Sonsuz Ark/ Evrensel Çerçeveye Yolculuk
"Iowa Üniversitesi tarafından yürütülen bir araştırmada, araştırmacılar güvercinlerin öğrenme süreçlerinde yapay zekâ ile benzerlikler taşıdığını tespit etti. Güvercinleri karmaşık kategorizasyon testlerine tabi tutan araştırmacılar, kuşların tekrarlayan, deneme-yanılma yoluyla öğrenme yoluyla yaklaşık %70 doğruluğa ulaşabildiklerini ortaya koydu. Nesneler veya örüntüler arasında bağlantıların kurulduğu bu ilişkisel öğrenme biçimi, yapay zeka sistemleri tarafından da kullanılmaktadır. Daha düşük seviyeli bir düşünme tekniği olarak kabul edilmesine rağmen, çağrışımsal öğrenme hem güvercinlerin hem de yapay zekanın belirli görevlerde başarılı olmasını sağlayarak katı ve karmaşık olmadığı algısına meydan okuyor."
Bird-Brained AI: Pigeons and Artificial Intelligence Share Surprising Learning Techniques
İlişkisel öğrenmeyi kullanarak, bir güvercinin gagalaması bazı yönlerden yüksek teknolojiyi yansıtabilir.
Iowa Üniversitesi'nde yapılan bir araştırma, güvercinlerin ve yapay zekanın çağrışımsal öğrenme adı verilen benzer bir öğrenme sürecini paylaştığını ortaya koydu. Nesneler veya örüntüler arasında bağlantılar kurmayı içeren bu yöntem, hem güvercinlerin hem de yapay zekanın belirli görevlerde başarılı olmasını sağlayarak, bunun katı ve karmaşık olmayan bir öğrenme biçimi olduğu fikrine meydan okuyor.
Bir güvercin yapay zeka ile zeka yarışına girebilir mi? Çok temel düzeyde, evet.
Iowa Üniversitesi'nden psikologlar yeni bir çalışmada güvercin beyninin işleyişini ve kuşların öğrenmesindeki "kaba kuvvetin" yapay zeka ile nasıl benzerlikler taşıdığını inceledi.
Araştırmacılar güvercinlere, mantık veya muhakeme gibi üst düzey düşünmenin çözülmesine yardımcı olmayacağı karmaşık kategorizasyon testleri verdi. Bunun yerine, güvercinler, kapsamlı deneme yanılma yoluyla, testteki senaryoları yaklaşık %70 doğruluğa ulaşacak kadar ezberlemeyi başardılar.
Araştırmacılar güvercinlerin tekrarlayan, deneme-yanılma yaklaşımını yapay zekâya benzetiyor. Araştırmacılar, bilgisayarların da aynı temel metodolojiyi kullandığını, insanlar tarafından kolayca tanınan desen ve nesnelerin nasıl tanımlanacağının "öğretildiğini" iddia ediyor. Kabul etmek gerekir ki, bilgisayarlar muazzam bellek ve depolama güçleri nedeniyle -ve bu alanlarda giderek daha da güçleniyorlar- güvercin beyninin yaratabileceği her şeyin çok ötesinde.
Yine de, alt düzey bir düşünme tekniği olarak kabul edilen temel ilişkilendirme süreci, sınava giren güvercinler ve en son yapay zeka gelişmeleri arasında aynıdır.
Iowa Üniversitesi araştırmacıları güvercinlerin yapay zeka ile aynı temel öğrenme prensibini (çağrışımsal öğrenme) kullandıkları sonucuna vardı. Güvercinler yukarıda gösterildiği gibi yorucu ve tekrarlayan testlerde ustalaştı. Ortadaki karede güvercinlerin kategorize etmesi gereken binlerce uyarandan 16 örnek uyaran yer alıyor. Uyaranlar, her iki tarafta gösterilen iki farklı kategoriden alınmıştır. Kaynak: Ed Wasserman, Iowa Üniversitesi
Iowa Üniversitesi Psikoloji ve Beyin Bilimleri Bölümü'nde Stuit Deneysel Psikoloji Profesörü ve çalışmanın sorumlu yazarı Ed Wasserman, "Yapay zekanın harikalarını, yapabileceği tüm harika şeyleri her zaman duyuyorsunuz" diyor. "Satranç oynayan insanları ya da herhangi bir video oyununu alt edebilir. Bizi her türlü şeyde yenebilir. Bunu nasıl yapıyor? Akıllı mı? Hayır, burada güvercinin kullandığı sistemle aynı sistemi ya da eşdeğer bir sistemi kullanıyor."
Araştırmacılar iki tür öğrenmeyi ortaya çıkarmaya çalışmışlardır: Bunlardan biri olan bildirimsel öğrenme, bir dizi kural veya stratejiye dayalı olarak akıl yürütmeye dayanır ve çoğunlukla insanlara atfedilen daha yüksek bir öğrenme seviyesidir. Diğeri, çağrışımsal öğrenme, "gök mavisi" ve "su ıslak" gibi nesneler veya kalıplar arasındaki bağlantıları tanımaya ve yapmaya odaklanır.
Çok sayıda hayvan türü çağrışımsal öğrenmeyi kullanır, ancak yalnızca birkaçının - aralarında yunuslar ve şempanzeler de vardır - bildirimsel öğrenme yeteneğine sahip olduğu düşünülmektedir.
Yine de bilgisayarlar, robotlar, gözetim sistemleri ve görünüşte insanlar gibi "düşünen" pek çok başka teknolojiyle birlikte yapay zeka (YZ) çok revaçta. Ancak durum gerçekten böyle mi, yoksa YZ sadece kurnaz insan girdilerinin bir ürünü mü? Ya da araştırmanın yazarlarının ifade ettiği gibi, insan ve hayvan bilişinde çağrışımsal öğrenmenin gücünü göz ardı mı ediyoruz?
Wasserman'ın ekibi bunu öğrenmek için kendi deyimiyle "şeytani derecede zor" bir test tasarladı.
Her bir test güvercinine bir uyarıcı gösterilmiş ve sağdaki veya soldaki bir düğmeyi gagalayarak bu uyarıcının hangi kategoriye ait olduğuna karar vermesi istenmiştir. Kategoriler arasında çizgi genişliği, çizgi açısı, eşmerkezli halkalar ve kesitli halkalar yer alıyordu. Doğru cevap lezzetli bir topak verirken, yanlış cevap hiçbir şey vermiyordu. Wasserman, testi bu kadar zorlu yapan şeyin keyfiliği olduğunu söylüyor: Hiçbir kural ya da mantık bu görevi çözmeye yardımcı olamıyordu.
"Bu uyaranlar özeldir. Birbirlerine benzemiyorlar ve asla tekrarlanmıyorlar," diyor elli yıldır güvercin zekası üzerine çalışan Wasserman. "Görevi yapabilmek için tek tek uyaranları ya da uyaranların meydana geldiği bölgeleri ezberlemek zorundasınız."
Dört test güvercininin her biri yaklaşık yarısı doğru cevaplar vererek başladılar. Ancak yüzlerce test sonunda dörtlü, puanlarını ortalama %68 doğruya yükseltti.
Wasserman, "Güvercinler yapay zeka ustaları gibi" diyor. "Doğanın onlara verdiği biyolojik bir algoritmayı kullanıyorlar, oysa bilgisayar insanların onlara verdiği yapay bir algoritmayı kullanıyor."
Ortak payda, yapay zeka ve güvercinlerin her ikisinin de çağrışımsal öğrenmeyi kullanması ve yine de güvercinlerin nihayetinde başarılı bir şekilde puan almasını sağlayan şeyin bu temel düzey düşünme olmasıdır. Wasserman, insanların aynı teste girmeleri halinde kötü puan alacaklarını ve muhtemelen pes edeceklerini söylüyor.
Wasserman, "Amaç, basit bir çağrışım mekanizmasının, insanlar kurallara veya stratejilere çok fazla güvendikleri için bizi rahatsız eden bir görevi ne ölçüde çözebileceğini görmekti" diye ekliyor. "Bu durumda, bu kurallar öğrenmenin önüne geçecekti. Güvercin asla bu süreçten geçmez. O üst düzey düşünme sürecine sahip değildir. Ama bu onların öğrenmesine engel olmuyor. Hatta bazı açılardan öğrenmeyi kolaylaştırıyor."
Wasserman, çağrışımsal öğrenmenin nasıl görüldüğü konusunda bir paradoks görüyor.
"İnsanlar yapay zekanın güvercine çok benzeyen bir öğrenme algoritması kullanarak harika şeyler yapmasına hayran kalıyor" diyor ve ekliyor: "Ancak insanlar insanlarda ve hayvanlarda ilişkisel öğrenme hakkında konuştuklarında, bu katı ve sofistike olmayan bir şey olarak görülüyor."
"Güvercinlerde kategori öğrenimi yoluyla çağrışımsal öğrenme paradoksunun çözülmesi" başlıklı çalışma 7 Şubat'ta Current Biology dergisinde çevrimiçi olarak yayımlandı.
Çalışmanın ortak yazarları arasında 2022 yılında Iowa'dan nörobilim derecesiyle mezun olan ve Iowa'da nörobilim alanında doktora yapan Drew Kain ve geçen yıl Iowa'da psikoloji alanında doktora yapan ve şu anda Cardiff Üniversitesi'nde doktora sonrası araştırmacı olan Ellen O'Donoghue yer alıyor. Araştırma Ulusal Sağlık Enstitüleri tarafından finanse edilmiştir.
University of Iowa, 18 Nisan 2023, SciTechDaily
Mustafa Tamer, 14.06.2023, Sonsuz Ark, Çeviri, Bilim ve Teknoloji, Aklın Merdivenleri
Referans: Edward A. Wasserman, Andrew G. Kain ve Ellen M. O'Donoghue, "Güvercinlerde kategori öğrenimi ile çağrışımsal öğrenme paradoksunun çözülmesi", 7 Şubat 2023, Current Biology. DOI: 10.1016/j.cub.2023.01.024
- Sonsuz Ark'ta yayınlanan yazılardan yazarları sorumludur.
- Sonsuz Ark linki verilerek kısmen alıntı yapılabilir.
- Sonsuz Ark yayınları Sonsuz Ark manifestosuna aykırı yayın yapan sitelerde yayınlanamaz.
- Sonsuz Ark Yayınlarının Kullanımına İlişkin Önemli Duyuru için lütfen tıklayınız.