Etiketler faydalıdır, ama doğa kanunu değildir
Dar yapay zekâ, yapay genel zekâ ve yapay süper zekâ, üç kesin sınırlı kutu olarak değil, birden çok yetenek boyutunda bölgeler olarak anlaşılmalıdır. Araştırmacılar ve kurumlar farklı tanımlar kullanır ve bir sistemin “AGI haline geldiğini” onaylayabilecek bilimsel bir otorite yoktur. Dikkatli bir okuyucu bu nedenle bir konuşmacının bu terimle ne kastettiğini ve sınıflandırmayı hangi kanıtların desteklediğini sormalıdır.
Dar yapay zekâ (ANI) geleneksel olarak sınırlı bir görev veya alan için optimize edilmiş bir sistem anlamına gelir: bir satranç motoru, dolandırıcılık dedektörü, konuşma tanıyıcı veya protein yapısı tahmincisi. Böyle bir sistem, hedef görevinde her insanı geçebilirken başka her yerde işe yaramaz kalabilir. Ama dağıtılan her modeli “dar” olarak adlandırmak giderek daha yanıltıcı hale geliyor. Genel amaçlı dil ve çok modlu modeller yazabilir, kod yazabilir, görüntü analiz edebilir, araç kullanabilir ve talimatlardan yola çıkarak birçok göreve uyum sağlayabilir. Bir anlamda geniştirler, ama yine de güvenilmezdirler, destek yapılara bağımlıdırlar ve alanlar arasında düzensizdirler. “Genel amaçlı yapay zekâ” veya “geniş yetenekli model”, bu sistemleri eski dar/genel ikiliğine sıkıştırmaktan çoğu zaman daha bilgilendiricidir.
Yapay genel zekâ (AGI) genellikle tanıdık olmayan görevlere aktarılabilen geniş yetkinliğe sahip bir makine anlamına gelir. Bu çekirdeğin ötesinde tanımlar birbirinden ayrılır. Bazıları çoğu bilişsel işte tipik bir insanla kıyaslanabilir performans gerektirir; bazıları verimli öğrenme yeteneği gerektirir; bazıları ekonomik olarak değerli emeği vurgular; ve bazıları fiziksel veya dijital dünyada özerklik ekler. Google DeepMind araştırmacıları, AGI’yi hem genişlik — kaç görevi yapabildiği — hem de derinlik — bunları ne kadar iyi yaptığı — ile tanımlamayı önerdi ve özerkliği ayrı bir dağıtım özelliği olarak ele aldı (DeepMind, Levels of AGI). Bu çerçeve, tek bir referans noktasının sihirli bir eşik yarattığını varsaymaktan kaçınır.
Yapay süper zekâ (ASI), neredeyse tüm bilişsel açıdan değerli alanlarda en iyi insanları önemli ölçüde aşan varsayımsal bir sistemdir. Bu, gözlemlenmiş bir teknoloji kategorisi değildir. Bilim, strateji, mühendislik, ikna ve belki de yapay zekâ araştırmasının kendisinde insan kurumlarını geride bırakabilecek sistemler hakkında akıl yürütmek için kullanılan bir senaryodur. Böyle bir sistemin mümkün olup olmadığı, AGI’yi ne kadar hızlı takip edebileceği ve her alandaki zekânın tek bir sistemde birleştirilip birleştirilemeyeceği tartışmalı sorular olarak kalmaktadır.
Yetenek tek bir eksenden ibaret değildir
Faydalı bir değerlendirme en az beş özelliği ayırır:
- Genişlik: sistemin yetkin olduğu görev ve ortamların çeşitliliği.
- Performans: bir acemiye mi, tipik bir çalışana mı, bir uzmana mı, yoksa en iyi insana mı denk geldiği.
- Güvenilirlik: olağandışı veya çekişmeli koşullar altında dahil olmak üzere ne sıklıkla başarılı olduğu.
- Öğrenme ve aktarım: göreve özgü yeniden eğitim olmadan gerçekten yeni bir görevi ne kadar kolay ele aldığı.
- Özerklik: ne kadar süre ve ne kadar güvenle plan yapabildiği, harekete geçebildiği, araç kullanabildiği, hatalardan kurtulabildiği ve sınırlı denetimle bir hedefi sürdürebildiği.
Bu eksenler dramatik biçimde ayrılabilir. Bir model yüzlerce konuda soru yanıtlarken temel hatalar yapabilir. Bir başkası bir bilimsel iş akışında olağanüstü güvenilir olabilir ama genelleme yapamayabilir. Bir sohbet modeli geniş bilgiye sahip gibi görünürken, aynı model üzerine kurulu bir ajan bağlamı kaybettiği, bir aracı yanlış kullandığı veya planının ters gittiğini fark edemediği için başarısız olabilir. OECD’nin yapay zekâ sistemi tanımı da benzer şekilde, üretilen çıktıları ve ortamlar üzerindeki etkiyi, değişen özerklik düzeylerinden ve dağıtım sonrası uyarlanabilirlikten ayırır (OECD yapay zekâ ilkeleri).
Bu önemlidir çünkü cilalı dil, sağlam eyleyicilikle aynı şey değildir. İnsana benzer konuşma antropomorfizmi teşvik ederken, referans puanları dikkatle yapılandırılmış istemlere, temiz verilere ve otomatik puanlamaya bağımlılığı gizleyebilir. Tersine, bir sistemin önemli yeteneklere sahip olması için bir insan gibi konuşmasına gerek yoktur. Bilimsel bir model, bir alım satım ajanı veya bir siber araç, bir insan zihnine benzediği için değil, ne yapabildiği için önemli olabilir.
Neden tek bir referans testi AGI’yi kanıtlamaz
Referans testleri, belirtilen koşullar altında davranışı örnekler. Anlayışı, bilinci, niyetleri veya test edilmemiş her ortamdaki performansı doğrudan ortaya koymazlar. Puanlar gerçek genelleme, benzer eğitim örneklerine maruz kalma, daha iyi istem verme, araç erişimi veya model etrafındaki mühendislik nedeniyle yükselebilir. Bir referans testi ayrıca doyabilir: önde gelen sistemler tavanına yaklaştığında, küçük farkları yorumlamak zorlaşır.
Aynı uyarı ekonomik tanımlar için de geçerlidir. “Çoğu işi otomatikleştirebilir” somut görünür, ama işler; teknik görevlerin, sosyal müzakerenin, hesap verebilirliğin, fiziksel etkinliğin, yerel bilginin ve hatalardan sorumlu olmanın demetleridir. Kendi içinde tamamlanan görevlerdeki başarı, bir sistemin karmaşık bir organizasyonda bir çalışanın yerini alabileceğini kanıtlamaz. METR, görev tamamlama zaman ufkunun yazılım, makine öğrenmesi ve siber güvenlikte yoğunlaştığını ve iş otomasyonunun genel bir ölçüsü olarak okunmaması gerektiğini açıkça belirtir (METR metodolojisi).
Bu nedenle AGI, bir kanıt profili gerektiren bir iddia olarak ele alınmalıdır. Hangi alanlar test edildi? Görevler ne kadar yeniydi? Hangi araçlara ve insan yardımına izin verildi? Performans bağımsız olarak tekrarlandı mı? Başarı oranı neydi? Hedefler belirsiz olduğunda veya ortam değiştiğinde sistem güvenilir kaldı mı? Bu ayrıntılar olmadan, bir AGI duyurusu marka oluşturma, tahmin veya kişisel yargıdır — bir ölçüm sonucu değil.
Ayrım neden politikayı değiştirir
Farklı yetenek profilleri farklı riskler yaratır. Mevcut sistemler zaten dolandırıcılık, ayrımcılık, mahremiyet ihlali, güvensiz tavsiye, iş gücü bozulması ve sentetik medya yoluyla belgelenmiş zararlara neden oluyor. Bu sorunlar AGI gerektirmez ve gelecekteki bir eşiğe kadar ertelenmemelidir. Geniş ölçüde özerk sistemler, siber operasyonlar yürüterek, tehlikeli araştırmayı hızlandırarak veya kritik süreçleri insan denetimini aşan bir ölçekte kontrol ederek başka riskler ekleyebilir. Varsayımsal süper zekâ, insan kurumlarının kendilerinden stratejik olarak üstün bir sistemi denetleyip denetleyemeyeceği konusunda daha da belirsiz sorular gündeme getirir.
Kategoriler ayrıca orantılı güvenlik önlemlerini şekillendirir. Dar bir tıbbi sınıflandırıcının klinik doğrulamaya, izlemeye ve bir itiraz sürecine ihtiyacı olabilir. Genel amaçlı bir model, yetenek değerlendirmelerine, kötüye kullanım tespitine, olay bildirimine ve tehlikeli araçlar etrafında kontrollere ihtiyaç duyabilir. Kritik altyapıyı işleten son derece özerk bir sistem, daha güçlü güvence, sınırlama ve insan yetkilendirme gereklilikleri gerektirir. “Yapay zekâ”yı tek, farklılaşmamış bir kategori olarak kullanmak bu farkları gizler.
AGI iddialarını okumanın daha iyi bir yolu
Biri AGI’nin burada olduğunu — ya da imkânsız olduğunu — söylediğinde, iddiayı gözlemlenebilir sorulara çevirin. Sistem geniş ölçüde yetkin mi, yoksa sadece arayüzde mi geniş? Yeni işlere aktarılabiliyor mu? Ne kadar güvenilir? Uzun, gerçek dünya projelerini tamamlayabiliyor mu? Sürekli insan düzeltmesi gerektiriyor mu? Dağıtımdan sonra öğreniyor mu? Kanıt kamuya açık ve bağımsız olarak tekrarlanabilir mi?
2026’daki dürüst sonuç, dağıtılan tüm yapay zekânın basitçe dar olduğu ya da geniş dil modellerinin evrensel olarak kabul edilmiş bir AGI çizgisini aştığı değildir. Mevcut sistemler çarpıcı genişliği ciddi kırılganlıkla birleştiriyor. AGI tartışmalı bir kavram olmaya devam ediyor ve ASI varsayımsal olmayı sürdürüyor. Bu nedenle en faydalı “yetenek merdiveni”, bir şirketin kendini kazanan ilan edebileceği üç basamaklı bir merdiven değil, tarihli kanıtlara sahip çok boyutlu bir haritadır.