Ana Sayfa
AI AI
Flaş
Derinlik
Etkinlikler
BlockBeats Pro
Daha Fazla
Finans
Özel
Blok Zinciri Ekosistemi
Giriş
Podkastlar
Veri
OPRR
#
BTC
$96,000
5.73%
ETH
$3,521.91
3.97%
HTX
$0.{5}2273
5.23%
SOL
$198.17
3.05%
BNB
$710
3.05%
lang
简体中文
繁體中文
English
Tiếng Việt
한국어
日本語
ภาษาไทย
Türkçe
Partnered With:

Yapay zeka her şeyi yuttuktan sonra, eğitilemez olan ne kaldı?

Bu makaleyi okumak için 18 Dakika
Güven, yetki, sorumluluk ve sektörel yargı.
Orijinal Başlık: Eğitilemeyen
Orijinal Yazar: Sarah Guo, Conviction
Çeviri: Peggy, BlockBeats


Editörün Notu: Yapay zeka yetenekleri sürekli sıçrama yaparken, yatırım çevrelerinde yeni bir karamsar öngörü ortaya çıkıyor: Modeller giderek güçlenirse, tüm uygulama şirketleri sonunda Anthropic, OpenAI, Nvidia gibi model ve hesaplama katmanı devleri tarafından yutulacak ve piyasada yalnızca öncü modeller, hesaplama gücü ve birkaç altyapı kalacak. Ancak Sarah Guo, bu öngörünün yalnızca yarısının doğru olduğunu düşünüyor. "Thin wrapper" (ince kılıf, yani modelleri basitçe saran uygulamalar) gerçekten emilecek, benchmark (kıyaslama testi) ile ölçülebilen, açık verilerle eğitilebilen ve düşük maliyetle doğrulanabilen tüm görevler de giderek metalaşacak.


Asıl soru şu: Yapay zeka eğitilebilir her şeyi yuttuktan sonra, hâlâ eğitilemeyen ne kalır?


Bu makalenin yanıtı, gerçek kuruluşların içinde var olan ve dışarıdan kolayca kopyalanamayan değerlerdir: Kurumsal özel veriler, karmaşık iş akışları, kullanıcı güveni, sistem yetkileri, sektör içgörüleri, uyumluluk sorumluluğu ve uzun süreli çalışmalarla biriken deneyimler. Modeller daha zeki olabilir, ancak bir bankanın üretim sistemine otomatik olarak giremez; tıbbi yanıtlar üretebilir, ancak doğrudan doktorların güvenini ve hastanenin karar alma sürecini kazanamaz; hukuki metinler yazabilir, ancak kıdemli bir avukatın sorumluluğunu üstlenemez veya boşluktan neyin nitelikli hukuki çalışma olduğunu tanımlayamaz.


Bu nedenle, gelecekte gerçek bir savunma hendekine sahip yapay zeka şirketleri, genel modellerden daha zeki olmakla kalmayıp, belirli bir sektörün derinliklerine inerek zorlu ama kritik bir "çeviri" işini tamamlayanlardır: Müşterilerin özel gerçekliklerini, araçlarını, süreçlerini ve yargı standartlarını, modelin hareket edebileceği bir sisteme dönüştürmek ve uzun vadeli hizmette yavaş yavaş "neyin iyi sonuç sayıldığını" tanımlamak. Yapay zeka ne kadar güçlü olursa, ölçülebilir ve kopyalanabilir görevler o kadar değer kaybeder; aynı zamanda geçmiş, ilişkiler, yetkiler ve uzmanlık yargıları taşıyan "eğitilemeyen şeyler" de o kadar belirginleşir. Model yutmasından sonra hâlâ korunabilecek gerçek değer işte budur.


İşte orijinal metin:


2026'nın ortalarında, yatırımcı versiyonu "yapay zeka zihinsel karmaşası", yatırım yapmaya değer hiçbir şeyin kalmadığına dair bir umutsuzluk hissidir: Tüm paramızı Anthropic ve Nvidia'ya yatırıp eve gidip uyumalıyız gibi geliyor. Ama ben hiç böyle hissetmedim. Son birkaç küçük sürüm boyunca, modellerin benden daha zeki olduğuna emindim; piyasa fiyatından Anthropic ve Nvidia'ya yatırım yapmaktan da mutlu olurdum; en zeki arkadaşlarım da modellerin kendi kendini geliştirmesinin yakında gerçekten işe yarayacağına oldukça eminler — ama yine de bu umutsuzluğu hissetmiyorum.


Bu umutsuzluk aptalca değil. Mantığı şu: Eğer modeller her konuda sürekli olarak güçleniyorsa, o zaman modeller üzerine inşa edilen tüm şirketler, sadece model tarafından emilmeyi bekleyen ince birer kabuktan ibarettir; sonuçta geriye kalan tek değer, hesaplama gücü ve öncü model ağırlıkları olacaktır.


Yazılımı ele alalım, bu umutsuzluk hissinin en çok dayandığı örnek bu. Devin 2024'te piyasaya sürüldüğünde, standart yazılım kıyaslamalarındaki görevlerin yalnızca %13'ünü çözebiliyordu ve bu nedenle piyasa tarafından büyük ölçüde hafife alındı. Bir buçuk yıl sonra, en güçlü Agent'lar %80'in üzerinde yüksek puanlara ulaşmış durumda ve Goldman Sachs ile ABD Ordusu içinde gerçek işleri yürütmeye başladı. Neredeyse herkes aynı hatalı sonuca vardı: Model, yazılım mühendisliğini yuttu.


Ancak model, yazılım mühendisliğinin en kolay ölçülebilen kısmını yuttuğunda, birçok ekibin uzun zamandır bildiği bir şeyi yeniden fark ediyoruz: Mühendislik her zaman ölçüme direnmiştir ve en kolay ölçülebilen kısım, mutlaka tek önemli kısım olmayabilir.


MIT'den Mert Demirer ve işbirlikçileri nihayet bunu ölçtü: 100.000'den fazla geliştirici arasında, en yeni nesil kodlama Agent'ları, kod yazma miktarını yaklaşık %180 artırırken, gerçekten teslim edilen ve yayına alınan kod miktarı yalnızca yaklaşık %30 arttı. Kod yazmak ucuzladı, ancak kalan aşamalar hala insanlardan geçiyor ve bu aşamalar önemli. Elbette, genel net etki hala çarpıcı.


Kıyaslama (benchmark), ölçebileceğiniz bir şeydir; ve ölçülebilen her şey, eğitim için kullanılabilir. Bu nedenle, kodlama Agent'ları ilk olgunlaşan oldu: Derleyici ücretsiz bir doğrulayıcıdır, test paketleri de ücretsiz doğrulayıcılardır. Cevap neredeyse sıfır maliyetle kendini kontrol edebildiğinde, bu kontrol sinyali etrafında sürekli olarak iyileştirme yapabilir, ta ki onu delip geçene kadar.


Ancak testi geçmek, bu değişikliğin on yıldır çalışan bir kod tabanı için doğru olduğu anlamına gelmez. O modülün var olmasının, kimsenin belgelemediği üç nedeni olabilir; dağıtım hattı, kimsenin kendisinin yazdığını kabul etmek istemediği bir cron job ile ayakta kalıyor olabilir.


Bu doğruluk, sıralama listelerinden okunamaz, hatta herhangi bir şeyden doğrudan okunamaz. Bunu ancak, bu kadar karmaşık bir sistemi gerçek dünyada yeterince uzun süre çalıştırarak, gerçekten etkili olup olmadığını anlayabilirsiniz. Daha akıllı modeller, gerçek dünyanın daha hızlı çalışmasını sağlamaz. Hiç kimse, Google büyüklüğündeki bir sistem için birim testlerini çalıştırıp yeşil onay işaretini gördükten sonra tamamen rahatlamaz. Sisteme güvenirsiniz çünkü yıllarca süren gerçek yükü kaldırmıştır.


Bu doğruluk yalnızca özel (private) olmakla kalmaz, aynı zamanda yavaş oluşan bir hendek (moat), sermayenin zamanı doğrudan sıkıştıramayacağı bir hendektir. İyimserler bile bu saatin atlanamayacağını kabul ediyor. OpenAI'nin akıl yürütme modellerinin öncüsü Noam Brown yakın zamanda şöyle yazdı: Bir Agent'ın bir yıllık döngüdeki performansını değerlendirmenin tek güvenilir yolu, onu gerçekten bir yıl boyunca çalıştırmak olabilir.


Gabe Pereyra'nın dediği gibi, gerçek otomasyon sadece modelin daha güçlü hale gelmesi değildir. Bu, ürünün, modelin, iş akışının ve şirket organizasyonunun birlikte değişmesidir ve bu dört unsurdan üçü, organizasyonun hızına göre ilerler.


İnsanları harekete geçirmek, hiçbir kıyaslamanın dokunamadığı bir kısımdır: Şüpheci bir ortağı, işleri halletme şeklini değiştirmeye ikna etmek, bir ekibi yeniden yapılanma sürecinde bir arada tutmak. Bu yüzden CEO'ları işe alırken, insanlarla başa çıkma yeteneklerine en az analitik yetenekleri kadar önem veriyoruz. Modelin daha akıllı hale gelmesi bu ağırlığı değiştirmeyecek.


Buradaki geri bildirim belirsizdir, zaman dilimi yıllarla ölçülür ve güven belirli bir kişiye aittir. Tanıdığım her şirket, her mühendisinin en son teknoloji kodlama modellerini kullanmasını sağladı, ancak hiçbir şirketin mühendislik organizasyonu, modelin ilerleme hızına yakın bir hızda değişmedi. Aracı benimsemek sadece bir çeyrek sürdü ve bu ne kadar harika bir token büyüme çeyreğiydi! Ancak gerçek yeniden yapılanma yıllar alır.


Okunabilir işler, uzaklaşıyor. Gerçekten değerli olan işler, yapısal olarak okunamazdır: Bir sıralamaya koyabileceğiniz her şey, eğitim için kullanılabilir; bu nedenle, ölçülebilir olan her şey zaten metalaşmaya doğru gidiyor. Bu süreç zaman alır ve asla tamamen tamamlanmaz, ancak yön asla tersine dönmez.


Arkadaşım, Rippling'den Matt MacInnis'in deyimiyle, bunu para diline çevirirsek: Genel bir soruyu yanıtlamak için kullanılan bir token neredeyse değersizdir, çünkü herkesin modeli yanıtlayabilir; ancak şirket verileriniz üzerinde akıl yürüten bir token çok daha değerlidir, çünkü sadece makul görünen bir cevap üretmek yerine, gerçekten istediğiniz şeyi yapar.


Okunabilir işler iki yönden yutulacak.


Aşağıdan bakıldığında, görevler doygunluğa ulaşır: Bir iş düşük maliyetle kontrol edilebilir hale geldiğinde, alıcılar hangi modelin tamamladığını umursamaz ve ne kadara mal olduğunu sormaya başlar. Böylece bu iş, o haftanın en ucuz açık kaynak modeline veya distile modele düşer. Kâr marjları devreye girebildiği sürece, sonunda devreye girecektir.


Yukarıdan bakıldığında, laboratuvarlar modellerin kendi iskelelerini yutmasını sağlamaya çalışıyor. Alım, ucuz ve pahalı çağrılar arasında yönlendirme, araç kullanımı ve hatta akıl yürütme stratejileri – bir zamanlar modelin etrafını saran tüm bu düzenekler, "kabuk" modelin kendisi haline gelene kadar model ağırlıklarının içine çekiliyor. Bu, emilim sınırıdır.


Kâr baskısı da diğer yönden işler: Genel bir ajan her şeyi halletmeye hazır olmalıdır, bu nedenle maliyeti yüksektir; odaklanmış bir uygulama ise bir iş akışını, yalnızca küçük bir token parçası tüketecek şekilde optimize edebilir. Ve bu tokenları satan laboratuvarların aksine, uygulama şirketleri aradaki farkı cebine koyabilir.


Bu nedenle, herhangi bir iş türü için iki soru sorabiliriz: Doğruluğu özel ve pahalı mı, yani yalnızca belirli bir şirketin verileri içinde var olan bir gerçeklik mi? Dışarıdan birinin giremeyeceği bir sistemin içine hapsedilmiş mi? Bu soruları, işin doygunluk seviyesiyle birleştirdiğimizde bir 2x2 matris elde ederiz.


Doygunluğa ulaşmış ve cevabı açık olan işler, metalaşmış token'ların alanıdır ve açık kaynak modeller bu alanı ele geçirecektir. Cevabı açık olan ancak ileri düzey işler, örneğin kodlama kıyaslamaları, laboratuvarların kazanacağı alanlardır; çünkü değerlendirme ücretsiz olduğunda, ona sahip olmanın kendisi değersizdir.


Asıl ödül, son köşede, yani "eğitilemez" köşede gizlidir: İleri düzey işler, ancak doğruluğu yalnızca özel bir ortamda var olur. Bunu, yapay zeka odaklı öncülere hizmet veren çıkarım bulutlarında görebilirsiniz: token'ların büyük çoğunluğu genel açık kaynak modeller tarafından değil, özelleştirilmiş modeller tarafından üretilir.


Bu son köşeye giden duvarlar alçak ve yüksektir. Bir geliştiricinin oyuncak kod deposu taşınabilir ve standartlaştırılmıştır, bu yüzden içeri tırmanmak zor değildir. Ancak bir bankanın üretim sistemi ne taşınabilir ne de standartlaştırılmıştır. SWE-Bench Verified'da %2 daha zeki olduğunuz için bu sisteme root erişimi elde edemezsiniz.


Yetenek birçok şeyi yutar, ancak daha iyi modeller özel gerçeklik standartlarını kamuya açık hale getirmez. Bir lisansı elinde tutmaz, sorumluluk için imza atmaz, şirketin belgelerine sahip değildir; cevap yanlış olduğunda dava edilecek taraf da olamaz. Buradaki darboğaz zeka değil, yetki ve sorumluluktur. Herkesten çok daha zeki bir model hayal edebilirsiniz, ancak yine de içeri girmesine izin verilmesi gerekir ve yaptığı şeyler için birisinin imzasını atması gerekir.


O kapının bir kilidi ve bir de sürgüsü vardır.


Kilit, ortamdır: Yapay zekanın gerçekten faydalı bir şey yapıp yapmadığını ancak bir sistemin içinde güven kazandıktan, güvenlik denetimlerinden geçtikten, entegrasyonu tamamladıktan ve sonuç sorumluluğu olan bir sözleşme imzaladıktan sonra doğrulayabilirsiniz.


Sürgü ise kullanıcıdır. Bugün, çoğu Amerikalı doktor her gün OpenEvidence'ı açar ve bu, hiçbir hesaplama gücüyle satın alınamaz. Bir laboratuvar yarın mükemmel bir tıp modeli eğitebilir, ancak yine de doktorların kullanım alışkanlıklarına veya UCSF'nin karar alma süreçlerine giremez. Çünkü güven, yavaş yavaş, ilişkiler ve kullanıcıların zımni onayı ile inşa edilir; gradyan inişiyle bunları silip atmak mümkün değildir.


Uygulama şirketlerinin işi de tam olarak budur. Bir uygulamanın "eğitilemez" köşede yer edinmesi, gösterişsiz işler sayesinde olur: Bir şirketin özel gerçekliğini düzenleyip modelin buna göre hareket etmesini sağlamak; modele eylem araçları vermek; müşteriyle birlikte iş gücünün fiili işleyişini değiştirmek.


Bu tür bir "çeviriyi" gerçekleştirebilen bir şirketi kopyalamak neredeyse imkansızdır ve bu çeviri asla sona ermez. Entegrasyon ve bakım, müşteri ilişkileriyle birlikte devam eder. Bu alanı kazananlar, alanında uzman mühendisleri ve araçları müşterilerinin yanına koyan ekiplerdir.


Örneğin, köklü bir hukuk bürosunda sadece birleşme ve satın alma işlemleri yılda neredeyse bin işleme ulaşabilir. Yüzlerce hukuk asistanının müşteri dosyalarını masaüstüne indirip genel bir aracıya (Agent) okutmasına izin veremezsiniz. Gizlilik nedenleriyle bu zaten mümkün değildir, ayrıca bir düzine başka sorun daha vardır. Bunu yapabilseydiniz bile, öğrendiğiniz sadece parçalar olurdu: bir asistan bir seferde küçük bir düzeltme yapar, kimse bir işlemin nasıl akıştığını tam olarak göremez.


Gerçekten önemli olan sinyaller, işlem seviyesinde bulunur. Bir işlemin kendine özgü bir şekli vardır: birleşme ve satın alma için Gizlilik Sözleşmeleri (NDA), şart listeleri, durum tespiti, satın alma sözleşmeleri, ek belgeler ve kapanış listeleri; fikri mülkiyet davaları için ise dilekçeler, delil sunumu, mevcut teknoloji ve daha fazla dilekçe. Her iş alanının kendi yapısı vardır ve avukatlar ile araçlar keyfi olarak değiştirilemez.


Bu hukuk bürosunun gerçekten çözmesi gereken sorun ise daha da üst seviyededir: her iş alanını aynı anda nasıl yürüteceği, tıpkı üst düzey bir ortağın yüzlerce konuyu paralel olarak yönetirken aynı anda yeni işler getirip asistan avukatları yetiştirmesi gibi. Böyle bir şirketi dönüştürmek, bir değerlendirme görevi olarak yazabileceğiniz tek bir sorun değildir. Bunu yönetmek için, bir operatörün "veri beyzbolu" oynar gibi ele alması gerekir: ara hedefler son derece belirsizdir, geri bildirim eksiktir, döngüler çok uzundur ve ortamın kendisi de durağan değildir.


Ne yazık ki, okunamayan bir değeri satmak da zordur, tıpkı onu metalaştırmanın zor olması gibi: bir şirket, yapay zekanın (AI) operasyonlarını bir kıyaslama testinin gösterdiği gibi dönüştürüp dönüştüremeyeceğini dışarıdan değerlendiremez. Bu nedenle, en güçlü şirketler kendilerini dışarıda kanıtlamaya çalışmayı bırakır, önce müşterinin içine girer ve ardından sonuç için fiyatlandırma yapar.


Sierra, yalnızca aracısı (Agent) müşterinin sorununu çözdüğünde ücret alır; sorun bir insana yönlendirilirse ücret almaz. Bu nedenle, fiyatın kendisi bir değerlendirme mekanizması haline gelir. Bu, Sierra'nın "çözüldü" tanımına sahip olması sayesinde mümkündür. Cognition'ın Devin'i, yazılım alanında aynı şeyi yaparak "performans garantisi" sunmuştur. Bir sisteme güvenle girme izniniz olduğunda, sonuçlar için bu tür bir garanti vermeye yetkiniz olur.


Token hizmeti seviyesinde bile – herkesin saf bir meta olarak adlandırmayı sevdiği seviye – performansı bir meta gibi değildir. En iyi yapay zeka odaklı şirketler, hizmetlerini Baseten veya Fireworks gibi bir veya iki tedarikçide yoğunlaştırır. Çünkü token başına maliyet zamanla metalaşır, ancak gerçek trafik altındaki güvenilirlik ve kıt hesaplama kaynaklarına istikrarlı erişim metalaşmaz. Çıkarım hizmetinin nerede sunulacağı ile hangi modellerin kullanılacağı iki farklı seçimdir. Çıkarımda gerçekten meta gibi olan tek şey fiyattır.


Yaygın bir karşı argüman şudur: Laboratuvar senin tedarikçindir, neden kendi birinci taraf ürününü maliyetinin altında satarak seni iflasa sürüklemesin? Ya da doğrudan API erişimini iptal edip bu pazarı kendisi ele geçirmesin? İşte bu umutsuzluk hissinin gerçek versiyonu budur. Ancak bu, yalnızca model katmanının tek oyunculu bir oyun olduğu durumda geçerlidir.


Açıkça görülüyor ki durum böyle değil. Model katmanı daha çok, yaklaşık altı ay geriden gelen uluslararası oyuncular ve geçen yılın beş katı büyüklüğünde bir gelişim ligiyle birlikte, üç buçuk oyuncunun katıldığı bir ölüm kalım yarışına benziyor. Müşteriler, tedarikçileri arasında rekabet olmasını isterken, laboratuvarlar belirli bir uygulamayı öldürmektense pazar payını artırmayı tercih ediyor.


Bunu, laboratuvarların doğrudan rekabet ettiği pazarlarda görebilirsiniz. Tüketici sohbeti senaryosunda, en iyi model asla tüm pazarı tek başına ele geçirmedi. ChatGPT, yıllarca süren gerçek rekabette liderliğini korudu; şimdi kaybettiği paylar, modelin daha iyi olmasından değil, Android ve arama dağıtım gücü sayesinde Gemini'ye gidiyor. Anthropic, tahmin piyasalarında ve internet ortamında şu anda en iyi modele sahip olarak görülse de, tüketici sohbetinde neredeyse ana oyuncu değil; işini kurumsal ve kodlama senaryolarında kurdu.


Daha iyi bir model, en temel uygulamada bile rakip kullanıcıları çalamıyorsa, bir hastanenin hasta kayıt sistemini veya bir bankanın sorumluluk yapısını entegre ederek kolayca ele geçiremez. Bugün, halk ürünleri yalnızca kodlama yeteneğine göre seçmiyor. Eğer ön model katmanı hâlâ kalabalıksa, onun üzerindeki uygulama katmanı değerli olacaktır.


Bir iş dışarıdan puanlanamıyorsa, içeride birinin neyin iyi bir cevap sayılacağına karar vermesi gerekir. Ve bu karar, oyunun ta kendisidir. Bu türden yeterince karar yazıya döküldüğünde, bunlar kıyaslama testlerine dönüşür. Harvey, hukuk alanında kıyaslama testleri yayınladı; Sierra, sesli ajanlar için kıyaslama testleri yayınladı. Bir alanda "iyi"nin ne anlama geldiğini tanımlama hakkını, o alanın sizi zaten kullanıyor olmasıyla kazanırsınız. Ve bu şirketler, bu hakkı gerçek benimseme sürecindeki zorlu mücadelelerle elde eder.


Paranın akışını gerçekten belirleyen değerlendirmeler özeldir ve şirket bazında oluşur: Bu şirket, bu tür bir konuda, neyi iyi iş olarak kabul eder? Ve bu iş, hukukun herhangi bir açık testten çok daha derin olması nedeniyle henüz tamamlanmış olmaktan çok uzaktır. OpenEvidence, güvenli klinik cevapların ne olduğunu belirliyor.


Tüm bunlar aslında gerçek anlamda "ölçüm" değil, neyin doğru ve neyin iyi olduğuna dair yargılardır. Bu yargılar, başka herkesin kendini ölçtürmek zorunda kalacağı standartlar haline gelene kadar yazılır. Temel model laboratuvarı ne kadar zeki olursa olsun, bu standartları yoktan var edemez, çünkü bu statü yalnızca alanın içinde var olur.


Bu otorite genellikle zaten ait olduğu yere düşer. Kıdemli avukatlar hukuki standartları belirler. Güvenli klinik yanıtları tanımlayan doktorlardır. "Çözüldü" ifadesinin ne anlama geldiğine ise, halihazırda müşteri ilişkisine sahip olan şirket karar verir.


Emilim sınırı yükselmeye devam edecek çünkü giderek daha fazla işi ölçmeyi öğreniyoruz ve ölçülebilir olan her şey yutulacak. Eğitilemeyen zemin, üzerinde duranların ayaklarının altında giderek daralıyor; bu yüzden savunulabilir bir pozisyon bulup orada durmak mümkün değil. Sürekli olarak henüz puanlanamayan yerlere doğru ilerlemeli ve riski yeniden sigortalayıp yeniden değerlendirmelisiniz.


Dar bir görevde, kendi özel verileriniz ve kendi değerlendirme sisteminizle, ön saflara kadar eğitim yapabilir ve kritik senaryolarda genel modelleri yenebilirsiniz; bu özel model, savunma hendeklerinizin bir parçası haline gelir. Öte yandan, genel model yetenekleri üzerinde rekabet ediyorsanız, bu bir sermaye savaşıdır ve en fazla hesaplama gücüne sahip olana kaybedersiniz. Bu aynı zamanda, yalnızca yüzeysel erişime sahip olan ve görevleri son derece okunabilir olan şirketlerin en kolay düştüğü tuzaktır.


Bir şirket hayatta kalmak için geniş bir genel görev yelpazesinde ön saflardaki modelleri aşan bir yetenek geliştirmeye karar verdiğinde, zafer genellikle veri merkezinin büyüklüğü tarafından belirlenmiş gibi görünür. Sonuç genellikle bağımsız bir şampiyonun ortaya çıkması değil, yeterli hesaplama gücüne sahip bir oyuncuya satılmaktır.


Yukarıdakilerin hepsi savunma. Daha zor olanı ise saldırı: öncelikle neyin inşa edileceğine karar vermek. İşte bu, bir yıldır aradığım şey ve muhtemelen sadece üç kez bulabildim. Model bu konuda yardımcı olamaz. Onu neye yönlendirirseniz onu yapar; ancak neyin yönlendirilmeye değer olduğunu söyleyemez. Bunun için bir kıyaslama testi oluşturamazsınız, bu yüzden onu eğitemezsiniz.


Bu aynı zamanda mevcut devlerin neden her şeyi alamayacağını da açıklar: Zaten sahip oldukları alanı korurlar ve bir sonraki şey, başkalarından önce bir kullanım alanı keşfeden birinden gelir. Belki de niyet, hesaplama gücünden daha kıt bir girdidir.


Bu umutsuzluk duygusu yarı yarıya doğru. İnce kabuk tabakası gerçekten emiliyor ve bugün şirket gibi görünen birçok şey aslında sadece ince bir kabuk. Ancak "emilimden sonra geriye ne kalır" konusundaki değerlendirmesi yanlış. Mekanizma açık, ancak varış noktası değil.


Bahse girmeye hazır olduğum yön şu: Zeka ucuzlamaya devam edecek ve değer, birkaç modelin ulaşamadığı yerlere doğru kaymaya devam edecek. Eğitilemeyen şey, tarihle birlikte gelen değerdir.


Bu yüzden, bu alanlardan birine girin, o gösterişsiz çeviri işini yapın ve orada "iyi"nin tanımını yazmaya başlayın. Çünkü birileri bunu mutlaka yapacak. Bu yıl en çok atıf alan kıyaslama puanı, aslında yakında değersiz hale gelecek bir arazi haritası ve aynı zamanda bir bildirimdir: Bazılarına, "iyi"nin ne olduğunu tanımlama hakkını kaybedeceklerini bildiren bir bildirim.


[Orijinal bağlantı]



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

举报 Düzeltme/Rapor
Kütüphane Seç
Kütüphane Ekle
İptal
Tamamla
Kütüphane Ekle
Sadece kendime görünür
Herkese Açık
Kaydet
Düzeltme/Rapor
Gönder