Google GPT'yi Nasıl Güçlendirdi ama OpenAI'nin AI Yarışını Kazanmasına İzin Verdi

Genel Bakış: Google GPT'yi Nasıl Güçlendirdi ama Spot Işığını Kaybetti

Google AI'ı "kaçırmadı"; aslında mevcut dalgayı mümkün kılan büyük bir parçayı icat etti—ve sonra bir başkasının bunu tanımlayan ürüne dönüştürmesine izin verdi.

Google araştırmacıları Transformer mimarisini yarattılar; GPT modellerinin arkasındaki ana fikir buydu. 2017'de yayımlanan “Attention Is All You Need” makalesi, dilin akıcı bir şekilde anlaşılması ve üretilmesi için çok büyük modelleri nasıl eğitebileceğimizi gösterdi. Bu çalışma olmasaydı, bildiğimiz şekliyle GPT var olmazdı.

OpenAI'nin başarısı sihirli yeni bir algoritma değil; bir dizi stratejik karardı: Transformer'ları çoğu kişinin pratik gördüğünden çok daha öteye ölçeklendirmek, devasa eğitim çalışmalarıyla eşleştirmek ve sonucu kullanımı kolay API'ler ve nihayetinde yüz milyonlarca insanın AI'ı somut hissetmesini sağlayan ChatGPT gibi bir tüketici ürünü olarak paketlemek.

Bu makale o seçimleri ve ödünleşmeleri ele alıyor; gizli dramlar veya kişisel kahramanlıklar üzerine değil. Google'ın araştırma kültürünün ve iş modelinin neden BERT-benzeri modellere ve aramada artımlı iyileştirmelere öncelik verdiğini, OpenAI'nin ise genel amaçlı üretken sistemlere çok daha riskli bir bahis oynadığını izliyor.

Aşağıda inceleyeceğiz:

• Google'ın erken AI üstünlüğünü ve dünya sınıfı araştırma organizasyonunu nasıl kurduğu
• Transformer makalesinin neden bir kırılım olduğu—ve gerçekte neyi değiştirdiği
• OpenAI'nin bu temeli GPT ve ChatGPT'ye nasıl dönüştürdüğü
• Ayrışan stratejiler: Google'da BERT ve arama vs OpenAI'de ölçeklenmiş GPT ve API'ler
• OpenAI'nin kamuoyunda üstün çıktığı "ChatGPT anı"
• Her iki şirketin kararlarını şekillendiren kültürel ve teşvik farklılıkları
• Google'ın Bard ve Gemini ile reset'i
• Yeniden aynı hatayı yapmamak isteyen kurucular için somut dersler

AI stratejisi—araştırmanın nasıl ürüne, ürünün nasıl kalıcı avantaja dönüştüğünü umursuyorsanız—bu hikaye en iyi makaleye sahip olmanın ötesinde neyin önemli olduğuna dair bir vaka çalışmasıdır: en net bahisleri yapmak ve göndermeye cesaret etmek.

Google'ın erken AI üstünlüğü ve araştırma kültürü

Google modern makine öğrenimine veri ölçeği ve dağıtık sistemlere optimize edilmiş mühendislik kültürü gibi iki büyük yapısal avantajla girdi. Bu altyapıyı AI'ya çevirdiğinde, alanın çekim merkezi haline hızla geldi.

Google Brain'den DeepMind'e

Google Brain 2011–2012 civarında Jeff Dean, Andrew Ng ve Greg Corrado tarafından başlatılan yan bir proje olarak ortaya çıktı. Ekip, Google veri merkezlerini kullanarak çoğu üniversitenin erişemeyeceği büyüklükte modeller eğitmeye odaklandı.

DeepMind 2014'te yüksek profilli bir satın almayla katıldı. Google Brain ürünlere ve altyapıya daha yakınken, DeepMind uzun vadeli araştırmalara yöneldi: pekiştirmeli öğrenme, oyunlar ve genel öğrenme sistemleri.

Birlikte, Google'a benzersiz bir AI motor odası verdiler: biri Google'ın üretim yığınıyla gömülü, diğeri ise aylar hatta yıllar süren araştırmalara odaklı.

AI üstünlüğünü işaret eden kilometre taşları

Bir dizi kamu zaferi Google'ın konumunu pekiştirdi:

• ImageNet atılımları: 2012 ImageNet zaferi (AlexNet) Toronto Üniversitesi'nden gelmiş olsa da, Google hızla birçok önde gelen araştırmacıyı işe aldı ve Inception gibi modellerle görsel alandaki durumu ileri taşıdı. Görüntü benchmark'ları Google'ın ölçeğini ve araçlarını sergiledi.
• AlphaGo ve takipçileri: DeepMind'in AlphaGo'nun 2016'da Lee Sedol'u yenmesi, ardından AlphaGo Zero ve AlphaZero, pekiştirmeli öğrenmenin insan müdahalesi olmadan karmaşık alanları ustalıkla öğrenebileceğini gösterdi.
• "AI-first" söylemi: 2016–2017 civarı Sundar Pichai Google'ı "AI-first şirketi" olarak adlandırdı. AI, Search, Ads, YouTube önerileri, Photos, Maps ve Android'i güçlendirdi—milyarlarca kullanıcıya dokunuyor olsa da çoğu doğrudan modelleri hiç görmedi.

Bu zaferler, en iddialı AI problemleri üzerinde çalışmak istiyorsanız Google veya DeepMind'e gitmeniz gerektiğini birçok araştırmacıya ikna etti.

Yetenek yoğunluğu bir yenilik motoru yarattı

Google, dünyanın AI yeteneklerinin olağanüstü bir kısmını bir araya topladı. Geoffrey Hinton gibi Turing Ödülü sahipleri ve Jeff Dean, Ilya Sutskever (OpenAI'ye gitmeden önce), Quoc Le, Oriol Vinyals, Demis Hassabis ve David Silver gibi kıdemli isimler az sayıda organizasyon ve binada çalışıyordu.

Bu yoğunluk güçlü geri besleme döngüleri yarattı:

• Yeni fikirler iç konuşmalar, mailing listeler ve paylaşılan kod aracılığıyla hızla yayıldı.
• Takımlar zor problemleri ad hoc şekilde çözmek için kolayca bir araya gelebiliyordu; gereken uzmanlık genellikle dahili bir ping uzaklığındaydı.
• Araştırmacılar üretim düzeyinde altyapıdan—veri hatları, dağıtık eğitim sistemleri ve özel donanım—yararlandı, her şeyi kendileri kurmak zorunda kalmadılar.

Elit yetenek ve ağır altyapı yatırımı birleşimi, Google'ı sınırdaki AI araştırmalarının sıkça kaynağı yaptı.

Makalelere ve platformlara odaklı bir kültür

Google'ın AI kültürü, cilalı tüketici AI ürünlerinden çok yayınlama ve platform inşa etme eğilimindeydi.

Araştırma tarafında normlar şunlardı:

• NeurIPS, ICML ve ICLR gibi konferanslarda yayın yapmak.
• TensorFlow gibi şirket içi sistemleri yansıtan açık kaynak araçlar yayınlamak.
• Görüntü, dizilim modelleme, pekiştirmeli öğrenme ve büyük ölçekli eğitim üzerine etkili makaleler yayımlamak.

Mühendislik tarafında Google altyapıya kaynak aktardı:

• Neural ağ iş yüklerine özel Tensor Processing Unit (TPU) donanımları.
• Borg gibi iç sistemlerden ilham alan sofistike eğitim ve sunum yığınları.
• Gerçek trafik üzerinde devasa çalışmaları kolaylaştıran veri ve deney platformları.

Bu seçimler Google'ın temel işleriyle yüksek düzeyde uyumluydu. Daha iyi modeller ve araçlar doğrudan Search alaka düzeyini, reklam hedeflemesini ve içerik önerilerini geliştirdi. AI bir genel yetenek katmanı olarak ele alındı; tek başına bir ürün kategorisi olarak değil.

Sonuç, AI bilimi ve altyapısında domine eden, bunu mevcut hizmetlere derinlemesine entegre eden ve ilerlemelerini etkili araştırmalarla yayınlayarak duyuran ama yeni, tüketici odaklı AI deneyleri yaratma konusunda temkinli davranan bir şirket oldu.

Transformer'ın doğuşu: Google'ın kırılma makalesi

2017'de küçük bir Google Brain ve Google Research ekibi sessizce alanı yeniden şekillendiren bir makale yayımladı: “Attention Is All You Need” (Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan Gomez, Łukasz Kaiser ve Illia Polosukhin).

Temel fikir basit ama radikaldı: tekrar (recurrence) ve konvolüsyonları atıp sadece attention kullanan dizilim modelleri kurabilirsiniz. Bu mimariye Transformer denildi.

Transformer, RNN ve LSTM'lerin neyi düzeltti

Transformer'dan önce en iyi dil sistemleri RNN ve LSTM tabanlıydı. İki büyük sorunları vardı:

• Sıralı darboğaz: RNN'ler tokenları tek tek işler; eğitim ve çıkarım paralelleştirilemez. GPU'lar önceki adımın bitmesini beklerken atıl kalır.
• Uzun menzilli bağımlılıklar: Diziler uzadıkça RNN'lerin birçok adım önceki bilgiyi hatırlaması zorlaşır, LSTM ve ek attention katmanlarına rağmen.

Transformer her ikisini de çözdü:

• Self-attention her tokenın tek bir katmanda doğrudan diğer tüm tokenlara "bakmasını" sağlar.
• Model tüm tokenları paralel işler; eğitim GPU dostu matris çarpımı problemlerine dönüşür.
• Multi-head attention modelin bağlamın farklı "görünümlerini" (sözdizim, referans, konu vb.) eş zamanlı öğrenmesini sağlar.

Pozisyon bilgisi positional encodings ile eklenir; böylece sıra bilgisi yine de bilinmiş olur.

Neden bu, ölçeklenebilir ve multimodal modellerin önünü açtı

Tüm işlemler paralelleştirilebilir ve yoğun matris çarpımlarına dayandığı için Transformers temiz şekilde ölçeklenir. Bu ölçeklenme özelliği GPT, Gemini ve diğer sınır modellerin bel kemiğidir.

Aynı attention mekanizması metnin ötesine genellenebilir: görüntü yama'larına, ses çerçevelerine, video token'larına uygulanabilir. Bu mimariyi çok modlu modeller için doğal bir temel yaptı.

Açık yayın ve GPT'ye giden yol

Kritik olarak, Google makaleyi açıkça yayımladı ve Tensor2Tensor gibi takip çalışmalarıyla mimariyi yeniden üretmeyi kolaylaştırdı. Araştırmacılar ve girişimler dünya çapında detayları okuyup tasarımı kopyalayabildi ve ölçeklendirebildi.

OpenAI tam da bunu yaptı. GPT‑1 mimari olarak bir Transformer decoder yığını ve bir dil modelleme hedefi idi. GPT'nin doğrudan teknik atası Google'ın Transformer'ıdır: aynı self-attention blokları, aynı positional encoding'ler, aynı ölçek bahisleri—ancak farklı bir ürün ve organizasyon bağlamında uygulandı.

Transformer'dan GPT'ye: OpenAI bunun üstüne nasıl inşa etti

OpenAI GPT'yi başlattığında, sıfırdan yeni bir paradigma icat etmiyordu. Google'ın Transformer planını alıp çoğu araştırma grubunun gitmeye cesaret edemeyeceği ya da olanak bulamayacağı kadar ileri taşıyordu.

Transformer'ları GPT'ye dönüştürmek

Orijinal GPT (2018) esasen uzun metin dizilerinde sonraki tokeni tahmin eden basit bir hedefle eğitilmiş bir Transformer decoder'ıydı. Bu fikir doğrudan Google'ın 2017 Transformer mimarisine dayanıyordu; Google çeviri benchmark'larına odaklanırken, OpenAI "ölçeklenmiş sonraki kelime tahmini"ni genel amaçlı bir metin üreticinin temeli olarak gördü.

GPT-2 (2019) aynı tarifi 1.5B parametreye ve çok daha büyük bir web korpusuna ölçeklendirdi. GPT-3 (2020) 175B parametreye sıçradı, trilyonlarca token üzerinde büyük GPU kümelerinde eğitildi. GPT-4 bu paterni daha da ilerletti: daha fazla parametre, daha fazla veri, daha iyi kürasyon ve hesaplama; konuşma biçimli, kullanışlı bir model için RLHF gibi güvenlik katmanlarıyla sarıldı.

Bu ilerleme boyunca algoritmik çekirdek Google'ın Transformer'ına yakındı: self-attention blokları, positional encoding'ler ve katmanlı yapı. Atılım, amansız mühendislik ve saf ölçekti.

Ölçek bir deney değil stratejiydi

Google'ın erken dil modelleri (ör. BERT) anlayış görevlerine—sınıflandırma, arama sıralaması, soru-cevap—yönelirken, OpenAI açık uçlu üretim ve diyalog için optimize etti. Google makaleler yayıp bir sonraki makaleye geçerken, OpenAI tek bir fikri bir ürün hattına dönüştürdü.

OpenAI, Google, DeepMind ve akademik laboratuvarlardan gelen açık araştırmaları doğrudan absorbe etti: Transformer varyantları, optimizasyon püf noktaları, öğrenme oranı taktikleri, ölçek yasaları ve daha iyi tokenizasyon. Sonra OpenAI bu kamu sonuçlarını aldı ve tescilli eğitim çalışmaları ve altyapıya ağır yatırımlar yaptı.

Entellektüel kıvılcım—Transformers—Google'dan geldi. Bu fikri ölçeklendirmeye, bir API sunmaya ve tüketici sohbet ürününe yönelmek ise OpenAI'indi.

Google neden BERT ve aramayı GPT tarzı ürünlerin önüne koydu

Google'ın derin öğrenmeyle erken ticari başarısı, ana para makinesi—arama ve reklamlari—daha akıllı hale getirmekten geldi. Bu bağlam, Transformer gibi yeni mimarileri nasıl değerlendirdiğini şekillendirdi. Arama ve reklamlara açık fayda sunan modelleri tercih etti; BERT mükemmel uyum sağlıyordu.

BERT arama için "native" Transformer olarak

BERT (Bidirectional Encoder Representations from Transformers) encoder-only bir modeldir ve masked language modeling ile eğitilir: cümlenin parçaları gizlenir, model eksik tokenleri her iki taraftaki tam bağlamı kullanarak tahmin eder.

Bu eğitim hedefi Google'ın problemleriyle neredeyse kusursuz uyum sağladı:

• Sorgu anlama: Arama sorguları kısa, dağınık ve belirsizdir. BERT'in çift yönlü bağlamı "bank near me with no monthly fee" veya "how to appeal parking ticket nyc" gibi sorguları daha nüanslı yorumlamayı sağladı.
• Belge anlama: Milyarlarca sayfayı sıralamak ince bir semantik benzerlik gerektirir. BERT gömme vektörleri, sorguları sayfalara değil pasajlara daha iyi eşleştirmeye yardımcı oldu.
• Kalite ve spam tespiti: Masked LM, bağlam dışı veya alakasız metni tespit etmede doğası gereği iyidir.

Önemli olarak, encoder tarzı modeller Google'ın mevcut retrieval ve sıralama yığınına rahatça uyuyordu. Bunlar yüzlerce başka özellikle birlikte bir alaka sinyali olarak çağrılabiliyordu; böylece aramayı yeniden yazmadan iyileştirme sağlandı.

Masked language modeling'in iş modeline uyumu

Google yanıtların güvenilir, izlenebilir ve paraya dönüştürülebilir olmasını ister:

• Güvenilir: Arama sonuçlarının gerçek sayfalara ve kaynaklara dayanması gerekir. Masked LM modeli dili anlamaya eğitir; uzun uydurma çıktılar üretmeye değil.
• İzlenebilir: Her sonuç bir yayıncıya bağlanır; kullanıcıların bilgiyi doğrulaması mümkün olur.
• Paraya dönüştürülebilir: Arama reklamları sıralı bağlantılar etrafında kolayca yerleşir. Daha iyi alaka, daha yüksek tıklama oranı ve daha yüksek gelir anlamına gelir.

BERT üçünü de arama UI'sını veya reklam modelini bozmadan iyileştirdi. GPT tarzı autoregresif jeneratörler ise mevcut iş modeline daha az belirgin ve doğrudan değer sundu.

İç risk hesabı: güvenlik, yanlış bilgi ve marka

Serbest biçimli üretim keskin iç endişeler doğurdu:

• Yanıltıcı bilgiler ve halüsinasyonlar: Üretken modeller kendinden emin bir şekilde uydurabilir. Bir otorite olarak görülen bir şirket için bu doğrudan marka riski demek.
• Zararlı içerik: Filtresiz üretim toksik, önyargılı veya tehlikeli metin üretebilir.
• Düzenleyici maruziyet: Rekabet ve içerik düzenlemesi ısındıkça, küresel, açık uçlu bir sohbet botu piyasaya sürmek cazip bir hedef haline geliyordu.

Politika incelemelerini geçen iç kullanımlar genellikle yardımcı ve sınırlı oluyordu: Gmail otomatik tamamlama, akıllı cevaplar, çeviri ve sıralama iyileştirmeleri. Encoder modeller sınırlandırılması, izlenmesi ve gerekçelendirilmesi daha kolaydı.

Yemeğinin kanibalize edilmesi korkusu: arama inekini öldürme

Google'ın çalışır durumda sohbet ve üretken prototipleri olduğunda bile temel soru: Mükemmel doğrudan cevaplar arama sorgularını ve reklam tıklamalarını azaltır mı? oldu.

Bir sohbet deneyimi tek seferde tam bir cevap verirse kullanıcı davranışı değişir:

• Harici sitelere daha az tıklama → yayıncılar kızar, web ekosistemi zayıflar
• Geleneksel arama reklamları için daha az boşluk ve niyet → gelir belirsizliği

Liderliğin içgüdüsü AI'yı aramayı güçlendirici bir unsur olarak entegre etmek, onu değiştirmek değil oldu. Bu da BERT'in geldiği yöne uydu—sıralama, zengin snippet'ler ve daha anlamlı sonuçlar—ancak GPT tarzı bir sohbet ürününe yönelik agresif yatırımın önünü kapadı.

Bu seçimlerin kamuya yönelik üretken ürünleri yavaşlatma etkisi

Her bir karar mantıklıydı:

• Aramayı ve reklam metriklerini doğrudan iyileştiren modellere öncelik verin
• Güvenlik, güvenilirlik ve düzenleyici temkinliliğe öncelik verin
• Arama deneyimi ve para kazanma modelini koruyun

Topluca, Google kamuya yönelik GPT‑tarzı ürünlerin ürünleştirilmesine az yatırım yaptı. Araştırma ekipleri büyük decoder modelleri ve diyalog sistemlerini keşfetti, ama ürün ekiplerinin bir sohbet botunu piyasaya sürme konusunda güçlü teşvikleri yoktu: bu bot

• Temel arama KPI'larını açıkça iyileştirmiyordu
• Reklam gelirini ve yayıncı ilişkilerini tehdit ediyordu
• Önemli güvenlik ve PR riskleri getiriyordu

OpenAI ise arama imparatorluğunu koruma zorunluluğu olmayan zıt bir bahis yaptı: kusurları olsa bile yüksek kapasiteli, açık erişimli sohbet arayüzünün büyük ölçekli talep yaratacağına inandı. Google'ın BERT ve arama uyumuna odaklanması, tüketiciye dönük üretken araçlarda geç kalmasına yol açtı ve ChatGPT'nin kategoriyi ilk tanımlamasına zemin hazırladı.

OpenAI: ölçeğe, API'lere ve tüketici sohbet deneyimlerine bahis

Araştırma laboratuvarından sınırlı kâr modeline

OpenAI 2015'te kâr amacı gütmeyen bir araştırma laboratuvarı olarak kuruldu. İlk yıllarda Google Brain veya DeepMind'e benziyordu: makaleler yayınlamak, kod paylaşmak ve bilimi ilerletmek.

2019'a gelindiğinde, sınır modellerin milyarlarca dolarlık hesaplama ve mühendislik gerektireceği anlaşıldı. Tamamen kâr amacı gütmeyen bir kuruluş bunun için fon toplamada zorlanabilirdi. Çözüm: OpenAI LP adında, kârı sınırlı (capped-profit) bir yapı oluşturmak oldu.

Yatırımcılar bir sınır dahilinde getiri elde edebiliyor; yönetim kurulu ise AGI'nin geniş fayda sağlama misyonunu korudu. Bu yapı, büyük finansman ve bulut hesaplama anlaşmaları yapmayı mümkün kıldı.

Ölçek ana hipotez olarak

Pek çok laboratuvar incelikli mimariler veya özel sistemler üzerinde optimize ederken, OpenAI kaba ama net bir bahis yaptı: çok büyük, genel amaçlı dil modellerinin veri, parametre ve hesaplama ölçeği artınca beklenmedik derecede yetenekli olabileceği.

GPT‑1, GPT‑2 ve GPT‑3 basit bir formülü takip etti: çoğunlukla standart Transformer mimarisi, ama daha büyük, daha uzun eğitilmiş ve daha çeşitli metinlerle. Görevler için ayrı modeller yerine prompting ve fine‑tuning ile "bir büyük model, birçok kullanım" yaklaşımına dayandılar.

Bu sadece araştırma duruşu değil, iş stratejisiydi: tek bir API binlerce kullanım durumunu besleyebilirse OpenAI bir platform haline gelirdi.

API‑öncelikli: modelleri platforma dönüştürmek

2020'de piyasaya sürülen GPT‑3 API bu stratejiyi somutlaştırdı. Ağır on‑prem yazılım veya dar kapsamlı kurumsal ürünler yerine OpenAI basit bir bulut API'si sundu:

• Metin gönderin, model çıktısı alın.
• Token başına ödeme.
• Üzerine dilediğiniz şeyi inşa edin.

Bu yaklaşım, girişimler ve işletmelerin UX, uyumluluk ve alan bilgisiyle ilgilenmesine; OpenAI'nin ise daha büyük modeller eğitme ve uyumlamaya odaklanmasına izin verdi.

API ayrıca erken dönemde net bir gelir motoru yarattı. OpenAI, kusursuz ürünleri beklemek yerine ekosistemin kullanım durumlarını keşfetmesine izin verdi ve böylece onlar adına ürün AR‑GE'si yapılmış oldu.

Kusurlu ürünleri göndermeye istekli olmak

OpenAI sürekli olarak modelleri tam olarak cilalanmadan göndermeyi seçti. GPT‑2 güvenlik endişeleriyle kademeli yayımlandı; GPT‑3 kontrollü bir betayla piyasaya girdi ve bariz kusurlar—halüsinasyonlar, önyargı, tutarsızlık—vardı.

Bu yaklaşımın en net ifadesi 2022 sonlarında çıkan ChatGPT oldu. En gelişmiş modellerden biri değildi ve çok rafine de değildi. Ama sunduğu şeyler şunlardı:

• Neredeyse herkesin anlayacağı basit bir sohbet arayüzü.
• Başlangıçta ücretsiz erişim, geniş deney daveti.
• Gerçek kullanıcı konuşmalarına dayalı hızlı bir iterasyon döngüsü.

OpenAI modeli özelde sonsuzca ayarlamak yerine kamuyu devasa bir geri besleme motoru olarak kullandı. Koruyucular, moderasyon ve UX haftadan haftaya gerçek kullanım verileriyle evrildi.

Microsoft ile stratejik ortaklık ve hesaplama erişimi

OpenAI'nin ölçek bahsi devasa hesaplama bütçeleri gerektiriyordu. Microsoft ortaklığı burada belirleyiciydi.

2019'da başlayan ve yıllar içinde derinleşen işbirliği Microsoft'a:

• OpenAI LP'ye çok milyar dolarlık yatırımlar,
• Modellerin Azure'da özel barındırılması,
• Bing Chat ve Copilot gibi ürünlerde ortak pazarlama imkânı sağladı.

OpenAI için bu, kendi bulutunu inşa etme veya finanse etme yükünü ortadan kaldırdı. Microsoft içinse Azure'ı farklılaştırmanın ve Office, GitHub, Windows ve Bing'i hızla AI ile donatmanın yolu oldu.

Geri besleme döngüsü: kullanıcılar → veri → gelir → daha büyük modeller

Tüm bu seçimler—ölçek, API‑öncelik, tüketici sohbeti ve Microsoft anlaşması—pekiştirici bir döngüye dönüştü:

1. Daha iyi modeller geliştiricileri ve kullanıcıları çekti.
2. API'ler ve ChatGPT entegrasyonu ve denemeyi kolaylaştırdı.
3. Kullanım gelir üretti; daha büyük eğitim koşularını finanse etti.
4. Gerçek dünya etkileşimleri ince ayar ve RLHF için değerli veri sağladı.
5. Güncellenen modeller yeni özellikleri güçlendirdi ve daha fazla kullanıcı çekti.

OpenAI araştırma makalesi veya temkinli iç pilotların ötesinde, kullanıcıları, veriyi ve nakit akışını hızla ölçekleyerek ilerlemeyi hedefledi.

ChatGPT şoku: OpenAI Google'ı ürün sahnesinde geride bıraktı

OpenAI 30 Kasım 2022'de ChatGPT'yi başlattığında, basit bir araştırma ön izlemesi gibi görünüyordu: tek bir sohbet kutusu, ücret duvarı yok ve kısa bir blog yazısı. Beş gün içinde bir milyon kullanıcıyı aştı. Haftalar içinde Twitter, TikTok ve LinkedIn ekran görüntüleri ve kullanım örnekleriyle doldu. İnsanlar tek bir araçla makaleler yazıyor, kod hata ayıklıyor, yasal e-postalar taslaklıyor ve iş fikirleri beyin fırtınası yapıyordu.

Ürün "Transformer tabanlı bir dil modelinin demosu" olarak değil, sadece: "Her şeyi sor. Bir cevap al." olarak sunuldu. Bu netlik teknolojiyi uzman olmayanlar için anında okunur hale getirdi.

Google içindeki şok

Google içinde reaksiyon hayranlık değil alarm seviyesindeydi. Liderlik bir "code red" ilan etti. Larry Page ve Sergey Brin ürün ve strateji tartışmalarına geri çağrıldı. Yıllardır konuşma üzerine çalışan ekipler yoğun incelemeye tabi oldu.

Mühendisler Google'ın ChatGPT'ye yaklaşık yeteneklerde sistemleri olduğunu biliyordu. LaMDA, PaLM ve önceki Meena gibi modeller iç benchmark'larda akıcı konuşma ve muhakeme gösteriyordu. Ama bunlar kapalı araçlar, güvenliğe tabi demolar veya iç prototipler olarak kalmıştı.

Dışarıdan bakıldığında Google'ın hazırlıksız olduğu izlenimi hakim oldu.

ChatGPT vs LaMDA: benzer teknoloji, farklı ürün

Teknik olarak ChatGPT ile Google'ın LaMDA'sı kardeş sayılır: diyalog için ince ayar yapılmış büyük Transformer tabanlı dil modelleri. Fark esas olarak ürün kararlarındaydı.

OpenAI:

• Tek, temiz bir arayüz gönderdi
• Gerçek dünyadaki kusurları kabul edip iterasyon yaptı
• Milyonlarca konuşmadan öğrenmek için RLHF'a ağır yatırım yaptı

Google:

• LaMDA'yı kısıtlı demoların arkasına koydu
• Riskten kaçınma ve itibar koruma üzerine optimize etti
• Araştırma prototiplerini geniş, tüketiciye yönelik ürünlere dönüştürmekte zorlandı

Bard'ın aceleci çıkışı ve kamu hataları

Baskıyı azaltmak için Google Şubat 2023'te Bard'ı duyurdu. Önizleme demo ChatGPT'nin konuşma sihrini taklit etmeye çalıştı.

Ancak öne çıkarılan bir cevap—James Webb Uzay Teleskobu keşifleriyle ilgili—yanlış çıktı. Hata dakikalar içinde fark edildi, Google'ın pazarlama materyalinde yer aldı ve bir günde Alphabet'in piyasa değerinden milyarlar götürdü. Bu olay acı bir anlatıyı pekiştirdi: Google geç kalmış, endişeli ve dikkatsizdi; OpenAI kendinden emin ve hazır görünüyordu.

Acı ironiydi: Model halüsinasyonları ve yanlış bilgiler dil modellerinde iyi bilinen sorunlardı. Fark, OpenAI'nin bunu kullanıcıların zihninde zaten bir "araştırma önizlemesi" ve uyarılarla normalleştirmiş olmasıydı. Google ise Bard'ı cilalı, yüksek riskli bir lansman olarak sundu ve basit bir gerçekle tökezledi.

Hız, UX ve anlatı: OpenAI'nin yürütme üstünlüğü

ChatGPT'nin Google içi sistemlere karşı üstünlüğü sadece daha büyük model veya daha yeni algoritma değildi. Hızlı yürütme ve deneyimin netliği öndeydi.

OpenAI:

• Bir araştırma hattını tek, viral bir ürüne dönüştürdü
• Kamu betası zihniyetini benimsedi: "dene, kır, bize bildir"
• İnsanların zaten metinle yaptıklarını doğrudan yansıtan bir UX tasarladı: sor, cevap al, yinele

Google daha yavaş hareket etti, sıfır hata hedefiyle optimize oldu ve Bard'ı bir öğrenme aşaması yerine parlak bir lansman olarak çerçeveledi. Bard kullanıcılara ulaşana kadar ChatGPT kullanıcıların günlük alışkanlığı olmuştu.

Google içindeki şok sadece OpenAI'nin iyi bir AI'ye sahip olması değildi; çok daha küçük bir organizasyonun Google'ın katkıda bulunduğu fikirleri alıp, insanlar tarafından sevilen bir ürüne dönüştürmesi ve kimin AI'a liderlik ettiği algısını haftalar içinde yeniden tanımlamasıydı.

Kültür, teşvikler ve risk: Google vs OpenAI

Google ve OpenAI benzer teknik temellerden başlasa da organizasyonel gerçeklikleri çok farklıydı. Bu fark GPT tarzı sistemlerle ilgili hemen her kararı şekillendirdi.

Teşvikler: nakit makinesi vs hayatta kalma modu

Google'ın temel işi arama ve reklamlardır; bu motor öngörülebilir, büyük nakit akışları sağlar ve kıdemli teşviklerin çoğu bunu korumaya bağlıdır.

Güçlü bir konuşma modelinin:

• reklam gösterimlerini azaltması,
• soruları doğrudan yanıtlayarak aramayı azaltması,
• ve güveni sarsacak halüsinasyonlar üretmesi

tehlikelerinin olduğu görüldü. Varsayılan tutum temkin oldu. Yeni bir AI ürünü, arama veya marka güvenliğine zarar vermeyeceğini kanıtlamalıydı.

OpenAI'de ise nakit ineği yoktu; varlıklarının sürmesi için değerli modeller göndermek, geliştirici ilgisini kazanmak ve büyük hesaplama anlaşmaları imzalamak gerekiyordu. Başlatmamanın riski, erken başlatmanın riskinden daha ağır geldi.

Kültür: risk toleransı ve PR hassasiyeti

Google antitröst incelemeleri, gizlilik mücadeleleri ve küresel düzenlemelerle yaşamıştı. Bu geçmiş:

• PR, politika ve hukuk ekiplerinin güçlü veto gücü olmasına,
• güvenlik incelemelerinin uzun sürmesine,
• itibar hasarının en üst düzey risk olarak görülmesine

neden oldu.

OpenAI güçlü modellerin kamu önünde dağınık olacağını kabul etti. Koruma önlemleri vardı ama ürün riski kabul etme toleransı çok daha yüksekti.

Yapı ve hız: komiteler vs yetki yoğunluğu

Google'da büyük lansmanlar birçok komite onayından, çapraz organizasyon imzalarından ve karmaşık OKR müzakerelerinden geçer. Bu, Search, Ads, Cloud ve Android'i kesen ürünleri yavaşlatır.

OpenAI kararları küçük bir liderlik grubunda ve odaklanmış bir ürün ekipinde yoğunlaştırdı. ChatGPT, fiyatlandırma ve API yönü gibi kararlar hızlı alınabildi ve gerçek kullanım verisine göre ayarlandı.

Araştırma tek başına yeterli olmadığında

Yıllarca Google'ın avantajı en iyi makaleleri yayımlamak ve en güçlü modelleri eğitmekti. Ama başkaları araştırmayı çoğaltabildiğinde üstünlük ürün tarafına kaydı:

• ürün tasarımı
• geliştirici deneyimi
• veri geri besleme döngüleri
• pazar hızı

OpenAI modelleri bir ürün zemini olarak gördü: API, sohbet arayüzü, kullanıcılardan öğrenme ve sonraki model jenerasyonuna geri besleme. Google ise en yetenekli sistemlerinin çoğunu iç araçlar veya dar demolar olarak tuttu. Ürünleştirmede geç kalındığında OpenAI zaten GPT etrafında alışkanlıklar, beklentiler ve bir ekosistem oluşturmuştu.

Fark, Transformer'ları kim daha iyi anladığı değil; kim o anlayışı yüz milyonlarca kişinin önüne koyacak şekilde yapılandırıldığıydı.

Teknik inovasyon vs ürün inovasyonu: kim ne yaptı

Google: teknik motor

Teknik tarafta Google hâlâ güç merkezi. Altyapıda lider: özel TPU'lar, gelişmiş veri merkezi ağları ve büyük modeller eğitmenin rutin hale gelmesini sağlayan iç araçlar.

Google araştırmacıları mimariler (Transformer, attention varyantları, mixture-of-experts, retrieval-augmented modeller), ölçek yasaları ve eğitim verimliliğinde öncülük etti. Modern büyük ölçekli ML'yi tanımlayan pek çok makale Google veya DeepMind'dan çıktı.

Ancak bu inovasyonun çoğu dokümanlarda, iç platformlarda ve arama, reklam ve Workspace gibi dar kapsamlı özelliklerde kaldı. Kullanıcılar tek bir büyük "AI ürünü" yerine birçok küçük iyileştirme gördü.

OpenAI: ürün ve platform motoru

OpenAI farklı bir yol izledi. Teknik olarak başkalarının yayımladığı fikirlerin üzerine inşa etti; avantajı bu fikirleri tek, net ürün hattına dönüştürmekti:

• Bir amiral gemisi deneyim: ChatGPT, kurulumsuz ve açık uçlu kullanım.
• Bir ana platform: API, sabit uç noktalar ve öngörülebilir fiyatlandırma.
• Geliştiriciler için tek bir anlatı: modeli fonksiyon gibi çağır—basit ve anlaşılır.

Bu paketleme ham model kabiliyetini insanların hızlıca benimseyebileceği bir şeye dönüştürdü. Google güçlü modelleri farklı marka ve yüzeyler altında sundu; OpenAI ise birkaç isim ve akışa odaklanarak dikkat çekti.

Dağıtım, saf teknik liderliği yener

ChatGPT patladığında OpenAI, Google'ın daha önce sahip olduğu bir şeyi kazandı: varsayılan zihin payı. Geliştiriciler varsayılan olarak OpenAI üzerinde denedi, öğreticiler onun API'sine göre yazıldı ve birçok girişim "GPT üzerine inşa edilmiş" ürünler olarak sunuldu.

Altta yatan model kalitesi farkı—varsa bile—dağıtım farkının yanında gölgede kaldı. Google'ın teknik üstünlüğü ve araştırma motoru otomatik olarak pazar liderliğine dönüşmedi.

Ders: bilimi kazanmak yeterli değil. Net bir ürün, fiyatlandırma, anlatı ve entegrasyon yolu yoksa en güçlü araştırma motoru bile odakta olmayan bir oyuncu tarafından geride bırakılabilir.

Uyanış sonrası: Bard, Gemini ve Google'ın AI reset'i

ChatGPT Google'ı ürün yürütmede geride bıraktığını gösterince şirket kamuya açık bir "code red" başlattı. Ardından hızlandırılmış, bazen dağınık ama gerçek bir strateji reseti geldi.

Bard'dan Gemini'ye: reset'i kabullenmek

Google'ın ilk cevabı Bard oldu—LaMDA üzerine inşa edilmiş ve sonra PaLM 2'ye yükseltilen bir sohbet arayüzü. Bard aceleyle ve temkinli bir şekilde hissediliyordu: sınırlı erişim, yavaş yayılma ve net ürün kısıtları.

Gerçek reset Gemini ile geldi:

• Gemini Ultra, Pro, Nano: bulut, tüketici ve cihaz içi kullanım için tutarlı bir model ailesi
• Bard'ın Gemini (ve Gemini Advanced) olarak yeniden markalanması; deneysel dönemden temiz bir kopuş sinyali
• Gemini'yi Google ürünleri genelinde merkezî AI markası yapma taahhüdü

Bu değişim Google'ı "sohbet botlarını deneyen arama şirketi" konumundan "amiral gemisi model ailesine sahip AI-odaklı platform" konumuna taşıdı—her ne kadar algı OpenAI'nın önünden başlamış olsa da.

Gemini'yi Google ürünlerine örmek

Google'ın gücü dağıtımdadır; reset bu gücü kullanıcıların zaten bulunduğu yerlere entegre etmeye odaklandı:

• Search: Sorguları doğrudan yanıtlayan Search Generative Experience ve AI Özetleri
• Workspace: Gmail, Docs, Sheets, Slides ve Meet için Gemini asistanları; taslak, özet ve analiz özellikleri
• Android: Gizlilik odaklı görevler için Nano gibi cihaz içi modeller ve sistem seviyesinde asistan entegrasyonu
• Chrome: Tarayıcı içinde yazma yardımı, sekme düzenleme ve geliştirici özellikleri

Strateji: OpenAI yenilik ve marka kazanımında öne çıktıysa, Google hâlâ varsayılan varlık ve günlük iş akışlarına sıkı entegrasyonla yanıt verebilir.

Güvenlik, yönetişim ve kontrollü açıklık

Google erişimi genişletirken AI İlkeleri ve güvenlik duruşuna sıkı sarıldı:

• Yüksek kapasiteli modelleri yayımlamadan önce kapsamlı red-teaming ve değerlendirme
• Bölge bazlı kademeli açılımlar; bazı özelliklerin yaş ve hesap türüne göre sınırlandırılması
• Alignment araştırmasına, içerik filtrelerine ve reddetme davranışlarına yatırım
• Görsel/multimedya için su işaretleme ve kaynak gösterme çalışmaları

Bu takas: güçlü koruyucular ve daha yavaş deneyleme vs OpenAI'nin daha hızlı iterasyonu ve ara sıra kamuya açık hatalar.

Google gerçekten yetişti mi?

Model kalitesi açısından Gemini Advanced ve üst seviye Gemini modelleri birçok benchmark ve geliştirici raporunda GPT-4 ile rekabet edebilir görünüyor. Bazı multimodal ve kodlama görevlerinde Gemini önde; bazılarında GPT-4 halen çıtayı belirliyor.

Google'ın geride olduğu alanlar:

• Zihin payı: ChatGPT birçok kullanıcı için AI'ın referans noktası olmaya devam ediyor
• Ekosistem: OpenAI API ve eklenti/araç ekosistemi daha erken olgunlaştı

Google'ın karşı ağırlığı ise muazzam dağıtım (Search, Android, Chrome, Workspace) ve derin altyapısıdır. Bunları hızla hoş deneyimlere dönüştürebilirse algı farkını kapatabilir veya tersine çevirebilir.

Tek bir galip yok, çok kutuplu bir gelecek

Reset artık Google vs OpenAI ötesinde bir alanda gerçekleşiyor:

• OpenAI: tüketici zihin payı, hızlı iterasyon, güçlü geliştirici ekosistemi
• Google: altyapı, veri, dağıtım ve Gemini entegrasyonları
• Açık kaynak: Meta Llama, Mistral ve başkaları: hızlı, ucuz ve birçok kullanım için yeterince iyi
• Anthropic ve başkaları: güvenlik ve dikey farklılaşma üzerine

Google geç kaldığını kabul edip ciddi bir reset yaptı; bu onu artık üretken AI anından tamamen koparmıyor. Gelecek muhtemelen çok oyunculu: tek kazanan yok, inovasyon ve ürün hızını belirleyecek çok sayıda güçlü oyuncu var.

Bu, kurucular için birkaç güçlü sağlayıcı, güçlü açık model seçenekleri ve sürekli atılma-ödünleşme (leapfrogging) varsayarak strateji tasarlamak anlamına geliyor—tek bir AI yığınına veya markasına tüm bahisleri bağlamak yerine.

Kurucular için kilit dersler: Google'ın hatasını tekrar etmeyin

Google, kırılmayı icat edip yine de değerin ilk büyük dalgasını kaybedilebileceğini gösterdi. Ders hayranlık duymak değil; bunu tekrar etmemektir.

1. Makale değil ürün gönderin

Her büyük araştırma sonucunu bir ürün hipotezi olarak ele alın.

• Her büyük buluş için doğrudan sorumlu bir ürün sahibi atayın.
• Haftalar içinde somut bir kullanıcı problemi ve dar kapsamlı v1 deneyimi tanımlayın.
• Bir süre sonra varsayılan sonuç şu olsun: gerçek kullanıcılara lansman yapılsın; 1.000 kullanıcı bile olsa.

Yeterince önemli bir sonuç yayınlanmaya değerse, müşteriye yönelik prototiplenmeye de değerdir.

2. Teşvikleri gönderilen etkiyle hizalayın

İnsanlar ödüllendirildikleri şeyi yaparlar.

• Terfiler ve prestij yalnızca atıflara değil, gönderilen kullanıcı etkisine bağlı olsun.
• Riskli bir fikri üretime taşıyan çapraz fonksiyonel ekipleri kutlayın.
• Deney ve lansman kararında tek elden liderlik yetkisi verin; kararlar komitelerde ölmemeli.

3. Yeni primitifler üzerine belirgin ürün bahisleri yapın

Transformer gibi derin bir fikir bulduğunuzda:

• 1–2 amiral gemisi ürün belirleyin.
• Takım ve bütçeyi 12–24 ay ayırın.
• Miras ürünlerle çakışmayı ve hatta rekabeti kabul edin—bazen upside daha büyüktür.

4. Güvenliği gerçek dünya öğrenmesiyle dengeleyin

Marka ve güvenlik kaygıları geçerli; ama bunları sürekli gecikme gerekçesi yapmak da yanlıştır.

Kademeli risk modeli oluşturun:

• Sağlık, finans ve seçim gibi yüksek riskli alanlarda sıkı kapılar.
• Düşük riskli, açıkça etiketlenmiş deneyler erken yayınlansın; izleme ve kill-switch'ler olsun.

Belirsizliği beklemek yerine kontrollü maruz kalma tasarlayın.

5. Etkinleştirdiğiniz platforma sahip çıkın

Google başkalarının GPT tarzı sistemler inşa etmesine imkan veren fikirleri ve araçları açtı; sonra büyük kısmını kenarda izledi.

• Mümkün olanın en yüksek seviyesini gösteren bir referans ürün oluşturun.
• API'leri erken sunun, ama aynı zamanda birinci taraf bir vitrin deneyimi tutun ve ona acımasızca yineleyin.
• Dış geliştiricileri ortak olarak görün, ancak tek başına onların kullanıcı ihtiyaçlarını çözeceğine güvenmeyin.

6. "Makaleden ürüne" yolunu kurumsallaştırın

Tek bir vizyoner lidere veya kahraman takıma bağlı kalmayın.

• Standart bir boru hattı oluşturun: fikir → iç demo → sınırlı pilot → genel lansman.
• En iyi araştırma çıktılarını ürünlere veya API'lere dönüştürmekle görevli özel bir grup kurun.
• Kıdemli araştırmacıları ürün liderliği rollerine döndürün ki yetenekleri uygulama sahipliğine dönüşsün.

7. Kendi teknolojinizle şaşırmaya hazır olun

Google'ın en büyük eksiği, kendi keşiflerinin tüketicinin elinde neler yapabileceğini hafife almaktı.

• Bir atılımın iç yüzey alanının şirket içinden görüldüğünden daha büyük olduğunu varsayın.
• Kullanıcıların gösterdiği şaşırtıcı, dağınık ve yüksek değerli kullanımları erken görün.
• Bu kullanımlar orijinal yol haritanızla çelişiyorsa yol haritasını pivotlamaya istekli olun.

Gelecekteki kırılmalar—ister modellerde, ister arayüzlerde, ister yeni hesaplama pratiklerinde olsun—dünyaya bunları hızla gönderip sahibi olan ekipler tarafından ticarileştirilecektir. Makaleyi yazan değil; ürünü sahiplenen organizasyon bir sonraki dalgayı kontrol eder.