Teknoloji
Yapay Zekanın Sınırı: Neden Bebek Kadar Değil?
Günümüzün en gelişmiş yapay zeka modelleri bile bir bebeğin dünyayı anlama hızı ve öğrenme etkinliği seviyesine ulaşamamış durumda.
Hexcore
3 dk
21 Temmuz 2026
Günümüzün en gelişmiş yapay zeka modelleri; muazzam miktarda hesaplama gücü, yüksek performanslı çip dizileri ve devasa veri kümeleriyle çalışmasına rağmen öğrenme verimliliği konusunda bir bebekle kıyaslandığında büyük bir geride kalabiliyor. Bilim insanları bu durumu incelediğinde, temel farkın bebeğin dünyayı anlamak için kullandığı özgün mimariye işaret ettiğini öne sürüyor.
Bebeklerin dünyayla etkileşim kurma biçimi yapay zeka sistemlerinin şu anki veri ağırlıklı ve hesaplama yoğun yaklaşımından çok farklı. Bir bebek, yeni gördüğü bir nesneyi genellikle yalnızca birkaç kez inceledikten sonra tanıyabilir; çevresini kısa süreli gözlemler ve fiziksel deneyimlerle olayları kodlayarak öğrenirler.
Bunun aksine mevcut yapay zeka sistemleri, benzer becerileri sergileyebilmek için çok daha büyük miktarda veriye ve astronomik hesaplama kapasitesine ihtiyaç duyuyor. Yapılan araştırmalar bile bu yoğun eğitimin küçük bir ülkeye denk gelen elektrik tüketimi gerektirdiğini ortaya koydu.
Gelecekte yapay zekayı daha uygun maliyetle, çok daha az enerji harcayarak geliştirebilmek için bu fark kritik ipuçları sunuyor. Ayrıca bebeklerin öğrenme yöntemlerini taklit eden bu yaklaşımların, çevreleriyle en doğal ve organik yoldan etkileşim kurabilen robotlar yaratılmasına da zemin hazırlayabileceği belirtiliyor.
Meta, Stanford Üniversitesi, Tokyo Üniversitesi ve Fransa'daki École Normale Supérieure gibi kurumların araştırmacıları, bu konuda EgoBabyVLM adlı yeni bir değerlendirme sistemi geliştirdi. Bu sistemde yapay zeka modelleri; bebeklerin veya küçük çocukların başlarına takılan kameralarla kaydedilen gerçek yaşam görüntüleri üzerinden dünyayı tanıması isteniyor.
Mevcut en ileri düzey Görsel Dil Modelleri (Vision Language Models - VLM) bu zorlu sınava girildiğinde, temiz ve düzenli veri setleriyle eğitildikleri konforlu ortamların aksine karmaşık gerçek hayattaki görüntüler karşısında beklenen performansı gösteremedi. Araştırmacılar, bu performans düşüklüğünün bebeğin çok az bilgiden bile hızlı öğrenmesini sağlayan eşsiz bilişsel mekanizmalara işaret ettiğini vurguluyor.
Stanford Üniversitesi'nde bu projede görev alan Michael Frank gibi önde gelen bilişsel bilimciler, bebeklerin gelişim sürecinin yalnızca kelimelerden ibaret olmadığını savunuyor. Bebekler öğrenirken sadece duyduklarını değil, ebeveynlerinin artık görüş alanında olmayan nesneler hakkında konuşmalarını dikkatle dinliyor.
Bunun yanı sıra; bakış yönü izleme, el hareketleri gibi güçlü sosyal ipuçlarını takip ediyor ve geçmişte yaşanmış ya da gelecekte gerçekleşecek olaylarla ilgili kurulan cümlelerden bilgi ediniyor. Bebekler aynı anda dokunma, görme ve işitme gibi birden fazla duyusal deneyimi kullanarak çevrelerini bütüncül bir şekilde anlamlandırıyorlar.
Bu bulgular ışığında, sadece dil verilerine odaklanan yapay zekâ yaklaşımlarının insan benzeri öğrenmeyi tam olarak taklit etmek için yetersiz kaldığı görülüyor. Öte yandan bu alan tamamen yenilik değil; 2023 yılında geliştirilen BabyLM gibi modeller, bir yapay zekânın yaklaşık on yaşındaki bir çocuğun maruz kalacağı veri miktarıyla eğitildiğinde dilin sözdizimini (gramatik yapısını) öğrenebildiğini gösterdi. Ancak araştırmacılar, bu başarının fiziksel dünyayı anlama bağlamında tekrarlanamadığını belirtti.
MİT'ten Joshua Tenenbaum da mevcut modellerin verilerdeki örüntüleri yakalamada başarılı olmasına rağmen ortak akıl yürütme, sosyal ilişkileri kurma veya temel fiziksel muhakeme gibi yetenekleri bir bebek gibi geliştiremediğini ifade ediyor.
Hazır olan yeni çalışmalar, yapay zekanın tek bir bebeğin kamerasından elde edilen görüntülerle basit nesneleri tanıyabildiğini kanıtladı; fakat araştırmacılar bu durumun dünyayı derinlemesine anlamaya ve üst düzey muhakeme yeteneği kazanmaya yeterli olmadığını belirtiyor. Bu yıl Stanford'dan Michael Frank liderliindeki ekip, nedensellik ile görsel ve zamansal ilişkileri öğrenmede daha etkili bir model tipi geliştirdi. Nesne dinamiklerini daha iyi kavrayabilen bu yeni yaklaşımlar, fiziksel veya sosyal alanlarda hızlı ilerleyebilen ve genel olarak çok daha verimli yapay zekâ sistemlerinin geliştirilmesi için umut vaat ediyor.
Henüz yorum yapılmamış. İlk yorumu sen yap!
E-posta adresiniz yayımlanmayacaktır. Gerekli alanlar (*) ile işaretlenmiştir.