Yeni bir devre türüyle donatılmış oda büyüklüğünde bir bilgisayar olan Perceptron, 1958 yılında The New York Times‘ın derinliklerine gömülmüş kısa bir haberle1https://www.nytimes.com/1958/07/08/archives/new-navy-device-learns-by-doing-psychologist-shows-embryo-of.html dünyaya tanıtıldı. Haberde ABD Donanması’nın Perceptron’un “yürüyebilen, konuşabilen, görebilen, yazabilen, kendini yeniden üretebilen ve varlığının bilincinde olan” makinelere yol açacağını söylediği yazıyordu.
Altmış yıldan fazla bir süre sonra, günümüz yapay zekâsı hakkında da benzer iddialar ortaya atılıyor. Peki, aradan geçen yıllarda ne değişti? Bazı açılardan, çok da bir şey değişmediğini söyleyebiliriz.
Yapay zekâ alanı, ilk günlerinden bu yana ani yükseliş ve düşüş döngüsünden geçiyor. Şu anda, bu alan bir başka yükseliş yaşarken, birçok teknoloji taraftarı geçmişteki başarısızlıkları ve bunların nedenlerini unutmuş görünüyor. İyimser düşünce bu ilerlemeyi sürüklerken, geçmişe de dikkat etmekte fayda var.
Frank Rosenblatt tarafından icat edilen Perceptron2https://psycnet.apa.org/doiLanding?doi=10.1037%2Fh0042519, büyük oranda yapay zekânın temellerini3https://news.cornell.edu/stories/2019/09/professors-perceptron-paved-way-ai-60-years-too-soon atmış oldu. Elektronik analog bilgisayar, bir görüntünün iki kategoriden birine ait olup olmadığını tahmin etmek için tasarlanmış bir öğrenme makinesiydi. Bu devrim niteliğindeki makine, farklı bileşenleri fiziksel olarak birbirine bağlayan kablolarla doluydu. ChatGPT ve DALL-E gibi aşina olduğumuz yapay zekâyı destekleyen günümüz yapay sinir ağları, Perceptron’nun yazılım versiyonlarıdır; yalnızca çok daha fazla katman, düğüm ve bağlantıya sahiptirler.
Günümüz makine öğrenmesine epey benzer bir şekilde, eğer Perceptron yanlış bir cevap verirse, bir sonraki seferde ne olacağına dair daha iyi bir tahminde bulunabilmek için bağlantılarını değiştirirdi. Bildik modern yapay zekâ sistemleri de hemen hemen aynı şekilde çalışır. Tahmine dayalı bir format kullanan büyük dil modelleri, etkileyici uzun biçimli metin tabanlı cevaplar4https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/ üretebilir ve isteklere bağlı olarak yeni görüntüler5https://www.assemblyai.com/blog/how-dall-e-2-actually-works/ üretmek için görüntüleri metinle ilişkilendirebilir. Bu sistemler, kullanıcılarla daha fazla etkileşime girdikçe daha da iyi bir hale gelirler.
Yapay zekânın ani yükselişi ve çöküşü
Rosenblatt’ın Mark I Perceptron’u tanıtmasından sonraki on yıl içinde, Marvin Minsky6https://www.nytimes.com/2016/01/26/business/marvin-minsky-pioneer-in-artificial-intelligence-dies-at-88.html gibi uzmanlar 1970’lerin ortalarından sonlarına kadar dünyanın “ortalama bir insanın genel zekâsına sahip bir makineye sahip olacağını”7https://books.google.com.tr/books?id=2FMEAAAAMBAJ&pg=PA58 iddia ettiler. Ancak bazı başarılara rağmen, insan benzeri zekâ hiçbir yerde bulunamıyordu.
Yapay zekâ sistemlerinin, verilen konular üzerine hiçbir şey bilmedikleri kısa sürede ortaya çıktı8https://stacks.stanford.edu/file/druid:cn981xh0967/cn981xh0967.pdf. Uygun hazırlık ve bağlam bilgisi olmadan, insanların efor sağlamadan yerine getirdiği bir görev olan günlük dildeki belirsizlikleri doğru bir şekilde çözmek neredeyse imkansızdır. İlk Yapay zekâ “kışı” ya da hayal aleminden çıkma dönemi, Perceptron’nun başarısızlığının algılanmasının sonrasında 1974’te yaşandı9https://linkedin.com/in/dougrose/perceptron-history/.
Ancak 1980 yılına gelindiğinde, Yapay zekâ yeniden sahalara dönmüş ve yapay zekânın resmi yükselişi tüm hızıyla devam etmiştir. Nesneleri tanımlayabilen ve gözlemlenebilir verilerden hastalıklara teşhis koyabilen10https://www.britannica.com/technology/MYCIN yeni uzman sistemler11https://www.britannica.com/technology/expert-system, belirli bilgi alanlarındaki sorunları çözmek için yapay zekâlar tasarlanmıştı. Basit hikayelerden karmaşık çıkarımlar12https://eric.ed.gov/?id=ED161024 yapabilen programlar oluşmuştu, ilk sürücüsüz araba13https://web.stanford.edu/%7Elearnest/sail/oldcart.html yola çıkmaya hazırdı ve okuyabilen ve müzik çalabilen robotlar14https://robotsguide.com/robots/wabot seyircileri için canlı olarak çalıyordu.
Aynı sorunların bu heyecanı bir kez daha bastırması uzun sürmedi. 1987’de ikinci yapay zekâ “kışı” vurdu. Uzman sistemler yeni bilgilerle başa çıkamadıkları için başarısız olmuşlardı15https://towardsdatascience.com/history-of-the-second-ai-winter-406f18789d45.
1990’lar, uzmanların yapay zekâdaki sorunlara yaklaşımını değiştirdi. İkinci kışın sonunda bitmesi resmi bir yükselişe yol açmamış olsa da yapay zekâ önemli değişiklikler geçirdi. Araştırmacılar, yapay zekânın bilgi edinme şeklini16https://dl.acm.org/doi/10.1145/97709.97728 değiştiren makine öğrenimine yönelik veri odaklı yaklaşımlarla17https://www.lightsondata.com/the-history-of-machine-learning/#:%7E:text=In%20the%201990s%20work%20on,learn%E2%80%9D%20%E2%80%94%20from%20the%20results bilgi edinme sorunlarıyla uğraşıyordu.
Bu sefer aynı zamanda sinir ağ tarzı algılayıcıya bir dönüşü işaret ediyordu, ancak bu versiyon çok daha karmaşık, dinamik ve en önemlisi dijitaldi. Sinir ağına dönüş, web tarayıcısının icadı ve bilgi işlem gücündeki artışla birlikte görüntü toplamayı, veri madenciliği yapmayı ve makine öğrenimi görevleri için veri kümelerini dağıtmayı kolaylaştırdı18https://www.analyticsvidhya.com/blog/2020/09/quick-history-neural-networks/.
Posteri indirmek için tklayın.
Tanıdık sözler
Günümüzde yapay zekânın ilerlemesine duyulan güven, yaklaşık 60 yıl önce verilen sözleri bir kez daha yinelemeye başladı. “Yapay genel zekâ”19https://www.ibm.com/think/topics/strong-ai terimi, ChatGPT gibi yapay zekâ sohbet robotlarına güç veren büyük dil modellerinin faaliyetlerini tanımlamak için kullanılmaktadır. “Yapay genel zekâ”, insanlarla eşit zekâya sahip bir makineyi tanımlar; yani makine kendinin farkında olacak, sorunları çözebilecek, öğrenebilecek, gelecek için plan yapabilecek ve muhtemelen bilinçli olacaktır.
Rosenblatt’ın Perceptron’nun bilinçli, insan benzeri bir makine için bir temel olduğunu düşünmesi gibi, bazı çağdaş yapay zekâ kuramcıları da günümüz yapay sinir ağları hakkında böyle düşünüyor. 2023 yılında Microsoft, “GPT-4’ün performansının çarpıcı bir şekilde insan düzeyindeki performansa yakın olduğunu”20https://arxiv.org/abs/2303.12712 belirten bir makale yayımladı.
Büyük dil modellerinin insan seviyesinde zekâ sergilediğini iddia etmeden önce, yapay zekâ ilerlemesinin döngüsel doğası üzerine düşünmek faydalı olabilir. Yapay zekânın daha önceki versiyonlarına musallat olan sorunların çoğu bugün hâlâ mevcut. Aradaki fark ise bu sorunların nasıl ortaya çıktığıyla alakalı.
Örneğin, bilgi sorunu bugünde de devam etmektedir. ChatGPT deyimlere, mecazlara, söz sanatına ait sorulara ve iğnelemelere21https://blogs.nottingham.ac.uk/makingsciencepublic/2023/10/27/chatgpt-and-its-magical-metaphors/ yani dilbilgisi bağlantılarının ötesine geçen ve bunun yerine bağlama dayalı olarak kelimelerin anlamını çıkarmayı gerektiren benzersiz dil biçimlerine yanıt vermekte sürekli olarak zorlanmaktadır.
Yapay sinir ağları, karmaşık olaylardaki nesneleri etkileyici bir doğrulukla seçebilir ancak bir yapay zekâya yan yatmış bir okul servisinin resmini verdiğinizde, %97 oranında kendinden emin bir şekilde bunun bir kar küreme aracı22https://arxiv.org/abs/1811.11553 olduğunu söyleyecektir.
Çıkarılacak dersler
Aslına bakarsanız, insanların anında kavrayacağı konularda yapay zekânın kandırılmasının oldukça kolay olduğu23https://www.nature.com/articles/d41586-019-03013-5 ortaya çıktı. Geçmişte işlerin nasıl sonuçlandığını düşünerek bunun ciddiye almaya değer bir konu olduğunu düşünüyorum.
Günümüzün yapay zekâsı bir zamanların yapay zekâsından oldukça farklı görünüyor ancak geçmişteki sorunlar devam ediyor. Ne demişler: Tarih tekerrür etmeyebilir ama bazen kafiye yapar.
Notlar
(2) https://psycnet.apa.org/doiLanding?doi=10.1037%2Fh0042519
(3) https://news.cornell.edu/stories/2019/09/professors-perceptron-paved-way-ai-60-years-too-soon
(4) https://writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/
(5) https://www.assemblyai.com/blog/how-dall-e-2-actually-works/
(7) https://books.google.com.tr/books?id=2FMEAAAAMBAJ&pg=PA58
(8) https://stacks.stanford.edu/file/druid:cn981xh0967/cn981xh0967.pdf
(9) https://linkedin.com/in/dougrose/perceptron-history/
(10) https://www.britannica.com/technology/MYCIN
(11) https://www.britannica.com/technology/expert-system
(12) https://eric.ed.gov/?id=ED161024
(13) https://web.stanford.edu/%7Elearnest/sail/oldcart.html
(14) https://robotsguide.com/robots/wabot
(15) https://towardsdatascience.com/history-of-the-second-ai-winter-406f18789d45
(16) https://dl.acm.org/doi/10.1145/97709.97728
(18) https://www.analyticsvidhya.com/blog/2020/09/quick-history-neural-networks/
(19) https://www.ibm.com/think/topics/strong-ai
(20) https://arxiv.org/abs/2303.12712
(21) https://blogs.nottingham.ac.uk/makingsciencepublic/2023/10/27/chatgpt-and-its-magical-metaphors/
(22) https://arxiv.org/abs/1811.11553
(23) https://www.nature.com/articles/d41586-019-03013-5
Orijinal Başlık: We’ve been here before: AI promised humanlike machines – in 1958
Yazar: Danielle Williams
Türkçeye Çeviren: İrem Ersoy
Editör: Bekir Demir
