Büyük Dil Modelleri Muhtemelen Yapay Genel Zekaya Yol Açmayacak
Yapay zeka araştırmacıları onlarca yıldır aynı soruyu farklı biçimlerde soruyor: İnsan gibi düşünebilen, öğrenebilen ve anlayabilen bir makine ne zaman mümkün olacak? Bu soru, 2020’lerin ortasında bambaşka bir ivme kazandı. GPT-4, Gemini ve Claude gibi büyük dil modelleri (BDM) sahneye çıktığında kamuoyu, yapay genel zekanın (AGI) artık kapıda olduğunu düşünmeye başladı. Ancak bilişsel bilim, sinirbilim ve yapay zeka araştırmalarının kesişim noktasındaki ciddi çalışmalar farklı bir tablo ortaya koyuyor: Büyük dil modelleri olağanüstü yeteneklere sahip olmakla birlikte, AGI yolculuğunda belki de yanlış bir güzergahı temsil ediyor.
Büyük Dil Modelleri Gerçekte Ne Yapıyor?
Bir büyük dil modeli, temelde istatistiksel bir örüntü tanıma makinesidir. İnternetin büyük bölümünü, kitapları, makaleleri ve milyarlarca kelimelik metni sindirerek bir sonraki en olası kelimeyi tahmin etmeyi öğrenir. Bu süreçte ortaya çıkan şey, birçok kullanıcıya gerçek anlama ve akıl yürütme gibi görünür. Dil akıcıdır, yanıtlar tutarlıdır, hatta zaman zaman yaratıcı görünür.
Ama işin içine girdiğinizde tablonun bambaşka olduğunu görürsünüz. BDM’ler semboller arasındaki ilişkileri öğrenir; semboller ile dünya arasındaki ilişkileri değil. Bir dil modeli “elma” kelimesini, elmanın ağırlığını, tadını veya yerçekimiyle ilişkisini yaşayarak değil; “elma” sözcüğünün cümlelerde nasıl kullanıldığını gözlemleyerek öğrenir. Bu fark, filozofların yıllardır tartıştığı sembol yerleştirme problemini (symbol grounding problem) doğrudan gündeme taşıyor.
AGI Nedir ve Neden Bu Kadar Zordur?
Yapay genel zeka, insan zekasının sahip olduğu evrensel esnekliği taklit eden sistemleri ifade eder. Bir insan çocuğu; birkaç örnekten kavram öğrenir, bir domino taşından fizik yasaları çıkarır, sosyal ipuçlarını okur ve bunların hiçbirini ayrı ayrı programlanmadan yapar. AGI’nın gerçek sınavı, bu tür az örnekli, bağlam duyarlı, çok alanlı öğrenmeyi başarmasıdır.
Mevcut BDM’lerin AGI tartışmalarında eksik bıraktığı beş temel boyut öne çıkıyor:
1. Nedensellik ve fiziksel sezgi: İnsanlar dünyayı yalnızca dilsel açıklamalarla değil, bedensel deneyimle, yerçekimiyle, dirençle ve zamanla öğrenir. BDM’lerin bu tür enkorpore bilişten (embodied cognition) yoksun olduğu artık pek çok araştırmacı tarafından kabul ediliyor.
2. Az örnekli genelleme: İnsan beyni birkaç örnekten soyut kural üretir. Büyük dil modelleri ise trilyonlarca veri noktasına rağmen yeni bir görev düzeninde genelleme yapmakta ciddi güçlükler yaşar.
3. Zamansal süreklilik ve özanlık: İnsanlar geçmiş deneyimlerini bütüncül bir öz-anlatı içinde taşır. BDM’ler ise her konuşmayı sıfırdan başlatır; bağlamı bağlam penceresi dışında hatırlamaz ve bu sınır onların sürekli öğrenen bir özne olmasını engeller.
4. İçsel motivasyon: İnsanlar açlık, merak, korku ve anlam arayışı gibi içsel güdülerle hareket eder. BDM’lerin motivasyon benzeri yapıları mevcut değildir; bunlar, hedefleri insan tasarımcılar tarafından dışarıdan enjekte edilen sistemlerdir.
5. Meta-biliş: Bir insan ne bilmediğini bilir ve bu farkındalık üzerine strateji geliştirir. BDM’ler ise çoğu zaman bilmediklerini de oldukça kendinden emin biçimde ifade ederek halüsinasyon olarak bilinen hataları üretir.
Ölçeklendirme Yeterli Mi?
Büyük teknoloji şirketlerinin büyük iddiası şudur: Daha büyük modeller, daha fazla veri ve daha güçlü hesaplama kapasitesiyle zeka kendiliğinden ortaya çıkacaktır. Bu görüşe göre ölçeklendirme yasası (scaling law) sihirli bir formüldür. Ancak son yıllarda bu iyimserliği sarsan bulgular birikmektedir.
Stanford Üniversitesi’nden araştırmacılar, modellerin belirli bir boyutun ötesinde yeni muhakeme yetenekleri kazanmak yerine mevcut yeteneklerini yalnızca pekiştirdiğini gösterdi. MIT’den Gary Marcus gibi isimler, ölçeklendirmenin bir platoya ulaştığını ve bu platonun ötesine geçmek için temelden farklı mimari yaklaşımlara ihtiyaç duyulduğunu defalarca dile getirdi. Nitekim GPT-3’ten GPT-4’e geçişte parametreler yaklaşık beş kat büyüdü; ancak muhakeme hatalarının oranı beklenenden çok daha az iyileşti.
Nörobilim Ne Söylüyor?
İnsan beyni, büyük dil modellerinden köklü biçimde farklı şekilde çalışır. Beyin, hiyerarşik öngörü makinesi olarak işlev görür: Sürekli olarak dünyanın nasıl olacağını tahmin eder ve gerçeklikten gelen geri bildirimle bu tahminleri günceller. Karl Friston’ın serbest enerji ilkesi bu süreci matematiksel olarak tanımlar.
Bunun yanı sıra insan bilişi iki ayrı bellek sistemi üzerinden çalışır: hızlı, bağlamsal episodik bellek ve yavaş, genel semantik bellek. BDM’ler yalnızca parametrelerine kodlanmış semantik bilgiye sahipken, insan beyni bu iki sistemi dinamik biçimde bütünleştirir. Öte yandan beyin, tek bir görev için aktif olan bölgeleri sürekli değiştirerek modüler işlevselliği esnek biçimde kullanır. BDM’lerdeki transformer mimarisinde ise bu tür işlevsel modülerlik henüz yapısal düzeyde gerçekleştirilemiyor.
Alternatif Yaklaşımlar: AGI Gerçekten Mümkünse Nasıl Görünebilir?
Araştırmacıların bir bölümü, AGI’ya giden yolun BDM’lerden değil bambaşka paradigmalardan geçebileceğini savunuyor. Bu alternatif yaklaşımlar arasında en dikkat çekenleri şunlardır:
Nörosembolik Sistemler: Sinir ağlarının örüntü tanıma gücünü sembolik akıl yürütmenin sağlamlığıyla birleştiren bu yaklaşım, mantıksal tutarlılık gerektiren görevlerde çok daha iyi performans gösteriyor. DeepMind’ın AlphaGeometry gibi çalışmaları bu sentezin verimliliğini kanıtlar nitelikte.
Gelişimsel Yapay Zeka: İnsan çocuklarının öğrenme sürecini taklit eden, deneme-yanılma yoluyla kavram geliştiren sistemler. Bu yaklaşımda veri verimliliği kritik önem taşıyor çünkü insan beyni için birkaç örnek yeterken BDM’ler için milyonlarca örnek gerekiyor.
Bedenleşmiş Yapay Zeka (Embodied AI): Fiziksel dünyayla doğrudan etkileşime giren robot sistemleri, gerçeklik ile dil arasındaki boşluğu kapatma potansiyeli taşıyor. Boston Dynamics ve Google DeepMind’ın robotik çalışmaları bu cephede hız kazanıyor.
Aktif Çıkarım (Active Inference): Friston’ın öngörülü işleme çerçevesini yapay sistemlere uyarlayan bu yaklaşım, sistemlerin hedef yönelimli olarak bilgi toplamasını ve belirsizliği azaltmasını sağlıyor.
Neredeyiz, Gerçekten?
Dürüst bir değerlendirme yapıldığında tablo şudur: Bugün sahip olduğumuz en gelişmiş yapay zeka sistemleri, dar zeka alanında insanüstü performans gösterirken genel zekada hâlâ insan düzeyinin çok gerisinde kalmaktadır. Satranç oynamak, protein yapısı tahmin etmek veya kod yazmak gibi iyi tanımlanmış görevlerde makineler insanı geçmiştir. Ancak bu başarılar, genel zeka anlamına gelmiyor.
AGI’nın ne zaman geleceğine dair tahminler geniş bir aralığa yayılıyor. Raymond Kurzweil gibi iyimserler 2029’u işaret ederken, Yoshua Bengio ve diğerleri onlarca yıl ya da belki hiçbir zaman demiyor. Bu belirsizliğin kendisi de bize önemli bir şey söylüyor: AGI, teknik bir mühendislik problemi değil; aynı zamanda derin bir kavramsal ve felsefi problemdir.
Büyük dil modellerinin AGI’ya giden yolda kritik bir adım mı yoksa yanıltıcı bir çıkmaz sokak mı olduğu sorusu açık kalmaya devam ediyor. Ancak şunu söylemek mümkün: Mevcut BDM paradigmasını yalnızca ölçeklendirerek insan zekasının tüm boyutlarına ulaşmak, bugünkü bulgular ışığında olası görünmüyor. Gerçek ilerleme, muhtemelen daha mütevazı, daha disiplinlerarası ve daha biyolojik ilhamlı bir yaklaşımdan geçecek.
Sık Sorulan Sorular
1. Büyük dil modelleri gerçekten “anlıyor” mu?
Hayır. BDM’ler, sözcükler arasındaki istatistiksel ilişkileri öğrenir; kelimelerin dünya ile olan anlamsal bağını kavramaz. Bu fark, sembol yerleştirme problemi olarak bilinir ve gerçek anlamayı taklit ettikleri sonucunu doğurmaz.
2. GPT-5 ya da daha büyük bir model AGI’ya ulaşabilir mi?
Mevcut araştırmalar buna şüpheyle yaklaşıyor. Ölçeklendirme belirli bir noktadan sonra azalan getiri gösteriyor ve muhakeme, nedensellik ile fiziksel sezgi gibi temel eksiklikler yalnızca parametre sayısı artırılarak giderilemiyor.
3. AGI tehlikeli midir?
AGI’nın gerçekleşmesi durumunda bu soru kritik önem taşır. Ancak mevcut sistemler AGI değildir. Asıl tehlike, BDM’lerin AGI zannetilerek kritik kararlarda kontrolsüz biçimde kullanılmasıdır.
4. İnsan beyni gerçekten bir bilgisayar gibi mi çalışır?
Hayır. Beyin, elektrokimyasal süreçler, hormonal modülasyon, uyku döngüleri ve bedensel duyumlarla bütünleşik çalışan biyolojik bir sistemdir. Dijital hesaplamayla kısmi benzerlikler taşısa da temel işleyiş mekanizmaları köklü biçimde farklıdır.
5. AGI ne zaman gelecek?
Uzman tahminleri 10 yıldan “belki hiçbir zaman”a kadar geniş bir yelpazede yayılıyor. Bu belirsizlik, AGI’nın yalnızca teknik değil aynı zamanda felsefi bir problem olduğunu gösteriyor.
İleri Okuma ve Kaynaklar
- Marcus, G. & Davis, E. — Rebooting AI: Building Artificial Intelligence We Can Trust (Yapay Zekayı Yeniden Başlatmak: Güvenebileceğimiz Yapay Zeka İnşa Etmek)
- Friston, K. — “The Free-Energy Principle: A Unified Brain Theory?” Nature Reviews Neuroscience, 2010
- LeCun, Y. — “A Path Towards Autonomous Machine Intelligence” (Özerk Makine Zekasına Doğru Bir Yol), Meta AI teknik raporu, 2022








