Büyük modeller için zihinsel temsil yönlendirmeli denetimle insan benzeri bilişsel genelleme

Neden yapay zekaya bizim gibi düşünmeyi öğretmek önemli

Günümüz yapay zekâsı yüzleri tanıyabilir, fotoğrafları etiketleyebilir ve akıcı metin yazabilir; yine de insanların her gün kullandığı esnek anlayış türüyle hâlâ zorlanıyor. Bir kuşun bir örneğini gördükten sonra birçok kuş türünü tanıyabilmemiz ya da bir hamak ile bebek arabasının ikisinin de uzanıp dinlenmeyi içerdiğini söyleyebilmemiz buna örnektir. Bu makale, bilgisayar modellerinin bu tür insan benzeri düşünceye yaklaşmasına yardımcı olmak için beyin aktivitesini öğretici bir sinyal olarak kullanmanın yeni bir yolunu inceliyor.

Bugünün akıllı makinelerinin eksikleri

Standart derin öğrenme sistemleri çoğunlukla daha büyük hale getirilmeleri ve daha fazla veriyle eğitilmeleriyle daha yetenekli oluyor. Bu reçete çorap, kuğu veya araba gibi somut görevler için iyi çalışıyor. Ancak yazarlar, model parametrelerini basitçe artırmanın giysi, kuşlar veya canlı ile cansız arasındaki daha geniş ayrım gibi soyut fikirleri kavramada pek bir gelişme getirmediğini gösteriyor. Modeller tek atışlı öğrenme görevlerinde test edildiğinde, belirli nesnelerde boyut büyüdükçe güçlü iyileşmeler görülürken, daha üst düzey kategorilerde neredeyse hiç ilerleme kaydetmedi veya hatta kötüleşti. Modellerin kavramları içsel olarak nasıl ayırdığına dair analizler, insan beyninin aksine canlı varlıkları aletler ve diğer nesnelerden doğal olarak ayırmadığını ortaya koydu.

Beynin makineyi yönlendirmesine izin vermek

Bu boşluğu ele almak için araştırmacılar zihinsel temsil yönlendirmeli denetim adını verdikleri bir yöntem tasarladı. Gönüllüler birçok doğal görüntüye bakarken beyin tarayıcısına yatırıldı. Bu kayıtlardan, gördüklerimiz hakkında zengin, üst düzey bilgi kodladığı bilinen görsel korteksteki aktivite desenleri çıkarıldı. Aynı zamanda yapay bir ağ da aynı görüntüleri işledi. Temel fikir, ağın iç benzerlik ve farklılık yapısını beyin yapısında bulunan düzenle hizalamaya zorlamaktı. Yazarlar hem beyni hem de modeli birbirine bağlı kavramların grafiği olarak ele aldı ve onları daha yakın hizaya getirmek için yinelemeli bir grafik eşleştirme prosedürü kullandı.

Beyin hizalı modeller nasıl davranıyor

Bu özel eğitimden sonra modeller sadece denetlenen görüntüleri ezberlemedi. Bunun yerine, beyin verileriyle hiçbir zaman eşleştirilmemiş birçok yeni nesneye genelleşen daha insan benzeri bir kavram haritası geliştirdiler. İyileşen modeller soyut kategoriler için tek atışlı öğrenmede çok daha iyi hale geldi; hayvan, araç veya müzik aleti gibi kavramlar için daha sıkı kümelenmeler gösterdiler. İçsel hiyerarşileri, modellerin açıkça bu yapıyla eğitilmemiş olmalarına rağmen, İngilizce sözcüklerin birbirleriyle nasıl ilişkilendiğini gösteren elle oluşturulmuş WordNet veritabanına benzer hale geldi. Üç görüntü arasından “aykırı olanı” seçmeleri istendiğinde, beyin yönlendirmeli modeller insanların geniş yargı kümeleriyle daha yakın eşleşen seçimler yaptı. Ayrıca görüntülere yapılan küçük, dikkatle tasarlanmış bozulmalarla kandırılmaları daha zor çıktı; bu da nesnelerin ne olduğuna dair daha derin ve daha dayanıklı bir kavrayışa işaret ediyor.

Daha insan benzeri bir kavram alanına pencere

Yazarlar bir adım daha ileri gidip beyin yönlendirmeli modellerin altında yatan “kavramsal manifold”u yani düşük boyutlu haritayı inceledi. Bu harita üzerinde gezinip noktaları doğal dil açıklamalarına çözdürerek, yakın konumların farklı giysi türleri veya araçlar gibi anlamsal olarak ilişkili fikirlerle karşılık geldiğini gösterdiler. Bölgeler arasında enterpolasyon yapmak, elektronik cihazlardan hayvanlara kaymak ve araçlarla toynaklı memeliler arasındaki geçişte atlara ulaşmak gibi düzgün geçişler üretti. Sistem aynı zamanda birden çok ilişkili görüntüyü tek anlamlı bir cümlede özetleyebildi ve at veya motosiklet gibi öğeleri ekleyip çıkararak açıklamaları insan sezgisiyle uyumlu şekilde ayarlayan basit “kavram aritmetiği” yapabildi.

Bu durumun gelecekteki yapay zeka için anlamı

Günlük tabirle, bu çalışma insan beyninden gelen bir itmenin yapay zekâ sistemlerini kalıp eşleştirmeden bizim bilgi organize etme biçimimize daha yakın bir şeye taşımasına yardımcı olabileceğini öne sürüyor. Modelleri sadece daha büyük yapmak yerine, iç kavram alanlarını beyin yapısını yansıtacak şekilde şekillendirmenin yeni, soyut ve alışılmadık durumları ele alma yeteneklerini artırabileceğini gösteriyor. Yaklaşım hâlâ bireylerden alınan ayrıntılı beyin taramalarına dayanıyor olsa da, böyle beyin bilgisiyle desteklenen eğitimin yaygınlaştırılması, daha uyarlanabilir, yorumlanabilir ve insanların dünyayı algılama ve muhakeme etme biçimleriyle daha uyumlu yapay sistemlere yol açabilir.

Atıf: Chen, J., Qi, Y., Wang, Y. et al. Human-like cognitive generalization for large models via mental representation-guided supervision. Nat Commun 17, 4709 (2026). https://doi.org/10.1038/s41467-026-71267-5

Anahtar kelimeler: beyin yönlendirmeli öğrenme, soyut kavramlar, derin sinir ağları, kavram hiyerarşisi, bilişsel genelleme