Bebek Zekası ve Yapay Zeka Öğrenimindeki Kritik Farklar
- Mevcut yapay zeka modelleri, devasa veri setleri ve yüksek enerji tüketimiyle öğrenirken, bebekler dünyayı çok daha az bilgi ve enerjiyle, şaşırtıcı bir verimlilikle anlamlandırıyor.
- Yeni geliştirilen EgoBabyVLM Challenge testi, yapay zeka modellerinin bebeklerin gözünden kaydedilen dağınık ve gerçekçi görüntülerden anlam çıkarma konusunda yetersiz kaldığını ortaya koydu.
- Araştırmacılar, yapay zekanın insan benzeri bir öğrenme yeteneği kazanabilmesi için sadece dilden değil, aynı zamanda çok modlu ve dokunsal deneyimlerden de öğrenmesi gerektiğini belirtiyor.
Yapay zeka teknolojileri her geçen gün daha karmaşık görevleri yerine getirme kapasitesine ulaşsa da, insan zekasının en temel formlarından biri olan bebek öğrenme yeteneğine henüz erişemediği ortaya çıktı. Meta, Stanford Üniversitesi, Tokyo Üniversitesi ve Fransa'daki École Normale Supérieure'den araştırmacılar, bebeklerin dünyayı anlama biçimini taklit etmeye çalışan yapay zeka modellerinin bu alanda büyük zorluklar yaşadığını gösteren yeni bir test geliştirdi. Bu çalışma, yapay zekanın gelecekteki gelişiminde insan beyninin mimarisinden ilham almanın kritik önemini vurguluyor.
Yapay Zeka Bebek Öğrenme Yeteneğine Karşı
Günümüzün en gelişmiş yapay zeka modelleri, karmaşık matematik problemlerini çözebilir, felsefi tartışmalara katılabilir veya bilgisayar programları yazabilirken, bir yaşındaki bir bebeğin dünyaya dair temel anlayışını edinme verimliliğinden çok uzakta. Binlerce gelişmiş bilgisayar çipi üzerinde çalışan bu modeller, bir okyanus dolusu eğitim verisi ve küçük bir ülke kadar enerji tüketirken, bebekler nesneleri bir veya iki kez gördükten sonra tanımlayabiliyor, kısa gözlemler ve fiziksel etkileşimlerle öğreniyor.
Yapay zekayı geliştirme yolunda, bebeklerin ve beyinlerinin mimarisinin kritik içgörüler sunabileceği düşünülüyor. Bebek benzeri bir yapay zeka sürümü oluşturmak, güncel modelleri daha az maliyetli ve daha az enerji yoğun hale getirebilir; ayrıca yapay zeka destekli robotların çevrelerini daha doğal bir şekilde öğrenmeleri için de değerli olabilir.
Bebeklerin Gözünden Dünya
Bu yeni ve iddialı alanı keşfetmek amacıyla Meta, Stanford Üniversitesi, Tokyo Üniversitesi ve Fransa'daki École Normale Supérieure'den araştırmacılar, bebeklerin öğrenme becerilerini vurgulayan ve yapay zeka araştırmacılarını bu becerilere uygun algoritmalar tasarlamaya iten yeni bir test geliştirdi. EgoBabyVLM Challenge adı verilen bu test, hem metin hem de görselden öğrenen görme dili modellerinin (VLM'ler), dünyayı bir bebeğin gördüğü gibi ne kadar iyi anlamlandırabildiğini değerlendiriyor. Modelin, bebeklerin ve küçük çocukların başlarına takılan kameralardan toplanan yaklaşık bin saatlik videoyu işledikten sonra dünyayı tanımlamasını gerektiriyor.
Test sonuçları, en gelişmiş modellerin bu gerçekçi ve dağınık görüntülerle beslendiğinde "feci şekilde başarısız" olduğunu gösteriyor. Bu durum, bebek beyninin tasarımında, bu kadar az bilgiden bu kadar hızlı öğrenmesini sağlayan farklı bir şey olabileceğini düşündürüyor. Stanford Üniversitesi'nde dil öğrenimi konusunda uzmanlaşmış ve EgoBabyVLM'nin geliştirilmesinde yer alan bilişsel bilimci Michael Frank, bebeklerin derlenmiş veri setleri yerine, ebeveynlerin artık görünmeyen nesneler hakkında konuşması, bakışları veya jestleriyle bir şeyleri işaret etmesi ya da o an olanlardan ziyade geçmiş veya gelecekteki olayları tartışması gibi çok yönlü bir bakış açısından öğrendiğini belirtiyor. Frank, bebeklerin sadece dilden değil, zengin çok modlu ve dokunsal deneyimlerden de öğrendiğini vurguluyor. Test, yapay zeka söz konusu olduğunda, "dilin ötesinde daha fazlasına ihtiyaç duyulduğunun açık olduğunu" gösteriyor.
İnsan Zekasının Gizemini Çözme Yolculuğunda Yapay Zeka
EgoBabyVLM, bilim insanlarının insan zekasını keşfetmek için yapay zekayı nasıl kullandıklarının sadece son örneği. 2023'te tanıtılan BabyLM adlı bir başka çalışma, yapay zeka modellerine, 10 yaşındaki bir çocuğun aldığı veri miktarına (milyonlarca kelimeye kıyasla trilyonlarca kelime) benzer bir miktarda veri kullanarak dilin sözdizimini öğrenme görevi vermişti. Şaşırtıcı bir şekilde, farklı cümlelerdeki kelimeler arasındaki ilişkilere dikkat ederek dili işleyen dönüştürücü tabanlı yapay zeka modellerinin bunu oldukça iyi yapabildiği ortaya çıktı. Bu bulgu, Noam Chomsky'nin sözdiziminin insan beynine nasıl yerleşmiş olabileceğine dair fikirlerine meydan okuyor.
BabyLM'yi ilk geliştiren ETH Zürih'ten dilbilimci Ryan Cotterell, fiziksel dünyayı anlama konusunda durumun farklı olduğunu belirtiyor. Cotterell, "İnsan etkileşimlerinin büyük bir külliyatı olmayacak; insan etkileşimlerinin interneti yok" diyor. Massachusetts Teknoloji Enstitüsü'nden bilişsel bilimci Joshua Tenenbaum, BabyLM'nin modellerin fiziksel dünya, sosyal dinamikler veya zihin teorisi hakkında "sağduyu" edinmediğini gösterdiğini kaydediyor. Tenenbaum, "Dönüştürücüler verilerdeki kalıpları bulmada çok iyidir. Ancak sadece saf kalıp öğrenme sistemlerinin, bir bebek veya çocuğun aldığı türden verileri alıp onların yaptığı her şeyi öğrenemediği görülüyor" diye ekliyor.
Evrimin insanlarda ve diğer hayvanlarda belirli öğrenme becerilerini optimize etmenin bir yolunu bulup bulmadığı veya basit öğrenme algoritmalarının bizim yaptığımız her şeyi yapıp yapamayacağı, süregelen bir soru işareti. Tenenbaum, "Bilişsel bilim ve sinirbilimde, beynin evrimsel olarak ne kadarının inşa edildiği konusunda çok fazla tartışma var. Beyin inanılmaz derecede karmaşık ve çok sayıda yerleşik yapı ve mimariye sahip" ifadelerini kullanıyor. 2024'te araştırmacılar, temel bir VLM'nin, sadece tek bir bebeğin başından kaydedilen verileri tüketerek topun ne olduğu gibi basit şeyleri öğrenebildiğini gösterdi. Ancak bu, dünyayı karmaşık yollarla akıl yürütmekten çok uzak. Projede yer alan Princeton Üniversitesi'nden bilişsel bilimci Brendan Lake, "Gizem, çocukların iki yaşında bile sahip oldukları tam yeteneklere nasıl ulaştıklarıdır" diyor.
Bebek Benzeri Yapay Zekanın Gelecek Teknolojilere Etkileri
Bebeklerin öğrenme süreçlerini taklit eden yapay zeka modellerinin geliştirilmesi, teknoloji dünyasında önemli değişimlere yol açabilir. Öncelikle, mevcut yapay zeka modellerinin eğitim maliyetlerini ve enerji tüketimini dramatik şekilde azaltabilir. Daha az veriyle daha hızlı öğrenen sistemler, daha sürdürülebilir ve erişilebilir yapay zeka çözümlerinin önünü açacaktır. İkinci olarak, bu tür modeller, robotik alanında devrim yaratabilir. Robotların çevrelerini daha doğal ve sezgisel bir şekilde anlaması, insanlarla etkileşimlerini geliştirmesi ve karmaşık, dinamik ortamlarda daha otonom hareket etmesi mümkün hale gelebilir. Ayrıca, insan zekasının doğasına dair bilimsel anlayışımızı derinleştirecek bu araştırmalar, bilişsel bilimler ve nörobilim alanlarında yeni keşiflere zemin hazırlayabilir. Yapay zeka ile insan öğrenmesi arasındaki bu köprü, gelecekteki teknolojik ilerlemelerin temelini oluşturabilir.
Anlık Nokta Bilimsel Perspektifi:Bu araştırma, yapay zekanın "insan gibi" öğrenme yeteneği kazanmasının önündeki en büyük engellerden birini gözler önüne seriyor. Bebeklerin dünyayı anlama biçimini taklit etme çabaları, sadece daha verimli yapay zeka modelleri geliştirmekle kalmayacak, aynı zamanda insan zekasının evrimsel ve bilişsel temellerini daha iyi anlamamıza da olanak tanıyacaktır. Gelecekteki yapay zeka inovasyonlarının, insan beyninin doğal öğrenme mekanizmalarından ilham alarak şekilleneceği açıktır.
EgoBabyVLM Challenge, Meta, Stanford Üniversitesi, Tokyo Üniversitesi ve Fransa'daki École Normale Supérieure'den araştırmacılar tarafından geliştirilen, yapay zeka modellerinin dünyayı bir bebeğin gözünden ne kadar iyi anlayabildiğini test eden bir değerlendirme sistemidir. Bu test, bebeklerin başlarına takılan kameralardan alınan binlerce saatlik video verisiyle görme dili modellerinin (VLM'ler) performansını ölçer.
Yapay zeka modelleri genellikle derlenmiş, düzenli veri setlerinden öğrenirken, bebekler dağınık, çok modlu ve dokunsal deneyimlerle, yani ebeveynlerin konuşmaları, jestleri ve fiziksel etkileşimleri gibi zengin bir bağlam içinde öğrenirler. Mevcut yapay zeka modelleri, bu tür gerçekçi ve karmaşık verilerden anlam çıkarma konusunda yetersiz kalmaktadır.
BabyLM Challenge (2023'te tanıtıldı), yapay zeka modellerinin dilin sözdizimini, bir çocuğun aldığı veri miktarına benzer bir hacimle öğrenme yeteneğini test ederken, EgoBabyVLM Challenge (yeni geliştirildi) yapay zekanın fiziksel dünyayı bir bebeğin bakış açısından anlama yeteneğine odaklanır. BabyLM dil öğrenimine odaklanırken, EgoBabyVLM çok modlu görsel ve etkileşimsel öğrenmeyi hedefler.
İnsan beyninin evrimsel olarak optimize edilmiş öğrenme becerilerini yapay zekaya aktarmak için araştırmacılar, beynin yerleşik yapı ve mimarisini incelemektedir. Bu, yapay zeka algoritmalarının sadece kalıp tanımaya dayalı olmaktan çıkarak, çok modlu duyusal girdileri işleme, bağlamı anlama ve sınırlı veriden genelleme yapma yeteneklerini geliştirmeyi içerir. Bebeklerin öğrenme süreçlerini taklit eden tasarımlar, bu aktarım için kritik ipuçları sunmaktadır.
