Yapay zekada devrim! Yüzde 95 başarı oranı ve 100 kat enerji tasarrufu

Yapay zeka teknolojisinin enerji tüketimi konusundaki endişeler her geçen gün artarken, bilim insanları bu soruna köklü bir çözüm getirebilecek yeni bir sistem geliştirdi. Geleneksel sinir ağlarını insan benzeri sembolik akıl yürütme yöntemiyle harmanlayan nöro-sembolik yapay zeka yaklaşımı, enerji kullanımını 100 kata kadar azaltırken doğruluk oranını da ciddi ölçüde yükseltti. Bu yeni sistem, robotların kaba kuvvet deneme yanılma yöntemine bel bağlamak yerine daha mantıklı ve yapılandırılmış biçimde düşünmesini sağlıyor. Günümüzün en güçlü yapay zeka sistemlerinden bile daha iyi performans sergileyen bu yaklaşım, sektörde büyük yankı uyandırdı.

ABD'de yapay zeka elektrik tüketimi alarm veriyor

Yapay zeka sistemleri Amerika Birleşik Devletleri'nde devasa boyutlarda elektrik tüketiyor. Uluslararası Enerji Ajansı'nın verilerine göre yapay zeka sistemleri ve veri merkezleri 2024 yılında yaklaşık 415 terawatt saat güç harcadı. Bu rakam, ülkenin toplam elektrik üretiminin yüzde 10'undan fazlasına denk geliyor ve son derece dikkat çekici bir seviyeye ulaştı. Üstelik bu talebin 2030 yılına kadar iki katına çıkacağı öngörülüyor. Söz konusu hızlı büyüme, sürdürülebilirlik konusundaki kaygıları ciddi biçimde artırdı. İşte tam bu noktada araştırmacılar, çok daha verimli çalışacak şekilde tasarlanmış bir kavram kanıtı niteliğinde yapay zeka sistemi ortaya koydu. Geliştirilen bu yaklaşım, enerji kullanımını 100 kata kadar düşürebilirken aynı zamanda görevlerdeki başarı oranını da yukarı taşıyabiliyor.

Matthias Scheutz'un laboratuvarından çıkan nöro-sembolik yapay zeka

Bu çığır açan araştırma, Karol Ailesi Uygulamalı Teknoloji Profesörü Matthias Scheutz'un laboratuvarından çıktı. Scheutz'un ekibi, geleneksel sinir ağlarını sembolik akıl yürütme ile bir araya getiren nöro-sembolik yapay zeka üzerinde çalışıyor. Bu yöntem, insanların problemleri adım adım ve kategorilere bölerek çözme biçimini taklit ediyor. Dolayısıyla sistem, karmaşık görevleri daha yapılandırılmış ve verimli bir şekilde ele alabiliyor. Araştırma, Mayıs ayında Viyana'da düzenlenecek Uluslararası Robotik ve Otomasyon Konferansı'nda sunulacak ve konferans bildirileri arasında yerini alacak. Bilim dünyası bu sunumu büyük bir merakla bekliyor.

Robotlara görme, anlama ve hareket etme yetisi kazandırılıyor

ChatGPT ve Gemini gibi herkesin aşina olduğu büyük dil modellerinin aksine, Scheutz'un ekibi robotik alanında kullanılan yapay zeka sistemlerine odaklandı. Bu sistemler görsel-dil-eylem modelleri, kısaca VLA modelleri olarak biliniyor. VLA modelleri, büyük dil modellerinin yeteneklerini görme ve fiziksel hareket kapasitesiyle genişletiyor. Kameralardan gelen görsel verileri ve dilden aldıkları talimatları işleyerek bu bilgiyi gerçek dünya eylemlerine dönüştürüyor. Örneğin bir görevi tamamlamak için robotun tekerleklerini, kollarını veya parmaklarını kontrol edebiliyor. Bu sayede yapay zeka, dijital ortamdan fiziksel dünyaya geçiş yaparak somut işler gerçekleştirebiliyor.

Geleneksel yapay zeka basit görevlerde bile tökezliyor

Geleneksel VLA sistemleri büyük ölçüde veriye ve deneme yanılma yoluyla öğrenmeye dayanıyor. Bir robottan blokları bir kuleye yığması istendiğinde, önce sahneyi analiz etmesi, her bloğu ayrı ayrı tanıması ve bunları doğru biçimde nasıl yerleştireceğini hesaplaması gerekiyor. Ancak bu süreç sıklıkla hatalara yol açıyor. Gölgeler, sistemin bir bloğun şeklini yanlış algılamasına neden olabiliyor ya da robot parçaları hatalı konumlandırarak yapının çökmesine sebep olabiliyor. Bu tür hatalar, büyük dil modellerinde karşılaşılan sorunlarla büyük benzerlik taşıyor. Tıpkı robotların blokları yanlış yerleştirmesi gibi, sohbet robotları da yanlış veya yanıltıcı çıktılar üretebiliyor. Uydurma yasal davalar oluşturma ya da fazladan parmaklar gibi gerçekçi olmayan ayrıntılarla görüntüler üretme bunların en bilinen örnekleri arasında yer alıyor.

Sembolik akıl yürütme doğruluğu ve verimliliği nasıl artırıyor?

Sembolik akıl yürütme, geleneksel yaklaşımlardan tamamen farklı bir strateji sunuyor. Yalnızca verideki örüntülere güvenmek yerine şekil, denge gibi kurallar ve soyut kavramlar kullanıyor. Bu sayede sistem daha etkili biçimde plan yapabiliyor ve gereksiz deneme yanılma süreçlerinden kaçınabiliyor. Profesör Scheutz bu konuda önemli açıklamalar yaptı. Scheutz, "Bir büyük dil modeli gibi VLA modelleri de benzer senaryoların büyük eğitim setlerinden elde edilen istatistiksel sonuçlara göre hareket ediyor, ancak bu durum hatalara yol açabiliyor" dedi. Scheutz sözlerine şöyle devam etti: "Bir nöro-sembolik VLA, öğrenme sırasında deneme yanılma miktarını sınırlayan kurallar uygulayabiliyor ve bir çözüme çok daha hızlı ulaşabiliyor. Görevi yalnızca çok daha hızlı tamamlamakla kalmıyor, aynı zamanda sistemin eğitimine harcanan süre de önemli ölçüde azalıyor."