Orijinal Metin Başlığı: Import AI 455: AI systems are about to start building themselves.
Orijinal Metin Yazarı: Jack Clark, Anthropic Co-founder

Orijinal Metin Çeviren: Yang Wen, Chen Chen, Synced

Bu görüş rastgele ortaya atılmadı. Bir dizi genel kabul görmüş ölçüm incelendiğinde, AI'nın AI araştırma ile ilgili görevlerde hızla ilerlediği ortaya çıktı.

Örneğin, CORE-Bench, AI'nın diğer araştırma makalelerini gerçekleştirme yeteneğini inceleyen, AI araştırmasında hayati bir rol oynayan bir başka ölçüdür.

PostTrainBench, güçlü modellerin zayıf açık kaynaklı modelleri otomatik olarak ayarlayıp performanslarını artırıp artıramayacağını test eder; bu da AI araştırma görevinin önemli bir alt kümesidir.

MLE-Bench, gerçek Kaggle yarışması görevlerine dayanmakta ve belirli bir problemi çözmek için çeşitli makine öğrenimi uygulamaları geliştirme gerektirmektedir. Ayrıca SWE-Bench gibi yaygın bilinen kod ölçümleri, benzer ilerlemeleri sergilemektedir.

Jack Clark, bu fenomeni "fraktal" şeklinde bir yukarı ve sağa doğru eğilim olarak tanımlar; yani farklı çözünürlüklerde ve ölçeklerde anlamlı ilerlemelerin gözlemlenebileceğini düşünür. O, AI'ın giderek uçtan uca otomatik araştırma yeteneğine yaklaştığını düşünmekte ve bu yeteneğe ulaşıldığında, AI'ın kendi takip eden sistemlerini inşa edebileceği, kendini tekrarlayan bir döngü başlatabileceği bir aşamaya gelindiğini belirtmektedir.

Bu açıklama, sosyal medyada birçok tartışmaya yol açmıştır.

Bazıları bunu ASI ve Singularity'e doğru atılmış kritik ilk adım olarak görmekte, teknolojinin gelişim temposunu temelden değiştirebileceklerini düşünmektedir.

Bununla birlikte, farklı görüşler de mevcuttur.

Washington Üniversitesi Bilgisayar Bilimleri Profesörü Pedro Domingos, AI sistemlerinin Lisp dilinin 1950'lerde icat edildiği zamandan beri "kendilerini inşa etme" yeteneğine sahip olduklarını belirtmekle birlikte, gerçek sorunun artan getirinin sağlanıp sağlanamayacağı olduğunu ve şu anda bu konuda net bir kanıt olmadığını belirtmektedir.

Bazı internet kullanıcıları, 2027'den 2028'e kadar, olasılığın aniden %30 arttığını sorguladı. Bu durum, yapay zekanın yeteneklerinin 2027 sonu veya 2028 başında ani ve büyük bir ilerleme yaşayabileceğini ima ediyor. Peki, hangi belirli kilometre taşı veya olay, yapay zekanın kendini tekrarlayan şekilde geliştirme olasılığını kısa sürede büyük ölçüde artırabilir?

Bazı internet kullanıcıları, Jack Clark'ın Anthropic'te yeni atanan halkla ilişkiler sorumlusu olduğunu belirtti. Bu, yeni stratejilerinin bir parçası: Biz korkutan değiliz, uzun zamandır sizi uyarmış olduğumuz şeyi doğrulayan çok sayıda makale var.

Jack Clark, Import AI 455 bu bülteninde detaylı bir makale yazdı.

Şimdi, bu makaleyi tamamen inceleyelim.

Yapay Zeka Sistemi Kendini İnşa Etmeye Başlıyor: Bu Ne Anlama Geliyor?

Clark, bu yazıyı kaleme aldığını, tüm açık kaynaklı bilgileri gözden geçirdikten sonra, oldukça zorlu bir yargıya varmak zorunda olduğunu belirtti: 2028'in sonuna kadar, insan olmadan yapay zeka geliştirme olasılığının oldukça yüksek olduğunu, belki de %60'ı aştığını ifade etti.

Burada bahsedilen insan olmadan yapay zeka geliştirme, oldukça güçlü bir yapay zeka sistemi anlamına gelir: Bu sadece insanlara araştırma yapmalarında yardımcı olmakla kalmaz, aynı zamanda kritik geliştirme süreçlerini kendi başına tamamlayabilir ve hatta kendi nesil sistemleri inşa edebilir.

Clark'a göre, bu açıkça büyük bir olaydır.

Kendi ifadesiyle, bu durumun anlamını tam olarak sindirmenin bile zor olduğunu kabul etti.

Bu zorunlu bir yargı olarak adlandırılmasının nedeni, arkasındaki etkinin aşırı derecede büyük olması ve bununla başa çıkmakta zorlanıyor olmasıdır Clark. Clark aynı zamanda, tüm toplumun, yapay zeka geliştirme otomasyonunun getirdiği derin değişimle başa çıkacak şeilde hazır olup olmadığından da emin değil.

Şimdi, insanoğlunun muhtemelen, uçtan uca otomasyona doğru adım atmış olduğu özel bir zaman diliminde yaşadığına inanıyor. Eğer bu an gerçekten gelirse, insanlık, Rubicon Nehri'ni geçmiş gibi olacak ve neredeyse tahmin edilemeyen bir geleceğe adım atmış olacak.

Clark, bu makalenin amacının, tam otomasyonlu yapay zeka geliştirme yolculuğunun hızla başladığını neden düşündüğünü açıklamak olduğunu belirtti.

O, bu eğilimin getirebileceği bazı sonuçları tartışacak, ancak makalenin büyük bir kısmı, bu değerlendirmeyi destekleyen kanıtlara odaklanacak. Clark, daha derin etkilerle ilgili olarak, bu yılın çoğunda çalışmaya devam etmeyi planlıyor.

Zamanlama açısından, Clark bu durumun 2026 yılında gerçekleşeceğine inanmıyor. Ancak, gelecek bir veya iki yıl içinde, bir modelin uçtan uca eğitimini kendi kendine tamamlayan bir vakayı görebileceğimizi düşünüyoruz. En azından öncü olmayan modeller düzeyinde, bir konsept kanıtının ortaya çıkma olasılığı oldukça yüksektir; en yeni modeller için ise zorluk daha fazla olacaktır, çünkü maliyetleri son derece yüksektir ve çok sayıda insan araştırmacının yoğun çalışmasına bağlıdır.

Clark'ın değerlendirmesi büyük ölçüde açık kaynaklı bilgilere, arXiv, bioRxiv ve NBER gibi platformlardaki makalelere ve öncü AI şirketlerinin gerçek dünyada kullanıma sunduğu ürünlere dayanıyor. Bu bilgilere dayanarak, kendisi şu sonuca varmıştır: mevcut AI sistemlerinin üretim süreçlerinin neredeyse tamamının otomatik hale gelmiş olması, özellikle AI geliştirmedeki mühendislik bileşenleri.

Ölçeklendirme eğilimi devam ederse, bu durumu karşılaşmaya hazırlanmamız gerektiğini belirtiyoruz: modeller yeterince yaratıcı hale gelecek ve sadece bilinen yöntemleri otomatik olarak iyileştirmekle kalmayacak, aynı zamanda tamamen yeni araştırma yönleri ve orijinal fikirler önerme konusunda insan araştırmacılarına yerini alabilir, böylece AI'nın öncüsünü kendi kendine ileri taşıyabilir.

Kodlama Singularity: Yetenek Zamanla Değişiyor

AI sistemleri yazılım aracılığıyla gerçekleştirilir ve yazılım kodlardan oluşur.

AI sistemleri kod üretim sürecini tamamen değiştirmiştir. Bu duruşun arkasında iki ilgili eğilim var: bir yandan, AI sistemleri karmaşık gerçek dünya kodu yazma konusunda giderek daha yetenekli hale geliyor; diğer yandan, AI sistemleri de giderek daha az insan denetimine dayanarak, pek çok lineer kodlama görevini neredeyse insan müdahalesine ihtiyaç duymadan birbirine bağlayarak tamamlama konusunda uzmanlaşıyor, örneğin önce kod yazma, sonra test yapma.

Bu eğilimi yansıtan iki tipik örnek, SWE-Bench ve METR zaman çizelgesi grafiğidir.

Gerçek Dünya Yazılım Mühendisliği Sorunlarını Çözme

SWE-Bench, gerçek GitHub sorunlarını çözme yeteneğini değerlendirmek için geniş çapta kullanılan bir kodlama testidir.

SWE-Bench 2023 yılının sonlarında piyasaya sürüldüğünde, o zamanlar en iyi performans gösteren model Claude 2 idi ve genel başarı oranı yaklaşık %2 idi. Ancak Claude Mythos Preview'ün başarısı %93.9'a ulaştı ve bu neredeyse bu ölçümü doldurdu.

Tabii ki, tüm ölçütlerin kendileri belirli bir gürültüye sahiptir, bu nedenle genellikle şöyle bir aşama olur: Bir puan belirli bir seviyeye yükseldiğinde, karşılaştığınız sorun artık yöntemin kendi kısıtlaması değil, ölçütün kendisinin kısıtlaması olabilir. Örneğin ImageNet doğrulama setinde, yaklaşık olarak etiketlerin %6'sı yanlış ya da belirsizdir.

SWE-Bench, genel programlama yeteneğini ve yapay zekanın yazılım mühendisliği üzerindeki etkisini ölçen güvenilir bir ölçüt olarak görülebilir. Clark'a göre, kendisi önde gelen bir yapay zeka laboratuvarında ve Silikon Vadisi'nde tanıştığı çoğu insanın artık neredeyse tamamen yapay zeka sistemleri aracılığıyla kod yazdığını ve giderek daha fazla insanın testler yazmak ve kod kontrolü yapmak için yapay zeka sistemlerini kullandığını belirtiyor.

Başka bir deyişle, yapay zeka sistemleri artık yeterince güçlüdür, AI araştırmasının önemli bir parçasını otomatikleştirebilir ve tüm AI araştırmacılarını ve mühendislerini büyük ölçüde hızlandırabilir duruma gelmiştir.

Yapay Zeka Sisteminin Uzun Süreli Görevleri Tamamlama Yeteneğinin Ölçümü

METR, yapay zekanın ne kadar karmaşık görevleri başarabileceğini ölçen bir çizelge oluşturdu. Buradaki karmaşıklık, bu görevleri başarılı bir insanın tamamlamasının yaklaşık olarak kaç saat süreceğine göre hesaplanmıştır.

En önemli ölçütlerden biri, yapay zeka sisteminin bir grup görevde %50 güvenilirlik seviyesine ulaştığı noktada, karşılık gelen yaklaşık görev süresidir.

Bu noktada, ilerleme son derece etkileyici:

· 2022 yılında, GPT-3.5'in başa çıkabildiği görevler, yaklaşık olarak insanın 30 saniyede tamamlayabileceği görevlere eşdeğerdir.

· 2023 yılında, GPT-4 bu süreyi 4 dakikaya çıkardı.

· 2024 yılında, o1 bu süreyi 40 dakikaya çıkardı.

· 2025 yılında, GPT-5.2 High yaklaşık olarak 6 saat süren görevlere ulaştı.

· 2026'ya gelindiğinde, Opus 4.6 bu süreyi yaklaşık 12 saate yükseltti.

METR'de çalışan ve uzun süre AI tahminleriyle ilgilenen Ajeya Cotra'ya göre, 2026 yılının sonuna gelindiğinde, yapay zeka sisteminin insanın 100 saatte tamamlayabileceği bir göreve ulaşabilmesi, mantıklı bir beklenti değil.

Yapay zekanın bağımsız olarak çalışabileceği süre önemli ölçüde artmış ve bu durum, ajantik kodlama araçlarının patlamasıyla büyük ölçüde ilişkilidir. Söz konusu ajantik kodlama araçları, temelde insanın yapabileceği işleri yerine getirebilen AI sistemlerini ürün haline getirir: Bunlar insan eylemlerini temsil edebilir ve oldukça uzun bir süre boyunca görevleri nispeten bağımsız bir şekilde ilerletebilir.

Bu aynı zamanda AI araştırma ve geliştirmesini de yeniden yönlendiriyor. Birçok AI araştırmacısının günlük işlerine dikkatlice bakarsanız, birçok görevin aslında veri temizleme, veri okuma, deney başlatma gibi birkaç saatlik işlere bölünebileceğini göreceksiniz.

Ve bu tür işler, bugün modern AI sistemlerinin kapsayabileceği bir zaman aralığına girmiştir.

Ne kadar yetenekli olursa, AI sistemleri, insan işinden bağımsız olarak da çalıştıkça, AI araştırmasının bir kısmını otomatikleştirmeye yardımcı olabilir.

Görevi Delegenin Temel İki Unsuru:

· Birincisi, güvendiğiniz kişinin yeteneği;

· İkincisi, kişinin sizin yönlendirmeniz olmadan niyetinize uygun olarak işi bağımsız olarak tamamlayabileceğine inanmanız.

Kullanıcı, AI'nın programlama yeteneğini gözlemlediğinde, AI sistemlerinin sadece daha yetenekli hale gelmekle kalmayıp aynı zamanda insan müdahalesine yeniden ayarlanmaya ihtiyaç duymadan daha uzun süre bağımsız olarak çalışabilme yeteneğinin de arttığını fark edecektir.

Bu aynı zamanda etrafımızda olup bitenlerle de örtüşüyor, mühendisler ve araştırmacılar, giderek daha büyük iş parçalarını AI sistemlerine devretmekteler. AI yetenekleri arttıkça, AI'ya devredilen işler giderek daha karmaşık ve önemli hale gelmektedir.

AI, AI Ar-Ge için Gerekli Temel Bilimsel Becerileri Öğreniyor

Modern bilimsel araştırmanın nasıl yürütüldüğünü düşünün, buradaki büyük bir kısmı, aslında bir yönlendirme belirlemek, hangi tür deneysel bilgiyi elde etmek istediğinizi netleştirmek; ardından deney tasarlamak ve yürütmek, bu bilgileri üretmek; ve nihayet deney sonuçlarını mantıksal bir şekilde kontrol etmekten oluşmaktadır.

AI programlama yetenekleri sürekli olarak artarken ve buna bir de büyük dil modellerinin dünya modelleme yetenekleri eklendiğinde, günümüzde bilim insanlarının hızlandıklarına ve daha geniş Ar-Ge ortamlarında belirli işlemleri kısmen otomatikleştirebilecek araçların ortaya çıktığına tanık olunmuştur.

Burada, AI'nin belirli temel bilimsel becerilerdeki ilerleme hızını gözlemleyebiliriz ve bu beceriler aynı zamanda AI araştırmasının vazgeçilmez bir parçasıdır:

· Birincisi, araştırma sonuçlarını yeniden üretebilme;

· İkincisi, makine öğrenme tekniklerini diğer yöntemlerle birleştirerek, teknik sorunları çözmek;

· Üçüncüsü, AI sisteminin kendisini optimize etme.

Tüm Bilimsel Makaleyi Gerçekleştirin ve İlgili Deneyleri Tamamlayın

AI araştırmasındaki temel bir iş, bilimsel makaleleri okumak ve bu makalelerdeki sonuçları yeniden oluşturmaktır. Bu konuda, AI zaten bir dizi benchmark'ta önemli ilerlemeler kaydetmiştir.

Bir örnek CORE-Bench'tir, yani Computational Reproducibility Agent Benchmark.

Bu benchmark, bir AI sisteminin verilen bir makale ve kod deposu durumunda makaledeki sonuçları yeniden üretmesini gerektirir. Daha spesifik olarak, Agent ilgili kütüphaneleri, yazılım paketlerini ve bağımlılıkları yüklemeli, kodu çalıştırmalıdır; kod başarılı bir şekilde çalıştırılırsa, tüm çıktıları aramalı ve görevdeki soruları yanıtlamalıdır.

CORE-Bench Eylül 2024'te önerildi. O zamanlar en iyi performansı gösteren sistem, CORE-Agent iskeletinde çalışan GPT-4o modeliydi. Bu benchmark'ın en zorlu görev setinde, puanı yaklaşık %21,5 idi.

Ancak Aralık 2025'e gelindiğinde, CORE-Bench'in bir yazarı, bu benchmark'ın artık çözüldüğünü duyurdu: Opus 4.5 modeli %95,5 başarı elde etti.

Tam Bir Makine Öğrenimi Sistemi Oluşturarak Kaggle Yarışması Sorunlarını Çözme

MLE-Bench, AI sisteminin çevrimdışı ortamda Kaggle yarışmasına katılma yeteneğini test etmek için OpenAI tarafından oluşturulan bir benchmark'tır.

Doğal Dil İşleme, Bilgisayar Görüsü ve Sinyal İşleme gibi birçok alana yayılan 75 farklı türde Kaggle yarışmasını kapsar.

MLE-Bench Ekim 2024'te piyasaya sürüldü. Piyasaya sürüldüğünde, en iyi performans gösteren sistem, bir ajan iskeletinde çalışan o1 modeliydi ve %16,9 puan aldı.

2026 Şubat'ına gelindiğinde, en iyi performans gösteren sistem artık arama yeteneğine sahip bir ajan destek sistemine sahip Gemini 3'e dönüştü ve %64,4'e ulaştı.

Çekirdek Tasarımı

AI geliştirme sürecindeki daha zorlu bir görev çekirdek optimizasyonudur. Çekirdek optimizasyonu, belirli işlemleri, örneğin matris çarpımını, daha verimli hale getirerek altta yatan donanıma daha iyi eşlemeyi içerir.

Çekirdek optimizasyonunun AI gelişiminde merkezi olmasının nedeni, eğitim ve çıkarım verimliliğini belirlemesidir: Bir yandan, AI sistemleri geliştirirken ne kadar çok işlem gücünden etkin bir şekilde yararlanabileceğinizi etkiler; diğer yandan, model eğitimi tamamlandıktan sonra da işlem gücünü ne kadar verimli bir şekilde çıkarıma dönüştürebileceğinizi belirler.

Son yıllarda, yapay zeka ile kernel tasarımı yapma, ilginç küçük bir yönden, rekabetçi bir araştırma alanına dönüştü ve birkaç ölçü birimi ortaya çıktı. Bununla birlikte, bu ölçü birimleri şu anda çok popüler değil, bu yüzden uzun vadeli ilerlemesini diğer alanlardaki gibi net bir şekilde modellelemek zor. Diğer yandan, bu yöndeki ilerleme hızını bazı devam eden araştırmalar aracılığıyla hissedebiliriz.

İlgili çalışmalar şunları içerir:

· Daha iyi bir GPU kerneli oluşturmak için DeepSeek modelini kullanma denemeleri;

· PyTorch modüllerini otomatik olarak CUDA koduna dönüştürme;

· Meta, LLM kullanarak optimize edilmiş Triton kernelini otomatik oluşturur ve altyapısına dağıtır;

· GPU kernel tasarımına yönelik açık kaynak ağırlık modelini ayarlamak, örneğin Cuda Agent.

Burada eklemek gereken bir şey var: Kernel tasarımı gerçekten yapay zeka destekli araştırmalar için özellikle uygun bazı özelliklere sahiptir, örneğin sonuçların kolayca doğrulanabilir olması, ödül sinyalinin oldukça net olması.

PostTrainBench Aracılığıyla Dil Modelini Ayarlama

Bu tür testlerin daha zorlu bir versiyonu PostTrainBench'tir. Bu, farklı state-of-the-art modellerin, küçük açık kaynak ağırlık modellerini devralıp onları bazı ölçü birimlerinde performanslarını ince ayar yaparak artırıp artıramayacağını test eder.

Bu ölçü biriminin bir avantajı, çok güçlü bir insan temeline sahip olmasıdır: Bu küçük modellerin var olan haliyle instruct-tuned versiyonları vardır. Bu versiyonlar genellikle önde gelen laboratuvarlardaki seçkin insan yapay zeka araştırmacıları tarafından geliştirilmiş, çok yetenekli araştırmacılar ve mühendisler tarafından cilalanmış ve gerçek dünyaya dağıtılmıştır. Dolayısıyla, onlar, aşılmaması zor bir insan referans noktası oluştururlar.

2026 yılı Mart ayına kadar, yapay zeka sistemleri modeli post-eğitmeye tabi tutabiliyor ve yaklaşık olarak insan eğitim sonuçlarının yarısı kadar performans artışı elde edebiliyor.

Belirli değerlendirme puanları ağırlıklı bir ortalamadan gelmektedir: Bu, Qwen 3 1.7B, Qwen 3 4B, SmolLM3-3B, Gemma 3 4B gibi birkaç post-eğitim dil modelini ve AIME 2025, Arena Hard, BFCL, GPQA Main, GSM8K, HealthBench, HumanEval gibi birkaç ölçü birimini içerir.

Her çalışmada, bir değerlendirici bir CLI ajanını çalıştırmayı isteyecek ve belirli bir temel modelin belirli bir testte performansını mümkün olduğunca yükseltmeye çalışacaktır.

2026 Nisan itibarıyla, en yüksek puan alan AI sistemi, Opus 4.6 ve GPT 5.4'ü içeren modeliyle yaklaşık %25 ila %28'e ulaşabilmektedir; buna karşılık, insanların puanı %51'dir.

Bu oldukça anlamlı bir sonuçtur.

Language Model Training Optimization

Geçen yıl boyunca, Anthropic, sisteminin yalnızca CPU kullanan küçük bir dil modeli eğitimi uygulamasında performansını raporladı. Bu görev, modelin mümkün olduğunca hızlı bir şekilde çalışmasını sağlamak için optimize edilmiş bir dil modeli eğitimi uygulamasıdır.

Puanlama şu şekildedir: Başlangıçtaki değiştirilmemiş kodla karşılaştırıldığında, modelin uyguladığı ortalama hızlandırma faktörü.

Bu sonuç oldukça önemli bir ilerlemedir:

· Mayıs 2025'te, Claude Opus 4, 2.9 kat ortalama hızlandırma sağladı;

· Kasım 2025'te, Opus 4.5, 16.5 kata yükseldi;

· Şubat 2026'da, Opus 4.6, 30 kata ulaştı;

· Nisan 2026'da, Claude Mythos Önizleme, 52 kata ulaştı.

Bu rakamların anlamını anlamak için bir referans yapılabilir: İnsan araştırmacılar tarafından, genellikle 4 ila 8 saatlik bir çalışma gerektiren ve 4 kat hızlandırma gerçekleştiren bu görev gerçekleştirilmektedir.

Metaskill: Yönetim

AI sistemleri ayrıca diğer AI sistemlerini nasıl yöneteceğini de öğrenmektedir.

Bu artık bazı geniş çapta kullanılan ürünlerde görülebilmektedir, örneğin Claude Code veya OpenCode. Bu ürünlerde bir ana ajan, birden fazla alt ajanı denetleyebilir.

Bu, AI sistemlerinin daha büyük ölçekli projelerle başa çıkmasını sağlar: Bu tür projelerde genellikle farklı uzmanlıklara sahip birden fazla akıllı ajana ihtiyaç duyulabilir ve bu ajanlar genellikle koordine eden tek bir AI yönetici tarafından yönetilir. Buradaki yönetici de zaten bir AI sistemidir.

Yapay Zeka Araştırması Genel Görelilik Kuramı Keşfi mi, Lego ile Oynamaya mı Daha Benziyor?

Bir ana soru şudur: Yapay Zeka kendisini geliştirmeye yardımcı olacak yeni fikirler bulabilir mi, yoksa bu sistemler, daha az gösterişli ancak adım adım ilerleyen araştırma çalışmalarını mı tamamlamak için daha uygundur?

Bu soru önemlidir çünkü bu, Yapay Zeka sistemlerinin Araştırma Yapay Zeka'sını ne ölçüde otomatikleştirebileceğiyle ilgilidir.

Yazarın değerlendirmesi şudur: Şu anda Yapay Zeka, gerçekten radikal yeni fikirler ortaya koyamıyor. Ancak Ar-Ge sürecini otomatikleştirmek için belki de bunu yapmaya gerek yoktur.

Bir alan olarak, Yapay Zeka'nın ilerlemesi büyük ölçüde giderek artan deneye ve giderek artan girdiye, yani veriye ve hesaplama gücüne bağlıdır.

Ara sıra insanlar, tüm alanın kaynak verimliliğini büyük ölçüde artırabilecek paradigm değişiklikleri önerirler. Transformer mimarisi buna iyi bir örnektir, karma uzmanlar modeli veya yani mixture-of-experts ise başka bir örnektir.

Ancak çoğu zaman, Yapay Zeka alanındaki ilerleme aslında daha basittir: İnsanlar, iyi performans gösteren bir sistem alıp belirli bir yönü genişletirler, örneğin eğitim verisi ve hesaplama gücü; genişletme sonrası sorunların nerede ortaya çıktığını görürler; sistemi genişletmeye devam edebilmesi için mühendislik çözümleri bulurlar; ve ardından tekrar genişletirler.

Bu süreçte, gerçekten anlayışa ihtiyaç duyulan kısım aslında çok azdır. Çoğu çalışma, daha az dikkat çeken ancak sağlam temel mühendislik gibi görünen çalışmadır.

Benzer şekilde, birçok Yapay Zeka araştırması aslında mevcut deneylerin çeşitli varyasyonlarını çalıştırmak, farklı parametre ayarlarının ne tür sonuçlar getirdiğini keşfetmektir. Araştırma içgüdü elbette insanların denemeye değer gördüğü parametreleri seçmede yardımcı olabilir, ancak bu da otomatikleştirilebilir ve Yapay Zeka'nın hangi parametrelerin ayarlanmaya değer olduğunu belirlemesine izin verilebilir. Erken evre sinir mimarisi araştırması, bu tür bir yaklaşımın bir versiyonudur.

Edison şöyle demiştir: Dahilik, %1 ilham ve %99 terden oluşur. Geçen 150 yıl boyunca, bu ifade hala çok yerindedir.

Ara sıra, bir alanı tamamen değiştirebilen yeni kavrayışlar ortaya çıkabilir. Ancak çoğu zaman, alanın ilerlemesi insanların çeşitli sistemleri iyileştirme ve hata ayıklama sürecinde adım adım ilerlemesiyle gerçekleşir.

Önceki açıklamalar da göstermektedir ki, Yapay Zeka, Yapay Zeka geliştirme sürecinde birçok gerekli ancak zahmetli görevi başarıyla yerine getirme konusunda oldukça iyidir.

Aynı zamanda, daha büyük bir trend mevcuttur: kodlama gibi temel beceriler, genişleyen görev süreçleriyle birleşmektedir. Bu, yapay zeka sistemlerinin bu tür görevleri bir araya getirerek karmaşık çalışma dizileri oluşturabileceği anlamına gelir.

Bu nedenle, şu anda yapay zeka sistemlerinin nispeten yaratıcı olmamasına rağmen, bunların hala gelişmeye devam etme yeteneğine sahip olduklarına inanmak için bir neden var. Yalnızca, tamamen yeni bir içgörü üretebilme durumuna kıyasla, bu ilerleme hızının daha yavaş olabileceği bir durumdur.

Ancak genel olarak açık verileri izlemeye devam ederseniz, merak uyandırıcı başka bir sinyal fark edeceksiniz: Yapay zeka sistemlerinin belki de bir tür yaratıcılık sergilediği ve bu yaratıcılığın onları kendi ilerlemelerini daha şaşırtıcı bir şekilde itmesine neden olabileceği ortaya çıkabilir.

Bilimsel Sınırı İleri Taşımak

Şu anda, evrensel yapay zeka sistemlerinin insan bilimine sınırı ileri taşıma kapasitesine sahip olduklarını gösteren oldukça başlangıç ​​sinyalleri mevcuttur. Ancak şu ana kadar, bu tür durumlar yalnızca bilgisayar bilimi ve matematik gibi birkaç alanda gerçekleşmiştir. Ve çoğu zaman, çığır açanları yapay zeka sistemleri yalnızca bireyler, insan araştırmacılar ile işbirliği yaparak gerçekleştirmiştir.

Buna rağmen, bu eğilimler hala gözlemlenmeye değerdir:

Erdős Problemi: Bir grup matematikçi, Gemini modeli ile işbirliği yaparak onun Erdős matematik problemlerini çözme performansını test etti. Sistem yaklaşık 700 soruyu denemek için yönlendirildi ve sonunda 13 cevap elde edildi. Bu cevaplardan birinin ilginç olduğunu düşünüyorlar.

Araştırmacılar, Aletheia'nın (Gemini 3 Deep Think'e dayalı bir yapay zeka sistemi) Erdős-1051'e verdiği cevabın, bir yapay zeka sisteminin erken dönemde, biraz olağandışı ve geniş matematik ilgisi bulunan açık Erdős problemi çözdüğüne dair ilk örnek olduğunu düşündüklerini yazdılar. Bu problemle ilgili önceden bazı ilgili araştırma belgeleri bulunmaktadır.

Bu durum iyimser bir şekilde yorumlandığında, bu örnekler, bir sinyal olarak görülebilir: Yapay zeka sistemlerinin, alanın sınırını itebilen yaratıcı bir sezgi geliştirmekte olduğu, bu sezginin daha önce genellikle insanlara ait olduğu düşünülen bir durumdur.

Ancak başka bir açıdan da yorumlanabilir: Matematik ve bilgisayar bilimi, zaten yapay zekâya dayalı icadın özellikle uygun olduğu alanlar olabilir, bu nedenle bunlar belki de istisnai durumlar olup daha genel bir şekilde bilim araştırmalarının yapay zeka tarafından aynı şekilde ileriye taşınmayacağını temsil etmeyebilir.

Bir diğer benzer örnek AlphaGo'nun 37. hamlesidir. Bununla birlikte, Clark'a göre, AlphaGo'nun bu sonucundan on yıl geçti ve 37. hamle sonrasında daha modern ve daha şaşırtıcı bir içgörü tarafından değiştirilmedi, bu da kendisi başlı başına biraz karamsar bir sinyal olarak görülebilir.

Yapay Zeka Artık AI Mühendisliğindeki Büyük Bir Kısmı Otomatikleştirebiliyor

Yukarıdaki tüm kanıtları bir araya getirirsek, şöyle bir manzara ortaya çıkıyor:

· AI sistemleri neredeyse herhangi bir programa kod yazabiliyor ve bu sistemler artık bazı görevleri bağımsız olarak yerine getirebilecek kadar güvenilir hale geldi; bu görevler insanlara verildiğinde genellikle saatlerce yoğunlaşmayı gerektiren işlerdir.

· AI sistemleri, model fine-tuning'den çekirdek tasarımına kadar AI geliştirme sürecindeki temel görevleri başarılı bir şekilde yerine getirme konusunda giderek daha yetenekli hale geliyor.

· AI sistemleri diğer AI sistemlerini yönetebiliyor hale geldi, aslında sentetik bir ekip oluşturuyorlar: birden fazla AI karmaşık sorunları ele alırken bazıları lider, eleştirmen, editör rollerini üstlenirken, diğerleri mühendis rolünü üstleniyor.

· AI sistemleri bazen insanları zor olan mühendislik ve bilimsel görevlerde aşmış durumda, ancak şu anda bu durumun gerçek yaratıcılığa sahip olup olmadığı veya geniş bir şekilde örüntü tabanlı bilgiyi ustalıkla kullanıp kullanmadığını kesin olarak belirlemek hala zor.

Clark'a göre, bu kanıtlar çok ikna edici bir şekilde gösteriyor ki: günümüz AI, AI mühendisliğindeki büyük bir kısmı otomatikleştirebiliyor, hatta belki de tüm süreci kapsayabiliyor.

Ancak, şu anda AI'nın ne ölçüde AI araştırmasını otomatikleştirebileceği net değil. Çünkü araştırmanın bazı kısımları, saf mühendislik becerilerinden farklı olabilir, hala daha yüksek seviyeli değerlendirme, problem farkındalığı ve yaratıcılığa dayanabilir.

Her durumda, net bir sinyal ortaya çıktı: günümüz AI, insanları AI geliştirmede büyük ölçüde hızlandırıyor, bu araştırmacıların ve mühendislerin sayısız sentetik iş arkadaşıyla işbirliği yaparak işlerini büyütmesine olanak tanıyor.

Son olarak, AI endüstrisi kendisi neredeyse şunu açıkça söylüyor: AI araştırmasını otomatikleştirmek hedefleri arasında.

OpenAI, 2026 Eylül'ünden önce otomatik AI araştırmacı stajyeri kurmayı umuyor. Anthropic, otomatik AI hizalaması araştırmacıları oluşturmakla ilgili çalışmalarını yayınlıyor. DeepMind, üç büyük laboratuvar arasında en temkinli olanı gibi görünüyor, ancak uygun olduğunda hizalama araştırmasının otomasyonunu ilerletmeyi destekleyeceğini ifade ediyor.

Otomatik AI araştırması aynı zamanda birçok girişim şirketinin hedefi haline geldi. Recursive Superintelligence, otomatik AI araştırımını hedefleyerek 5 milyar dolarlık yatırım aldı.

Diğer bir deyişle, hem var olan sermayenin hem de yeni sermayenin milyarlarca dolarlık bir kısmı, otomasyonlu AI AR-GE'yi hedefleyen bir dizi kuruluşa yatırılmaktadır.

Bu nedenle, elbette bu yönde belirli bir ilerleme beklemeliyiz.

Neden Bu Önemli

Bunun getirdiği etkiler derindir, ancak genel medyada AI AR-GE'sine ilişkin nadiren tartışılmaktadır. Aşağıdaki konular, AI AR-GE'sinin getirdiği büyük zorlukları yansıtabilir.

1. Uyum sağlamayı doğru yapmalıyız: Günümüzde etkili bir uyum teknolojisi, AI sistemlerinin insanlardan veya sistemlerden daha zeki hale gelmesi nedeniyle, özyinelemeli kendi kendini geliştirmede başarısız olabilir. Bu yaygın olarak araştırılan bir alandır, bu nedenle sadece bazı sorunları kısaca özetler:

· AI sistemlerinin yalan söylememe ve kandırmamaları için eğitilmesi, sıradışı derecede ince bir süreçtir (örneğin, test için iyi bir ortam oluşturmak için çaba harcanmasına rağmen, bazen AI'nın bir problemi çözmenin en iyi yolu hile yapmaktır, böylece ona hile yapmayı öğretmek mümkündür).

· AI sistemleri, bizi aldatmak için "sahte uyum yapma" yoluyla çıktı üretebilir, bizi başarılıymış gibi düşündüren puanlar verseler de aslında gerçek niyetlerini gizleyebilirler. (Genel olarak, AI sistemleri test edildiklerinde artık test edildiklerini algılayabilmektedir.)

· AI sistemlerinin kendi eğitim süreçlerine daha fazla dahil olmaya başlamasıyla, AI sistemlerini genel eğitim rejiminde önemli ölçüde değiştirebiliriz, ancak bunun ne anlama geldiğini anlamak için sağlam bir sezgi veya teorik temelimiz olmayabilir.

· Bir sistemi özyinelemeli bir döngüye koyduğunuzda, çok temel bir "hata birikimi" sorunu ortaya çıkar ki bu da yukarıdaki tüm sorunları ve diğer problemleri etkileyebilir: Uyum sağlama yönteminiz "tam olarak doğru" ve daha zeki sistemlerde sürekli olarak doğru kalabilme yeteneğine sahip olmadıkça, işler hızla ters gidebilir. Örneğin, teknolojinizin başlangıç doğruluğu %99,9 ise, 50 jenerasyon sonra %95,12'ye, 500 jenerasyon sonra ise %60,5'e düşebilir.

2. AI'nın dahil olduğu her şey büyük ölçekli verimlilik artışı elde edecektir: AI'nın yazılım mühendislerinin verimliliğini önemli ölçüde artırması gibi, AI'nın dahil olduğu diğer alanlardan da aynı şeyi beklemeliyiz. Bu bazı ele alınması gereken sorunları beraberinde getirir:

· Kaynaklara eşitsiz erişim sağlama: Varsayalım ki AI talebi, hesaplama kaynağı arzını hala aşıyor, AI'nın toplumun en büyük faydasını sağlamak için nasıl dağıtılacağına karar vermek zorundayız. Piyasa teşvikinin sınırlı AI hesaplamalarından toplumun en iyi faydayı elde etmesini sağlayabileceğine dair olan inancım şüpheci. AI AR-GE'nin hızlandırma yeteneğinin nasıl dağıtılacağına karar vermek politik olarak çok tartışmalı bir konu olacaktır.

· Ekonomideki "Amdahl'ın Yasası": AI'nın ekonomiye girişi ile, bazı aşamalarda hızlı büyüme ile karşı karşıya kalındığında darboğazların ortaya çıkacağını ve bu zayıf halkaları düzeltmek için çözüm bulunması gerektiğini göreceğiz. Bu, hızlı dijital dünyayı yavaş fiziksel dünya ile uyumlu hale getirmenin gerektiği alanlarda özellikle belirgin olabilir, örneğin yeni ilaç klinik denemelerinde.

3. Sermaye Yoğun, İnsan Emek Yoğun Ekonomi Oluşumu: Yukarıdaki tüm AI geliştirmeyle ilgili kanıtlar, AI sistemlerinin işletmeleri giderek daha otonom hale getirme kabiliyetine sahip olduğunu da ortaya koymaktadır.

Bu, ekonomide bir kısmın, sermaye yoğun şirketler olabilecek bu yeni nesil şirketler tarafından işgal edileceği öngörülebilir anlamına gelmektedir (çünkü bunlar büyük miktarda bilgisayara sahiptir), veya işletme harcamaları yoğun olabilir (çünkü bu şirketler AI hizmetlerine önemli kaynak ayırır ve buna dayalı değer yaratır), günümüz şirketlerine kıyasla, onların insan gücüne bağımlılığı nispeten daha düşüktür - çünkü AI sistemlerinin yetenekleri sürekli arttıkça, AI'ya yapılan yatırımın marjinal değeri sürekli artacaktır.

Aslında, bu, "insan ekonomisi" içinde daha geniş bir "makine ekonomisi" olarak kendini gösterecek ve zamanla, AI tarafından işletilen şirketlerin muhtemelen birbirleriyle ticaret yapmaya başlayabileceği öngörülebilir; böylece ekonomik yapıyı değiştirecek ve eşitsizlik ve yeniden dağıtım ile ilgili çeşitli sorunları tetikleyecektir. Sonunda, tamamen otonom AI sistemleri tarafından işletilen şirketler ortaya çıkabilir, bu da yukarıda belirtilen sorunları şiddetlendirebilirken birçok yeni yönetim zorluğunu beraberinde getirecektir.

Kara Deliğe Bakış

Yukarıdaki analize dayanarak, yazar 2028 yılının sonuna kadar otomatikleştirilmiş AI araştırmasını (yani öncü modellerin haleflerini otomatik olarak eğitebilme yeteneğini) %60 olasılıkla göreceğimizi düşünüyor. Neden bunun 2027'de gerçekleşmesini beklemiyor?

Nedeni, yazarın AI araştırmasının hala ilerleme kaydetmek için yaratıcılık ve tartışma görüşlerine ihtiyaç duyduğuna inanmasıdır ve şu ana kadar AI sistemlerinin bunu devrim niteliğinde ve önemli bir şekilde göstermediğini düşünüyor (matematik araştırmasını hızlandırmak konusunda bazı ipuçları olsa da).

Eğer 2027'ye bir olasılık vermesi gerekiyorsa, bu olasılığın %30 olacağını söyleyecektir.

Eğer 2028 yılının sonuna kadar ortaya çıkmazsa, muhtemelen mevcut teknoloji paradigmasındaki bazı temel eksiklikleri ortaya çıkaracak ve ilerlemeyi teşvik etmek için insan müdahalesine ihtiyaç duyacaktır.

Orjinal Makale Bağlantısı

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia