AI100 raporu: Veri ve hesaplama maliyetleri yapay zekâ ölçeklenmesini sınırlıyor

Stanford Üniversitesi'nin 100 Yıllık Yapay Zekâ Araştırması (AI100), yapay zekâ performansını artırmak için daha fazla veri ve hesaplama kaynağı kullanmaya dayalı yaklaşımın sınırlarına dikkat çekti. Rapora göre yüksek kaliteli eğitim verisi bulmak zorlaşırken en gelişmiş modellerin geliştirme maliyetleri yükseliyor.

Stanford Üniversitesi'nin yayımladığı üçüncü AI100 raporunun başlığı ‘Yapay zekâ ana akıma giriyor: Ölçeklenme dönemi ve üretken yapay zekânın yükselişi’ (AI Goes Mainstream: The Scaling Era and the Rise of Generative AI). 2014'te başlayan uzun soluklu araştırma kapsamında ekip, yapay zekâdaki gelişmeleri ve teknolojinin toplumsal etkilerini her beş yılda bir değerlendiriyor.

Raporda ‘ölçeklenme’, model eğitiminde kullanılan veri miktarını ve hesaplama gücünü artırma yöntemi olarak tanımlanıyor. Bu yaklaşım, üretken yapay zekânın gelişmesine öncülük etti. Ancak rapor, model büyüdükçe performansın da düzenli biçimde artacağı yönündeki yerleşik varsayımın gerçek kullanım becerisini açıklamakta yetersiz kaldığını belirtiyor. Bazı görevlerde verimli biçimde eğitilmiş küçük modeller, daha büyük modellerden iyi sonuç verdi.

Raporun yazarları, en gelişmiş yapay zekâ sistemlerinin geliştirilmesinin ABD ve Çin'deki az sayıda aktörde yoğunlaşmasını bir yönetişim sorunu olarak nitelendiriyor. Daha açık yönetişim yapıları kurulması ve halkın sürece katılımının artırılması gerektiğini savunuyor.

Veri bulmak da başka bir kısıt oluşturuyor. Büyük modeller çok miktarda eğitim materyaline ihtiyaç duyuyor, ancak sürekli yeni ve kaliteli veri bulmak zorlaşıyor. İnternetten toplanan materyallerin eğitimde kullanılması telif hakkı tartışmalarına yol açtı. Raporda, kamuya açık verilerin yanı sıra kullanım izni alınan materyallerin ve şirketlerin özel olarak elinde tuttuğu verilerin de model geliştirmede kullanıldığı belirtiliyor.

Araştırma ekibi, veri miktarını artırmanın yanında veriyi kaliteye göre seçme yöntemlerini de ele aldı. Tekrarlanan materyalleri ayıklayıp yararlı olanları seçmek, toplam veri hacmini aynı oranda büyütmeden performansı iyileştirebilir. Yapay zekâyla üretilen sentetik veriler de kullanılabilir; ancak bunlar her alanda gerçek verinin yerini alamaz.

Raporda büyük yatırımlara ilişkin değerlendirme de temkinli tutuldu. Yapay zekâ veri merkezlerinin elektrik ve su talebini artırdığı belirtilirken, yapay zekâ yatırımlarının sonuçlarının ekonomi genelindeki göstergelerde veya şirketlerin yatırım getirilerinde henüz belirgin biçimde görülmediği ifade edildi. Maliyetler yükselirken performans artışının ve gerçek kullanım sonuçlarının da ölçülmesi gerektiği vurgulandı.

TokenPost daha önce ABD'deki veri merkezlerinin şebeke kısıtları ve finansman maliyetlerindeki artışın, yapay zekâ şirketlerinin değerlemelerinin yeniden değerlendirilmesi tartışmasını gündeme getirdiğini aktarmıştı. Hesaplama kapasitesi için sözleşme yapmak, tesislerin elektriğe erişim sorununu ve işletme maliyetlerini tek başına çözmüyor.

Teknolojik gelişmenin az sayıda aktörde yoğunlaşması, yapay zekânın çalışma ve eğitim hayatına etkisi konusunda kararları kimin aldığı sorusunu da gündeme getiriyor. Raporun özeti, yapay zekânın çok sayıda insanı etkilemesine rağmen geliştirme ve dağıtım yönünün belirlendiği süreçlerde halkın katılım fırsatının sınırlı kaldığını belirtiyor. Uluslararası yapay zekâ yönetişiminin de ülkelerin güvenlik ve sanayi politikalarına göre bölündüğü değerlendiriliyor.

Raporda düzenleme yöntemlerine ilişkin görüş ayrılıklarına da yer veriliyor. Model büyüklüğünü veya eğitim kaynaklarını ölçüt alan kurallar, teknoloji değiştikçe geride kalabilir. Sağlık ve finans gibi kullanım alanlarına göre düzenleme, somut zararlara yanıt verebilir; ancak farklı sektörlerde kullanılan yapay zekâyı denetlemek için kurumlar arasında koordinasyon gerekir. Rapor, aşırı katı düzenlemelerin rekabet gücünü zayıflatabileceği yönündeki kaygıyı da aktarıyor.

AI100, ölçeklenme döneminin ne zaman sona ereceğini veya sona erip ermediğini kesin biçimde söylemenin zor olduğunu belirtiyor. Raporun vardığı sonuç, yapay zekâ geliştirme çalışmalarının duracağı anlamına gelmiyor. Modellerin büyüklüğü ve veri miktarı tek başına performansı değerlendirmek için yeterli değil; hesaplama gücü, veri ve algoritmaların birlikte ele alınması gerekiyor.