AGI/Singularity: 10.000 Tahmin Analiz Edildi
Yapay genel zekâ (AGI), bir yapay zekâ sisteminin tüm görevlerde insan bilişsel yetenekleriyle eşleşmesidir. 10.000 yapay zekâ araştırmacılarının, önde gelen girişimcilerin ve topluluğun AGI zaman çizelgesine dair tahminlerini analiz ettik:
AGI/tekillik gerçekleşecek mi? Çoğu yapay zekâ uzmanına göre AGI kaçınılmazdır.
AGI’ye ne zaman ulaşacağız? 2020’lerin sonu ile 2030’ların başı arasında. ChatGPT’nin piyasaya sürülmesinden sonra AGI zaman çizelgesi kısaldı.
Yapay Genel Zekâ zaman çizelgesi
Yukarıdaki zaman çizelgesi, 10 ankete katılan 6.000’den fazla katılımcıdan, 18 yapay zekâ araştırmacısının yanıtlarından ve Manifold, Kalshi ve Metaculus tahmin piyasalarından elde edilen topluluk içgörülerinden yola çıkarak beklenen tekillik yılını ana hatlarıyla göstermektedir.
Yukarıda görebileceğiniz gibi, anket katılımcıları tekilliğin daha önce tahmin edilenden daha erken gerçekleşmesini bekliyor. Bu grafiği oluştururken kullandığımız yöntemleri öğrenin.
Tahmin piyasalarından AGI tahminleri
Tahmin piyasaları ve topluluk içgörüsü tahminleri için şunları kullandık:
Manifold, Kalshi ve Metaculus’tan 3.900 tahmin; bunlar, katılımcıların kâr veya itibar için gelecekteki olayların olasılığı ve zamanlaması üzerine işlem yaptığı çevrimiçi tahmin piyasalarıdır. Ayrıca bu tahmin piyasalarından elde edilen ortalama tahmin tarihini de dahil ettik.
AGI hakkında diğer önemli sorular
AGI konusunda mevcut durumumuz nedir?
Dar yapay zekâ belirli görevlerde insanları geçse de, akıllı bir makine henüz mevcut değildir. Bazı araştırmacılar, büyük dil modellerinin ortaya çıkan genel yetenekler sergilediğini belirtmektedir.1 AGI kıyaslamamıza göre, makineler ekonomik değeri otonom olarak üretmekten henüz çok uzaktır.
AGI’ye nasıl ulaşabiliriz?
Ya transformatörler gibi mevcut mimarilere daha fazla işlem gücü ve veri sağlayarak ya da yeni yaklaşımlar icat ederek. AGI’ye ulaşma veya onu doğrulama yöntemi konusunda henüz bilimsel bir uzlaşı yoktur.
Aşağıda bu zaman çizelgesini oluşturan tahminlerin bir özetini görebilir veya tüm tabloyu inceleyebilirsiniz.
Yapay zekâ araştırmacılarıyla yapılan başlıca anketlerin sonuçları
10 ankete katılan 6.000’den fazla yapay zekâ araştırmacısı ve uzmanının AGI/tekilliğin ne zaman gerçekleşebileceğini tahmin ettiği anket sonuçlarını inceledik.
Tahminler farklılık gösterse de çoğu anket, AGI’ye 2040 ile 2061 arasında ulaşılma olasılığının %50 olduğunu ve bazı tahminlerin süper zekânın birkaç on yıl içinde gelebileceğini öngördüğünü göstermektedir.
Yapay Zekâda İlerleme Üzerine Uzman Anketi
Ekim 2023’te YZ Impacts, AGI’nin ne zaman başarılabileceği konusunda 2.778 yapay zekâ araştırmacısıyla anket yaptı. Bu anket, 2022 anketiyle neredeyse aynı soruları içeriyordu. Yapay Zekâda İlerleme Uzman Anketi’nin sonuçlarına göre, yüksek düzeyli makine zekâsının 2040 yılına kadar gerçekleşeceği tahmin ediliyor.2
Yapay Zekâda İlerleme Üzerine Uzman Anketi
Anket, 2021 NIPS ve ICML konferanslarında yayın yapan 738 uzmanla gerçekleştirildi. Yapay Zekâda İlerleme Uzman Anketi’nin sonuçlarına göre, uzmanlar yüksek düzeyli makine zekâsının 2059 yılına kadar gerçekleşme olasılığının %50 olduğunu tahmin ediyor.3
Uzmanlar ayrıca donanım maliyetinin, algoritmik ilerlemenin ve eğitim setlerine yönelik çalışmaların yapay zekâ ilerlemesindeki en büyük etkenler olacağını öngördü.
Yapay Zekâ İlerlemesini Tahmin Anketi
Baobao Zhang 2019’da 296 yapay zekâ uzmanıyla anket yaparak, makinelerin ekonomik olarak ilgili görevlerin %90’ından fazlasını gerçekleştirmede medyan insan çalışanı ne zaman aşacağını tahmin etmelerini istedi. Yapay Zekâ İlerlemesini Tahmin Anketi’nin sonuçlarına göre, katılımcıların yarısı bunun 2060’tan önce gerçekleşeceğini tahmin etti.4
AGI Zamanlaması Üzerine Yapay Zekâ Uzmanları Anketi
2019’daki AGI Zamanlaması Üzerine Yapay Zekâ Uzmanları Anketi’nin tahminleri5 şunlardır:
- Katılımcıların %45’i 2060’tan önce bir tarih öngörüyor.
- Tüm katılımcıların %34’ü 2060’tan sonra bir tarih öngördü.
- Katılımcıların %21’i tekilliğin asla gerçekleşmeyeceğini öngördü.
Yapay Zekânın İşgücü Yer Değiştirme Üzerindeki Potansiyel Etkisi Anketi
Ross Gruetzemacher, yapay zekânın işgücü yer değiştirme üzerindeki potansiyel etkisini değerlendirmek amacıyla 2018’de 165 yapay zekâ uzmanıyla anket yaptı. Uzmanlardan, yapay zekâ sistemlerinin şu anda insanlara ücret ödenen görevlerin %99’unu ortalama bir insana eşit veya onu aşan bir düzeyde ne zaman gerçekleştirebileceğini tahmin etmeleri istendi.
Yapay Zekânın İşgücü Yer Değiştirme Üzerindeki Potansiyel Etkisi Anketi’nin sonuçlarına göre, katılımcıların yarısı bu kilometre taşına 2068’den önce ulaşılacağını öngörürken, %75’i önümüzdeki 100 yıl içinde gerçekleşeceğini bekliyordu.6
NIPS ve ICML konferanslarındaki yapay zekâ uzmanları anketi
Mayıs 2017’de 2015 NIPS ve ICML konferanslarında yayın yapan 352 yapay zekâ uzmanıyla anket yapıldı.7
NIPS ve ICML konferanslarındaki anket sonuçlarına dayanarak uzmanlar, AGI’nin 2060’a kadar gerçekleşme ihtimalini %50 olarak tahmin ediyor. Bununla birlikte, coğrafyaya bağlı olarak görüşlerde önemli bir fark var:
- Asyalı katılımcılar AGI’yi 30 yıl içinde bekliyor,
- Kuzey Amerikalılar 74 yıl içinde bekliyor.
2030’a kadar otomatikleştirilmesi beklenen bazı önemli iş işlevleri arasında çağrı merkezi temsilcileri, kamyon şoförlüğü ve perakende satış yer alıyor.
Yapay Zekâda Gelecekteki İlerleme Anketi
Avrupa Bilişsel Sistemler Derneği başkanı Vincent C. Muller ve Oxford Üniversitesi’nden, süper zekâ ve yapay genel zekâ (AGI) üzerine 200’den fazla makale yayımlamış olan Nick Bostrom, 2012 ve 2013’te Yapay Zekâda Gelecekteki İlerleme Anketi’ni gerçekleştirdi. 550 katılımcı şu soruyu yanıtladı: AGI’nin gerçekleşmesi ne zaman muhtemeldir?8
Yapay Zekâda Gelecekteki İlerleme Anketi’nin sonuçlarına göre:
- Ankete katılan yapay zekâ uzmanları, AGI’nin büyük olasılıkla (%50’nin üzerinde ihtimal) 2040 ile 2050 arasında ortaya çıkacağını ve 2075’e kadar görülmesinin yüksek olasılık (%90 ihtimal) olduğunu tahmin ediyor.
- AGI’ye ulaşıldığında çoğu uzman, süper zekâya ilerlemenin nispeten hızlı olacağını ve zaman aralığının 2 yıl kadar kısa (düşük olasılık, %10 olasılık) ila yaklaşık 30 yıl (yüksek olasılık, %75) arasında değişeceğini belirtiyor.
AGI-09 konferansına katılan yapay zekâ uzmanlarıyla anket
2009’daki AGI-09 konferansına katılan 21 yapay zekâ uzmanının anket sonuçlarına göre, AGI yaklaşık 2050’de ve makul olarak daha erken gerçekleşecek.9 Belirli yapay zekâ başarılarına ilişkin tahminlerini aşağıda görebilirsiniz: Turing testini geçmek, üçüncü sınıfı geçmek, Nobel değerinde bilimsel atılımlar yapmak ve insanüstü zekâya ulaşmak.
Şekil 1: Yapay Genel Zekâ 2009 (AGI-09) konferansı katılımcılarına dağıtılan anketin sonuçları.
Topluluk içgörüleri
Ayrıca Samotsvety Forecasting ve Metaculus Topluluğu’nun AGI tahminlerini ve Manifold, Kalshi ve Polymarket’ten tahmin piyasası sonuçlarını değerlendirdik:
Samotsvety Forecasting
Samotsvety Forecasting, özellikle jeopolitik, teknoloji ve küresel riskler konularında gerçek dünya olayları hakkında yapılandırılmış akıl yürütme ve nicel yöntemler kullanarak olasılıksal tahminler yapan bir tahminciler ekibidir. Başlıca tahmin platformlarında ve turnuvalarında (ör. INFER/CSET-Foretell) doğruluklarının Brier skoru gibi biçimsel puanlama ölçütleriyle ölçüldüğü güçlü bir rekabetçi geçmişe sahiptirler.10
Ocak 2026’da ekip, AGI’ye ilişkin tahminlerini 8 tahminciyle güncelledi.11 İşte birleştirilmiş sonuçlar:
- 2026’da AGI’ye ulaşma olasılığı %10
- 2041’e kadar AGI’ye ulaşma olasılığı %50
- 2164’e kadar AGI’ye ulaşma olasılığı %90
2022’deki daha önceki bir tahminde ekip, 20 yıl içinde (yaklaşık 2042’ye kadar) AGI görülme olasılığını %32 ve 2100’e kadar görülme olasılığını %73 olarak tahmin etmişti; her ikisi de mevcut tahminlerinden daha düşüktür.12
Manifold Market
Ağustos 2026 itibarıyla, 1.100’den fazla Manifold Market katılımcısı, bir yapay zekânın “yüksek kaliteli, çekişmeli Turing testini” ilk kez geçeceği yılı 2034 olarak tahmin etti.13
Kalshi Tahmin Piyasası
Ağustos 2026 itibarıyla, Kalshi tahmin piyasası katılımcıları OpenAI’nın 2030’a kadar AGI’ye ulaşma olasılığının %45 olduğunu belirtiyor.14
Polymarket
Ağustos 2026’daki Polymarket tahmin sonuçları, OpenAI’nın 2027’ye kadar AGI’ye ulaşma olasılığının %9 olduğunu gösterdi.15
Metaculus Topluluk Tahminleri
Ağustos 2026 itibarıyla:
- 1.800 katılımcı “İlk zayıf genel yapay zekâ sistemi ne zaman tasarlanacak, test edilecek ve kamuya duyurulacak?” sorusunu yanıtladı ve tahmin 2028.16
- 180 katılımcı “Bir yapay zekâ uzun, bilgilendirilmiş, çekişmeli Turing testini ilk kez ne zaman geçecek?” sorusunu yanıtladı ve tahminleri 2029.17
- 1.900 katılımcı “İlk genel yapay zekâ sistemi ne zaman tasarlanacak, test edilecek ve kamuya duyurulacak?” sorusunu yanıtladı ve tahmin 2033.18
2022’de 81 katılımcı “En iyi tahminciler ilk Yapay Genel Zekânın ne zaman geliştirilip gösterileceğini ne zaman bekleyecek?” sorusunu yanıtladı ve tahminleri 2035 oldu.19
Yapay zekâ girişimcilerinden ve bireysel araştırmacılardan içgörüler
Yapay zekâ girişimcileri de tekilliğe ne zaman ulaşacağımıza dair tahminlerde bulunuyor ve araştırmacılardan daha iyimserler. Yapay zekâya artan ilgiden faydalandıkları için bu beklenen bir durumdur.
Görüşleri hız ve gelişim yoluna ilişkin farklılık gösteriyor. Anthropic’ten Amodei, hızlı kendi kendini pekiştiren ilerleme nedeniyle AGI’nin yakın vadede geleceğini beklerken, DeepMind’dan Hassabis bunu makul görüyor ancak bilimsel yaratıcılık ve otonom kendini geliştirme konusundaki çözülmemiş zorluklara işaret ederek temkinli kalıyor.
İşte en önde gelen 15 yapay zekâ girişimcisinin ve araştırmacısının tahminleri:
- DeepMind Technologies’ın kurucu ortağı Shane Legg, minimal AGI’yi ortalama bir insanın yapabildiği tüm bilişsel görev yelpazesini, aynı görev bir kişiye verilse şaşırtıcı olacak şekillerde başarısız olmadan güvenilir biçimde yerine getirebilen yapay bir ajan olarak tanımlıyor. Ocak 2026’daki tahmini, Minimal AGI’nin 2028’e kadar gerçekleşme olasılığının %50 olduğudur.
- Legg’e göre, minimal AGI’ye ulaşmak; büyük bilimsel atılımlar veya sanatsal başarılar gibi insan zekâsının en üst biçimlerini tam olarak anladığımız ya da yeniden üretebildiğimiz anlamına gelmez. Yapay zekâ insan bilişinin tüm yelpazesiyle eşleşebildiğinde Tam AGI’ye ulaşılmış olur.20
- Anthropic CEO’su Dario Amodei, Davos’taki 2026 Dünya Ekonomik Forumu’nda AGI düzeyindeki sistemlerin yakın vadede yaklaştığına dair güçlü bir güven ifade etti. AGI’nin büyük olasılıkla birkaç yıl içinde (2027), muhtemelen yaygın olarak beklenenden daha erken gerçekleşeceğini belirtti.
- Kodlama ve yapay zekâ araştırma otomasyonundaki hızlı ilerlemelerin merkezi olduğunu, yapay zekâ sistemlerinin çoğu yazılım mühendisliği görevini uçtan uca ele almasını ve geri bildirim döngüleriyle kendi gelişimlerini hızlandırmasını sağladığını savunuyor.
- Donanım kullanılabilirliği ve eğitim süresi gibi kısıtları kabul etse de daha uzun bir zaman çizelgesini olası görmüyor ve bu döngüler olgunlaştığında hızlı bir ivmelenme bekliyor.21
- Aynı 2026’daki etkinlikte, Demis Hassabis, DeepMind’ın kurucusu, daha temkinli bir bakış açısını korudu ve on yılın sonuna kadar (2030) AGI’ye ulaşma olasılığının yaklaşık %50 olduğu tahminini yineledi.
- Hassabis, kodlama ve matematik gibi doğrulanabilir alanlarda ilerlemenin hızlı olduğunu kabul ediyor, ancak bilimsel keşif ve yaratıcı akıl yürütmenin daha zor olmaya devam ettiğini vurguluyor.
- Yeni sorular ve teoriler üretmedeki çözülmemiş sınırlamalara dikkat çekiyor ve özellikle karmaşık, gerçek dünya alanlarında tam otonom kendini geliştirme konusunda belirsizlik ifade ediyor; bunun AGI zaman çizelgelerini daha az kesin hale getirdiğini düşünüyor.
- Yapay zekânın akıl yürütme, programlama ve matematikteki ilerlemesini birleştiren Google’ın eski CEO’su Eric Schmidt, 3–5 yıl içinde Yapay Genel Zekâya doğru ilerlediğimizi belirtiyor (Nisan 2025’te belirtildiği gibi).22
- Elon Musk, en zeki insanlardan daha zeki bir yapay zekânın 2026’ya kadar geliştirilmesini bekliyor.23
- Şubat 2025’te girişimci ve yatırımcı Masayoshi Son bunu 2-3 yıl içinde (yani 2027 veya 2028) öngördü.
- Mart 2024’te Nvidia CEO’su Jensen Huang, beş yıl içinde yapay zekânın herhangi bir testte insan performansına eşit veya onu aşacağını öngördü: 2029.24
- Bilgisayar bilimci, girişimci ve yazar Louis Rosenberg, 2030’a kadar.
- Bilgisayar bilimci, girişimci ve The Singularity Is Near dahil 5 ulusal çok satan kitabın yazarı Ray Kurzweil: Önceden 2045, 2024’te 2032.25
- 2023’te Hinton, AGI’nin 5-20 yıl sürebileceğini belirtti.26
- OpenAI CEO’su Sam Altman, 2035’e kadar. 2024’teki “The Intelligence Age” başlıklı blog yazısında “birkaç bin gün”den bahsetti.
- Yapay zekâ araştırmacısı Ajeya Cotra, eğitim hesaplamasındaki büyümeyi analiz etti ve insan benzeri yeteneklere sahip yapay zekânın 2040’a kadar ortaya çıkma olasılığını %50 olarak tahmin etti.27
- 1972’den 1997’ye kadar MIT profesörü ve MIT Yapay Zekâ Laboratuvarı yöneticisi Patrick Winston, 2040’ı belirterek, bunun gerçekleşecek bir tarih olsa da tahmin etmenin zor olduğunu vurgula.
- Yapay zekâ şirketi NNAISENSE’in kurucu ortağı ve İsviçre yapay zekâ laboratuvarı IDSIA’nın direktörü Jürgen Schmidhuber, 2050’ye kadar.26
AGI hakkında diğer yorumlar ve gelişmeler
AAAI Başkanlık Paneli: Yapay Zekâ Araştırmalarının Geleceği
Çoğunluğu akademi (%67) ve Kuzey Amerika’dan (%53) olan 475 katılımcıya yapay zekâdaki ilerleme soruldu. AAAI 2025 Yapay Zekâ Araştırmalarının Geleceği Başkanlık Paneli anketi AGI için bir zaman çizelgesi istemese de katılımcıların %76’sı mevcut yapay zekâ yaklaşımlarını ölçeklendirmenin AGI’ye yol açma olasılığının düşük olduğunu paylaştı.28
OpenAI robotik hedeflerini genişletiyor
OpenAI, yapay genel zekâyı ilerletme hedefinin bir parçası olarak robotiğe odaklanmasını artırıyor. Şirket, insansı robot sistemleri konusunda uzmanlar işe alıyor ve robotların fiziksel dünyada bağımsız olarak öğrenmesine ve hareket etmesine yardımcı olacak algoritmalar tasarlamak için bir ekip kuruyor.
Bu, OpenAI’nın daha önce dil ve görüntü modellerine odaklanmasından bir kaymayı işaret ediyor. Şirket artık robotiği, AGI’yi test etme ve başarma yolunda önemli bir adım olarak gördüğünü öne sürerek gelişmiş akıl yürütmeyi fiziksel etkileşimle birleştirmeyi amaçlıyor.
Bağlam ve sonuçlar
2020 civarında ilk robotik ekibini kapattıktan sonra OpenAI, bu alanda aktif geliştirmeye geri dönüyor. Son işe alımlar ve olası ortaklıklar, gerçek dünyada öğrenme ve manipülasyon yeteneğine sahip robotlar üretme çabasının yenilendiğine işaret ediyor.
Büyük ölçekli yapay zekâ modellerini duyusal verilerle birleştirerek OpenAI, dijital ortamların dışında akıl yürütebilen ve çalışabilen sistemler yaratmayı amaçlıyor. İnsansı robotik uzmanlarının işe alınması, otomasyonun ötesine geçen ve insanlarla birlikte güvenli çalışabilen robotlara yönelik uzun vadeli hedefleri de gösteriyor.29
Microsoft’ın GPT-4 ile erken deneylerine ilişkin raporu
Microsoft Research, 2023’te OpenAI’nın GPT-4’ünün erken bir sürümünü inceledi. Rapor, önceki yapay zekâ modellerinden daha fazla genel zekâ sergilediğini ve matematik, kodlama ve hukuk gibi alanlarda insan düzeyinde performans gösterdiğini öne sürdü. Bu, GPT-4’ün yapay genel zekânın bir ön biçimi olup olmadığı tartışmasını alevlendirdi. 30
MIT’nin yapay genel zekâya giden yol raporu
Ağustos 2025’teki “Yapay genel zekâya giden yol” raporu, ilk AGI benzeri sistemlerin 2026 ile 2028 arasında ortaya çıkmaya başlayabileceğini, belirli alanlarda insan düzeyinde akıl yürütme, metin, ses ve fiziksel arayüzlerde çok modlu yetenekler ve sınırlı hedef yönelimli otonomi sergileyebileceğini öngörüyor.
Rapor, birleştirilmiş tahminleri bir araya getiriyor ve bilgi transferi ve geniş akıl yürütme gibi çeşitli genelleştirilmiş kilometre taşlarının 2028’e kadar başarılma olasılığının %50 olduğunu öne sürüyor.
Daha uzun vadeli tahminler, işlem verimliliğindeki ilerlemeler, algoritmik atılımlar ve otonom öğrenmeye bağlı olarak makinelerin ekonomik açıdan değerli tüm görevlerde insan performansını yaklaşık 2047’ye kadar aşabileceğini tahmin ediyor.31
YZ Frontiers’ın AGI olasılıklarına ilişkin değerlendirmesi
Yapay zekâ tartışmaları ve diyalogları için bir platform olan YZ Frontiers’tan Adam Khoja ve Laura Hiscott, nicel AGI tanımlarını kullanarak 2028’e kadar AGI’ye ulaşma olasılığını %50 ve 2030’a kadar olasılığı %80 olarak tahmin ediyor.32
Khoja ve Hiscott, yapay genel zekâya doğru ilerlemeyi Khoja, Dan Hendrycks ve ortak yazarları tarafından geliştirilen bir tanım kullanarak değerlendiriyor.33 Çerçeveleri on bilişsel yeteneği ölçüyor ve GPT-4’e %27, GPT-5’e %57 puan veriyor. Bu, mevcut modellerin tanımlanan AGI eşiğinin kabaca yarısında olduğunu gösteriyor.
Khoja ve Hiscott, AGI zaman çizelgelerine ilişkin geleneksel tartışmaların tutarsız tanımlara dayandıkları için kesinlikten yoksun olduğunu savunuyor. Standartlaştırılmış çerçeveleri, mevcut modellerdeki belirli güçlü ve zayıf yönleri belirleyerek netlik yaratmayı amaçlıyor. Okuma, yazma, matematik ve genel bilginin insan referans değerlerini karşıladığını veya aştığını ve artık sınırlayıcı etkenler olmadığını belirtiyorlar.
Yazarlar görsel akıl yürütme, sezgisel fizik, işitsel işleme, algıya bağlı hız ve görsel ile işitsel çalışma belleğinde kalan boşluklara dikkat çekiyor. SPACE ve MindCube gibi benchmarklarda hızlı iyileşme bildiriyor ve bu boşlukların sürekli artımlı araştırmalarla büyük olasılıkla giderilebileceğini öne sürüyorlar. Ayrıca halüsinasyonların endişe kaynağı olmaya devam ettiğini, ancak önde gelen modeller arasındaki performans farkları göz önüne alındığında ele alınabilir olduğunu gözlemliyorlar.
Khoja, Hiscott ve Hendrycks’e göre, kalan en önemli engel sürekli öğrenme ve uzun vadeli bellek depolamasıdır. Mevcut sistemler bilgileri oturumlar arasında tutamıyor ve bu sınırlamayı çözmek en az bir anlamlı atılım gerektirecek. Ancak yazarlar, başlıca yapay zekâ laboratuvarlarının artık bu alana öncelik verdiğini vurguluyor.
Yapay zekâ tahminlerindeki geçmiş aşırı iyimserlikten ders çıkarmak
Yapay zekâ araştırmacılarının daha önce aşırı iyimser olduğunu unutmayın. Örnekler şunlardır:
- Geoff Hinton 2016’da 2021 veya 2026’ya kadar radyologlara ihtiyaç duymayacağımızı öne sürdü. Şimdiye kadar radyoloji tam olarak otomatikleştirilmedi ve hastaneler binlerce radyoloğa ihtiyaç duyuyor.34
- Yapay zekâ öncüsü Herbert A. Simon, 1965’te: “Makineler yirmi yıl içinde bir insanın yapabileceği her işi yapabilir hale gelecek.”35
- 1980’deki Japonya’nın Beşinci Nesil Bilgisayarı, “gündelik sohbetleri sürdürmek” gibi hedeflerle on yıllık bir zaman çizelgesine sahipti.36
Bu tarihsel deneyim, çoğu güncel bilim insanının AGI’yi 10-20 yıl gibi cesur zaman dilimleri içinde tahmin etmekten kaçınmasına katkıda bulundu, ancak bu durum üretken yapay zekânın yükselişiyle değişti.
Tekilliğin ne olduğunu anlamak
Yapay zekâ bizi hem korkutuyor hem de meraklandırıyor. Neredeyse her hafta haberlerde, yarattıkları şeyden korkan geliştiriciler veya çok zeki hale geldikleri için botları kapatanlar gibi yeni bir yapay zekâ korkusu var.37
Bu efsanelerin çoğu, yapay zekâ ve GenAI alanlarının dışındakiler tarafından yanlış yorumlanan araştırmalardan kaynaklanıyor. Bazı paydaşlar, daha fazla düzenlemeden kâr elde edebilecekleri veya daha fazla ilgi görebilecekleri için yapay zekâdan korktuklarını iddia ediyor.
Yapay zekâ hakkındaki en büyük korku, makine zekâsında hızlı bir artış getirmesi beklenen bir olay olan tekilliktir (Yapay Genel Zekâ veya AGI olarak da adlandırılır). Bu, bir sistem insan düzeyindeki düşünmeyi insanüstü hız ve hızla erişilebilen, neredeyse mükemmel bellek ile birleştirdiğinde beklenir. Bazı uzmanlara göre tekillik aynı zamanda makine bilincini de ima eder.
Böyle bir makine kendini geliştirebilir ve insan yeteneklerini aşabilir. Yapay zekâ bir bilgisayar bilimi araştırma konusu olmadan önce bile Asimov gibi bilim kurgu yazarları bu konuda endişeliydi. Akıllı makinelerin hayırseverliğini sağlamak için mekanizmalar (yani Asimov’un Robot Yasaları) tasarlıyorlardı; bu bugün daha yaygın olarak uyum araştırması olarak adlandırılıyor.
Uzmanlar neden AGI’nin kaçınılmaz olduğuna inanıyor: Temel argümanlar ve kanıtlar
AGI’ye ulaşmak çılgın bir tahmin gibi görünüyor, ancak insan zekâsının sabit, makine zekâsının ise büyüdüğünü düşündüğünüzde oldukça makul bir hedef gibi görünüyor. Zekâlarında aşılması güç bir sınır olmadıkça makinelerin bizi aşması an meselesidir. Henüz böyle bir sınırla karşılaşmadık.
İnsan zekâsı, bilişsel yeteneklerimizi makinelerle bir şekilde birleştirmedikçe sabittir. Elon Musk’ın nöral dantel girişimi bunu hedefliyor, ancak beyin-bilgisayar arayüzleri üzerine araştırmalar erken aşamadadır.38
Makine zekâsı algoritmalara, işlem gücüne ve veriye bağlıdır.
- Ar-Ge ve veri merkezlerine yatırım aktıkça işlem gücü üstel bir hızla büyüyor.
- Şimdiye kadar makinelere işlem güçlerini ve belleklerini etkili şekilde kullanmaları için gerekli algoritmaları sağlamada iyiydik.
- Son olarak, işletmeler ve bireyler giderek artan bir hızda dijital veri oluşturuyor. Sentetik veri modelleri bozabilir veya güçlendirebilir. Onları bozsa bile, veri düzenleme sayesinde çözülebilir bir sorundur.
Son başarılar
Opus 4.6
Şubat 2026’da Claude, 1M bağlam penceresi ve etkileyici benchmark sonuçlarıyla Opus 4.6’yı yayınladı.
Anthropic ayrıca modellerin belirli alanlarda gezinmesine yardımcı olan markdown dosyaları olan Claude legal gibi eklentiler yayınlayarak kullanım senaryolarına odaklanıyor. Bu, Claude’a küçük bir ekleme olsa da SaaS ve hukuk yazılımı dahil borsa satış dalgasını tetikledi.39
Gemini Deep Think
Bir başka örnek, 2025 Uluslararası Matematik Olimpiyatı’nda altın madalya düzeyinde performans gösteren ve yapay zekânın karmaşık problemler üzerinde akıl yürütme yeteneğinde önemli bir adımı işaret eden DeepMind’ın Gemini derin düşünme modudur.
Tamamen doğal dilde çalışan Gemini, resmi 4.5 saatlik yarışma süresi içinde altı problemden beşini çözerek, biçimsel sembolik araçlara dayanmadan açık, insan tarafından okunabilir kanıtlar üretti.
Bu yetenekler çeşitli yeniliklerden kaynaklanıyor: Deep Think modu çözüm yollarının paralel keşfine olanak tanıyor, eğitim uzman düzeyinde matematiksel kanıtlar içeriyor ve pekiştirmeli öğrenme stratejik yaklaşımını geliştiriyor.
Bu ilerleme, gelişmiş yapay zekânın artık bir zamanlar en iyi insan problem çözücülerine özgü olan bir düzeyde sofistike, yorumlanabilir akıl yürütme yapabildiğini gösteriyor.40
Opencrawl
Opencrawl, LLM’leri ajanlara dönüştürmek için açık kaynaklı bir projedir. GitHub’daki en popüler projelerden biri haline geldi ve opencrawl ekosistemini başlattı.
Üstel büyüme
Aşağıda üstel büyümeyi anlamak için faydalı bir benzetme bulunuyor. Makineler şu anda çok zeki görünmese de yakın gelecekte oldukça akıllı hale gelebilirler.
Yapay zekâ hesaplama yeteneklerindeki son büyüme
Şekil 2: Şekil, çeşitli kategorilerde gözlemlenen işlem gücü büyüme modellerinin bir özetini göstermektedir: genel olarak öne çıkan modeller (sol üst), frontier modeller (sağ üst), önde gelen dil modelleri (sol alt) ve önde gelen şirketlerin en iyi modelleri (sağ alt).
Yapay zekâ modellerini eğitmek için kullanılan hesaplama kaynakları önemli ölçüde arttı ve dil modeli performansının yaklaşık üçte ikisi model ölçeğindeki iyileştirmelere atfediliyor.
2024 tarihli bir makaleye göre,41 yapay zekâ modellerinin eğitiminde kullanılan işlem miktarı yılda yaklaşık 4-5x oranında istikrarlı bir şekilde artmış olup bu, öne çıkan modeller, frontier modeller ve OpenAI, Google DeepMind ve Meta YZ gibi önde gelen şirketlerdeki eğilimleri yansıtmaktadır (Bkz. Şekil 2).
Ancak büyüme hızı 2018’den bu yana, özellikle frontier modeller için bir miktar yavaşladı; dil modelleri ise 2020 ortasına kadar yılda 9x’e varan daha hızlı bir büyüme yaşadı, ardından hız 4-5x/yıla düştü.
Yapay zekâ işlem gücü büyümesindeki genel eğilim güçlü kalmaya devam ediyor ve tahminler, yeni zorluklar veya atılımlar olmadıkça 4-5x/yıllık büyüme hızının süreceğini gösteriyor. Bu büyüme, aralarında küçük farklılıklar olsa da önde gelen yapay zekâ şirketlerinin ölçekleme stratejilerinde de görülüyor.
Frontier model büyümesindeki yavaşlamaya rağmen, bugün piyasaya sürülen GPT-4 ve Gemini Ultra gibi daha büyük modeller, öngörülen büyüme yörüngesiyle yakından uyumludur.
Klasik hesaplama yavaşlarsa, kuantum hesaplama boşluğu doldurabilir
Klasik hesaplama bizi oldukça ileri taşıdı. Klasik bilgisayarlardaki yapay zekâ algoritmaları, satranç veya Go oynamak gibi belirli görevlerde insan performansını aşabilir. Örneğin, AlphaGo Zero, AlphaGo’yu 100-0 yendi. AlphaGo, dünyadaki en iyi oyuncuları yenmişti.42 Ancak klasik bilgisayarların ne kadar hızlı olabileceğinin sınırlarına yaklaşıyoruz.
Yoğun bir entegre devredeki transistör sayısının yaklaşık her iki yılda bir ikiye katlandığı gözlemine dayanan Moore yasası, hesaplama maliyetinin yaklaşık her 2 yılda bir yarıya indiğini ifade eder.
Öte yandan çoğu uzman, Moore yasasının bu on yıl içinde sona ereceğine inanıyor.43 Ancak hesaplamanın verimliliğini artırmaya yönelik çabalar var.
Örneğin, DeepSeek, OpenAI gibi rakiplerinin maliyetinin çok daha küçük bir kısmına bir akıl yürütme modeli sunarak R1 modeliyle küresel piyasaları şaşırttı.
Hâlâ gelişmekte olan bir teknoloji olan Kuantum Hesaplama, Moore yasası sona erdikten sonra hesaplama maliyetlerinin azaltılmasına katkıda bulunabilir. Kuantum Hesaplama aynı anda farklı durumların değerlendirilmesine dayanır; oysa klasik bilgisayarlar bir seferde bir durumu hesaplayabilir.
Kuantum hesaplamanın benzersiz doğası, günümüzde ticari uygulamalarda en popüler yapay zekâ mimarisi olan sinir ağlarını verimli bir şekilde eğitmek için kullanılabilir. Kararlı kuantum bilgisayarlarda çalışan yapay zekâ algoritmaları tekilliği açığa çıkarma şansına sahiptir.
Neden bazı uzmanlar AGI’ye ulaşamayacağımıza inanıyor?
AGI’nin önemi veya varlığına karşı 3 temel argüman vardır. Bunları yaygın karşı argümanlarıyla birlikte inceledik:
1- Zekâ çok boyutludur
Bu nedenle AGI farklı olacak, insan zekâsından zorunlu olarak üstün olmayacaktır.
Bu doğrudur ve insan zekâsı da hayvan zekâsından farklıdır. Bazı hayvanlar, fındıkları aylarca nereye sakladıklarını hatırlayan sincaplar gibi zihinsel becerilere sahiptir.
Derin öğrenmenin öncülerinden Yann LeCun, AGI kelimesini emekliye ayırmamız ve “ileri makine zekâsına” ulaşmaya odaklanmamız gerektiğine inanıyor.44 İnsan zihninin uzmanlaşmış olduğunu, zekânın ise becerilerin ve yeni beceriler öğrenme yeteneğinin bir toplamı olduğunu savunuyor. Her insan, insan zekâsı görevlerinin bir alt kümesini başarabilir.45
İnsan olarak, zekânın tüm yelpazesini bilmediğimiz ve deneyimleyemediğimiz için insan zihninin uzmanlaşma düzeyini anlamak da zordur.
Makinelerin insanüstü zekâ sergilediği alanlarda insanlar, makineye özgü zayıflıklardan yararlanarak onları yenebildi. Örneğin, bir amatör, dünya şampiyonlarını yenen Go programlarıyla aynı düzeydeki bir Go programını, programın zayıflıklarını inceleyip bunlardan yararlanarak yenebildi.46
2- Zekâ tüm sorunların çözümü değildir
Bilim
Mevcut verileri analiz eden en iyi makine bile kanser için bir tedavi bulamayabilir. Çoğu alanda yeni bilgi keşfetmek için gerçek dünya deneyleri yürütmesi ve sonuçları analiz etmesi gerekebilir.
Daha fazla zekâ, deney başına daha fazla keşfe olanak tanıyarak daha iyi tasarlanmış ve yönetilen deneylere yol açabilir. Araştırma üretkenliğinin tarihi bunu göstermelidir, ancak veriler oldukça gürültülüdür ve araştırmada azalan getiriler vardır. Newton hareketi gibi daha basit problemleri çözdükçe kuantum fiziği gibi daha zor problemlerle karşılaşırız.
Son olarak, bazı alanlarda o alanın doğasında bulunan rastgelelik veya ölçülemezlik nedeniyle mükemmel tahminler mümkün olmayabilir. Örneğin, zengin veriye rağmen belirli yaşam sonuçlarını yüksek doğrulukla tahmin edemiyoruz.47
Ekonomi
Zekâ, ekonomik değer üretiminin bileşeni değildir.
- İnsan zekâsının en yaygın kabul gören ölçüsü olan IQ, ~$40k üzerindeki değerler için net servetle ilişkili değildir (Aşağıdaki resme bakın):
Şekil 3: IQ, düşük servet düzeylerinde servetle ilişkilidir.48
Şekil 4: Yüksek servet düzeylerine odaklanırsak IQ servetle ilişkili değildir. Bu grafik, $40k altındaki net gelir düzeylerinin gizlenmiş olması dışında yukarıdakiyle aynıdır.
- Yatırım dünyasında, bir şirketin ekibinin zekâsı rekabet gücü faktörü olarak görülmez. Diğer şirketlerin de akıllı stratejiler belirleyebileceği örtük olarak varsayılır. Yatırımcılar, fikri mülkiyet, ölçek, kaynaklara özel erişim vb. haksız avantajlara sahip işletmeleri tercih eder. Bu haksız avantajların çoğu yalnızca zekâ ile kopyalanamaz.
3- İnsan beynini modellemek mümkün olmadığı için AGI mümkün değildir
Kuramsal olarak, insan beyni de dahil olmak üzere herhangi bir hesaplama makinesini, temel hesaplamalar yapabilen ve sonsuz bellek ile zamana erişebilen nispeten basit bir makineyle modellemek mümkündür. Bu, 1950’de ortaya konan evrensel kabul görmüş Church-Turing hipotezidir. Ancak belirtildiği gibi, belirli zor koşullar gerektirir: sonsuz zaman ve bellek.
Çoğu bilgisayar bilimci, insan beynini modellemenin sonsuz zaman ve bellekten daha azını gerektireceğine inanıyor. Bununla birlikte, beyni hesaplama gücünü kesin olarak niteleyecek kadar iyi henüz anlamadığımız için bu inancı kanıtlamanın matematiksel olarak sağlam bir yolu yoktur. Böyle bir makineyi inşa etmemiz gerekecek!
AGI’ye nasıl ulaşabiliriz?
Şekil 5: Frontier yapay zekâ modellerinin zaman ufku, her modelin %50 güvenilirlikle tamamlayabildiği en uzun görevleri (insan eşdeğeri süre cinsinden) göstermektedir.49
Yukarıdaki şekil, yapay zekâ ajanlarının %50 güvenilirlikle tamamlayabildikleri en uzun görevleri ölçerek yeteneklerinin nasıl geliştiğini göstermektedir.
Temel bulgu, frontier modellerin üstesinden gelebildiği görev süresinin üstel olarak arttığı ve kabaca her yedi ayda bir ikiye katlandığıdır. Bu, Claude Opus 5 ve GPT-5.6 gibi daha yeni modellerin artık bir insanın yaklaşık bir saatini alacak görevleri tamamlayabildiği, GPT-2 gibi eski modellerin ise birkaç saniyeden uzun görevlerin üstesinden ancak gelebildiği anlamına geliyor.
Gölgeli bölge istatistiksel belirsizliği yansıtıyor, ancak genel eğilim güvenilirdir. Bu model devam ederse, yapay zekâ sistemleri yakında insanların günlerce hatta haftalarca süren karmaşık görevlerin üstesinden gelebilir; bu da daha geniş otonomiye ve AGI benzeri yeteneklere doğru önemli bir adımdır.
AGI’ye giden yol olarak ölçekleme
Frontier yapay zekâ laboratuvarlarının liderleri, mevcut transformatör tabanlı yaklaşımları ölçeklemenin AGI’yi getirebileceğine inanıyor; bu da birkaç yıl içinde AGI’ye ulaşılacağına dair tahminlerini besliyor.
AGI’ye önerilen yollardan biri, işlem gücünü ve veriyi artırarak transformatörler gibi mevcut mimarileri ölçeklendirmek; bir diğeri ise tamamen yeni yaklaşımlar geliştirmektir.
Ölçekleme hipotezini desteklemek amacıyla Epoch YZ tarafından 2024’te yayınlanan bir rapor, yapay zekâ işlem gücü büyümesinin 2030’a kadar sürüp süremeyeceğini analiz etti.
Dört temel kısıt belirlediler: güç bulunabilirliği, çip üretim kapasitesi, veri kıtlığı ve işlem gecikmesi (Bkz. Şekil 6).
Bu zorluklara rağmen, altyapıya önemli yatırımlar yapılması koşuluyla on yılın sonuna kadar 2e29 FLOP’a kadar işlem gerektiren modellerin eğitilmesinin uygulanabilir olduğunu savunuyorlar.
Bu tür ilerlemeler, bizi AGI’ye daha da yaklaştırarak GPT-4 gibi günümüzün en gelişmiş modellerinden çok daha yetenekli yapay zekâ sistemleri üretebilir.50
Şekil 6: Grafik, temel kısıtlar olan güç, çip üretimi, veri ve gecikme altında 2030 itibarıyla yapay zekâ eğitim işlem gücüne ilişkin tahmini üst sınırları, 2e29 ile 3e31 FLOP arasında değişen medyanlarla göstermektedir.
Ölçeklemenin ötesinde: Yeni mimarilerin gerekliliği
Ancak Yann LeCun ve Richard Sutton gibi etkili yapay zekâ bilim insanları, büyük dil modellerini ölçeklemenin insan düzeyinde zekâya yol açmayacağına inanıyor.51 52 AGI için yeni mimarilerin veya yaklaşımların gerekli olduğuna inanıyorlar.
AGI’ye ulaşıp ulaşmadığımızı nasıl ölçebiliriz?
Büyük dil modelleri her hafta yeni benchmarkları geride bırakıyor, ancak veri zehirleme ve insan düzeyinde zekâ için kabul edilmiş bilimsel bir tanımın bulunmaması gibi sorunlar nedeniyle LLM’leri değerlendirmek zordur.
Bu endişeler, son araştırmalardan elde edilen içgörülerle daha da güçleniyor.53 Bu içgörüler, özellikle bilimsel ve yüksek riskli alanlarda LLM’leri ölçeklemenin daha iyi performansa giden sürdürülebilir bir yol olmadığını vurguluyor. Yazarlar şunları gösteriyor:
- LLM’ler çok düşük ölçekleme üstelleri (~0.1) sergiler; bu da veri veya işlem gücündeki büyük artışların bile çok küçük doğruluk kazanımları sağladığı anlamına gelir.
- LLM’lerin öğrenme gücü, Gauss dışı çıktılar üretme yeteneklerinden kaynaklanır, ancak bu aynı zamanda hata birikimlerine ve kırılgan tahminlere yol açar.
- Kayıp fonksiyonları gibi geleneksel ölçütler, gerçek yakınsama veya doğrulukla uyumlu olmayan sözde ölçütlerdir.
- Sentetik veya tekrarlayan verilerle eğitilen modeller hataları düzeltilenden daha hızlı biriktirdiğinde, bir Dejeneratif Yapay Zekâ (DAI) rejimi ortaya çıkabilir.
Bu bulgular, standart benchmarkların güvenilirliğini sorgulatmakta ve daha çeşitli ve gelişen değerlendirme stratejilerine duyulan ihtiyacı vurgulamaktadır.
Turing testi gibi eski ölçütler günümüz makineleriyle boy ölçüşemez ve ARC-AGI gibi yeni ölçütler daha geniş benchmarkların genelleştirme yeteneklerinden yoksun olabilir.
ARC-AGI gibi yeni ortaya çıkan ölçütler soyutlama ve genelleştirmeyi test etmeyi amaçlar, ancak yine de veri kirliliğine veya aşırı uyuma karşı dayanıklılıktan yoksun olabilir.
Ayrıca, makalenin vurguladığı gibi, “iyi” kayıp skorları bile Gauss dışı dalgalanmalar ve eğitim kararsızlıkları nedeniyle altta yatan bilgi felaketlerini gizleyebilir.53
LLM’lerin ilerlemesini nasıl izleyebiliriz?
Bu zorlukların üstesinden gelmek için benchmarking konusunda birkaç yaklaşım vardır:
- Benchmark sorularını sık sık güncellemek. Gerçek hayattan örnek: LiveBench
- Veri zehirlemeyi önlemek için holdout setleri kullanmak: AIMultiple’ün AGI benchmarkı veya ARC-AGI gibi benchmarkları.
AGI’yi belirlemek için benchmarking ötesindeki yaklaşımlar nelerdir?
Yapay zekânın etkisine dair potansiyel olarak güçlü ancak gecikmeli göstergeler vardır ve bunlar AGI’yi belirlemeye yardımcı olabilir.
Ekonomik büyüme
Microsoft CEO’su Satya Nadella, gelişmiş dünyadaki %10 büyümenin AGI’ye işaret edeceğini iddia ediyor.54 . Ancak AGI, OpenAI ve Microsoft’ın özel ortaklığını sona erdireceği için onun teşviki AGI tanımını geciktirmekten yanadır.55
İşsizlik
AGI’nin şunları yapmasını bekliyoruz:
- Beyaz yakalı istihdamını, işgücündeki insanların payı olarak ölçüldüğünde küresel zirvesinin %10’una düşürmek. Bu, yapay zekâ nedeniyle emeğin gelirden aldığı pay önemli ölçüde düşerse gerçekleşmelidir.
- GSYH büyümesi sürerken
Makinelerin insanlardan daha zeki ve verimli olduğu bir dünyada, bir insana bilgisayar başında oturması için ödeme yapmak rasyonel olmazdı. Bu nedenle, insanlar fiziksel dünyadaki işlerde gelişmeye devam ederken beyaz yakalı istihdamının hızla düşmesini bekliyoruz.
İşgücü istatistikleri toplayan devlet kurumları işleri ayrıntılı kategorilere ayırır; bu da beyaz yakalı istihdamını izlemesi kolay bir ölçüt haline getirir.
ABD Çalışma İstatistikleri Bürosu’ndan 2019’dan 2024’e kadar beyaz yakalı istihdamına ilişkin verileri topladık.56 Netlik ve tutarlılık için beyaz yakalı çalışanları aşağıdaki meslek gruplarına ayırdık:
- Mimarlık ve Mühendislik Meslekleri
- İşletme ve Finansal Operasyon Meslekleri
- Bilgisayar ve Matematik Meslekleri
- Sağlık Uygulayıcıları ve Teknik Meslekler
- Hukuk Meslekleri
- Yaşam, Fizik ve Sosyal Bilim Meslekleri
- Yönetim Meslekleri
- Büro ve İdari Destek Meslekleri
- Satış ve İlgili Meslekler
Analizimize göre, beyaz yakalı çalışanların toplam istihdama oranı bu dönemde %45 ile %48 arasında dalgalanmıştır.
Bu aralık, şu ana kadar beyaz yakalı istihdam payında göreli bir istikrar olduğunu gösterse de uzun vadeli bir eğilimin göstergesi değildir ve otomasyon ile yapay zekâ benimsemesi hızlandıkça önümüzdeki yıllarda daha belirgin değişimler bekliyoruz. Yapay zekânın beyaz yakalı ve giriş düzeyindeki istihdamı nasıl değiştireceğine dair daha fazla tahmin için yapay zekâ iş kaybı sayfasını okuyun.
AGI’yi hedeflemeli miyiz?
AGI’yi nihai hedef olarak görmenin yapay zekâ araştırmalarını çarpıtabileceği konusunda uyarıda bulunan bilgisayar bilimciler var.57 Eleştiriler arasında şunlar yer alıyor: uzlaşı yanılsaması yaratmak, benchmarklara aşırı uyum sağlamak, gömülü toplumsal değerleri göz ardı etmek, abartının öncelikleri belirlemesine izin vermek, “genellik borcu” biriktirmek (temel tasarım sorularını ertelemek) ve ötekileştirilmiş toplulukları ve kaynakları yetersiz araştırmacıları dışlamak.
Belirli, ölçülebilir ve şeffaf hedefler, yapay zekâdaki ilerleme için AGI gibi belirsiz tanımlanmış bir hedeften daha iyi olacaktır.
Tercih edilen kaynak olarak ekleAGI tahminlerinin arkasındaki matematiksel akıl yürütme
AGI zaman çizelgelerini anlamak ve tahmin etmek için matematiksel akıl yürütme merkezi öneme sahiptir. Birçok tahmin, yapay genel zekânın ne zaman ortaya çıkabileceğine dair beklentilere yön veren ölçülebilir eğilimlere ve biçimsel modellere dayanmaktadır.
Ölçekleme yasaları ve işlem gücü büyümesi
Matematiksel akıl yürütmenin önemli bileşenlerinden biri ölçekleme yasalarını analiz etmeyi içerir. Bunlar, model performansının daha fazla veri, parametre ve işlem gücüyle öngörülebilir şekilde arttığını gösterir.
Yapay zekâ eğitim işlem gücündeki tutarlı yıllık 4–5× büyüme, mevcut eğilimlerin sürmesi koşuluyla AGI’nin bir veya yirmi yıl içinde başarılabileceğine dair tahminleri desteklemektedir.
Bu tahminler, matematiksel modellemede temel bir kavram olan güç yasası ilişkileriyle desteklenen performans eğrilerine deneysel uyumlara ve dış değerlemelere dayanmaktadır.
Olasılıksal tahmin
Araştırmacılar AGI tahminlerine olasılıksal yöntemler de uygular. Anketler genellikle uzmanlardan AGI’nin belirli yıllara kadar geliştirilme olasılığını tahmin etmelerini ister ve kümülatif olasılık dağılımları üretir.
Örneğin, 2040’a kadar %50 olasılık, gözlemlenen yapay zekâ ilerlemesine dayalı Bayes tarzı güncellemeyle yönlendirilen belirsizlik altındaki uzlaşıyı yansıtır.
Bu matematiksel akıl yürütme yaklaşımı, kesin tarihler gerektirmeden uzman belirsizliğini yakalar ve yeni veriler elde edildikçe sürekli revizyona olanak tanır.
Teorik temeller
Bu tahminler, insan bilişinin makineler tarafından simüle edilebileceğini ifade eden Church-Turing tezi ve zekâyı bilginin sıkıştırılabilirliğiyle ilişkilendiren Kolmogorov karmaşıklığı gibi kavramlar dahil olmak üzere matematiksel akıl yürütmenin teorik unsurlarına dayanmaktadır.
Bu tür teoriler AGI’yi garanti etmese de, olasılığı ve ilgili hesaplama gereksinimleri hakkında düşünmek için bir çerçeve sağlar.
Yapay Genel Zekâ hakkında daha fazla bilgi
Google DeepMind’da Baş Araştırma Bilimcisi David Silver
Yapay Genel Zekânın (AGI), tıpkı bilim, müzik veya spor gibi çeşitli alanlarda uzmanlaşabilen insanlar gibi geniş bir görev yelpazesini öğrenebilen ve bu görevlerde mükemmelleşen yapay zekâ sistemlerini ifade ettiğini açıklıyor.
Tek bir işlevle sınırlı dar yapay zekânın aksine AGI, insan uyum yeteneğini ve genel problem çözme becerisini yansıtmayı hedefler.
AGI’nin uzun vadeli bir hedef olduğunu, gerçek insan düzeyinde zekâya ulaşmanın büyük olasılıkla birkaç atılım gerektireceğini ve kademeli olarak gelişeceğini belirtiyor (Aşağıdaki videoya bakın).
OpenAI’nın kurucu ortağı ve Baş Bilimcisi Ilya Sutskever
“The Exciting, Perilous Journey Toward AGI” adlı TED Konuşması’nda, Yapay Genel Zekâya (AGI) doğru hızlı ilerlemeyi ele alıyor.
Bu zaman çizelgesindeki belirsizliği kabul etmekle birlikte, AGI’nin önümüzdeki 5 ila 10 yıl içinde ortaya çıkabileceğini tahmin ediyor.
Sutskever, AGI’nin hem muazzam potansiyelini hem de derin risklerini vurguluyor ve gelişimini insani değerlerle uyumlu hale getirme gereğinin altını çiziyor. Zorluklara rağmen insanlığın bu güçlü teknolojiyi güvenle yönlendirebileceği konusunda iyimser (Aşağıdaki videoya bakın).
Bilgisayar bilimci ve girişimci Ray Kurzweil
İlkel araçlardan büyük dil modellerine kadar, insanlığın zekâyı artıran araçlar üretme becerisinin izini sürerek altmış yılı aşkın yapay zekâ ilerlemesini değerlendiriyor.
Ayrıca Yapay Genel Zekânın 2029’a kadar geleceğini ve 2045’e kadar teknolojik tekilliğe yol açacağını tahmin ediyor. İşlem gücü, tıp ve biyoteknolojideki üstel ilerlemelerin altını çiziyor.
Ayrıca yapay zekâ tarafından üretilen tedaviler, dijital klinik deneyler ve bilimsel ilerlemenin yaşamı süresiz olarak uzatabileceği uzun ömür kaçış hızı gibi atılımlar öngörüyor (Aşağıdaki videoya bakın).
Turing ödülü sahibi Yann LeCun
LLM’lerin bize neden insan düzeyinde zekâ veremeyeceğini ve bu hedefe ulaşmak için en son yapay zekâ yaklaşımlarını görün:
Yapay genel zekâ tahminleri
Tekillik grafiği metodolojisi
Grafikte AGI gelişiminin beklenen yılını çizmek için, her kategori içinde her yıl için tahminlerin ağırlıklı ortalamasını kullandık. Örneğin, 2022’de birden fazla Tahmin Piyasası tahmini varsa, bunların ağırlıklı ortalamasını hesaplayıp bu değeri çizdik.
- Bireysel tahminler için 18 yapay zekâ uzmanının tahminlerini dahil ettik.
- Bilimsel tahminler için AGI için zaman çizelgeleri sunan 10 hakemli makaleden anket sonuçları topladık.
- Tahmin piyasası sonuçları için 3 tahmin piyasasından (Manifold, Kalshi ve Metaculus) tahminleri dahil ettik.
Sonuç
AGI’ye ilişkin tahminler son yıllarda önemli ölçüde değişti. Daha önceki anketler ulaşılacağı tarihi 2060’a yakın olarak belirlerken, özellikle girişimcilerden gelen son tahminler bunun 2026–2035 gibi erken bir dönemde ortaya çıkabileceğini öne sürüyor.
Bu değişim, büyük dil modellerindeki hızlı ilerlemeler ve artan işlem gücüyle besleniyor. Yine de bu kazanımlara rağmen günümüz yapay zekâsı, insan düzeyinde zekâyla ilişkilendirilen genel esneklik ve otonomiden hâlâ yoksundur.
Uzmanlar AGI’ye nasıl ulaşılacağı konusunda bölünmüş durumda; bazıları mevcut mimarileri ölçeklemenin yeterli olacağına inanırken, diğerleri yeni yöntemlerin gerekli olduğunu savunuyor.
Temel zorluklar arasında yüksek kaynak talepleri, belirsiz benchmarklar ve çözülmemiş etik kaygılar yer alıyor. AGI daha yakın olabilir, ancak ulaşılması hem teknik atılımlara hem de dikkatli gözetime bağlıdır.
SSS'ler
Tekillik, makine zekâsında hızlı bir artışla sonuçlanması beklenen varsayımsal bir olaydır.
Tekillik için insan düzeyindeki düşünmeyi insanüstü hız ve hızla erişilebilen, neredeyse mükemmel bellek ile birleştiren bir sisteme ihtiyacımız var.
Tekillik ayrıca makine bilinciyle sonuçlanmalıdır; ancak bilinç iyi tanımlanmadığı için bu konuda kesin konuşamayız. Böyle bir sistem kendini geliştirebilir ve insan yeteneklerini aşabilir.
Tekillik nispeten eski bir terim olsa da aynı olayı tanımlamak için AGI ve özellikle süper zekâ daha sık kullanılmaktadır.
Yapay Genel Zekâ (AGI), geniş bir entelektüel görev yelpazesinde bilgiyi insanlara eşit veya onları aşan bir düzeyde anlayabilen, öğrenebilen ve uygulayabilen bir yapay zekâ türünü ifade eder.
Dil çevirisi veya görüntü tanıma gibi belirli görevler için tasarlanmış dar yapay zekânın aksine AGI, alışılmadık durumlarda akıl yürütmesini, plan yapmasını ve uyum sağlamasını mümkün kılan genelleştirilmiş bilişsel yeteneklere sahip olacaktır.
AGI’nin geliştirilmesi önemli bir araştırma hedefi ve etik ile felsefi tartışmanın konusu olmaya devam etmektedir.
Süper zekâ, yaratıcılık, problem çözme ve sosyal anlayış dahil neredeyse tüm alanlarda en iyi insan zihinlerini önemli ölçüde aşan bir zekâyı ifade eder.
Yapay bir sistemin her anlamlı entelektüel uğraşta insanlardan daha iyi performans gösterebileceği, AGI’nin ötesindeki bir aşamayı temsil eder.
Bu kavram, üstün zekânın hâkim olduğu bir dünyada kontrol, güvenlik ve insanlığın rolüne ilişkin uzun vadeli sonuçlar hakkında kritik hususları gündeme getirir.
İleri Makine Zekâsı (AMI), genel zekâya yaklaşan veya onu neredeyse yakalayan yetkin yapay zekâ sistemlerini içerir.
Henüz AGI ile ilişkilendirilen tam esneklik ve öz farkındalığa sahip olmayabilirler, ancak AMI sistemleri çeşitli görevlerde gelişmiş akıl yürütme, öğrenme ve uyum yeteneği sergiler.
Bu terim genellikle mevcut dar yapay zekâ yeteneklerini aşan ancak tam genel zekâ eşiğinin altında kalan yapay zekâ sistemlerini belirtmek için kullanılır.
Bu benchmarkı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularity: 10.000 Tahmin Analiz Edildi}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Erişim tarihi: 13 Ağustos 2026}
}219 veri noktasının sonuçları ve zaman damgaları. Bu makalede kullanılan verileri, 2 CSV dosyası ve bir README içeren ZIP dosyası olarak indirin.
Referans Linkleri
Cem'in çalışmaları Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır.
Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımlamıştır.
CEO'ya rapor verirken bir telekomünikasyon şirketinin teknoloji stratejisini ve satın alımını yönetmiştir. Ayrıca, 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alınmıştır.
Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş ve Columbia Business School'dan MBA derecesine sahiptir.
Yorumlar 12
Düşüncelerinizi Paylaşın
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!