Yapay zekanın gelişiminde 3-4 yıl önce metin ve kod üreten, sonrasında karmaşık problemler çözebilen ve çok girişimli vazifeler yerine getirebilen modeller öne çıktı. Son evrede ise modeller, kendilerine verilen vazifenin nasıl tamamlanacağını planlayıp, bilgisayar ve elektronik ortamda vasıtalar direkt kullanabilen, sonuçlarını değerlendiren ve gerektiğinde hatalarını düzelterek mesaiyi sürdüren sistemlere evrildi. Bu çabuk dönüşüm, yapay zekanın insanlara yanıt veren bir yazılımdan insanların amaçlar yönünde vazifeler otonom biçimde yürütebilen ajanlara dönüşmesini sağlarken alandaki rekabetin merkezinde ABD ve Çin'deki firmalar öne çıkıyor.
Yapay zekanın bu yepyeni aşamasında kullanıcıların her işlemi tek tek tarif etmesi yerine ulaşılmak istenen amaçı belirtmesi yeterli hale geliyor. Ajanlar, amaç yönünde bilgisayarı kullanabiliyor, muhtelif uygulamalar arasında işlem yapabiliyor, elektronik ortamda araçlardan yararlanabiliyor ve süreci baştan sona yönetebiliyor.
Yapay zeka "iş yapan" ajana dönüşüyor
Üretken yapay zekanın ilk döneminde kullanıcı sisteme bir soru veya komut veriyor ve karşılığında metin, görüntü veya kod alıyordu. Otonom ajanlarla beraber ise sistem, daha kapsamlı bir vazifeyi parçalara ayırarak gerekli işlemleri sıralayabiliyor ve ortaya çıkan sonuçlara göre sonraki adımlarını belirleyebiliyor. Böylece "yapay zekaya bir şey yaptırmak" yerine "yapay zekaya kapsamlı görevler vermek" yepyeni kullanım biçimi haline geliyor.
Anthropic'in ağustos sonunda Claude modellerinin fiziksel cihazlarla etkileşimini mümkün kılmaya dönük Model Hardware Standard çalışmasını araştırma ön izlemesine açması, yapay zekanın fiziksel dünyaya taşınmasına yönelik kayda değer örneklerden birini oluşturuyor.
Çalışmayla yapay zeka ajanlarının mikroskop, robotik kol ve sıvı işleme sistemleri gibi muhtelif laboratuvar cihazlarını birlikte yürütülen bir yapı vasıtasıyla kullanabilmesi ve bu cihazları aynı vazife yönünde koordine edebilmesi planlanıyor.
Anthropic'in denemelerinde Claude, bir lazerin hizalanması için ayar yaptıktan sonra kameradan aldığı görüntüyü değerlendirerek ışının konumunu tekrar muayene etti ve gerekli düzeltmeleri tekrarladı. Bir başka mesaide ise lazerin tekrar kilitlenmesi sürecini optimize eden Claude, yüzlerce denemenin sonrasında işlemin süresini takriben 150 saniyeden 6 saniyeye indirirken zafer oranını yüzde 58'den yüzde 96'ya çıkardı.
Şirket, yapay zeka ajanlarının muhtelif donanım ve fiziksel sistemlerle birlikte yürütülen bir standart vasıtasıyla iletişim kurabilmesini sağlamak gayesiyle Model Hardware Standard (MHS) çalışmasını geliştiriyor. Bu yaklaşımda yapay zeka, tek bir cihazı kullanan operatörden ziyade, muhtelif makineleri aynı amaç yönünde yöneten bir "orkestra şefi" rolüne yaklaşıyor.
OpenAI insan-bilgisayar işbirliğine ağırlık veriyor
OpenAI'nin civardaki zamanda tanıttığı GPT-6 Astra da otonom ajanların bilgisayar kullanımındaki gelişiminin en yepyeni örneklerinden biri olarak öne çıkıyor.
Astra, bilgisayar ekranındaki uygulamalarla etkileşime geçerek uzun süreli ve çok safhalı vazifeler kullanıcı adına gerçekleştirebiliyor. Modelin yazılım geliştirme ve siber asayiş gibi alanlarda da uzun süreli çalışabilmesi, yapay zekanın salt işlem ile ilgili malumat veren bir yardımcı olmaktan çıkıp işlemi direkt yapan bir sisteme dönüşümünü hızlandırıyor.
Şirket eliyle toplumsal basında paylaşılan görüntülerde modelin, internet üzerinde araştırma yapma, bilgisayar oyunu yazma, elektronik tablolardaki verileri analiz etme ve sunum hazırlama gibi muhtelif işlemleri tek bir vazife akışı içinde gerçekleştirebildiği görülüyor.
Astra ve Claude'daki gelişimler, yapay zeka yarışında yepyeni ölçütün salt modelin ne kadar doğru cevap verdiği olmadığını ortaya koyuyor. Modellerin bir vazifeyi ne kadar süre insan müdahalesi olmadan sürdürebildiği, kaç muhtelif aracı kullanabildiği ve gerçek dünyadaki sistemlerle ne ölçüde etkileşime geçebildiği rekabetin yepyeni başlıklarını oluşturuyor.
Çinli modeller muhtelif yaklaşımlar sergiliyor
Çin'deki yapay zeka firmalar de bu ajanlaşma eğilimine muhtelif yaklaşımlarla karşılık veriyor. Z.AI'ın GLM ailesinde ise uzun süreli vazifeler üzerinde çalışabilme, planlama, uygulama, test etme, hata düzeltme ve tekrar deneme döngülerinin sürdürülmesi öne çıkıyor. DeepSeek'in ağustosta genel kullanıma açtığı V4 Pro modeli, ajan tabanlı yazılım geliştirme ve vasıta kullanımına odaklanırken, Moonshot AI'ın 17 Temmuz'da tanıttığı Kimi K3, karmaşık vazifeler birçok alt ajana bölerek eş zamanlı yürütme yaklaşımını öne çıkarıyor.
Kimi'nin yaklaşımında birçok yapay zeka ajanı bir "dijital iş gücü" gibi çalışırken, GLM aynı vazife üzerinde uzun süre çalışarak sonucu girişim girişim geliştirmeye, DeepSeek ise modeli kodlama ortamları ve diğer elektronik ortamda araçlarla beraber çalıştırmaya odaklanıyor.
Yeni modelleri geliştirme süresi kısalıyor
Yapay zeka şirketlerinin yepyeni modeller geliştirmedeki süratinin de giderek artması, bu dönüşümü daha da hızlandırıyor. Modeller salt kullanıcıların işlerini yapmak için değil, yepyeni yapay zeka sistemlerinin geliştirilmesi, kodlanması, test edilmesi ve iyileştirilmesi süreçlerinde de kullanılıyor. Böylece her yepyeni nesil model, bir sonraki modelin geliştirilmesinde kullanılan araçların da güçlenmesine katma değer sunuyor.
Bu gelişimler, yapay zekanın insan düzeyinde genel yeteneklere sahip olması umulan Yapay Genel Zeka'ya (AGI) ne kadar yaklaştığı ve var olan gelişim hızının bu amaça ne zaman ulaşılmasını sağlayabileceği sorularını tekrar gündeme getiriyor.
SON YORUMLAR