Yapay Zeka, Sadece 1920'lere Kadarki Bilgilerle Einstein'ın Görelilik Teorisini Bulabilir miydi?
einstein testi: yapay zeka, görelilik kuramını yeniden keşfetmeye çalıştığında ne olur?
bilim insanları, tarihsel verilere dayalı olarak eğitilmiş dil modellerinin yaratıcı atılımları yeniden üretebilip üretemeyeceğini araştırıyor.
1915'te albert einstein, genel görelilik teorisini ortaya koyarak fiziksel dünyanın yapısına dair görüşümüzü değiştirdi. kütlenin uzay-zamanı deforme etmesi olarak yerçekimini açıklayan bu teori, kara delikler üzerindeki çalışmalardan yerçekimi dalgalarının ölçümlerine kadar kozmolojinin temelini oluşturan modern fiziğin zirve noktalarından biridir ve uzay görevlerine ve gps uydularına rehberlik etmek için rutin olarak kullanılmaktadır.
bu durum, yapay zeka teknolojisi alanındaki liderler için de bir ölçüt haline geldi ve onların kendi yarattıkları ürünlerin bu seviyede bir atılım yapıp yapamayacaklarını sorgulamalarına yol açtı. şubat ayında yeni delhi'de düzenlenen hindistan yapay zeka zirvesi'nde, londra'daki google deepmind'ın kurucu ortağı demis hassabis, genel görelilik kuramını yeniden üretip üretemeyeceğini görmek için belirli bir kesme tarihinden (1911 yılı önerdi) önce bilinen her şey üzerinde bir büyük dil modeli (llm) eğitmeyi önerdi. hassabis, yapay zeka endüstrisindeki birçok kişi için bir hedef ve belirsiz bir kavram olan yapay genel zekaya atıfta bulunarak, "bu, yapay genel zeka için iyi bir test olurdu" dedi.
böyle bir testin özellikle genel görelilik kuramını içermesi gerekmez. aralık 2024'te, kaliforniya, berkeley'deki kar amacı gütmeyen truthful ai kuruluşunda araştırmacı olan owain evans, yalnızca belirli bir tarihe kadar olan tarihsel veriler üzerinde eğitilecek olan 'eski' veya 'tarihsel' llm'ler hakkında bir konuşma yaptı. evans, bu tür modellerin neleri yeniden keşfedebileceğini sordu.
bu yıl, hassabis'in test çalışması da dahil olmak üzere birçok ekip eski modellerin örneklerini oluşturdu. ancak bu ilk denemeler, yapay zekanın güçlü yönlerinden çok, sınırlılıkları hakkında daha fazla bilgi veriyor.
israil teknoloji enstitüsü technion'da kuantum optiği uzmanı olan ve 1 temmuz'da yayınlanan 'yapay zeka einstein'ın izinden gidebilir mi?' başlıklı ön baskı makalesinin ortak yazarlarından ido kaminer, yapay zeka için görelilik benzeri bir atılımın doğası gereği ulaşılamaz olmadığını söylüyor.
ancak kendisi ve meslektaşları, bugünkü modellerin üzerine kurulu olduğu bazı ilkelerin yeniden düşünülmesi olmadan bunun gerçekleşmeyeceğini savunuyor.
yaratıcı sıçramalar
hassabis geçen yıl medya röportajlarında einstein testi benzetmesinden bahsetmişti, ancak bir başka google deepmind araştırmacısı tom zahavy, ocak ayında web sitesinde yayınladığı bir bildiri yazısında bunu ayrıntılı olarak açıkladı. 'llm'ler sıçrama yapamaz' (llms can't jump) başlıklı makale, llm'lerin einstein'ınki gibi akıl yürütme sıçramaları yapma konusundaki mevcut yetersizliğini vurguluyor.
zahavy, bilim felsefecilerinin uzun zamandır kabul ettiği gibi, bu tür ilerlemelerin, veri veya örneklerin birikiminden genel bir kural çıkaran tümevarımsal akıl yürütmeyi değil, çıkarımsal akıl yürütmeyi gerektirdiğini yazmıştır: "tekil bir olgu için bir neden icat eden yaratıcı bir sıçrama".
bu, günümüz yapay zeka modellerinin güçlü yönü değil; bu modeller, dönüştürücü keşifler yapmaktan ziyade bilimin angarya işlerini yapmaya daha uygun görünüyor. modeller, bilinen örnekler üzerinde eğitilerek ve ardından bilinmeyen durumlar için istatistiksel olarak en olası cevapları sağlamak üzere yönlendirmelerle, geniş veri kümelerinde korelasyonlar arıyor.
bu durum onları değerli tahmin araçları haline getirir ve bol miktarda veri olduğunda faydalı olabilirler. ancak hayal gücündeki sıçramalar veya yirminci yüzyıl bilim tarihçisi thomas kuhn'un "anlamada paradigma değişimi" olarak adlandırdığı şeyler, genellikle az sayıda veri noktası olduğunda ortaya çıkar veya standart tabloya tam olarak uymayan anormalliklerden kaynaklanır.
bilim insanlarının bu tür durumlarda sıklıkla izlediği yol, az miktarda veriden yola çıkarak bir 'dünya modeli' geliştirmektir; yani temel prensipler hakkında bir çıkarım yapmaktır. örneğin, 17. yüzyıl astronomu johannes kepler'in gezegen hareketlerine ilişkin dikkatli gözlemleri ve çıkardığı matematiksel ilişkiler, isaac newton'un yerçekimi yasasını ve kuvvetlere tepki olarak mekanik hareket yasalarını geliştirmesine yol açmıştır.
yapay zeka modelleri benzer şekilde seyrek verilerden genel dünya modellerine doğru akıl yürütebilir mi? cambridge'deki massachusetts teknoloji enstitüsü'nde (mit) bilgisayar bilimcisi olan sendhil mullainathan'a göre şu anda bu mümkün değil. 2 temmuz'da yayınlanan bir konferans bildirisinde, kendisi ve meslektaşları, newton mekaniğine uyan çeşitli gezegen sistemlerine ilişkin sentetik verilerle bir 'yörünge mekaniği' temel modeli sundular.
modelin hiçbir zaman gerçek yerçekimi yasasını (iki cisim arasındaki kuvveti kütleleri ve aralarındaki mesafeyle ilişkilendiren yasa) ortaya koyamadığını, bunun yerine her gezegen sistemi için farklı bir yasa çıkardığını ve her birinin kendine özgü bir şekilde yanlış olduğunu buldular.
yine de, llm'ler matematikte çarpıcı ilerlemeler kaydediyor ve bu ilerlemeler, bazen eğitim verilerinin altında yatan mantıksal yapıları sezgisel olarak kavrayabildiklerini düşündürüyor. mayıs ayında openai şirketi tarafından geliştirilen bir yapay zeka sohbet robotunun, macar matematikçi paul erds'ün 80 yıllık bir varsayımını çürütmesi, mullainathan'a göre "gerçek bir kavramsal ilerleme" idi.
yapay zeka, cevaba sadece kaba kuvvetle ulaşmadı, diyor; çözüm, yol boyunca yeni, küçük soyutlamalara ihtiyaç duydu. aynı zamanda, çürütme, matematik literatüründe zaten var olan fikirleri bir araya getirdi; bu nedenle, görünüşte hiç yoktan gelen bir einsteinvari keşif anı değildi.
zamanın bir anı
hassabis'in 1911 testini gündeme getirmesinin ardından, kaliforniya, san francisco'da bağımsız yapay zeka araştırmacısı michael hla da benzer bir şey denedi. mart ayında web sitesinde yazdığı bir yazıda hla, machina mirabilis adını verdiği bir llm'yi 1900 öncesi veriler üzerinde eğittiğini ve bunun kuantum mekaniği, einstein'ın özel görelilik teorisi (1905) ve genel görelilik teorisini üretip üretemeyeceğini görmek istediğini belirtti.
hla ona faydalı ipuçları verdi: bir örnekte, daha sonra einstein'ın ışığın kuantizasyonuyla açıklanacak olan fotoelektrik etki (ışığın metal levhalardan elektronları koparması) hakkındaki gözlemlerle onu harekete geçirdi. başka bir durumda ise, einstein'ı genel göreliliğe götürecek olan 'asansör' düşünce deneyinin özünü ona aktardı.
hla'ya göre, bazı durumlarda model "sezgisel ipuçları" gösterdi. örneğin, fotoelektrik etkiyle karşılaştığında, ışığın "çok sayıda farklı dürtüye ayrıldığını" belirtti (ışık kuantumu fikrine işaret ederek). ancak llm çoğu durumda başarısız oldu, öne sürdüğü fiziğin gerçek bir anlayışından yoksundu ve zaman zaman "mantıklı görünen sözleri papağan gibi tekrarladı", ancak hla'nın yazdığı gibi "akıl yürütmek için dünyanın güçlü bir içsel temsilinden" yoksun görünüyordu.
hla ayrıca, verilerin bozuk ingilizce ve basılı materyallerin dijitalleştirilmesinden kaynaklanan hatalarla dolu olduğu durumlarda, tarihsel olarak kısıtlanmış böyle bir llm'yi eğitmenin çok zor olduğunu da tespit etti.
bağımsız bilgisayar bilimcisi nick levine ve çalışma arkadaşları da nisan ayında çevrimiçi olarak sundukları çalışmada aynı sonuca vardılar; bu çalışmada, yalnızca 1930 yılına kadar bilinenleri kullanarak eski bir yapay zeka modeli oluşturmaya çalıştılar. 1930 yılı, o yılda yayınlanan eserlerin 2026 yılının başlarında amerika birleşik devletleri'nde kamu malı haline gelmesi nedeniyle seçilmiştir.
san francisco'da yaşayan levine, böyle bir modelle prensipte "1930'larda geliştirilen konularla ilgili soruları test etmeyi deneyebileceğimizi" söylüyor; bunlar arasında turing makineleri (hesaplama teorisinde merkezi bir kavram), matematiğin temellerindeki kurt gödel'in eksiklik teoremi veya nötrino adı verilen parçacıklar (1934'te basılı olarak ortaya atılan) yer alıyor.
levine ve meslektaşları, yalnızca 1930'a kadar bilinen bilgilere dayanarak eski bir model oluşturmanın zor olduğunu keşfettiler; eğitim materyalleri son derece eksik ve yetersiz. levine, "1950'lerde neler olduğunu sorarsanız, genellikle tesadüfen cevap verir" diyor ve çoğu zaman da doğru cevap veriyor. örneğin, sözde 1930 öncesi model, 1933-1945 yılları arasında abd başkanı olan franklin d. roosevelt'in yönetimiyle ilgili soruları yanıtladı. veri kümeleri kesin veya doğru bir şekilde tarihlendirilmediğinde, belirli bir tarihten sonraki bilgileri filtrelemek zordur.
yine de levine (bir süre ekonomide nicel tahminci olarak çalışmış biri), nihayetinde bu "1930'lar zihniyetine" sahip kişilerden tahminler yapmasının istenmesinin mümkün olması gerektiğini düşünüyor; bu tahminler "tahmin piyasasında görebileceğiniz türden şeyleri" de içerebilir.
ona göre, tahmin tipi yapay zeka modelleri bilimsel keşifleri öngörmek için de işe yarayabilir. örneğin, bu yılın ocak ayına kadar olan verilerle eğitilmiş bir modelin, haziran ayında yapıldığı bilinen bir keşfi ortaya çıkarıp çıkaramayacağını test etmeyi planlıyor. "böyle bir modelin, söz konusu verilerin ve kaynakların ölçeği nedeniyle, önemsiz olmayan bir keşif yapacağını tahmin ediyorum."
isviçre'deki zürih üniversitesi'ndeki araştırmacılar, ranke-4b adlı bir proje kapsamında tarihsel modellerden oluşan bir aile oluşturdu. bu modeller, 1913, 1929, 1933, 1939 ve 1946 gibi tarihsel olarak yankı uyandıran kesme noktalarına sahip zaman damgalı metinler üzerinde eğitildi. ekip üyesi ve ekonomist daniel göttlich, şu anda zürih'teki isviçre federal teknoloji enstitüsü'nde (eth) görev yapıyor ve bu modelleri modern llm'ler kadar güçlü hale getirmek için yeterli tarihsel veri veya hesaplama kaynağı bulunmadığını, bu nedenle yalnızca tarihsel bir llm'nin gelecekteki ilerlemelerin izlerini taşıyan fikirler üretip üretemeyeceğini test etmeyi umduğunu söylüyor. "mecazi olarak söylemek gerekirse, test ettiğimiz şey deha değil, deha kıvılcımlarıdır" diyor.
çok fazla teori
mit'de görev yapan bilgisayar bilimci jacob andreas, bir yapay zekâ dil modelinin, örneğin, verilen bir veri kümesi hakkındaki tamamen uydurma birçok teori arasında olasılıksal bir çıktı olarak genel görelilik teorisini üretmesinin önünde belirgin bir engel olmadığını savunuyor.
ona göre sorun, doğru olan veya en azından test edilmeye değer teorilerle yanlış olanlar arasında ayrım yapmanın zor olmasıdır. örneğin, mullainathan ve meslektaşlarının yörünge mekaniği modeli tarafından üretilen çeşitli (hatalı) 'yerçekimi yasaları'nda da bu sorun vardı. matematikte ise, bir llm'nin işleyişindeki her adımın doğru veya yanlış olduğunu anında doğrulamak mümkündür.
bu, doğrusal modellerin ve insanların teoriler geliştirme biçimleri arasındaki bir farkı yansıtır: insanlar nadiren olası teoriler dizisini olasılıksal olarak oluşturur ve ardından hangisinin doğru olduğunu bulmaya çalışırlar.
örneğin, fizikçi erwin schrödinger'in bir asır önce kuantum dalga mekaniği denklemini yazmasını düşünün; araştırmacılar bugün bile onun düşünce süreçleri hakkında meraklanmaya devam ediyor.
andreas, "zihinsel sürecinin, rastgele bir sürü teori benzeri ifade üretmek ve ardından hangilerinin gerçek gözlemlerle tutarlı olduğunu kontrol etmek gibi görünmesi neredeyse kesinlikle söz konusu değildi" diyor.
ayrıca, bir fikrin peşinden gidilmeye değer olup olmadığına karar verme sorunu da var. örneğin, andreas'ın dediği gibi, llm'ler "ilginç bir matematiksel teoremin ne olduğuna dair iyi bir fikre sahip değiller". modellerin neyin önemli olduğunu ayırt etme yeteneğinin "aslında insan uzmanlarının en gerisinde kaldıkları nokta" olduğunu da ekliyor.
yeni bir paradigma arayışı
bilimsel anlayıştaki dönüştürücü değişimler genellikle, yapay zeka modellerinin ortalamasını alma eğiliminde olduğu türden küçük tutarsızlıklara, aykırı değerlere dikkat etmekten kaynaklanır. kaminer ve meslektaşları, "fizikteki insan keşfi tarihsel olarak genellikle kalıcı bir 'takıntı' kapasitesine dayanmıştır; bu, bir araştırmacının yıllar boyunca aykırı bir fikre bağlı kalmasını sağlayan bilişsel bir tarzdır" diyorlar.
örneğin, fizikçi max planck'ın kara cisim radyasyonu formülünün deneysel olarak ölçülen spektrumlara yeterince yakın sonuçlar verdiğini kabul etmeyi reddetmesini ele alalım. bu kararlılık, onu 1900 yılında enerjinin kuantumlaştırılmasını (hla'nın machina mirabilis'inde ele alınan bir sorun) varsaymaya yöneltti. özel görelilik için muhtemelen daha da az ampirik motivasyon vardı - yaygın görüşün aksine, einstein, ışığın içinden geçtiği öne sürülen varsayımsal bir 'eter'i tespit etmedeki deneysel başarısızlıklardan büyük ölçüde rahatsız olmamıştı.
daha genel olarak, bilimdeki atılımlar nadiren sadece belirli bir ampirik veri kümesinden kaynaklanır: bunlar, teoriler veya kavramlar, deneyler ve deneysel teknikler arasındaki sürekli ve incelikli bir etkileşimden doğar. bu durum, fiziğin büyük bir bölümünün aksine, az sayıda iyi tanımlanmış temel yasaya tabi olmayan moleküler biyoloji gibi disiplinlerde özellikle geçerlidir.
bu bağlamda, bazı araştırmacılar deneyleri seçip planlayabilen, robotik olarak yürütebilen ve sonuçlardan hipotezler oluşturabilen otomatik sistemler geliştiriyorlar.
ancak burada bile, ilerlemeler bazen yeni ve önemli verilerden ziyade zihniyet değişikliğinden kaynaklanır. örneğin, içsel olarak düzensiz proteinlerin, araştırmacılar kararlı bir yapıya sahip olmadıklarını fark edene ve düzensizliği bir kusur değil, bir özellik olarak görmeye başlayana kadar, x-ışını analizi için çok zayıf kristalleştiği düşünülüyordu. ve günümüzde biyomoleküler yoğunlaşmalar olarak adlandırılacak olan örnekler -hücrelerdeki damlacık benzeri kümeler- kavramsal fikir ortaya çıkmadan önce onlarca yıl boyunca fark edilmeden görülmüştü.
yapay zeka bu tür inanç sıçramalarını, akıl yürütmeyi veya algıyı taklit edebilir mi? andreas'a göre bu zorluk, "muhtemelen halihazırda nasıl uygulanacağını bildiğimiz klasik bir arama prosedüründen ziyade, bu tür bilinçsiz, tarif edilemez sezgi sıçramalarını nasıl otomatikleştireceğimizi bulmaya daha çok benziyor".
mullainathan'a göre, bu tür bir görev için "llm'ler tek başlarına doğru nesne değiller". ona göre, sadece bilgi birikimine değil, aynı zamanda gerçek dünya verilerine -fiziksel dünyanın nasıl olduğuna- ve "matematiksel alana" -matematiksel nesnelerin nasıl manipüle edileceğine- dayalı olarak eğitilmiş modellere ihtiyacımız var. bu gereksinimlerin "günümüz çağında geride kaldığını" söylüyor.
yapay zekâ keşif sistemlerinin, yalnızca iyi istatistiksel tahminler yapmanın ötesinde, yeni performans hedeflerine de ihtiyacı olacak. kaminer'e göre, göreli ölçekte keşifler, bu sistemlerden "ancak tahmin doğruluğundan daha fazlası için optimize edilirse, basitliği, açıklayıcı kapsamı ve daha fazlasını da ödüllendirirsek" gelecektir.
insanlar gibi düşünen yapay zekâ modelleri oluşturmak için henüz pek bir yöntem yok gibi görünüyor. kanada'nın edmonton şehrindeki alberta üniversitesi'nden bilgisayar bilimci rich sutton'ın yapay zekânın acı dersi olarak adlandırdığı şey de bu: "nasıl düşündüğümüzü düşünme biçimimizi modele dahil etmek uzun vadede işe yaramıyor." algoritmanın performansını etkileyen tek şey daha fazla işlem gücü ve eğitim verisi oluyor. bu tür yapay zekâ modellerinin algılanan değeri genellikle, bir olayın altında yatan fiziksel süreç hakkında bir şey söylemeden, iyi, hızlı ve doğru tahminler yapıp yapmadıklarına bağlıdır. (örneğin, google deepmind'ın protein yapısı aracı alphafold, proteinlerin nasıl katlandığını anlama sorununu çözmüyor, sadece katlanmış şekillerini tahmin ederek bu sorunu dolaylı olarak ele alıyor.)
andreas, en azından başlangıçta, llm'lerin yalnızca "önemli sorunun ne olduğunu zaten anladığımız" ve cevabın "başka bir alanda zaten var olan bir çözümü ödünç almak veya bir benzetme yapmak"ta yattığı çok mütevazı keşifler ortaya koyacağını düşünüyor.
ve sonra, diyor ki, insan araştırmacılar şöyle düşünebilirler: "keşke bu diğer alanda ikinci bir doktora yapmış olsaydım da bunu görebilseydim."
ancak genel görelilik hakkında kimse böyle bir şey söylemedi. andreas, "onlar sadece 'bu nereden çıktı?' diye düşündüler" diyor.