LLM'ler Görsel Detayları Görmüyor: IBench Testi, Yapay Zekanın Görme Eksikliğini Ortaya Koydu

Yapay Zeka, Gözle Görüleni Göremiyor

İnsan beyni, bir kağıt üzerindeki birkaç çizginin kesiştiği noktaları bir bakışta sayar. Ama bu basit görev, günümüzün en gelişmiş büyük dil modelleri (LLM’ler) için bir kâbus haline geldi. IBench adlı yeni bir görsel muhakeme testi, AI’ların görmenin en temel yönlerini bile nasıl yanlış anladığını gösteriyor: çizgilerin kesişim noktalarını saymak.

Ne Demek Bu IBench? Basit Görünüyor, Ama Çok Derin

IBench, bir dizi basit çizgi grafiğinden oluşan bir veri seti. Her bir görselde, rastgele uzunlukta ve açıda çizgiler var. Görev: her kesişim noktasını tanımla ve tam sayısını ver. Görünüşe göre, 10 yaşındaki bir çocuk bile bu testi kolayca geçer. Ama GPT-4, Claude 3 ve Gemini 1.5 gibi modellerin çoğu, 3 kesişim olan bir resimde 5 ya da 1 cevabı veriyor. Hatta bazıları, çizgilerin kesişmediğini iddia ediyor — oysa kesişimler, çizgilerin tam ortasında net bir şekilde var.

Neden Bu Kadar Önemli?

Bu test sadece bir ‘oyun’ değil. Gerçek dünyada, görsel detay algısı kritik. Bir drone, bir kaza sahasında yolların kesişme noktalarını sayarak trafik akışını analiz etmeli. Bir tıbbi görüntüleme sistemi, damarların kesiştiği noktaları doğru sayamazsa, bir anevrizma kaçırılabilir. Bir otomatik sürücü sistemi, bir trafik işaretinin çizgilerini yanlış yorumlarsa, trajediye yol açabilir. IBench, AI’ların sadece ‘metinle’ öğrenip, görsel bağlamı anlayamadığını gösteriyor. Bu, sadece bir ‘doğruluk oranı’ meselesi değil, temel bir algı eksikliği.

Modeller Neden Başarısız Oluyor?

• Metin odaklı eğitim: LLM’ler, milyarlarca metin parçasıyla eğitildi. Görsel bilgiyi doğrudan ‘görmüyor’lar — sadece bir resmin metin açıklamasını okuyorlar. IBench’teki resimler, metinle açıklanmaz; sadece görsel olarak verilir.
• İşlem hatası: Modeller, çizgilerin uzantılarını hayal eder, kesişimleri ‘tahmin’ eder, ama gerçek geometrik hesaplamayı yapamaz. Bir çizginin ‘sonu’ ile diğerinin ‘başlangıcı’ arasındaki farkı algılayamaz.
• Öğrenme sınırları: AI’lar, örneğin ‘3 kesişim’ diye bir kavramı genelleştiremez. Her resimdeki kesişim sayısı farklı olduğu için, model bir ‘kalıp’ oluşturamıyor.

İnsanlarla Karşılaştırma: Şaşırtıcı Fark

IBench testi, 50 insanla da uygulandı. Sonuç? Ortalama doğruluk oranı %98.6. Yani insanlar, 100 resimde sadece 1-2 hata yapıyor. Aynı resimlerde, en iyi AI modeli (GPT-4 Turbo) %68, Claude 3 Sonnet %71, Gemini 1.5 Pro ise %63 doğrulukla sınırlı kaldı. Bu, AI’nın ‘zeka’ değil, ‘veri eşleştirme’ olduğunu gösteriyor. İnsan, anlam kurar. AI, örüntü arar — ama anlamak için gözleri yok.

Gelecek İçin Ne Yapılmalı?

IBench, yalnızca bir test değil, bir uyarı. Görsel muhakeme, metin işleme kadar önemli bir beceri haline geldi. Şimdiye kadar, AI’lar resimleri ‘etiketlemek’le yetiniyordu: ‘bu bir kedi’. Ama artık, ‘bu kedinin kuyruğu, duvarın köşesindeki çizgiyle kaç noktada kesişiyor?’ gibi sorulara cevap vermek gerekiyor. Bu, yeni bir eğitim paradigmaları gerektiriyor: görsel-geometrik öğrenme, nesne tabanlı temsiller, gerçek zamanlı çizgi analizi modelleri. Google, Meta ve OpenAI gibi şirketler, artık sadece ‘daha büyük modeller’ değil, ‘daha iyi algılayan modeller’ geliştirmeye başlamalı.

Sonuç: Gözlerin Yerini Almak İçin, Önce Görmeyi Öğrenmek Gerek

Yapay zeka, artık insan gibi düşünmeye çalışıyor. Ama IBench, onun hâlâ ‘görmeden’ konuştuğunu gösteriyor. Görsel detay, sadece bir teknik zorluk değil, zekanın temel bir bileşeni. Eğer bir AI, bir çizginin kesişme noktasını sayamıyorsa, o zaman o AI, gerçek dünyayı anlamıyor. O, sadece bir metin yorumlayıcı. Ve bu, teknolojinin en büyük kırılganlığı.

Gelecek, sadece daha çok veriyle değil, daha derin algıyla kurulacak. IBench, bu yolun ilk işaretini bıraktı: Görmek, sadece bir kamera değil, bir zeka işi.