Yapay Zeka Sınavı 'İnsanlığın Son Sınavı': Genel Yapay Zeka Yaklaşıyor mu?

ABD - Ekhbary Haber Ajansı

Yapay Zeka Sınavı 'İnsanlığın Son Sınavı': Genel Yapay Zeka Yaklaşıyor mu?

Merkezi Yapay Zeka Güvenliği ve Scale AI'dan araştırmacılar, yapay zekanın akıl yürütme yeteneklerinin sınırlarını zorlamak amacıyla tasarlanmış, doktora düzeyinde titiz bir kıyaslama olan "İnsanlığın Son Sınavı"nı (Humanity's Last Exam, HLE) tanıttı. 100'den fazla konu alanında 2500 sorudan oluşan bu kapsamlı değerlendirme, en gelişmiş yapay zeka modellerinin, özellikle doktora düzeyindeki insan uzmanlığına ne kadar yaklaştığını ölçmeyi hedefliyor. Bu girişim, genel yapay zeka (AGI) yönündeki ilerlemeler hakkında tartışmaları alevlendirirken, uzmanlar mevcut performans metriklerini bu karmaşık dönüm noktasına ulaşmanın kesin kanıtı olarak yorumlamamak gerektiği konusunda güçlü bir şekilde tavsiye ediyor.

HLE test çerçevesi Ocak 2025'te resmi olarak başlatıldı; temel metodoloji ve tasarım gerekçesi 28 Ocak'ta yayınlanan bir çalışmada ayrıntılı olarak açıklanmıştır. Sorular, 50 ülkeden 500 kurumu temsil eden kendi alanlarındaki 1000'den fazla uzman konu alanının girdileriyle derlenmiştir, bu da geniş ve derin bir bilgi tabanını garanti eder. Sınavda çoktan seçmeli ve kısa yanıtlı formatlarda sorular bulunmaktadır. En önemlisi, her soru, basit bir internet aramasıyla hızlı bir şekilde çözülemeyecek, belirsiz ve kolayca doğrulanabilir bir çözüme sahip olacak şekilde tasarlanmıştır, böylece yalnızca veri erişimi yerine gerçek anlayışı ve akıl yürütmeyi test eder.

Kıyaslamanın başlangıcındaki ilk testler, OpenAI'nin GPT-4o ve o1 modelleri, Google'ın Gemini 1.5 Pro'su, Anthropic'in Claude 3.5 Sonnet'i ve DeepSeek R1 dahil olmak üzere önde gelen yapay zeka modellerini içeriyordu. OpenAI'nin o1 modeli, ilk gruptaki en yüksek puanı elde etti, sadece %8,3. Bu erken performansı değerlendiren araştırmacılar o zamanlar şöyle kaydettiler: "Yapay zeka geliştirmenin hızlı temposu göz önüne alındığında, modellerin 2025'in sonuna kadar HLE'de %50'nin üzerinde doğruluk oranına ulaşması muhtemeldir." Bu tahmin, yapay zeka yeteneklerindeki beklenen hızlı ilerlemeleri vurguluyordu.

12 Şubat 2026 itibarıyla, HLE'de kaydedilen en yüksek puan 48,4% olup, Google'ın Gemini 3 Deep Think modeli tarafından elde edilmiştir. Keskin bir zıtlıkla, insan uzmanlar kendi alanlarında genellikle sınavda yaklaşık %90 puan almaktadır. Bu önemli fark, yapay zekanın insan bilişi ve uzmanlığının genişliğini ve derinliğini yakalamada karşılaştığı önemli zorlukları vurgulamaktadır.

"İnsanlığın Son Sınavı"nın tasarımı kasıtlı olarak aşırı zorluk için tasarlanmıştır. Geliştirme sırasında araştırmacılar, çok sayıda disiplinden uzmanlardan sorular için küresel bir çağrı yaptılar. Soruların kesin, net, çözülebilir ve basit web aramalarına karşı dirençli olmasını gerektiren katı başvuru kriterleri uygulandı. Amaç, yapay zeka modellerinin kolayca erişilebilen çevrimiçi cevaplara ulaşarak "hile yapmasını" önlemekti; bu da puanları şişirir ve gerçek anlayışı yanlış temsil ederdi. Gönderilen her soru yapay zeka modelleri üzerinde test edildi ve modellerin doğru cevapladığı tüm sorular otomatik olarak reddedildi. Denenen 70.000'den fazla başvuru arasından, yaklaşık 13.000 soru büyük dil modellerini (LLM'ler) başarıyla şaşırtmayı başardı. Bunlar daha sonra uzmanlar tarafından titizlikle incelendi, araştırma ekibi tarafından onaylandı ve topluluk geri bildirimine açıldı; ardından doktora düzeyinde bir meydan okumayı temsil eden 2500 soruluk nihai bir derlem oluşturuldu.

Sınavın kapsamı geniştir ve çeşitli alanları kapsar. Örnek bir trivia sorusu şöyle sorulabilir: "Yunan mitolojisinde, Jason'ın anne tarafından büyükbabası kimdi?". Bir fizik sorusu, sürtünmesiz bir yatay ray üzerindeki bir blok için, rijit bir çubuğa bağlı karmaşık kuvvet dinamiklerini hesaplamayı içerebilir. Bu geniş kapsamlı doğa, HLE'yi diğer yapay zeka değerlendirme araçlarından ayırır.

Massive Multitask Language Understanding (MMLU) veri kümesi gibi mevcut kıyaslamalar genellikle kodlama ve matematik gibi daha dar alanlara odaklanır ve gelişmiş akıl yürütmenin tam spektrumunu yakalayamayabilir. Francois Chollet'nin ARC-AGI süiti gibi en gelişmiş kıyaslamalar bile, HLE yaratıcılarının açıkça ele almaya çalıştığı ezberleme ve arama sorunlarına karşı hassasiyetleri nedeniyle eleştirilmiştir. Örneğin, Gemini'nin Deep Think modeli, ARC-AGI-2 kıyaslamasında %84,6 puan elde etmiş, ancak bir hafta önceki HLE testinde %50'yi aşmakta zorlanmasıyla keskin bir tezat oluşturmaktadır.

"İnsanlığın Son Sınavı" modern yapay zeka modellerinin geniş yeteneklerini insan uzmanlara karşı değerlendirmede önemli bir ilerleme temsil ederken, çalışmanın yazarları kesindir: HLE'de yüksek bir puan elde etmek, AGI'nin ortaya çıkması anlamına gelmez. Bilim adamları çalışmalarında şöyle belirtmişlerdir: "HLE'de yüksek doğruluk, kapalı uçlu, doğrulanabilir sorularda ve en gelişmiş bilimsel bilgide uzman düzeyinde performans gösterecektir, ancak tek başına otonom araştırma yetenekleri veya genel yapay zeka anlamına gelmez." Delaware Üniversitesi'nden nörobilimci ve HLE'nin katkıda bulunanlarından biri olan Manuel Schottdorf de bu görüşü yinelemiştir: "HLE'de iyi performans göstermek, makinelerin gerçek zekaya ulaştığını söylemek için gerekli, ancak yeterli bir kriter değildir. Bu soruları çözmek için yeterince iyi olmaları gerekecek, ancak bu gerçek tek başına makinelerin gerçekten akıllı olduğu sonucuna varmamıza izin veremez."

Ekhbary Haber Ajansı