Ray Kurzweil'in AGI Zaman Çizelgesi: On Yılları Nasıl Tahmin Ediyor?

Kurzweil'in AGI tahminleri neden önemli?

Kurzweil'in AGI tahminleri önemlidir çünkü yapay zeka ilerlemesine dair genel bir inancı, tarih içeren ve sınanabilir iddialar dizisine dönüştürür. Yatırımcılar, araştırmacılar, gazeteciler ve iş dünyası liderleri, zeki makinelerin bir gün gelip gelmeyeceği üzerine tartışmaktan çok, belirli bir tahmin üzerine daha verimli tartışabilir.

Yaklaşımı, ilerlemenin neden hızlanabileceğine dair tutarlı bir açıklama da sunar. Daha iyi bilgisayarlar, araştırmacıların daha iyi bilgisayarlar tasarlamasına yardımcı olur. Daha yetenekli yazılımlar, yeni nesil yazılımların oluşturulmasına, test edilmesine ve çalıştırılmasına katkı sağlar. Düşen maliyetler daha fazla kuruluşun deney yapmasına imkan verir; bu da bilgi birikimi ve daha fazla yatırım talebi yaratır.

Bu yapı, tarihleri doğru kılmaz. Mantığı görünür hale getirir. Okur ölçümleri inceleyebilir, varsayımları sorgulayabilir ve tahmini güçlendirecek ya da zayıflatacak kanıtları belirleyebilir.

Bu ayrım önemlidir çünkü uzun vadeli teknoloji tahminleri farklı türden öngörüleri bir araya getirir. Donanımın gelişmesi gerekir. Algoritmaların kaynakları faydalı kabiliyete dönüştürmesi gerekir. Eğitim verisi veya alternatif öğrenme yöntemleri erişilebilir kalmalıdır. Sistemler gösterimlerin dışında güvenilir çalışmalıdır. Kuruluşlar ve devletler kullanımına izin vermelidir. Bu katmanların herhangi birindeki aksama, yapay zeka ilerlemesini tamamen durdurmadan AGI zaman çizelgesini değiştirebilir.

Kurzweil'in tahmini, genel amaçlı yapay zeka sistemleri metin üretmeyi, yazılım yazmayı, görselleri yorumlamayı, araç çağırmayı ve birçok alanda çalışmayı öğrendikçe daha da önem kazandı. Bu beceriler tartışmayı daha az varsayımsal hale getirir, fakat tek başına sonucu belirlemez. Kontrollü bir arayüzde geniş yetkinlik, açık bir ortamda güvenilir genel zekayla aynı şey değildir.

Bu nedenle asıl soru Kurzweil'in iyimser mi kötümser mi olduğu değildir. Modelinin ölçülebilir girdileri AGI'ın gerektirdiği kabiliyetlere bağlayıp bağlamadığı ve bu bağın mühendislik, ekonomi ve insan davranışıyla karşılaştığında ayakta kalıp kalmadığıdır.

Ray Kurzweil kimdir?

Ray Kurzweil, tahminlerini konuşma, okuma ve müzik teknolojileri geliştirmekle geçen onlarca yıllık deneyiminden yola çıkarak yapan Amerikalı mucit, yazar, girişimci ve gelecek bilimcidir.

AGI tartışmasından önceki çalışmaları

Kurzweil itibarını yalnızca tahminlerle değil, pratik sistemlerle kazandı. Şirketleri optik karakter tanıma, metinden sese dönüştürme, konuşma tanıma, elektronik müzik aletleri ve görme engelli kişiler için okuma teknolojileri üzerinde çalıştı. Bu alanlar hem bilgi işlem donanımında hem de örüntü tanımada ilerleme gerektiriyordu. Bu iki konu daha sonra tahmin yönteminin merkezine yerleşti.

Kariyeri, laboratuvar sonucuyla ürün arasındaki farkı da görmesini sağladı. Tanıma doğruluğu, bileşen fiyatları, işlem hızı, dağıtım ve kullanıcı talebi, bir buluşun büyük ölçekte ne zaman yararlı hale geleceğini etkiler. Bu deneyim, tekil teknik gösterimler yerine fiyat-performans eğrilerine odaklanmasını açıklamaya yardımcı olur.

Kurzweil, makine zekası ve doğal dil anlayışı üzerinde çalışmak üzere 2012'de Google'a katıldı. Bu görev, onu büyük ölçekli bilgi işleme ve yapay zeka araştırmalarına yoğun yatırım yapan bir kurumun içine taşıdı; ancak temel tahminleri bu görevden daha eskiydi.

Zaman çizelgesinin arkasındaki kitaplar

Kurzweil argümanını birkaç kitap boyunca geliştirdi. The Age of Intelligent Machines bilgisayar zekasının yönünü inceledi. 1999'da yayımlanan The Age of Spiritual Machines, tahminleri gelecek tarihler çevresinde düzenledi ve insanların bilgisayarlarla giderek daha yakın etkileşimini anlattı. 2005'te yayımlanan The Singularity Is Near, hızlanan getiriler tezinin en bilinen sürümünü sundu.

2012'de yayımlanan How to Create a Mind, bilişe daha yakından odaklandı ve örüntü tanıma mekanizmalarının neokorteksi açıklamaya yardımcı olabileceğini öne sürdü. 2024'te yayımlanan The Singularity Is Nearer, modern üretken yapay zekanın yükselişinden sonra önceki tahminleri yeniden ele aldı ve yeni bir takvimle değiştirmek yerine ana tarihleri korudu.

Bu kitapların tümü zekayı tam olarak aynı biçimde tanımlamaz; ancak ortak bir savı paylaşırlar: Bilgi teknolojisi bileşik süreçlerle gelişir ve bu süreçler sonunda makine zekasını insan zekasıyla karşılaştırılabilir hale getirir.

Terimler ayrı ayrı tanımlanmalı

Üç terim farklı iddiaları anlattığı halde sık sık birbirine karıştırılır:

• Yapay genel zeka, tek bir dar uzmanlık alanında çalışmak yerine çok çeşitli alışılmadık görevlerde öğrenebilen, akıl yürütebilen ve bilgiyi uygulayabilen sistemdir.
• İnsan düzeyinde yapay zeka, insanlarla karşılaştırılabilir performans anlamına gelir; ancak bu ifadeyi kullanan her iddia hangi insanlardan, hangi görevlerden, ne kadar yardıma izin verildiğinden ve hangi hata oranının karşılaştırılabilir sayıldığından söz ettiğini belirtmelidir.
• Teknolojik tekillik, Kurzweil'in makine zekası ve insan teknolojisi, toplumu geleneksel tahminlerin takip edebileceğinden daha hızlı dönüştürecek kadar güçlü hale geldikten sonraki aşırı hızlı değişim dönemi önerisidir.

Bir makine, AGI'ın katı bir tanımını karşılamadan insan düzeyinde yapay zekanın operasyonel bir tanımını karşılayabilir. AGI da toplum tekilliğe benzeyen bir şey yaşamadan önce ortaya çıkabilir. Bu terimleri eş anlamlı görmek, zaman çizelgesini olduğundan daha kesin gösterir.

Kurzweil'in gerçek AGI zaman çizelgesi

Kurzweil'in ana tahmini, insan düzeyindeki makine zekasını yaklaşık 2029'a, teknolojik tekilliği ise yaklaşık 2045'e yerleştirir.

2029 tahmini ne söylüyor?

Kurzweil, 2029'u bir makinenin geçerli bir Turing testini geçmesi ve insan düzeyinde zekaya ulaşmasıyla ilişkilendirir. Turing tarzı bir değerlendirmede insan bir jüri üyesi, görmediği bir katılımcıyla iletişim kurar ve katılımcının insan mı yapay mı olduğunu anlamaya çalışır.

Geçerli sözcüğü burada önemli yük taşır. Hazırlıksız değerlendiricilerle yapılan kısa konuşmalar zayıf kanıttır; çünkü sistem planlama, olgusal tutarlılık veya alışılmadık işlerde başarısız olurken insan dilini taklit edebilir. Daha güçlü bir testte uzman değerlendiriciler, uzun süreli etkileşim, zorlayıcı sorular ve ezberlenmiş yanıtlara ya da gizli insan yardımına karşı önlemler bulunmalıdır.

Katı bir Turing testi bile konuşma yoluyla davranışsal taklidi ölçer. Tek başına güvenilir özerkliği, fiziksel yeterliliği, bilinci veya herhangi bir zihinsel görevde ustalaşma becerisini kanıtlamaz. Kurzweil'in daha geniş yazıları ikna edici bir sohbet botundan fazlasını ima eder; bu yüzden tahmini değerlendirmek için daha geniş bir kilometre taşı seti gerekir.

2045 tahmini ne söylüyor?

Kurzweil, 2045'i makine zekasının büyük ölçüde arttığı ve teknolojinin insan yaşamıyla derinden bütünleştiği çok daha büyük bir dönüşümle ilişkilendirir. Gerekçesinde yapay zekanın desteklediği hızlı araştırmalar, bilgi işlemde süren kazanımlar ve biyolojik ile biyolojik olmayan biliş arasındaki daha yakın bağlantılar yer alır.

Dolayısıyla bu tarih sadece bilgisayarların daha hızlı olacağına dair bir tahmin değildir. Zekanın olağanüstü hızda yeni teknolojik ilerleme üretmesine bağlıdır. Daha iyi yapay zekanın algoritmaları, donanımı, tıbbı, üretimi ve bilimsel keşfi geliştirmeye yardımcı olması gerekir. Bu gelişmelerin de onları üreten sistemlere geri beslenmesi gerekir.

Geri besleme döngüsü, sınırsız hale gelmeden de ilerlemeyi hızlandırabilir. Deneyler yine zaman alır, fabrikaların inşaat takvimleri vardır, fiziksel süreçlerin sınırları bulunur ve kurumlar sonuçları önemli değişiklikleri inceler. Her kısıtın gücü, gelişimin patlayıcı, yalnızca hızlı veya alanlar arasında düzensiz görünmesini belirler.

Kilometre taşları tahmini sınanabilir hale getirir

Tek bir konuşma testinden daha güçlü kanıt sunacak gözlemlenebilir kabiliyetlerden bazıları şunlardır:

• Göreve özel çok az eğitimle alışılmadık görevlere hızlı aktarım
• Uzun eylem dizilerinde güvenilir planlama ve toparlanma
• Daha önce edinilmiş becerileri silmeden sürekli öğrenme
• Değişen gerçek dünya kısıtları altında araçları doğru kullanma
• Sürekli uzman gözetimi olmadan geniş ekonomik fayda sağlama

Bu kilometre taşları, tek bir tarih üzerine ikili tartışmaya sıkışmadan tahminin temel vaadini korur. Kısmi ilerlemeyi de görünür kılar. Bir sistem, sürekli öğrenmede zayıf kalırken araç kullanımında ustalaşabilir veya yazılımda iyi sonuç verirken fiziksel ortamlarda zorlanabilir.

Kurzweil'in tahmin geçmişi

Kurzweil'in geçmişinde dikkat çekici başarılar, genel yönü doğru öngörüler ve tahminler özgün ifadeleri ile son tarihleri üzerinden değerlendirildiğinde ortaya çıkan hatalar vardır.

Bilgisayarlı satrançta açık bir başarı

En çok anılan başarılarından biri satrançla ilgilidir. Kurzweil, 1990'da bir bilgisayarın 1998'e kadar insan dünya satranç şampiyonunu yeneceğini tahmin etti. IBM'in Deep Blue sistemi, Garry Kasparov'u 1997'de bir maçta yendi.

Bu örnek, olay, rakip ve son tarih belirlenebilir olduğu için alışılmadık derecede güçlüdür. Ayrıca sabit kuralları, ölçülebilir performansı ve özelleşmiş donanımı ile arama algoritmalarını geliştirmek için güçlü teşvikleri olan resmi bir alanla ilgiliydi. Bu koşullar satrancı açık uçlu zekadan daha kolay tahmin edilir hale getirdi.

Sonuç, makinelerin zorlu bir zihinsel görevde seçkin insan performansını aşabileceğini gösterdi. Aynı sistemin becerisini farklı bir probleme aktarabildiğini göstermedi. Olağanüstü dar alan performansı ile genel yetkinlik arasındaki fark, AGI tartışmasının merkezinde kalmayı sürdürüyor.

Genel yönü doğru çıkan tahminler

Kurzweil yaygın taşınabilir bilgi işlem kullanımını, kablosuz erişimi, dijital belgeleri, tüketiciye yönelik konuşma teknolojisini ve seçilmiş örüntü tanıma görevlerinde insanları aşan yapay zeka sistemlerini öngördü. Bu tahminlerin genel yönü sonraki gelişmelerle uyumluydu.

Ayrıntılar daha az tutarlıydı. Taşınabilir bilgi işlem, bazı senaryolarda anlatılan belirli giyilebilir cihazlar topluluğundan çok akıllı telefonlar ve dizüstü bilgisayarlar aracılığıyla baskın hale geldi. Konuşma tanıma yaygınlaştı, ancak sürekli dikte 2009'a kadar çoğu insanın metin oluştururken kullandığı standart yöntem olarak klavyelerin yerini almadı. Dijital medya hızla büyürken kağıt, ofislerde, eğitimde, kamuda ve kişisel kullanımda varlığını sürdürdü.

Alttaki dönüşüm farklı bir ürün veya benimsenme biçimiyle gerçekleştiğinde tahmin kısmi takdiri hak eder. Özgün iddia kaçırılmış bir tarih, yaygınlık düzeyi veya cihaz biçimi içeriyorsa tam takdir görmemelidir. Yön ve zamanlama farklı sorulara yanıt verir.

Yavaş gelen veya hâlâ belirsiz kalan tahminler

Bazı senaryolar, sıradan kullanımın sunduğundan daha erken dönemde rutin sürükleyici sanal ortamlar, son derece ikna edici makine konuşmaları ve bedenlerle bilgisayarlar arasında çok daha yakın bütünleşme bekliyordu. Bu fikirlerin unsurları sanal gerçeklik, yardımcı cihazlar, tıbbi implantlar ve üretken modeller aracılığıyla ortaya çıktı; ancak erişilebilirlik, yaygın benimsenmeyle aynı şey değildir.

Toplumsal tercih, teknik olarak mümkün bir tahmini de boşa çıkarabilir. İnsanlar bir cihazı rahatsız, pahalı, dikkat dağıtıcı, sosyal açıdan tuhaf, onarımı zor veya mahremiyeti ihlal edici bulduğu için reddedebilir. Bileşen performansını ölçen bir eğri bu itirazları kapsamaz.

Doğruluk yüzdesi neden yanıltabilir?

Kurzweil, önceki çalışmalarındaki tahminleri geriye dönük değerlendirdi ve kendi puanlama yöntemine göre yüksek bir başarı oranı bildirdi. Bu inceleme körlenmiş bağımsız bir denetim değildi; birçok iddia özünde doğru veya yönü doğru gibi kategorilere izin veriyordu.

Adil bir değerlendirme, şu dört özelliği ayrı ayrı kaydetmelidir:

• Tahmin edilen kesin sonuç
• Son tarih ve kabul edilebilir tolerans
• Başarı için ölçülebilir eşik
• Değerlendiricinin ölçütleri sonucu görmeden önce seçip seçmediği

Transistör fiyatı hakkında bir tahmin, bilgisayarların görünmez olacağı veya makine konuşmasının normal hissedileceği yönündeki tahminden daha kolay puanlanır. İkisini tek bir yüzde altında birleştirmek, özgüllük ve zorluk bakımından büyük farkları gizler.

Hızlanan getiriler yasası tahmini nasıl üretir?

Hızlanan getiriler yasası, teknolojik gelişmeyi her araç neslinin bir sonrakine katkı sağladığı bileşik bir süreç olarak ele alarak Kurzweil'in zaman çizelgesini üretir.

Doğrusal ve üstel değişim

Doğrusal süreç, her dönemde aynı miktarı ekler. Bir sistem her yıl 10 birim kapasite kazanırsa 10'dan 20'ye, sonra 30'a, ardından 40'a çıkar. Üstel süreç ise sabit bir çarpanla büyür. Beş kez ikiye katlanma, 10 birimi 320'ye taşır.

Üstel büyümenin erken aşamaları, mutlak değişimler küçük olduğu için mütevazı görünebilir. Daha sonraki aşamalar, çarpım oranı değişmemiş olsa bile ani hissedilir. Kurzweil, insan sezgisinin genellikle doğrusal değişim beklediğini ve bu nedenle bileşik bilgi teknolojilerini olduğundan az değerlendirdiğini savunur.

Gerçek teknik eğriler nadiren kusursuz bir üstel seyir izler. Büyüme oranları değişir, ölçümler gürültü içerir ve tek tek yöntemler sınırlara ulaşır. İddia, bir yöntem yavaşlasa bile daha geniş fiyat-performans eğiliminin ardışık yöntemler üzerinden sürebileceğidir.

Fiyat-performans, ham kapasiteden daha önemlidir

Pahalı bir araştırma sistemine sıkışmış kabiliyetin erişimi sınırlıdır. Maliyet düştüğünde üniversiteler, girişimler, yerleşik şirketler ve bireyler daha fazla deney yapabilir. Daha geniş kullanım altyapı talebi yaratır, hata türlerini ortaya çıkarır ve ileri geliştirmeyi finanse eden işletmeleri destekler.

Kurzweil'in sıkça maliyet birimi başına hesaplama miktarını incelemesinin nedeni budur. Daha hızlı ama orantılı olarak daha pahalı yeni bir işlemci, erişimi genişletmeyebilir. Aynı işi daha az çiple, daha az enerjiyle veya daha küçük bir modelle tamamlayan sistem, ham performans rekoru kırmadan benimsenmeyi değiştirebilir.

Yapay zeka için ilgili payda, giderek tek bir işlem ya da token maliyetinden çok doğrulanmış bir sonucun maliyetidir. Kapsamlı düzeltme gerektiren ucuz bir model, daha düşük hata oranına sahip pahalı bir modelden tamamlanmış görev başına daha maliyetli olabilir.

Paradigma değişimleri eğriyi uzatır

Kurzweil'in savı, transistör ölçeklemesinin sonsuza dek sürmesinden daha geniştir. Mekanik hesap makineleri, röleler, vakum tüpleri, transistörler, tümleşik devreler, özelleşmiş hızlandırıcılar ve dağıtık sistemler, bilgi işlem sağlamanın ardışık yolları olarak görülebilir.

Bir yaklaşım fiziksel veya ekonomik sınırlara ulaştığında yatırım başka bir yaklaşıma kayabilir. Böylece tarihsel eğri, mekanizmadaki değişimlere rağmen sürebilir. Bu, Moore yasasının kalıcı devamından daha güçlü bir iddiadır; ancak belirli teknoloji durakladığında kategori genişletilebildiği için sınanması da daha zordur.

Birden fazla eğrinin birlikte bileşikleşmesi gerekir

Tek başına bilgi işlem yeterli değildir. Bellek, iletişim, yazılım verimliliği, model mimarisi, veri kalitesi ve araştırma verimliliği nihai kabiliyeti etkiler. Daha iyi algoritmaların bir görev için gereken donanımı azaltması gibi iyileşmeler birbirini güçlendirdiğinde ilerleme hızlanabilir.

Tersi de mümkündür. Yüksek kaliteli veri eksikliği, sınırlı enerji iletimi, bellek bant genişliği veya zayıf değerlendirme, pahalı işlemcilerin yetersiz kullanılmasına neden olabilir. Tek bir yükselen girdiye dayanan tahminler bu etkileşimleri kaçırır.

Kanıtlar neyi destekliyor, neyi desteklemiyor?

Kanıtlar, yapay zekaya yönelik birçok girdinin gelişmeye devam ettiğini güçlü biçimde destekler; ancak bu girdiler ile genel zeka arasında sabit bir dönüşüm oranı olduğunu göstermez.

Bilgi işlem ve algoritmalardan gelen kanıtlar

Uzun dönem kayıtları bilgi işlem fiyat-performansında, depolamada, ağ kapasitesinde ve yazılım kabiliyetinde büyük kazanımlar gösterir. Yapay zeka ayrıca özelleşmiş işlemcilerden, dağıtık eğitimden, geliştirilmiş sayısal biçimlerden, daha iyi optimizasyondan ve daha az kaynakla hedef sonuca ulaşan algoritmalardan yararlandı.

Ölçekleme yasaları başka bir kanıt parçası sunar. Test edilen aralıklarda ve belirli bir eğitim düzeninde, model boyutu, veri ve bilgi işlemdeki değişiklikler eğitim kaybında görece öngörülebilir değişimler üretebilir. Bu öngörülebilirlik, laboratuvarların büyük eğitim çalışmalarını planlamasına ve kaynaklar arasındaki dengeleri hesaplamasına yardımcı olur.

Ölçekleme yasası bir zeka yasası değildir. Daha düşük eğitim kaybı, doğru yanıtları, tutarlı hedefleri, nedensel anlayışı veya uzun bir projede başarıyı garanti etmez. Test edilen aralığın ötesine taşımak, veri dağılımının, mimarinin ve değerlendirmenin anlamlı kalacağını da varsayar.

Geniş yapay zeka kabiliyetine dair kanıtlar

Genel amaçlı modeller, bir zamanlar ayrı sistemler gerektiren yazma, çeviri, görsel yorumlama, yazılım üretimi, belge analizi ve araç çağırma gibi görevleri yapabiliyor. Tek bir model, yeniden eğitilmek yerine talimatlarla bu etkinlikler arasında çoğu zaman geçiş yapabiliyor.

Bu genişlik AGI açısından önemlidir; çünkü her zihinsel etkinliğin ayrı tasarlanmış bir program gerektirdiği düşüncesini zayıflatır. Ayrıca modeller farklı verilerden öğrendiğinde kabiliyetlerin birlikte ortaya çıkabileceğini gösterir.

Kalan boşluk güvenilir performansla ilgilidir. Sistemler zor bir problemi çözebilir, sonra daha basit bir çeşitlemede başarısız olabilir, yanlış bir öncülü kabul edebilir, kaynak uydurabilir veya uzun işlerde kısıtları izlemeyi bırakabilir. Ara sıra elde edilen başarı olasılığı gösterir. Genel zeka, alışılmadık koşullarda yeterince yüksek başarı oranı gerektirir.

Kıyaslama sonuçları neden bağlam gerektirir?

Kıyaslama testleri, görülmemiş görevler içerdiğinde, açık puanlama kullandığında, veri sızıntısına dirençli olduğunda ve gerçek işle bağlantılı davranışları ölçtüğünde yararlıdır. Eğitim verisi sorularını içerdiğinde veya geliştiriciler doğrudan puanlama kuralları için optimize ettiğinde daha az bilgi verirler.

Güvenilir bir değerlendirme programı, geliştirme testlerini özel nihai testlerden ayırmalı, kaynak kullanımını kaydetmeli, denemeleri tekrarlamalı ve yalnızca ortalamaları değil hata dağılımlarını da raporlamalıdır. Sistemleri uygun insan referanslarıyla karşılaştırmalıdır. Bir testte yeni başlayan biriyle eşleşmek, aynı süre ve araç kısıtları altında eğitimli bir uzmanla eşleşmekten farklıdır.

Gerçek iş akışı denemeleri, statik testlerin kaçırdığı bilgiler ekler. Sistemin eksik ayrıntıları isteyip istemediğini, işini kontrol edip etmediğini, hatadan sonra toparlanıp toparlanmadığını ve ne zaman durması gerektiğini anlayıp anlamadığını ortaya koyarlar. Bu davranışlar, doygunluğa ulaşmış bir test setindeki küçük bir artıştan kullanım için daha önemlidir.

Girdileri ölçmek sonuçları ölçmekten kolaydır

Bilgi işlem, depolama ve bant genişliğinin sabit birimleri vardır. Genellik, muhakeme, uyarlanabilirlik ve sağduyunun yoktur. Araştırmacılar işlemci sayısını tam olarak sayarken, tamamlanan bir görevin muhakemeyi mi yoksa gelişmiş örüntü eşleştirmeyi mi gösterdiği konusunda anlaşamayabilir.

Bu ölçüm uyumsuzluğu, nicel tahminlere hedef değişkenin desteklemeyebileceği bir kesinlik görünümü verir. Daha iyi girdi verisi belirsizliğin yalnızca bir kısmını azaltır.

On yıllar sonrasına dönük AGI tahmininin varsayımları

Kurzweil'in zaman çizelgesi bir varsayımlar yığınına dayanır ve bunlardan yalnızca biri başarısız olsa bile tarih önemli ölçüde değişebilir.

Bilgi işlem ekonomik olarak erişilebilir kalır

Tahmin, kuruluşların daha iyi çipler, daha büyük sistemler, daha iyi kullanım veya daha ucuz çıkarım yoluyla yararlı bilgi işlem kapasitesini artırmayı sürdürebileceğini varsayar. Üretim kapasitesi, sermaye harcaması, elektrik, soğutma, bellek, ağ altyapısı ve uluslararası ticaret bu erişilebilirliği etkiler.

Fiziksel sınırların ilerlemeyi durdurması gerekmez; zaman çizelgesini değiştirmeleri yeterlidir. Birkaç yıl süren daha yavaş iyileşme oranı, özgün projeksiyondan büyük bir fark yaratacak şekilde bileşikleşir.

Algoritmalar kaynakları kabiliyete dönüştürmeyi sürdürür

Daha fazla bilgi işlem anlamlı kazanımlar üretmeye devam etmelidir. Bu, mevcut yöntemleri ölçekleyerek, daha verimli mimariler keşfederek, eğitim hedeflerini iyileştirerek veya öğrenilmiş modelleri arama, bellek, araçlar ve biçimsel doğrulamayla birleştirerek gerçekleşebilir.

Bu varsayım, daha hızlı donanım tahmininden daha güçlüdür. Algoritmik buluşlar düzenli bir üretim takvimine göre gelmez ve değerleri alanlar arasında farklılık gösterebilir.

Öğrenme veri sınırlarıyla engellenmez

Gelecekteki sistemlerin yararlı deneyime ihtiyacı vardır. Bu deneyim insan üretimi malzemelerden, çok modlu gözlemlerden, simülasyonlardan, etkileşimden, sentetik örneklerden, geri bildirimden veya sistemlerin kendi yürüttüğü deneylerden gelebilir.

Sentetik veri, dış kanıtın otomatik ikamesi değildir. Bir model kendi hatalarından üretilen materyali alır ve düzeltici sinyal görmezse, eğitim bu hataları pekiştirebilir. Simülasyonlar da gerçek ortamda önemli olan özellikleri dışarıda bıraktıklarında kötü aktarım yapar.

İnsan bilişi makinelerle yeniden üretilebilir

Kurzweil, zekanın anlaşılabilen ve biyolojik olmayan sistemlerde uygulanabilen fiziksel bilgi süreçlerinden doğduğunu varsayar. Tahminleri sıklıkla mevcut bilgi işlem kapasitesini beyin modelleriyle karşılaştırır ve sinirbilimi mühendislik içgörüsü kaynağı olarak görür.

Bu görüş her nöronu kopyalamayı gerektirmez. Bilinmeyen hiçbir biyolojik mekanizmanın aşılmaz bir engel oluşturmadığına güvenmeyi gerektirir. Beyne dayalı bilgi işlem tahminleri farklılık gösterir; çünkü araştırmacılar işlemleri, sinapsları, sinir darbelerini, biyokimyasal süreçleri ve öğrenme verimliliğini farklı biçimlerde sayar.

Daha iyi yapay zeka, yapay zeka araştırmasını hızlandırır

Tahminin en hızlı sürümleri, yapay zekanın kendi gelişimine somut katkı yapmasını gerektirir. Kod yazmak bu döngünün yalnızca bir parçasıdır. Bir araştırma sisteminin faydalı hipotezler kurması, deneyler tasarlaması, olumsuz sonuçları yorumlaması ve gerçek ilerlemeyi kıyaslama testine aşırı uyumdan ayırması gerekir.

Kendi kendini geliştirme erişime de bağlıdır. Yetenekli bir model, insanlar kaynak ve izin sağlamadıkça donanımı yeniden tasarlayamaz, büyük deneyler yürütemez veya yeni bir sürümü kullanıma alamaz. Zeka bazı adımları kısaltabilir, fakat dış darboğazlar varlığını korur.

AGI'ı neler geciktirebilir veya yeniden tanımlayabilir?

Model kabiliyeti yükselmeyi sürdürürken güvenilirlik, öğrenme, güvenlik ve kullanım sınırlayıcı etken haline gelirse AGI tahmin edilenden daha geç gelebilir.

Uzun görevler küçük hata oranlarını büyütür

Bir sistem tek tek adımlarda doğru görünürken uzun projelerin çoğunda başarısız olabilir. Her adım bağımsız olarak yüzde 99 başarı gösterse, gerekli 100 adımı hatasız tamamlama olasılığı yaklaşık yüzde 37'dir.

Gerçek hatalar çoğu zaman bağlantılıdır ve bu sonucu daha da kötüleştirebilir. Başlangıçtaki yanlış bir varsayım her sonraki eylemi kirletebilir. Bu yüzden ilerleme, hataları saptamaya, planları gözden geçirmeye, durumu kaydetmeye, ara sonuçları test etmeye ve belirsiz kararları üst seviyeye taşımaya bağlıdır.

Bu nedenle özerk görev süresi, tek bir yanıtın kalitesinden daha açıklayıcı bir ölçüdür. Doğrulanmış sekiz saatlik bir görevi tamamlayan model, birkaç dakikada bir düzeltme gerektiren modelden farklı biçimde çalışma hayatını değiştirir.

Sürekli öğrenme hâlâ zordur

İnsanlar deneyimle yeni bilgi edinirken zaten bildiklerinin büyük bölümünü korur. Kullanımdaki yapay zeka sistemleri çoğu zaman eğitim ile kullanım arasındaki ayrıma dayanır. Güncellenmeleri yeni veri kümeleri, değerlendirme ve başka bir eğitim döngüsü gerektirebilir.

Bir AGI adayı, kötü niyetli talimatları, özel bilgileri veya yanlışlıkla edinilmiş yanlışları özümsemeden etkileşimden güvenli biçimde öğrenebilmelidir. Ayrıca hangi derslerin tek bir duruma özgü olduğunu, hangilerinin genellenebileceğini bilmelidir. Bu sorunu çözmek bellek tasarımını, erişim denetimini, köken takibini ve yıkıcı unutmaya karşı korumayı içerir.

Ajans, güvenlik sorunları yaratır

Yalnızca metin öneren bir modelin eylem alanı sınırlıdır. Mesaj göndermeye, yazılımı değiştirmeye, para harcamaya, makine çalıştırmaya veya hesap yönetmeye yetkili sistem, küçük bir yanlış anlama nedeniyle zarar verebilir.

Bu nedenle daha fazla özerklik; kapsamı sınırlı izinler, onay kapıları, denetim günlükleri, yalıtılmış yürütme ve kurtarma prosedürleri gerektirir. Bu kontroller eylemi yavaşlatabilir, ancak onları kaldırmak zekayı geliştirmez. Hataların maliyetini kullanıcılara ve çevredeki kişilere aktarır.

Fiziksel yeterlilik dijital yeterliliğin gerisinde kalabilir

Yazılım yoluyla ifade edilen zeka, hızlı ve tekrarlanabilir ortamlardan yararlanır. Fiziksel iş; sürtünmeyle, kırılmayla, belirsiz sensörlerle, alışılmadık nesnelerle, değişen hava koşullarıyla ve insanların çevresindeki güvenlikle başa çıkmalıdır.

Bir yapay zeka sistemi, robotlar benzer esnekliğe ulaşmadan önce araştırma, analiz, iletişim ve yazılım alanlarında geniş yetkinliğe sahip olabilir. Bu durumun AGI sayılıp sayılmayacağı tanıma bağlıdır. İnsan düzeyinde fiziksel uyum talep etmek, bilgisayarlar yoluyla genel bilişsel çalışma istemekten daha yüksek bir eşik belirler.

Kurumlar daha güçlü kanıt isteyebilir

Tıp, finans, ulaşım, kamu yönetimi ve kritik altyapı; sıradan kıyaslama testlerinin kapsamadığı sonuçlar doğurur. Sigortacılar, düzenleyiciler, mahkemeler, müşteriler ve meslek kuruluşları özerk çalışmaya izin vermeden önce belgelenmiş performans isteyebilir.

Bu gecikme, alttaki modelin zekadan yoksun olduğunu göstermez. Kabiliyet ile izin ayrı kilometre taşlarıdır. Teknik uygulanabilirlik hakkındaki tahmin, hemen toplumsal kullanıma geçileceğini sessizce varsaymamalıdır.

Kurzweil'in yaklaşımına yönelik başlıca eleştiriler

Kurzweil'in yöntemine yöneltilen temel eleştiri, bilgi teknolojisindeki güvenilir eğilimlerin, tanımı net olmayan bir bilişsel kabiliyetin ortaya çıkış tarihini otomatik olarak belirlemediğidir.

Eğilim seçimi sonucu biçimlendirebilir

Uzun bir tarihsel eğri, hangi teknolojilerin, fiyatların ve performans ölçülerinin veri kümesine ait olduğuna dair kararlara bağlıdır. Ardışık bilgi işlem yöntemlerini birleştirmek gerçek bir örüntüyü ortaya çıkarabilir; ancak tek bir seri yön değiştirdiğinde analiste bu örüntüyü koruma esnekliği de verir.

Başlangıç ve bitiş tarihleri de önemlidir. Kısa süreli hızlı iyileşme kalıcı olarak üstel görünebilir; uzun dönem ortalaması ise yakın zamandaki yavaşlamayı gizleyebilir. Tahminler temel gözlemleri yayımlamalı ve sonuçların alternatif zaman aralıklarında nasıl değiştiğini göstermelidir.

Zeka tek bir ölçeklenebilir nicelik olmayabilir

Performans; muhakeme, bellek, toplumsal yargı, algı, motor denetim ve olgusal doğruluk alanlarında eşit biçimde yükselmez. Bir sistem bir alanda büyük gelişme gösterirken diğerinde güvenilmez kalabilir.

Bu düzensizlik, makine kapasitesi ile beynin tahmini hesaplama kapasitesi arasındaki karşılaştırmaları zorlaştırır. Sayısal bir işlem eşiğine ulaşmak, bu işlemleri etkili kullanmak için gereken algoritmaları, temsilleri, gelişimsel deneyimi veya mimariyi belirlemez.

Karmaşık sistemlerde rejim değişimleri yaşanır

Tarihsel ilişkiler, mühendislik, ekonomi veya politika değiştiğinde bozulabilir. Üretim daha yüksek maliyetlere kayabilir. Enerji talebi yerel elektrik şebekesi sınırlarına ulaşabilir. Düzenlemeler eğitim verisini veya kullanımı sınırlayabilir. Tüketiciler hassas bilgi toplayan ürünlere direnebilir.

Bu değişimler, bileşik ilerlemeyi genel bir gözlem olarak çürütmez. Önceki oranın süreceği varsayımından türetilen takvim tarihine duyulan güveni azaltır.

Özyinelemeli gelişmenin patlaması garanti değildir

Yetenekli bir yapay zeka araştırmacısı önce kolay iyileştirmeleri bulabilir, ardından daha zor sorunlarla karşılaşabilir. Her nesil daha küçük kazanımlar üretebilir, daha fazla doğrulama gerektirebilir veya sabit süreli fiziksel deneylere bağlı kalabilir.

Yazılım bazen hızla kopyalanıp test edilebilir; fakat çip üretimi, klinik araştırmalar, inşaat ve enerji altyapısı farklı zaman ölçeklerinde ilerler. Tekillik iddiası yalnızca yazılım zekası modeli değil, bu sınırlayıcı süreçlerin de modelini gerektirir.

Esnek ifadeler yanlışlanabilirliği zayıflatır

Zeka, birleşme, her yerde bulunma veya insan düzeyi gibi terimler yeniden yorumlanmaya açık kaldığında tahminleri çürütmek zorlaşır. Konuşabilen model, tıbbi implant ve akıllı telefonun tümü, insan-makine bütünleşmesine dair geniş bir iddianın kısmi doğrulaması olarak sunulabilir.

İyi tahmin, puanlama kuralını son tarihten önce sabitler. Sonuç görüldükten sonra özgün eşik değiştirilirse, çalışma tahmin doğruluğunu değil anlatıyı uyarlama becerisini ölçer.

Diğer tahminciler AGI zaman çizelgelerini nasıl hesaplıyor?

Diğer tahminciler AGI'ı uzman anketleri, bilgi işlem modelleri, kabiliyet eğilimleri, yapılandırılmış senaryolar ve tahmin piyasalarıyla değerlendirir. Her yöntem farklı belirsizlik kaynaklarını görünür kılar.

Uzman anketleri

Anketler, araştırmacılara insan düzeyinde makine zekasına veya belirli görevlerin otomasyonuna hangi tarihlerde belirli olasılıklar verdiklerini sorar. Teknolojiye yakın çalışan kişilerin bilgili yargılarını yakalar ve önemli sonuçlardan sonra inançların nasıl değiştiğini gösterebilir.

Yanıtlar örnekleme ve ifadeye büyük ölçüde bağlıdır. Makine öğrenmesi konferans yazarlarıyla yapılan bir anket, robotik, sinirbilim, güvenlik veya ekonomi odaklı bir anketten farklı sonuçlanabilir. Yapay zekanın ücretli işlerin çoğunu ne zaman yapabileceğini sormak, her görevde insanları ne zaman geçebileceğini sormakla aynı değildir.

Olasılık soruları, tek bir yıl talep etmekten daha bilgilendiricidir. Yüzde 10, yüzde 50 ve yüzde 90 tarihleri veren bir tahminci, belirsizliği tek bir tarih tahmininin arkasına gizlemek yerine dağılımı iletir.

Bilgi işlem temelli modeller

Bilgi işlem modelleri, insan bilişinin ilgili yönlerini yeniden üretmek için gereken kaynakları tahmin eder ve ardından bu kaynakların ne zaman uygun maliyetli hale geleceğini öngörür. Biyolojik dayanaklı yaklaşımlar bu yöntemin bir sürümüdür.

Hesaplama revize edilebilecek kadar şeffaftır, ancak belirsizliği geniştir. Araştırmacılar beyin bilgi işlemini, eğitim gereksinimlerini, algoritmik verimliliği, donanım fiyatlarını ve pratik sistemin yeniden üretmesi gereken biliş payını tahmin etmelidir. Birden çok belirsiz tahmini çarpmak, geniş bir tarih aralığı yaratabilir.

Kabiliyet temelli tahmin

Kabiliyet tahminleri, tanımlanmış görevlerdeki performansı izler ve sistemlerin farkı kapatma hızını tahmin eder. Yazılım projeleri, bilimsel problem çözme, alışılmadık oyunlar, araştırma yardımı ve etkileşimli ortamlarda çalışma yararlı hedeflerdir.

Bu yöntem gözlemlenebilir çıktıya yakın kalır. Zayıf yanı, kıyaslama testi ilerlemesinin aynı hızda sürmeyebilmesi ve görev zaferlerinden oluşan bir seçkinin genel çalışma için gerekli bir kabiliyeti yine de atlayabilmesidir.

Senaryo planlama ve tahmin piyasaları

Senaryo planlama, tek bir gelecek seçmek yerine kendi içinde tutarlı birden çok gelecek geliştirir. Hızlı bir senaryo verimli algoritmaları, bol altyapıyı ve yapay zeka destekli başarılı araştırmayı birleştirebilir. Daha yavaş bir senaryoda azalan getiriler, zor güvenlik mühendisliği veya sınırlı kullanım bulunabilir.

Tahmin piyasaları ve öngörü platformları, iyi kalibre edilmiş tahminler için teşvik ekler ve yeni kanıtlar ortaya çıktıkça inançların güncellenmesini sağlar. Yararlılıkları açık çözümleme ölçütlerine bağlıdır. Katılımcılar hangi olayın AGI sayılacağı konusunda anlaşmazsa piyasa adil biçimde sonuçlanamaz.

Hiçbir yöntem tanımsal belirsizliği ortadan kaldırmaz. Tahminleri karşılaştırmak, onları aynı hedefe, kanıt standardına ve olasılık düzeyine çevirmekle başlar.

Tahmini güçlendirecek veya zayıflatacak sinyaller

En güçlü sinyaller, tekil gösterimler etrafındaki tanıtımdan çok aktarılabilir yetkinliği, sürdürülen özerkliği, öğrenme verimliliğini, doğrulanmış ekonomiyi ve güvenli kullanımı ölçecektir.

Gerçekten yeni işlere aktarım

Güçlü bir sistem, eğitim kesim tarihinden sonra oluşturulmuş ve geliştiricilerden gizlenmiş görevlerde iyi performans göstermelidir. Alışılmadık kuralları çıkarmalı, eksik bilgiyi istemeli ve özel bir eğitim projesi olmadan bilgiyi bir alandan diğerine uygulamalıdır.

Değerlendiriciler ifadeleri, araçları, veri biçimlerini ve çevresel kısıtları çeşitlendirmelidir. Bu farklılıklar arasındaki başarı, tanıdık bir test biçimini ezberlemekten daha iyi genellik kanıtı sunar.

Daha uzun özerk görev ufukları

Tanımlanmış kabul standardına göre tamamlanan işlerin süresini ve karmaşıklığını takip edin. Yararlı ölçüm, yeniden denemeleri, insan müdahalelerini, doğrulama süresini ve ortamı daha kötü durumda bırakan hataları içerir.

Gösterimlerdeki azami uzunluğun artması, güvenilir görev süresinin ortancasındaki artıştan daha az anlamlıdır. Birçok denemede tekrarlanabilir performans, planlama ve toparlanmanın iyileşip iyileşmediğini gösterir.

Kabul edilen sonuç başına daha düşük maliyet

Token fiyatları ve model boyutu, iş değerini doğrudan ölçmez. Kabul edilen sonuç başına maliyet; model kullanımını, araçları, incelemeyi, düzeltmeyi, altyapıyı ve hataların doğurduğu kayıpları kapsar.

Birçok iş türünde doğrulanmış maliyetin düşmesi, hızlanan getiriler argümanını destekler; çünkü daha fazla deneye ve daha geniş benimsenmeye imkan verir. Gözetim veya yeniden işleme nedeniyle yüksek kalan maliyetler, yalnızca ucuz çıkarıma dayalı iddiaları zayıflatır.

Kullanımdan sonra güvenli öğrenme

Sistemler sınırsız yeniden eğitim olmadan ve önceki yetkinliklerini kaybetmeden yeni deneyimleri öğrenebilirse genel zekaya dair kanıt güçlenir. Testler, sistemin güvenilir kanıtı manipülasyondan ayırıp ayıramadığını, mahremiyet sınırlarını koruyup korumadığını ve yeni bir inancın nereden geldiğini açıklayıp açıklayamadığını incelemelidir.

Buradaki ilerleme, statik modellerle uyarlanabilir çalışanlar arasındaki büyük farkı ele alır. Başarısızlık ise tek tek modeller bilgili görünse bile kuruluşları dış güncelleme döngülerine bağımlı bırakır.

Bağımsız operasyonel kanıt

Denetlenmiş kullanımlar, yapay zekanın yazılım, bilim, destek, operasyon ve diğer alanlarda kalıcı kazanımlar sağlayıp sağlamadığını gösterebilir. Yararlı raporlar görev tanımlarını, temel performansı, hata ciddiyetini, gözetim gereksinimlerini ve toplam maliyeti içerir.

En hızlı zaman çizelgesine karşı kanıtlar; düz seyreden güvenilir görev süresi, basit çeşitlendirmelerde kalıcı hatalar, kabul edilen sonuç başına artan altyapı maliyetleri veya yararlı özerkliğin büyük kısmından ödün vermeden güvenliği iyileştirememe olabilir. Bunlar, tek bir kıyaslama testindeki geçici duraklamadan daha güçlü karşı sinyallerdir.

Planlama için pratik çıkarımlar

Kurzweil'in tahminine verilecek pratik yanıt, iş, kariyer veya politika kararlarını tek bir tarihe bağlamadan daha hızlı yapay zeka ilerlemesine hazırlanmaktır.

Güncel kabiliyeti AGI'dan ayırın

Kuruluşların dil modellerinden, yazılım ajanlarından, belge analizinden veya otomatik iş akışlarından fayda sağlamak için AGI'a ihtiyacı yoktur. Her aracı sınırlı bir görevle eşleştirmeleri ve o görevi ekonomik biçimde yapıp yapmadığını doğrulamaları gerekir.

Her yararlı sistemi AGI diye adlandırmak, iki yönde de kötü kararlara yol açar. Model güvenilmezken dikkatsiz özerkliği teşvik eder; sınırlı ve gözetimli bir uygulama zaten işe yararken de gereksiz gecikmeye neden olur.

Geri alınabilir deneyler kullanın

Akıllı bir uygulama süreci, yanılmanın maliyetini sınırlar:

• Model seçmeden önce görevi, kısıtları ve kabul testini tanımlayın
• Performans ölçülene kadar önemli eylemleri açık onayın arkasında tutun
• Hataları tek bir puanda ortalamak yerine ciddiyetine ve nedenine göre kaydedin
• Toparlanmak için anlık görüntüleri, günlükleri ve geri alma prosedürlerini koruyun
• Toplam doğrulanmış maliyeti mevcut süreçle karşılaştırın

Bu yaklaşım yapay zeka ilerlemesi hızlı, düzensiz veya yavaş olsa da yararlıdır. AGI'ın tam olarak ne zaman geleceğine inanmayı gerektirmeden stratejiyi güncelleyebilecek kanıt üretir.

Koder.ai, yazılım geliştirme için bu tür bir deneyi yürütmenin yollarından birini sunar. Sohbet arayüzüyle React web uygulamaları, PostgreSQL veritabanlı Go servisleri ve Flutter mobil uygulamaları oluşturabilir. Planlama modu, geliştirmeden önce işi tanımlamaya yardımcı olurken anlık görüntüler ve geri alma özelliği denemeleri geri çevirmeyi kolaylaştırır. Kaynak kodunu dışa aktarma, dağıtım, barındırma ve özel alan adı desteği, ekibin uygulamayı test etmesine ve sonuç üzerinde pratik kontrolü korumasına imkan verir.

Bu kabiliyetler AGI'ın geldiğini ilan etmeye bağlı değildir. Güncel yapay zekayı, incelenebilir çıktıları olan belirli bir iş akışına uygularlar. Bir kurucu web sitesi, CRM, ERP veya mobil ürün prototipi hazırlayabilir, kullanıcılarla test edebilir ve daha fazla yatırımın haklı olup olmadığına karar verebilir.

Üç senaryoda plan yapın

Hızlı ilerleme senaryosu, ajanların yakında uzun görevlerde güvenilir hale geldiğini varsayar. Hazırlık, izin tasarımına, değerlendirme kapasitesine, kurumsal entegrasyona ve hızlı denemeye odaklanmalıdır.

Düzensiz ilerleme senaryosu, bazı alanlarda güçlü performansın yanında başka alanlarda kalıcı zayıflıklar olduğunu varsayar. Hazırlık, görevleri parçalamaya, işi uygun sisteme yönlendirmeye ve hata maliyetinin yüksek olduğu yerde insan incelemesini korumaya odaklanmalıdır.

Yavaş ilerleme senaryosu, mevcut yöntemlerin zor sınırlara ulaştığını varsayar. Hazırlık, daha iyi veri, daha açık süreçler, modüler yazılım ve ölçülebilir kalite denetimleri gibi geleneksel operasyonları da iyileştiren yatırımları desteklemelidir.

Üç senaryonun tümünde işe yarayan karar, yalnızca tek bir tahmin tamamen doğru çıkarsa başarılı olacak büyük ve geri döndürülemez bir yatırımdan daha değerlidir.

Her tahmin hakkında net sorular sorun

Bir AGI tahminine göre hareket etmeden önce şunları belirleyin:

• Hangi gözlemlenebilir davranış AGI sayılacak?
• Belirtilen yıla hangi olasılık bağlanıyor?
• Hangi kanıt tahmincinin tarihi değiştirmesine yol açar?
• Model hangi teknik veya toplumsal kısıtları dışarıda bırakıyor?
• Sonuç farklı biçimde ortaya çıkarsa tahmin nasıl puanlanacak?

Kurzweil'in zaman çizelgesi, bileşik teknolojik ilerlemeye dair bir hipotez olarak en yararlıdır. Değeri, bir takvim yılını söz gibi görmekte değil, okurları incelemeye davet ettiği ölçümlerde ve varsayımlarda yatar. Sınırlı deneyler, bağımsız değerlendirme ve geri alınabilir kararlarla hazırlanın; ardından kanıt değiştikçe yön değiştirin.