Decitron: Dünyanın İlk Genel Karar Verme Yapay Zekâ Modeli Yayınlandı

Oluşturma, AI'nın temel bir yeteneği haline gelirken, gerçek dünyayı tahmin etmek, sonraki aşamanın daha zor bir sorunu.

Gerçek kararlar statik bir soru-cevap değildir. Sürekli değişen, çoklu aktörlerin aynı anda harekete geçtiği, bilgi eksikliği ve belirsizlikle dolu bir dünyada gerçekleşir.

Örneğin, yeni bir açık kaynak model aniden maliyetleri düşürürse, öncü model şirketleri fiyat indirimi yapacak mı? Bulut sağlayıcılar, geliştiriciler ve uygulama şirketleri nasıl yeniden pozisyon alacak? Bu tür kararlar, bir tarafın eylemi diğer tarafların sonraki adımlarını etkileyerek koşulları değiştirir; yeni tepkiler durumu sürekli yeniden yazar. Tüm oyuncuların aynı anda hamle yaptığı bir satranç oyunu gibidir; her hamle, oyunun durumunu değiştirir.

Bu bağlamda, Zhongke Wenge'nin Decitron karar modeli (kısaltılmış hali: karar modeli) piyasaya sürülünce, birçok ana akım teknoloji medyası tarafından "dünyanın ilk genel karar büyük modeli" olarak tanımlandı. Bu tanımlama, dünya modeli, çoklu akıllı sistemler veya oyun teorisi çözümleri gibi tek bir teknolojinin ilk kez ortaya çıkışı değil, karar modelinin bu yetenekleri açık bir dünyaya yönelik bir karar çerçevesinde bir araya getirerek sürekli modelleme, simülasyon, çözüm ve ayarlama döngüsünü tamamlamasıdır.

“Genel” ifadesi, farklı alanlardaki karmaşık karar verme problemlerini ortak bir yapıya — dünya durumu, katılımcılar, eylem uzayı, kısıtlama ilişkileri, çok aşamalı etkileşim ve belirsiz sonuçlar — soyutlamayı amaçlar ve aynı çerçeve içinde sürekli olarak çıkarım yapar ve çözer.

Teknik rapor adresi: https://chinaxiv.org/abs/202608.00064

3 Ağustos'ta, Decitron Karar Makinesi'nin tam teknik raporu resmen yayınlandı ve ilk kez üç temel teknolojik katkısı açıklandı:

Birincisi, çok kaynaklı bilgileri yapılandırılmış, kalıcı ve hesaplanabilir bir dünya durumu ve neden-sonuç modellemesine dönüştüren açık dünya modeli MetaWorld'u önermek; ikincisi, State–Action–Outcome (SAO) formel temsili kullanarak karmaşık kararları hesaplanabilir ifadeler ve çıkarım biçimlerine dönüştürmek; üçüncüsü, çoklu ajan simülasyonunu, oyun teorisi çıkarımını ve formel optimizasyonu birleştiren karışık çıkarım mimarisi AutoABM'yi oluşturmak ve bu çoklu ajan karar verme sistemi aracılığıyla oyun dengesi, strateji planlama ve kısıt karşılaması gibi karmaşık karar problemlerini çözmek. Üçü birlikte, AI sistemlerinin tek seferlik yargılarını, dünyanın değişimiyle sürekli güncellenen bir hesaplama ve çıkarım sürecine dönüştürmeyi hedefleyen bir karar makinesinin teknik temelini oluşturur.

Şu anda, «Karar Senaryoları» etrafında AI'nın ihtiyaç duyduğu birkaç kritik yetenek (dünya modeli, çok ajan, oyun teorisi çıkarımı, olasılık tahmini) sırayla ortaya çıkmıştır. Gerçek zorluk, AI'nın kapalı görevlerden açık gerçek dünyaya geçtiğinde, bu yeteneklerin birbirinden bağımsız analizler sunmak yerine, aynı, sürekli güncellenen dünya durumu etrafında birlikte çalışmasıdır.

Öncelikle dünya modeline bakın. World Model terimi duyulduğunda, insanlar genellikle Sora, World Labs, V-JEPA gibi görsel, mekânsal, fiziksel veya robotik ortamlara odaklanan fiziksel dünya modellerini akla getirir. Ancak Karar Makinesi'nin sunduğu MetaWorld, daha karmaşık karar verme senaryolarına odaklanır: ekonomi, politika, şirketler arası rekabet, coğrafi politika gibi açık sistemler; bu sistemlerin modellenmesi, daha karmaşık katılımcılar, değişkenler, ilişkiler ve kısıtlamaları içerir.

MetaWorld, dünya modelinin toplumsal sistemlere bir uzantısı olarak görülebilir ve üç tür zorlu sorunla uğraşmalıdır: kurallar arasındaki farklılıklar, yansıma (nedensellik arasında ikili etkileşim ve döngüsel etkiler) ve tamamen ortadan kaldırılamayan belirsizlik. Bu, doğrudan bir sorunu da beraberinde getirir: mevcut dünyanın değerlendirilmesinde bir sapma olursa, sonraki çıkarımlar da sapmaya uğrayacak mı?

Sosyal sisteme girildiğinde, yalnızca ortam durumunu korumak yeterli değildir; AI, diğer katılımcıların ne yapacağını da değerlendirmelidir. Meta'nın CICERO ve Pekin Üniversitesi gibi takımları tarafından önerilen Richelieu, sınırlı bilgi altında birden fazla Ajanın etkileşimde bulunma ve oyun oynama yeteneğini göstermiştir; açık dünyada gerçek kararlar için, tüm tarafların eylemleri simüle edildikten sonra, stratejinin uygun olup olmadığı, oyunun hangi dengelere ulaşabileceği ve farklı gelecek senaryolarının olasılıkları ve koşulları da değerlendirilmelidir.

Karar makinesinin anlamı tam olarak burada: Karışık çıkarım mimarisi AutoABM, LLM'nin semantik anlama, SAO yapısal temsili, çok ajanlı modelleme ve simülasyon, stratejik çıkarım ve optimizasyonu aynı uygulama zincirinde birleştirerek “dünyayı anlama — simülasyon yapma — çözüm üretme — geleceği değerlendirme” dört aşamasını birbirine bağlar.

Karar makinesi, girdi ve görev, veri ve bilgi, modelleme ve formüle etme, simülasyon ve çıkarım, tahmin ve kalibrasyon, raporlama ve açıklama olmak üzere altı katmandan oluşur ve gerçek bilgiden karar çıktısına kadar tam bir zincir oluşturur.

Sonrasında, "Gelecek altı ayda, karmaşık bir ticaret çatışması nasıl gelişebilir?" örneğini kullanarak, karar makinesinin gerçek bilgilerden yola çıkarak mevcut dünya durumunu nasıl kurduğu, tarafların eylemlerini nasıl simüle ettiği, olası gelecek senaryoları nasıl öngördüğü ve bu senaryoların hangi koşullarda gerçekleşeceği incelenecektir.

Adım 1: Geleceği önceden tahmin etmek yerine, önce «şu anda ne oluyor» ve hangi gerçeklerin güvenilir olduğuna dair netlik kazanın.

Gerçek dünya bilgileri karmaşık olabilir, tekrarlı veya birbirleriyle çelişkili olabilir ve eski kalabilir. Karar makinesi, kullanıcı sorusunu yapılandırılmış bir görev haline getirerek, ne cevaplanacağı, hangi konuların dahil edileceği, ne kadar süre gözleneceği ve hangi kısıtlamaların bulunduğu netleştirir. Örnek durumda, sistem önce bu çatışmada yer alan ana tarafları, zaman aralığını ve mevcut tartışmanın odak noktalarını belirler, gümrük tarifeleri, tedarik zinciri, endüstri politikaları ve şirket davranışları gibi durum değişikliklerini etkileyebilecek unsurları sıralar, ardından bu unsurlar etrafında haber raporları, sosyal medya ve araştırma raporları gibi farklı kaynaklardan bilgi toplar.

Şekil 2: Veri işleme akış şeması

Toplanan bilgiler, tekrarlar kaldırılır, kümelenir ve olay çıkarımı yapılarak olay zaman çizelgesi ve daha ayrıntılı kanıt birimleri kümesine dönüştürülür. Daha sonra sistem, her bir kanıtı Evidence Quality Score (EQS) ile değerlendirir; bu değerlendirme, mevcut soruyla ilgililiği, kaynak güvenilirliği, içerik güncelliği ve bütünlüğü ile farklı kaynaklar arasındaki tutarlılığı içerir. Aynı zamanda kanıtların güven düzeyine göre yönlendirilmeleri belirlenir; yüksek güven düzeyine sahip olanlar doğrudan sonraki senaryo aşamasına yönlendirilir.

Mevcut kanıtlar yetersizse veya farklı kaynaklar arasında çelişki varsa, sistem ReAct temelli alternatif akıl yürütme ve arama işlemini sürdürür, mevcut eksik bilgilere göre bir sonraki aramayı ayarlar ve yeni bulunan bilgileri mevcut zaman çizelgesine ekler.

Şekil 3: ReAct tabanlı akıl yürütme ve arama alternatif mekanizması kullanılarak

İkinci adım, filtrelenen gerçekleri sürekli güncellenen bir “dünya durumu”na dönüştürmek. Gerçekler, sisteme ne olduğunu söylüyor; ardından bu değişikliklerin bir araya gelmesiyle şu anki dünyanın tam olarak hangi durumda olduğunu belirlemek gerekir.

Karar makinesi, State–Action–Outcome (SAO) temsiliyle bu süreci formelleştirir; burada State mevcut dünya durumunu tanımlar, Action her bir Agent'in bu durumda aldığı eylemleri kaydeder, Outcome ise bu eylemlerin getirdiği kazançları, kayıpları, maliyetleri ve riskleri kaydeder. Dikkat edilmesi gereken nokta, State'in makro durum ile daha detaylı, nicelendirilebilir durumları ayırt etmesidir. Örneğin, sürtüşmenin artması makro bir durum olabilirken, gümrük tarifeleri, mal fiyatları ve tedarik zinciri üzerindeki etki düzeyi gibi unsurlar daha detaylı durum kayıtlarına dahil edilebilir.

Ayrıca sistem, politika değişiklikleri, çevre değişiklikleri veya Agent tarafından kontrol edilemeyen diğer olaylar gibi dışsal şokları da ayrı olarak dikkate alır. Bir eylem ve dış olay gerçekleştikten sonra dünya durumu güncellenir. Güncellenmiş durum, bir sonraki eylem döngüsünün başlangıcı olur. Bu döngü, sürekli bir SAO izi oluşturur.

Şekil 4: SAO Çalışma Süreci

Bu durumları gerçek şekilde yönetmek MetaWorld'ün görevidir ve hesaplanabilir ve güncellenebilir bir yapılandırılmış dünya durumu üretir. Durum, üç seviyeye ayrılabilir: Environment Layer, tüm katılımcıların paylaştığı genel ortamı, örneğin durum aşamasını ve kaynak fiyatlarını kaydeder; Agent Metrics Layer, her bir Agent'in kaynaklarını, yeteneklerini ve hedef ilerlemesini kaydeder; Relationship Matrix Layer, farklı Agent'ler arasındaki ilişkilerdeki değişiklikleri kaydeder.

MetaWorld, durumların nasıl değişeceğini belirlemek için neden-sonuç DAG'sini (Neden-Sonuç Yönlü Döngüsüz Graf) kullanır: değişkenler arasındaki olası etkiler, modelleme aşamasında neden-sonuç grafiğine dahil edilir. Çıkarım sürecinde, sistem düğüm durumlarını ve neden-sonuç kenarlarının ağırlıklarını günceller, ancak her turda yeni bir neden-sonuç grafiği oluşturmaz.

Bu, uzun vadeli senaryo analizi için çok önemlidir. Önceki turdaki gümrük vergisi değişiklikleri fiyatları etkiler, fiyatlar da şirket seçimlerini ve diğer katılımcıların tepkilerini değiştirir; bu değişiklikler, ilerlemeye devam edebilmek için korunmalıdır. MetaWorld, bu sürekli güncellenen “dünya defterini” üstlenir.

Üçüncü adım, dünya durumu elde edildikten sonra her bir Agent harekete geçer. Geleneksel Agent-Based Modeling (ABM), genellikle katılımcıları, davranış kurallarını, çevre değişkenlerini ve etkileşim mekanizmalarını uzmanların önceden tanımlamasını gerektirir. Soru değiştirildiğinde, birçok şey yeniden modellenmelidir. Karar makinesi tarafından önerilen AutoABM, bu adımı otomatikleştirir: Doğal dil sorularına karşı sistem, dış kanıtları birleştirerek katılımcıları, hedefleri ve kısıtları, eylem alanını, çevre değişkenlerini ve neden-sonuç ilişkilerini çıkarır ve bu bilgilere göre çoklu ajan simülasyon ortamı oluşturur.

Bir ticaret çatışmasında aynı anda hükümet, şirketler, endüstri organizasyonları, tüketiciler gibi farklı aktörler bulunabilir; her biri kendi hedeflerine, kaynaklarına, risk tercihlerine ve aşılmaz kırmızı çizgilere sahiptir. Bu aktörler, kendi elindeki kısmi bilgilerle hareket ederler ve kutsal bir bakış açılarına sahip değildir.

Bir eylem döngüsüne özgü olarak, Agent önceki etkileşimleri ve geçmiş izlerini çağırır, mevcut durumdaki fırsatları, riskleri ve kısıtlamaları değerlendirir, birkaç alternatif strateji oluşturur ve birini seçer. Her döngüde yalnızca bir yöne doğru ilerlenmez; sistem aynı anda farklı dünya durumlarını eş zamanlı olarak geliştirir: nispeten kararlı denge yolları, daha iyimser veya kötümser gelişim yönleri ve düşük olasılıklı ancak ortaya çıktığında durumu belirgin şekilde değiştiren yüksek etkili dallar. Ardından bu yollar filtrelenir ve doğrulanır, dünya durumu güncellenir ve bir sonraki döngüye geçilir. Taraflar eylemlerini sürdürdükçe bazı yolların geçerlilik koşulları kaybolur, diğer yollar ise daha olası hale gelir.

Şekil 5: Agent Davranış Paradigması

Çoklu ajan simülasyonunun dışında, karmaşık kararlar bir “matematiksel hakem” gerektirir. Çoklu ajanlar birçok görünüşte mantıklı gelecek yolunu ortaya çıkarabilir, ancak düşünmek yapabilmek anlamına gelmez; gerçek kararlar bütçe, kaynak, zaman, politika sınırı ve taraflar arasındaki denge gibi sert kısıtlamalara tabidir.

Karar makinesi, klasik oyun teorisi, kaynak tahsisi ve optimizasyonu, yol planlama ve çizelgeleme, belirsizlik altındaki olasılıksal çıkarım ve kısıt tatmini olmak üzere beş tür formel çözücü yeteneği entegre etmiştir. Örneğin, bütçe sınırlıysa kaynaklar nasıl dağıtılmalı, çok taraflı oyunlar hangi denge noktalarını oluşturabilir, bir stratejinin önceden belirlenmiş sınırı aşıp aşmadığı gibi sorular bu katmanda hesaplanabilir. Oyun teorisi konusunda sistem, mahkûm ikilemi, geyik avı oyunu, korkak oyunu, sıfır toplamlı oyun gibi 9 tane klasik atomik oyunu içerir ve 144 Robinson–Goforth 2×2 oyun topolojisini kapsar; bu da farklı oyun yapılarını tanımlamak ve çözmek için kullanılır.

Bu katmanın odak noktası, çok ajanlı tarafından üretilen aday stratejileri hesaplanabilir oyun, kısıt ve optimizasyon çerçevesine geri kazandırarak "anlamsal olarak uygun" olmayı "formel olarak doğrulanabilir" hale getirmektir.

TMGBench referansında çoklu akıllı ajan oyun yeteneği test edilirken, karar mekanizmasının denge doğruluğu %99,4, topoloji tanıma doğruluğu %100, ortalama çözüm süresi 0,8 saniye ve açıklanabilirlik puanı 4,3/5,0 olarak belirlenmiştir.

Tablo 2: Beş ana çözümleme problem türü

Çoklu ajan simülasyonu ve formel çözümün görevleri net şekilde bölünmüştür: ilki olası yolları açığa çıkarır; diğeri ise bu yolların kısıtlar ve oyun yapısı altında dayanıp dayanamadığını kontrol eder.

Senaryonun son aşamasına gelindi ve hâlâ bir kritik soru kaldı: Önceden ortaya konan birçok gelecek yolu, ne kadar olasılıkla gerçekleşebilir? Bu nedenle, karar makinesi tahmin ve kalibrasyon aşamasını (Forecasting & Calibration) ayarladı.

Önceden elde edilen aday yollar üzerine, bu katman belirsizlikleri işlemeye devam eder: Sistem, model çıkarım sonuçlarını ve dış kalibrasyon sinyallerini birleştirerek farklı sonuçlara olasılıklar atar, ardından tahmin piyasası bilgilerini, geçmiş tahmin performansını ve olasılık puanlama kurallarını kullanarak bu olasılıkları kalibre eder. Karar makinesi artık yalnızca “ne olabilir” senaryolarından oluşan bir liste sunmaz; farklı yollar artık ilgili olasılık yargılarıyla birlikte gelir ve yeni kanıtlar ve çıkarım sonuçları ile güncellenmeye devam eder.

Bunu dinamik olarak değişen bir 'gelecek haritası' olarak düşünebiliriz: Ticaret çatışmalarının artması, tarafların geçici olarak gerilimin azaltması veya yeni beklenmedik faktörlerin ortaya çıkması, farklı dallar haline gelebilir. Sistem, her yolun olasılığını ve hangi değişikliklerin bir yolu daha olası hale getireceğini değerlendirir.

Şekil 6: Olasılık tahmini modülü

Bu şekilde, karar makinesi bir tam karar simülasyon zincirini bir araya getirdi.

Karar mekanizmasının çıkarım sistemini test etmek için birkaç deney grubu kullanıldı; en dikkat edilmesi gereken sonuçlar, "olay çıkarımı ve olasılık tahmini" oldu.

Öncelikle kendi oluşturulan olay tahmin veri setine bakalım ve yapılandırılmış çıkarımın olay tahminini iyileştirebileceğini gözlemleyelim. Takım, yüksek istikrarsızlıkta olan birkaç olay kategorisini kapsayan ve farklı tahmin aralıklarını değerlendirmeye alan 74 olay ve 370 ikili yargı sorusundan oluşan bir veri seti oluşturdu. Takımın değerlendirme ayarlarında, karar makinesinin genel sonucu %78,41 oldu.

Ayrıca LLM-NEWS ayarlarında, 3-30 gün kısa dönem grubu için karar mekanizması sonucu %72,80, GPT-5.5 ve Claude-4.7 ise sırasıyla %35,43 ve %44,62; orta ve uzun dönemlere geçildikçe bu fark giderek daralıyor. Yani yapılandırılmış çıkarım, durumların hızlı değiştiği ve geçmiş düzenlerin uygulanmasının zor olduğu kısa dönem senaryolarında nispeten daha belirgin bir avantaja sahip.

Ardından, açık tahmin pazarı referansı PolyBench üzerindeki tamamlayıcı deneyler.

Karar makinesinin FFA (Son Tahmin Doğruluğu) %81,20, EVPA (Beklenen Volatilite Tahmin Doğruluğu) %73,40 ve MSE (Ortalama Kare Hatası) 0,822'dir; bu üç göstergede de Gemini-3-Flash, MiMo-V2-Flash ve Grok-4.1-Fast'tan daha iyi performans göstermektedir. Bu, karar makinesinin piyasa olasılık değişimi yönünü daha iyi yakaladığını ve olasılık hatasını daha iyi kontrol ettiğini göstermektedir.

Üretken AI, temel hesaplama birimi olarak belirteçleri kullanarak "bir sonraki içerik nasıl oluşturulur?" sorusunu çözer; karar verme AI ise temel hesaplama nesnesi olarak dünya durumundaki değişiklikleri kullanarak "bir eylem, sonraki dünyayı nasıl değiştirecek?" sorusunu çözer. İlkisi cevabın mantıklı olup olmadığıyla ilgilenirken, ikincisi neden-sonuç ilişkilerini, gerçeklik kısıtlarını, rakip tepkilerini ve olasılık değişimlerini de işlemek zorundadır. İkisi arasında basit bir yetenek birikimi değil, hesaplama paradigmaları arasındaki bir değişim vardır.

Karar verme AI'si, yalnızca daha büyük parametre boyutları ve daha güçlü dil yetenekleriyle doğal olarak ortaya çıkmak zordur. Açık dünyaya girildikten sonra temel modeller hâlâ önemlidir, ancak artık tam sistemden karar verme sisteminin bir parçasına dönüşmeye başlamıştır. AI rekabet birimi de tekil bir modelden tam bir sisteme doğru kaymıştır.

Karar makinesinin teknik anlamı, geçmişte dağılmış olan yetenekleri ortak bir karar yapısına organize etmesidir. “Genel” ifadesi, tüm alanların geleceğini önceden tahmin etmek anlamına gelmez; bunun yerine, farklı alanlardaki sorunlar, durum, eylem, sonuç, kısıtlama ve belirsizlik olarak çevrilebilir ve aynı bir çıkarım ve çözüm çerçevesine dahil edilebilir.

Bu açıdan bakıldığında, "dünyanın ilk evrensel karar verme büyük modeli"nin gerçek değeri, sadece bir "birinci" olma mücadelesinde değil, aynı zamanda "evrensel karar verme büyük modeli" için oldukça tam bir teknik çerçeve sunmasında yatıyor: dünyayı açık durum tanımlarıyla ifade etmek, eylemleri çoklu akıllı sistemlerle gerçekleştirmek, stratejileri oyun teorisi ve optimizasyonla test etmek ve farklı gelecek senaryolarını olasılıkla ayarlamak. Buna paralel olarak, AI'nın değerlendirme kriterleri de değişmeye başlıyor — yanıtların yalnızca doğru olmasına bakılmıyor, aynı zamanda durumların tutarlı kalıp kalmadığı, çıkarımların test edilebilir olup olmadığı, olasılıkların güvenilirliği ve yeni bilgiler ortaya çıktığında hızlıca güncellenip güncellenmediği de göz önünde bulunduruluyor.

Sonuçta, doğru görünmesi bir şey, gerçeklik değişikliklerine dayanabilen bir karar olmak başka bir şeydir.

Bu yazı, WeChat hesabından "Makine Kalbi" (ID: almosthuman2014) tarafından paylaşılmıştır, yazar: Karar Verme AI'ya odaklanan