Yapay Zeka Modelleri Öğrenme Verimliliğinde Henüz Bebeklere Yetişemedi

Yapay zeka modelleri karmaşık problemleri çözebilse de, dünyayı anlama ve öğrenme verimliliği konusunda henüz bir yaşındaki bir bebeğin gerisinde kalıyor. Meta ve Stanford gibi önde gelen kurumlardan araştırmacılar, yapay zekanın bu açığını kapatmak için bebeklerin öğrenme süreçlerini taklit eden yeni testler geliştiriyor.

Günümüzün yapay zeka modelleri, bir okyanus dolusu eğitim verisi tüketiyor ve küçük bir ülke kadar enerji harcıyor. Buna karşılık bebekler, nesneleri sadece bir veya iki kez gördükten sonra tanımlayabiliyor ve anlık gözlemlerle dünyayı inanılmaz bir verimlilikle anlamlandırıyor. Bebeklerin beyin mimarisini ve öğrenme şeklini temel alan daha verimli bir AI yaklaşımı, sınır modellerinin (frontier models) maliyetini ve enerji tüketimini önemli ölçüde azaltabilir.

EgoBabyVLM Testi ile Yeni Bir Dönem

Bu yeni alanı keşfetmek amacıyla Meta, Stanford Üniversitesi, Tokyo Üniversitesi ve Fransa'daki École Normale Supérieure araştırmacıları yeni bir test geliştirdi. EgoBabyVLM adı verilen bu zorlu test, hem metin hem de görüntüden öğrenen vizyon dil modellerinin (VLM), dünyayı bir bebeğin gözünden ne kadar iyi anlayabildiğini ölçüyor. Test kapsamında modellerin, bebeklerin kafasına takılan kameralardan elde edilen yaklaşık bin saatlik video verisini işlemesi ve dünyayı tanımlaması isteniyor.

Sonuçlar, en son teknolojiye sahip modellerin bu gerçekçi ve karmaşık görüntülerle beslendiğinde ciddi şekilde başarısız olduğunu gösteriyor. Bu durum, bebek beyninin tasarımında, çok az bilgiden bu kadar hızlı öğrenmeyi sağlayan farklı bir mekanizma olabileceğine işaret ediyor. Bebekler, özenle hazırlanmış veri setleri yerine; ebeveynlerin görünmeyen nesneler hakkında konuşması, bakış veya jestlerle bir şeyleri işaret etmesi gibi çok boyutlu bir dünyadan öğreniyor.

Fiziksel Dünyayı Anlamak İçin Sadece Dil Yetmiyor

Stanford Üniversitesi'nden bilişsel bilimci Michael Frank, bebeklerin sadece dilden değil, zengin bir çok modlu (multimodal) ve dokunsal deneyimden de öğrendiğini belirtiyor. Frank'e göre EgoBabyVLM testi, yapay zeka gelişimi için sadece dilden daha fazlasına ihtiyaç duyulduğunu açıkça ortaya koyuyor. 2023'te tanıtılan BabyLM gibi önceki testler, transformer tabanlı modellerin sözdizimini az veriyle öğrenebildiğini gösterse de, fiziksel dünyaya dair sağduyu eksikliği devam ediyor.

Massachusetts Teknoloji Enstitüsü'nden (MIT) bilişsel bilimci Joshua Tenenbaum, transformer mimarilerinin verilerdeki kalıpları bulmada çok iyi olduğunu vurguluyor. Ancak Tenenbaum'a göre, saf kalıp öğrenme sistemleri bir bebeğin veya çocuğun aldığı türden verileri işleyip onların öğrendiği her şeyi öğrenme kapasitesine henüz sahip değil. Araştırmacılar şimdi evrimin bu öğrenme becerilerini nasıl optimize ettiğini ve algoritmaların bu seviyeye nasıl ulaşabileceğini sorguluyor.

--- **İlgili Kaynaklar:** Profesyonel SEO ve GEO eğitim platformu çözümleri için [GEO eğitim](https://geoakademi.com) sayfasını ziyaret edin.