Johns Hopkins Üniversitesi tarafından yürütülen yeni bir bilimsel araştırma, yapay zekâ geliştirmede ezberleri bozuyor. Araştırmaya göre, yapay zekâyı insan beynine benzer mimarilerle tasarlamak, onu milyarlarca veriyle eğitmekten çok daha etkili olabilir. Hatta bazı modeller, hiçbir eğitim almadan bile insan beynine benzer tepkiler üretebiliyor. Yapay zekâyı insan beynine daha benzer şekilde inşa etmek, onu veriyle boğmaktan çok daha önemli olabilir.  Yeni bir araştırma, yapay zekânın insan beynine daha çok benzemeye başlaması için sonsuz miktarda eğitim verisine ihtiyaç duymadığını gösteriyor. Araştırmacılar, yapay zekâ sistemlerini biyolojik beyinlere daha çok benzeyecek şekilde yeniden tasarladıklarında, bazı modellerin hiçbir eğitim almadan bile beyin benzeri aktiviteler ürettiğini ortaya koydu. Bu bulgu, günümüzde yapay zekâ geliştirmede hâkim olan “veri açlığı” yaklaşımına meydan okuyor. Çalışma, daha akıllı tasarımların öğrenmeyi ciddi biçimde hızlandırabileceğini, aynı zamanda maliyetleri ve enerji tüketimini önemli ölçüde azaltabileceğini öne sürüyor.

Araştırmacılar, beyin esinli tasarımlarla geliştirilen yapay zekâların, herhangi bir eğitim verisiyle karşılaşmadan önce bile insan beyni aktivitesini taklit edebildiğini buldu. Bu keşif, daha akıllı yapay zekâya giden tek yolun daha büyük veri setleri ve daha fazla hesaplama gücü olduğu fikrine meydan okuyor.

Johns Hopkins Üniversitesi’nden yeni bir araştırma, biyolojiden ilham alan tasarımlarla geliştirilen yapay zekâ sistemlerinin, herhangi bir veriyle eğitilmeden önce bile insan beyni aktivitelerine benzemeye başlayabildiğini gösteriyor. Çalışma, yapay zekânın nasıl yapılandırıldığının, işlediği veri miktarı kadar önemli olabileceğini ortaya koyuyor.

Nature Machine Intelligence dergisinde yayımlanan bu bulgular, yapay zekâ geliştirmede baskın olan stratejiyi sorguluyor. Aylar süren eğitim süreçlerine, devasa veri kümelerine ve muazzam hesaplama gücüne bel bağlamak yerine, araştırma beyin benzeri bir mimariyle başlamanın değerini vurguluyor.

Yapay Zekâda Veri Ağırlıklı Yaklaşımı Yeniden Düşünmek

“Yapay zekâ alanı şu anda modellere tonlarca veri yükleyip, küçük şehirler büyüklüğünde hesaplama kaynakları inşa etmeye doğru gidiyor. Bu da yüz milyarlarca dolar harcamayı gerektiriyor. Oysa insanlar görmeyi çok az veriyle öğreniyor,” diyor çalışmanın baş yazarı ve Johns Hopkins Üniversitesi bilişsel bilimler yardımcı doçenti Mick Bonner.

“Evrim bu tasarımda iyi bir nedenle birleşmiş olabilir. Bizim çalışmamız, beyne daha çok benzeyen mimarilerin yapay zekâ sistemlerine çok avantajlı bir başlangıç noktası sağladığını gösteriyor.”

Bonner ve çalışma arkadaşları, yalnızca mimarinin — büyük ölçekli eğitime ihtiyaç duymadan — yapay zekâ sistemlerine daha insan benzeri bir başlangıç kazandırıp kazandıramayacağını test etmeyi amaçladı.

Popüler Yapay Zekâ Mimarilerinin Karşılaştırılması

Araştırma ekibi, modern yapay zekâ sistemlerinde yaygın olarak kullanılan üç ana sinir ağı tasarımına odaklandı: transformerlar, tam bağlantılı ağlar ve evrişimli sinir ağları.

Bu tasarımlar defalarca ayarlanarak düzinelerce farklı yapay sinir ağı oluşturuldu. Modellerin hiçbiri önceden eğitilmedi. Araştırmacılar daha sonra bu eğitilmemiş sistemlere nesnelerin, insanların ve hayvanların görüntülerini gösterdi ve içsel aktivitelerini, aynı görüntülere bakan insan ve insan dışı primatların beyin tepkileriyle karşılaştırdı.

Evrişimli Ağlar Neden Öne Çıktı?

Transformer ve tam bağlantılı ağlarda yapay nöron sayısının artırılması anlamlı bir değişim yaratmazken, evrişimli sinir ağlarında yapılan benzer ayarlamalar, insan beyninde görülen aktivite örüntülerine çok daha yakın sonuçlar verdi.

Araştırmacılara göre, bu eğitilmemiş evrişimli modeller, genellikle milyonlarca hatta milyarlarca görüntüyle eğitilmesi gereken geleneksel yapay zekâ sistemleriyle benzer performans sergiledi. Bu sonuçlar, mimarinin beyin benzeri davranışları şekillendirmede düşünüldüğünden çok daha büyük bir rol oynadığını gösteriyor.

Daha Akıllı Yapay Zekâya Daha Hızlı Bir Yol

“Eğer devasa veriyle eğitim gerçekten kritik faktör olsaydı, yalnızca mimari değişikliklerle beyin benzeri yapay zekâ sistemlerine ulaşmak mümkün olmamalıydı,” diyor Bonner.

“Bu da doğru bir taslakla başlandığında ve biyolojiden alınan başka içgörüler eklendiğinde, yapay zekâ sistemlerinde öğrenmeyi dramatik biçimde hızlandırabileceğimiz anlamına geliyor.”

Ekip şu anda, biyolojiden ilham alan basit öğrenme yöntemlerini araştırıyor. Bu yöntemler, yapay zekâyı daha hızlı, daha verimli ve büyük veri kümelerine daha az bağımlı hâle getirebilecek yeni bir derin öğrenme çerçevesinin önünü açabilir.

 

Yapay Zekâda Veri Çağı Sona mı Eriyor?

Günümüzde yapay zekâ denildiğinde akla ilk gelen şey, milyarlarca veri, aylar süren eğitim süreçleri ve devasa enerji tüketimi oluyor. Ancak Johns Hopkins University tarafından yapılan yeni bir araştırma, bu yaklaşımın sorgulanması gerektiğini ortaya koyuyor.

Araştırmaya göre, yapay zekâ sistemlerinin başarısı yalnızca ne kadar veriyle eğitildiğine değil, nasıl tasarlandığına da güçlü biçimde bağlı.

Beyin Benzeri Yapay Zekâ Ne Anlama Geliyor?

İnsan beyni, görme, tanıma ve öğrenme gibi karmaşık görevleri çok az veriyle başarabiliyor. Buna karşın modern yapay zekâ sistemleri, aynı görevler için milyonlarca hatta milyarlarca örneğe ihtiyaç duyuyor.

Bu çalışmada araştırmacılar, yapay sinir ağlarını biyolojik beyne daha çok benzeyecek şekilde yeniden tasarladı. Sonuç ise oldukça çarpıcı oldu:
Bazı yapay zekâ modelleri, hiç eğitilmeden insan beynine benzer aktivite örüntüleri sergiledi.

Araştırma Nerede Yayımlandı?

Bu çığır açıcı çalışma, saygın bilim dergisi Nature Machine Intelligence’ta yayımlandı. Araştırma, yapay zekâ mimarilerinin doğuştan gelen avantajlar taşıyabileceğini ortaya koyuyor.

Hangi Yapay Zekâ Modelleri İncelendi?

Araştırmacılar, günümüzde en sık kullanılan üç temel yapay sinir ağı mimarisini karşılaştırdı:

-Transformer modeller

-Tam bağlantılı sinir ağları

-Evrişimli sinir ağları (CNN)

Bu modellerin hiçbiri önceden eğitilmedi. Sistemlere yalnızca nesne, insan ve hayvan görselleri gösterildi ve ortaya çıkan içsel aktiviteler, insan ve primat beyin verileriyle karşılaştırıldı.

Evrişimli Sinir Ağları Neden Öne Çıktı?

Sonuçlara göre:

-Transformer ve tam bağlantılı ağlarda nöron sayısı artsa bile anlamlı bir gelişme görülmedi.

-Evrişimli sinir ağları ise, hiç eğitim almadan insan beynine oldukça yakın tepkiler verdi.

-Bu durum, mimari tasarımın, veri miktarından daha kritik olabileceğini gösteriyor.

Yapay Zekâ Geliştirme Maliyetleri Düşebilir mi?

Araştırmanın en dikkat çekici sonuçlarından biri de ekonomik etkiler. Günümüzde büyük yapay zekâ modelleri:

-Yüz milyarlarca dolarlık yatırım

-Yüksek karbon ayak izi

-Devasa sunucu çiftlikleri gerektiriyor. Beyin temelli mimariler sayesinde:

-Eğitim süreleri kısalabilir

-Enerji tüketimi azalabilir

-Daha erişilebilir yapay zekâ sistemleri geliştirilebilir

En Çok Sorulan Sorular ve Cevaplar (SSS)

Yapay zekâ gerçekten eğitime ihtiyaç duymayacak mı?

Hayır. Ancak araştırma, daha az veriyle çok daha etkili öğrenmenin mümkün olduğunu gösteriyor.

Bu çalışma ChatGPT gibi modelleri etkiler mi?

Dolaylı olarak evet. Gelecekte büyük dil modelleri de daha beyin benzeri mimarilerle tasarlanabilir.

Yapay zekâ insan beynini birebir taklit edebilir mi?

Şu an için hayır. Ancak mimari benzerlikler, daha verimli ve esnek sistemler yaratılmasını sağlıyor.

-Bu gelişme hangi alanları etkiler?

-Yapay zekâ

-Makine öğrenmesi

-Nörobilim

-Robotik

-Enerji verimliliği

Yapay Zekâda Yeni Bir Dönemin Eşiğinde miyiz?

Bu araştırma, yapay zekâ dünyasında “daha çok veri = daha zeki AI” anlayışının mutlak olmadığını ortaya koyuyor. Gelecekte, daha akıllı tasarlanmış, daha az veriyle öğrenebilen ve insan beynine daha yakın çalışan yapay zekâ sistemleri hayatımızın merkezinde olabilir.

https://www.sciencedaily.com/releases/2025/12/251228074457.htm