Türkçe Başlık
1 Milyon Saat Sonra Bile Robotlar Hala “Aç” Neden?
Türkçe İçerik
Maniformer’in CEO’su Yao Maoqing, sektörün bir sonraki hedefini çok daha büyük bir ölçekte belirledi: “Genel yapay zekaya ulaşmak için fiziksel yapay zeka nihayetinde onlarca milyon hatta yüzlerce milyon saatlik veriye ihtiyaç duyacak. Bugün sadece bir başlangıç.”
Bu büyük fark, tanıdık bir deja-vu hissi uyandırıyor. Son yıllarda, büyük dil modeli endüstrisi benzer bir “ölçeklendirme” anlatısıyla karşılaştı: daha fazla veri, daha büyük parametreler, daha fazla işlem gücü ve ardından kritik bir eşikte yeteneklerin aniden ortaya çıkması. Şimdi bu mantık, robotlara da uygulanıyor.
Sonuç olarak, veri toplama fabrikaları hızla yaygınlaşıyor, “bedensiz” cihazlar seri üretime giriyor ve gerçek dünya verileri artık saat cinsinden ölçülüyor; ilk milyon saatin ardından 10 milyon veya hatta 100 milyon saat hedefleniyor.
Ancak daha temel bir soru sorulması gerekiyor: Fiziksel zekanın gerçekten de bu 100 milyon saat için hangi tür verilere ihtiyaç duyduğunu biliyor mu? Eğer bu soru cevapsız kalırsa, “1 milyon saat” gerçekten de robotların genel zekaya bir adım closer olmasını sağlıyor mu? Yoksa bu sadece insanlığın fiziksel dünya verilerini seri üretme yeteneğini kazandığı anlamına mı geliyor?
Bu iki şey aynı değil.
Büyük Dil Modeli Ölçeklendirme Yasaları Robotlara Uygulanamaz
Robotların neden veri eksikliği yaşadığını anlamak kolay. Dil modelleri doğal bir avantaja sahip: son birkaç on yılda insanlar zaten büyük miktarda bilgiyi dijitalleştirdi. Web sayfaları, kitaplar, forumlar, kod, görüntüler ve videolar kendileri eğitim materyalleri olarak hazır durumda. Ancak robotlar nihayetinde fiziksel dünyadaki sorunları çözmek zorunda. Bir fincan nasıl kaldırılır, giysiler nasıl katlanır, farklı malzemelerden oluşan eşyalar bir rafa nasıl yerleştirilir – insanlar için doğal olan bu operasyonel beceriler internette doğal olarak mevcut değil.
Yao Maoqing’e göre, fiziksel yapay zeka için gereken veri ölçeği, dil modelleri için gerekenin “dört ila beş kat” daha küçük. Ona göre bir robotun gerçek becerileri deneyimden kaynaklanır: “Sadece gördükten sonra yapılabilir ve ancak o zaman genelleme yapılabilir.”
Buradaki sorun şu: Robotların veri eksikliği ile “robotlara 100 milyon saatlik veriye ihtiyaç duyulması” arasında büyük bir mesafe var.
Büyük model ölçeklendirmesi için kritik bir temel, metin ve görüntü gibi verilerin nispeten olgun tokenizasyon yöntemlerine sahip olmasıdır; aynı zamanda model mimarileri, eğitim hedefleri ve değerlendirme sistemleri kademeli olarak yakınlaşmıştır. Fiziksel dünya ise çok daha karmaşık.
Örneğin “bir fincan kaldırma” eylemi bile farklı robotlar tarafından iki parmaklı veya beş parmaklı tutma yöntemleriyle gerçekleştirilebilir; farklı gövdelerin farklı hareketlilik dereceleri, boyutları, torkları ve kontrol frekansları vardır. Bir insanın yaptığı bir eylemin kaydettiği veriler doğrudan bir robot için kontrol sinyallerine dönüştürülemez.
Daha da önemlisi, günümüzün fiziksel zekası bile temel bir soruyu henüz cevaplamadı: Hangi veriler gerçekten en faydalıdır? Bin farklı evde bir kez giysi katlamak mı daha iyi yoksa tek bir robotun 100.000 kez giysi katması mı? Bir insanın ilk kişiden çekilen video mu daha önemli, yoksa robotun eklem yörüngeleri mi daha kritik? Daha fazla görev sunmak mı daha iyi, yoksa daha az sayıda görevi yeterli güvenilirlikle tamamlamak mı daha önemli?
Bu sorulara şu anda kesin cevaplar yok. Bu nedenle, en azından bugün için “100 milyon saat” bir mühendislik sonucu olarak değil, endüstri tarafından belirlenen bir yargı olarak kabul edilmelidir: Fiziksel zeka nihayetinde açık dünyada genelleme yapabilmek için yeterli veriye ihtiyaç duyacaktır.
Bu nedenle, gördüğümüz sayılar sadece üretim kapasitesini gösteriyor; modelin yeteneklerini doğrudan etkilemeyebilir.
1 Milyon Saatin En Büyük Değeri Belki de “1 Milyon” Sayısı Değildir
Aslında, Maniformer bile tüm bahislerini saat sayısı üzerine yapmamış durumda. Bu sefer yayınlanan 1 milyon saatlik verinin yanı sıra, çeşitliliğe vurgu yapıldı: 22 ana senaryo kategorisi, 500’den fazla görev türü, 10.000’den fazla gerçek dünya senaryosu ve 50.000’den fazla nesne kategorisi. Bu aslında fiziksel yapay zeka ölçeklendirmesi ile dil modelleri ölçeklendirmesi arasındaki önemli bir farkı ortaya koyuyor: Fiziksel dünya verileri sadece “saat” cinsinden ölçülemez.
İki veri seti de 1 milyon saat olarak adlandırılabilir, ancak biri tekrarlayan görevlerle dolu olabilirken diğeri tamamen farklı ortamları, nesneleri ve işlemleri kapsayabilir. Bunların bir model için önemi açıkça farklıdır. Benzer şekilde, 30 dakikalık bir video klip içinde sadece birkaç dakika gerçekten değerli işlemler içerebilir.
Bu nedenle, endüstride “1 milyon saat”, “10 milyon saat” veya “100 milyon saat” gibi sayılar gördüğünüzde dikkatli olmak önemlidir. Bunlar üretim ölçeğinin hızla genişlediğini gösterir, ancak modelin yeteneklerindeki iyileşmelerle doğrudan ilişkilendirilemez.
Bu nedenle, “endüstrinin ilk milyon saati” kaydedilmesi önemli olsa da, bir teknik başarı olarak kabul edilemez. Bunun yerine, endüstri tarafından belirlenen bir üretim kapasitesini gösterir.
Robotların “Daha Fazla Görmesi” mi Yoksa “Daha Fazla Pratik Yapması” mı Gerekiyor?
Bir adım daha ileri gidildiğinde, fiziksel zekanın veri hacmi sorunundan daha temel bir sorunu olduğu görülüyor. İnsan öğrenimi sadece her zaman yapılan eylemleri kopyalamak değildir. Bir insan belirli bir çekmece türünü nasıl açacağını öğrendikten sonra, odalar, saplar veya yükseklikler değişse bile “çekmeceyi açma” becerisini hala bilir.
Bu nedenle, robotların nihayet ulaşmaya çalıştığı şey tam olarak budur. Bu aynı zamanda büyük ölçekli gerçek dünya verilerinin neden bu kadar cazip olduğunu açıklıyor: Bir laboratuvar tek bir restoran inşa edebilir, ancak bin farklı restoranı inşa etmek zordur. Gerçek dünyada aydınlatma, masa yüksekliği, nesne yerleşimi, ayak trafiği ve dikkat dağıtıcı unsurlar her an değişir. Bir robot ne kadar çok ortam görürse, evrensel yasaları öğrenme olasılığı o kadar artar.
Bu aynı zamanda “bedensiz” teknolojinin hızla yaygınlaşmasının en önemli nedenlerinden biridir. Bu teknoloji, veri kaynaklarını sınırlı robot laboratuvarlarından gerçek dünyaya genişletiyor. Ancak bu hala sorunun sadece yarısını çözüyor.
Gördüğümüz şey, üretim kapasitesini gösteren bir sayıdır; modelin yeteneklerini doğrudan etkilemeyebilir.
