Büyük Düşünmekten Kısıtlama Programlamasına, Kutsal Kase’ye: Gene Freuder ile Söyleşi

Yine AI öncileri’ye hoş geldiniz. Bu röportajda, kısıtlama programlamayı makine görüşünün ilk dönemlerinden üretken yapay zekânın yükselişine kadar izleyerek önde gelen bilim insanı Gene Freuder ile görüşüyoruz. Kısıtlama programlamanın uygulamaları, yapay zekâ alanının nereye gidebileceği, iyi bir konferans sunumunun nasıl yapılacağı ve bunlar gibi konuları tartışıyoruz.

Kendiniz hakkında biraz bilgi verir misiniz ve kısıtlama programlama alanına sizi ne yönlendirdi?

Lisans eğitimimi saf matematikle başladım, ancak bende bile çok soyut hale geldiğinde matematiksel mantığa doğru yön değiştirdim. Bu tuhaf gelebilir, çünkü bazıları bunun daha da soyut olduğunu söyleyebilir; ancak en azından bir konusu varmış gibi hissettim – matematik.

Sonra kendimi yapay zekâ alanında buldum. MIT yapay zekâ laboratuvarındaydım ve o dönemde Copy Demo projesi olarak bilinen bir projenin parçasıydım. Bu projenin temel bir kısıtlama işleme biçiminin kullanıldığı bir makine görüşü bileşeni vardı. Bu da beni kısıtlama programlama olarak bilinen alana yönlendirdi. Belirli bir alt alan olmasına rağmen, diğer alanlarda birçok farklı uygulamaya sahip olabileceği için güzel bir konu.

Kısıtlama programlama nedir?

Önceden bir Sudoku bulmacası oynadıysanız, bir kısıtlama sağlama problemi çözmüşsünüzdür. Bu tür bulmacalar, öğrencileri alana tanıtırken güzel bir yol sunar. Siz benim gibi biriyseniz, neredeyse her problem bir kısıtlama sağlama problemi gibi görünür. “Elinizde sadece bir çekiç varsa, her şey bir çivi gibi görünür” diye eski bir atasözü vardır, ancak aslında kısıtlama sağlama veya optimizasyon problemleri kategorilerine düşen geniş bir yelpaze var.

Temel fikir şu şekilde özetlenebilir: Bazı problem değişkenleriniz var, bu değişkenlere atayabileceğiniz değerler var ve kullanabileceğiniz değer kombinasyonları üzerinde kısıtlamalar bulunuyor. Örneğin zamanlama veya tasarım problemleriyle karşılaşabilirsiniz. Bu konuda insanlara bilgi verdiğinizde genellikle “Bu biraz sınırlı gibi görünüyor. Ya şöyle?” şeklinde bir soru geliyor. “Şöyle” sorusunun cevabıysa neredeyse her zaman evet, bunu düşündük ve bu yönde modeli genişlettik şeklinde oluyor. Örneğin, yalnızca sağlamakla kalmayıp optimize edebilirsiniz; katı kısıtlamaların yanı sıra yumuşak kısıtlamalar da mevcuttur.

Bu, iyi bilinmeyen ancak pek çok alanda kullanılan bir alan. Bir zamanlar “constraint programming inside” – tıpkı Intel’in “Intel Inside” sloganı gibi – şeklinde bir motto benimsememiz gerektiğini düşünmüştüm; böylece insanların içinde constraint programming olduğunu, aksi takdirde fark etmeyecekleri bir şeyi anlayabilmelerini istemiştim. Ancak bunu hayata geçirmek zor.

Constraint programming o kadar geniş bir terim gibi görünüyor ki, pek çok alanda uygulanabilir gibi geliyor. Neden bu kadar kolay kaçırılıyor olabileceğini anlayabiliyorum; çünkü her yerde mevcut olması gerekiyor.

Evet, insanlar constraint programming’in uygulamalarını bile farkında olmadan deneyimliyor olabilir. Bir noktada, Fransız demiryollarında lokomotiflerin zamanlamanın constraint satisfaction (kısıtlama sağlama) yöntemiyle yapıldığını söylemişlerdi.

Operations Research (Operasyon Araştırmaları) ile bazı alanlarda örtüşüyor; bu da belki constraint programming’e benzer biçimde zorluk çeken başka bir alan. Bir zamanlar gazetelerde “hiç duymadığınız en önemli alan” gibi bir manşetle operasyon araştırmaları hakkında bir makale okumuştum; ancak bunun constraint programming için de geçerli olabileceğini düşünüyorum.

Operasyonel araştırmalarla paylaştığımız başka bir sorun da çok parlak bir isimimizin olmaması. Kısıtlama programlaması neredeyse olumsuz bir anlam taşıyor, çünkü “kısıtlama” olumsuz bir kelime. Alanla ilişkili rahatlama, tatmin ve optimizasyon gibi güzel, olumlu kelimelerimiz var. Ancak “rahatlama için tatminin optimizasyonu” üzerine bir makale yazsaydım, insanların beni yeni çağ holistik sağlık konsepti üzerine bir şey yazıyormuşum sanması muhtemel.

Alana ilk başladığınızda durum nasıldı ve zaman içinde yaşanan en büyük değişiklik neydi?

İlk başladığımda henüz erken dönemlerdi ve o sıralar makine görme ile güçlü bir bağ vardı. Kariyerimin oldukça erken bir aşamasında, hesaplamalı araştırmada stratejik yönlerle ilgili bir ACM çalıştay düzenlendi ve bu çalıştay kısıtlama programlaması üzerine bir çalışma grubunu da içeriyordu. Stratejik düşünmemiz teşvik edildi, ki bundan dolayı müteşekkir oldum; çünkü hep günlük işlerin içine gömülüyoruz. Ara sıra geriye çekilip uzun vadeli düşünmek gerçekten büyük bir şey.

O sıralardaki fikrim, bilgisayar bilimlerinin Kutsal Kase’ye ulaşma çabasıydı. Aslında bu, bilgisayarın ortadan kaybolmasını sağlamak anlamına geliyor. Bilgisayara sorunuzu söylüyorsunuz ve siz programlama bilmeden o çözüyor. Aslında bu tablo, bu sohbet botlarıyla günümüzde gerçeğe dönüşüyor. Tıpkı 2001: Bir Uzay Destanı filmindeki gibi. IBM harflerinin bir oyunu olan HAL adında bir bilgisayar var. HAL’a ne istediğinizi söylüyorsunuz ve o anlıyor ve yapıyor. Aklımda da tam olarak böyle bir şey vardı, ancak HAL’ın paranoyası olmadan.

Sınır programlamanın, o kutsal kaseye ulaşmak için özellikle verimli bir alan olduğunu düşünüyordum, çünkü betimleyici bir yapıya sahipti; bu da sorunuza doğrudan ifade etmeniz için son derece uygun tasarlanmış görünüyordu. O dönemde betimleyici dillerle diğer diller arasındaki ayrım üzerine oldukça fazla konuşuluyordu. Arka plandaysa, bir kez sorunu doğru biçimde bir sınır problemi olarak ifade ettiğinizde teorik olarak herhangi bir sınır problemi çözebilecek güçlü algoritmalar vardı. Elbette bunu çözmek evrenin yaşınca sürebilir – sorunu doğru şekilde modellemek ve çözmek, işin içine giren o çok sayıda incelikte saklıydı.

İşte bu kutsal kaseyi kendime kurdum: bilgisayara yaklaşacak, sorunuzu söyleyecek ve ek insan yönergesi olmadan o çözecekti. Yıllar içinde bu, benim için bir pusula işlevi gördü ve şükür ki alan için de öyle oldu.

Bu da sizi, alanın nereye gittiği ya da şu anda nereye gittiği konusundaki sorunuza geri getiriyor. Kutsal kase hedefi, alanı sorun edinme, sorunları çözme, sonuçları açıklama ve bunları otomatik bir biçimde yapma açısından ilerletmekle tutarlı. Günümüzde makine öğrenimine yönelik ilgiyle de iyi bir uyum sağlıyor. Özellikle büyük dil modellerini (LLM) sınır programlama ile birleştirmeye yönelik, şu anda oldukça ilginç çalışmalar yürütülüyor.

Yapay zeka ile sınır programlama birbirini nasıl tamamlıyor?

Onlarca yıldır yapay zeka alanında çalışıyorum, bu yüzden kendimi bir yapay zeka insanı olarak görüyorum. Böyle bir konumdan, sınır sağlamanın yapay zekanın önemli bir alt alanı olduğunu düşünüyorum. Sınır programlama, geniş ve disiplinler arası bir topluluk; operasyonel araştırma, programlama dilleri ve diğer alanlardan gelen insanları da memnuniyetle karşılıyor.

Yapay zeka alanının nereye gittiğini düşünüyorsunuz?

Çoğu kişinin ileriye gitmenin yolun saf üretken yapay zekâ olmadığını düşündüğünü düşünüyorum. Özellikle nörosimgesel yaklaşımlar, ilerlemek için oldukça verimli bir yol olabilir. Hem nöro yönelimli hem de simgesel yönelimli çalışmaların güçlü ve zayıf yönleri var ve birlikte daha güçlü bir bütün oluşturabilirler. Elbette kısıtlama programlamayı makine öğrenmesiyle birleştirmeye yönelik bu konuda ilgileniyoruz.

Bu alanda şu anda çok büyük bir heyecan var. Örneğin, bu yılın Kısıtlama Programlamı Konferansı’nda ilgili atölye çalışmaları düzenlendi. Bu yaz IJCAI kapsamında Kısıtlama Modellemesi için LLM’ler konulu bir eğitim verildi. JAIR üzerinde Kısıtlama Programlamı ve Makine Öğrenmesi konusunda özel bir yayın dizisinin editörlüğünü yapıyorum. Ayrıca Kombineztik Kısıtlama Çözümü için Büyük Dil Modları konusunda Constraints dergisinde bir özel sayı üzerinde çalışılıyor. Birçok ilginç sonucun ortaya çıkacağını düşünüyorum.

Kısıtlama programlamayı ve LLM’leri birlikte kullanacağınız bazı problem örnekleri nelerdir?

LLM’i bir ön uç, kısıtlama çözcüsünü ise bir arka uç olarak hayal edebilirsiniz. Önce problemi bir LLM’e sunarsınız; bu, metni okumada ya da insanlarla konuşmada iyi olabilir, ardından bir model oluşturur ve bunu bir kısıtlama çözcüsüne iletirsiniz. Bu alanda zaten oldukça ilerleme kaydedildi.

Şu anda öne çıkan bir alan, konuşmalı kısıtlama çözümüdür. Literatürde mevcut olan örnek problemlere bakıp onlardan bir çözüme ulaşabilen sistemler kuruda dikkat çekici başarılar elde edildi. Bu statik bir durum, ancak etkileşimli çalışmalar da ortaya çıkıyor. Gerçek dünyada, örneğin fabrika zemininizdeki makineleri zamanlamak istediğinizde, çözümü için devredilecek tam bir problem tanıımıyla gelmeniz beklenmez. Kısıtlamaların ve problemin ne olduğunu açıklamaya yönelik konuşmalar gerekir.

Eski günleri hatırlıyorum; kural tabanlı muhakeme o zamanlar en yeni ve en parlak şeydi. Bana şöyle bir süreci anlatmıştı: Bir şehre gidersin, bir otel odası rezerve edersin, müşteriye dersin; müşteri sorununu anlatır, o akın otel odana dönersin, oturup kuralları programlarsın, ertesi gün geri dönersin. “İyi de, bunu hesaba katmadık” derler, sen de tekrar otel odana dönersin, yeniden yazarsın, ertesi gün geri dönersin. Bu, umulur ki müşteriyi gerçekten tatmin eden bir çözüme yakınsayan yinelemeli bir süreçtir.

Şimdi de benzer türden bir durum söz konusu: Bilgisayarla bir konuşma yapmak istersin. Sorunu anlatırsın, sonuçları görürsün ve “Aha, bu kısıtlamayı unutmuşum” ya da “Bu işe yaramaz, başka bir şey yapmam lazım” dersin. KU Leuven’de erişilebilen CHAT-Opt adlı bir demo var; bu demoyla konuşarak bir sorunu tanımlayabilir ve çözebilirsin.

LLM’lerin özelliği, hem iyi hem de kötü yönde çok sürpriz şeyler yapabilmeleridir. Eğlence için biraz onlarla uğraşıyorum ve yıllar içinde inanılmaz derecede aptalca davrandıklarına dair örnekler biriktirdim. Birkaç yıl önce, birinin ne kadar iyi genelleştirebileceğini görmeye çalışırken onunla bir konuşma yaptım ve 2’nin tek sayı olduğunu düşündü. Düzelttim, birkaç saniye sonra ise aynı hatayı tekrarladı. Ancak bu sistemler gelişmeye ve iyileşmeye devam ediyor; sahamızda gerçekten dikkat çeken sonuçlar ortaya koyan insanlar var.

Başka bir durumda, halka açık ve sana bir uygulama kurduğunu iddia eden bir araçla uğraşıyordum. Aslında çözülemez bir sorunu ona sundum ve o da hemen imkânsız bir çözüm üretti. Ancak son zamanlarda KU Leuven’de yayınlanan CHAT-Opt demo’suyla bunu denediğimde, bu sistem zekâydı; sorunun çözülemez olduğunu fark etti. Sonra benim onunla oynamama, kısıtlamaları zayılatmama veya kaldırmama ve çözülebilir bir versiyon üretmeme izin verdi. Böyle bir sistem gerçekten oldukça heyecan verici.

Sınırlamalı problemleri çözmenin ötesine geçip yeni fikirler üreten ve kendisi için çözülecek problemler üreten bir yapay zekâya sahip olabilecek miyiz? İnsanların çevreyi inceleyip hangi problemlerle ilgilenmemiz ve çözümlememiz gerektiğini belirleyebildiği şekilde? Bu ilginç bir soru. Bana kadar ne ölçüde ele alındığını düşünmeye çalışıyorum.

İlk soru, makineye ne yapması gerektiğini nasıl açıklayacağınızdır. Bir probleminiz varsa ve “Tamam, işte benim problemim” derseniz, bu bir şeydir; problemi tam olarak ifade etmekte zorlanabilirsiniz ama en azından onu tanımlayabilirsiniz. Temel biçiminde, çoğu zaman zaten bir şekilde çözülmekte olan bir probleminiz olabilir.

Örneğin, hastanede hemşirlerin görevlendirmesini yapan biri varsa, bunu daha verimli biçimde programlayabilirsiniz. Burada kural tabanlı programlamanın dönemleriyle bir benzetme var. Bir problemi çözmek için kural tabanlı bir program yazma sürecinden geçmenin avantajlarından biri, bu süreçte problemi daha titiz biçimde ortaya çıkarıp tanımlayabilmenizdir. Sınırlama tabanlı programlama için de benzer bir durum söz konusu olabilir.

Bu bana, efsanevi yapay zekâ öncülerinden Patrick Winston’dan bir örnek düşündürüyor. Tez çalışmalarımı onun altında yaptım. Genç civcivlerin dişi mi yoksa erkek mi olduğunu belirlemeye yönelik bir örnek kullanmayı severdi. Montaj hattında duran, genç horozları ayıran ve kenara atan biri olurdu. O yaşta civcivlerin cinsiyetini belirleme süreci görünen o ki bir sanat türüymüş – bu insanların bunu nasıl yaptıklarını tam olarak söyleyemezsiniz ama yapabiliyorlarmış. Yani işte böyle problemler var. Oradaki soru, bu süreci otomatikleştirmeyi sağlayacak sınırlamaları ortaya çıkarabilir misiniz. Yani ilk meselelerden biri, bir problemi otomatikleştirme için devredebilecek kadar kesin biçimde tanımlayabilir misinizdir.

Sorunla birlikte, bence daha da ileri gidiyorsunuz. İlginç problemlerin ne olabileceğini bulabilir ya da çok belirsiz bir şeyi alıp rafine bir probleme dönüştürebilir misiniz? Bu yönde daha fazlasının olduğu şaşırtıcı olmaz, ama gördüğünüz gibi burada sesli düşünüyorum. Bir insan bu problemi tam olarak nasıl tanımlar ve üzerinde çalışabileceğiniz, değerlendirebileceğiniz ve makale yayınlayabileceğiniz bir probleme dönüştürür?

Yeni yapay zekâ sistemlerinde çok büyük bir potansiyel var.

Kesinlikle. İlgi duyduğum başka bir yön de bu sistemlerin araştırma asistanı olarak işlev görebilmesi, sizin ardından sürebileceğiniz yeni fikirler önermesi. Bir süre önce, kısıtlama sağlama problemleri için daha önce denenmemiş bir değişken sıralama sezgiselini üretmesi için bir sohbet botuyla oynadım.
Ulaştığı sonuç umut verici görünüyordu – tam da literatürde olduğunu bildiğim bir şey gibi görünmüyordu ve denemeye uygun bir şey gibi geliyordu.

Bu uzun bir konuşmaydı ve bunu uygulayacağını, test edeceğini ve makale yazacağını sundu. Onun ürettiği bir makaleyi göndermezdim, ama onunla oynadım. Bazı deney sonuçları üretti ve bunlar umut verici görünüyordu. Bir noktada onu daha da iteledim ve bu deneyleri aslında yapmadığını – sonuçları uydurduğunu itiraf etti. Onu daha da itelediğimde, sözde deneyleri yaptı. Şaşırtıcı olmayan bir şekilde, bu sonuçlar uydurduğu sonuçlardan iyi değildi.

Bence bazı açılardan, inanılmaz derece çalışkan ve hızlı ama olgun bir araştırmacının sahip olacağı alan için ortak aklı ya da temel sezgiyi eksik olan belirli bir tür yüksek lisans öğrencisi olarak değerlendirilebilirler. Bu yüzden çok faydalı olabilirler ve hatta geliştirilmeleri öğretilebilir, ama dikkatli olmanız gerekir.

Başka ne ilgini çekiyor?

Bunlardan biri benim hobi atım: konuşmalar. Dünyanın en iyi konuşmacısı olduğunu iddia etmiyorum ama birçok kötü konuşmaya tanıklık ettim ve iyi bir konuşmanın ya da kötü bir konuşmanın neyi belirlediği hakkında gerçekten düşünüyorum. Aslında konferanslarda konuşma yapmanın nasıl yapılacağına dair bazı eğitimler verdim – çünkü kendimi doğuştan iyi bir konuşmacı olarak görüyorum demekten çok, bunun üzerine düşündüm ve bunu yapmaya dair bazı pratik kurallara sahibim.

Websitemde bu tavsiyelerden bazılarını listeleyen başka bir sayfam var. Örneğin, ses tonunuzu çeşitlendirmek önemlidir. Anlaşılır bir şekilde, birçok kişi – özellikle ilk kez konuşma yapan gençler ve belki de ana dillerinde yapmayanlar – belli bir süre sonra uyutabilecek bir monoton sesle konuşma eğilimindedir. Sesinizi yukarı ve aşağı hareket ettirirsesinizi daha yüksek ve daha alçak yaparsınız, duraklarsınız vb. yaparsanız, daha ikna edici bir şekilde konuşursunuz. Böyle çeşitli pratik kurallar var.

Bunları tek bir kelimeye indirgemem gerekseydi, insanların hatırladığı iyi ve ikna edici bir konuşma ile hatırlamadığı bir konuşma arasındaki farkı yaratabilecek şey – tutku. Sahne üzerinde insanlar bunu her zaman göstermezler; beş yıl boyunca tezleri üzerinde çalışmış olmalarının nedeni, araştırmaları tutkulu olmaları gerekir. Konuşmacı söylediği şeyden heyecanlı görünmüyorsa, siz neden heyecanlı olmalısınız? Eğer heyecanlıysa, bu çok büyük bir fark yaratır.

Bilgisayar bilimlerinde muhtemelen, örneğin oyunculukta olduğundan daha fazla içe dönük insan var – bizzat benim doğuştan içe dönük olduğumu düşünüyorum. Jung bir zamanlar kimsemizin %100 içe dönük ya da %100 dışa dönük olmadığından, böyle olsaydık bir akıl hastanesinde olurduk demişti. Herkes bir konuşma için biraz dışa dönüklük çıkarabilir; heyecanlı ve heyecanlı olduğu ve bunu belli ettiği bir an.

Benim durumumda, üniversiteye kabul edildiğimde ve telgrafı aldığımda evimizin oturma odasına doğru koştum ve kanepenin üzerinden takla attım; ebeveynlerim muhtemelen birbirlerine “Bu çocuk kim, bizim çocuğumuzla ne yapt?” diye bakıyorlardı. Çünkü doğal olarak böyle değilim, bazı insanlar öyledir. Ancak sahip olduğunuz extrovert yönün küçük bir kısmından beslenebilirsiniz. Konuşurken bunu yapmaya çalışıyorum. Benim durumumda bunun beni normal bir seviyeye çıkardığını düşünüyorum; çok hevesli olduğumu ve muhtemelen istediğim kadar gösteremediğimi düşünüyorum.

Tavsiye konusuna gelince – bugün alanında AI veya kısıtlama programlaması alanında doktora yapmaya başlayan birine ne söylerdiniz?

Başka bir iyi soru. Kariyerimin bu aşamasında biri için sorulması anlaşıldır, ancak kendimin bunu yanıtlamak için en iyi konumda olduğundan tamamen emin değilim. Özellikle doktora yapan biri ve tez konusu arayan biri hakkında düşünürsek – büyük düşünmenizi söylerim. Belirli bir sorunla yıllarca ciddi ciddi düşünme şansına sahip olacağınız bir fırsat bu ve bunu tekrar aynı şekilde yaşayacağınızı sanmıyorum. Ya birinde birilerinin size belli ölçüde ne yapacağınızı söyleyeceği bir sektörde ya da çok özgürlüğe sahip olduğunuz ancak saat dokuzda derste olabileceğiniz ve saat onda bir kurul toplantısına katılabileceğiniz bir üniversitede çalışmaya başlarsınız.

O yüzden büyük düşünme ve gerçekten iddialı bir hedef koyma fırsatını kullanın. Stratejik düşünme konusunda daha önce konuştuk. Geriye dönüp düşünmek için zaman ayırın: Alanımdaki büyük sorun nedir? Bunu başardığımda insanların gerçekten dikkatle dinleyeceği şey nedir? Alan için büyük zorluklar nelerdir, on, yirmi yıl sonra nerede olmak isteriz? Kendinize bazı büyük, zorlayıcı hedefler koymaya çalışın.

Bu arada, bazı yönlerden muhafazakâr bir insan türüyüm ve tüm yumurtaları aynı sepete koymazdım. Bir yedek planım olurdu. O büyük hedefe ulaşamazsam, belki kısmi bir sonuç ya da başka bir yedek problem iyi bir tez olurdu. Bir sonraki otuz yıl boyunca imkânsız bir problemle uğraşıp da asla doktora derecesini alamadan orada oturmak istemezsiniz. Ancak bir ölçüde, büyük düşünme fırsatını kullanarak, ulaşabilseniz gerçekten önemli olacak ya da en azından ulaşmaya yönelik izlenim verici bir adım atacak bir şey ortaya koyun.

Son zamanlarda yapay zekâ araştırmalarının geleceğine dair AAAI başkanlık panelinde yer aldınız. Alanın şu anda daha fazla dikkat etmesi gereken bir şey var mı?

Francesca Rossi’nin düzenlediği geleceğe dair AAAI başkanlık paneli, geleceğe bakıp nereye gitmemiz gerektiğini belirlemeye çalışıyordu. Ben bu çalışmanın muhakeme boyutuna katıldım. Yapay zekânın tamamen nöral yönlerine güvenmeme, ancak daha formal yöntemlerin – olasılıksal sonuçlar elde etmek yerine, sonuçları formal ve kanıtlanabilir bir şekilde ortaya koyabildiğiniz yöntemlerin – göz önünde bulundurulmasının önemli olduğunu kabul etme ilgisi vardı. Yeni yaklaşımlara tamamen kapılıp kalmak istemiyoruz.

Bence, temelde üretken-yapay zekâ insanları bile, yeni üretken-yapay zekâ yaklaşımının istediğimiz her şeyi başaramayacağını ve muhtemelen tek başınaaramayacağını kabul edecek. Yeni fikirlere ihtiyaç duyabilir ya da en azından eski şeyleri göz önünde bulundurmak zorunda kalabiliriz. Bu, medyada yansıtıldığı şekilde değil.

Önceden bahsettiğim nöral-formal yaklaşıma geri dönersek, kısıtlama programlamayı LLM’lerle birleştirmek ve klasik yapay zekâ yaklaşımlarını yeni üretken-yapay zekâ yaklaşımlarıyla birleştirmek, burada ilerlemeye yol açabilir.

Bu başkanlık paneli kapsamında bir anket gerçekleştirdik; özellikle katılımcılara yapay zekâya dair yükselen ilgilerin gerçeklerle örtüşüp örtüşmediğini sorduk. Cevap verenlerde, özellikle yaşlı olanlarda, bu yükselişin gerçeklerle uyumlu olup olmadığına dair oldukça büyük bir şüphe vardı. Bence günümüzde hâlâ yapay zekâdaki güncel ilerlemenin ne ölçüde başarılı olduğu, ne ölçüde dikkatli olmamız gerektiği ve ne ölçüde bunun ötesine geçmemiz gerektiği konusunda mücadele veriyoruz; bunun yeni bir yöne yönelmek ya da eskiyi yenile birleştirmek anlamına gelmesi söz konusu. Bu da zor bir ölçüm çünkü yapay zekâdaki ilerleme hareketli bir hedef niteliği taşıyor.

Bu alanda bir yanlılığım var, uzun süredir sahada bulunan biri olarak, ancak son dönemde üretken yapay zekâ ile gerçekleştirilenlere dair oldukça büyük bir takdir besliyorum. Yine de insanların bunu yapay zekânın tamamı olarak görmemeleri gerektiğini hatırlatmak istiyorum. Üzerinde ya da yeni yaklaşımlarla birleştirilerek sürdürülmesi gereken, hâlâ değerli ve takip etmeye değer çok şey var; bunları aklımızda tutmalı ve çalışmaya devam etmeliyiz.