümleri ayırmak gibi. Kırılgan ve birçok farklı türden karışıklığa duyarlı oldukları gibi biyolojik vizyonun gerçekleştirebileceği görevlerin tüm kapsamını taklit edemezler.

İnsanlara benzeyen bu işletim sistemi yardımcı olmuyor

Zeka alanı, yazılımı insan zekası ile aynı seviyeye getiren kelime dağarcığı ile doludur. Yapay zeka algoritmalarının nasıl çalıştığını açıklamak için ''öğren'', ''anla'', ''oku'' ve ''düşün'' gibi terimler kullanılıyor. Bu tür antropomorfik terimler genellikle karmaşık yazılım mekanızmalarını aktarmaya yardımcı olmak olmak için bir kısaltma işlevi görürken, mevcut yapay zeka sistemlerinin insan zihni gibi çalıştığını düşünmek bizi yanıltabilir. Mitchell, bu yanlışlığı ''arzulu anımsatıcıların cazibesi'' olarak adlandırıyor ve şöyle yazıyor: ''Bu tür bir kısaltma, bu tür sorunları anlamaya çalışan halk için yanıltıcı olabilir ve ayrıca yapay zeka uzmanlarının bile düşünme şeklini bilinçsizce şekillendirebilir.'' Arzulu anımsatıcı yanılgısı, yapay zeka topluluğunun algoritma değerlendirme kriterlerini yanıltıcı şekillerde adlandırmasına yol açtı. Örneğin, yapay zekadaki en saygın kuruluşlardan bazıları ve akademik kurumlar tarafından geliştirilen Genel Dil Anlama Değerlendirmesi (GLUE) karşılaştırmasını düşünün. GLUE, bir dil modelinin yeteneklerinin eğitildiği görevin ötesinde nasıl genelleştirebileceğini yardımcı olan bir dizi görev sağlıyor. Ancak medyanın tasvir ettiğinin aksine bir yapay zeka ajanı bir insandan daha yüksek bir GLUE puanı alırsa bu, dili anlamada insanlardan daha iyi olduğu anlamına gelmiyor.

Gövdesiz teknolojiye kuramsal bakış 

Zeka, dünyanın zengin bir fiziksel deneyiminden ayrı olarak var olabilir mi? Bu, bilim insanlarının ve filozoflarının yüzyıllardır kafasını karıştırdığı bir sorudur. Bu düşünce okulu, zekanın tamamının beyinde olduğuna ve vücuttan ayrılabileceğine inanır. Aynı zamanda ''kavanozdaki beyin'' teorisi olarak da bilinir. Mitchell, sinir bilim araştırmalarının, bilişi kontrol eden sinir yapılarının, duyusal ve motor sistemlerini kontrol edenlerle zengin bir şekilde bağlantılı olduğunu ve soyut düşüncenin vücut temelli sinir haritalarını kullandığını öne sürüyor. Duyguların, bilinçaltı ön yargıların ve fiziksel deneyimin zekadan ayrılamaz olduğunu destekliyor. ''Psikoloji veya sinir bilim bilgimizde ki hiçbir şey 'saf rasyonalitenin' bilişimizi ve hedeflerimizi şekillendiren duygular ve kültürel ön yargılardan ayrılabilir olma olasılığını desteklemez.'' diye yazıyor.

Sağduyu için insan faktörü baz alınıyor

Genel zekayı geliştirmek, zeka anlayışımızın kendisine göre bir ayarlama gerektirir. Halen zekanın ne olduğunu, onu yapay ve doğal varlıklarla nasıl ölçeceğimizi tanımlamaya çalışıyoruz. Mitchell'in makalesinde tartıştığı bir başka zorluk da, ''günümüzün son teknoloji yapay zekanın sistemlerinde eksik olan şeylere yönelik bir şemsiye türü'' olarak tanımladığı sağduyu sorunu. Sağduyu, dünya hakkında edindiğimiz ve her gün fazla çaba sarf etmeden uyguladığımız bilgileri içerir. Açıkça talimat almadan, çocukken dünyayı keşfederek çok şey öğreniriz. Bunlar uzay, zaman, yer çekimi ve nesnelerin fiziksel özellikleri gibi kavramlar içerir. Örneğin, bir çocuk çok küçük yaşta bir nesne diğerinin arkasında tıkandığında ortadan kaybolmadığını ve var olmaya devam ettiğinde ya da bir top bir masanın üzerinden yuvarlanıp çıkıntıya ulaştığında düşmesi gerektiğini öğrenir. Bu bilgiyi dünyanın zihinsel modellerini oluşturmak, nedensel çıkarımlar yapmak ve gelecekteki durumları makul bir doğrulukla tahmin etmek için kullanıyoruz.Bu tür bilgiler günümüzün yapay zeka sistemlerinde eksiktir, bu da onları tahmin edilemez ve veriye aç hale getirir.