Demis Hassabis, AGI Zaman Çizelgesi, Bilimsel İcatlar ve DeepMind'in Geleceği

Düzenleme ve Derleme: Shenchao TechFlow

Konuşmacı: Demis Hassabis (DeepMind kurucusu, 2024 Nobel Kimya Ödülü sahibi, Google DeepMind sorumlusu)

Sunucu: Gary Tan

Podcast Kaynağı: Y Combinator

Demis Hassabis: Ajanlar, AGI ve Sonraki Büyük Bilimsel İlerleme

Yayın saati: 29 Nisan 2026

Düzenleme giriş cümlesi

Google DeepMind CEO ve Nobel Kimya Ödülü sahibi Demis Hassabis, Y Combinator'a gelerek AGI'ye ulaşmak için hangi kritik ilerlemelerin gerekli olduğunu, girişimcilerin liderliklerini nasıl koruyabileceklerine dair önerileri ve bir sonraki büyük bilimsel keşfin nerede olabileceğini konuştu. Derin teknoloji girişimcileri için en pratik değerlendirme şudur: Bugün on yıllık bir derin teknoloji projesi başlatıyorsanız, AGI'nin ortaya çıkmasını planınıza dahil etmelisiniz. Ayrıca, DeepMind'den ayrılan AI ilacı geliştirme şirketi Isomorphic Labs'ın yakında önemli bir duyuru yapacağını açıkladı.

AGI Yolu ve Zaman Çizelgesi

• Mevcut teknik bileşenler, AGI'nin nihai mimarisinin bir parçası olacak şekilde kesinlikle yer alacaktır.
• Sürekli öğrenme, uzun vadeli akıl yürütme ve belleğin bazı yönleri henüz çözülmedi; AGI bunların hepsini çözmek zorunda.
• Eğer AGI zaman çizelgeniz de 2030 civarıysa ve bugün derin teknoloji bir proje başlattıysanız, AGI'nın yolda ortaya çıkacağını hesaba katmalısınız.

Bellek ve bağlam penceresi

• Bağlam penceresi, yaklaşık olarak çalışma belleğine eşdeğerdir. İnsan çalışma belleği ortalama yedi rakam içerir, bizim ise milyonlarca hatta on milyonlarca token'lık bağlam penceresi var. Ancak sorun, tüm şeyleri, önemli olmayan ve hatalı bilgileri de içine dolduruyor olmamız. Şu anda bu yaklaşım oldukça kaba.
• Gerçek zamanlı video akışını işlemek ve tüm tokenları depolamak istiyorsanız, bir milyon token yaklaşık 20 dakika yeterli olur.

Tahminin eksiklikleri

• Gemini ile satranç oynamayı seviyorum. Bazen bu bir kötü hamle olduğunu fark ediyor ama daha iyi birini bulamıyor ve döngü tamamlandıktan sonra yine o kötü hamleyi yapıyor. Ancak bir doğru akıl yürütme sistemi böyle bir durum yaşamamalı.
• Bir yandan IMO altın madalya seviyesindeki soruları çözebiliyor, diğer yandan soru farklı şekilde sorulduğunda ilkokul matematik hataları yapıyor. Kendi düşünme süreci üzerindeki içsel yansıma açısından bir şeyler eksik gibi görünüyor.

Ajan ve yaratıcılık

• AGI'ye ulaşmak için size aktif olarak sorun çözen bir sisteme ihtiyacınız var. Agent, o yol; bence sadece başladık.
• Henüz kimse vibe coding ile bir app store sıralamasında birinci olan 3A oyunu oluşturmadı. Şu ana kadar harcanan çaba açısından bu mümkün olmalı, ancak henüz gerçekleşmedi. Bu, araçlarda ya da süreçte bir eksiklik olduğunu gösteriyor.

Damıtma ve küçük modeller

• Varsayımımız, bir öncü Pro modelinin yayınlandığından altı ay ila bir yıl sonra, yeteneklerinin çok küçük, kenar cihazlarında çalıştırılabilecek bir modele sıkıştırılabileceğidir. Şu ana kadar bilgi yoğunluğu sınırına rastlanmadı.

Bilimsel Keşifler ve 'Einstein Testi'

• Bazen buna "Einstein testi" diye çağırırım; yani 1901 yılındaki bilgilerle bir sistem eğitilebilir mi ve bu sistem 1905 yılında Einstein'ın yapmış olduğu, özellikle özel görelilik teorisini dahil olmak üzere, sonuçları bağımsız olarak çıkarabiliyor mu? Bir kez bunu başarabildiğinde, bu sistemler tamamen yeni şeyler icat etmeye çok yakındır.
• Bir milenyum ödül sorusunu çözmek zaten büyük bir başarıdır. Ancak bunun daha zor olanı, yeni bir milenyum ödül sorusu kümesi sunmak ve bunların, üst düzey matematikçiler tarafından aynı derecede derin ve ömür boyu araştırılacak değerdekiler olarak kabul edilmesidir.

Derin teknoloji girişim önerileri

• Zor soruları ve kolay soruları çözmek aslında neredeyse aynı şey, sadece zorlukları farklı. Hayat çok kısa, yapmazsan gerçekten kimse yapmayacak şeylere enerjinizi harcayın.

Gary Tan: AGI üzerine düşünme süreniz neredeyse herkesden daha uzun. Mevcut paradigmaya bakarak, şu ana kadar AGI'nin nihai mimarisinin ne kadarını elde ettik? Şu anda temel olarak eksik olan nedir?

Demis Hassabis: Büyük ölçekli ön eğitim, RLHF, düşünce zinciri gibi şeylerin AGI'nin nihai mimarisinin bir parçası olacağından eminim. Bu teknolojiler bugüne kadar çok şey kanıtladı. İki yıl sonra bunun bir çöp yolu olduğu sonucuna varacağımızı hayal etmek benim için anlamsız. Ancak mevcut şeylere ek olarak, belki bir ya da iki şey daha eksik. Sürekli öğrenme, uzun vadeli muhakeme, hafıza ile ilgili bazı yönler ve çözülmemiş bazı sorunlar var. AGI, bunların hepsini çözmek zorunda. Mevcut teknolojilere bazı artımlı yenilikler ekleyerek bu seviyeye ulaşmak mümkün olabilir, ancak belki hâlâ bir ya da iki büyük kritik nokta kalmış olabilir. Bir ya da ikiden fazlasının kalmış olacağını düşünmüyorum. Benim kişisel değerlendirmeme göre, bu çözülmemiş kritik noktaların var olma olasılığı yaklaşık %50. Bu nedenle Google DeepMind'de her iki yolu da aynı anda ilerletiyoruz.

Gary Tan: Birden fazla Agent sistemiyle çalışırken en çok beni şaşırtan, temelde sürekli aynı ağırlıkların kullanılıyor olmasıydı. Bu nedenle sürekli öğrenme kavramı özellikle ilginç, çünkü şu anda temelde "gece rüya döngüleri" gibi şeyleri geçici olarak yapıştırma bantlarıyla bir araya getiriyoruz.

Demis Hassabis: Evet, o rüya döngüleri oldukça ilginç. Daha önce durumsal hafıza entegrasyonu üzerine bu soruyu düşünmüştük. Doktora çalışmam, hipokampus'un yeni bilgileri mevcut bilgi yapısına nasıl zarif bir şekilde entegre ettiğini inceledi. Beyin bu konuda çok iyi bir iş çıkarıyor. Bu süreci özellikle REM uykusu sırasında tamamlıyor ve önemli deneyimleri tekrar oynatarak bunlardan öğreniyor. En erken Atari programımız olan DQN (DeepMind'in 2013'te yayımladığı Derin Q Ağı, ilk kez derin pekiştirmeli öğrenmeyle Atari oyunlarında insan seviyesine ulaştı), Atari oyunlarını öğrenmek için bir anahtar yöntem olarak deneyim geri oynatmasını kullandı. Bu, sinirbilimden alınan bir fikir; başarılı yolları tekrar tekrar geri oynatmak. 2013 yılıydı, AI dünyasında eski bir dönem olarak kabul edilse de o zamanlar çok önemliydi.

Söylediklerinize katılıyorum, şu anda gerçekten bantla yapıştırıyoruz ve her şeyi bağlam penceresine sığdırıyoruz. Bu doğru gelmiyor. Hatta makine olarak, teorik olarak milyonlarca veya milyarlarca bağlam penceresine sahip olabilecek ve hafıza mükemmel olabilecek bir şey yapmış olsak bile, arama ve alma maliyetleri hâlâ var. Şu anda spesifik kararlar verilmesi gereken bir an, tüm şeyleri saklasanız bile gerçekten ilgili bilgileri bulmak kolay değil. Bu yüzden hafıza alanının hâlâ büyük yenilik potansiyeline sahip olduğuna inanıyorum.

Gary Tan: Dürüst olmak gerekirse, milyon token'lık bağlam penceresi beklentilerimin çok üzerinde, birçok şey yapmak mümkün.

Demis Hassabis: Çoğu kullanım senaryosu için yeterince büyük. Ancak bağlam penceresinin yaklaşık olarak çalışma belleğine eşdeğer olduğunu düşünün. İnsan çalışma belleği ortalama yedi rakam tutabiliyor, biz ise milyonlarca hatta on milyonlarca bağlam penceresine sahibiz. Sorun şu ki, her şeyi içine dolduruyoruz, önemli olmayan ve hatalı bilgileri de dahil ediyoruz; şu anda bu yaklaşım oldukça kaba. Ayrıca şu anda gerçek zamanlı video akışını işlemek isterseniz, tüm token'ları kaba bir şekilde kaydederseniz, bir milyon token yaklaşık 20 dakikayı karşılayabilir. Ancak sistemin bir ya da iki ay boyunca yaşamınızı anlamasını istiyorsanız, bu tamamen yetersiz kalır.

Gary Tan: DeepMind,强化学习 ve arama konularına her zaman derin bir şekilde yatırım yapmıştır; bu felsefe, Gemini'yi oluştururken ne kadar derinlere işlendi? Reinforcement learning hâlâ az değerlendiriliyor mu?

Demis Hassabis: Belki de gerçekten abartılmamıştır. Bu alandaki ilgi artıp azalmıştır. DeepMind’i kurulduğu günden beri Agent sistemleri üzerinde çalışıyoruz. Atari ve AlphaGo üzerindeki tüm çalışmalar, temelde kendi hedeflerini gerçekleştiren, karar veren ve plan yapan güçlendirilmiş öğrenme Agent sistemleridir. Elbette ilk olarak karmaşıklığı kontrol edilebilir olan oyun alanını seçtik, ardından AlphaGo’dan sonra AlphaStar gibi daha karmaşık oyunlara geçtik; neredeyse yapabileceğimiz tüm oyunları yaptık.

Sonraki soru, bu modelleri sadece oyun modelleri olarak değil, dünya modelleri veya dil modelleri olarak genelleştirebilecek miyiz? Son birkaç yıldır bunu yapıyoruz. Bugünki tüm öncü modellerin düşünme tarzı ve akıl yürütme zinciri, temelde AlphaGo'nun başlattığı şeyin yeniden ortaya çıkışıdır. Bizim o dönemde yaptığımız birçok iş, bugünün çalışmalarıyla yüksek oranda ilgilidir; Monte Carlo ağaç araması gibi çeşitli pekiştirmeli öğrenme yöntemlerini daha büyük ölçeklerde ve daha genel bir şekilde yeniden inceliyoruz. AlphaGo ve AlphaZero'nun fikirleri, bugünün temel modelleriyle son derece ilgilidir ve bundan sonraki yıllarda yapılacak ilerlemelerin büyük bir kısmı buradan gelecektir.

Gary Tan: Daha akıllı olmak için daha büyük modellere ihtiyaç var, ancak aynı zamanda bilgi sıkıştırma teknolojileri de ilerliyor ve küçük modeller oldukça hızlı hale gelebiliyor. Flash modeliniz çok güçlü, temel olarak önde gelen modellerin %95'ine eşit performans sağlıyor, ancak fiyatı onda biri. Doğru mu?

Demis Hassabis: Bence bu, bizim temel avantajlarımızdan biri. Öncelikle öncü yetenekleri elde etmek için en büyük modeli kurmalısınız. En büyük avantajlarımızdan biri, bu yetenekleri hızla daha küçük modellere yoğunlaştırmak ve sıkıştırmak. Bu yoğunlaştırma yöntemini biz icat ettik ve hâlâ dünyada en üst düzeydeyiz. Ayrıca bunu yapmak için güçlü bir iş motivasyonumuz var. Muhtemelen dünyanın en büyük AI uygulama platformuyuz. AI Özetleri ve AI Modu ile birlikte Gemini'ye sahibiz ve şimdi Google'ın her ürünü, haritalar, YouTube dahil olmak üzere, Gemini veya ilgili teknolojileri entegre ediyor. Bu, milyarlarca kullanıcı ve onlarca milyarlık kullanıcıya sahip ürünleri kapsıyor. Bu ürünlerin son derece hızlı, verimli, maliyeti düşük ve gecikmesi çok düşük olması gerekiyor. Bu da Flash ve daha küçük Flash-Lite modellerini son derece verimli hale getirmek için bize büyük bir motivasyon sağlıyor ve umuyorum ki bu nihayetinde kullanıcıların çeşitli işlerine de hizmet edecektir.

Gary Tan: Bu küçük modellerin gerçekten ne kadar akıllı olabileceğini merak ediyorum. Öğretimde bir sınır var mı? 50B veya 400B modeller, bugünün en büyük öncü modelleri kadar akıllı olabilir mi?

Demis Hassabis: Bilgi teorisi açısından bir sınırı zaten bulduğumuzu düşünmüyorum, en azından şu ana kadar kimse böyle bir sınırı bulamadı. Belki bir gün belirli bir bilgi yoğunluğu sınırına ulaşırız, ancak şu anki varsayımımız, bir ön uç Pro modeli yayımlandıktan sonra, altı ay ila bir yıl içinde bunun yeteneklerinin çok küçük, neredeyse kenar cihazlarda çalıştırılabilecek bir modele sıkıştırılabileceğidir. Gemma modelinde bunu da görebilirsiniz; Gemma 4 modelimiz aynı boyutta çok güçlü performans gösteriyor. Bunların hepsi büyük ölçekli distilasyon teknikleri ve küçük modellerin verimliliğini artırma tekniklerini kullanıyor. Bu nedenle teorik bir sınır gördüğümü düşünmüyorum; bence bu sınıra henüz çok uzakız.

Gary Tan: Şu anda, mühendislerin yapabildiği iş miktarının, altı ay önceye göre 500 ila 1000 katı olduğu çok tuhaf bir durum var. Bu odadaki bazı kişiler, 2000'lerde bir Google mühendisinin 1000 katı iş yapmaktadır. Steve Yegge bunu anlatmıştı.

Demis Hassabis: Çok heyecanlı hissediyorum. Küçük modellerin birçok kullanımı var. Birisi düşük maliyetli olmaları ve hızlarının aynı zamanda avantaj sağlaması. Kod yazma veya diğer görevlerde, özellikle sistemle iş birliği yaptığınızda daha hızlı yineleme yapabilirsiniz. Hızlı sistemler en önde olmasa bile, örneğin sadece öndekilerin %90-95'ine sahip olsalar bile, tamamen yeterlidir ve yineleme hızında kazandığınız, o %10'u çok aşar.

Diğer büyük yön, bu modelleri sadece verimlilik için değil, aynı zamanda gizlilik ve güvenlik için kenar cihazlarında çalıştırmaktır. Çok özel bilgileri işleyen çeşitli cihazları ve robotları düşünün; evinizdeki bir robot için, belirli senaryolarda görevleri buluta büyük modele devretmek üzere yerelde verimli ve güçlü bir model çalıştırmak istersiniz. Ses ve video akışları yerelde işlenir, veriler yerelde kalır; bunun mükemmel bir nihai durum olacağını hayal edebilirim.

Gary Tan: Bağlam ve belleğe dönelim. Model şu anda durumsuzdur; sürekli öğrenme yeteneğine sahip olsaydı, geliştirici deneyimi nasıl olurdu? Böyle bir modeli nasıl yönlendirirsiniz?

Demis Hassabis: Bu soru çok ilginç. Sürekli öğrenme eksikliği, mevcut Ajantların tam görevleri tamamlayamamasının kilit bir sınırlamasıdır. Şu anki Ajantlar, görevlerin yerel aşamalarında çok faydalıdır; bunları bir araya getirerek çok ilginç şeyler yapabilirsiniz, ancak bulunduğunuz spesifik ortama iyi bir şekilde uyum sağlayamazlar. Bu, neden tam olarak "fırlatıp unutma" özelliğine sahip olamadıklarının nedenidir; spesifik senaryonuzu öğrenme yeteneğine sahip olmaları gerekir. Tamamen genel zekâya ulaşmak için bu sorun çözülmelidir.

Gary Tan: İstemde neredesiniz? Modelin şu anki akıl yürütme zinciri güçlü, ancak bazı akıllı lisans öğrencilerinin yapmayacağı hatalarda hâlâ başarısız oluyor. Hangi noktaları değiştirmek gerekir? İstemde hangi ilerlemeleri bekliyorsunuz?

Demis Hassabis: Düşünme paradigmalarında hâlâ büyük ölçüde yenilik potansiyeli var. Yaptığımız şeyler hâlâ oldukça kaba ve oldukça brute force. Düşünme zincirinin sürecini izlemek, düşüncenin ortasında müdahale etmek gibi birçok iyileştirme yönü var. Sık sık hissediyorum ki, sistemlerimiz ya da rakiplerimizin sistemleri, bir şekilde aşırı düşünüyor ve döngülere giriyor.

Bazen Gemini ile satranç oynayıp gözlemlemeyi severim. Tüm önde gelen temel modellerin satrançta aslında oldukça zayıf olduğu ilginç. Düşünme süreçlerini izlemek değerli, çünkü satranç iyi anlaşılmış bir alandır ve hemen anlayabilirim ki model yanlış mı yürüyor, çıkarım doğru mu. Gördüğümüz şey, bazen bir hamle düşünüp bunun kötü bir hamle olduğunu fark edip daha iyi birini bulamayarak, döngü tamamlanıp yine o kötü hamleyi yapması. Kesin bir çıkarım sisteminde böyle bir durum olmamalı.

Bu büyük uçurum hâlâ devam etmektedir, ancak bunu düzeltmek sadece bir veya iki ayarla mümkün olabilir. İşte bu yüzden IMO altın madalya seviyesindeki soruları çözebilen, ancak soru sorma şekli değiştirildiğinde ilkokul matematik hataları yapan所谓的「锯齿状智能」（jagged intelligence）'yi görüyorsunuz. Kendi düşünce süreçlerine yönelik içsel bir incelemede hâlâ eksiklikler var gibi görünmektedir.

Gary Tan: Agent büyük bir konu. Kimi tarafından pazarlama olarak görülüyor. Benim kişisel görüşüm başlangıç aşamasında olduğudur. DeepMind iç araştırmalarının Agent yetenekleri hakkındaki gerçek değerlendirmesi, dışarıdaki reklamlarla ne kadar farklı?

Demis Hassabis: Sizin dediğinizle katılıyorum, sadece başladık. AGI'ye ulaşmak için size aktif olarak sorun çözen bir sisteme ihtiyacınız var. Bu bizim için her zaman açık oldu. Agent, o yol; bence sadece başladık. Herkes, Agent'ların daha iyi nasıl iş birliği yapacağını keşfediyor; biz çok sayıda bireysel deney yaptık ve buradaki birçok kişi de muhtemelen aynı şeyi yaptı. Agent'ları iş akışlarına nasıl entegre edeceğiz, sadece bir ekstra özellik olmaktan öte, gerçekten temel düzeyde işler yapmasını nasıl sağlayacağız? Şu anda hala deney aşamasındayız. Belki de son iki veya üç aydır gerçekten değerli senaryoları bulmaya başladık. Teknoloji de tam olarak bu noktaya geldi; artık bir oyuncak gösterisi değil, gerçek zamanlı olarak zamanınızı ve verimliliğinizi artırıyor.

Çokça, insanların onlarca Agent'i başlatıp saatlerce çalıştırdığını görüyorum, ancak bu girdiyle elde edilen çıktıların eşleşip eşleşmediğinden emin değilim.

Henüz kimse vibe coding ile bir app store listesinde bir numara olan 3A oyunu yapmış değil. Ben de yazdım, buradaki birçok kişi de iyi küçük demo'lar yaptı. Şimdi yarım saatte bir Theme Park prototipi yapabiliyorum; 17 yaşındayken bunu altı ayda yapmıştım. Eğer bir yaz boyunca bunu yaparsanız, gerçekten inanılmaz şeyler yaratabileceğinize dair bir hissiyatım var. Ancak hâlâ bir sanat ve insan ruhu, lezzet gerektiriyor; oluşturduğunuz her ürünün içine bunları taşımanız gerekiyor. Aslında şu anda henüz hiç bir çocuk, milyonlarca kopya satan bir oyun yapamadı; mevcut araçlarla bu mümkün olmalıydı. Bu yüzden bir şey eksik, muhtemelen süreçle ilgili ya da araçlarla ilgili. Gelecek 6 ila 12 ay içinde böyle bir sonuç göreceğimizi tahmin ediyorum.

Gary Tan: Bunun ne kadarı tamamen otomatik olacak? Başlangıçta tamamen otomatik olmayacak. Daha olası olan yol, buradaki kişilerin önce 1000 kat verimlilik sağlaması, ardından bu araçlarla hitap eden uygulamalar ve oyunlar geliştirilmesi ve daha sonra daha fazla süreçlerin otomatikleştirilmesi.

Demis Hassabis: Evet, bunu önce görmelisiniz.

Gary Tan: Bunun bir nedeni de bazılarının bunu yaptığını, ancak Agent'in ne kadar yardımda bulunduğunu açıkça söylemek istememesidir.

Demis Hassabis: Olabilir. Ancak yaratıcılık konusunda konuşmak istiyorum. Sık sık AlphaGo'nun ikinci oyunundaki 37. hamlesini örnek veriyorum. Benim için, böyle bir anın gelmesini bekliyordum; bu an gerçekleştiğinde AlphaFold gibi bilimsel projeleri başlattım. Seul'den döndüğümüz günün hemen ardından AlphaFold'e başladık, bu on yıl önceydi. Bu sefer Kore'ye AlphaGo'nun 10. yıl dönümünü kutlamak için gittim.

Ancak sadece 37. hamle yapmak yeterli değil. Bu hamle harika ve kullanışlı. Ancak bu sistem, go oyununu kendisi icat edebilir mi? Sisteme şu üst düzey bir tanımı verirseniz: “Kuralları beş dakikada öğrenebilir, ancak ömrünüz boyunca ustalaşmak neredeyse imkânsız olan, estetik açıdan zarif ve bir oyunu bir öğlen süresince bitirebileceğiniz bir oyun”, ve sistem size cevap olarak go’yu döndürürse, bugünün sistemleri bunu yapamaz. Soru şu: Neden?

Gary Tan: Burada bulunanlardan biri bunu başarabilir.

Demis Hassabis: Eğer kimse bunu başardıysa, cevap sistemin eksik olması değil, sistemi nasıl kullandığımızda saklı. Belki de bu doğru cevap. Belki de bugünün sistemleri zaten bu yeteneğe sahip, sadece bu sistemi çalıştıracak ve projeye o ruhu veren yeterince dehası olan bir yaratıcıya ihtiyaç duyuyor; bu kişi, aracın hemen hemen tamamen bir parçası haline gelmeli. Eğer bu araçlara günün tamamını adayıp derin yaratıcılığa sahipseniz, hayal edilemeyecek şeyler yapabilirsiniz.

Gary Tan: Açık kaynak üzerine başka bir konuya geçelim. Son zamanlarda Gemma'nın açıklanması, çok güçlü modellerin yerel olarak çalıştırılmasını mümkün kıldı. Buna nasıl bakıyorsunuz? AI, kullanıcıların kendi elinde tuttuğu bir şey haline gelir mi, yoksa ana olarak bulutta kalır mı? Bu, bu modelleri kullanarak ürün oluşturanların kim olabileceğini değiştirir mi?

Demis Hassabis: Açık kaynak ve açık bilim için kararlı destekçileriyiz. Bahsettiğiniz AlphaFold’u tamamen ücretsiz olarak açtık. Bilimsel çalışmalarımız hala en üst düzey dergilerde yayımlanmaktadır. Gemma açısından, aynı ölçekte dünyada öncü modeller oluşturmak istiyoruz. Gemma şu ana kadar yaklaşık 40 milyon kez indirildi ve sadece iki buçuk haftadır piyasada.

Ayrıca, açık kaynak alanındaki Batı teknoloji yığınına sahip olmanın önemli olduğuna inanıyorum. Çin'in açık kaynak modelleri çok iyidir ve şu anda açık kaynak alanında öncü konumdadır, ancak Gemma'nın aynı boyutta çok rekabetçi olduğuna inanıyoruz.

Bir başka kaynak sorunu da var; kimse iki tam boyutlu öncü modeli çalıştırmak için fazladan hesaplama gücüne sahip değil. Bu nedenle şu anki kararımız şudur: Android, gözlükler, robotlar vb. için kenar modeli kullanmak ve bu modellerin bir kez cihaza dağıtıldıktan sonra zaten maruz kaldığı düşünüldüğünden, doğrudan tamamen açık hale getirilmelidir. Nanometre düzeyinde açık stratejimizi birleştirdik ve bu stratejik olarak da mantıklıdır.

Gary Tan: Sahne üstüne çıkmadan önce yapmış olduğum AI işletim sistemini size gösterdim, Gemini ile doğrudan sesli olarak etkileşim kurabiliyorum, size gösterim yapmak beni oldukça gergin yapıyor ama başardım. Gemini, baştan itibaren çok modlu olarak oluşturuldu. Birçok modeli denedim, ancak sesden modele doğrudan etkileşim, araç çağırma yeteneği ve bağlam anlama derinliği açısından şu ana kadar hiçbir model Gemini ile karşılaştırılamaz.

Demis Hassabis: Evet. Gemini serisinin henüz yeterince fark edilmemiş bir avantajı, baştan itibaren çok modallı olarak inşa etmemizdir. Bu, yalnızca metin üzerinde çalışmaktan daha zor bir başlangıç anlamına gelir, ancak uzun vadede bundan fayda sağlayacağımıza inanıyoruz ve şimdi bu faydalar ortaya başlamıştır. Örneğin, dünya modelleri açısından, Genie'yi (DeepMind'in geliştirdiği generatif etkileşimli çevre modeli) Gemini üzerine inşa ettik. Robotik alanında da aynı şekilde, Gemini Robotics çok modallı temel modele dayanarak kurulacaktır ve çok modallı üstünlüğümüz rekabet avantajı oluşturacaktır. Waymo (Alphabet'in otonom sürüş şirketi) üzerinde de Gemini'yi giderek daha fazla kullanıyoruz.

Telefonunuzda veya gözlüklerinizde, etrafınızdaki fiziksel dünyayı ve ortamı anlayan bir dijital asistanı hayal edin. Sistemimiz bu alanda çok güçlü. Bu yönde yatırımlarımıza devam edeceğiz ve bu tür sorunlarda büyük bir öncülüğe sahibiz.

Gary Tan: Tahmin maliyetleri hızla düşüyor. Tahmin neredeyse ücretsiz olduğunda ne mümkün olur? Takımınızın optimizasyon yönü bundan etkilenecek mi?

Demis Hassabis: İnanıyorum ki çıkarım gerçekten ücretsiz olmayacak; Jevons paradoksu orada duruyor. Herkesin sonunda elde edebileceği tüm hesaplama gücünü kullanacağını düşünüyorum. Milyonlarca Agent'in birlikte çalıştığını veya küçük bir Agent grubunun aynı anda birkaç yönde düşünüp entegrasyon yaptığını hayal edebilirsiniz. Bunların hepsini deneysel olarak araştırıyoruz ve bunların hepsi mevcut çıkarım kaynaklarını tüketecektir.

Enerji açısından, kontrollü nükleer füzyon, oda sıcaklığında süper iletkenlik, en iyi pil gibi sorunlardan birkaçını çözersek, malzeme bilimi sayesinde bunu başarabileceğimizi düşünüyorum; bu durumda enerji maliyeti sıfıra yaklaşabilir. Ancak çipin fiziksel üretimi gibi aşamalar hâlâ engellerle karşılaşıyor ve en azından gelecek birkaç on yıl boyunca böyle kalacak. Bu nedenle, çıkarım uçları hâlâ kota kısıtlamalarına tabi olacak ve verimli kullanım devam edecek.

Gary Tan: İyi ki küçük modeller giderek daha akıllı hale geliyor. Burada birçok biyoloji ve biyoteknoloji alanında kurucu var. AlphaFold 3, proteinlerin ötesine geçerek daha geniş bir biyomolekül spektrumuna ulaşmış durumda. Tam bir hücre sistemi modellemeye ne kadar yakınız? Bu tamamen farklı bir zorluk seviyesi mi?

Demis Hassabis: Isomorphic Labs ilerlemesi çok iyi. AlphaFold, ilac keşfi sürecinin yalnızca bir parçası; biz, doğru özelliklere sahip bileşikler tasarlamak gibi komşu biyokimyasal araştırmalar yapıyoruz ve yakında büyük bir duyuru yapacağız.

Son hedefimiz, bir tamamen işlevsel hücre simülatörü oluşturmak; bu simülatörde bozulmalar uygulayabilir, çıktısı deneysel sonuçlara yeterince yakın olmalı ve pratik faydası olmalı. Büyük miktarda arama adımını atlayabilir, diğer modelleri eğitmek için büyük miktarda sentetik veri üretebilirsiniz; bu modeller gerçek hücrelerin davranışını tahmin edebilmelidir.

Tam bir sanal hücresine ulaşmak için yaklaşık on yıl daha kaldığını tahmin ediyorum. DeepMind'in bilimsel tarafında, hücre çekirdeğinin nispeten kendi içinde kapalı olması nedeniyle, sanal hücre çekirdeğiyle başlıyoruz. Bu tür sorunların anahtarı, uygun bir karmaşıklıkta, girdilerini ve çıktılarını makul şekilde yaklaşık olarak hesaplayabileceğiniz ve bu alt sisteme odaklanabileceğiniz bir kesit ayırmak olabilir. Hücre çekirdeği bu açıdan çok uygun.

Diğer bir soru veri yetersizliği. Elektron mikroskopi ve diğer görüntüleme teknikleriyle çalışan en üst düzey bilim insanları ile konuştum. Hücreleri öldürmeden canlı hücreleri görüntüleyebilirsek, bu devrim yaratacaktır. Çünkü bu, bir görsel soruna dönüştürülebilir ve görsel sorunların nasıl çözüleceğini biliyoruz. Ancak benim bildiğim kadarıyla, şu anda nanometre çözünürlükte canlı dinamik hücreleri görüntüleyen ve onları bozmayan bir teknoloji yoktur. Statik görüntüler bu çözünürlükte çekilebiliyor, bu oldukça ince bir başarı ve heyecan verici, ancak bunu doğrudan bir görsel soruna dönüştürmek için yeterli değil.

Bu nedenle iki yol var: biri donanım tabanlı, veri tabanlı bir çözüm; diğeri bu dinamik sistemleri simüle etmek için daha iyi bir öğrenilebilir simülatör oluşturmaktır.

Gary Tan: Biyolojiye sadece bakmıyorsunuz. Malzeme bilimi, ilaç keşfi, iklim modellemesi, matematik—eğer sıralama yapmak gerekirse, önümüzdeki beş yıl içinde hangi bilim alanı en çok değiştirilecek?

Demis Hassabis: Her alan heyecan verici, bu da neden bu, 30 yıldır AI ile uğraştığım ve AI'nın bilimsel anlayışı, bilimsel keşifleri, tıbbi ilerlemeleri ve evreni anlama konusunda son araç olacağını her zaman düşündüğüm sebep.

Misyonumuzu ilk başta iki adımda ifade ettik. İlk adım, akıllılığı çözmek, yani AGI oluşturmak; ikinci adım, bunu diğer tüm sorunları çözmek için kullanmak. Daha sonra, “Gerçekten tüm sorunları çözmek mi diyorsunuz?” diye sorulmaya başlanınca ifadeyi değiştirmek zorunda kaldık. Evet, tam olarak bunu kastediyoruz. Şimdi insanlar bunun ne anlama geldiğini anlamaya başlıyor. Özellikle, “kök düğüm sorunları” adını verdiğim bilimsel alanları kastediyorum; bu alanlar bir kez aşılırsa tamamen yeni keşif dalları açılıyor. AlphaFold, yapmak istediğimiz şeyin bir prototipidir. Dünya çapında üç milyondan fazla araştırmacı, neredeyse her biyoloji araştırmacısı şimdi AlphaFold’u kullanıyor. Bazı ilac üretimi şirketlerinin yöneticilerinden duydum ki, bundan sonraki neredeyse tüm ilaçlar, ilaç keşfi sürecinin bir aşamasında AlphaFold’u kullanacak. Bunu yapmaktan gurur duyuyoruz ve bu, AI’nın yaratmasını istediğimiz etki türüdür. Ancak bence bu sadece başlangıçtır.

AI'nin yardımcı olamadığı bir bilimsel veya mühendislik alanı düşünemiyorum. Bahsettiğiniz alanlar, neredeyse 'AlphaFold 1 anı' düzeyinde; sonuçlar oldukça umut verici, ancak henüz bu alanların büyük zorluklarını tam olarak aşamadı. Gelecek iki yıl içinde, malzeme biliminden matematiğe kadar bu tüm alanlarda çok sayıda ilerlemeden bahsedebileceğiz.

Gary Tan: İnsanlara tamamen yeni bir yetenek kazandırmış gibi hissediliyor.

Demis Hassabis: Evet. Elbette, Prometheustan gelen dersler gibi, bu yeteneğin nasıl kullanılacağını, nerede kullanılacağını ve aynı araçların kötüye kullanım riskini dikkate almak zorundayız.

Gary Tan: Burada birçok kişi, AI'yi bilime uygulayan şirketler kurmaya çalışıyor. Sizce, önde gelen gelişmeleri gerçek anlamda ilerleten girişimciler ile sadece temel modellere bir API katıp kendilerini "AI for Science" olarak tanımlayan girişimciler arasındaki fark nedir?

Demis Hassabis: Bugün sizin yerinizde Y Combinator'da projeleri izliyorsam ne yapardım diye düşünüyorum. Yapmanız gereken bir şey, AI teknolojisinin yönünü önceden tahmin etmek, ki bu zor bir şey. Ancak AI'nin yönünü, malzeme, tıp veya diğer gerçekten zor bilimsel alanlarla birleştirmenin büyük bir fırsat olduğunu düşünüyorum. Özellikle atom dünyasını içeren bu kesişim noktaları, öngörülebilir gelecekte kısayollar olmayacaktır. Bu alanlar, bir sonraki temel model güncellemesiyle ezilmeyecektir. Ancak savunmaya dayanıklı yönler arıyorsanız, bunu öneririm.

Ben her zaman derin teknolojiyi tercih ettim. Gerçekten kalıcı ve değerli olan şeylere kolay yollar yoktur. Her zaman derin teknolojiye çekildim. 2010 yılında başladığımızda yapay zeka derin teknolojiydi—yatırımcılar bana “Bu şeyin işe yaramayacağını zaten biliyoruz” dedi, akademik çevre de bunu 90’larda denenip başarısız olan bir nispeten küçük yönlendirme olarak gördü. Ancak fikrinize inanıyorsanız—neden bu sefer farklı olacak, arka planınızda hangi benzersiz bir kombinasyon var—ideal durumda kendi kendinize makine öğrenimi ve uygulama alanlarında uzman olmalısınız ya da böyle bir kurucu ekibi kurmalısınız—bu durumda büyük bir etki ve değer yaratma potansiyeli vardır.

Gary Tan: Bu bilgi çok önemli. Bir şey başarıldıktan sonra görünürde doğal gibi gelir, ancak başarılmadan önce herkes size karşı çıkar.

Demis Hassabis: Elbette, bu yüzden gerçekten tutkulu olduğunuz bir şeyi yapmalısınız. Benim için, ne olursa olsun yapacağım şey AI'dır. Küçükken, bunun düşünebileceğim en etkili şey olduğuna karar verdim. Bu doğru da çıktı, ama belki 50 yıl erkenydik. Aynı zamanda düşünebileceğim en ilginç şey de bu. Bugün hâlâ küçük bir garajda oturuyor, AI henüz ortaya çıkmamış olsaydı bile, bunu yapmaya devam etmek için bir yol bulurdum. Belki akademik dünyaya dönerdim, ama bunu yapmaya devam etmek için her zaman bir yol bulurdum.

Gary Tan: AlphaFold, bir yöne odaklanıp doğru tahminde bulunduğunun bir örneği. Bir bilimsel alanın AlphaFold gibi bir atılım üretmesi için hangi özellikler gerekli? Böyle bir hedef fonksiyonu gibi bir kural var mı?

Demis Hassabis: Gerçekten bunu bir zamanlar yazmam gerekiyor. AlphaGo ve AlphaFold gibi tüm Alpha projelerinden öğrendiğim şey, mevcut teknolojimizin şu durumlarda en iyi şekilde çalışmasıdır. Birincisi, sorunun büyük bir kombinatoryal arama uzayı vardır; ne kadar büyükse o kadar iyidir, öyle ki hiçbir kaba kuvvet tarama veya özel algoritma bu sorunu çözemeyebilir. Go oyunundaki hamle uzayı ve proteinlerin konfigürasyon uzayı, evrendeki atom sayısını aşar. İkincisi, proteinlerin serbest enerjisinin minimize edilmesi veya Go'da kazanmak gibi hedef fonksiyonunu net bir şekilde tanımlayabilmek; böylece sistem gradyan yükselmesi yapabilir. Üçüncüsü, yeterli veriye sahip olmak veya sentetik veriler üretmek için bir simülatöre sahip olmak.

Bu üç koşul sağlanıyorsa, bugünün yöntemiyle ihtiyacınız olan «çalı içindeki iğne»yi bulmak çok uzun bir yol olabilir. İlaç keşfi de aynı mantığa sahiptir: Bu hastalığı tedavi edebilen ve yan etkisi olmayan bir bileşik vardır; fizik yasaları bunun varlığını izin veriyorsa, tek sorun bunu nasıl verimli ve uygulanabilir bir şekilde bulmaktır. AlphaFold’un bu tür sistemlerin devasa arama alanlarında bu iğneyi bulma yeteneğine sahip olduğunu ilk kez kanıtladığını düşünüyorum.

Gary Tan: Bir katmana yükselmek istiyorum. İnsanların bu yöntemleri kullanarak AlphaFold'u oluşturduğunu konuşuyoruz, ancak bunun bir üst düzeyi de, insanların AI'yi olası hipotez uzayını keşfetmek için kullanması. AI sistemlerinin gerçek bilimsel çıkarımda (sadece veri üzerindeki kalıplarla eşleştirme değil) bulunmasına ne kadar uzakız?

Demis Hassabis: Çok yakında olduğuna inanıyorum. Bu tür genel sistemler üzerinde çalışıyoruz. AI ortak bilimci adlı bir sistemimiz var ve AlphaEvolve gibi algoritmalar, temel Gemini'den daha ileri seviyede işlemler yapabiliyor. Tüm öncü laboratuvarlar bu yönde araştırmalar yapıyor.

Ancak şimdiye kadar, bu sistemlerin gerçek ve büyük bir bilimsel keşif yapmış olduğunu kişisel olarak görmedim. Sanırım yakında olacak. Bu, daha önce tartıştığımız yaratıcılıkla ilgili olabilir, bilinen sınırları gerçekten aşmak. Bu seviyeye ulaşıldığında, eşleşme için bir model olmadığı için artık model eşleştirme değil. Tamamen dışa vurma da değil, bir tür benzerliksel akıl yürütme (analogical reasoning), bunun şu anda bu sistemlerde olmadığını ya da onları doğru şekilde kullanmadığımızı düşünüyorum.

Bilimsel alanda sıkça kullandığım bir standart, bir hipotezi sadece doğrulamak yerine, gerçekten ilginç bir hipotez ortaya koyup koyamayacağıdır. Çünkü bir hipotezi doğrulamak bile büyük bir olay olabilir; örneğin, Riemann hipotezini kanıtlamak veya bir milenyum ödül sorununu çözmek. Ancak belki bunu yapmaya sadece birkaç yıl kaldı.

Bundan daha zor olan şey, yeni bir bin yıllık ödül sorusu kümesi önerip, bunların aynı derecede derin ve ömür boyu araştırılmaya değer olduğunu üst düzey matematikçilerin kabul etmesidir. Bence bu, bir ölçek daha zor; şu anda bunu nasıl yapacağımızı bilmiyoruz. Ancak bunun bir sihir olmadığını düşünüyorum ve bu sistemlerin sonunda bunu başaracağını, belki sadece bir ya da iki şey eksik olduğunu inanıyorum.

Bunu test etmenin bir yolu, bazen bunu “Einstein testi” diye adlandırdığım şey: 1901 yılındaki bilgilerle bir sistemi eğitebilir ve ardından bu sistemin 1905 yılında Einstein’in yaptığı sonuçları, özellikle özel görelilik ve o yılki diğer makalelerini bağımsız olarak çıkarıp çıkaramayacağını görebilir misiniz? Bence bu testi gerçekten çalıştırmalı, ne zaman başarabileceğimizi tekrar tekrar denemeliyiz. Bir kez bunu başarabildiğimizde, bu sistemler gerçekten tamamen yeni şeyler icat etmeye çok yaklaşırlar.

Gary Tan: Son soru. Burada birçok derin teknik arka plana sahip kişi var ve sizin gibi bir ölçekte bir şey yapmak istiyor; dünyanın en büyük AI araştırma organizasyonlarından birisiniz. AGI araştırmalarının öncü çizgisinden geldiniz; şimdi bildiğiniz ama 25 yaşındayken bilmenizi istediğiniz bir şey var mı?

Demis Hassabis: Aslında bir kısmını zaten konuştuk. Zor soruları ve basit soruları çözmek arasındaki zorluk düzeyi neredeyse aynı, sadece zorluk türleri farklı. Farklı şeylerin farklı zorlukları var. Ancak hayat kısa ve enerjiniz sınırlı; yapmazsanız gerçekten kimse yapmayacak bir şeye yaşam enerjinizi harcayın. Bu kritere göre seçim yapın.

Bir başka nokta da, önümüzdeki yıllarda çapraz alan kombinasyonlarının daha yaygın hale geleceğidir; AI, çapraz alanları daha kolay hale getirecektir.

Son nokta, AGI zaman çizelgenize bağlı. Benimki yaklaşık 2030 yılında. Bugün derin teknoloji bir proje başlatmak, genellikle on yıllık bir yolculuk anlamına gelir. Bu nedenle, AGI'nin yolun ortasında ortaya çıkacağını planınıza dahil etmelisiniz. Bu ne anlama gelir? Kesinlikle kötü bir şey olmayabilir, ancak bunu dikkate almalısınız. Projemin AGI'den yararlanabilmesi mümkün mü? AGI sistemi projemle nasıl etkileşime geçecektir?

Daha önce konuştuğumuz AlphaFold ve genel AI sistemleri arasındaki ilişkiye dönersek, Gemini, Claude veya benzeri genel sistemlerin AlphaFold gibi özel sistemleri araç olarak çağırabileceği bir senaryoyu öngörebiliyorum. Tüm şeyleri tek büyük bir “beyin” içine sokmayacağımızı düşünüyorum; Gemini içine tüm protein verilerini yerleştirmek anlamsız olur, Gemini protein katlanmasını yapmak zorunda değil. Dediginiz bilgi verimliliğine dönersek, bu protein verileri kesinlikle dil yeteneğini zorlayacaktır. Daha iyi yaklaşım, çok güçlü genel araç kullanım modellerine sahip olmak, bu modeller özel araçları çağırabilir hatta eğitebilir, ancak özel araçlar bağımsız sistemlerdir.

Bu fikir derinlemesine düşünülmesi değerlidir; bugün hangi tür fabrikalar ve hangi tür finansal sistemler kuracağınız üzerinde etkisi vardır. AGI zaman çizelgesini ciddiye almanız, o dünyanın nasıl olacağını hayal etmeniz ve o dünya geldiğinde hâlâ faydalı olacak bir şey oluşturmanız gerekir.