10.000 YAPAY ZEKA AJANTI, BİR SORUNU TÜM ÇATIŞMALAR OLMADAN ÇÖZDÜ. İLANIN Hemen ardından insanlar, kredi için savaşa girdi. Öncelikle, ne oldu? OpenAI, ajantlarının modern matematiğin en ünlü problemlerinden birini çözdüğünü duyurdu. Kendi açıklamasına göre, bu 88 saat sürdü. Yaklaşık 10.000 ajant, aynı anda bu sorun üzerinde çalıştı. Şimdi, beni en çok etkileyen şey neydi? Sam Altman, Stanford'da ajantların nasıl etkileşime girdiğini anlattı. Bir lider yoktu. Kimin ne yaptığını tartışanlar yoktu. Çatışma yoktu, tanınma mücadelesi yoktu. Herkes sadece bir hedefe doğru ilerledi. Kendisi, bunun hayal edebileceği herhangi bir organizasyondan farklı olduğunu söyledi. Ve sonra ne oldu? Sonuç duyurulunca hemen insanlar arasında, kime itibar verileceğini konusunda bir çekişme başladı. Ajantlar sorunu böldü. İnsanlar onuru böldü. Aynı zamanda matematikçiler beş gün içinde kendi yolculuklarını yaşadılar. İlk olarak, bunun sahte olduğu yönündeki tepki geldi. Sonra, alanlarının sona erdiğine dair yorumlar. Sonra da bunun böyle yapılmaması gerektiği yönündeki eleştiriler. Beşinci gün itibarıyla birçok kişi farklı bir şey söyledi. Evet, çalışmalarının bir türü kayboldu. Ancak çoğu matematikçi asla bu düzeyde sorunları çözmedi. Onlar bilgiyi anlamlandırdı, insanlara açıkladı ve üzerinde çalışılması gereken şeyleri belirledi. Altman’ın dikkat edilmesi kolay olan bir başka fikri daha var. O, neredeyse dünyanın tüm organizasyonlarının askeri yapıya dayandığını söylüyor ve bunun tamamen spekülasyon olduğunu açıkça belirtiyor. Piramit, komut ve kontrol. Çünkü bir zamanlar büyük sayıda insanı yönetmenin tek bilinen yolu buydu. Ve burada 10.000 ajant, hiç bir piramit olmadan bunu yaptı. Şimdi sadece ajantların çalıştığı bir şirketi hayal edin. Kimse geri bildirimden rahatsız olmaz. Kimse bir fikri çalmaz. Kimse köşe ofis için savaşmaz. Mükemmel gibi görünüyor. Ve tam da bu yüzden ilginç olan şey, Altman’in hemen şöyle eklemesi: insanlar asla böyle çalışmazlar. Çünkü eksikliklerimizde bir güzellik var. Çatışmalar, hırs, duygular. O, bu tür bir dünyayı istemezdi. Ve ben de onunla aynı fikirdeyim. Çünkü insanlar arasındaki sürtüşme sadece bir maliyet değil. Aynı zamanda bize neyin önemli olduğunu karar vermemizi sağlayan şeydir. İki kişi kredi için çatıştığında, aslında katkı ne demek onu tartışıyorlar. Bir makine bu soruyu sormaz. Sadece çalışır. Bu yüzden bana göre gelecek yıllarda temel soru, yapay zekanın neyi yerine koyabileceğinden ziyade, hangi sürtüşmeleri korumaya razıyız? Altman, insanların her zaman diğer insanlara en çok değer verdiğini söylüyor. Bir makinenin kendi amaçları için ne yaptığının pek önemsemediğimizi. İşin değeri, arkasında bir insanın olmasıdır. Görünüşe göre bu, çatıştığımızda bile geçerli gibi görünüyor. Belki de tam da bu çatışmalar içinde en çok kendimiz oluyoruz.

DOKUZ YIL ÖNCE, JENSEN HUANG, ELON MUSK'A BİR SUPERBİLGİSAYAR TESLİM ETTİ. BUGÜN, ONA ONUN TAKİBİNİ GETİRDİ. Ve bu an, bilgisayarların iki çok farklı dönemini birbirine bağlıyor. 2016'da, Jensen, NVIDIA'nın ilk DGX-1 sistemini Elon Musk'a kişisel olarak teslim etti. O dönemde, Musk OpenAI'nin bir parçasıydı. Bu makine, araştırmacıların yapay zeka sınırlarını zorlamasına yardımcı oldu ve yapay zeka devriminin erken altyapısının bir parçası haline geldi. Dokuz yıl sonra, Jensen tekrar geri döndü. Ancak bu sefer, tamamen farklı bir şey taşıyordu. NVIDIA DGX Spark ile tanışın. Grace Blackwell mimarisine dayalı, masaüstü düzeyinde bir yapay zeka süperbilgisayarı. Ve spesifikasyonları etkileyici. FP4 hassasiyetinde, 1 petaflop'a kadar AI performansı. 128 GB birleşik bellek. Güçlü bir NVIDIA GB10 süperçip. Ve masa üstüne sığabilecek kadar küçük bir form faktörü. Bağlam olarak, orijinal DGX-1 büyük bir kurumsal sistemdi. DGX Spark, sadece 1,2 kilogram ağırlığında bir cihaza önemli miktarda AI hesaplama kapasitesi taşıyor. Ancak gerçekten önemli olan, bunun mümkün kıldığı şey. Geliştiriciler ve araştırmacılar, uzak veri merkezlerine tamamen bağımlı kalmadan yerel olarak AI modellerini çalıştırabilir, büyük dil modelleriyle deneyler yapabilir, AI ajanları oluşturabilir ve modelleri ince ayarlayabilir. NVIDIA, tek bir DGX Spark'ın 200 milyar parametreye kadar olan modellerle çıkarım yapabileceğini söylüyor. Ve birden fazla sistem, daha büyük iş yüklerini işlemek için birbirine bağlanabilir. Konuşma sırasında, Jensen aynı zamanda hesaplama verimliliğindeki devasa ilerlemeyi vurguladı ve orijinal DGX-1 ile yeni nesil arasında karşılaştırma yaptı. Sonra en iyi anlardan biri geldi. Jensen, Elon'un kendisinden daha büyük şeyler inşa ettiğini şakayla söyledi. Elon sadece kabul etti. Sonuçta, SpaceX roketler ve devasa altyapılar inşa ederken, NVIDIA yapay zeka devrimini yürüten hesaplama sistemlerini inşa ediyor. Ve bu iki dünyanın Texas'taki Starbase'de buluşmasını görmek ilginç. Bir şirket uzay keşfinin sınırlarını zorluyor. Diğeriyse yapay zekanın sınırlarını zorluyor. Dokuz yıl önce, Jensen yapay zekada yeni bir bölümün başlatılmasına yardımcı olan bir süperbilgisayar teslim etti. Şimdi ise bu hesaplama gücünü bireysel geliştiricilere daha yakın getiriyor. Bir sonraki AI devrimi büyük bir veri merkezinden değil, birinin masasından başlayabilir.

HOLY SH*T. OPENAI, AI AGENTLERİNİ DÜŞÜRÜP BİLGİSAYARINIZI DAHA İYİ KULLANMAYI BAŞARDI. GPT 6.1 Terra ile tanışın. Bu güncelleme, daha iyi cevaplar üretmekten çok daha fazlasını içeriyor. OpenAI, AI’yi çok daha kullanışlı bir şeye doğru itiyor. Aslında işleri tamamlamak. Terra, ekranınızda neler olduğunu anlayacak, bilgisayar uygulamalarıyla etkileşime girecek ve karmaşık görev dizilerini tamamlayacak şekilde tasarlandı. Bunun ne anlama geldiğini düşünün. Bir AI, teklifler hazırlamaya, teknik çizimleri yorumlamaya, formları doldurmaya, videoları düzenlemeye ve tekrarlayan ofis işlerini halletmeye yardımcı olabilir. Bir şeyi nasıl yapacağınızı açıklamak yerine, bunu tamamlamak için gerekli adımları kendi başına yürütebilir. OpenAI, yeni modelin bu tür görevlerde GPT 5.6 Terra’dan önemli ölçüde daha iyi olduğunu söylüyor. Ama beni gerçekten ilgilendiren kısım şurada. Fiyat. GPT 6.1 Terra’nın standart API fiyatı, GPT 5.6 Terra’ya göre %50 daha düşük. Bu önemli çünkü AI agentleri, tek bir iş akışını tamamlarken model üzerinde birçok çağrı yapabilir. Her adım para kazandırır. Bilgi okuma, ekranı analiz etme, sonraki adımı belirleme ve sonucu kontrol etme tümü birikir. Daha düşük maliyetler, bu sistemleri ölçekli olarak çalıştırmayı daha pratik hale getirir. OpenAI ayrıca iç değerlendirme sonuçlarında kodlama performansında ve görsel muhakemede büyük iyileşmeler bildirdi, aynı zamanda gerçekçi hataları da azalttı. Bu kombinasyon önemli. Bir görevi anlayabilen, yazılımı çalıştırabilen ve kod yazabilen bir model, bunları daha hızlı ve daha düşük maliyetle yapabiliyorsa çok daha kullanışlı hale gelir. AI agentlerinin faturaları işlemesini, elektronik tabloları güncellemesini, müşteri bilgilerini organize etmesini veya birden fazla uygulamada tekrarlayan görevleri halletmesini hayal edin. Sadece size ne yapmanız gerektiğini söylemek yerine. Aslında size bunu tamamlamada yardımcı olmak. Elbette bilgisayar kullanımı, mükemmel özerklikle aynı şey değil. Karmaşık iş akışları hâlâ test edilmeli, izinler verilmeli ve insan denetimi altında tutulmalı. Ama yön netleşiyor. Sonraki büyük AI yarışması sadece hangi modelin daha iyi düşünebileceği değil. Hangi modelin bu zekayı güvenilir bir şekilde eyleme dönüştürebileceği. Ve şimdi OpenAI, bu yeteneğin kullanımını daha ucuz hale getirdi.

🚨 HİÇ BİR ŞEY DEĞİL. JENSEN HUANG, BİR ELİNDE BİR PETAFLOP AI GÜCÜ TUTUYOR. Ve yaptığı karşılaştırma tamamen çılgınca. 2016’da Jensen Huang, OpenAI adlı küçük bir şirkete NVIDIA DGX 1 sistemi teslim etti. Bu, AI hesaplama için özel olarak tasarlanmış devasa bir makineydi. Bir petaflop hesaplama performansı sağlıyordu ve 128 GB belleğe sahipti. Jensen, herkese bir detayı hatırlattı. Bu makineyi yukarı taşımak için iki kişiye ihtiyaç vardı. Şimdi, on yıl sonra, Jensen elinde kompakt bir AI bilgisayarı tutuyor ve aynı başlık sayılarını gösteriyor. Bir petaflop. 128 GB bellek. Bunu bir saniye düşünün. Yeni RTX Spark serisi, Microsoft ve daha geniş PC endüstrisiyle dört yıllık çalışma sonucu geliştirildi. Jensen’e göre, projede N1X adlı yeni bir çip ve masaüstü, dizüstü bilgisayarlar ve istasyonlar da dahil olmak üzere tamamen yeni bir bilgisayar ailesi yer aldı. Hedef, ciddi AI hesaplama gücünü çok daha küçük bir form faktörüne taşımak. İşte burada şeyler ilginç hale geliyor. Yıllarca güçlü AI donanımına erişmek, maliyetli bulut altyapısına veya çoğu bireysel geliştiricinin ulaşamayacağı özel makinelere dayanıyordu. Bu tür kompakt sistemler, farklı bir yaklaşımın işaretçisi. AI ajanları geliştirmeyi, modelleri denemeyi ve yoğun AI iş yüklerini kendi masanızda çalıştırmayı hayal edin. Uzak altyapıya olan bağımlılığın azalması. Geliştirme ortamınız üzerinde daha fazla kontrol. Ve yerelde çalıştırılabilecek iş yükleri için muhtemelen daha az tekrarlayan bulut maliyetleri. Elbette önemli bir fark var. Aynı zirve petaflop sayısına ulaşmak, iki makinenin gerçek dünya performansını otomatik olarak aynı anlamına gelmez. Kullanılan hassasiyet, bellek mimarisi ve iş yükü önemlidir. Ancak fiziksel dönüşüm hâlâ dikkat çekici. 2016’da bu sınıf AI hesaplaması, iki kişinin taşıdığı bir makineydi. Şimdi Jensen Huang, karşılaştırılabilir başlık spesifikasyonlarına sahip bir sistemi tek elinde tutabiliyor. Bu, sadece başka bir bilgisayar başlatmasından daha fazlasını ifade ediyor. AI donanımı sadece daha güçlü hale gelmiyor. Aynı zamanda çok daha erişilebilir hale geliyor. Ve sonraki nesil AI geliştiricileri, başlamak için bir sunucu odasına ihtiyaç duymayabilir.

EĞER QUANTUM FOTON TRANSFERİNİ %54'TEN %100'E ÇIKARABİLİRSEK? TU Wien bilim insanları bunun bir yolunu bulmuş olabilir. Ve çözüm oldukça akıllıca. Quantum bilgisayarlar, qubitler arasında bilgi transferi yapmaya ihtiyaç duyar. Bir qubit bir foton emiter. Diğeri onu absorbe etmelidir. Ancak geleneksel yaklaşımlarla, bu absorpsiyon sadece yaklaşık %54 oranında başarıyla gerçekleşir. İşlem tamamlanmadan önce neredeyse yarısı bilgi transferi girişimini kaybetmekten hayal edin. Şimdi araştırmacılar bunu değiştirmenin bir yolunu önerdi. Anahtar, fotonun dalga şeklinin şekli. Bir qubit bir foton emittiğinde, dalgası genellikle güçlü başlar ve zamanla zayıflar, tam bir zil sesi gibi. Ancak alıcı qubit, mükemmel absorpsiyon için çok farklı bir dalga formuna ihtiyaç duyar. Bu nedenle araştırmacılar, fotonun yolculuğu sırasında özel olarak mühendisliklenmiş bir optik dalga kılavuzu kullanarak fotonu yeniden şekillendirmeyi öneriyor. Dalga kılavuzundan farklı frekansların nasıl hareket ettiğini kontrol ederek, fotonun ideal absorpsiyon için gerekli tam dalga formuyla varacağını hesapladılar. Sonuç? Simülasyonları, ideal koşullar altında absorpsiyonun teorik olarak %100'e ulaşabileceğini gösteriyor. Ve en ilginç kısmı, bu bir pasif yaklaşım. Alıcı uçta ekstra aktif kontrol yerine, dalga kılavuzu kendisi fotonu şekillendirmek için çalışır. Bu yöntem henüz deneysel olarak gösterilmemiş olsa da, araştırmacılar gerekli kurulumun teknik olarak mümkün olması gerektiğini düşünüyor. Eğer pratikte çalışırsa, quantum bilgisayarları ve iletişim ağlarını çok daha güvenilir hale getirebilir. Sık sık quantum devrimlerinin tamamen yeni donanımlar gerektirdiğini düşünürüz. Bazen devrim, tek bir fotonun nasıl yol aldığını değiştirmekten gelebilir. Ve quantum hesaplama alanında, bu küçük detay büyük bir fark yaratabilir.

BU ŞEY NEDİR? BU BOT, İŞLEMLERİN YARISINDAN FAZLASINI KAYBEDİYOR VE YİNE DE 1.400 DOLARDAN 22.646 DOLARA ÇIKIŞ YAPIYOR. O maddi noktaya bakın. Bu, botun aynı anda zihninde tuttuğu 20.480 olası vadeli piyasa. Mavi çizgiler, bitcoin’in yükseleceği dünyalar. Pembe ve turuncu, düşeceği dünyalar. Şimdi nasıl çalıştığını anlatalım. Bot, Polymarket’te beş dakikalık piyasalarda bitcoin için yukarı veya aşağı yönünde işlem yapıyor. Yedi akıştan gelen canlı veriler içeri giriyor. Bu veriler, yüzde 45 artış ve yüzde 55 düşüş gibi olasılıklara dönüştürülüyor. Bu olasılık, piyasanın aynı sonucu hangi fiyattan sattığıyla karşılaştırılıyor. Aradaki farka avantaj deniyor. Ve yalnızca bir avantaj varsa, bot bir işlem açıyor. Eğer bu fark üç sentin altındaysa, ekranda PASS yazısı görünür ve işlem yapılmaz. Burada asıl şey gizli. Paneldeki kazanma oranı yüzde 48. Yani işlemlerin yarısından fazlası zararla kapanıyor. Ama bu bir sorun değil. 32 sente aldığınız bir hisse senedini düşünün; doğruysanız bir dolar ödüyor. Daha sık tahmin etmenize gerek yok. Tahmininiz, piyasa fiyatından daha doğruysa yeterli. O zaman, hatta kayıpların yarısından fazlası olsa bile matematik sizin lehinize çalışıyor. Bu, her işlemde ekranda görünür. Avantaj artı 5,3 sent olan 32 sente satın alma. Avantaj artı 6,7 sent olan 53 sente satın alma. Farklı fiyatlar, farklı boyutlar, ama aynı kural. Altta ise İniş Eğrisi var. Bu, pencerenin kapanışında bitcoin’in nerede bitebileceğini gösteren bir dağılım. Bot tek bir noktayı kaçırmıyor. Bütün bir fırsat aralığını görüyor ve bunları piyasa fiyatıyla karşılaştırıyor. Günlük pencere sayısı 288 ve her seferinde aynı kural geçerli. İşlemlerde 14.222 adet bilet yürütüldü, ortalama avantaj artı 4,6 sentti ve maksimum çekim %4,2 oldu. Şimdi beni ilgilendiren konuya gelirsek. Çoğu insan iyi bir trader’ı tahmin eden biri olarak düşünür. Ama burada bot tahmin etmeye bile çalışmaz. O düşünür. Her beş dakikada, milyonlarca küçük karar bir eğriye dönüşür; bu eğri, botun doğru olması nedeniyle değil, doğru olmanın yanlış olmaktan daha pahalı olması nedeniyle büyür. Ve bu soruyu değiştirir. Ne kadar sık tahmin ettiğiniz değil. Doğru olduğunuzda ne kadar kazandığınız ve yanlış olduğunuzda ne kadar kaybettiğiniz. CRAWLHIVE’in Crawler Arena’sı tam olarak bununla ilgili. Kendiniz kararınızı, giriş noktanızı, karar alma seviyenizi, zarar durma seviyenizi ve boyutu ayarlıyorsunuz, kod yazmadan. Ve crawler’ınız, gerçek komisyonlar ve gerçek slipaj ile diğerleriyle arenasında bu kurallara göre işlem yapıyor. Yani kazanma ve kaybetme arasındaki bu fark artık sizin elinizde. Bu bir finansal tavsiye değildir. Geçmiş sonuçlar gelecekteki sonuçları garanti etmez.

JENSEN HUANG, 25 cm’lik bir robot ördeklerin AI agenleriyle hareket öğrenmesini gösterdi. Ve bu küçük robot, çok daha büyük bir hikayenin bir parçası. Microduck ile tanışın. Bu, Hugging Face’in açık kaynaklı bir robotik projesidir ve davranışları, fiziksel robota aktarılmadan önce simülasyon ortamında eğitildi. Ördek, koşmayı, yeniden ayağa kalkmayı ve nesneleri tutmayı öğrenebilir. Ancak bu gösterimin ilginç olduğu nokta, AI agenlerinin bunu nasıl gerçekleştirmesidir. Robotik, tek büyük bir mühendislik görevi olarak değil, aşamalara bölünerek ele alınır. Modeli oluşturun. Simülasyonu kurun. Davranışı eğitin. Sonra bu becerileri gerçek dünyaya taşıyın. Bu son adım kritik önem taşır. Sanal bir ortamda çalışan bir robot, hâlâ yerçekimi, denge, sürtünme ve gerçek nesnelerin öngörülemeyen doğasıyla uğraşmak zorundadır. Ve burada NVIDIA’nın fiziksel AI vizyonu önem kazanır. AI, metin, görüntü ve kod üretmenin ötesine geçiyor. Artık simülasyon ve robotik araçlarıyla birlikte kullanılarak makinelerin fiziksel dünyayla etkileşim kurmayı öğrenmesine yardımcı olunuyor. Ördek küçük olabilir. Ancak arkasındaki fikir hiç de küçük değil. Çünkü sonraki nesil AI sadece bilgisayarlarımızın içinde değil, onların dışına çıkarak öğrenmeye başlayabilir.

TESLA, YER ÇEKİMİNE KARŞI ÇIKMIYOR. YOLDA KALMAK İÇİN BİR EMME KUVVETİ KULLANIYOR. Bu Roadster’e dikkatlice bakın. Araba dev bir döngüyü tırmanır, ters döner ve hızının, gördüklerimizi açıklamak için yeterli olmadığı gibi görünmesine rağmen hareketine devam eder. Peki, aracın orada kalmasını sağlayan şey nedir? Manyetikler değil. Sır, aracın alt kısmında. Tesla, Roadster’in alt gövdesine bir fanlı emme sistemi entegre etti. Fanlar, aracın altından havayı çekerek alt kısımda daha düşük bir basınç oluşturur. Basınç farkı, aracı yola doğru itmeye yardımcı olur. Ve burası benim için en ilginç kısım. Geleneksel aerodinamik aşağı doğru kuvvet, aracın hareketiyle oluşturulan hava akımına büyük ölçüde bağlıdır. Ancak bir fan tabanlı emme sistemi, düşük hızlarda bile önemli bir aşağı doğru kuvvet oluşturabilir. Bu, bir arabanın ne yapabileceğini değiştirir. Sadece hızla yerde kalma ihtiyacından ziyade, araç yüzeye yapışmasını sağlayan kuvveti aktif olarak oluşturabilir. Bu, yola bağlı kalması gereken bir araba ile kendini yüzeye doğru çeken bir araba arasındaki farktır. Bu, yer çekiminin yenilmesi değil. Mühendisliğin, onunla çalışmak için başka bir yol bulmasıdır. Ve tam da bu, bu gösteriyi o kadar çılgın kılıyor.

8 AI AJANTI BÜTÜN GECE BİR İŞLEM MASASI YÖNETTİ. BANKA $12.155’TEN $14.853’E ÇIKTI. Ancak bu sayı en ilginç kısım değil. En ilginç kısım, bu masa üzerindeki patronun asla bir işlem açmaması. Bu, Jev ile birlikte yeni Grok Bot versiyonu. Ve artık tek bir bot değil. Her ajantın kendi görevi olan tam bir işlem masası. CHIEF, hangi token’ı seçeceğini kararlaştırır, ancak kendi kendine işlem yapmaz. SCAN, hareket edenleri tespit eder. VET, token’ın gerçek olup olmadığını ve risk yapısını kontrol eder. SOCIAL, projenin X hesabını inceler. SIZE, ne kadar yatırılacağını belirler. FILLS, işlemi yürütür. RISK, pozisyonu kapatır. CRAWLER, sayfaları ve gönderileri önce okur, ardından masa işlem yapar. Hiçbiri harekete geçmeden önce katı kurallar çalışır ve bunlar ücretsizdir. Minimum token yaşı: 15 dakika. Likidite: $12.000’dan fazla. 24 saatlik hacim: $48.000’dan fazla. Piyasa değeri: $60.000’dan fazla. En az 150 işlem. En büyük cüzdan %5’i aşmaz. İlk 10 cüzdan %60’ı aşmaz. Tamamen aritmetik, hiçbir AI kararı olmadan. Daha sonra Jev’in yumuşak filtreleri gelir. Yoğunlaşmadan kaynaklanan çıkış riski. Momentumun henüz tükenip tükenmediği. Likiditenin işlem boyutuna uygun olup olmadığı. Proje hesabının yeniden kullanılmış bir hesap olup olmadığı. Geliştiricinin hâlâ çok fazla token tutup tutmadığı. Bu filtrelerin sıralaması önemlidir. Önce ücretsiz kontroller. Sonra işlem kontrolleri. Sonra zincir kontrolleri. Ve sadece en son, maliyetli olanlar. Bir token’ı ücretsiz öldürmek, her birine AI sorup sormaktan çok daha ucuzdur. Bot ayrıca bir tahminle asla giriş yapmaz. Önce gerçek alım akışını bekler, ardından girer. Akış yok, giriş yok. Çoğu insan, güçlü bir işlem botunun sadece akıllı bir model olduğunu düşünür. Ancak yalnızca akıllı bir model hatalar yapar. Her adım ayrılmış ve her adım kontrol edilmiş bir sistem çok daha az hata yapar. Sırası vardır. Ve sadece karar veren, asla açgözlü olmayan bir patronu vardır. İşte gerçek avantaj budur. Bu bir finansal tavsiye değildir. Geçmiş sonuçlar gelecekteki sonuçları garanti etmez. Şu anda ticaretinizde CHIEF rolünü siz mi, yoksa duygularınız mı oynuyor?

EN DİKKAT ÇEKİCİ AI İŞLEM BOTU, MÜKEMMEL GÖRÜNEN OLUYOR. Yükselen bir kâr eğrisi. Temiz analitikler. Piyasaya girmek ve çıkmak için tam olarak ne zaman gerektiğini bilen gibi görünen bir sistem. Ama burada insanların sıklıkla kaçırdığı şey şudur. Bir işlem sistemi, karlı görünmek için iyi olmak zorunda değildir. Sadece test edildiği koşullar altında iyi görünmek zorundadır. Piyasayı değiştirin. İşlem komisyonlarını ekleyin. Volatiliteyi artırın. Bir kayıp pozisyonunu beklentiden daha uzun süre açık bırakın. Aniden, muhteşem görünen strateji çökmeye başlayabilir. Bu yüzden, kâr gösteren bir ekran görüntüsünden ziyade, stratejinin çalışmayı bıraktığında ne olacağını daha çok önemsiyorum. Ne kadar kaybedebilir? Basın altında nasıl davranır? Kendisi için tasarlanmayan bir piyasada hayatta kalabilir mi? Çünkü avantajlı koşullarda para kazanmak bir şeydir. Dezavantajlı koşullarda hayatta kalmak tamamen başka bir şeydir. Ve bence bu, AI işlem için gerçek zorluktur. Bir makineye kazançlı işlemler bulmayı öğretmek değil. Kendi stratejisinin artık çalışmadığını nasıl tanıdığını öğretmektir.