The Era of Intelligent Machines Part 2 (1980)

Thomas Logsdon
c/o Computer Science Press, Inc.
9125 Fall River Lane
Potomac, MD 20854

"Uzun bir oturumun ardından iki öğrenci, oynadıkları robotla birlikte odaya alındı. Gerçek bir insana karşı oynamadıklarına neredeyse inanamadılar."

Not: Bu makale, Thomas Logsdon tarafından yazılan Computers and Social Controversy adlı kitabın 9. bölümü olan "Akıllı Makineler Çağı mı?" bölümünden alınmıştır; telif hakkı © 1980 Computer Science Press, Inc.'e aittir, 9125 Fall River Lane, Potomac, MD 20854 adresinde yayımlanmış olup izin alınarak yeniden basılmıştır. Kitap yayınevinden temin edilebilir.

Fiyat: 17,95 $

Oyun Oynayan Makineler

Tic-Tac-Toe

Tic-tac-toe, muhtemelen dijital bir bilgisayarda programlanan en yaygın rekabetçi oyundur. Bilgisayar, tic-tac-toe oyununu oynamak üzere nasıl programlanır? Birkaç kolay yöntem vardır. İşe yarar bir yaklaşımı gözünüzde canlandırmanın en doğrudan yollarından biri, olası hamleleri "ağaç" biçiminde diyagramlar halinde düşünmektir.

Bu özel durumda, makine ilk hamleyi yapar ve X sembolünü kullanır. Bilgisayarın ilk hamlesi için temelde üç farklı seçeneği vardır: ilk X'i bir köşeye, merkeze ya da kenarlardan birine koyabilir. Makinenin yaptığı seçime bağlı olarak, rakibinin ya beş geçerli yanıtı ya da iki yanıtı olur. Dalların bazıları galibiyetle, bazıları yenilgiyle ve bazıları beraberlikle sonuçlanır. Bilgisayar, her fırsatta, rakibin yanıtına bağlı olarak oyunu galibiyetle sonuçlanan dallardan birine götürebilecek bir hamleyi seçer.

Tic-tac-toe gibi basit bir oyun için, tüm oyun ağacı (ya da eşdeğeri) bilgisayarın içine sığdırılabilir. Böylece makine, kusursuz bir oyun oynayacak şekilde programlanabilir. Bu, rakibi herhangi bir noktada hata yaparsa makinenin kazanacağı; yapmazsa oyunun berabere biteceği anlamına gelir.

Dama ve Satranç

Tic-tac-toe için oyun ağacının kurulması, dijital bir bilgisayarda kusursuz bir kazanma stratejisi programlamamıza olanak tanıyorsa, neden aynı şeyi dama ve satranç için yapmıyoruz? Kulağa iyi bir fikir gibi geliyor ve eğer yapabilseydik, kesinlikle işe yarardı. Ne yazık ki dama ve satranç, tic-tac-toe'dan çok daha karmaşıktır. Tüm ağaçlarını çizmeye kalksaydık, çok büyük bir kâğıt sayfasına ihtiyacımız olurdu!

1967’de son derece başarılı bir dama programı geliştiren Arthur Samuel, eksiksiz bir dama ağacının yaklaşık 10^40 dal içereceğini tahmin etmiştir. Bir bilgisayarı saniyenin binde birinde bir hamleyi inceleyecek şekilde programlayabilsek bile, tüm olasılıkları değerlendirmesi 3 × 10^23 yıl sürerdi. Satranç bundan da daha karmaşıktır. Samuel’in dikkatli tahminlerine göre, eksiksiz bir satranç ağacı yaklaşık 10^120 dal içerirdi.

Bu karmaşıklık göz önüne alındığında, bir bilgisayarı dama ya da satranç oynaması için programlamak nasıl mümkün olabilir? İşin püf noktası, "algoritmik" yerine "sezgisel" programlama tekniklerini kullanarak ağaçtaki dalların bir kısmını "budamak"tır. Bu iki farklı programlama yöntemi arasındaki ayrımı yapmak görece kolaydır.

Duyduğumuz programların çoğu algoritmalar kullanır. Bir algoritma, bilgisayar yeterince uzun süre çalışmaya devam ettiği sürece, belirli bir problemin çözümüne kaçınılmaz olarak götüren, sabit ve adım adım ilerleyen bir işlemdir. Buna karşılık sezgisel bir program, bilgisayarın çözüme doğru ilerlemesine yardımcı olmak için akıllıca kestirme kurallar kullanır. Çözüm garanti değildir, ancak sezgisel kurallar doğru seçildiği takdirde büyük olasılıkla elde edilir.

Dolayısıyla, örneğin sezgisel bir dama programı aşağıdaki kestirme kurallara göre programlanabilir:

Her zaman rakibinin senden daha az taşa sahip olmasına yol açacak şekilde oyna.
Her iki taraftaki taşları sayarken, iki damayı üç düz taşla eşdeğer kabul et.

Bu kurallara uygun olarak, bilgisayar böyle yapmak kendisine avantaj sağlayacaksa rakibiyle bir değiş tokuş ayarlayacaktır. Sezgisel programlama yöntemleri kullanıldığında, bilgisayarın da tıpkı insan karşılığı gibi, oyunun nihai sonucunu önceden göremediğine dikkat ediniz.

Satrançtan çok daha basit olan dama, bilgisayar analizine oldukça elverişli olmuştur. Merkez kontrolü, ilerleme gibi ölçülebilir parametrelere dayanarak belirli bir hamlenin olası değerini saptamanın pratik yolları olduğu ortaya çıkmıştır. Buna ek olarak, herhangi bir anda görece az sayıda olası hamle bulunması (bazı taşların birbirini engellemesi ve almanın zorunlu olması nedeniyle), tüm makul olasılıkların 20 hamleye kadar bir derinlikte incelenmesini mümkün kılar; bu da mükemmel bir oyun için yeterli olur.

1950’lerde satranç oynayan programlar için büyük bir iyimserlik olsa da, bugün bile en iyi ihtimalle ancak vasat bir oyun oynayabilmektedirler. 1970’e gelindiğinde birkaç program C sınıfı turnuva düzeyine ulaşmıştı, ancak geçen yıllar içinde bu düzeyin çok ötesine geçilememiştir. Dahası, elde edilen ustalık artışlarının çoğu, satranç programlama sanatındaki kavramsal atılımlardan ziyade, daha hızlı bilgisayarlar ve daha fazla programlama çabasının sonucudur.

Peki uzmanlarımız neden, tik-tak-toe ve dama için yapılabildiği gibi, büyükusta düzeyinde satranç programları geliştirememiştir? Temel sorun, satrancın ağaç yapısının son derece karmaşık olmasıdır. Sezgisel programlama tekniklerini kullanarak ağacı bir ölçüde budayabiliriz, ancak bunu fazla yaparsak, insan bir uzmanın fark edeceği umut verici oyun çizgilerini bilgisayar kaçıracaktır.

Bilgisayarın becerisini, ağaç üzerindeki daha fazla dalı incelemesini sağlayarak artırabileceğimiz düşünülebilir. Ancak insan büyükustaların oyuna nasıl yaklaştıklarına dair dikkatli çalışmalar, onların daha düşük yetenekli oyunculardan daha fazla oyun çizgisini analiz etmediklerini ve daha ileriye bakmadıklarını—genellikle yalnızca altı ya da yedi hamle—göstermiştir. Bunun yerine, büyükustalar uzmanlıklarını, tahtadaki en umut verici alanlara hızla odaklanabilmelerine borçludur; kısacası, oyunda neyin önemli olduğuna dair son derece gelişmiş bir sezgiye sahiptirler.

Bilgisayarlarımızı satranca aynı şekilde yaklaşacak biçimde programlayabilir miyiz? Teorik olarak mümkün görünmektedir, ancak kimse bunun nasıl yapılacağını biliyor gibi görünmemektedir. Bununla birlikte, başka bir olası yaklaşım daha vardır: teoride, bilgisayarı geçmiş deneyimlerinden öğrenmesi için, tıpkı bir insanın oyunda ustalaşmayı öğrenmesi gibi programlayabiliriz.

Birkaç yıl önce bu kavram, Arthur Samuel’in dama programına öğrenme yetenekleri eklemesiyle büyük bir heyecan dalgası oluşturdu. Samuel’e karşı birkaç düzine oyun oynadıktan sonra, onu izleyen tüm oyunlarda ezici biçimde yenmeyi başardı. Daha fazla eğitim verildiğinde, Connecticut şampiyonunu da iyi duyurulmuş bir oyunda yendi; her ne kadar dünyanın dama şampiyonu onu dört oyunun dördünde de mağlup etmiş olsa da.

Başlangıçta, aynı öğrenme yaklaşımını kullanarak satranç programlarını geliştirmek için büyük umutlar vardı. Ancak bugüne kadar yapılan girişimlerin hiçbiri kayda değer bir başarı göstermemiştir. Arthur Samuel’in dama programındaki öğrenme düzeni, yapay zekâ alanındaki kişiler tarafından geniş çapta övgüyle karşılanmıştır. Anlamlı bir biçimde öğreniyor mu? Kesinlikle, geçmiş deneyimlere dayanarak performansını geliştiriyor; ancak onu çalışırken izleme fırsatı bulan çoğu kişi, oldukça ilkel öğrenme yetenekleri karşısında bir miktar hayal kırıklığına uğramaktadır. Genel olarak konuşursak, bugün bilgisayarlarda programlanan öğrenme düzenleri bundan çok daha etkileyici değildir.

Marvin Minsky’nin gözlemlediği gibi:

"(Bazı) programlar ... öğrenme olarak adlandırılabilecek süreçler kullanır; başka problemleri çözen yöntemleri hatırlar ve kullanırlar; en iyi performans için bazı iç özelliklerini ayarlarlar; geçmişte birbiriyle ilişkilendirilmiş sembolleri ‘bağdaştırırlar’. Ancak bugün hiçbir program, kendi temel yapısında gerçekten önemli bir değişiklik yapamaz."

Öte yandan, makinelerin neler yaptığı bizi çoğu zaman etkiler; ta ki onların makine olduğunu öğrenene kadar. Trans-Canadian Air Lines’ın yöneylem araştırmaları direktörü Peter J. Sandiford, bu noktayı, iki genç öğrenciyi kör denemelerde bir robotla karşı karşıya getirerek—onlara bir makineye karşı oynadıklarını söylemeden—oldukça net bir biçimde göstermiştir.

Göreceğimiz gibi, sonuçlardan son derece etkilenmişlerdi. Sandiford oyunu, yerel bir matematik kulübünden bir erkek ve bir kız öğrencinin birbirlerine karşı oynadıklarını düşünecekleri şekilde düzenledi.

"Her yarışmacı bir odada yalnızdı ve hamlelerini bir hakeme bildiriyordu," diye açıkladı Sandiford, Martin Gardner’a yazdığı bir mektupta. Oyuncuların bilmediği şekilde, hakemler üçüncü bir odaya rapor veriyordu; bu odada, gerçek rakipleri olan iki öğrenen-kutu robot bulunuyordu. "Büyük bir karmaşa ve bastırılmış bir neşeyle, ortadaki bizler bilgisayarları çalıştırmaya, oyunları senkronize tutmaya ve skoru takip etmeye çalışıyorduk."

Oturum sırasında, iki öğrenci kendi hamleleri ve rakiplerinin hamleleri hakkında anlık yorumlar yapmaları için teşvik edildi. İşte bazı örnek ifadeler:

"Yakalanmadan yapılabilecek en güvenli şey bu. Neredeyse kesin kazanır."

"Beni aldı, ama ben de onu aldım. Beklediğim gibi yaparsa piyonumu alacak, ama bir sonraki hamlede onu bloke edeceğim."

"Aptal mıyım ben?"

"İyi hamle! Sanırım yenildim."

"Gerçekten düşündüğünü sanmıyorum. Şu ana kadar artık daha fazla dikkatsiz hata yapmamalıydı."

"Güzel oyun. Artık hareketlerime alışıyor."

"Çok şaşırtıcı bir hamle ... ileri giderse kazanacağımı göremedi mi?"

"Rakibim iyi oynadı. Sanırım işin püf noktasını önce ben kavradım."

Uzun bir oturumun ardından, iki öğrenci oynadıkları robotun bulunduğu odaya alındı. Hayrete düştüler. Gerçek bir insana karşı oynamadıklarına neredeyse inanamadılar!

Bu, cansız bir makinenin zeki insan varlıklarının öğrenme yeteneklerini taklit edebilme kapasitesinin etkileyici bir gösterimi miydi? Belki. Ancak robotun gerçekte nasıl çalıştığını anlayan bizler için, aslında pek bir şey yapmadığına dair rahatsız edici bir his kalıyor. Birine yüzmeyi ya da bisiklete binmeyi öğretmek istediğimizde, çoğu zaman ona yalnızca en yüzeysel talimatları veririz. Buna karşılık, günümüzde bir öğrenme programını ancak başarılı bir stratejiyi uygulamanın ne anlama geldiğini açıkça (genellikle sayısal terimlerle) tanımlayabildiğimiz takdirde geliştirebiliyoruz.

Bazı güncel bilim kurgu anlatılarının aksine, dijital bilgisayarlarımızın öğrenme yeteneklerini denetlemek bizim için görece kolay olmalıdır. Bunun bir nedeni, sonunda ölçülebilir bir gelişme göstermedikleri bir aşamaya ulaştıklarının bulunmuş olmasıdır.

Dil Çevirileri

Yapay zekâ alanındaki tüm etkinlikler arasında, doğal dillerin bilgisayar tarafından çevrilmesi muhtemelen en fazla finansmanı çekmiştir. Buna ek olarak, konuşulan ya da yazılan iletilerin içeriğini başka bir dile çevirmeden anlamak için mekanik ve elektronik aygıtlar geliştirmeye yönelik büyük harcamalar yapılmıştır.

Sözdizimi ve Anlambilim

1950’lere kadar, dilbilimcilerin çoğu doğal dillerin iki ayrı aşamada analiz edilebileceğine inanıyordu: önce sözdizimi, sonra anlambilim.

Sözdizimi bir dilin biçimsel yapısıyla ilgilenirken, anlambilim tek tek sözcüklerin anlamlarıyla ilgilenir. Bu strateji doğrultusunda, birçok erken dönem araştırmacı, doğru sözcük anlamlarının bilgisayarın içine yerleştirilmesi ve bunlara uygun dilbilgisi kurallarının eşlik etmesi halinde, makinenin bir dilden diğerine etkili çeviriler geliştirebileceğine ikna olmuştu. O dönemde bu çok iyi bir fikir gibi görünüyordu—öyle ki, çoğunlukla askerî olan çeşitli devlet kurumları, farklı türlerde dil çeviri yöntemleri için 20 milyon dolardan fazla harcama yaptı.

Ne yazık ki, Bertram Raphael’in The Thinking Computer adlı kitabında belirttiği gibi, “bu deneyler feci biçimde başarısız oldu; özgün metinden her türlü garip ve beklenmedik şekilde farklı anlamlar taşıyan çeviriler üretti.”

Uzun ve dikkatli analizlerden sonra, sözdizimi ile anlambilim arasındaki sınırın daha önce kimsenin şüphelendiğinden çok daha belirsiz olduğu ve cümlelerden anlam çıkarırken sürekli olarak gerçek dünyaya dair ince ipuçlarını kullandığımız öğrenildi. Örneğin, aşağıdaki türden ifadelerin sözdizimsel bir analizi:

“I ain’t never been here.”
“Me Tarzan, you Jane.”
“Them’s them.”

yalnızca boş ve derin bir kafa karışıklığı üretir. Buna rağmen, çoğu insan bu garip sözcük dizilerini—ve bunlara benzer nicelerini—tamamen anlamlı biçimlerde yorumlamakta pek zorlanmaz. Öte yandan, “Colorless green ideas dream furiously” gibi bir ifade anlambilimsel olarak doğrudur (bildiğimiz kadarıyla), ancak açık ve yararlı bir anlam iletmez.

Belirsizlik ve Bağlam

Bir ifadenin bağlamı da onun doğru yorumlanması üzerinde önemli bir etkiye sahiptir. What Computers Can’t Do adlı kitabın yazarı Hubert L. Dreyfus’un belirttiği gibi, “stay near me” gibi basit bir ifade, kalabalıkta bir çocuğa mı yoksa Ay’ı keşfeden bir astronot arkadaşına mı hitap edildiğine bağlı olarak, “üstüme yapış”tan “bir mil uzakta dur”a kadar her anlama gelebilir.

Bağlama dayalı benzer belirsizlikler, makine çevirilerinde moral bozucu bir düzenlilikle ortaya çıkar. Örneğin, görünüşte basit olan “It is beautiful” İngilizce ifadesini Fransızcaya çevirmeye çalışırsak, Özgürlük Heykeli gibi somut bir nesneden söz ediyorsak doğru çeviri C’est beau olmalıdır; ancak hava durumu ya da bir tiyatro gösterisi gibi soyut bir kavramdan söz ediyorsak Il fait beau (kelimesi kelimesine “Güzel yapıyor”) olmalıdır.

Bunlar ve benzeri pek çok zorluk nedeniyle, bilgisayar çevirileri son yıllarda gözden düşmeye başlamıştır. Alandaki erken dönem çalışanların vizyonu, yeterince ayrıntılı sözdizimsel kurallar, büyük bir sözlük ve belirsiz sözcüklerin bağlamını her iki yönde birkaç sözcük inceleyecek yeterli hız sağlandığında, makineler tarafından yüksek kaliteli çeviriler üretilebileceği yönündeydi. Ne yazık ki, yaklaşık 20 yıllık geliştirme çabalarından sonra bile, bilgisayarlar hâlâ yüksek kaliteli çeviriler üretememektedir.

Elbette, daha büyük harcamalar ve daha fazla yıl süren yoğun çalışmalarla kabul edilebilir çevirilerin elde edilebileceği ileri sürülebilir. Bu gerçekleşir mi? Joseph Weizenbaum’a göre, “Bugün bu alanda ciddi biçimde çalışan herkes, bu sorunun yanıtının basitçe ‘Hayır’ olduğu konusunda hemfikirdir.” Günümüzde makine destekli çevirilerimiz vardır; ancak yalnızca bilgisayar tarafından yapılan eksiksiz ve anlamlı çevirilere sahip olabilmemiz için bir tür kavramsal atılımın gerekli olacağı anlaşılmaktadır.

Dil Anlama Programları

Makineyle dil çevirisi aşılması güç görünen zorluklarla karşılaşmış olsa da, makinelerin insan konuşma kalıplarını anlama ve taklit etme amacıyla kullanımı hâlâ geniş ilgi görmektedir. Bu çabalarda bilgisayar dilleri çevirmeye çalışmaz; bunun yerine, tek bir dilden anlam çıkarmaya yönelik daha basit bir göreve odaklanır.

Bu tür bilgisayar programları kusursuz hâle getirilebilseydi, bilgisayarların sıradan vatandaşlar tarafından kullanılmasının önü açılabilirdi; çünkü insanlar, makinelerle pek çok yararlı biçimde iletişim kurmak için özel bir programlama dili öğrenmek zorunda kalmazdı. Ne yazık ki, bu daha basit görev bile ciddi zorluklarla doludur.

Xerox Corporation’daki bir araştırmacı grubu tarafından, çeşitli bilgisayar programlarının okuma yeteneklerini sınamak amacıyla hazırlanmış aşağıdaki pasajı ele alalım:

“Tommy had just been given a new set of blocks. He was opening the box when he saw Jimmy coming in.”

Xerox testini geçebilmek için, bir dil anlama programının üç soruyu yanıtlayabilmesi gerekir:

Kutuyu kim açıyordu?
Kutunun içinde ne vardı?
İçeri kim geldi?

Dikkatli bir birinci sınıf öğrencisi bile bu görünüşte basit soruları yanıtlamakta pek zorlanmazken, dil anlama programları bunlarla başa çıkmakta şaşırtıcı derecede zorlanır. Bu zorluğa ne sebep olur? Bir şey açıktır: Sorular, metinden sözcükleri doğrudan tekrar ederek yanıtlanamaz. Bu strateji, bilgisayarı ilk soru olan “Kutuyu kim açıyordu?”ya anlamsız bir yanıt vermeye götürürdü: “O kutuyu açıyordu.”

Ne yazık ki dilimiz, “he” gibi zamirlerin yalnızca belirli bir kişiye atıfta bulunmaları hâlinde anlamlı olacak şekilde yapılandırılmıştır. İkinci soru olan “Kutunun içinde ne vardı?” gerçek dünyaya ilişkin özel bir bilgi gerektirir. Metinde kutunun ne içerdiği söylenmez; ancak dünyayı nasıl işlediğine dair arka plan bilgimizi zahmetsizce kullanarak doğru yanıtın ne olması gerektiğine karar veririz. Deneyimlerimizden, yeni eşyaların sıklıkla kutular içinde geldiğini biliriz—ve küplerin kutunun içinde olması gerektiği sonucuna varırız.

Üçüncü soruyu, “İçeri kim geldi?”yi yanıtlamak için, “…he saw Jimmy coming in” ifadesinin tüm anlamını kavramamız gerekir. Yine, doğru yorumu yapmak için gerçek dünya deneyimlerimizi kullanırız—Tommy’nin aynı anda hem bir kutu açıp hem de kapıdan içeri girmesinin pek olası olmadığını fark ederiz.

Dolayısıyla, günlük dilden anlam çıkarabilmek için, yaşadığımız dünya hakkında çok sayıda ince ayrıntıyı bilmemiz gerektiğini görürüz. “Join me in the pool” ile “Join me in a cup of coffee” arasındaki farkın sözdizimiyle hiçbir ilgisi yoktur; her şey bir fincan ile bir havuz arasındaki farkla ilgilidir.

MIT Elektrik Mühendisliği yardımcı doçenti Dr. Terry Winograd’ın açıkladığı gibi:

“Bir cümle, bir kamyonun yük taşıması gibi, anlamı eksiksiz ve paketlenmiş olarak ‘aktarmak’ suretiyle iletmez. Daha çok, dinleyenin kendi bilgisinden anlamı yeniden kurmasına olanak tanıyan bir plan gibidir.”

Dil anlama programları birçok farklı güçlükle karşılaşır; bunların en ciddisi, bir bilgisayarın canlı olmanın ve anlamaya çalıştığımız kişilerle ortak bir miras oluşturan çok sayıdaki deneyime katılmanın ne anlama geldiğine dair hiçbir sezgiye sahip olmamasından kaynaklanır.

Makine Zekâsı için Turing Testi

1936 yılında, ilk elektronik dijital bilgisayarın işletime alınmasından tam on yıl önce, Alan Turing adlı yetenekli bir İngiliz mantıkçı, belirli bir hesaplama aygıtının gerçekten düşünen bir makine olup olmadığını belirlemek için zekice bir teknik önerdi.

Turing’in düzeninde, bir insan sorgulayıcı iki teleprinter terminalinin önüne oturtulurdu—bunlardan biri zeki bir insan deneğe, diğeri ise bir dijital bilgisayara bağlıydı. Sorgulayıcı, istediği herhangi bir konuda bir dizi soru yazardı. Uygun bir gecikmeden sonra, insan ve makine soruları teleprinterlar aracılığıyla yanıtlarlardı. Turing’e göre, sorgulayıcı yazılı yanıtlar temelinde insanı makineden ayırt edemezse, makinenin akıllı düşünme süreçlerine sahip olduğu kabul edilmek zorundaydı. Turing’in kendisi, 2000 yılına gelindiğinde, ustalıkla kurguladığı bu testi geçebilecek makinelerin geliştirileceğini öngörmüştü.

Bir bilgisayarın Turing testini geçebilmesinin ancak gerçek dünya hakkında sahici bilgiye sahip olması durumunda mümkün olduğu açıktır. Tipik bir karşılıklı konuşma aşağıdakine benzer şekilde gerçekleşebilir:

S. ABD KUVVETLERİ II. DÜNYA SAVAŞI’NDA KAÇ KAYIP VERDİ?

Y. Çoğu tarihçi sayıyı 450.000 olarak belirtir.

S. IOS NEl YAZAN KİŞİSEL BİR PLAKAYI KİM KULLANIRDI?

Y. Jimmy Connors.

S. BUGÜNKÜ NEW YORK TIMES’IN MANŞET HABERİ NEYDİ?

Y. Tam olarak hatırladığımdan emin değilim, ama sanırım Pennsylvania’daki kömür madencileri grevinin çözülmesiyle ilgiliydi.

Bu kesinlikle etkileyici görünüyor, peki bu kadar geniş bir soru yelpazesine yanıt verebilmesini sağlayacak kadar gerçek dünya bilgisini bir bilgisayarda depolamak gerçekten mümkün mü? Sonuçta, beyinlerimiz inanılmaz miktarda veri içerir.

En azından bir dijital bilgisayarın depolama kapasitesine dair kabaca bir fikir vermek için şunu belirtmeliyiz: Tipik bir büyük ölçekli dijital bilgisayar yaklaşık bir milyon bit depolayabilir—bu da insan beyninin bilgi içeriğinin yalnızca yaklaşık 1/10.000.000’i kadardır. Bununla birlikte, bilgisayarın yardımcı depolama aygıtları çok daha geniş kapasitelidir.

Illiac IV’te kullanılan Unicorn bellek sistemi, var olan en büyük sistemler arasındadır. İnce bir mylar tabaka üzerine lazer ışınıyla minicik delikler açarak bir trilyon bit veri (insan beyninin kapasitesinin 1/10’u) depolar. Dolayısıyla, önümüzdeki birkaç yıl içinde teknoloji geliştikçe, insan beyninde bulunan veri miktarı kadar veriyi işleyebilecek bir depolama sisteminin geliştirilmesi tümüyle mantıksız görünmemektedir.

Sorun şu ki, beyin verileri yalnızca pasif bir biçimde depolamaz. Depoda tutulan çeşitli veri girdileri arasında son derece karmaşık bağlantılar kuracak şekilde donatılmıştır. Gerekli tüm çapraz bağlantıları nasıl hayata geçirebileceğimiz hiç de açık değildir—olağanüstü büyüklükte bir iş!

Böylece, bir bilgisayarı insan yargısıyla donatmaya çalışırken karşılaştığımız temel sorunun, ona neyin doğru olduğunu söylemekte zorlanmamız olmadığı görülür. Bunun yerine, güçlüklerimiz ona neyin önemli olduğunu söyleme noktasında yoğunlaşır.

Problem Çözme ve Örüntü Tanıma

İnce örüntüleri tanıyabilme yeteneği, doğuştan gelen zekâyla yakından ilişkilidir. Aslında, birçok popüler zekâ testi büyük ölçüde çeşitli türlerde örüntü tanıma işlemlerinden oluşur. Son derece yaygın bir örüntü tanıma testi türünden bir maddeyi düşünün. Bu, bir oran ve orantı biçimindedir; yani, “A, B’ye ne ise C, …?’ye odur.” Bir bilgisayara bu tür bir testte doğru yanıtları seçmesi öğretilebilir mi? Elbette öğretilebilir!

Massachusetts Institute of Technology’de Dr. Marvin Minsky, tam olarak belirtilen türde seçimler yapması için bir bilgisayar programlamıştır. Kullandığı geometrik benzetmeler, popüler bir üniversite giriş sınavından alınmıştır. Genel olarak, programı onuncu sınıf bir öğrencinin performansına denk düşer—Harvard ya da Yale’e girecek kadar iyi değil, ama yine de şaşırtıcı derecede iyidir.

MIT’de Terry Winograd tarafından geliştirilen başka bir bilgisayar yordamı ise hem sözel dili hem de geometrik işlemleri (sınırlı ölçüde) “anlayabilir”. Diğer şeylerin yanı sıra, uzun süreli konuşmalar yürütmek, gündelik dilde kullanılan cümle parçalarını tanımak ve kullanmak, zamirleri doğru biçimde yorumlamak ve neredeyse tüm belirsiz yapıların en anlamlı yorumlarını varsaymak üzere programlanmıştır.

Ele aldığı geometrik şekiller bir CRT ekranında çizilir ve manipülasyonlarını yaptığında görüntüler hareket eder. Birçok açıdan etkileyici bir programdır, ancak birkaç can sıkıcı sınırlamadan muzdariptir. Winograd’ın bizzat belirttiği gibi, program “Üç bloklu bir yığın yap” gibi bileşik adlar içeren komutları anlayamaz. Günlük konuşmalarımızın büyük bölümünü oluşturan cümle parçalarını ya da ima edilen anlamları da ele alamaz. Dahası, “Hiçbir piramide dokunmadan bir yığın yap” gibi komutlar karşısında çaresiz kalır.

Bu güçlük, bir hedef (bir yığın yapmak) üzerinde çalışırken aynı anda başka bir hedefi (piramidlerle temastan kaçınmak) izleyebilecek bir yönteme sahip olmamasından kaynaklanır. Winograd’a göre, var olanların en gelişmişlerinden biri olan bu programın—ve buna benzer diğer eksikliklerin—insanların dili anladığı biçimde dili anlayabilmesi için kat etmesi gereken uzun bir yol vardır.

insan varlıkları yapar.

Kuru bir mizahla şöyle yorumlar:

“Günümüzde, genç bir çocuğun doğal olarak yaptığı şeyin küçük bir bölümünü yapmak için devasa bir bilgisayar ve karmaşık programlama gerekir ...”