Yapay zeka devrimini başlatan an

Go şampiyonu Lee Sedol’un DeepMind’ın AlphaGo’suna yenilmesinin üzerinden 10 yıl geçti. Teknoloji potansiyeline ulaştı mı?

AlphaGo’nun tüm gücünü ilk kez ortaya çıkarması içgüdüsel bir tepkiye yol açtı. Antik Çin masa oyunu Go’nun dünyanın en büyük oyuncusu Lee Sedol, yapay zekanın gücü karşısında gözle görülür şekilde tedirgin olmuştu. Güney Kore’nin Seul şehir merkezindeki sessiz kalabalık nefesini zorlukla bastırabiliyordu. Lee ve evlerinde izleyen on milyonlarca kişi, bu yapay zekanın daha önce gelenlerden farklı olduğunu hızla anladı.

Bu sadece Lee’yi yenmek değildi, aynı zamanda bunu neredeyse insani bir yetenekle yapıyordu. Google’ın kurucu ortağı Sergey Brin, “AlphaGo’nun aslında bir sezgisi var” dedi Yeni Bilim Adamı 2016’da AlphaGo’nun 3-0 öne geçmesinden kısa bir süre sonra. “Çok güzel hareketler yapıyor. Hatta çoğumuzun düşünemeyeceği kadar güzel hareketler yaratıyor.”

Seri, Google DeepMind’ın AlphaGo sisteminin 4-1 kazanmasıyla sona erdi. Lee “şokta” olduğunu söyledi.

AlphaGo ve genel olarak yapay zeka için bu belirleyici anın üzerinden on yıl geçti. AI’ya hayret etmek, ChatGPT gibi büyük dil modellerinin başarısıyla birlikte sıradan bir deneyimdir. AlphaGo, pek çok açıdan geleceğe dair ilk bakışımızdı. On yıl sonra, AlphaGo’nun mirası nedir ve teknoloji potansiyeline ulaştı mı?

Orijinal AlphaGo ekibinin bir parçası olan Toronto Üniversitesi’nden Chris Maddison, “Büyük dil modelleri artık bazı açılardan AlphaGo’dan oldukça farklı, ancak aslında temelde değişmeyen bir teknolojik bağ var” diyor.

Temel teknoloji, beyinden ilham alan ve koda yazılan matematiksel yapılar olan sinir ağlarıdır. Tarihsel olarak, bir oyun makinesi yaratmak, bir insanın farklı durumlarda uyması gereken kuralları yazmasını gerektirirdi. Sinir ağı sayesinde makine kendi kendine öğrenir.

Ancak bir sinir ağıyla bile Go’yu kırmak zorlu bir işti. İki oyuncunun 19’a 19’luk bir tahtada alan kazanmak için siyah beyaz sayaçları hareket ettirdiği eski Çin oyunu, 10’a izin veriyor¹⁷¹ olası pozisyonlar. Karşılaştırıldığında, yalnızca 10 tane var⁸⁰ gözlemlenebilir evrenin tamamındaki atomlar.

Bu buluş, Maddison ve meslektaşlarının, gerçek oyunlardaki milyonlarca hamleyi temel alarak bir sonraki en güçlü hamleyi tahmin etmek üzere bir sinir ağını eğiterek bir insan oyuncunun sezgisini yeniden yaratmaya çalışmasıyla geldi. İnsan oyuncuların sezgilerini geliştirmek için elbette çok fazla oyun oynamaları gerekmeyecek ama asla da oynayamayacaklar; bu, yapay zeka için belirgin bir avantaj.

AlphaGo ayrıca insan oyunculardan öğrenmekle sınırlı değildi; becerilerini geliştirmek için kendisine karşı milyonlarca oyun oynayabilir. Google DeepMind’dan Pushmeet Kohli, “Bu oyunlar aracılığıyla öğrenerek yeni bilgiler keşfedebilir ve insan seviyesindeki oyuncuların ötesine geçebilir” diyor.

Lee’yi yenen son sistem, Maddison’un ilk modellerinden daha karmaşıktı ancak genel mesaj basitti: sinir ağları işe yaradı. OpenAI’den Noam Brown, “AlphaGo, sinir ağlarının örüntü tanımayı insanlardan daha iyi yapabildiğini kesin olarak gösterdi. Esasen insanları aşan bir sezgiye sahip olabilirler” diyor.

Diğer alfalar

Peki sonra ne oldu? AlphaGo’nun ardından Google DeepMind ve yapay zeka araştırmacıları bu temel dersi matematik ve biyoloji gibi gerçek dünyadaki uygulamalara uygulamaya başladılar. Bunun en çarpıcı örneklerinden biri, proteinlerin kimyasal yapılarından üç boyutlu uzayda nasıl görüneceğini insan tasarımı herhangi bir programdan çok daha iyi tahmin edebilen ve arkasındaki ekibe kimyada Nobel ödülünü kazandıran bir yapay zeka olan AlphaFold’du.

Daha yakın bir zamanda, başka bir sinir ağı tabanlı yapay zeka olan AlphaProof, öğrenciler için prestijli bir matematik sınavı olan ve çarpıcı matematikçiler olan Uluslararası Matematik Olimpiyatları’nda altın madalya seviyesinde performans sergiledi. Kohli, “Bu insan seviyesinin ötesindeki zekayı yalnızca bir oyunda elde etmekle kalmaz, aynı zamanda bu deneyimi önemli bilimsel uygulamalarda da elde edebilirsiniz” diyor.

Hem AlphaGo tarzı yapay zekanın hem de ChatGPT gibi büyük dil modelleri (LLM’ler) için kullanılan mantığın arkasındaki mantık benzerdir. Ön eğitim olarak adlandırılan ilk adım, bir sinir ağının, tam Go oyunları veya Yüksek Lisans durumunda tüm internet gibi büyük miktarda insan verisini beslemeyi içerir. Eğitim sonrası olarak adlandırılan ikinci adım, yapay zekaya başarının neye benzediğini gösteren ve ona nasıl ulaşılacağını bulmasını sağlayan takviyeli öğrenme adı verilen bir teknik aracılığıyla ağın geliştiğini görüyor.

AlphaGo için bu, en iyi kazanma stratejilerini bulana kadar milyonlarca kez kendisine karşı oynamasına izin vermek anlamına geliyordu. AlphaFold için amaç, yapay zekaya başarıyla katlanmış bir proteinin neye benzediğini anlatmak ve onun kuralları çözmesine izin vermekti. ChatGPT için, insanlara daha iyi yanıt veren modeli anlatmak, insan geri bildirimlerinden takviyeli öğrenme adı verilen bir süreci anlatmak veya ona matematik veya kodlama gibi tanımlanmış bir soruna çözüm sunmak ve insanların yüksek sesle düşünmesine benzer şekilde, çıktısını kendisine geri besleyerek bir çözüme yönelik en iyi nasıl “akıl yürütmesi” gerektiğini bulmasına izin vermektir.

Ancak bunun dezavantajları da var. Sinir ağları birçok bakımdan bir kara kutudur. Nasıl çalıştıklarını bulmaya yönelik çabalara rağmen birçoğu temel düzeyde anlaşılamayacak kadar büyük ve karmaşıktır.

AlphaGo artık meşhur olan 37. hamlesini yaptığında, seyirciler başlangıçta yapay zekanın delirdiğini düşündüler, ancak oyun ilerledikçe bunun stratejik bir ustalık işi olduğu açıkça ortaya çıktı. Ancak Google DeepMind mühendisleri AlphaGo’ya neden bu hareketi yaptığını soramadılar ve bu aynı kolaylıkla bir hata da olabilirdi ki bunun gerekçesi konusunda da aynı şekilde bilgi sahibi olmazdık.

Kohli, “Bu modeller yanıtlar bulacak ve bunların dahiyane içgörüler mi yoksa halüsinasyonlar mı olduğunu bilemeyeceğiz” diyor. “Hepimiz hala bu tür soruları çözmeye çalışmak için aktif olarak çalışıyoruz.”

AlphaGo’nun başarısının büyük bir kısmı, başlangıçta modeli besleyecek bol miktarda verinin ve net bir başarı tanımının bulunmasıydı. O halde, yapay zekanın bugün en fazla başarıya sahip olduğu alanların, bu koşulların her ikisinin de doğru olduğu alanlar olması mantıklıdır, diyor Maddison, matematik ve programlama gibi, neyin doğru veya yanlış olduğunu tanımlamanın ve doğrulamanın kolay olduğu alanlar. “Bu yaklaşımlar arasındaki benzerlikler bize bir şeyler anlatıyor ve ilerleme için gerekli ham bileşenlerin neler olduğunu anlatıyor.”