İnsan kavram oluşumunu, anlama ve iletişimini modelleyen bir sinir ağı

Zihinler görünümleri fikirlere nasıl dönüştürür

“Akşam yemeği” kelimesini duyduğunuzda, masayı, kokuları ve sesleri yiyecek görmeden bile hayal edebilirsiniz. Zengin görüntü ve sesleri kompakt fikirlere dönüştürme ve sonra bunları geri çağırma yetisi; dilin, planlamanın ve paylaşılan anlayışın temelini oluşturur. Makale, insan zihninin bu günlük sihrini yakalamaya çalışan yeni bir tür yapay sinir ağı tanıtıyor; bu, beynin bilgiyi nasıl organize edebileceğine ve gelecekte makinelerin daha insan benzeri nasıl düşünebileceğine dair içgörü sağlıyor.

Zengin deneyimi basit kodlara paketlemek

Yazarlar basit bir sorudan başlıyor: beyin ayrıntılı duyu girdisini nasıl daha küçük bir kavram setine sıkıştırır ve sonra bu kavramları esnek bir şekilde nasıl kullanır? Mevcut yapay ağlar görüntüleri tanımada çok başarılı, ancak öğrendiklerini milyonlarca parametrenin içinde gizledikleri için bilgiyi yeniden kullanmak veya diğer sistemlerle paylaşmak zorlaşıyor. Öte yandan büyük dil modelleri, kavramları doğrudan görüntü ve seslerden inşa etmek yerine zaten var olan insan sözcüklerine dayanıyor. CATS Net adı verilen yeni çerçeve, yalnızca görsel görevlerden başlayarak tek bir sistem içinde hem kavram oluşumunu hem de kavram kullanımını modellemeye yönelik olarak tasarlandı.

Kavramlar ve kararlar için işbirliği yapan iki modül

CATS Net düşünmeyi iki etkileşen parçaya ayırıyor. Bir kavram soyutlama modülü, elmal ar veya otobüsler gibi her nesne türü için görsel örneklere dayanarak kısa sayısal bir kod ya da “kavram vektörü” öğreniyor. Ayrı bir görev çözme modülü, standart bir görsel omurgadan görüntü özellikleri alıyor ve “Bu bir elma mı?” gibi basit evet/hayır sorularına yanıt vermek zorunda. Ana numara bir geçiş (gating) süreci: kavram vektörü, görev çözme katmanları boyunca aktivitenin nasıl aktığını kontrol ederek aynı ağı temel kablolamasını değiştirmeden farklı kavramları işlemeye yeniden şekillendiriyor. Eğitim, modüllerin ayarlanması ile kavram vektörlerinin düzenlenmesi arasında dönüşümlü olarak ilerliyor, böylece hem ağ hem de içsel kavramları kademeli olarak uzmanlaşıyor.

İnsan benzeri anlam haritası keşfetmek

Büyük görüntü veri kümeleri üzerinde eğitildiğinde CATS Net, görülmemiş resimleri yüksek doğrulukla sınıflandırmakla kalmıyor, aynı zamanda düzenli bir “kavram uzayı” da geliştiriyor. Yakın kodlar genellikle hayvanların bir arada kümelenmesi ya da aletlerin kendi grubunu oluşturması gibi ilgili şeyleri temsil etme eğiliminde. Yazarlar bu düzenlemenin rastgele olmadığını gösteriyor: insanların nesnelerin nasıl benzer hissettiklerini derecelendirdiği çalışmalarda bulunan desenlerle ve gıda, mobilya veya duygusal değer gibi birçok boyut boyunca anlamı betimleyen dil tabanlı modellerle eşleşiyor. İlginç bir şekilde, araştırmacılar ağın iç benzerlik desenlerini gönüllülere nesneleri adlandırırken alınan beyin taramalarıyla karşılaştırdıklarında, kavram katmanının yüksek düzey görsel bir bölgedeki aktivite ile uyumlu olduğunu ve geçiş (gating) modülünün ise anlama erişimi kontrol etmekle ilişkili alanlara benzediğini buluyorlar.

Sadece kavramlar aracılığıyla bilgiyi paylaşmak

Çalışma ayrıca düşük boyutlu kavramların farklı ağlar arasında ortak bir değer birimi (common currency) olarak hizmet edip edemeyeceğini araştırıyor. Ekip, kategorilerin örtüşen kümeleri üzerinde ayrı “öğretmen” ve “öğrenci” CATS Net sürümleri eğitiyor, sonra öğretmenin uzayından öğrencinin uzayına kavram vektörlerini eşleyen küçük bir çeviri modülü ekliyor. Ana ağ ağırlıklarını değiştirmeden, öğrenci eğitim sırasında hiç görmediği bir kategori için çevrilmiş bir kavram vektörünü kullanabiliyor ve yine de evet/hayır kararlarında şanstan çok daha iyi performans gösterebiliyor. Diğer testlerde CATS Net, dil istatistikleri ve davranışsal verilerden oluşturulmuş insan kaynaklı kavram uzaylarını da başarılı şekilde kendi iç kodlarıymış gibi kullanıyor.

Bu neden zihinler ve makineler için önemli

Bir arada ele alındığında, bu sonuçlar, kompakt kavram kodlarının duyusal işlemenin esnek geçişleriyle birleşiminin insan benzeri kavramsal düşünce için uygulanabilir bir reçete sunabileceğini öne sürüyor. Model, zengin görsel deneyimlerin insan davranışı ve beyin aktivitesindeki desenlerle uyumlu, yeniden kullanılabilir ve paylaşılabilir temsilere nasıl sıkıştırılabileceğini gösteriyor. Çalışma somut, görebildiğimiz ve adlandırabildiğimiz nesnelere odaklansa da, daha soyut fikirleri de yakalayabilecek gelecekteki sistemlere işaret ediyor; bu da yapay zekâyı insanların kavramları oluşturma, anlama ve iletme biçimine bir adım daha yaklaştırıyor.

Atıf: Guo, L., Chen, H., Chen, Y. et al. A neural network for modeling human concept formation, understanding and communication. Nat Comput Sci 6, 497–511 (2026). https://doi.org/10.1038/s43588-026-00956-4

Anahtar kelimeler: kavram oluşumu, sinir ağları, anlamsal biliş, beyin uyumu, kavram iletişimi