Günümüzün en gelişmiş yapay zeka sistemleri, devasa veri setleri ve binlerce güçlü çip kullanmalarına rağmen, öğrenme verimliliği noktasında bir yaşındaki bebeklerin oldukça gerisinde kalıyor. Araştırmacılar, bebek beyninin dünyayı anlamlandırma biçiminin mevcut dijital mimarilerden tamamen farklı olduğunu vurguluyor.

EgoBabyVLM ile Gerçek Dünya Testleri

Meta, Stanford, Tokyo Üniversitesi ve Ecole Normale Superieure araştırmacıları, bu performans farkını ölçmek için EgoBabyVLM Challenge isimli bir sistem geliştirdi. Bu sistem kapsamında yapay zeka modellerinden, bebeklerin kameralarıyla kaydedilen yaklaşık bin saatlik gerçek yaşam görüntüsünü analiz etmeleri istendi. Sonuçlar, modellerin temiz veri kümelerinde başarılı olsa da gerçek hayatın karmaşıklığı karşısında zorlandığını kanıtladı.

Sosyal İpuçları ve Fiziksel Muhakeme Eksikliği

Stanford Üniversitesi'nden bilişsel bilimci Michael Frank, bebeklerin öğrenme sürecinin sadece kelimelere dayanmadığını; bakış yönü, el hareketleri ve duyusal deneyimleri birleştirerek dünyayı kavradıklarını belirtti. MIT'den Joshua Tenenbaum ise mevcut sistemlerin örüntüleri yakalamada iyi olduğunu ancak ortak akıl, sosyal ilişkiler ve fiziksel muhakeme gibi konularda bebeklerin seviyesine ulaşamadığını ifade etti.

BabyLM Projesi ve Kalan Boşluklar

2023 yılında hayata geçirilen BabyLM projesi, yapay zekanın bir çocukla benzer miktarda veriyle eğitildiğinde dilin sözdizimini öğrendiğini gösterdi. Ancak uzmanlar, dil öğrenimindeki bu başarının fiziksel dünyayı anlama becerisine henüz yansımadığını belirtiyor. İki yaşına gelmiş bir çocuğun sahip olduğu bilişsel yeteneklerin çözülmesinin, gelecekteki teknolojiler için kritik bir eşik olduğu düşünülüyor.

Ne anlama geliyor?

Dijital sistemler genellikle istatistiksel olasılıklara ve devasa veri yığınlarına dayanarak çalışır. Bir kavramı öğrenmek için aynı örneği binlerce kez görmeleri gerekir. Buna karşılık organik öğrenme süreçleri, az sayıdaki örnekten genel kurallar çıkarabilme yeteneğine sahiptir. Bu durum, düşük veriyle yüksek verim alma mekanizması olarak tanımlanır.

Söz konusu gelişme, yazılımsal mimarilerin sadece daha fazla veriyle değil, farklı bir işleme mantığıyla geliştirilmesi gerektiğini gösterir. Fiziksel etkileşim ve çevresel faktörlerin sentezlenmesi, sistemlerin gerçek hayatta daha tutarlı kararlar vermesini sağlar. Bu mekanizmalar çözüldüğünde, donanım maliyetleri azalırken öğrenme hızı ve adaptasyon kabiliyeti artacaktır.