Yapay Genel Zeka (AGI), bilgisayar biliminin kutsal kasesini temsil eder: İnsan yeteneğine eşit veya ötesinde bir düzeyde, çeşitli görevlerde bilgiyi anlama, öğrenme ve uygulama kapasitesine sahip bir sistem. Dar AI (Narrow AI) görüntü tanıma veya doğal dil işleme gibi belirli alanlarda mükemmel olsa da, AGI akıcı ve genel amaçlı bilişimi hedefler. Orta düzeyden ileri düzey geliştiriciler için, uzmanlaşmış modellerden genel zekaya geçiş için gereken mimari değişiklikleri anlamak, bu hızla gelişen alanda önde kalmak açısından hayati önem taşır.
Temel Mimari Paradigmalar
Güncel araştırmalar, AGI'nin tek bir algoritmadan değil, birden fazla bilişsel mimarinin entegrasyonundan ortaya çıkacağını göstermektedir. Daniel Kahneman'ın davranış psikolojisinden alınan iki öne çıkan paradigma, Sistem 1 (hızlı, sezgisel düşünme) ve Sistem 2 (yavaş, düşündürücü düşünme)dir.
Yazılım terimleriyle bu, çift katmanlı bir mimariye dönüşür. İlk katman, büyük dil modelleri veya sinir ağları kullanarak hızlı çıkarım yaparken, ikinci katman bu çıktıları doğrulamak ve geliştirmek için sembolik akıl yürütme, mantık doğrulaması ve dış araç kullanımı uygular. Bu hibrit yaklaşım, doğrulama adımı ekleyerek mevcut Büyük Dil Modellerinde (LLM) yaygın olan halüsinasyon sorunlarını azaltır.
class AGIMimarisi:
def __init__(self):
self.sistem1 = HizliCikarimModeli()
self.sistem2 = AkilYurutmeMotoru()
def goreisle(self, girdi_verisi):
# Adım 1: Hızlı sezgisel yanıt
ilk_hipotez = self.sistem1.uret(girdi_verisi)
# Adım 2: Düşündürücü doğrulama ve planlama
dogrulanmis_plan = self.sistem2.dogrula_ve_planla(
ilk_hipotez,
kisitlar=self.baglam_kurallarini_al()
)
return dogrulanmis_plan.uygula()
Bellek ve Sürekli Öğrenme
İnsan zekasının ayırt edici bir özelliği, önceki bilgileri unutmaksızın (kâtiphatik unutma) deneyimlerden sürekli olarak öğrenme yeteneğidir. Mevcut derin öğrenme modelleri eğitim sonrası büyük ölçüde statiktir. AGI sistemleri, sistemin geçmiş etkileşimleri hatırlamasına ve bu dersleri yeni durumlara uygulamasına olanak tanıyan Vektör Veritabanları ile Episodik Bellek modüllerinin entegre edildiği dinamik bellek yapılarına ihtiyaç duyar.
Bunu uygulamak, ajan tarafından alınan eylemlerin depolandığı, başarı açısından değerlendirildiği ve politika ağını ince ayarlamak için kullanıldığı bir geri bildirim döngüsü oluşturmayı içerir. Bu, pekiştirmeli öğrenmeyi yansıtır ancak çok daha uzun bir zaman diliminde, genellikle Uzun Vadeli Planlama olarak adlandırılan bir süreçte çalışır.
# Episodik Bellek Güncellemesi için Sahte Kod
def bellek_deposunu_guncelle(aksiyon_gecmisi, sonuc_skoru):
if sonuc_skoru > esik_deger:
pekiştirme_ağırlıkları += öğrenme_hızı * delta
# Bağlam için benzer geçmiş deneyimleri getir
benzer_epizotlar = vektör_db.ara(
sorgu=güncel_baglam,
k=5
)
# Geçmiş başarılar temelinde mevcut politikanı ayarla
politika_gradyanı += türev_gradyan(benzer_epizotlar)
Uyum ve Güvenlik Zorluğu
Sistemler daha otonom hale geldikçe, insan değerleriyle uyum sağlanması, sadece etik bir rehber olmaktan çıkarak teknik bir spesifikasyona dönüşür. Bu, manipülasyona karşı dayanıklı ödül fonksiyonlarının tanımlanmasını ve ajanın kendi zekasını geliştirdiği (özgün kendini geliştirme) durumlarda bile hedeflerinin kararlılığını korumasını sağlar.
Geliştiriciler, bir modelin bir kararı neden verdiğini anlamak için yorumlanabilirlik katmanları uygulamak zorundadır. Dikkat görselleştirmesi ve özellik ataması gibi teknikler artık isteğe bağlı değildir; AGI benzeri sistemleri hata ayıklamak için hayati öneme sahiptir.
Sonuç
Gerçek AGI'ye henüz yıllar, belki de onlarca yıl kala, temel bileşenler netleşmektedir. Sembolik akıl yürütme, derin öğrenme, sürekli öğrenme ve sağlam güvenlik mekanizmalarının birleşmesi, uygulanabilir bir yol haritası sağlar. Geliştiriciler için acil çıkarım, modülerlik ve yorumlanabilirliği göz önünde bulundurarak sistemler tasarlamaya başlamaktır. Birden fazla düşünme modunu entegre edebilen ve zaman içinde belleği koruyabilen mimariler inşa ederek, bir sonraki nesil zeki sistemler için temel atıyoruz.