Mühendis kardeşim, yapay zekâ konusunda ortalık yine karıştı. Herkes aynı soruyu soruyor ve herkes aynı belirsizliğin içinde dolanıyor. Son günlerde “LLM duvara çarptı mı?” tartışması adeta yeni bir teknik gündeme dönüştü.
Barış Özcan’ın videosu bu tartışmayı daha görünür hale getirdi. Video, hem sektörün yavaşlayan ivmesini hem de araştırmacıların teknik kaygılarını çok net işaret ediyor. Biz de gel, bunu kendi mühendis kafamızla bir ele alalım.
Ölçekleme Çağı Neden Sarsıldı?
Son beş yılda yapay zekâ dünyası tek bir denklemle ilerledi. Denklem basitti ve herkes onu sorgusuz kabul etti. Daha büyük model, daha fazla veri ve daha yoğun GPU gücü gelişmeyi sağlıyor gibiydi.
Bugün bu mantık yorulmaya başladı. Çünkü internetin sunduğu doğal veri sınırına ulaşıldı ve artık veri artışı kolay olmuyor. Veriyi büyütmek maliyetli oluyor ve sunucu tarafında enerji tüketimi ciddi artış yaratıyor.
Ilya Sutskever’in “Veri fosil yakıt gibidir” sözü aslında tam bunu anlatıyor. Veri bol görünür ama kaliteli veri sınırlı kalır. Ölçeği büyütmek artık aynı kazanımı getirmiyor ve bu durum sektörde yeni kırılmalar yaratıyor.
LLM’ler Gerçekten Dünyayı Anlamıyor mu?
Yann LeCun’un eleştirisi aslında çok acı bir gerçeği gösteriyor. LLM’ler hâlâ dünyayı fiziksel olarak anlamıyor. Model sadece istatistiksel kelime ilişkileri öğreniyor ve gerçek bir bağlam üretimi zorlaşıyor.
Bir kedinin nesneleri mantıksal konumlara göre takip etmesi çok temel bir bilişsel davranış oluşturuyor. LLM ise bu davranışı görmüyor ve sadece metin üzerinden kestirim yapıyor. Bu durum karmaşık fiziksel problemleri sınırlı modelle çözmeyi zorlaştırıyor.
LeCun’un “çıkmaz sokak” benzetmesi teknik açıdan abartılı olabilir. Ancak yön değiştirme gerekliliğini net biçimde gösteriyor. Çünkü sensör, hareket, görsel ve fiziksel geri bildirim olmadan dünya modellemesi eksik kalıyor.
Halüsinasyon Gerçekten Bir Hata mı?
Gary Marcus yıllardır aynı şeyi söylüyor, ama bu kez söyledikleri daha çok yankı buluyor. Halüsinasyon LLM’in doğasında oluşuyor. Çünkü model tahmin yapıyor ve tahmin her zaman doğruluk üretmiyor.
Tahmin tabanlı sistemlerde doğruluk oranı belirli bir sınırda kalıyor. Model bazen güvenle yanlış bilgi üretiyor ve kullanıcı bunu hata sanıyor. Oysa bu davranış modelin temel yapısından geliyor.
Bu sorun modeli büyütmekle tam düzelmiyor. Çünkü ölçek artarken tahmin eğrisi aynı oranda gelişmiyor. Bu yüzden araştırmacılar hibrit sistemlere dönüyor ve LLM’i yalnız bırakmıyor.
Yatırımlar Neden Tedirginlik Yaratıyor?
Bugün dev şirketler yılda 400 milyar dolar civarında altyapı yatırımı yapıyor. Bu rakam veri merkezi, enerji, çip ve sunucu bileşenlerine gidiyor. Fakat yatırımcı “Bu para geri döner mi?” diye sormaya başlıyor.
Nvidia satış rekoru kırmasına rağmen hisse değeri düşüyor. Çünkü iş modeli genişliyor ama talep büyümesi aynı hızla devam etmiyor. GPU kapış kapış gidiyor ama beklenen kullanıcı dönüşü sınırlı kalıyor.
Bu tablo teknik değil ekonomik bir fren etkisi yaratıyor. Ölçek artışı ile gerçek fayda arasındaki ilişki zayıflıyor. Sektör bu yüzden daha temkinli davranıyor.
Yeni Dönemde Ne Olacak?
Yapay zekâ duvara çarpmadı, ama hızını azaltmış olabilir. Çünkü eski denklem artık yeterli olmaz ve yeni yollar aramak gerekir. Sentetik veri, dünya modelleri ve hibrit mimariler bu noktada devreye girer.
Araştırmacılar LLM’i tek başına bırakmak istemiyor. Çünkü LLM hâlâ dil üretiminde çok güçlü kalıyor. Ancak gerçek dünyayı anlama noktasında ek modüller gerekiyor.
Gelecek daha çok çoklu modalite üzerine kurulacak. Model dokunacak, görecek, duyacak ve etkileşimle öğrenecek. Bu da yapay zekânın daha dengeli bir gelişme dönemine girmesini sağlar.
Yol Bitmedi, Şerit Değişti
Mühendis kardeşim, yapay zekâ yolculuğu sadece yön değiştiriyor. Ölçek büyütme çağı yavaşlıyor ama araştırma çağı hızlanıyor. Sektör artık daha temkinli ama daha yaratıcı adımlar atıyor.
LLM duvara çarpmadı, sadece eski hızla giden otoyoldan yeni bir yola sapıyor. Bu da teknolojinin doğal olgunlaşma sürecini gösteriyor. Önümüzde daha rafine bir yapay zekâ dönemi yükseliyor.
