Yapay zeka bir insan gibi düşünüp karar alabilir mi sorusunun ardında aslında yapay zekanın insanın yerini alması fikri yatıyor. Kendi kararlarını özerk olarak verebilen bir robot, James Cameron'un 1984 yapımı Terminatör filmini tanımlayan ana fikirdi. Teknolojideki büyük ilerlemelere rağmen, gerçekten otonom robotlar henüz bilim kurgu alanından gerçeğe dönüşemedi.

2020 yılının sonunda otonom araç girişimlerine öncülük eden heyecan da azalmaya başladı. Uber, otonom sürüş teknolojileri bölümünü 2020'nin sonunda sattı. Otonom araçlar için düzenleyici çerçeve netlikten uzak olsa da teknoloji de henüz beklenen sıçramayı yapabilmiş değil.

Bir ağın sınırında çalışan bir makine, bu ister bir otomobil ister robot veya endüstriyel bir süreci kontrol eden akıllı bir sensör olsun, gerçek zamanlı karar vermek için arka uçta gerçekleşip kendisine iletilecek hesaplamalara güvenemez. Ağlar güvenilmezdir ve sadece birkaç milisaniyelik gecikme, felaketle sonuçlanan bir kaza olması ya da bu kazaya ramak kalması arasındaki farka sebep olabilir.

Uzmanlar genellikle gerçek zamanlı karar verme için sınır bilişime ihtiyaç olduğunu kabul eder, ancak bu kararlar basit "evet" veya "hayır" yanıtlarından, daha karmaşık karar verme türlerine doğru geliştikçe, mevcut teknolojinin yetersizliği yer yer araştırmacıları yavaşlatıyor. Bunun nedeni, yalnızca gelişmiş veri modellerinin gerçek dünya durumlarını yeterince modelleyememesi değil, aynı zamanda makine öğrenimine yönelik yaklaşımın kırılgan ve yapay zekanın doğal dünyaya uyarlanabilirliğinin kısıtlı olmasıdır.

Intel'in nöromorfik bilgi işlem laboratuvarının direktörü Mike Davies, Aralık 2020'deki Intel Labs Day etkinliğinde bilgi işlem için mevcut yaklaşımların neden yeniden düşünülmesi gerektiğini masaya yatırdı. Davies, fikirlerinin çıkış noktasını, "Beyin, gerçekten rakipsiz bir bilgi işlem cihazıdır" diyerek ortaya koydu.

Yaklaşık 18 Watt güç tüketen yerleşik işlemcilere sahip otonom bir drone önceden programlanmış bir rotayı zar zor uçabilirken, uçuş kabiliyetleriyle ünlü sultan papağanlarının küçük beyinleri yalnızca 50 mW  enerji tüketir.

Kuşun beyni, bir insansız hava aracında ihtiyaç duyulan 40 gramlık işlem gücüne kıyasla sadece 2,2 gr ağırlığındadır. Bu dengesiz durumda bile, papağan 35 km hızla uçabilir, yiyecek arayabilir ve diğer papağanlarla iletişim kurabilir. Hatta küçük bir kelime dağarcığına bile sahip olabilir. Teknik özellikler açısından karşılaştırıldığında; doğa, tüm boyutlarda bilgisayarlardan niceliksel olarak üç kat daha üstün performans gösteriyor.

Beyinlerden daha iyi performans göstermeye çalışmak her zaman bilgisayarların hedefi olmuştur. Ancak bu zamana kadar genellikle atlanan yegane kritik nokta, beyinlerin doğada milyonlarca yıl boyunca optimize edilerek bugünkü hallerini aldığıdır.

Davies'e göre derin öğrenme, akıllı sınır cihazların dünyasını değiştirmek için değerli bir teknoloji olsa da sınırlı bir araçtır. Bazı problem türlerini son derece iyi çözen bu teknoloji, doğal bir beynin davranışının yalnızca küçük bir bölümünü taklit edebiliyor.

Bu nedenle derin öğrenme, bir yarış drone’una bir kapıdan uçarak geçmesini öğretebilir ancak bu görevi öğretme şekli doğal değildir. Burada işlemci (CPU), verileri toplu modda işlemek için son derece optimize edilir.

Derin öğrenme teknolojisi karar almak için CPU’nun vektörel hale getirilmiş veri setlerini bir diskten veya bellekten işlemesi ve halihazırda depoladığı verilerle karşılaştırması gerekir. Veriler yalnızca gruplar halinde düzenlenmekle kalmıyor, aynı zamanda tek tip olarak dağıtılması gerekiyor. Gerçek zamanlı gezinmesi gereken organizmalardaysa veriler bu şekilde kodlanmıyor. Bir beyin veri örneğini toplu olarak yerine numuneye göre işler.

Sınırda karar almak

Intel, bir bilgisayar mimarisinin transistörden başlayarak nasıl yeniden tasarlanacağını araştırıyor ve CPU ile bellek arasındaki ayrımı bulanıklaştırıyor. Buradaki amaç, verileri milyonlarca basit işlem biriminde paralel olarak eş zamansız olarak işleyen ve biyolojik beyindeki nöronların rolünü yansıtan bir makine yaratabilmek.

2017 yılında 14 nm işlem teknolojisi üzerine üretilmiş özel bir mimariye dayanan 128 çekirdekli bir tasarım olan Loihi geliştirildi. Loihi çipi, her biri binlerce diğeriyle iletişim kurabilen 130.000 nöron içerir. Geliştiriciler, 128 çekirdeğin her birinde yerleşik olan öğrenme motoru aracılığıyla yonga üzerindeki kaynaklara programlı olarak erişebiliyor ve bunları manipüle edebiliyor.

Davies, nöromorfik hesaplamanın kuantum hesaplamadakilere benzer sorunları çözebileceğini düşünüyor. Ancak kuantum bilişim, sonunda buluttaki veri merkezi hesaplamasının bir parçası olarak kalmaya devam ederken, Intel sınır bilişim cihazlarında yardımcı işlemci birimleri olarak nöromorfik bilgi işlemcileri geliştirmek istiyor. Davies, bu cihazların 2025’e kadar geliştirileceğini tahmin ediyor.

En büyük engel teknik zorluklar değil

Nörobilgisayar araştırmacıları için en büyük engel donanımda değil, programcıların paralel bir nörobilgisayarı verimli bir şekilde nasıl programlayacaklarını anlamak için 70 yıllık geleneksel programlama yöntemini değiştirmelerini sağlamak. Geldiğimiz son noktada bilgisayarların insan gibi düşünmesini sağlamanın en zor kısmı, etkileşimli binlerce nöron varken programlamanın ne anlama geldiğini anlamak ve bunda ustalaşmak.

Diğer yandan altta yatan teknik gelişmeler ne olursa olsun, günümüzün yapay zeka uygulamalarının çok büyük bölümü eğitilmiş bir yapay zeka modeli kullanıyorlar. Bu modeller adları üzerinde önceden eğitildikleri verilerle hareket ediyorlar ve gerçek zamanlı öğrenme kabiliyetine sahip değiller. Çalışma biçiminin bu şekilde olması, elbette sunulan deneyimi iyileştirmek için, ancak altta yatan teknolojinin kusurlarını da saklamaya yarıyor.

Aslında öğrenme, güvenli bir ortamda, örneğin laboratuvar ortamında gerçekleştiriliyor. Kullanıcı ise sadece sistemin düşünme deneylerini deneyimliyor. Her ne kadar aksini iddia edenler olsa da henüz insan gibi düşünen ve insanı aşabilecek bir yapay zeka modeli için heyecanlanmaya, dolayısıyla da korkmaya gerek yok.