Nvidia’dan Jensen Huang: "AGI'ya ulaştık." Ancak bu ifadenin ne anlama geldiği konusunda kimse hemfikir değil

Nvidia’dan Jensen Huang: "AGI'ya ulaştık." Ancak bu ifadenin ne anlama geldiği konusunda kimse hemfikir değil

Teknolojinin en önemli terimi neden hâlâ hararetle tartışılıyor?

Geçtiğimiz hafta Nvidia CEO'su Jensen Huang, podcast yayıncısı Lex Fridman'a, AGI'nın —yani yapay genel zekânın— halihazırda elde edilmiş olduğunu söyleyerek manşetlere taşındı.

AGI, uzun süredir pek çok yapay zekâ araştırmacısının nihai hedefi konumunda. Terimin evrensel olarak kabul görmüş bir tanımı olmamasına rağmen durum hep böyle olagelmiştir. Genel olarak insanlarla eş düzeyde zekâya sahip bir yapay zekâyı ifade etse de, "zekâ" kavramının tam olarak nasıl tanımlanacağı ve ölçüleceği konusunda hararetli bir tartışma sürmektedir.

Bu bağlamda Fridman, Huang'a AGI için oldukça sıra dışı bir ölçüt sundu: Bir yapay zekâ, bir teknoloji girişimini başlatıp büyüterek 1 milyar dolar değerine ulaşmasını sağlayabilir miydi? Fridman, Huang'a, bu tanıma göre AGI'ya önümüzdeki 5 ila 20 yıl içinde ulaşılabileceğini düşünüp düşünmediğini sordu. Huang ise bu kadar uzun bir süreye ihtiyaç duyulacağını sanmadığını belirtti. "Bence o an geldi. Bence biz AGI'ya ulaştık," dedi. Ardından, şirketin söz konusu değeri kalıcı olarak korumasının şart olmadığını ima ederek sözlerine bir şerh düştü. Huang, Fridman'a hitaben, "Sen 1 milyar dolar dedin," dedi; "ama bu değerin sonsuza dek sürmesi gerektiğini söylemedin."

Pek az yapay zekâ araştırmacısı, Fridman'ın Huang'a sunduğu AGI tanımına —ki bu tanım hem daha spesifik (1 milyar dolar değerinde bir şirket), hem de çoğu AGI tanımına kıyasla daha dar kapsamlıydı (zira diğer tanımlar genellikle, başarılı bir iş kurmak için her biri şart olmayan, çok geniş bir yelpazedeki insani bilişsel becerilere erişmeyi referans alır)— katılım göstermektedir. Ancak yapay zekâ araştırmacılarının kendi aralarında da, daha iyi bir tanımın ne olması gerektiği konusunda görüş ayrılıkları mevcuttur. Toplam piyasa değeri 1 trilyon doları aşan pek çok önde gelen yapay zekâ şirketinin, tüm çabalarıyla AGI'ya ulaşmak için yarıştıklarını beyan etmelerine rağmen, bu terim inatla belirsizliğini korumaktadır. Bazı bilgisayar bilimcileri, terimin sürekli olarak tanımsız ve ölçülemez bir halde olduğunu öne sürerek, bu kavramı kullanmaktan tamamen kaçınmaktadır. Başka bir grup ise teknoloji şirketlerinin bu terimi tamamen çıkarcı saiklerle kullandığını savunmaktadır; zira terimin muğlak yapısı sayesinde şirketlerin, o efsanevi dönüm noktasına ulaşma yolunda dev adımlar attıklarını iddia ederek bir "hype" (yapay heyecan) yaratmaları son derece kolaylaşmaktadır.

Huang'ın AGI hakkındaki yorumlarının yarattığı bu gündem, yapay zekâ patlamasının tam kalbinde yatan söz konusu açmazı gözler önüne sermekten başka bir işe yaramamaktadır. Yapay Genel Zekayı Ölçmeye Çalışmak

Aslında, Fridman podcast'ini yayınlamadan sadece birkaç gün önce, Google DeepMind'deki araştırmacılar -aralarında 2000'lerin başlarında yapay genel zeka terimini popülerleştirmeye yardımcı olan DeepMind kurucu ortağı Shane Legg de bulunuyor- yapay zeka modellerinin genel zekaya ulaşıp ulaşmadığını tanımlamak ve değerlendirmek için daha bilimsel bir yol öneren yeni bir araştırma makalesi yayınladılar. "Yapay Genel Zekaya Doğru İlerlemenin Ölçülmesi: Bilişsel Bir Çerçeve" başlıklı makale, yazarlarının "Bilişsel Taksonomi" olarak adlandırdığı yapıyı oluşturmak için psikoloji, sinirbilim ve bilişsel bilim alanlarındaki onlarca yıllık araştırmadan yararlanıyor.

Taksonomi, araştırmacıların genel zeka için gerekli olduğunu savunduğu algı, akıl yürütme, hafıza, öğrenme, dikkat ve sosyal biliş de dahil olmak üzere 10 temel bilişsel yeteneği tanımlıyor. Çerçeve daha sonra yapay zeka sistemlerini 10 yeteneğin tamamında değerlendirmeyi ve performanslarını en az ortaöğretim düzeyinde eğitim almış temsili bir insan yetişkin örneğiyle karşılaştırmayı öneriyor.

Makalenin temel bulgusu, günümüz yapay zekâ modellerinin "tırtıklı" bir bilişsel profile sahip olduğudur: Matematik veya olgusal hatırlama gibi bazı alanlarda çoğu insanı aşabilirler, ancak deneyimden öğrenme, uzun süreli hafızayı koruma veya sosyal durumları anlama gibi diğer alanlarda ortalama insanlardan bile önemli ölçüde geride kalabilirler. Google DeepMind araştırmacıları, bir yapay zekâ modelinin AGI olarak kabul edilebilmesi için en azından 10 alanın tamamında ortalama insan performansına ulaşması gerektiğini öne sürüyor.

Araştırmacılar ayrıca, mevcut kıyaslama testlerinin en zayıf olduğu beş bilişsel yetenek için değerlendirmeler oluşturmaya yardımcı olmak üzere, popüler makine öğrenimi yarışma sitesi Kaggle'da 200.000 dolarlık ödül havuzuna sahip bir yarışma duyurdular.

DeepMind makalesi, zekâ ölçümünü daha titiz bir temele oturtmaya yönelik son dönemdeki girişimlerin yalnızca en yenisidir.

Geçtiğimiz yıl, Yapay Zekâ Güvenliği Merkezi'nden Dan Hendrycks liderliğindeki ve derin öğrenme öncüsü Yoshua Bengio'yu da içeren bir ekip, kendi AGI çerçevesini ve ölçütlerini yayınladı. Bu makale ayrıca, insan zekası için üç psikolog (Raymond Cattell, John Horn ve John Carroll) tarafından geliştirilen ve insan bilişinin ampirik olarak en çok doğrulanmış modeli olan bir çerçeveye dayanarak, genel zekayı 10 ayrı bilişsel alana ayırdı. Mevcut yapay zeka modelleri için "Yapay Genel Zeka Puanları" üretti; Test edilen en yetenekli sistem olan ve Ağustos 2025'te piyasaya sürülen OpenAI’ın GPT-5’i, yalnızca %57’lik bir puan alarak, tüm bilişsel boyutlarda iyi eğitimli bir yetişkinin seviyesine ulaşmaktan çok uzak kaldı.

Günümüz yapay zekâ sistemlerinin henüz yapamadığı şeyleri vurgulamaya yönelik en iddialı pratik girişimlerden biri, tanınmış makine öğrenimi araştırmacısı François Chollet tarafından oluşturulan ARC-AGI kıyaslama testidir. Chollet'in temel argümanı, zekanın bir sistemin halihazırda bildikleriyle değil, yeni becerileri ne kadar verimli bir şekilde öğrenebildiğiyle ölçülmesi gerektiğidir.

ARC-AGI kıyaslama testi, renkli hücrelerden oluşan ızgaraları içeren görsel bulmaca görevlerinden oluşmaktadır. Her görev, gizli bir kurala göre bir girdi ızgarasının bir çıktı ızgarasına dönüştürülmesinin birkaç örneğini gösterir ve test katılımcısının kuralı bulup yeni bir girdiye uygulaması gerekir. Bir insan için, deseni kavramak genellikle saniyeler sürer. Gelişmiş yapay zekâ modelleri için bu bulmacalar şaşırtıcı derecede zordur, çünkü mevcut sistemlerin zorlandığı türden esnek, soyut akıl yürütme gerektirirler - simetrileri tespit etmek, mekansal ilişkileri anlamak, birkaç örnekten kurallar çıkarmak gibi.

Bu ay, Chollet ve işbirlikçileri, kıyaslama testinin en yeni ve en zorlu sürümü olan ARC-AGI-3'ü piyasaya sürdüler. Statik bulmacalar sunan önceki sürümlerin aksine, ARC-AGI-3 etkileşimlidir: Yapay zeka ajanları yeni ortamları keşfetmeli, anında hedefler edinmeli, uyarlanabilir dünya modelleri oluşturmalı ve birden fazla adımda sürekli olarak öğrenmelidir; bunlar insanlara doğal olarak gelen ancak yapay zeka araştırmalarının sınırında kalan yeteneklerdir.

Bir araya getirildiğinde, bu yeni ölçütler, yapay zeka araştırma topluluğu içinde AGI hakkındaki belirsiz tanımları bilimsel ölçüme daha yakın bir şeyle değiştirme yönünde artan bir çabayı temsil etmektedir. Ancak bu araştırmacıların ilk kabul ettiği gibi, zekayı tanımlamanın zorluğu, düşünme çalışmasının kendisi kadar eskidir ve yapay zeka alanını en başından beri rahatsız etmiştir.

Zekayı Tanımlamak

1950'de, "yapay zeka" terimi henüz ortaya atılmadan ve matematikçiler ve elektrik mühendisleri ilk modern bilgisayarları inşa etmeye yeni başladıkları zaman, ünlü İngiliz matematikçi ve bilgisayar öncüsü Alan Turing, zekanın bir tanımını formüle etmenin son derece zor olduğu gerçeğiyle boğuşuyordu.

Turing, böyle bir deneme yapmak yerine, daha sonra Turing Testi olarak bilinen "Taklit Oyunu" adını verdiği bir değerlendirme önerdi. Bu test, bir makinenin; bir insanla metin yoluyla genel bir sohbet yürütebildiği ve bu yazışmayı okuyan ikinci bir insan hakemin, katılımcılardan hangisinin makine hangisinin insan olduğunu güvenilir bir şekilde ayırt edemediği durumda, zeki kabul edilmesi gerektiğini öngörüyordu. Bu, özünde, zekâya yönelik "gördüğüm an tanırım" türünden bir yaklaşımdı.

Ancak Turing Testi de çok geçmeden sorunlu olduğu ortaya çıkan bir yaklaşım oldu. 1960'ların ortalarında MIT'de geliştirilen bir sohbet robotu olan Eliza, bir psikoterapisti taklit edecek şekilde tasarlanmıştı. Yanıtlarının çoğu, sisteme önceden kodlanmış mantıksal kurallara dayanıyordu; Eliza, dil anlama konusundaki yetersizliğini gizlemek amacıyla kullanıcılara sıklıkla "Bunun neden böyle olduğunu düşünüyorsunuz?" veya "Bana biraz daha anlatın" gibi sorularla karşılık verirdi. Yine de Eliza, bazı insanları kendilerini anladığına inandırarak kandırmayı başardı. Eliza; diğer hemen hemen her ölçütte insan bilişsel yeteneklerinin yanına bile yaklaşamamış olmasına rağmen, Turing Testini geçmeye çok yaklaştı. Hatta, "Eugene Goostman" adındaki çok daha gelişmiş bir sohbet robotu, 2014 yılında düzenlenen canlı bir Turing Testi yarışmasını resmen geçmeyi başardı; üstelik bunu yaparken yine insanlara özgü bilişsel becerilerin çoğuna hiç ihtiyaç duymadı.

Günümüzün büyük dil modelleri, Eliza'nın hayal edebileceğinden çok daha akıcı bir şekilde sohbet edebiliyor olsa da, bilişsel yeteneklerin tüm yelpazesi genelinde insanlarla hâlâ boy ölçüşemiyorlar; gerçekleri çarpıtıp hayal ürünü bilgiler üretebiliyorlar, uzun vadeli planlama yapma konusunda zorlanıyorlar ve tıpkı bir insanın yaptığı gibi deneyimlerinden ders çıkararak öğrenemiyorlar.

Turing Testi ile kıyaslandığında, "yapay genel zekâ" terimi nispeten yeni sayılabilecek bir kavramdır. Bu terim ilk kez 1997 yılında; o dönemde Maryland Üniversitesi'nde lisansüstü öğrencisi olan Mark Gubrud tarafından ortaya atılmış ve Gubrud bu yeni kavramı, nanoteknoloji üzerine düzenlenen bir konferansta sunduğu 1997 tarihli bir makalede kullanmıştır. Gubrud; "karmaşıklık ve hız bakımından insan beyniyle boy ölçüşebilen veya onu geride bırakabilen; genel bilgileri edinip işleyebilen ve bu bilgilerle akıl yürütme yapabilen; ayrıca insan zekâsına ihtiyaç duyulabilecek hemen hemen her türlü operasyonel aşamada kullanılabilir nitelikte olan" yapay zekâ sistemlerini tanımlamak için "gelişmiş yapay genel zekâ" ifadesini kullanmıştır. Ancak söz konusu makale, kısa süre içinde gözden kaybolarak unutulup gitmiştir.

Ardından, 2000'lerin başında, (ileride DeepMind'ın kurucu ortaklarından biri olacak olan) Legg, aynı terimi bağımsız olarak ortaya attı. Bilgisayar bilimciler Ben Goertzel, Cassio Pennachin ve diğerleriyle birlikte; geniş bir yelpazedeki sorunları ve görevleri çözebilecek makine öğrenimi sistemleri yaratmanın potansiyel yolları üzerine bir kitap üzerinde işbirliği yapıyordu. Bu sistemlerin iddialı hedeflerini; o dönemde revaçta olan ve bir kez eğitildikten sonra yalnızca tek ve dar kapsamlı bir görevi yerine getirebilen sınırlı makine öğrenimi algoritmalarından ayırt edecek bir terim arıyorlardı. Goertzel, bu daha genel yapay zekâ türünü "gerçek yapay zekâ" veya "güçlü yapay zekâ" olarak adlandırmayı düşündü; ancak Gubrud'un daha önceki kullanımından habersiz olan Legg, bunun yerine "yapay genel zekâ" (artificial general intelligence) terimini önerdi. Ayrıca, bu terimin kısaltma olarak AGI şeklinde kullanılmasını da teklif etti. Bu kez, AGI terimi gerçekten de kabul görüp yaygınlaştı.

Goertzel, kitabında AGI'yı şu şekilde tanımladı: "Makul bir düzeyde öz-anlayışa ve özerk öz-denetime sahip olan; çeşitli bağlamlarda, çeşitli karmaşık sorunları çözme yetisine ve yaratıldıkları anda henüz bilmedikleri yeni sorunları çözmeyi öğrenme kabiliyetine sahip yapay zekâ sistemleri."

Bu tanım, genel yapay zekâ sistemleri üzerine yapılan çalışmaları, sınırlı makine öğrenimi sistemlerinden ayırmak açısından yararlıydı; ancak o da, işe yaramayan düzeyde bir belirsizlik barındırıyordu: "Makul bir düzey" ne anlama geliyordu? Hangi bağlamlardaki hangi karmaşık sorunlar, bu standardı karşılıyor sayılıyordu?

Legg, daha sonra AGI'ya dair, bazı açılardan daha dar kapsamlı (örneğin, öz-anlayış konusuna değinmeyen) ancak bir o kadar da muğlak bir tanım sunarak bu belirsizliği daha da artırdı. Örneğin, geçen yıl The Atlantic dergisinden Nick Thompson'a verdiği demeçte şöyle demişti: "AGI'yı; insanların tipik olarak yapabildiği türden bilişsel eylemleri gerçekleştirebilen yapay bir ajan olarak tanımlıyorum. Bunu, doğal asgari ölçüt olarak görüyorum." Peki ama, hangi eylemler? Ve hangi insanlar?

Bu tür sorular, AGI kavramının etrafında dönüp durmaya devam etti. Bu terim; ortalama bir insanın bilişsel yetenekleriyle eşdeğer düzeydeki bir yazılımı mı ifade ediyor? Yoksa en yüksek IQ'ya sahip insanların yeteneklerini mi? Ya da her bir bilgi alanındaki en yetkin uzmanlarınkini mi? Örneğin Hendrycks ve Bengio'nun araştırma makalesi, AGI'yı; "iyi eğitimli bir yetişkinin bilişsel çok yönlülüğü ve yetkinliği" ile eşdeğer düzeyde olmak veya bu düzeyi aşmak şeklinde tanımlıyor. DeepMind makalesi, yetişkinlerden oluşan temsili bir örneklem üzerinden ölçüm yapılmasını öneriyor. Diğerleri ise daha az kesin formülasyonlar kullandı.

Kafa karışıklığını artıran bir diğer nokta ise, yapay genel zekanın (AGI) kamuoyunda sıklıkla yapay zeka araştırmacılarının "yapay süper zeka" veya ASI olarak adlandırdığı, tüm insanlardan daha zeki bir yapay zeka kavramıyla karıştırılmasıdır. Çoğu yapay zeka araştırmacısı AGI ve ASI'yi ayrı kilometre taşları ve gelişmişlik derecesi bakımından çok farklı olarak değerlendirirken, halkın zihninde ikisi sıklıkla birbirine karışıyor.

AGI bir kurumsal hedef—ve bir pazarlama sloganı haline geliyor

AGI'nin tanımına dair akademik tartışma uzun ve incelikli olsa da, kurumsal dünya, en iyimser ifadeyle, kendine has tanımlar ortaya koydu. DeepMind, "yapay genel zeka" (AGI) arayışını bir iş hedefi haline getiren ilk şirket oldu. Legg; Demis Hassabis ve Mustafa Süleyman ile birlikte şirketi 2010 yılında kurduğunda, bu ifadeyi şirketin ilk iş planının ön sayfasına yerleştirmişti.

Beş yıl sonra OpenAI da AGI inşa etmeyi açık bir misyon olarak benimsedi. Şirketin 2015 tarihli orijinal kuruluş ilkeleri; o dönemde kâr amacı gütmeyen bir kuruluş olan bu yeni laboratuvarın, "yapay genel zekanın tüm insanlığın yararına olmasını" sağlamaya adandığını belirtiyordu. Üç yıl sonra, laboratuvar ilk kez kâr amacı güden bir birim kurduğunda, AGI'yi "ekonomik açıdan değerli işlerin çoğunda insanlardan daha iyi performans gösteren, son derece otonom sistemler" olarak tanımlayan bir tüzük yayımladı. Artık AGI, ilk kez, salt bilişsel ölçütlerle değil, finansal ölçütlerle değerlendiriliyordu.

Ve görünen o ki OpenAI, çok geçmeden AGI için gizlice son derece spesifik bir finansal eşik belirleyecekti. Microsoft, 2019 yılında OpenAI'nin kâr amacı güden birimine ilk 1 milyar dolarlık yatırımını yaptığında; teknoloji devinin yapay zeka girişimiyle yaptığı anlaşma, Microsoft'u, laboratuvarın AGI'ye kadar geliştireceği—ancak, kritik bir ayrıntı olarak, AGI'nin kendisi hariç tutulmak kaydıyla—tüm yapay zeka modelleri için OpenAI'nin tercih edilen ticarileştirme ortağı haline getiriyordu. O dönemde, AGI'ye ne zaman ulaşıldığına dair kararın, OpenAI'nin kâr amacı gütmeyen yönetim kurulunun takdirine bırakılacağı bildirilmişti.

Ancak, teknoloji yayın organı The Information'ın 2024 tarihli haberine göre, kritik bir gelişme yaşandı: Microsoft, 2023 yılında OpenAI'ye ilave 10 milyar dolar daha yatırım yapmayı kabul ettiğinde, OpenAI ile imzaladığı sözleşme; AGI'yi, en az 100 milyar dolar kâr üretebilecek bir teknoloji olarak tanımlayan bir madde içeriyordu.

OpenAI bu eşiğe ulaşmaktan henüz çok uzakta. Şirketin, geçen yıl 13 milyar dolar gelir elde ettiğini ancak buna rağmen 8 milyar dolarlık nakit kaynağını tüketmekten kurtulamadığını yatırımcılarına bildirdiği aktarılıyor. 2030 yılına kadar başa baş noktasına ulaşmayı beklemiyor.

Microsoft ile yaptığı sözleşmedeki yapay genel zeka (AGI) için belirlenen finansal eşiğin çok altında olmasına rağmen, OpenAI CEO'su Sam Altman, diğer ölçütlerle ölçüldüğünde yapay zeka kilometre taşına ulaşmaya yakın olduklarını ima eden açıklamalarda bulundu. Ocak 2025'te kişisel blogunda "Düşünceler" başlıklı bir yazıda Altman, OpenAI'nin "geleneksel olarak anladığımız şekilde AGI'yi nasıl inşa edeceğimizi artık bildiğimizden eminiz" ve şirketin hedefini süper zekaya çevirmeye başladığını yazdı. Daha sonraki "Üç Gözlem" başlıklı bir yazısında ise AGI'ye işaret eden sistemlerin "görünür hale geldiğini" yazdı. Ancak, Altman başka zamanlarda AGI'nin bir kavram olarak zayıflığını kabul etmiş gibi göründü. "Düşünceler" blog yazısıyla aynı dönemde Altman, Bloomberg News'e verdiği bir röportajda AGI'nin "çok özensiz bir terim haline geldiğini" söyledi.

Microsoft da, şirketin pazarlama amaçlarına uygun olduğunda OpenAI ile vardığı AGI'nin finansal tanımını görmezden gelmeyi tercih etti. Mart 2023'te, Microsoft araştırmacılarından oluşan bir ekip, GPT-4 hakkında "Yapay Genel Zekanın Kıvılcımları" başlıklı, kışkırtıcı bir 154 sayfalık makale yayınladı ve modelin "makul bir şekilde yapay genel zekanın erken (ancak henüz tamamlanmamış) bir versiyonu" olarak görülebileceğini savundu.

Makale, GPT-4'ün yeteneklerini ticari amaçlar için abarttığı gerekçesiyle geniş çapta eleştirildi. Hatta Altman bile kendisini bu durumdan uzaklaştırarak GPT-4'ü "hala kusurlu, hala sınırlı" olarak nitelendirdi. Google DeepMind ve Hendrycks-Bengio ekibinin yeni araştırmaları ve kıyaslamaları, insan zekası üzerine on yıllarca süren çalışmalara dayanan bir yapay genel zeka ölçütü oluşturma yolunda bazı ilerlemeler kaydediyor. Ve açık olan şu ki, günümüzün en iyi yapay zeka modelleri bile insan bilişsel yeteneklerinin genişliği ve derinliğine ulaşamıyor.

Nvidia CEO'su Huang bunun farkında; tıpkı, AGI'nin (Genel Yapay Zeka) başarıyla elde edildiğini söyleyerek koparacağı sosyal medya fırtınasının ve yaratacağı manşetlerin şüphesiz tam olarak bilincinde olduğu gibi. Huang'ın bunu bildiğini, yine aynı podcast'in ilerleyen dakikalarında —"AGI başarıldı" dediği o podcast'in—, Anthropic ve OpenAI gibi şirketlerin önde gelen yapay zeka modellerinden herhangi biriyle desteklenebilen popüler OpenClaw yapay zeka ajanlarının, Nvidia'yı asla yeniden yaratamayacağını belirtmesinden anlıyoruz. Huang, "Şimdi, bu ajanlardan 100.000 tanesinin bir araya gelip Nvidia'yı inşa etme ihtimali yüzde sıfırdır," dedi.

Huang, sadece Nvidia'nın CEO'su değil. O aynı zamanda şirketin kurucusu ve 33 yıl boyunca şirketi yöneten; bir dönem neredeyse iflasın eşiğinden kurtararak bugün 4 trilyon doların üzerinde bir değere ulaşmasını sağlayan —ki bu da onu gezegendeki en değerli şirketlerden biri yapıyor— kişidir. Pek çok açıdan Huang, eşsiz bir dehadır. Ancak o aynı zamanda, son derece insani bir dehadır. Bu yüzden belki de yeni bir standarda ihtiyacımız var; AGI'ye değil, AJI'ye: Yapay Jensen Zekasına. Yapay zeka bu seviyeye ulaştığında, sosyal medyada Huang'ın AGI iddiasını soluksuz bir şekilde yayan yapay zeka heveslilerinin, gerçekten de heyecanlanacak bir şeyleri olmuş olacak.

Kaynak: Forture