Özgün Adı: Why math is easy for AI but gardening is not: Moravec’s paradox | by Tirthajyoti Sarkar | Towards Data Science
Moravec’in Paradoksu
Introduction
Gücünü büyük veri setlerinden, derin nöral ağlar ve istatistiki makine öğrenmesi gibi karmaşık algoritmalardan (destek vektör makineleri, kümeleme, rastgele orman vs.) alan yapay zeka sistemleri; finanstan sağlığa, satıştan ulaşıma günlük hayatımızın her alanında derin ve dönüştürücü etkilere sahip.
Netflix’in film önerme sistemi, Amazon’un ürün tahmin sistemi, Facebook’un beğenebileceğiniz şeyleri size göstermekteki ürpertici kabiliyeti, Google’ın asistanı, DeepMind’ın AlphaGo’su, Stanford’ın insan doktorları alt eden yapay zekası… Makine öğrenmesi yazılımları yiyip bitiriyor. Liste uzayıp gidiyor…
Bu güçlü algoritmaların ortak noktalarından biri, görevlerini yerine getirirken karmaşık bir matematik kullanıyor olmaları. Bir görüntüyü sınıflandırıp bölütlerken, önemli kararlar verirken, bir ürün önerirken, karmaşık bir olayı modellerken ya da muazzam boyuttaki bir veri içinde gizlenen örüntüleri bulurken, sofistike matematiksel teknikler kullanıyor yapay zeka.
Bütün bu matematiksel işlemler o kadar karmaşık ki; bir insan, hatta bir grup insan, bu işlemleri kafasından, kalem kağıt kullanarak veya bilgisayar kullanarak yapamaz. Yapay zeka ve makine öğrenmesi sistemlerinin cazibesi tam da burada: Bu sistemler, karmaşık matematiksel akıl yürütmelerini, bol miktarda ham veriyi olasılıksal modeller ve istatistiki kurallar yardımıyla işleyerek otomatize edebiliyorlar.
Fakat bu makalede, yapay zeka sistemleri için her çeşit otomasyonun bu kadar kolay olmayacağını göreceğiz.
Akıl Yürütmenin Otomasyonu, Motor Becerilerin Otomasyonuna Karşı
Yapay Zeka, Matematik ile Güzel Çalışır
Konuyu olduğundan kısmen daha basit gösterme pahasına da olsa, modern yapay zeka sistemlerini otomatize edilmiş matematiksel akıl yürütme sistemleri olarak düşünebiliriz.
Ve bu hep böyleydi, geçmişte de.
1980 ve 90’lı yıllarda, sembolik mantık ve uzman sistemleri revaçtaydı. Hatırlayalım ki, sembolik mantık, karmaşık bir akıl yürütme paradigmasından başka bir şey değil.
2010 ve 20’li yıllara geldiğimizdeyse, özünde devasa lineer cebir çözücülerin ve istatistiki dağılım modellemecilerinin olduğu sistemleri geliştiriyor ve kullanıyoruz.
Ana yaklaşım, sembol temelli (tümdengelimci mantık) olmaktan çıkıp veri temelli (tümevarımcı genellemecilik) hale geldi, fakat bu iki yaklaşımın ortak paydası değişmedi: Yapay zeka sistemleri, karmaşık matematik ile güzel çalışıyorlar.
Kim Daha Zeki, Bir Bahçıvan mı Yoksa Bir Matematikçi mi?
Bu elbette retorik, hatta kırıcı olmaya yaklaşan nitelikte bir soru. Zeka farklı insanlar için farklı anlamlar ifade edebilir ve bir mesleği icra eden insanların, ortalamada dahi, diğerlerinden daha zeki olduğunu düşünmek için bir sebep yok.
Ne de olsa, zekayı tanımlamak oldukça çetrefilli bir iş.
Tamam, şimdi biraz geri dönüp zekanın daha kısıtlanmış bir tanımına bakalım.
Şüphesiz ki bugünün yapay zeka sistemleri, aslen, büyük ölçekli işlem sistemleridir. Bir derin öğrenme sistemi; ardı ardına gelen katmanlarda bulunan işlemci sinir düğümlerinden, büyük miktarda vektörleştirilmiş verinin yüzlerce kez tekrarlı şekilde geçirilmesi yoluyla eğitilir. Mesele, en temelde, çarpma, toplama ya da mantıksal VE / VEYA gibi basit işlemlerin milyarlarca kez yapılmasına indirgenebilir.
Böylece, dar bir anlamda, yapılan işlem sayısıyla yapay zekanın akıl yürütme kabiliyeti arasında bir denklik kurabiliriz. Bu durumu, tek gizli katmanlı bir sinir ağının XOR problemini çözemezken, 152 katmanlı ResNet’in binlerce görseli yüksek isabetle sınıflandırabilmesinde görebiliriz.
Daha fazla katman, daha fazla işlem, yapay zeka için daha fazla güç.
Dolayısıyla, işlem gücünü zeka ile, diğer bir deyişle karmaşık işlemler yapabilme becerisini daha yüksek seviye zeka ile bağdaştırırsak, matematikçi bu karşılaşmadan galip ayrılır, değil mi?
En azından, yüksek seviyeli akıl yürütme işlerinin, kafamızda karmaşık hesaplar yapmadan kolayca halledebileceğimiz bahçıvanlık gibi sıradan işlerden daha fazla hesaplama gerektirdiğine bir şekilde kendimizi ikna edebiliriz.
Fakat görünen o ki, bu yanlış bir çıkarım olurdu.
Bir yapay zeka sistemi için bir matematikçi olmak, bir bahçıvanın becerilerini elde etmekten daha kolay. En azından güncel yapay zeka sistemleri için durum bu.
Moravec’in Paradoksu
Hans Moravec, Avusturya doğumlu bir Amerikalı. Kendisi bir robotikçi ve bilgisayar bilimci. Şimdi ise, Carnegie Mellon Üniversitesi’nin Robotik Enstitüsü’nde misafir öğretim görevlisi.
Kendisi, robotik ve yapay zeka üzerine yaptığı çalışmalarla ve teknolojinin etkileri üzerine yazdığı yazılarla tanınıyor. Moravec ayrıca transhümanizm üzerine birçok yayını ve öngörüsü bulunan bir fütürist.
Moravec, 1980’lerde, Marvin Minsky ve Rodney Brooks gibi alanında önde gelen bilim insanlarıyla bir gözlemde bulundu: “Geleneksel varsayımların aksine, insanlarda yüksek seviye olan akıl yürütme, az miktarda hesaplama gerektiriyor. Fakat, insanlarda görece düşük seviyeli olan duyumotor (sensorimotor) beceriler, muazzam hesaplama kaynakları gerektiriyorlar”.
Moravec şöyle demişti: “Bilgisayarların zeka testlerinde ya da dama oynamakta bir yetişkin kadar becerikli olmasını sağlamak görece kolay, ama konu algılamaya ve hareket etmeye geldiği zaman, onlara bir yaşındaki bir çocuğun becerilerini vermek çok zor ya da imkansız.”
Bu gözlem, görsel sınıflandırma gibi daracık bir alanda insan seviyesinde algı yeteneği gösteren ResNet-50 modeli gibi yapay zeka sistemlerinin bulunmadığı dönemlerde, 30 yıldan daha uzun bir süre önce yapılmıştı. Fakat bu gözlemin isabetliliği, bugün bile gücünü koruyor.
OpenAI’ın oldukça karmaşık Dota oyununda insanları yenen inanılmaz programını hepimiz gördük, fakat siz, yapay zekanın, şimdiye kadar hiç lise seviyesinde bir masa tenisçisini yendiğini gördünüz mü?
Amatör bir kulüp takımıyla karşılaşan bir robot futbol takımı? Yaprakları kısaltabilen, çiçekleri yeterince hassas bir şekilde toplayabilen ve bahçeyi kusursuz bir şekilde sulayabilen, tamamen otonom bir robot bahçıvan?
Neden yok, bir düşünelim…
İnsan Yeteneklerinin Biyolojik Temeli
İnsan yeteneklerinin tamamı, doğal seçilim sürecinin tasarladığı düzenekler kullanılarak, biyolojik bir şekilde hayata geçirilir. Ayrıca, bu süreç, enerji sarfiyatının optimize edilmesine oldukça önem verir.
İnsan beynini bir düşünün. Bu sıkıştırılmış işlemcide 80 milyardan fazla nöron, sadece loş bir ampulün gücüyle (~20 watt) ateşleniyor. Bu 1400 gramlık süngersi yapışkan şeyin, bilinen evrendeki en yüksek enerji verimliliğine sahip işlemciye dönüşmesi sırasında muazzam bir optimizasyon gerçekleşti.
İnsan becerilerinin evrim yoluyla gelişmesi, inanılmaz sıkı optimizasyon kriterlerine uyan tasarım gelişmelerini korudu. Fakat bu optimizasyon süreci yavaş ve belirli bir becerinin evrimini şekillendirip yönlendirebilmesi için uzun bir zamana muhtaç.
Bu yüzden, basitçe şu söylenebilir: Bir beceri ne kadar eskiyse, onun tasarımını geliştirmek için doğal seçilimin o kadar fazla vakti olmuştur.
Soyut düşünme ve yüksek seviyeli matematiksel akıl yürütme, oldukça yakın zamanlarda geliştiler. Bu yüzden de, bunların uygulamalarının ve arkalarındaki mekanizmaların özellikle verimli olması beklenmez.
Yüksek Seviyeli Akıl Yürütme, Yakın Zamana Kadar, Evrimin Canı Ciğeri Değildi
Bir saniye durun ve kendinizi 200 bin yıl öncesinde, kocaman Afrika savanlarında ya da Amazon yağmur ormanlarında bir homo sapiens olarak hayal edin.
Aşağıdaki becerilerden hangilerini daha çok önemserdiniz?
- Sırtlan sürülerinden kaçabilmek için hızlı koşabilme kabiliyeti (size en azından hayatta kalabilmeniz için küçük bir şans verir)
- Zehirli bir bitkiyi tanıyabilme ve onu şifalı olanından ayırabilme kabiliyeti
- Sayıları ekleme ve çarpma ya da kabilenizdekilere anlatabilmek için güzel hikayeler uydurabilme kabiliyeti
Türümüzün duyusal algı ve kas hareketleriyle ilişkili motor becerileri, tür geçmişimizin neredeyse tamamında hayatta kalmamızı sağlayan şeylerdi.
Ta ki 70 bin yıl önce meydana gelen bilişsel devrim denen şeye kadar.
Antropolojik analizlerin ve fosil kayıtlarının gösterdiği kadarıyla bu tarih, türümüzün, semboller ve hayali varlıklar üzerine düşünebilme kapasitesini geliştirdiği tarih.
Çoksatan “Sapiens” kitabında Yuval Harari’nin belirttiği gibi, Homo Sapiens’in diğer insansı türlerin üzerinde üstünlük kurmasının en önemli sebebi; soyut bir şekilde ve farazi varlıklar üzerine (tanrı, para, ulus vb.) düşünebilmesiydi.
Neandertaller, taze bir meyvenin ya da yakalanmış bir avın değerini bugün kolayca kavrayabiliyorlardı. Fakat yarın, takım çalışmasıyla daha büyük bir avı yakalayabilmek için “güven inşa etmenin” farazi faydalarını tam anlamıyla idrak edemiyorlardı.
Soyut düşünebilme ve matematiksel akıl yürütme, türümüzün işine oldukça yaradı. Dil, matematik, mantık, sanat, bilim, teknoloji… Her şey, bu kabiliyetin bir ürünü.
Fakat bu yalnızca son zamanlarda ortaya çıkmış bir gelişme.
Bundan önceki yüzlerce binyılda, motor beceriler ve duyusal algılar, genlerimizin hayatta kalıp serpilmesine yardımcı oldular. Sadece daha gelişkin reflekslere sahip olup, uzaktan bir avcıyı tespit edebilecek, ya da hızlı koşup isabetli bir şekilde bir şeyleri fırlatabilecek olanlar hayatta kalıp genlerini aktardılar.
Dolayısıyla, bizim biyolojimiz, optimize edilmemiş bir sayısal işlemci ile olağanüstü derecede verimli bir motor korteksi kafatasımıza yerleştirdi.
Yapay Zeka için Satranç Oynamaktan veya İntegral Çözmekten Daha Zor Olan Aktiviteler
Moravec, genel olarak “bir becerinin hayvanlarda evrildiği sürenin, bu beceriyi tersine mühendislikle ortaya çıkarmanın zorluğuyla doğru orantılı olduğunu” ileri sürdü.
En eski insan becerileri büyük oranda bilinç dışı ve onları kullanırken pek çaba sarf ettiğimizi hissetmiyoruz. Dolayısıyla, pek çaba sarf ettiğimizi hissettirmeyen becerilerin, daha ağır hesaplamalar gerektirmesi ve tersine mühendislikle insan yapımı bir yapay zekaya entegre edilmesinin daha zor olacağı, çok şaşırtıcı olmamalı.
Satranç oynamak, matematik çözmek, şiir yazmak, piyano çalmak ve resim yapmak gibi bilinçli bir çaba gerektiren becerilerin yapay zekaya entegre edilmesi ise o kadar da zor olmayabilir.
Bugünlerde hepimiz piyano çalan, satrançta ve Go’da şampiyon olan, resim çizme ustası olan, müzik yapan ya da matematik üstadı olan yapay zeka sistemlerini duyuyoruz, değil mi?
Fakat sıkış tıkış bir mutfakta, etraftaki çatal bıçakları dağıtmadan bulaşıkları yıkayabilen bir yapay zeka/robot sistemini pek duymadık, değil mi?
Lanet olsun, kafatasımızın etrafındaki basıncı ölçüp bize güzel bir baş masajı yapabilecek ticari bir robot bile yok! Bahse varım ki elinize böyle bir yapay zeka sistemi geçse hemen alırdınız.
Asıl zor problemler bunlar işte.
Bilgisayarlar satrancı 1997’de fethetti. AlphaGo Lee Sedol’ü mağlup ettikten sonra, AlphaGo-zero’nun geliştirilmesi sadece bir yıl aldı. Güçlü teori ispatlama ve mantık sentezleme motorları ise 50’li ve 60’lı yıllarda geliştirilmişlerdi zaten, fakat sınırlı şekilde programlanabiliyorlardı ve işlem yapma güçleri de sınırlıydı.
Fakat gerçek dünyadaki robotların, görsel ve işitsel algı sistemlerinin ve motor beceri taklitlerinin geliştirilme hızı yavaş olduğu gibi oldukça çetrefilli.
Elbette ki bu durum, bu alanlarda çalışan profesyonellerin ve araştırmacıların kusuru değil. Bu becerileri, asıl odağı matematiksel akıl yürütme ve büyük ölçekli lineer cebir işlemleri yapma olan sınırlı bir yapay zekayla taklit etmek kolay değil.
En Güçlü Kanıt, Yapay Zekanın Tarihi
Moravec’in yaptığı gözlem, bir fizik kanunu değil. Muhtemelen, daha ziyade Moore kanunu gibi oldukça isabetli bir gözlem.
Bazıları buna bir paradoks diyor. Fakat ben, yapay zekanın gelişim tarihinde bile bu paradoks için bol miktarda kanıtımız olduğuna inanıyorum.
Araştırmacılar, yapay zekanın ve bilgisayar biliminin erken dönemlerinde bile teori ispatlayan, cebir ve geometri problemleri çözen ve dama ve satranç gibi oyunları oynayabilen programlar yazmak konusunda başarılıydılar. Ve bunu, neredeyse hiç veri kullanmadan, oldukça mütevazı bir işlem gücünü kullanarak yaptılar.
Bu durum, onları, bu “zor” problemler yapay zekayla tamamen çözüldükten sonra; “bir arkadaşının yüzünü fotoğraftan tanımak” veya “yere kapaklanmadan bir üniversite yurt odasında dolaşmak” gibi “basit” problemlerin çantada keklik olacağına inandırdı.
Rodney Brooks’un dediği gibi, zeka gerektiren şeyler; satranç oynamak, sembolik integraller çözmek, matematiksel teoremler ispatlamak ve karmaşık cebir problemleri çözmek gibi “ileri düzey eğitimler almış erkek bilim insanlarının zor bulduğu” şeylerdi. “Bir kahve kupasıyla bir sandalyeyi görsel olarak ayrıştırmak, iki ayak üzerinde yürümek veya yatak odasından oturma odasına gidebilmek gibi dört, beş yaşlarında çocukların hiç zorlanmadan yapabildiği aktivitelerin zeka gerektirmediği düşünülüyordu”.
Daha fazla yanılamazlardı.
Görsel-işitsel algı ve hareket ile ilgili basit zannedilen sorunlar, en çetin ceviz sorunlara dönüştüler.
Bunun ne olduğunu anlayabildiğimizi rahatça söyleyebiliriz. [Görsel-işitsel algı ve hareketin yapay zekaya entegre edilmesinin zorluğunun sebebi] evrim denen muazzam düzeneğin, türümüzün bu becerilerini diğer tüm becerilerden daha güçlü bir şekilde ve daha uzun bir süredir optimize edip kusursuz hale getiriyor olması.
Günün sonunda, biyoloji, yapay zeka girişimlerine bu kadar kolay bir şekilde boyun eğecek değil ya.
Yapay Genel Zeka (YGZ) ve Geleceğin Meslekleri
Biyolojiyi Taklit Etmek, Yapay Genel Zekaya (YGZ) Giden Doğru Yol Mu?
Yapay zeka sistemlerimizi beyin devrelerine benzeterek, çeşitli alt işlemcilerini de evrimin el işlerini taklit ederek geliştirmemiz gerektiği iddia edilebilir. Bu yolla, evrimin de yaptığı gibi, doğru sayıda işlemleme kaynağını doğru alt işlemcilere dağıtabiliriz.
Bütün beyni taklit etmek (whole brain emulation), bizi YGZ’ye ulaştırabilir. Bu fikrin uygulanabilirliği ve potansiyeli üzerine birçok tartışma dönüyor. Hatta insan beynindeki neokorteksin tamamını simüle etmeyi hedefleyen, heyecan verici bir proje var. Fakat onları tartışmak için burada değiliz.
Şimdilerde zeki bir özne inşa etmekte genel kabul gören yaklaşım, “insan davranışını taklit etmek”. Bu, bir yapay zekalı öznenin geçmek için sadece “dışarıdaki bir gözlemciye insan gibi görünüp, onu, kendisinin bir insan olduğuna ikna etmesinin” yeterli olduğu ünlü Turing testinin bir muadili. Dikkat edin, Turing testi, yapay zekalı öznelerin, zeka spektrumunda gerçekten insanlarla denk olmasını gerektirmiyor. Bu test, sadece ve sadece, bu öznelerin harika bir taklitçilik yapmasını gerektiriyor.
Yapay zeka sistemlerini bu prensibe göre tasarlamaya devam ettiğimiz sürece, biyolojinin koyduğu sınırları takip ediyor olabiliriz. Sıradan algı ve hareket becerilerini taklit eden bir yapay zeka üretmek, sadece matematiksel akıl yürütme problemleri çözen bir yapay zeka üretmekten daha fazla işlemleme gücü ve yaratıcılık gerektirecek.
Zaten matematik kolay. Gerçekten zor olansa bahçıvanlık, değil mi?
Geleceğin Meslekleri
Bu durumun gelecekte icra edilecek meslekler için ne anlam ifade ettiği sorusu hemen akla geliyor. Tıpkı sanayi devriminin bedensel işleri ortadan kaldırması ya da otomotiv devriminin at arabalarını tarihe gömmesi gibi; yapay zeka teknolojilerinin de beyaz yakalıların icra ettikleri işleri ellerinden alacağına yönelik birçok spekülasyon var.
Bunun aksine, birçok uzman ise yapay zeka ve otomatik robotların yaratacağı dördüncü endüstriyel devrimle birlikte bir geriye dönüş yaşanacağını ve iş piyasasını parlak bir geleceğin beklediğini iddia ediyorlar.
Ne olursa olsun, gördük ki, karmaşık fiziksel hareketler ve hassas duyusal algı gerektiren bahçıvanlık, berberlik, yaşlı ve çocuk bakımı, spor, barmenlik ve otelcilik gibi işlerin, yakın zamanda robotik otomasyonla ortadan kalkmayacağını öne süren güçlü bir bilimsel argüman var. Yüzeysel olarak bakıldığında hiç çaba gerektirmiyor gibi görünen bu işler, aslında milyonlarca yıllık biyolojik süreç optimizasyonlarıyla kusursuz hale gelmiş becerilere dayanıyorlar ve yalnızca insan evriminin yeni bir ürünü olan akıl yürütmeye dayanan mükerrer beyaz yakalı işlerinden çok daha fazla işlemleme gerektiriyorlar.
Gelecek belirsiz ve onu gözlemlemek heyecan verici. Zihninizi açık tutun…
