Yıllarca, Büyük Dil Modelleri (LLM'ler) yapay zeka etrafındaki tartışmaları domine etti. Ancak araştırma topluluğunda kritik bir ayrım ortaya çıktı: bir sonraki tokeni tahmin eden stokastik papaganlar ile gerçek akıl yürütme yeteneğine sahip ajanlar arasındaki fark. Yapay Genel Zekaya (AGI) doğru yavaşça yaklaştıkça, endüstri odak noktasını ham ölçekten yapısal akıl yürütme yeteneklerine kaydırıyor. Bu geçiş, AI'da "Sistem 2" düşüncesinin başlangıcını işaret eder; yavaş, özenli ve mantıksal işleme.
LLM'lerdeki Sistem 1'in Sınırlamaları
Geleneksel dönüştürücü tabanlı LLM'ler büyük ölçüde Sistem 1 özellikleriyle çalışır: hızlı, sezgisel ve kalıba dayalı. Etkileyici olsalar da, aynı anda birden fazla değişkeni kontrol altında tutmayı gerektiren karmaşık çok adımlı mantık, yeni aritmetik ve planlama görevlerinde zorlanırlar. Geri izleme veya derin nedensel çıkarım gerektiren bir problemi çözmesi istendiğinde, bu modeller doğruluğu değil olasılığı optimize ettikleri için, kendinden emin ancak hatalı cevaplar uydurabilirler (hallucinate).
Bu boşluğu doldurmak için araştırmacılar, modeli problemleri parçalara ayırmaya, adımları planlamaya ve kendi kendine düzeltmeye zorlayan akıl yürütme mimarileri geliştirdi. İşte Yapay Zeka Akıl Yürütme alanının gerçekten başladığı yer burasıdır.
Düşünce Zinciri (CoT) Akıl Yürütme
Akıl yürütmeyi geliştirmek için en temel teknik, Düşünce Zinciri (CoT) istemidir (prompting). Doğrudan bir cevap sormak yerine, CoT modelin ara akıl yürütme adımlarını üretmesini teşvik eder. Bu, çözümle sonuçlanmadan önce işlemlerimizi kağıda dökmemizi sağlayan insan bilişsel süreçlerini taklit eder.
Python ve OpenAI API'si kullanılarak aşağıdaki pratik örneğe bakalım. Standart bir sorgu bir mantık bulmacasında başarısız olabilirken, bir CoT istemi modeli "sesli düşünmeye" zorlayarak başarılı olur.
def ask_reasoning_question(client, question):
# Standart istem (Sistem 1 tarzı)
system_prompt = "Yardımcı bir asistansınız."
user_prompt = f"Bu soruyu cevaplayın: {question}"
# Düşünce Zinciri istemi (Sistem 2 tarzı)
cot_system_prompt = """
Uzman bir mantıkçısınız.
Cevaplamadan önce lütfen problemi adım adım parçalara ayırın.
Akıl yürütme sürecinizi açıkça açıklayın.
Son olarak, cevabı kutu formatında sağlayın: \boxed{cevap}.
"""
response = client.chat.completions.create(
model="gpt-4-turbo",
messages=[
{"role": "system", "content": cot_system_prompt},
{"role": "user", "content": user_prompt}
]
)
return response.choices[0].message.content
Modeli açıkça akıl yürütme izleri üretmeye yönlendirerek, matematiksel ve mantıksal ölçütlerde doğruluğu önemli ölçüde artırıyoruz. Model sadece bir sonraki kelimeyi tahmin etmiyor; nihai sonucu destekleyen mantıksal bir iskelet oluşturuyor.
Düşünce Ağacı (ToT) ve Ötesi
CoT doğrusal olsa da, gerçek dünya problemleri genellikle dallanır. Düşünce Ağacı (ToT) çerçevesi, modelin aynı anda birden fazla akıl yürütme yolunu keşfetmesine olanak tanıyarak bunu genişletir. Farklı "düşünceleri" (ara adımları) değerlendirmek ve daha umut verici görünmeyenleri elemek için bir arama algoritması (Genişlik Öncelikli Arama gibi) kullanır.
Bu yaklaşım, tek bir akıl yürütme yolunun yetersiz olduğu yaratıcı görevlerde, kodlamada ve stratejik planlamada özellikle etkilidir. ToT, AI'nın gelecekteki durumları simüle etmesine ve tıkanıklıklardan kaçınmasına olanak tanıyan bir ileri bakış mekanizması tanır; bu, daha gelişmiş, AGI benzeri davranışların bir işaretidir.
Pratik Uygulama Stratejileri
Akıl yürütme yeteneklerini uygulamak sadece istem (prompting) ile ilgili değildir; mimari değişiklikler gerektirir. Geliştiriciler artık LLM hattına sembolik çözücüler veya kod yorumlayıcıları gibi harici araçları entegre ediyor. Bu hibrit yaklaşım, LLM'nin planlama yapan "beyin" olarak hareket etmesine, özel araçların ise hesaplamaların veya kodun hassas yürütülmesini üstlenmesine olanak tanır.
Örneğin, otonom bir ajan, LLM'yi bir kullanıcı isteğini ayrıştırmak, bir plan oluşturmak, belirli bir alt problemi çözmek için Python kodu yazmak, bunu kum havuzlu bir ortamda yürütmek ve nihai cevabını iyileştirmek için çıktıyı yorumlamak için kullanabilir.
Sonuç
AGI'ya doğru olan yolculuk sadece parametreleri ölçeklendirmekle ilgili değildir; düşünce mimarisini iyileştirmekle ilgilidir. CoT, ToT ve hibrit mimariler aracılığıyla basit desen eşleştirmesinden yapılandırılmış akıl yürütmeye geçerek, sadece daha zeka değil, aynı zamanda daha güvenilir ve şeffaf AI sistemleri inşa ediyoruz. Geliştiriciler olarak, bir sonraki nesil akıllı uygulamaları oluşturmak için bu akıl yürütme paradigmalarını benimsemek esastır.