Andrew Ng: Yapay zeka girişimleri hızla rekabet eder, kod önemli değildir

Bir girişimin başarısını veya başarısızlığını, yürütme hızı belirler

Daha hızlı nasıl olunur?

Spesifik olun

Elbette, yazılımınızı başkalarına yayınlamayı planlıyorsanız, güvenlik ve ölçeklenebilirliği göz önünde bulundurmalısınız. Ancak, erken hızlı test aşamasında bunları geçici olarak bir kenara bırakabilirsiniz.

Artık giderek daha fazla girişim “paralel prototipleme” yöntemini kullanıyor; yani hangisinin işe yaradığını bulmak için aynı anda 20 prototip üretiyor. Birçok kişi “yapay zeka tarafından geliştirilen POC (kavram kanıtı) projelerinin başlatılamayacağından” endişe ediyor, ancak POC üretmenin maliyeti yeterince düşükse, bu hiç sorun değil. Başarısızlıkla sonuçlanan birçok POC’yi karşılayabiliriz, yeter ki içlerinden biri başarılı olsun, bu bir başarıdır.

“Hızlı hareket et ve bir şeyleri kır” sloganı, “bir şeyleri kır” ifadesi nedeniyle itibar kaybına uğramıştır ve bu da bazı ekiplerin “hızlı hareket etmemeleri” gerektiğini düşünmelerine yol açmaktadır ki bu yanlıştır. Ben ekiplere “hızlı ve sorumlu bir şekilde hareket etmelerini” söylüyorum. Bu yapılabilir.

Ve işte çok ilginç bir olgu: En yeni araçlarla karşılaştırıldığında, sadece yarım nesil veya bir nesil geride olsanız bile, aradaki fark çok belirgin olacaktır.  Ekibimdeki mühendisler artık yazılımları üç veya altı ay öncesine göre çok farklı yazıyorlar.

Mantığa aykırı bir değişiklik daha var: Eskiden kodun kendisinin değerli bir varlık olduğunu düşünürdük çünkü yazılması çok zordu. Ancak şimdi, yazılım mühendisliğinin maliyeti giderek düştükçe, kodun kendisi daha az önemli hale geldi.  Örneğin, bazı ekiplerde, tüm kod tabanını ayda üç kez baştan aşağı değiştirip yeniden yazmak alışılmadık bir durum değil, çünkü tamamen yeniden yazmanın, veritabanı mimarisini değiştirmenin ve teknoloji yığınını yeniden seçmenin maliyeti çok daha düşük.

Bazı insanlar Bezos’un “iki kapılı” teorisini duymuş olabilir: Bazı kararlar tek yönlü kapılar gibidir ve teknik mimariyle ilgili erken kararlar gibi, bir kez girdikten sonra geri dönmek zordur; bazı kararlar ise çift yönlü kapılar gibidir ve doğru olmadıklarını fark ederseniz kolayca geri çekilebilirsiniz. Şimdi, bir teknoloji paketi seçmenin giderek çift yönlü bir kapıya benzediğini düşünüyorum. Abartmak istemiyorum ve tamamen devirip yeniden yapmanın hâlâ bir bedeli var, ancak ekibimde insanlar bir hafta sonra “Neden tüm kod tabanını atıp yeniden yazmıyoruz?” demeye giderek daha fazla alışıyor. Bu daha önce neredeyse hayal bile edilemezdi, ama artık norm haline geldi.

Daha düşük mühendislik maliyetlerinin yanı sıra, mühendisliğin kapsamının biraz ötesinde bir konudan bahsetmek istiyorum: Geçtiğimiz yıl internette birçok kişi, yapay zekanın otomatik olarak yazabileceğini söyleyerek insanlara programlama öğrenmemelerini tavsiye etti. Bence bu, tarihin en kötü kariyer tavsiyelerinden biri olabilir. Teknik araçlar ne kadar iyi olursa, o kadar çok insan program yazmayı öğrenmeli, daha az değil.

Bu durum tarihte de geçerlidir: delikli kartlardan klavyelere, assembly dillerinden üst düzey dillere. Örneğin, COBOL çıktığında birçok kişi “COBOL ile programcılar işlerini kaybedecek” demişti. Ama durum hiç de öyle değil. Dil ne kadar gelişmişse, o kadar çok insan öğrenir. Günümüzün IDE’leri, yapay zeka kodlama asistanları ve doğal dil kodlamasının hepsi aynı ilkeye dayanır: yazılım geliştirme basitleşti, bu yüzden daha fazla insan öğrenmeli.

Şahsen, ana akım olmasa da bir görüşüm var: Herhangi bir pozisyondaki insanlar biraz kod yazmayı öğrenmeli.  CFO, İK direktörü, işe alım müdürü ve resepsiyonist de dahil olmak üzere ekibimdeki herkes program yazmayı biliyor ve ilgili pozisyonlarında daha iyi performans gösterdiklerini açıkça hissedebiliyorum. Çoğu şirket henüz bunu yapmamış olsa da, gelecekteki trend şu olmalı: Daha fazla kişiye temel programlama becerileri kazandırın, böylece genel verimlilik daha yüksek olacaktır.

“Herkesin öğrenmesine izin vermenin” neden bu kadar anlamlı olduğunu anlatmak için küçük bir hikaye de eklemek istiyorum.

Coursera’da insanlara üretken yapay zeka projeleri yapmayı öğretiyoruz; örneğin arka plan görselleri oluşturmak için Midjourney’i kullanıyoruz. Bir meslektaşım sanat tarihi okumuş. Midjourney’e talimat verirken türü, renk tonunu, stil referansını ve diğer gereklilikleri açıkça yazabildi ve üretim etkisi özellikle iyiydi. Ben ise sanat tarihinden anlamadığım için sadece “Lütfen güzel bir robot çizmeme yardım edin” yazabiliyorum ve etki çok daha kötü oluyor.

Bu, gelecekte bilgisayarlarla başa çıkmada en önemli becerinin, ne istediğinizi açıkça ifade etmek ve bilgisayarın bunu başarmanıza yardımcı olmasına izin vermek olduğunu anlamamı sağladı. İster kodu kendiniz yazın, ister yapay zekaya sizin için yazması talimatını verin, bu beceriye hakim olmak çok önemlidir.

Daha hızlı yazılım mühendisliği verimliliği konusuna geri dönersek, bir diğer belirgin değişiklik de  ürün yönetimi aracılığıyla kullanıcı geri bildirimi almanın ve ardından hangi özelliklerin geliştirileceğine karar vermenin giderek daha fazla darboğaz haline gelmesidir.

Son dört beş yıldır Silikon Vadisi’nde bazı yazılı olmayan “insan verimliliği oranı” kuralları vardı: örneğin, bir ürün müdürü dört mühendise, yani 1:7’ye denk geliyor. Her ne kadar bu sadece bir referans olsa da, mühendislerin araştırma ve geliştirme hızı çok arttı ve ürün tasarımının hızı buna hiç yetişemiyor. Dün bile bir ekip yanıma gelip bir ürün müdürüne 0,5 mühendis atanması gerektiğini, yani ürün müdürü sayısının mühendis sayısının iki katı olması gerektiğini söyledi. Böyle bir öneriyi ilk kez duyuyorum. Bunun iyi bir fikir olup olmadığını tam olarak düşünmedim ama en azından böyle bir değişim eğiliminin zaten var olduğunu gösteriyor. Şimdi ise, ürün odaklı düşünen mühendisler ve kod yazabilen ürün müdürleri çoğu zaman daha avantajlı.

Mühendislik hızı artırıldıktan sonra, bir diğer önemli nokta da ürün geri bildiriminin nasıl hızlı bir şekilde alınacağıdır. En hızlı ancak daha az hassas olanlardan, daha yavaş ancak daha hassas yöntemlere kadar bir dizi birleşik yöntemi özetledim.

En hızlı yol, ürünü kendiniz inceleyip sezgisel olarak değerlendirmektir. Uzman biriyseniz, bu aslında çok faydalıdır. Daha yavaş bir yol, arkadaşlarınızdan ve meslektaşlarınızdan ürünü denemelerini ve geri bildirim almalarını istemektir. Daha da yavaş bir yol, 10 yabancı bulmaktır. Benim bu konuda özel bir deneyimim var. Çok erken yaşta bir kafeye veya otel lobisine gidip insanlardan ürünü denemelerini ve fikirlerini sormalarını istemeyi öğrendim. Elbette, başkalarına karşı çok kibar ve saygılı olmalıyım. Bunun gerçek etkisi çok iyi. Özellikle seyahat ederken, otel lobisinde yoğun trafiğe sahip bir alanda otururken ve yabancılardan ürünü incelemelerine yardım etmelerini istediğimde, ürün kararlarımın çoğu bu şekilde veriliyor. Bazen bu aslında sosyal bir fırsat ve birçok insan bu şekilde “rahatsız edilmeye” razı oluyor.

Bir sonraki adım, prototipi test için 100 kullanıcıya göndermek veya A/B testi yapmak. A/B testi elbette önemli ve ben de çok yapıyorum, ancak dürüst olmak gerekirse, şu anda en yavaş geri bildirim yöntemi bu. Özellikle ürün henüz büyük ölçekte piyasaya sürülmemişse, veri toplamak nispeten yavaş.

Ayrıca, herkese A/B testinin anlamının sadece “A veya B’yi seçmek” olmadığını hatırlatmak istiyorum. Ekibim A/B testi yaptığında, oturup verileri analiz etmek ve yargımızı kalibre etmek için zaman ayıracağız. Örneğin, başlangıçta A ürününün adının B’den daha iyi olacağını düşünmüştüm, ancak veriler bana tam tersini söyledi, bu da kullanıcı algımın önyargılı olduğu anlamına geliyor. Bu noktada, bir dahaki sefere sezgiye dayalı daha doğru kararlar alabilmek için kuralları ciddi şekilde düşünmeli ve özetlemeliyiz.

Özetle, asıl mesele fikirleri daha somut, projeleri daha hızlı ve ürün geri bildirimlerini daha hızlı hale getirmektir. Bu bağlantılar iyi yapılırsa, tüm girişimin hızı büyük ölçüde artırılabilir.

Son olarak şunu söylemek istiyorum: Yapay zekayı gerçekten anlamak, işleri daha hızlı yapmanıza yardımcı olabilir. Bunu neden söylüyorum? Belki de yapay zeka alanında çalıştığım için yapay zekaya karşı biraz önyargılıyım, ama bu prensibi herkese açıklamak istiyorum.

Akıllı telefonları yıllardır kullanıyoruz ve mobil uygulamaların neler yapabileceğini temel olarak biliyoruz. Teknolojiden anlamayanlar bile uygulamaların yetenekleri hakkında nispeten doğru bir sezgiye sahip. Örneğin, satış, pazarlama, İK ve hukuk işleri gibi pozisyonlar elbette önemli ve kolay değil, ancak sektör olgunlaştığı ve çok sayıda çalışan olduğu için, herkesin özetlediği yöntemler bir iki yıl içinde pek değişmeyecek, bu yüzden sektörde bu konuyu anlayan birçok kişi var ve bilgi nispeten popüler.

Ancak yapay zeka farklıdır. yapay zeka yeni bir teknoloji ve pek çok kişi onu nasıl kullanacağını bilmiyor. Bir ekip yapay zekayı gerçekten anlıyorsa, anlamayan bir ekibe göre avantajlı olacaktır. Bir İK sorununuz varsa, muhtemelen çevrenizde onu çözecek birini bulabilirsiniz, ancak  doğru kararı verirseniz yapay zeka ile ilgili sorunlar birkaç gün içinde çözülebilir, ancak yanlış karar verirseniz üç aylık emeğinizi boşa harcamış olabilirsiniz.

Örneğin, bir müşteri hizmetleri robotu yapmak istiyorsanız, doğruluk oranı ne olmalıdır? Doğrudan komut mu yoksa ince ayarlı mı olmalı? Ses tanımada düşük gecikme nasıl sağlanır? Bu teknik kararlar doğru verilirse, birkaç gün içinde tamamlanabilir. Yanlış verilirse, çıkmaz bir yola girebilirsiniz.

Ben de biraz şaşırdım: Yüzeysel olarak, iki mimari çözüm arasında seçim yapmak sadece iki kat daha yavaş gibi görünse de, aslında on kat daha yavaş olabilir. Yanlış yolu seçersem, sadece deneme yanılma süreci yarım yıldan fazla sürecektir. Dolayısıyla, teknik değerlendirmenin doğru olup olmadığı genel hızı doğrudan etkiler.

Yapay zekanın gelişimine dikkat etmeye devam etmenin özellikle önemli olduğunu düşündüğüm bir başka neden daha var: Son iki yılda, birbiri ardına çeşitli yeni yapay zeka araçları ve yeni temel yetenekler ortaya çıktı. Örneğin, yönlendirme, Agentic iş akışı, Evals değerlendirme araçları, Guardrails, RAG, ses, eşzamansız API, ETL, yerleştirme, ince ayar, grafik veritabanı, DP gizlilik koruması, görsel çok modlu entegrasyon… Bu temel yetenekler artık bir iki yıl önce yapılamayan ürünler oluşturmak için hızla bir araya getirilebiliyor.

Birçok yeni fırsat, tamamen yeni bir şey yaratmaktan değil, bu yeni “yapı taşlarını” bir araya getirmekten gelir.  Ustalaştığınız her yeni yetenekle, kombinasyon olasılıkları katlanarak artar.

Daha açık bir şekilde ifade etmek gerekirse, sadece bir yapay zeka yeteneğini, örneğin komut istemini biliyorsanız, bazı şeyleri yapabilen tek bir beyaz yapı taşınız olur; ancak bir sohbet robotu geliştirmeyi öğrenirseniz, bu bir siyah yapı taşı daha edinmekle eşdeğerdir ve daha fazla şey geliştirebilirsiniz; RAG geliştirmeyi öğrenirseniz, bir mavi yapı taşınız daha olur; ses geliştirmeyi öğrenirseniz, bir kırmızı yapı taşınız daha olur. “Yapı taşlarınız” arttıkça, geliştirebileceğiniz ürün kombinasyonları da katlanarak artacaktır.

DeepLearning.AI için her ders kataloğu hazırladığımda, bir sürü yeni “yapı taşı” görüyorum. Bunlarda ustalaşmak, kendiniz için yeni kombinasyon olasılıklarını artırmanızı ve daha önce imkansız olan yazılımlar üretmenizi sağlar. Ekibimiz ayrıca, bu “yapı taşlarını” sürekli olarak doldurmak için dünya çapında birçok yapay zeka şirketiyle sık sık iş birliği yapmaktadır.

Son olarak, özetleyeyim: Girişimcilik elbette sadece hızla ilgili değil, ancak AI Fund’da ekibin uygulama hızının başarı olasılığıyla yüksek oranda ilişkili olduğunu görüyoruz. Daha hızlı olmak için öncelikle çok soyut olmayan, spesifik fikirlere sahip olmanız; ikinci olarak, mühendisliği hızlandırmak için yapay zeka kodlama asistanlarından yararlanmanız; üçüncü olarak, ürün geri bildirimlerini takip etmeniz, piyasayı doğrulamadan kod yazmamanız gerekiyor. Daha önce de belirttiğim gibi, ürünler hakkında konuşmak için yabancılarla buluşmak üzere kafelere ve otel lobilerine gitmeyi öğrenmeniz de buna dahil. Kulağa zor gelse de, girişimciler için gerçekten değerli. Ayrıca, yapay zeka teknolojisine karşı her zaman duyarlı olun ve bu konuda bilgi edinin.

Andrew Ng:  Bence yapay zeka (YZ) fazla abartılıyor. Uzun bir süre boyunca, insanların yapabileceği ama yapay zekanın yapamayacağı birçok şey olacak. Bence gelecekteki en yetenekli insanlar, bilgisayarların istedikleri gibi hareket etmesini sağlayabilenler olacak. Bazılarımız araçlar geliştirecek, ancak başkaları tarafından yapılmış ve nasıl kullanılacağını öğrenmemiz gereken birçok araç da var. Gerçekten güçlü olanlar, yapay zekayı kullanarak bilgisayarların kendileri için nasıl çalışacağını bilenlerdir ve “insanların hiçbir şey yapmaması” konusunda endişelenmeye gerek yok, ancak yapay zekayı nasıl kullanacağını bilmeyenler, bilenlerden çok daha zayıf olacaklar.

Andrew Ng:  Bu soru aslında AGI abartısıyla ilgili. İnsanların neyin abartı neyin abartı olmadığını anlamalarına yardımcı olacak basit bir çerçeve olabileceğini düşünüyorum.

Son iki yılda bazı şirketler, pazarlama, finansman ve etki yaratma amacıyla bazı iddiaları kasıtlı olarak abarttı. yapay zeka yeni olduğu için dış dünya bunu anlamıyor ve çoğu durumda kimse kontrol etmedi. Bu abartının bir kısmı, bu şirketleri daha güçlü göstermek için.

Örneğin, “yapay zeka o kadar güçlü ki insanlığın yok olmasına yol açabilir” ifadesi tamamen saçmalıktır, ancak bazı şirketlerin fon toplamasına yardımcı olmak için yaygın olarak duyurulmuştur; “yapay zeka çok güçlü ve gelecekte herkes işsiz kalacak” – bu da doğru değil, ancak abartılmıştır; ve “Şirketimiz tek seferde binlerce girişimi yok edebilecek yeni bir model geliştirdi” de gerçekçi değildir. Jasper gibi bazı şirketler gerçekten zorluklarla karşılaşmıştır, ancak bu o kadar da abartılı değildir; ve “yapay zeka çok fazla elektrik gerektirir ve onu yalnızca nükleer enerji destekleyebilir, rüzgar ve güneş enerjisi değil” – bu da doğru değildir.

GPU’ların uzaya gideceği iddialarının da bir aldatmaca olduğunu düşünüyorum. Dünya’da GPU’ların kullanılması için hâlâ çok yer var. Abartılı anlatıların çoğu aslında gerçekliğin çarpıtılmış hali.

Andrew Ng:  Bence en büyük tehlike yapay zekayı gereğinden fazla mitolojikleştirmek. yapay zeka, tıpkı elektrik gibi gerçekten de çok iyi bir araç: Birçok faydalı kullanımı var, ancak zararlı senaryolarda da kullanılabilir.

“yapay zeka güvenliği” terimini sık sık kullanmıyorum; riskleri umursamadığım için değil, “güvenliğin” teknolojinin kendisine ait bir özellik olmadığını, nasıl kullanıldığına bağlı olduğunu düşündüğüm için. Tıpkı bir elektrik motoru gibi, başkalarının onu kötü şeyler yapmak için, örneğin silah yapmak için kullanmayacağının garantisi yok. Güvenlik motora değil, nasıl kullanıldığına bağlıdır. Aynı şey yapay zeka için de geçerli. Kendi başına ne güvenli ne de tehlikelidir, ancak insanların onu nasıl kullandığına bağlıdır.

Bu nedenle sık sık “sorumlu yapay zeka”dan bahsediyorum. Önemli olan onu nasıl sorumlu bir şekilde kullandığımızdır. Örneğin, geçen gün Wall Street Journal, kontrolden çıkmış yapay zeka hakkında bir makale yazdı. Okudum ve bunun laboratuvardaki aşırı bir durumun sansasyonel bir abartısı olduğunu düşündüm. yapay zeka teknolojisi çok yeni ve birçok kişi anlamıyor. Bu konular kolayca abartılabilir ve hatta açık kaynaklı yazılımlara saldırmak için bile kullanılabilir ki bu üzücü.

Andrew Ng:  Bir işe başlarken göz önünde bulundurulması gereken birçok şey var, ancak en önemlisi şu: Kullanıcıların gerçekten beğeneceği bir ürün ürettiniz mi? Birçok kişi kanalları, rakipleri ve teknik zorlukları düşünecektir. Bunlar elbette önemli, ancak tek bir şeye odaklanabiliyorsanız, o da şu olmalı: Kullanıcıların ürününüze gerçekten ihtiyacı var mı?

Bu sorunu çözdüğünüzde, müşteri edinme yöntemleri, fiyatlandırma, hendek nedir gibi diğer konular da önemli hale gelecektir. Şahsen “hendek” kavramının biraz abartıldığını düşünüyorum. Birçok şirket ürünlerle başladı ve hendek daha sonraki aşamada doğal olarak oluştu. Tüketici ürünleri markalara, kurumsal hizmetler ise kanallara dayanır. Ancak son tahlilde, odak noktası hâlâ kullanıcıların öncelikle kullanmaktan keyif alacağı bir şey yaratmaktır. Dahası, bu aşamada, yetenekli insanlardan çok daha fazla fırsat var. Özellikle uygulama katmanında çok fazla boşluk var ve henüz birçok yeni şey yapılmadı. Bu yüzden herkesin kullanıcıların gerçekten istediği ürünler üretmeye odaklanmasını ve diğer konuların bu ürünler üretilirken çözülebileceğini düşünüyorum.

Andrew Ng:  Size basit bir öneri vereyim: Birçok geliştirici token maliyetleri konusunda aşırı endişeli, ancak aslında çoğu girişim henüz bu seviyede değil. Yüksek token maliyetlerinden gerçekten etkilenenler, çok sayıda ürün kullanıcısına sahip az sayıdaki ekip.

Bazı ürünlerin çok sayıda kullanıcıya sahip olması nedeniyle faturalarının hızla arttığına da rastladık, ancak çoğu ekip henüz bu aşamaya ulaşmadı. Eğer gerçekten bu aşamaya ulaşırsa, maliyetleri düşürmenin birçok yolu var; örneğin, hızlı optimizasyon, ince ayar, sistem mimarisi optimizasyonu vb. Artık birçok Agentic iş akışı gerçekten de birçok adımı entegre ediyor. Örneğin, müşteri hizmetleri robotları genellikle hızlı komutlar, DSP optimizasyonu, RAG alma, Guardrails vb. kullanıyor, bu yüzden bunların giderek daha karmaşık bir şekilde bir araya getirildiğini görüyorum.

Sık sık yaptığım şeylerden biri, sistem mimarisini daha esnek hale getirerek farklı temel modellerin her an değiştirilebilmesini sağlamak. Birçok ürünümüz var ve bunların arkasında hangi büyük modellerin kullanıldığını anlayamayabilirim çünkü mühendislik ekibi her hafta değerlendirmeler yapıyor ve yeni bir model daha iyiyse, bana bildirmeden ona geçiyorlar.

Temel modelin geçiş maliyeti aslında yüksek değil ve platform katmanındaki geçiş biraz daha zahmetli, ancak genel olarak mimari esnek bir şekilde tasarlandığı sürece, ne kadar çok katman üst üste dizilirse hız o kadar yüksek olabiliyor.

Andrew Ng:  Herkes eğitim sektörünün değiştiğini hissediyor, ancak gerçek anlamda büyük ölçekli bir değişimin zamanının geldiğini düşünmüyorum. Şu anda daha çok çeşitli araştırmalar yapılıyor. Coursera’nın Coursera Coach’u iyi sonuçlar veriyor; DeepLearning.AI da yapay zeka öğretimiyle ilgili konularda çalışıyor; sesli öğrenme alanında Duolingo’nun nispeten olgun bir yaklaşımı var, ancak tüm eğitim sektörü henüz kesinleşmedi.

Gelecekte eğitimin son derece kişiselleştirileceğine inanıyorum, ancak bunun bir ChatBot Avatarı mı yoksa başka bir şey mi olacağı henüz tam olarak belli değil. Birkaç yıl önceki yapay zeka (YGZ) fantezisi çok abartılı. Aslında eğitim çok karmaşık ve öğretmen ve öğrencilerin çeşitli süreçleri iç içe geçmiş durumda. Önümüzdeki 10 yıl içinde yapmamız gereken şey, bu iş akışlarını keşfetmeye ve aracı iş akışlarıyla birleştirmeye devam etmek. Hâlâ keşif aşamasındayız, ancak yön belli.

Andrew Ng:  Ne düşündüğünüze bağlı. Bir ürünün insanları daha iyi hale getirmeyeceğini gerçekten düşünüyorsanız, yapmayın. Kulağa basit geliyor ama aslında çok zor. AI Fund, para kazanıp kazanmadıkları için değil, bu tarz şeylerin var olmaması gerektiğini düşündükleri için bazı projeleri durdurdu.

Aynı zamanda, daha fazla kişinin yapay zeka konusunda uzmanlaşmasının da önemli olduğunu düşünüyorum. Örneğin, pazarlama departmanımızdaki meslektaşlarımız kod yazabiliyor ve verimlilikleri, kod yazamayanlara göre çok daha yüksek. Yapay zekayı anlaması gerekenler sadece mühendisler değil, yapay zeka sayesinde her pozisyon daha verimli olacak. Bu nedenle, daha fazla insanı sürece dahil etmemiz gerekiyor.

Andrew Ng:  Bence bu bilgi yavaş yayılacak. Bunun üzerinde çalışıyoruz, ancak iki risk görüyorum: Birincisi, yeterince hızlı yaygınlaştırılmazsa, mobil telefon sektöründe Android ve iOS gibi iki süper platforma benzer bir model oluşturabilir ve inovasyon kısıtlanabilir; ikincisi, bazı insanlar yapay zekanın tehlikelerini kasıtlı olarak abartıyor ve açık kaynak kodlu yazılımlara karşı sert önlemler alıp düzenlemeleri teşvik etme fırsatını değerlendiriyor. Bu durum zaten yaşandı, örneğin Kaliforniya’daki SP1047 yasa tasarısı neyse ki engellendi.

Bazı şirketlerin ve düzenleyicilerin söyledikleri kesinlikle doğru değil; sadece yapay zeka büyük modelleri hakkında söz sahibi olmak istiyorlar. Bu yasa tasarısı gerçekten kabul edilirse, gelecekte yalnızca birkaç şirket büyük modeller yayınlamaya hak kazanabilir ve diğer girişimler bunu hiç yapamayabilir.

Bu nedenle, açık kaynak kodlu yazılımları korumak hâlâ önemli. Geçmişte bazı zaferler kazandık, ancak mücadele hala devam ediyor. yapay zeka bilgisi ve yetenekleri ancak açık kaynak kodlu yazılımları koruyarak herkese gerçek anlamda yayılabilir.