İnsan beyninden esinleniyor: ChatGPT’yi geride bırakan yeni yapay zeka tanıtıldı

Bilim insanları, büyük dil modellerinden (LLM) farklı olarak daha etkili akıl yürütebilen yeni bir yapay zeka geliştirdi. Hiyerarşik Akıl Yürütme Modeli (HRM) adı verilen bu sistem, insan beynindeki hiyerarşik ve çok zamanlı bilgi işleme yapısından esinlendi.

İnsan beyninde farklı bölgeler bilgiyi milisaniyelerden dakikalara kadar değişen zaman aralıklarında işler. HRM de benzer şekilde bilgiyi farklı düzeylerde değerlendirerek daha hızlı ve verimli sonuçlar üretiyor.

Daha az parametreyle yüksek performans

Singapur merkezli yapay zeka şirketi Sapient tarafından geliştirilen HRM, daha az parametreyle çalışarak büyük dil modellerine kıyasla daha verimli sonuç veriyor.

• Araştırmacıların aktardığına göre HRM, yalnızca 27 milyon parametre ve 1.000 eğitim örneği ile test edildi.

• Karşılaştırıldığında, gelişmiş LLM’ler milyarlarca hatta trilyonlarca parametreye ihtiyaç duyuyor.

• Örneğin, tahminlere göre GPT-5’in 3-5 trilyon parametre arasında olduğu düşünülüyor.

Zorlu testlerde etkileyici sonuçlar

HRM’nin yetenekleri, yapay genel zekaya (AGI) ulaşma potansiyelini ölçen ARC-AGI testlerinde değerlendirildi.

• ARC-AGI-1 testinde HRM %40,3 başarı elde etti.

• OpenAI’nin o3-mini-high modeli: %34,5

• Anthropic Claude: %21,2

• Deepseek R1: %15,8

• ARC-AGI-2 testinde HRM %5 skor aldı.

• o3-mini-high: %3

• Deepseek R1: %1,3

• Claude 3,7: %0,9

Bu sonuçlar, HRM’nin özellikle karmaşık görevlerde diğer modellere göre daha başarılı olduğunu ortaya koydu.

Geleneksel yöntemlere alternatif: HRM’nin çalışma prensibi

Mevcut LLM’ler genellikle düşünce zinciri (Chain of Thought – CoT) yaklaşımını kullanır. Bu yöntem, problemleri daha küçük adımlara bölerek çözmeye dayanır. Ancak CoT yüksek veri ihtiyacı, zaman kaybı ve görev ayrıştırmada kırılganlık gibi sorunlar barındırır.

HRM ise farklı bir yol izliyor:

• Yüksek seviyeli modül, yavaş ve soyut planlamayı yönetir.

• Düşük seviyeli modül, hızlı ve detaylı hesaplamaları gerçekleştirir.

• Sistem, insan beynindeki bilgi işleme mantığını taklit ederek, adım adım kontrol gerektirmeden çözüm üretir.

Ayrıca HRM, yinelemeli iyileştirme (iterative refinement) tekniğini kullanıyor. Bu yöntem, çözümü birkaç kısa “düşünme patlaması” boyunca tekrar değerlendirip geliştirmeyi sağlıyorr. Böylece nihai sonucun doğruluk payı artırılıyor.

HRM, klasik LLM’lerin üstün olduğu labirent çözümleri gibi görevlerin yanı sıra, genellikle zorlayıcı olan Sudoku gibi karmaşık bulmacalarda da yüksek başarı elde etti.

Araştırma ve gelecek perspektifi

Çalışma henüz hakemli bir dergide yayımlanmadı. Ancak ARC-AGI kriterlerinin organizatörleri, sonuçları test etmek için modeli inceledi ve araştırmacıların GitHub’da paylaştığı açık kaynaklı sürümü denedi.

Kısmen aynı sonuçları elde etseler de, beklenmedik bulgular da ortaya çıktı. Örneğin, hiyerarşik mimarinin tek başına performansa büyük bir katkı sağlamadığı; asıl farkın eğitim sürecindeki özel bir iyileştirme yönteminden kaynaklandığı görüldü.