Menü Kapat

Yapay Zeka Neyi Yapamaz?

Ekonometristler tarafından bugüne kadar gerçekleştirilen yegane net düşünce deneylerinden biri olan “kırmızı otobüs-mavi otobüs” problemi, bir kişinin çeşitli alternatiflerle karşı karşıya kaldığında belirli bir seçim yapma olasılığını ölçmek için istatistiksel tahmin kullanmanın getirdiği merkezi bir dezavantajı göstermektedir. Düşünce deneyi devam ederken, işe gitmek için arabaya ya da kırmızı otobüse binmek arasında kayıtsız olduğunuzu hayal edin. Kayıtsızlığınız nedeniyle, her iki seçeneği de seçme olasılığınızın tahmini, yazı tura atmaktır. Arabaya binme ihtimaliniz yüzde 50, kırmızı otobüse binme ihtimaliniz ise yüzde 50. Dolayısıyla seçim şansınız bire birdir. 

Şimdi, iki farklı senaryoda üçüncü bir ulaşım seçeneğini tanıtın ve yolcunun alternatif seçenekler arasında kayıtsız kaldığını varsayalım. İlk senaryoda ilgisiz yolcunun karşısına çıkan alternatifler otomobil, kırmızı otobüs ve tren olacak şekilde yeni bir tren güzergahı açılıyor. Tahmin edilen olasılıklar şu anda üçte biri araba, üçte biri kırmızı otobüs ve üçte biri trendir. Oranlar, bire bir olan iki seçenekli senaryoyla aynıdır. 

İkinci senaryoda kırmızı bir otobüs yerine otobüsün mavi olabileceğini varsayalım. Dolayısıyla yolcunun önündeki seçim arabaya binmek, kırmızı otobüse binmek veya mavi otobüse binmek olacaktır. Kırmızı otobüse binmek ile mavi otobüse binmek arasında gerçek bir fark var mı? Hayır, aslında aynı seçim. Bu durumda olasılıklar yüzde 50 araba, yüzde 25 kırmızı otobüs, yüzde 25 mavi otobüs ve ikiye bire bir oranları şeklinde ayrılmalıdır. 

Bunun nedeni, gerçek seçimin ilk iki seçenekli senaryoyla tamamen aynı olmasıdır; yani arabaya binmek veya otobüse binmek. Başka bir deyişle kırmızı otobüs ve mavi otobüs aynı seçimi temsil ediyor. Otobüsün renginin yolcunun ulaşım tercihiyle alakası yoktur. Yani ilgisiz yolcunun kırmızı ya da mavi otobüsü seçme olasılığı, kişinin otobüse binme olasılığının sadece yarısı kadardır. Ancak bu olasılıkların tahmininde kullanılan yöntem, bu ilgisiz alternatifleri deşifre etme konusunda yetersizdir. Algoritma tren senaryosunda olduğu gibi arabayı, kırmızı otobüsü, mavi otobüsü bire bir kodluyor.

Yapay Zeka Neyi Yapamaz?
Yapay Zeka Neyi Yapamaz?

Algoritmik Eksiklikler

Kırmızı otobüs/mavi otobüs (olmayan) seçimi, algoritmik hesaplamanın nasıl başarısız olabileceğinin iyi bir örneğidir. Ham formlarında modeller, insanların kavramakta çok az zorluk çektiği veya hiç zorluk yaşamadığı dilsel tanımlamanın inceliklerini ayırt edemez. Bir kişi için, ulaşım alternatifleri göz önüne alındığında kırmızı otobüs ile mavi otobüsün neden aynı olduğu sezgiseldir. Bir tren tanıtıldığında, mavi bir otobüse karşı seçim setinde bir fark olduğu kesinlikle sezgiseldir. Öte yandan, veri yolu renginin algoritmik bir süreçte programlanabilir bir kural olarak neden önemsiz olduğunu açıklamak son derece zordur. Durum neden böyle?

Bu bilmece, adını fizikçi Michael Polanyi’den alan Polanyi paradoksunun bir örneğidir . Basitçe ifade edilen paradoks şudur: “Anlatabildiğimizden daha fazlasını biliyoruz.” Daha kapsamlı bir şekilde paradoks şu şekildedir : “Söyleyebileceğimizden daha fazlasını biliyoruz, yani gerçekleştirdiğimiz görevlerin çoğu, kodlanması ve otomatikleştirilmesi zor olan örtülü, sezgisel bilgiye dayanıyor.” Polanyi’nin paradoksu, bir bireyin bir şeyi yapabildiği ancak bunu nasıl yaptığını açıklayamadığı durumlarda devreye girer. 

Bu örnekte “bir şey yapmak”, bir insanın tekrarlanabilir bir kuralla kodlanamayan bir görevi yerine getirerek elde ettiği ölçülebilir veya yaygın olarak anlaşılan bir sonucu ifade eder. Polanyi bu tür insan performansını “örtük bilgi” olarak adlandırıyor. Bu tür ile tanımlanabilir, kurallara bağlı ve tekrarlanabilir olan soyut bilgi arasında bir ayrım yapıyor. 

Ekonomist David Autor, makinelerin neden insanların tüm kariyerlerini ele geçirmediğini açıklamak için Polanyi’nin paradoksunu kullanıyor. Otomasyon soyut bilgi alanıyla sınırlı olmasaydı, makinelerin tüm insan görevlerini gasp edeceğini ve insan istihdamının 1980’lerden bu yana hızla düşeceğini öne sürüyor. Ancak otomasyon bu sonuca yol açmadı çünkü bilgisayarlara hangi görevleri gerçekleştireceklerini bildirmek için kesin kuralların belirlenmesini gerektiriyor. Ancak örtülü bilginin resmi olarak ifade edilmesi zor veya imkansızdır çünkü insanlar onu oluşturan becerileri resmi iletişim yöntemlerinin ortaya çıkmasından önce evrimsel olarak geliştirmişlerdir.

Evrimsel Beceriler

Örtülü, tarif edilemez beceriler, araştırmacılar Hans Moravec, Rodney Brooks ve Marvin Minsky tarafından resmileştirilen başka bir paradoksun temel noktasıdır. “Moravec’in paradoksu” kısa haliyle şunu belirtir: 

  • Herhangi bir insan becerisine tersine mühendislik uygulanmasının zorluğunun, bu becerinin hayvanlarda geliştiği zamanla kabaca orantılı olmasını beklemeliyiz.

  • En eski insan becerileri büyük ölçüde bilinçsizdir ve bu nedenle bize zahmetsizmiş gibi görünür.

  • Sonuç olarak, zahmetsiz görünen becerilerin tersine mühendisliğinin zor olmasını beklemeliyiz, ancak çaba gerektiren becerilerin mühendisliğinin yapılması hiç de zor olmayabilir. 

Çelişkili bir şekilde, zihinsel muhakeme ve soyut bilgi çok az hesaplama gerektirir, ancak duyu-motor beceriler, gelecekteki sonuçların görselleştirilmesi ve algısal çıkarım, büyük miktarda hesaplama kaynağı gerektirir. Moravec’in bu konuyla ilgili kitabında belirttiği gibi, “Bilgisayarların zeka testlerinde veya dama oynamada yetişkinler düzeyinde performans göstermesini sağlamak nispeten kolaydır, ancak algılama ve algılama söz konusu olduğunda onlara bir yaşındaki bir çocuğun becerilerini kazandırmak zor veya imkansızdır. hareketlilik.”

Polanyi ve Moravec’in paradokslarını ortak bir temada birleştiren insanlar, yalnızca son birkaç bin yılda soyut düşünmeyi geliştirdiler ve bu, türümüz için zor görünüyor çünkü nispeten hızlı gelişimi, onu yeni ve doğası gereği anlaşılması zor kılıyor. Alternatif olarak insanlar, evrimsel tarihimizin tamamı boyunca örtülü, sezgisel ama tarif edilemez beceriler geliştirdiler. Bunlar çevremizde yerleşiktir, deneyimsel olarak edinilmiştir ve açıklamalardan önce ortaya çıkmıştır. 

Yapay Zekanın Geleceği Tamamlayıcıdır

O halde yapay zeka için bu paradokslar, kaynak tahsisi konusunda temel bir soruna yol açan mantık dışı bir sonuca işaret ediyor. İnsanlar için en basit beceriler, makineler için en zorlu becerilerse ve dahası, bu örtülü becerilerin kodlanması zor veya imkansızsa, o zaman insanların bilinçaltında gerçekleştirdiği en basit görevlerin öğretilmesi çok büyük miktarda zaman, çaba ve kaynak gerektirecektir. makinelere.

Bir becerinin insana ne kadar kolay uygulanabildiği ile hem açıklanabilirliği hem de makineler tarafından tekrarlanabilirliği arasında ters bir ilişki ortaya çıkmaktadır. O halde temel ekonomik soru şudur: Sezgisel insan görevlerini gerçekleştirmek için yapay zekayı geliştirmeye değer mi? Daha basit görevleri gerçekleştiren yapay zekayı geliştirmek için neden giderek artan miktarda kaynak yatırımı yapasınız ki? 

Bu, genel yapay zeka gelişiminin doğal bir yavaşlamasına işaret ediyor . Moore Yasası, bilgisayarların işlem gücünün trilyon kat arttığına işaret etse de , bilgisayarlarla iletişim kurmamızın mantığı 1970’lerden bu yana pek değişmedi. Makinelerin giderek daha basit hale gelen insan görevlerini yerine getirmesine olanak tanıyan yapay zeka araştırmalarının fırsat maliyeti açısından çok pahalı hale geldiğinde, azalan getiriler ortaya çıktıkça yapay zekanın gelişimi de yavaşlayacaktır. 

İdeal olarak, Autor’un öne sürdüğü gibi, yapay zekanın geleceği, insan becerilerinin ikame edilebilirliğinden ziyade, onların tamamlayıcılığında yatmaktadır. Örneğin, 1970’li ve 1980’li yılların bilgi işlem devrimine kadar istatistikçiler, kağıt bazlı verileri ortalamalar, medyanlar ve standart sapmalar gibi özet istatistiklere dönüştürmek için gerçek bir lisansüstü öğrenci ordusunu çalıştırdılar. Elektronik hesap makinelerinin ve daha sonra bilgisayarların ortaya çıkışıyla, eskiden saatlerce veya günlerce insan emeği gerektiren istatistikler saniyeler içinde hesaplanabildi.

Hesaplama araçlarındaki bu değişiklikle birlikte makineler, öğrencilerin düşük seviyeli, tekrarlanabilir aritmetik yükümlülüklerini yerine getirerek istatistiksel araştırmacı ekiplerini tamamlayabildi. Bu, istatistikçilere ve öğrencilerine ekip olarak daha belirsiz, açık uçlu istatistik problemlerini çözmeleri için çok fazla zaman kazandırdı; yaratıcı düşünmeyi gerektiren bilgisayar türleri pek iyi iş çıkarmıyor. Yapay zekaya ve onun insan yetenekleriyle etkileşimine ilişkin mevcut görüş, onun ele almak üzere geliştirildiği sorun türleri açısından ciddi bir şekilde yeniden düşünülmeyi gerektirmektedir. Sonuçta bize kırmızı otobüslerin mavi otobüslerle aynı olduğunu söyleyebilmek için gerçekten yapay zekaya ihtiyacımız var mı? 

tr_TRTurkish