Google, Google DeepMind ve Massachusetts Teknoloji Enstitüsü (MIT) tarafından bu hafta yayımlanan yeni bir rapor, yapay zekanın bilim dünyasında yoğun şekilde kullanıldığını ortaya koyarken, aynı zamanda laboratuvar ortamlarındaki etkisinin beklenen düzeyde olmadığını tespit ediyor. Araştırmacılar, yapay zekayı pek çok alanda kullansa da, fiziksel deneyler ve veri toplama gibi aşamalarda beklenen hızlanmanın sağlanamadığını belirtiyor.
Rapor, yapay zekanın bazı bilimsel alanlarda diğerlerinden daha faydalı olduğunu vurguluyor. Matematikçilerle konuşulan durumlarda yapay zekanın ofise yerleştiği, açık problemleri çözdüğü ve emeğinden pay alma yarışına girdiği söylenebilir; ancak biyologlar veya kimyacılarla görüşülen ortamlarda hâlâ işlerin etrafında dolaştığı görülüyor. Yıllardır yapay zekanın yeni ilaçların keşfini dönüştürmesi beklenirken, bu beklentinin neden karşılanamadığı sorusu araştırmaların merkezinde yer alıyor.
Açık problemlerden deneylere: Hızlanmanın sınırları
Son aylarda yapay zeka şirketleri, kanıtlar üretmeye başladı; bu çalışmalar arasında akademisyenlerin “önceden alındığı” yönünde iddialara yol açan sonuçlar da yer aldı ve modellerin bilimsel yetkinliği sergilendi. Bu arada Amerikalı hükümet, geçen hafta Ulusal Bilim Vakfı (NSF) tarafından gönderilen bir yazıda yapay zekanın “araştırmacıların cevaplayabileceği soruları dönüştüreceğini” ve bilimin yürütülüş şeklini değiştireceğini tekrar tekrar vurguladı; konuyu bir araştırma önceliği olarak öne çıkardı. Ancak bu ilerlemeler, ilaç keşfi veya deneysel biyoloji araştırmaları kadar büyük bir hızlanmaya dönüştürülemedi.
Bu haftadan itibaren ortaya çıkan rapor, açıklanan bazı boşlukları sayısallaştırıyor. Araştırmacılar, yapay zekanın bilimin ekonomisini çeşitli alanlarda nasıl değiştirdiğini ölçmek istedi ve bu süreçte hâlâ takıldığı yerlere işaret etti. Çalışma, 637 bilim insanından oluşan bir anket ile 15 milyon Gemini konuşmasının analizi ve 2.600’den fazla özel modelin envanterini birleştiriyor. (Bilim insanları çevrimiçi paneller aracılığıyla katıldıği için sık yapay zeka kullanıcılarının aşırı temsil edilmiş olabileceği dikkate çekiliyor.) Araştırmaya katılanların yaklaşık yüzde 44’ü, son iki yılda ana araştırma darboğazının aşağıya, yani fiziksel deney ve veri toplama gibi sonraki aşamalara kaydiğini belirtti. Yüzde 41’i ise denenmemiş hipotez birikiminin arttığını söyledi.
Zaman tasarrufu mu, ek iş mi?
Raporun ortak baş yazarı ve Google’da araştırma iktisatçısı Mihai Codreanu, “Zaman kazandıklarını bildiren kişilerin yüzde 89’u, sağladıkları zamanın en az onda birini aslında yapay zeka çıktılarını kontrol etmek için harcıyor,” diyor. “Yüzde 46’sı ise dörtte birden fazlasını kullanıyor.” Codreanu, yanıtlar ve tahminlerin doğru olup olmadığını kontrol etmek için harcanan zamanın, yapay zekanın hangi tür işleri yapabilieceğini ve farklı alanlarda ne kadar faydalı olabileceğini etkilediğini vurguluyor: “Çok büyük bir çeşitlilik var.” Örneğin matematiksel bir kanıt biçimsel kurallara göre kontrol edilebilirken, tahmin edilen bir protein fonksiyonunun laboratuvarda üretilmesi ve canlı bir sistemde denenmesi gerekir.
“Zaman tasarrufu sağlayanların yüzde 89’u, sağladıkları zamanın en az onda birini yapay zeka çıktılarını kontrol etmek için harcıyor. Yüzde 46’sı ise dörtte birden fazlasını kullanıyor.”
Mihai Codreanu, Google araştırma iktisatçısı ve rapordan ortak baş yazar
Laboratuvar deneylerinde aşılması gereken engeller
Bu sistemleri kuran ve inceleyen kişiler, takılmanın farklı nedenlere atfedildiğini söylüyor. Stanford Üniversitesi biyomedikal veri bilimci James Zou, araştırmayı hem büyük dil modellerine (LLM) hem de DeepMind’ın AlphaFold gibi özel araçlara ve tamamen sanal otomatikleştirilmiş laboratuvarlara devretme yöntemleri geliştirdi. Gerçek dünyaya bu otomatikleştirmeyi genişletmenin aşılması gereken pek çok engel olduğunu belirtiyor: “Deney türlerinde hâlâ oldukça sınırlı, çoğunlukla bazı kimyasal deneylerde. Ancak hayvanları içeren gibi işlerde çok daha zorlaşıyor.” Zou’ya göre deneyler büyüdükçe veya karmaşıklaştıkça onları simüle eden modeller de büyüyor ve bu modelleri eğitmek için gereken veri edinmek zorlaşıyor.
Gerçek dünyadaki malzemelerle çalışan robotlar, yazılımda bilinmeyen güvenlik sorunlarını da gündeme getiriyor. Ayrıca Zou’nun işaret ettiği gibi, mevcut otomatikleştirilmiş laboratuvarlar oldukça pahalı olabiliyor.
Sorunun türüne göre değişen gerçeklik
Bazıları sorunu farklı bilim insanlarının sorduğu soru türüne indirgiyor. MIT’de yapay zekanın iş gücü üzerindeki etkilerini inceleyen iktisat Nobel ödüllü Daron Acemoglu, “Yapay zekanın büyük ilerleme kaydettiği görevlere baktığınızda, bunlar gerçekliğin (ground truth) bulunduğu görevlerdir,” diyor. “İlaçların çoğunda ise böyle bir gerçeklik yok.” Klinik deneylerin düzenleyici inceleme hızında ilerlediğini belirten Acemoglu, insanları içeren herhangi bir denemenin önünde, sırasında ve sonrasında güvenlik kontrolleriyle sınırlı olduğunu ekliyor. Yapay zekanın bunu nasıl sıkıştırabileceği veya buna neden ihtiyaç duyulacağı konusunda kimse bir açıklama yapmadı.
Otomatikleştirmeyi adım adım ilerletmek
Bazıları bu engelleri yine de aşmaya çalışıyor. Northwestern Üniversitesi’nde Protein Mühendisliği için Yapay Zeka Destekli, Hızlı Deneysel Otomatikleştirme Makinesi (DREAM) Bulut Laboratuvarı’nın sorumlu araştırmacısı Julius B. Lucks, protein mühendisliği döngüsünün daha fazlasını otomatikleştirmeye çalışıyor. Yaz ayında programlanabilir bulut laboratuvarlarından oluşan yeni bir ulusal ağı kapsamında NSF’ten 20 milyon dolar alan laboratuvarı, araştırmacıların otomatik ekipmanlarla proteinleri uzaktan tasarlamasını, kurmasını ve test etmesini sağlayan sistemler inşa ediyor. Lucks, işi adım adım ilerlettiğini söylüyor; ancak aynı zamanda bundan sonrasını da düşünüyor: “Öğreneceğiz. Mantıklı olanın ne olduğunu çözeceğiz: Sonraki otomatikleştirmemiz gereken şey nedir?”
Bu metin, Scientific American’ın baş editöründen iletilen değerlendirmeler ışığında hazırlanmıştır.
1 yorum
Fikrinizi bir kaynak, soru veya yapıcı karşı görüşle geliştirin.