Elon Musk’un Önerdiği Ai Raporu

✨ Bu İçeriği Yapay Zekâ ile Özetle

ChatGPT Perplexity Grok Gemini You.com

🧠 Yazının Kısaca Özeti:
Google DeepMind'ın talebi üzerine Epoch tarafından yayınlanan yeni rapor, hesaplama gücü, veri ve gelir gibi çeşitli açılardan detaylı bir analiz sunuyor.   Ana noktalar şu şekilde özetlenebilir:   Eğitim maliyetinin 100 milyar doları aşması bekleniyor;   Birkaç gigawatt (1 gigawatt = 1000 megawatt)

Google DeepMind’ın talebi üzerine Epoch tarafından yayınlanan yeni rapor, hesaplama gücü, veri ve gelir gibi çeşitli açılardan detaylı bir analiz sunuyor.

  Ana noktalar şu şekilde özetlenebilir:

•   Eğitim maliyetinin 100 milyar doları aşması bekleniyor;
•   Birkaç gigawatt (1 gigawatt = 1000 megawatt) elektrik tüketimi gerektirecek;
• Kamuya açık metin verilerinin 2027’de tükenmesi bekleniyor, sentetik veriler bu boşluğu dolduracak;
•   Yapay Zeka, bilim alanında kapsamlı atılımları tetikleme potansiyeline sahiptir.

Musk da bu konuyla yakından ilgileniyor ve doğrudan yorum yapıyor: “Kesinlikle.”

Aşağıda ayrıntılı olarak bakalım.

  Milyarlarca dolara mal oluyor

Rapora göre, Yapay Zeka mevcut eğilimlerini sürdürerek 2030 yılına kadar genişlemeye devam ederse, öncü Yapay Zeka hesaplama kümelerinin maliyeti 100 milyar doları aşacak.

Bu tür kümeler, yaklaşık 10^29 FLOP eğitim görevini destekleyebilir, bu da 2020 yılındaki dünyanın en büyük Yapay Zeka hesaplama kümesinin kesintisiz olarak üç bin yıl çalışmasına eşdeğerdir.

Bu arada, bu tür kümeler üzerinde eğitilen AI modellerinin hesaplama gücü tüketimi GPT-4’ün binlerce katına ulaşacak ve gereken elektrik gücü gigawatt seviyelerine çıkacak.

  Bu zorluklar göz korkutucu olsa da, aşılamaz değildir.

Eğer Yapay Zeka, üretkenliği artırarak karşılık gelen ekonomik getiriler sağlayabiliyorsa, bu durum yüz milyarlarca dolarlık ölçeklendirilmiş yatırımların haklı çıkarılması için yeterlidir ve bu yatırımlar karşılığını vermiş demektir.

  Ancak, bu eğilim gerçekten sürdürülebilir mi? Cevap kesinlikle evet.

Çünkü rapordan da görülebileceği gibi, gelişme hızının yavaşlayacağını düşünen görüşler aslında yeterli dayanaktan yoksundur.

  Ölçeklendirme ve gelir açısından

Bazı görüşler bu ölçeklendirmenin darboğazlarla karşılaşabileceğini öne sürse de, rapor, son dönemdeki Yapay Zeka modellerinin çeşitli kıyaslama testlerinde ve gelirlerde önemli ilerlemeler kaydettiğini belirtiyor.

Bu tür bir darboğaz ortaya çıkabilir, ancak şu ana kadar bunun gerçekleştiğine dair belirgin bir kanıt bulunmuyor.

Örneğin GPT-5 ve GPT-4, her ikisi de bir önceki nesil ürünlere kıyasla kıyaslama testlerinde önemli sıçramalar gerçekleştirdi.

Gelir açısından bakıldığında, 2024 yılının ikinci yarısında OpenAI, Anthropic ve Google DeepMind’ın gelir artışları %90’ın üzerinde gerçekleşerek, yıllık büyüme oranının üç katın üzerine çıktığı görülüyor.

OpenAI ve Anthropic’in gelir tahminlerine göre, her iki şirket de 2025 yılında üç katın üzerinde büyüme hızını koruyacak.

Veri açısından

  Veriler gerçekten tükenecek mi?

Rapora göre, şu anda kamuya açık olan yapay olarak üretilmiş metin miktarı en az 2027’ye kadar yeterli olacak.

Çıkarım modellerinin ortaya çıkmasıyla, sentetik veriler yalnızca büyük ölçekte üretilebilmekle kalmıyor, aynı zamanda etkililikleri de daha fazla doğrulanıyor.

Örneğin, AlphaZero ve AlphaProof yalnızca kendi kendine ürettiği verilerle satranç oynamayı ve geometri problemlerini çözmeyi öğrendi, performansları insan uzmanlarının seviyesine ulaştı hatta onu aştı.

Elektrik açısından

Şu anda elektrik çıkışını hızla artırmanın birçok yolu var, örneğin güneş enerjisi ile pil depolama sistemlerinin kombinasyonu veya şebekeden bağımsız doğal gaz santralleri.

Ayrıca, öncü AI eğitim görevleri artık birden fazla veri merkezinde coğrafi olarak dağıtılmış şekilde konuşlandırılıyor, bu da bazı baskıları hafifletecek.

Sermaye açısından

Bazıları, genişleme maliyetlerinin çok yüksek olması durumunda AI geliştiricilerinin yatırımlarını yavaşlatmayı tercih edebileceklerinden endişe ediyor.

Ancak, Epoch’un belirttiği gibi, AI geliştiricilerinin gelirleri son eğilimlere göre büyümeye devam ederse, bu büyüklük 2030 yılında tahmin edilen 100 milyar doların üzerindeki yatırım ihtiyacına denk gelebilir.

AI gelirlerinin yüz milyarlarca dolara ulaşması aşırı görünebilir, ancak AI çok sayıda iş görevinde verimliliği önemli ölçüde artırabilirse, potansiyel değeri trilyonlarca dolar seviyesine ulaşabilir.

  Algoritma açısından

 Bazı görüşlere göre, Yapay Zeka geliştirme süreci daha verimli algoritmalara yönelebilir.

Aslında, hesaplama gücünün sürekli artmasıyla birlikte algoritma verimliliği de sürekli olarak iyileşmektedir.

Şu anda algoritma ilerlemelerinin aniden hızlanacağını beklemek için özel bir neden yok, üstelik böyle bir durum ortaya çıksa bile, bu hesaplama gücü talebinin daha da artmasını tetikleyebilir.

Hesaplama gücü dağıtımı açısından

Bazıları, AI şirketlerinin eğitim için kullanılan hesaplama gücünü “çıkarım” aşamasına kaydırabileceğini öne sürüyor.

Ancak rapor, şu anda eğitim ve çıkarımın tükettiği hesaplama gücünün benzer ölçekte olduğunu ve ikisinin de paralel şekilde genişlemesi gerektiğini gösteren yeterli kanıtlar bulunduğunu belirtiyor.

Çıkarım görevlerine doğru bir kayma olsa bile, çıkarım ölçeğinin genişlemesinin eğitim alanındaki ilerlemeyi yavaşlatması pek olası değil.

Bu nedenle Epoch, mevcut eğilimleri 2030 yılına kadar dışa doğru yansıtmanın ikna edici olduğuna ve bunun AI’nın gelecekteki yetenek seviyelerini daha da tahmin etmelerini sağladığına inanıyor.

  Yapay Zeka, birçok alanda bilimsel araştırma ve geliştirmeyi hızlandıracak

Mevcut kıyaslama testlerindeki ilerlemeler, 2030 yılına kadar yapay zekanın doğal dil kullanarak karmaşık bilimsel yazılımlar geliştirebileceğini, matematikçilerin ispat taslaklarını formalize etmelerine yardımcı olabileceğini ve biyoloji planlarına ilişkin karmaşık soruları yanıtlayabileceğini gösteriyor.

Birçok bilim alanı, günümüz yazılım mühendislerinin programlama asistanlarına eşdeğer Yapay Zeka asistanlarına sahip olacak.

Epoch, 4 farklı alanda yapay zekanın giderek artan bilimsel araştırma yeteneklerini grafiklerle görsel olarak sergiliyor:

  yazılım mühendisliği

Rapora göre, mevcut eğilimler doğrultusunda, 2030 yılına kadar Yapay Zeka, sorunları bağımsız olarak onarabilecek, işlevleri gerçekleştirebilecek ve karmaşık (ancak iyi tanımlanmış) bilimsel programlama sorunlarını çözebilecek.

Yukarıdaki iki kıyaslama testi sırasıyla:

SWE-Bench-Verified: Gerçek GitHub sorunlarını çözmeye ve ilgili birim testlerine dayanan bir programlama kıyaslama testi olup, Claude Sonnet 4 gibi özel yöntemler kullanan modelleri de içerir.

RE-Bench: İnsanların tamamlaması yaklaşık 8 saat süren, iş başvurusu yapanların ev ödevlerine benzer görevlere dayanan bir araştırma mühendisliği kıyaslama testi.

 Matematik

AI’nın AIME, USAMO ve FrontierMath gibi yüksek zorluktaki matematik yarışmalarında da üstün performans sergilediği görülüyor.

Bu nedenle Epoch, AI’nın yakın zamanda araştırma asistanı olabileceğini, kanıt taslaklarını geliştirmeye veya matematiksel sezgilere yardımcı olabileceğini tahmin ediyor.

 Moleküler biyoloji

Rapor, protein-ligand etkileşimlerinin kamuya açık kıyaslama testlerinin (PoseBusters gibi) önümüzdeki birkaç yıl içinde atılım yapmasının beklendiğini belirtiyor.

Bu arada, biyolojik araştırma ve geliştirme alanında Yapay Zeka destekli masaüstü araştırma asistanları ortaya çıkmak üzere. Mevcut biyoloji deney protokolü soru-cevap kıyaslama testlerinin 2030 yılından önce tamamen çözülmesi bekleniyor.

Hava durumu

Şu anda, AI geleneksel tahmin yöntemlerini birkaç saatten birkaç haftaya kadar olan zaman dilimlerinde geride bırakabiliyor. Ancak veri miktarı arttıkça, tahmin yeteneğinin daha da gelişmesi bekleniyor.

Gelecekteki zorluk, mevcut tahminlerin doğruluğunu, özellikle nadir veya aşırı olayların tahminini daha da artırmak ve iyileştirilmiş tahminleri pratik senaryolara uygulayarak daha geniş sosyal ve ekonomik faydalar sağlamaktır.

Genel olarak, 2030 yılında Yapay Zeka muhtemelen her yerde olacak ve çalışma, öğrenme ve yaşamımızın her yönünü etkileyecek.

  Yani, gelecekte kazanmak mı istiyorsun? Önce yapay zekayı nasıl kullanacağını öğren.

 Referans bağlantısı:
[1]https://epoch.ai/blog/what-will-ai-look-like-in-2030
[2]https://x.com/elonmusk/status/1968323077315649853
[3]https://www.reddit.com/r/singularity/comments/1niqrsx/epochs_new_report_commissioned_by_google_deepmind/
[4]https://epoch.ai/files/AI_2030.pdf