Yapay zeka alanında yaşanan hızlı gelişmelere rağmen araştırmacılar, günümüzün en güçlü modellerinin öğrenme verimliliği açısından hâlâ bir yaşındaki bebeğin gerisinde kaldığını belirtiyor. Devasa veri merkezleri, binlerce grafik işlemcisi ve yüksek enerji tüketimiyle eğitilen sistemler, insanların çocukluk döneminde doğal olarak kazandığı birçok beceriyi edinmekte zorlanıyor. Bilim insanlarına göre geleceğin daha verimli yapay zeka sistemlerini geliştirebilmenin yolu, bebeklerin dünyayı öğrenme biçimini anlamaktan geçiyor.
Araştırmacılar Yapay Zekayı Bebeklerin Öğrenme Süreciyle Karşılaştırdı
Bugünün büyük dil modelleri ve görsel yapay zeka sistemleri, başarılı sonuçlar elde edebilmek için milyarlarca veri örneğine ihtiyaç duyuyor. Buna karşın bebekler yalnızca birkaç kez karşılaştıkları bir nesneyi tanıyabiliyor, çevrelerini kısa gözlemlerle anlamlandırabiliyor ve fiziksel etkileşimlerden kalıcı bilgi çıkarabiliyor.
Araştırmacılar, bu farkın yalnızca hesaplama gücüyle açıklanamayacağını düşünüyor. İnsan beyni, çok az veriyle genelleme yapabilen ve farklı duyusal bilgileri aynı anda işleyebilen bir öğrenme mekanizmasına sahip. Mevcut yapay zeka modelleri ise çoğunlukla büyük veri kümelerindeki örüntüleri ezberleyerek tahmin üretmeye dayanıyor.
Bu yaklaşımın en önemli dezavantajlarından biri enerji tüketimi olarak öne çıkıyor. Modern yapay zeka modellerinin eğitimi, binlerce yüksek performanslı işlemciyle gerçekleştiriliyor ve bazı projelerin enerji ihtiyacı küçük bir ülkenin elektrik tüketimine yaklaşabiliyor. Bilim insanları, bebek beynindeki öğrenme prensiplerinin çözülebilmesi hâlinde çok daha düşük maliyetli ve enerji açısından verimli yapay zeka sistemlerinin geliştirilebileceğini değerlendiriyor.
Meta, Stanford Üniversitesi, Tokyo Üniversitesi ve Fransa’daki École Normale Supérieure araştırmacıları bu amaçla EgoBabyVLM Challenge adlı yeni bir değerlendirme sistemi geliştirdi. Projede, Vision Language Model (VLM) olarak adlandırılan görsel-dil modellerine bebeklerin başına yerleştirilen kameralarla kaydedilen yaklaşık bin saatlik gerçek yaşam görüntüleri gösterildi. Modellerden, bu görüntüler üzerinden çevreyi insanlar gibi anlamlandırmaları ve nesneler arasındaki ilişkileri yorumlamaları istendi.
Elde edilen sonuçlar, laboratuvar ortamında yüksek başarı gösteren modellerin gerçek yaşamın düzensiz ve karmaşık görüntüleri karşısında önemli ölçüde performans kaybettiğini ortaya koydu. Araştırmacılar, bebeklerin çok sınırlı deneyimden öğrenebilmesini sağlayan bilişsel mekanizmaların mevcut yapay zeka mimarilerinde bulunmadığını ifade ediyor.
Stanford Üniversitesi’nden bilişsel bilimci Michael Frank’e göre bebeklerin öğrenme süreci yalnızca gördükleri nesnelerden ibaret değil. Çocuklar, ebeveynlerinin konuşmalarını dinliyor, bakış yönlerini takip ediyor, el hareketlerini yorumluyor ve görme, işitme ile dokunma duyularını aynı anda kullanarak çevreleri hakkında bütüncül bir anlayış geliştiriyor. Bu çoklu öğrenme biçimi, yalnızca metin veya görsel veriyle eğitilen mevcut yapay zeka sistemlerinden belirgin şekilde ayrılıyor.
İnsan öğrenmesini örnek alan çalışmalar son yıllarda hız kazandı. 2023 yılında geliştirilen BabyLM projesi, yapay zekanın yaklaşık 10 yaşındaki bir çocuğun karşılaştığı kadar dil verisiyle eğitildiğinde dil bilgisi kurallarını büyük ölçüde öğrenebildiğini göstermişti. Ancak aynı yaklaşımın fiziksel dünyayı anlamada benzer başarı sağlayamadığı görüldü.
MIT’den Joshua Tenenbaum’a göre mevcut modeller, veriler arasındaki örüntüleri yakalamakta başarılı olsa da ortak akıl yürütme, fiziksel neden-sonuç ilişkilerini kavrama ve sosyal etkileşimleri yorumlama gibi alanlarda insan gelişiminin oldukça gerisinde bulunuyor.
Araştırmacılar, 2024 yılında yapılan başka bir çalışmada tek bir bebeğin baş kamerasından elde edilen görüntülerle eğitilen temel bir VLM modelinin top gibi basit nesneleri tanıyabildiğini gösterdi. Ancak bunun insan benzeri muhakeme yeteneği geliştirmek için yeterli olmadığı vurgulandı.
Stanford Üniversitesi ekibi bu yıl geliştirdiği yeni model mimarisiyle nedensellik, zaman ilişkileri ve nesne hareketlerini daha doğru öğrenebilen bir yaklaşım üzerinde çalışıyor. Bilim insanları, bebeklerin öğrenme stratejilerinden ilham alan bu sistemlerin gelecekte daha az veriyle eğitilebilen, daha düşük enerji tüketen ve fiziksel dünyayı daha doğru anlayabilen yeni nesil yapay zeka modellerinin geliştirilmesine katkı sağlayabileceğini düşünüyor.
