Kendi Kendine Konuşma Yapay Zekanın Öğrenme Kapasitesini Artırıyor

Makinelere mırıldanmayı öğreten laboratuvar

Bu hafta, Okinawa Bilim ve Teknoloji Enstitüsü'ndeki (OIST) araştırmacılar basit ama çarpıcı bir fikir paylaştılar: Yapay ajanlar, "kendi kendilerine konuşmak" üzere eğitildiklerinde daha iyi genelleme yapmayı öğreniyorlar. 22 Aralık 2025'te Neural Computation dergisinde yayımlanan çalışma, modele birden fazla kısa süreli bellek yuvası sağlayan bir çalışma belleği mimarisiyle birlikte, ekibin bir tür programlanmış "içsel konuşma" veya kendi kendine mırıldanma olarak tanımladığı, öz-yönelimli bir sözel prova sinyali eklemenin; çoklu görev ve aşamalı örüntü üretimi gerektiren zorlu görevlerde performansı artırdığını gösteriyor.

Deney nasıl kurgulandı

Araştırmacılar, aktif çıkarım (active inference) çerçevelerini kullanarak hesaplamalı simülasyonlar yürüttüler. Kısa süreli bellek için çeşitli mimarileri karşılaştırdılar ve ajanın içsel belirteçler (token) yaymasını gerektiren bir hedefin eklenmesinin —yani modelin belirli bir sayıda kendi kendine "mırıldanmaya" zorlanmasının— öğrenme sonuçlarını değiştirip değiştirmediğini test ettiler. Birden fazla geçici bellek yuvasına sahip sistemler, aktarım ve çoklu görevlerde daha basit bellek şemalarından daha iyi performans gösterdi. Daha da önemlisi, bu bellek yapısının üzerine içsel konuşma hedefleri eklendiğinde, görev değiştirme ve çok adımlı dizi tamamlama yetenekleri daha da gelişti.

OIST, yöntemi içerikten bağımsız (content-agnostic) olarak nitelendiriyor: İçsel konuşmanın insan terimleriyle anlamsal olarak anlamlı olması gerekmiyor; bunun yerine içsel dinamikleri yapılandıran bir prova ve kontrol sinyali görevi görüyor. Bu durum, standart derin öğrenme modellerinin genellikle eğitim örneklerinin ötesinde genelleme yapmakta zorlandığı düşük veri rejimlerinde yaklaşımı özellikle değerli kılıyor.

Kendi kendine yüksek sesle konuşmak neden işe yarar

Bu etkinin arkasında birbirini tamamlayan iki sezgi bulunuyor. Birincisi, kısa süreli bellek yuvaları sisteme ara sonuçlar ve talimatlar için geçici kaplar sunarak, daha uzun bir hesaplama devam ederken sistemin birden fazla geçici bilgiyi tutmasına olanak tanıyor. İkincisi, içsel konuşma sinyali içsel bir iskelet sağlıyor: Ara adımların provasını yapmak veya onları yeniden kodlamak, görev değiştirirken veya bir dizi çok sayıda adım içerdiğinde öğrenicinin bilgiyi korumasına ve yeniden kullanmasına yardımcı oluyor.

Makine öğrenimi perspektifinden bakıldığında bu durum, ajanın içsel durum uzayına yapı kazandırılması ve böylece hesaplama sürecinde aşamalı ve tekrarlanabilir bir şekilde ilerleyebilmesi olarak görülebilir. Araştırmacılar, bu tür yapılandırılmış öz-etkileşimin, esneklik sağlamak için devasa eğitim veri setlerine veya kaba kuvvetle model ölçeklendirmeye kıyasla düşük maliyetli bir alternatif olduğunu savunuyorlar.

Beklenmedik yerlerdeki matematiksel yankılar

Diğer iki güncel araştırma dizisi, OIST'in sonuçlarını daha geniş bir kavramsal çerçeveye oturtmaya yardımcı oluyor. University of Pennsylvania'daki mühendisler, köpüklerdeki kabarcıkların içsel yeniden yapılanmasının, modern derin ağların eğitim manzaralarında nasıl yol aldığıyla örtüşen bir matematiği takip ettiğini gösterdi. Eski metaforlar kabarcıkları cam gibi vadilerde hapsolmuş olarak ele alırken, yeni analizler hem köpüklerin hem de eğitilmiş yapay zeka parametrelerinin dar optimum noktalara batmak yerine geniş, düz bölgelerde gezindiğini görüyor. Modellerin genelleme yapmasını sağlayan şey bu sürekli yeniden yapılanmadır: Manzaranın daha düz kısımlarında kalmak, çözümleri yeni girdilere karşı dayanıklı kılar.

Çalışmalar birlikte okunduğunda ortak bir matematiksel sezgiye işaret ediyor: İster fiziksel bir maddedeki kabarcıklar ister bir sinirsel kontrolcü içindeki değişkenler olsun, esnek ve prova edilebilir içsel dinamikleri koruyan sistemler, kırılgan aşırı öğrenmeden (overfitting) kaçınıyor ve uyum sağlayabilir kalıyor. OIST'in içsel konuşması, bir yapay zekanın içsel yörüngesini bu daha geniş, genelleştirilebilir vadilerde tutmasını sağlayan pratik bir mekanizma olabilir.

Bedenlenme ve sosyal sinyaller: robotik ve duyuşsal yapay zeka ile bağlantılar

İçsel konuşma bu trendlerle doğal bir uyum içindedir. İçsel adımların provasını yapan bedenlenmiş (embodied) bir ajan —yani sadece dış dünyayı modellemekle kalmayıp aynı zamanda kısa bir içsel planı koruyan ve bunu seslendiren bir robot— motor dizilerini (dudak senkronizasyonu veya manipülasyon) daha iyi koordine edebilir, insan ortaklarının ipuçlarını yorumlayabilir ve kendi kararlarını insan dostu terimlerle açıklayabilir. İçsel öz-modellerin dışsal algıyla bu şekilde katmanlandırılması, sağlam insan-döngüde (human-in-the-loop) Ar-Ge ve uzmanların örtük hedefleri hakkında akıl yürüten makineler gibi, yapay zekayı dar eğitim dağılımlarının dışında güvenilir kılmayı amaçlayan çabaların da merkezinde yer alıyor.

Vaatler ve sınırlar

OIST sonuçları gelecek vaat ediyor ancak henüz ön hazırlık aşamasında. Rapor edilen deneyler hesaplamalı simülasyonlardır; modellerin hala sensörlerin arızalandığı, gecikmelerin yaşandığı ve hedeflerin öngörülemez şekilde değiştiği gürültülü, dinamik, gerçek dünya ortamlarında doğrulanması gerekiyor. Ekip bunu açıkça kabul ediyor ve bir sonraki adımlarının, doğadaki gelişimsel öğrenmeyi taklit etmek için "ortamı biraz daha karıştırmak" olacağını belirtiyor. İçsel konuşmanın simüle edilmiş belirteçlerden sağlam fiziksel davranışlara ölçeklenip ölçeklenemeyeceği konusundaki asıl test, ev veya tarım ortamlarında robotlarla yapılacak bedenlenmiş denemeler olacak.

Kavramsal ve etik mülahazalar da mevcut. Bilim insanları antropomorfik (insan biçimci) kısaltmalardan kaçınmalıdır: Bir modelin "içsel konuşması" öznel bir düşünce değil, mühendislik ürünü bir prova sinyalidir. Yine de bu etiket, kamuoyu algısı açısından önem taşıyor. Öz-yönelimli dil üreten veya içsel adımları anlatan sistemler, bilinçli ajanlar olarak karıştırılabilir. Bu durum şeffaflık gerekliliklerini artırıyor: Tasarımcılar içsel bir konuşma kanalının ne yaptığını, nasıl başarısız olabileceğini ve çekişmeli girdilerle zorlanıp zorlanamayacağını veya manipüle edilip edilemeyeceğini açıkça belgelemelidir.

Neden önemli

Eğer içsel konuşma ve hafif çalışma belleği mimarileri, mütevazı verilerle genelleme ve çoklu görev yeteneğini güvenilir bir şekilde artırıyorsa, pratik sonuçları oldukça geniştir. Anında uyum sağlaması gereken yapay zeka sistemleri —görevleri bir arada yürüten ev robotları, değişen mahsullere yanıt veren tarım dronları veya kısıtlı deneysel verilerle çalışan laboratuvar asistanları— etiketli eğitim setlerinde üstel bir büyüme olmadan daha verimli, daha güvenli ve daha yararlı hale gelebilir. Dahası bu fikir, malzeme bilimi ve robotik alanlarında yeni ortaya çıkan matematiksel ve bedenlenmiş öğrenme perspektifleriyle örtüşerek verimli disiplinlerarası yollar sunuyor.

Bilişsel temelli bir hile olarak başlayan şey —makineye prova yapmayı öğretmek— dolayısıyla daha derin bir mühendislik ilkesine işaret ediyor olabilir: Ajanların katı bir şekilde aşırı optimizasyon yapması yerine esnek bir şekilde yeniden yapılanmasına olanak tanıyan içsel bir yapı inşa etmek. Gerçek ortamlardaki gelecek deneyler simülasyonları doğrularsa, "kendi kendine konuşmak" sağlam ve insan odaklı yapay zeka mimari araç setinde standart bir araç haline gelebilir.

Kaynaklar

• Neural Computation (araştırma makalesi: Working Memory and Self-Directed Inner Speech Enhance Multitask Generalization in Active Inference)
• Okinawa Institute of Science and Technology (OIST) basın materyalleri
• Proceedings of the National Academy of Sciences (viskoz olgunlaşan köpüklerde yavaş gevşeme ve manzara odaklı dinamikler üzerine köpük çalışması)
• University of Pennsylvania School of Engineering and Applied Science
• Science Robotics (robot dudak senkronizasyonu araştırması)
• Columbia Engineering (Creative Machines Lab)
• Japan Advanced Institute of Science and Technology (JAIST) — çok modlu sosyal sinyal araştırması
• ELLIS Institute Finland / Aalto University (insan-yapay zeka ekipleri ve dağılım dışı sağlamlık üzerine araştırma)