Google DeepMind'ın "LLM'ler zıplayamaz" başlıklı yeni bir makalesi, büyük dil modellerinin (LLM) yaratıcı sıçrama eksikliği nedeniyle yeni bilimsel teoriler üretemeyeceğini öne sürüyor. Makaleye göre, yapay zeka yazılımlarının fiziksel bir bedene sahip olmaması, bir tür bilişsel engel oluşturuyor. Bu durum, LLM'lerin insan yaratıcılığının yerini alamayacağı ve yalnızca belirli bir tür çıkarımda ustalaşabileceği anlamına geliyor.
Makale, LLM'lerin Sınırlılıklarını Derinlemesine İnceliyor: Üç Çıkarım Türünden Sadece Biri Başarılı
Araştırma, üç temel çıkarım türünün tümevarım, tümdengelim ve abduksiyon olduğunu belirtiyor. Yapay zeka, büyük veri kümeleri ve istatistiksel örüntü tanıma sayesinde tümevarımda ustalaşmış durumda. Gelişmiş sistemler, belirlenmiş kurallardan elde edilen mantıksal kanıtları kullanarak tümdengelimde de hızla ilerleme kaydediyor. Ancak, kısıtlı verilerle karşılaşıldığında açıklayıcı hipotezler üretme yeteneği olan abduksiyon konusunda yapay zekanın önünde aşılması zor bir engel bulunuyor.
Yapay zeka alanındaki çalışmalarıyla tanınan bilim insanlarından biri, bilimsel keşfin veri sıkıştırmanın gelişmiş bir formu olduğunu iddia etse de, DeepMind makalesi bu görüşü Albert Einstein'ın Genel Görelilik Teorisi ile çürütüyor. Einstein'ın teorilerini geliştirdiği dönemde görsel veri son derece kısıtlıydı ve istatistiksel örüntü eşleştirme yoluyla analiz edilecek veya sıkıştırılacak veri kümesi yok denecek kadar azdı. Einstein, veriye rağmen "bedensel düşünce deneylerine" dayanarak yeni matematiksel prensipler keşfetti.
Buna karşılık, bir LLM'nin Einstein'ın ilk bulguları sunulduğunda karmaşık matematiksel çıkarımları kusursuz bir şekilde işlemesi mümkün olabilir. Ancak yapay zeka modeli, mevcut metinleri analiz ederek bu orijinal önermeleri kendi başına icat edemez. Mevcut yapay zeka keşif çerçeveleri, otomatik kodlama araçları da dahil olmak üzere, tamamen yeni çerçeveler oluşturmak yerine belirli kurallar ve eşikler ile sınırlı kalıyor. LLM'lerin gerçek dünyada fiziksel bir temele sahip olmaması, neden-sonuç ilişkisine dayalı sezgisel modeller oluşturmayı imkansız hale getiriyor. Ayrıca, veri merkezleri ve hesaplama gücü ile yapay zeka altyapısını genişletmek, bu LLM'lerin devrim niteliğinde bilimsel atılımlar yapabilecek deha düzeyinde bir zekaya sahip olmasını sağlamayacak.
DeepMind makalesi, mantıksal hesaplama ile gerçek bilimsel icat arasındaki köprüyü kurmanın, gelecekteki yapay zeka mimarilerinin metin ve görüntü işlemeyi aşarak fiziksel çok modlu dünya modellerine doğru evrilmesini gerektireceğini belirtiyor. Yapay zeka sistemlerine sanal ortamlarda bedensel simülasyonlar çalıştırma yeteneği kazandırmak, denklemler veya kod üretmeden önce gerçek dünya fiziksel sezgisini oluşturmalarına olanak tanıyacaktır.
