vahşi olmasına rağmen ChatGPT ve diğer büyük dil modellerinin başarısı, bu sistemleri destekleyen yapay sinir ağları (YSA) yanlış yolda olabilir.
Maryland Üniversitesi’nden bilgisayar bilimcisi Cornelia Fermüller, YSA’ların “süper güce aç” olduğunu söyledi. “Diğer konu da [their] şeffaflık eksikliği.” Bu tür sistemler o kadar karmaşıktır ki, kimse gerçekten ne yaptıklarını veya neden bu kadar iyi çalıştıklarını anlamıyor. Bu da, insanların yaptığı şey olan nesneler, fikirler ve bunlar arasındaki ilişkiler için semboller kullanarak analoji yoluyla akıl yürütmelerini neredeyse imkansız hale getirir.
Bu tür eksiklikler muhtemelen YSA’ların mevcut yapısından ve yapı taşlarından kaynaklanmaktadır: bireysel yapay nöronlar. Her nöron girdi alır, hesaplamalar yapar ve çıktılar üretir. Modern YSA’lar, belirli görevleri yapmak için eğitilmiş bu hesaplama birimlerinden oluşan ayrıntılı ağlardır.
Yine de YSA’ların sınırlamaları uzun zamandır aşikardır. Örneğin, daireleri ve kareleri birbirinden ayıran bir YSA düşünün. Bunu yapmanın bir yolu, çıktı katmanında biri daireyi, diğeri kareyi gösteren iki nöron bulundurmaktır. YSA’nızın aynı zamanda şeklin rengini (mavi veya kırmızı) ayırt etmesini istiyorsanız, dört çıkış nöronuna ihtiyacınız olacaktır: mavi daire, mavi kare, kırmızı daire ve kırmızı kare için birer tane. Daha fazla özellik, daha fazla nöron anlamına gelir.
Beynimizin tüm varyasyonlarıyla doğal dünyayı böyle algılaması mümkün değil. Berkeley’deki California Üniversitesi’nden bir sinirbilimci olan Bruno Olshausen, “Bütün kombinasyonlar için bir nöronunuz olduğunu önermelisiniz” dedi. “Yani, beyninizde olurdu, [say,] mor bir Volkswagen dedektörü.”
Bunun yerine Olshausen ve diğerleri, beyindeki bilginin çok sayıda nöronun aktivitesiyle temsil edildiğini iddia ediyor. Yani mor bir Volkswagen algısı, tek bir nöronun değil, binlerce nöronun eylemleri olarak kodlanmıştır. Farklı ateşleyen aynı nöron grubu tamamen farklı bir kavramı temsil edebilir (belki pembe bir Cadillac).
Bu, hiper boyutlu hesaplama olarak bilinen, hesaplamaya tamamen farklı bir yaklaşımın başlangıç noktasıdır. Anahtar nokta, bir araba kavramı veya markası, modeli veya rengi gibi her bir bilgi parçasının veya hepsinin bir arada tek bir varlık olarak temsil edilmesidir: hiper boyutlu bir vektör.
Bir vektör basitçe sıralı bir sayı dizisidir. Örneğin bir 3B vektör üç sayıdan oluşur: X, y, Ve z 3B uzayda bir noktanın koordinatları. Bir hiper boyutlu vektör veya hiper vektör, örneğin 10.000 boyutlu uzayda bir noktayı temsil eden 10.000 sayıdan oluşan bir dizi olabilir. Bu matematiksel nesneler ve onları manipüle edecek cebir, modern hesaplamayı mevcut sınırlamalarının bazılarının ötesine taşıyacak ve yapay zekaya yeni bir yaklaşımı teşvik edecek kadar esnek ve güçlüdür.
Olshausen, “Neredeyse tüm kariyerim boyunca beni en çok heyecanlandıran şey bu,” dedi. Ona ve diğer birçok kişiye göre, hiper boyutlu bilgi işlem, bilgi işlemin verimli ve sağlam olduğu ve makine yapımı kararların tamamen şeffaf olduğu yeni bir dünya vaat ediyor.
Yüksek Boyutlu Alanlara Girin
Hipervektörlerin hesaplamayı nasıl mümkün kıldığını anlamak için kırmızı daireler ve mavi kareler içeren görüntülere geri dönelim. İlk olarak, SHAPE ve COLOR değişkenlerini temsil edecek vektörlere ihtiyacımız var. O zaman değişkenlere atanabilecek değerler için de vektörlere ihtiyacımız var: DAİRE, KARE, MAVİ ve KIRMIZI.
Vektörler farklı olmalıdır. Bu farklılık, dik açılarda olmak anlamına gelen ortogonallik adı verilen bir özellikle ölçülebilir. 3B uzayda birbirine dik olan üç vektör vardır: X yön, başka bir y, ve üçte biri z. 10.000 boyutlu uzayda, karşılıklı ortogonal 10.000 vektör vardır.
