Fakat şimdi asıl soruya geliyoruz: Beynin bu olağanüstü çalışma prensiplerini makinelere aktarabilir miyiz?

İşte yapay zekânın geleceği açısından asıl büyük yarış burada başlıyor. Çünkü teknoloji dünyası uzun yıllar boyunca bilgisayarları daha hızlı yapmak için uğraştı. Daha güçlü işlemciler, daha fazla transistor, daha büyük bellekler ve daha fazla hesaplama gücü…

Ancak bugün yeni bir anlayış güç kazanıyor: Belki de bilgisayarları daha güçlü yapmak yerine, onları biraz daha fazla “beyin gibi” çalıştırmalıyız.

Beyni Taklit Eden Çipler

İnsan beyninin çalışma biçimini bilgisayara aktarma fikri yeni değil. Fakat bugün bu düşünce, gelişmiş elektronik teknolojileri sayesinde çok daha somut bir hale geliyor.

Beyinden ilham alan çipler (yongalar), klasik bilgisayarlardaki işlem mantığını tamamen kopyalamaktan ziyade beynin bazı temel prensiplerini elektronik sistemlere taşımaya çalışıyor. Beyin;

• Paralel çalışıyor,
• Yerel bağlantılar kuruyor,
• Yalnızca gerekli olduğunda güçlü biçimde etkinleşiyor

ve veriyi sürekli uzak bir bellek ile işlemci arasında taşımıyor.

Geleceğin çipleri de bu prensipleri benimserse çok önemli bir değişim yaşanabilir.

• Bugünkü anlayış: Veriyi taşı- işle - geri gönder.
• Beyinden ilham alan yaklaşım: Verinin bulunduğu yerde işle.

Bu küçük görünen fark, devasa yapay zekâ sistemlerinde enerji tüketimini ve veri hareketini azaltma potansiyeline sahiptir.

Nöromorfik Bilgisayarlar: Silikonun Beyne Öykünmesi

Bu noktada karşımıza çok önemli bir kavram çıkıyor: Nöromorfik bilgisayarlar. “Nöromorfik” kelimesi, kabaca sinir sistemi biçiminden ilham alan anlamına geliyor. Bu bilgisayarların amacı insan beynini birebir kopyalamak değildir. Amaç, beynin başarılı olduğu bazı hesaplama prensiplerini elektronik sistemlere taşımaktır.

Beyinde milyarlarca nöron, birbirleriyle bağlantılı devasa bir ağ oluşturur. Nöromorfik sistemlerde ise elektronik devreler, yapay nöronlar ve yapay sinapslar benzeri yapılar kullanılarak benzer bir hesaplama mantığı oluşturulmaya çalışılır.

Buradaki temel düşünce oldukça basittir: Bilgisayar sürekli hesap yapmak zorunda değildir. Gerektiğinde hesap yapmalıdır. Bir başka ifadeyle: Sürekli çalışma yerine olay olduğunda çalışma. İşte enerji verimliliğinin kapılarından biri burada açılıyor.

Yapay Sinapslar: Makineye Öğrenmeyi Öğretmek

İnsan beyninin en hayranlık verici özelliklerinden biri öğrenebilmesidir.

Bir çocuk bisiklete binmeyi öğrendiğinde beynine yeni bir “dosya” yüklenmez. Deneyimler sonucunda sinir ağlarındaki bağlantılar değişir.

İşte yapay sinaps araştırmalarının temelinde de bu fikir bulunuyor.  Sinaps, biyolojik olarak nöronlar arasındaki iletişim noktasıdır. Yapay sinapslar ise elektronik sistemlerde öğrenme ve bağlantı ağırlıklarını taklit etmeye yönelik teknolojileri ifade eder.

Bu yaklaşım gelişirse geleceğin yapay zekâ sistemleri yalnızca hazır algoritmaları çalıştıran makineler olmaktan çıkıp, donanım düzeyinde öğrenme ve uyum sağlama yeteneklerine daha fazla yaklaşabilir. Bu çok önemli bir dönüşüm olur. Çünkü bugünkü bilgisayarların önemli bir bölümü: Programlanır - çalıştırılır. Beyin ise: Deneyimler - öğrenir - bağlantılarını değiştirir - yeniden dener. Geleceğin yapay zekâsı belki de bu ikinci modele daha fazla yaklaşacak.

Spiking Neural Networks: Beynin Elektriksel Dilini Taklit Etmek

Beyin sürekli olarak büyük miktarda sayısal veri üretmez. Nöronlar belirli koşullarda elektriksel bir “ateşleme” gerçekleştirir. Bu düşünceden hareket eden Spiking Neural Networks (SNN), nöronların bilgi iletimindeki zamanlamayı ve olay tabanlı yapıyı modellemeye çalışır. Klasik yapay sinir ağlarında çoğu zaman: Sürekli sayısal hesaplamalar ön plandayken, SNN yaklaşımında: “Ne zaman sinyal oluştu?” sorusu da önem kazanır. Bu yaklaşım özellikle düşük enerji tüketimi ve gerçek zamanlı algılama gerektiren sistemler için ilgi çekicidir.

Düşünün: Bir robot odada duruyor. Ortam değişmiyorsa neden her milisaniyede bütün çevreyi yeniden hesaplasın? Kapı açıldığında, bir insan yaklaştığında, bir nesne düştüğünde veya beklenmeyen bir hareket olduğunda sistemin güçlü biçimde devreye girmesi daha mantıklı değil mi? İşte beyin bize tam olarak bunu öğretmektedir: Değişiklik yoksa sessiz kal. Değişiklik varsa harekete geç.

Daha Büyük Değil, Daha Akıllı Yapay Zekâ

Yapay zekâ yarışının bugüne kadarki sloganı büyük ölçüde şuydu: Daha büyük model.

• Daha fazla veri.
• Daha fazla işlemci.
• Daha fazla GPU.
• Daha fazla enerji.
• Daha büyük veri merkezi.

Fakat bu yaklaşımın ekonomik ve fiziksel sınırları var. Bir modelin kapasitesini sürekli büyütmek, enerji ve donanım ihtiyacını da artırabilir. İşte bu nedenle yeni soru ortaya çıkıyor: Aynı işi daha az hesaplamayla yapabilir miyiz? Bence yapay zekânın önümüzdeki yıllardaki en önemli yarışlarından biri tam olarak budur.

• Daha büyük yapay zekâ değil; Daha verimli yapay zekâ.
• Daha fazla veri değil; Daha anlamlı veri.
• Daha fazla işlem değil; Daha gerekli işlem.
• Daha büyük veri merkezleri değil; Daha akıllı mimariler.

Beynin Bize Verdiği Beş Büyük Ders

İnsan beyninden geleceğin yapay zekâsına aktarılabilecek temel prensipleri beş başlıkta özetleyebiliriz:

1.     Her şeyi aynı anda işleme. Gereksiz hesaplamayı azalt.
2.     Veriyi gereksiz yere taşıma. İşlemi mümkün olduğunca verinin bulunduğu yere yaklaştır.
3.     Gerektiğinde etkinleş. Olay yoksa enerji harcama.
4.     Deneyimden öğren. Sistem çevresine uyum sağlayabilsin.
5.     Büyük olmak zorunda değilsin. Doğru mimari, daha az kaynakla daha fazla iş yapabilir.

Bu beş ilke, geleceğin yapay zekâ mimarisinin temel taşlarından biri olabilir.

Yapay Zekânın Geleceği Veri Merkezinden Cihazın İçine Taşınabilir

Bu dönüşüm özellikle Edge AI, yani uç yapay zekâ açısından büyük önem taşıyor. Bugün birçok sistem veriyi topluyor, uzak bir sunucuya gönderiyor, orada işliyor ve sonucu geri alıyor. Gelecekte ise bazı kararların doğrudan cihazın üzerinde verilmesi mümkün olabilir.

Bir kamera yerine sensörler… Dev bir veri merkezi yerine küçük bir nöromorfik çip… Sürekli veri akışı yerine olay tabanlı işlem… Uzaktaki sunucu yerine cihazın kendi yapay zekâsı… Bunun sonucunda daha düşük gecikme, daha az veri transferi ve bazı uygulamalarda daha düşük enerji tüketimi elde edilebilir.

Aslında burada teknoloji, insan beyninin çalışma biçimine biraz daha yaklaşmaktadır.

Belki de Geleceğin Bilgisayarı “Düşünmeye” Daha Az Enerji Harcayacak

Bugün yapay zekâ denildiğinde aklımıza çoğunlukla dev veri merkezleri geliyor. Ancak gelecekte yapay zekânın önemli bir bölümü cebimizdeki telefonda, arabamızda, robotumuzda, sensörümüzde, fabrikadaki küçük bir cihazda veya bir tarım makinesinde bulunabilir. Ve bu cihazların sürekli devasa miktarda enerji harcaması gerekmeyebilir. Çünkü geleceğin temel ilkesi belki de şu olacak: “Her şeyi hesaplama; gerekli olanı hesapla.”

Bu, insan beyninin milyarlarca yıllık evrim sonucunda ulaştığı olağanüstü bir mühendislik dersidir.

Sonuç ve Değerlendirme

İnsan beynini taklit etmek, insanı bir makineye dönüştürmek değildir. Tam tersine, makineleri doğanın en başarılı bilgi işleme sistemlerinden birinden öğrenebilir hale getirmektir.

Nöromorfik çipler, yapay sinapslar, olay tabanlı hesaplama ve Spiking Neural Networks bu yolculuğun önemli duraklarıdır. Ancak burada asıl devrim bir çipin içine daha fazla transistor koymak olmayabilir.

Asıl devrim:

• Gereksiz hesabı ortadan kaldırmak,
• Veriyi daha az taşımak,
• Gerektiğinde çalışmak,
• Deneyimden öğrenmek

Ve daha az enerjiyle daha fazla zekâ üretmek olabilir.

Belki de geleceğin en başarılı yapay zekâsı, en büyük bilgisayarda çalışan değil; en az kaynakla en doğru kararı verebilen sistem olacaktır.

Çünkü doğa bize milyonlarca yıldır aynı gerçeği gösteriyor: Zekâ, gücün sınırsız kullanılması değil; sınırlı gücün olağanüstü bir ustalıkla kullanılmasıdır. Ve insan beyninin sırrını çözebilirsek, belki yalnızca daha akıllı makineler değil, daha küçük, daha hızlı, daha bağımsız ve çok daha enerji verimli bir yapay zekâ çağı başlatabiliriz.

Yazı dizisinin 3. Bölümünde: “Yapay Zekânın Enerji Krizi: 2,7 Milyar Watt Gerçek mi?”Yapay zekânın enerji tüketimi, veri merkezlerinin elektrik ihtiyacı, Watt ile Watt-saat arasındaki kritik fark, 2,7 GW iddiasının nasıl yanlış anlaşılabileceği ve gelecekte yapay zekânın enerji altyapısını nasıl değiştirebileceği üzerine konuşacağız.

Saygılarımla,

Prof. Dr. Ayhan ERDEM
Gazi Üniversitesi Öğretim Üyesi
aerdem@gazeteankara.com.tr
Gazete Ankara DHP-Köşe Yazarı
“Türkiye’nin kalbi Ankara’nın sesi”