Beynin Sırları: Yapay Zekada Matris Matematiğinin Sonu mu?

Yapay zeka alanında çalışan mühendisler, sinir ağlarını genellikle GPU'larda çalışan, geri yayılım ve matris çarpımıyla güçlendirilmiş devasa matematiksel grafikler olarak ele alır. Ancak makale, insan beyninin bu geleneksel yapay zeka modellerinden temelden farklı çalıştığını vurguluyor. Yazar, hesaplamalı sinirbilime yaptığı derinlemesine dalışın ardından, beynin bilgiyi nasıl işlediğini ve hesaba dayalı yöntemler kullanmadan nasıl öğrendiğini mühendis dostu bir dille açıklıyor. Bu farklılıklar, yapay zekanın geleceği için önemli çıkarımlar barındırıyor.

İnsan algısı, yapay zekadaki alt-üst süreçlerin aksine, büyük ölçüde üst-alt bir yaklaşıma sahiptir. Beyin, pasif bir alıcı olmaktan ziyade, sürekli olarak dünyanın bir simülasyonunu üreten bir 'halüsinasyon makinesi' gibi çalışır. 'Tahminsel Kodlama' (Predictive Coding) adı verilen bu mekanizmada, beyin gördüklerini tahmin eder ve bu üst-alt tahmini, gözlerden gelen alt-üst duyusal verilerle karşılaştırır. Zincir boyunca sadece tahmin hataları (farklar) iletilir; bilinçli deneyimimiz, duyusal farklarla düzeltilmiş, beynin gerçekliğe dair en iyi tahmini olarak ortaya çıkar. Aphantasia gibi durumlar, bu geri bildirim döngüsünün önemini gösterir.

Peki, bu 'et-bilgisayar' nasıl öğrenir? Standart makine öğreniminde kullanılan geri yayılım (Backpropagation), ağın yaptığı bir hatayı tespit ederek her bir ağırlığı mükemmel bir şekilde güncelleyen küresel bir koç gibidir. Ancak insan beyni, fiziksel olarak bunu yapamaz. Biyolojik sinapslar tek yönlüdür ve gradyanı geriye doğru matematiksel olarak iletemezler. Ayrıca, beyin, 'Kredi Atama Problemi' (Credit Assignment Problem) adı verilen büyük bir sorunla karşı karşıyadır; yani, bir hatanın hangi spesifik nöron veya bağlantıdan kaynaklandığını belirlemek zordur. Bu durum, beynin öğrenme mekanizmalarının, mevcut yapay zeka modellerinden çok daha farklı ve karmaşık olduğunu düşündürüyor.