Turkish - A Short History of Foundational AGI Theories

Translations
1

Source article: A Short History of Foundational AGI Theories | by SingularityNet | SingularityNET
Translation by: Faruk
Dework task link: https://app.dework.xyz/singularitynet-ambas/test-38287?taskId=8b62a223-a7a0-4b3c-b79d-222c2884690c
Community review: Please leave comments below about translation quality or like this post if it is well translated

Temel AGI Teorilerinin Kısa Tarihi

786×401 38.5 KB

İnsan benzeri zekaya sahip bir makine olan Yapay Genel Zeka (AGI) hayali, John von Neumann gibi öncülerin insan beyninin işlevlerini taklit etme olasılıklarını araştırdığı 1950’li yıllardaki erken dönem hesaplama teorilerine kadar uzanıyor.

Bugün AGI, bugün kullandığımız belirli görevlerde mükemmellik gösteren çok çeşitli dar AI araçları ve algoritmalarından bir paradigma değişimini temsil ediyor. İnsan seviyesinde veya ötesinde çok çeşitli görevlerde bilgisini öğrenebilen, anlayabilen ve uygulayabilen bir zeka biçimine doğru bir değişim.

AGI’nin kesin tanımı veya karakterizasyonu genel olarak kabul görmemiş olsa da, “Yapay Genel Zeka” terimi, tasarlanmış bir sistemin şu kapasiteye sahip olduğunu ifade eden, birbiriyle yakından ilişkili birden fazla anlama sahiptir:

· İnsanlarla aynı genel zekâya sahip olmak;

· Çok spesifik bir görev kümesine bağlı olmayan zekayı sergilemek;

· Öğrendiklerini genelleştirmek, bağlamlara genelleme yapmak da dahil olmak üzere nitel olarak

· Daha önce gördüklerinden çok farklı;

· Geniş bir bakış açısına sahip olun ve elinizdeki görevleri dünya genelindeki durum ve dünyayla olan ilişkileri bağlamında esnek bir şekilde yorumlayın.

AGI’ye giden yolculuk, her biri teknoloji alanındaki bu yakın devrimin anlaşılmasına ve özlemlerimize katkıda bulunan çok sayıda teori ve kavramsal çerçeveyle işaretlenmiştir.

Gelin geriye dönüp, uzun vadede AGI olarak bildiğimiz kavramın ortaya çıkmasına neden olan temel teorileri ve kavramsallaştırmaları inceleyelim.

AGI’nin En Erken Kavramsallaştırmaları

Turing ve Turing Testi (1950) Alan Turing’in çığır açan makalesi “Hesaplama Makineleri ve Zekâ”, makinelerin insanlardan ayırt edilemeyecek kadar akıllı davranışlar sergileyebileceği fikrini ortaya koydu.

Bir makinenin insan benzeri tepkiler gösterme yeteneğini değerlendiren Turing Testi, zekânın tanımlanmasında davranışın önemini vurgulayan temel bir kavram haline geldi.

Kısa bir süre sonra, 1958’de John von Neumann’ın “Bilgisayar ve Beyin” adlı kitabı, sinirsel süreçlerle hesaplamalı sistemler arasındaki paralellikleri araştırdı ve nörohesaplamalı modellere olan ilgiyi erken dönemde ateşledi.

Bu ilk kavramsallaştırmalar Sembolik Yapay Zeka çağının doğmasına neden oldu

1950’li ve 60’lı yıllarda Allen Newell ve Herbert A. Simon, Fiziksel Sembol Sistemi Hipotezi’ni ortaya atarak, fiziksel bir sembol sisteminin genel zeki eylem için gerekli ve yeterli araçlara sahip olduğunu ileri sürdüler.

Bu teori, erken dönem yapay zeka araştırmalarının çoğunun temelini oluşturmuş ve sorunların ve mantığın yüksek düzeyde sembolik (insan tarafından okunabilir) temsillerine odaklanan sembolik yapay zekanın geliştirilmesine yol açmıştır.

1960’ların sonunda, Marvin Minsky ve Seymour Papert’in “Perceptrons” adlı kitabı, erken sinir ağı modellerini eleştirel bir şekilde inceleyerek sınırlamalarını vurguladı. Başlangıçta bağlantıcı modeller için bir gerileme olarak görülen bu çalışma, sonunda sinir ağları ve yetenekleri üzerine daha derin araştırmalara yol açtı ve makine öğrenimindeki sonraki gelişmeleri etkiledi.

1956’da Newell ve Simon, birçok kişi tarafından ilk gerçek AI programı olarak kabul edilen Logic Theorist’i geliştirdi. Sembolik mantıkta teoremleri kanıtlayabildi ve AI Ar-Ge’sinde oldukça önemli bir dönüm noktası oldu. Ve biraz sonra, 1958’de John McCarthy, o dönemde AI araştırmaları için temel haline gelen bir programlama dili olan LISP’i geliştirdi.

70’lerde, AI’nın erken vaatleri önemli aksiliklerle karşı karşıya kaldı. Beklentiler yüksekti, ancak teknoloji vaat edilen görkemli faydaların bazılarını sunamadı.

Sistemler karmaşık sorunlarla boğuşuyordu ve erken sinir ağlarının ve sembolik AI’nın sınırlamaları belirginleşti. İlerleme eksikliği ve aşırı abartılmış beklentiler nedeniyle AI araştırmaları için fonlama önemli ölçüde azaltıldı. Bu azaltılmış fonlama ve ilgi dönemi ilk AI kışı olarak anılır.

Sinir Ağları ve Bağlantıcılık

1980’lerde sinir ağı araştırmalarında bir canlanma yaşandı.

Uzman sistemlerin geliştirilmesi ve ticarileştirilmesi yapay zekayı tekrar ilgi odağı haline getirdi. Bilgi tabanlarını ve çıkarım kurallarını kullanarak belirli alanlardaki insan uzmanlığını taklit eden bu sistemler, tıp, finans ve üretim gibi sektörlerde pratik olarak faydalı olduğunu kanıtladı.

Ayrıca, o dönemde bilgisayar donanımlarındaki gelişmeler daha karmaşık AI algoritmalarını çalıştırmak için gerekli hesaplama gücünü sağladı. Bu, yeni tekniklere ve algoritmalara, artan ticari ilgiye ve AI ürünlerine daha fazla yatırım yapılmasına yol açtı.

Bu canlanma, David Rumelhart, Geoffrey Hinton ve Ronald Williams’ın geri yayılım algoritmasını geliştirmesiyle gerçekleşti.

Bu atılım, çok katmanlı sinir ağlarının verilerden öğrenmesini, karmaşık modelleri etkili bir şekilde eğitmesini ve yapay zekaya yönelik bağlantıcı yaklaşımlara olan ilgiyi yeniden canlandırmasını sağladı.

John Hopfield, 1982’de Hopfield ağlarını tanıttı ve sinir ağlarının optimizasyon problemlerini nasıl çözebileceğini gösterdi. 1983 ile 1985 arasında Geoffrey Hinton ve Terry Sejnowski, dağıtılmış temsiller ve olasılıksal akıl yürütme yoluyla sinir ağlarının karmaşık problemleri çözme potansiyelini göstererek sinir ağı teorisini daha da ilerleten Boltzmann makinelerini geliştirdi.

Makine Öğrenmesi ve Derin Öğrenmenin Ortaya Çıkışı

Hebbian Öğrenme ve Kendini Organize Eden Haritalar (1949, 1982)

Donald Hebb’in genellikle “birlikte ateşlenen hücreler, birlikte bağlanır” olarak özetlenen ilkesi, gözetimsiz öğrenme algoritmalarının temelini attı. Finlandiyalı Profesör Teuvo Kohonen’in 1982’deki kendi kendini organize eden haritaları, sistemlerin açık bir gözetim olmadan anlamlı desenler oluşturmak için nasıl kendi kendini organize edebileceğini göstererek bu ilkelere dayanıyordu.

Derin Öğrenme ve ImageNet Atılımı (2012)

AlexNet’in başarısıyla işaretlenen 2012’deki ImageNet atılımı, AI ve derin öğrenme alanında devrim yarattı. Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton tarafından geliştirilen, ReLU aktivasyonu, bırakma ve GPU kullanımı gibi yenilikler içeren AlexNet’in derin evrişimli sinir ağı mimarisi, %15,3’lük ilk 5 hata oranına ulaşarak önceki modellerden çok daha iyi performans gösterdi.

Bu başarı, derin öğrenmenin görüntü sınıflandırmasındaki gücünü kanıtladı ve bilgisayarlı görüş ve doğal dil işleme alanında yaygın bir ilgi ve ilerlemenin fitilini ateşledi.

Bilişsel Mimariler ve Entegre Yapay Zeka

SOAR ve ACT-R (1980’ler)

SOAR (Durum, Operatör ve Sonuç) ve ACT-R (Düşünce-Rasyonelin Uyarlanabilir Kontrolü) gibi bilişsel mimariler, insan bilişinin kapsamlı modelleri olarak ortaya çıktı. John Laird, Allen Newell ve Paul Rosenbloom tarafından geliştirilen SOAR, problem çözme ve öğrenme yoluyla genel zeki davranışı kopyalamayı amaçlıyordu. John Anderson tarafından geliştirilen ACT-R, insan bilişsel süreçlerini simüle etmeye, hafıza, dikkat ve öğrenmeye ilişkin içgörüler sağlamaya odaklandı.

Somut Biliş Teorileri (1990’lar)

Somut biliş teorileri, zeki davranışı şekillendirmede bedenin ve çevrenin rolünü vurguladı. Rodney Brooks gibi araştırmacılar, gerçek zekanın bir etken ile çevresi arasındaki etkileşimden kaynaklandığını ve fiziksel deneyimler yoluyla öğrenen ve uyum sağlayan somut AI sistemlerinin geliştirilmesine yol açtığını savundu.

Modern AGI Araştırmaları ve Teorileri

Evrensel Yapay Zeka ve AIXI (2005)

Marcus Hutter’ın Evrensel Yapay Zeka teorisi ve AIXI modeli, AGI için matematiksel bir çerçeve sağladı. İdealize edilmiş bir ajan olan AIXI, algoritmik olasılığa dayalı beklenen ödülleri maksimize ederek optimum davranışa ulaşmak için tasarlanmıştır. AIXI hesaplama açısından uygulanabilir olmasa da, AGI araştırması için teorik bir kıyaslama sunar.

OpenCog Klasik (2008)

AGI teorisindeki önemli gelişmelerden biri, yapay genel zeka araştırmaları için açık kaynaklı bir yazılım çerçevesi olan OpenCog’un yaratılmasıdır. AGI terimini ortaya atan Ben Goertzel tarafından kurulan OpenCog Classic, sembolik AI, sinir ağları ve evrimsel programlama dahil olmak üzere çeşitli AI metodolojilerini entegre etmeye odaklanır. Amaç, insan benzeri zekaya ulaşabilen birleşik bir mimari yaratmaktır.

Sinirsel-Sembolik Bütünleşme (2010’lar)

Sinirsel ve sembolik yaklaşımları bütünleştirme çabaları, her iki paradigmanın güçlü yanlarını birleştirmeyi amaçlıyordu. Sinirsel-sembolik sistemler, sinir ağlarının öğrenme yeteneklerini sembolik AI’nın yorumlanabilirliği ve akıl yürütmesiyle birleştirerek AGI’ye doğru umut vadeden bir yol sunuyor.

Yapay Zeka ve Yapay Zeka’da Güncel Sınırlar

2000’ler-2010’lar: Uzmanlaşmış Yapay Zeka Yeteneklerinin Mühendisliği Algoritmik mimariler, uzmanlaşmış oyun turnuvaları, görüntü sınıflandırması, istatistiksel tahminler vb. konularda insanüstü bir yeterlilik gösterdi, ancak genelleştirilebilirlik konusunda sınırlı kalmaya devam ediyor ve tekdüze olarak çok alanlı uyarlanabilirlikten yoksun.

2020’ler: Büyük Dil Modelleri GPT-3 gibi temel modeller, metin oluşturma uygulamalarında başlangıçta umut vadediyor ve bazı bağlamlar arası aktarım öğrenimi gösteriyor. Ancak, hala tam spektrumlu akıl yürütme, duygusal zeka ve şeffaflık açısından sınırlılar ve sorumlu bir şekilde güvenli entegrasyonlara yönelik zorlukları vurguluyorlar.

2020’ler: OpenCog Hyperon OpenCog Classic’in temelleri üzerine inşa edilen OpenCog Hyperon, yeni nesil AGI mimarisini temsil ediyor. Bu açık kaynaklı yazılım çerçevesi, birleşik bir bilişsel mimari içinde birden fazla AI paradigmasını bir araya getirerek bizi insan seviyesindeki AGI’nin ve ötesinin gerçekleştirilmesine doğru itiyor. OpenCog Hyperon Alpha’nın yakın zamanda piyasaya sürülmesiyle SingularityNET, AGI topluluğu içinde işbirlikçi inovasyon için sağlam bir çerçeve oluşturdu.

Dr. Ben Goertzel için her şey en başından beri açıktı.

Ticari alandaki temel fikirlerin çoğunun, ilk pratik AI sistemlerinin piyasaya sürüldüğü 1960’lar ve 1970’lerde zaten var olduğuna inanıyor. Bununla birlikte, AI, 20. yüzyılın ortalarındaki başlangıcından bu yana uzun bir yol kat etti.

Örneğin, 1960’larda, beyin hücrelerini simüle etmeye çalışan simüle edilmiş nöronların çoklu katmanlarına sahip derin sinir ağları da dahil olmak üzere sinir ağları zaten vardı. Ayrıca, kanıtlara dayalı sonuçlar çıkarmak için biçimsel mantığı kullanan otomatik mantıksal akıl yürütme sistemleri de vardı.

Ayrıca yapay zekanın mevcut durumunu da ele alarak, yapay zeka sistemlerinin henüz insan seviyesinde olmasalar bile inanılmaz şeyler başarabildiğini vurguladı: “Şu anda olan şey, bu eski yapay zeka yaklaşımlarının yeni başarı seviyelerine ulaşmasını sağlamak için çok fazla işlem gücü ve çok fazla verinin kullanılmasıdır.”

Büyük dil modelleri (LLM’ler) bunun iyi bir örneğidir. Metin üretebilir, dilleri çevirebilir, farklı türde yaratıcı içerikler yazabilir ve sorularınızı bilgilendirici bir şekilde yanıtlayabilirler ancak yalnızca “bu dar işlevlerden birini yerine getirme bağlamında çok akıllı olabilirler.” Peki sırada ne var?

Dr. Goertzel, “AGI’nin artık ulaşılabilir olduğu sezgisel olarak açık ve önümüzdeki birkaç yıl içinde başarılması muhtemel.” dedi. Bunun nedeni, şu anda makul görünen AGI’ye yönelik bir dizi farklı yaklaşımımızın olmasıdır. Araştırma ekipleri ve OpenAI gibi şirketler tarafından izlenen bir yaklaşım, halihazırda etkileyici şeyler başarabildiği gösterilmiş LLM’leri yükseltmektir. Başka bir yaklaşım, farklı türdeki derin sinir ağlarını birbirine bağlamaktır. Üçüncü yaklaşım, sinir ağlarını OpenCog Hyperon gibi dağıtılmış metagraf tabanlı bir mimaride diğer türdeki AI araçlarıyla birbirine bağlamaktır.

Herkese AGI’ye ulaşmanın bazı ilginç sosyal, ekonomik ve etik sorunlar ortaya çıkardığını hatırlatıyor, ancak “bazı insanların olduğu kadar bu konularda endişeli olmadığını” söylüyor çünkü AGI’nin dağıtımını merkeziyetsiz, yönetimi katılımcı ve demokratik tutabilirsek, AGI’nin insanlığa faydalı olacak ve daha tatmin edici hayatlar sürmemize yardımcı olacak şekilde büyüyeceğine dair büyük bir inancımız olabilir.

SingularityNET olarak, AGI’de şu anda mümkün olduğu düşünülen sınırları zorlamak için çok çalışıyoruz.

Ancak açık olan şey: Devlerin omuzlarında duruyoruz. Turing ve von Neumann’ın ilk günlerinden sembolik yapay zeka, sinir ağları ve derin öğrenmedeki öncü çalışmalara kadar her kilometre taşı bizi AGI hayalini gerçekleştirmeye daha da yaklaştırdı.

Bu sınırları büyük dil modelleri ve OpenCog Hyperon gibi entegre bilişsel mimarilerle zorlamaya devam ettikçe, AGI ufku yaklaşıyor. Yol zorluklarla dolu, ancak araştırmacıların, vizyonerlerin ve uygulayıcıların kolektif çabası bizi ileriye taşımaya devam ediyor.

Birlikte zekanın geleceğini yaratıyoruz, soyut olanı elle tutulur hale getiriyoruz ve insanlar kadar derinlemesine düşünebilen, öğrenebilen ve anlayabilen makinelere doğru adım adım ilerliyoruz.

1100×61 2.61 KB

SingularityNET Hakkında

SingularityNET, Dr. Ben Goertzel tarafından merkezi olmayan, demokratik, kapsayıcı ve faydalı bir Yapay Genel Zeka (AGI) yaratma misyonuyla kuruldu. Bir AGI herhangi bir merkezi varlığa bağlı değildir, herkese açıktır ve tek bir şirketin veya hatta tek bir ülkenin dar hedefleriyle sınırlı değildir. SingularityNET ekibi deneyimli mühendisler, bilim insanları, araştırmacılar, girişimciler ve pazarlamacılardan oluşur. Temel platform ve AI ekiplerimiz, finans, robotik, biyomedikal AI, medya, sanat ve eğlence gibi uygulama alanlarına adanmış uzman ekiplerle daha da tamamlanmaktadır.

Merkezi Olmayan Yapay Zeka Platformu | OpenCog Hyperon | Ekosistem | ASI Alliance

En Son SingularityNET Haberleri ve Güncellemelerinden Haberdar Olun: