Y Combinator CEO'su Garry Tan, ABD'li yapay zeka düzenleyicilerine yönelik çarpıcı bir öneri ortaya koydu. Tan, CNBC ve TechCrunch'a verdiği röportajlarda, Çinli laboratuvarların sınırda ki model sağlayıcılarından bilgi alma yöntemlerine müdahale edilmesini istemiyor. Aksine, Amerikalı açık ağırlıklı yapay zeka laboratuvarlarının da aynı 'damıtma' tekniklerini kullanarak kendi frontier modellerinden bilgi edinmelerinin teşvik edilmesi gerektiğini savunuyor.

Yatırımcı Başkanı'nın Damıtma Stratejisi

Tan'ın vizyonu, ABD'nin Çinli rakiplere bağımlı olmayan, daha sağlam bir açık ağırlık ekosu sistemi oluşturmasından geçiyor. Ona göre, daha küçük ölçekli Amerikan laboratuvarları, büyük ölçekli ABD'li üreticilerin modellerini sorgulayarak teknik eğitimlerini geliştirmeli. Bu yaklaşım, ülkede çeşitliliği artırarak tekelleşmenin önüne geçebilecek bir mekanizma olarak konumlandırılıyor. Tan, bu sürecin düzenleyici kurumların elini rahat bırakmasıyla mümkün olacağını ve ABD'ye özgü bir damıtma rejiminin tartışılması gerektiğini belirtiyor.

Anthropic ile Y Combinator Arasındaki Görüş Farkı

Aynı hafta içinde Anthropic, Çinli laboratuvarların gizli kimlikler ve çalınan kimlik bilgileriyle izinsiz damıtma saldırıları düzenlediğine dair ikinci raporunu yayımladı. Anthropic CEO'su Dario Amodei, düzenleyicilerden bu tür eylemlere karşı sert tedbirler almasını istemişti. Buna karşılık Garry Tan, Amerikalı laboratuvarların izinsiz veya yasadışı yollarla hareket etmesini desteklemediğini, ancak kapıdan içeri girmelerine izin verilmesi gerektiğini vurguladı. Tan'ın argümanı iki ayağa basıyor; birincisi, modellerden elde edilen veriler üzerinde müşteri haklarının kısıtlanmasının ölçüsüz olduğu, ikincisi ise büyük ölçekli laboratuvarların kendi modellerini eğitirken insanlık birikiminin tümüne serbestçe eriştiğini hatırlatması.

Ne anlama geliyor?

Yapay zeka sektöründe model damıtma, bir sistemin başka bir sistemin çıktılarını detaylı şekilde sorgulayarak o sistemin mantık kurgusunu ve karar verme süreçlerini öğrenmesi anlamına gelir. Bu teknik, yeni algoritmaların eğitilmesinde standart ve meşru bir yöntem olarak kabul edilir. Ancak, bu sürecin sınırları şirketler arasında farklı yorumlanmakta olup, bilgi transferinin şeffaflığı ve lisanslama koşulları sektördeki temel gerilim noktalarından birini oluşturuyor. Açık kaynaklı modellerin gelişimi, bağımsız geliştiricilerin kendi sistemlerini kurabilmesi için kritik bir öneme sahiptir ve büyük ölçekli şirketlerin kontrol mekanizmalarının ne kadar devam edeceği belirsizliğini korumaktadır.

Kullanıcılar ve küçük ölçekli geliştiriciler için bu tartışma, hangi araçlara erişebilecekleri ve bu araçlarla ne sınırlarda çalışabileceklerini belirleyecek yasal çerçeveyi şekillendiriyor. Regülasyonların belirsizliği, inovasyon hızını yavaşlatabileceği gibi, rekabet dengesizliklerini de derinleştirebilir. Sektördeki büyük aktörlerin eğitim verisi kullanımı ile yeni gelenlerin model öğrenme teknikleri arasındaki denge, gelecekteki platform politikalarının temelini oluşturacak.