We started OpenAI seven years ago because we felt like something really interesting was happening in AI and we wanted to help steer it in a positive direction. It's honestly just really amazing to see how far this whole field has come since then. And it's really gratifying to hear from people like Raymond who are using the technology we are building, and others, for so many wonderful things. We hear from people who are excited, we hear from people who are concerned, we hear from people who feel both those emotions at once. And honestly, that's how we feel. Above all, it feels like we're entering an historic period right now where we as a world are going to define a technology that will be so important for our society going forward. And I believe that we can manage this for good.
OpenAI’yi yedi yıl önce kurduk çünkü yapay zeka alanında gerçekten ilginç bir şeyler olduğunu hissettik ve bunu olumlu bir yöne yönlendirmeye yardımcı olmak istedik. O zamandan bu yana tüm bu alanın ne kadar ilerlediğini görmek gerçekten şaşırtıcı. Raymond gibi insanların bizim ve diğerlerinin geliştirdiği teknolojiyi pek çok harika şey için kullandığını duymak gerçekten çok sevindirici. Heyecan duyan, endişe duyan ve bu iki duyguyu aynı anda hisseden kişileri duyuyoruz. Dürüst olmak gerekirse, biz de böyle hissediyoruz. Her şeyden önce, şu anda dünya olarak toplumumuz için ileride çok önemli olacak bir teknolojiyi tanımlayacağımız tarihi bir döneme girdiğimizi hissediyorum. Bunu iyi bir şekilde yönetebileceğimize inanıyorum.
So today, I want to show you the current state of that technology and some of the underlying design principles that we hold dear.
Bu nedenle bugün size bu teknolojinin mevcut durumunu ve değer verdiğimiz bazı temel tasarım ilkelerini göstermek istiyorum.
So the first thing I'm going to show you is what it's like to build a tool for an AI rather than building it for a human. So we have a new DALL-E model, which generates images, and we are exposing it as an app for ChatGPT to use on your behalf. And you can do things like ask, you know, suggest a nice post-TED meal and draw a picture of it.
Size göstereceğim ilk şey, bir insan için araç geliştirmek yerine bir yapay zeka için araç geliştirmenin nasıl bir şey olduğu. Görüntü üreten yeni bir DALL-E modelimiz var ve bunu ChatGPT’nin sizin adınıza kullanacağı bir uygulama olarak sunuyoruz. TED sonrası güzel bir yemek önermek ve bunun resmini çizmek gibi şeyler yapabilirsiniz.
(Laughter)
(Kahkaha)
Now you get all of the, sort of, ideation and creative back-and-forth and taking care of the details for you that you get out of ChatGPT. And here we go, it's not just the idea for the meal, but a very, very detailed spread. So let's see what we're going to get. But ChatGPT doesn't just generate images in this case -- sorry, it doesn't generate text, it also generates an image. And that is something that really expands the power of what it can do on your behalf in terms of carrying out your intent. And I'll point out, this is all a live demo. This is all generated by the AI as we speak. So I actually don't even know what we're going to see. This looks wonderful.
Artık ChatGPT’den elde ettiğiniz tüm fikir ve yaratıcılığa ve sizin için ayrıntılarla ilgilenme özelliklerine sahipsiniz. İşte başlıyoruz, sadece yemek fikri değil, çok ama çok detaylı bir sunum. Bakalım ne alacağız. Ancak ChatGPT bu durumda sadece görüntü oluşturmaz -- pardon, metin oluşturmaz, aynı zamanda bir görüntü de oluşturur. Bu, niyetinizi gerçekleştirme açısından sizin adınıza yapabileceklerinin gücünü gerçekten artıran bir şeydir. Belirtmek isterim ki, bunların hepsi canlı bir demo. Biz konuşurken bunların hepsi AI tarafından üretiliyor. Yani aslında ne göreceğimizi bile bilmiyorum. Bu harika görünüyor.
(Applause)
(Alkışlar)
I'm getting hungry just looking at it.
Baktıkça acıkıyorum.
Now we've extended ChatGPT with other tools too, for example, memory. You can say "save this for later." And the interesting thing about these tools is they're very inspectable. So you get this little pop up here that says "use the DALL-E app." And by the way, this is coming to you, all ChatGPT users, over upcoming months. And you can look under the hood and see that what it actually did was write a prompt just like a human could. And so you sort of have this ability to inspect how the machine is using these tools, which allows us to provide feedback to them.
Şimdi ChatGPT’yi başka araçlarla da genişlettik, örneğin bellek. “Bunu sonraya sakla” diyebilirsiniz. Bu araçlarla ilgili ilginç olan şey, denetlenmeye çok açık olmalarıdır. “DALL-E uygulamasını kullanın” yazan küçük bir pencere açılıyor. Bu arada, bu önümüzdeki aylarda tüm ChatGPT kullanıcılarına geliyor. Kaputun altına bakabilir ve aslında yaptığı şeyin tıpkı bir insan gibi bir komut yazmak olduğunu görebilirsiniz. Böylece makinenin bu araçları nasıl kullandığını denetleme olanağına sahip oluyorsunuz ve bu da onlara geri bildirim sağlamamıza olanak tanıyor.
Now it's saved for later, and let me show you what it's like to use that information and to integrate with other applications too. You can say, “Now make a shopping list for the tasty thing I was suggesting earlier.” And make it a little tricky for the AI. "And tweet it out for all the TED viewers out there."
Şimdi daha sonrası için kaydedildi ve size bu bilgileri kullanmanın ve diğer uygulamalarla entegre etmenin nasıl bir şey olduğunu göstereyim. “Şimdi daha önce önerdiğim lezzetli şey için bir alışveriş listesi hazırla” diyebilirsiniz. Yapay zeka için biraz daha zorlaştıralım. “Tüm TED izleyicileri için bunu tweetle.”
(Laughter)
(Kahkaha)
So if you do make this wonderful, wonderful meal, I definitely want to know how it tastes.
Eğer bu harika yemeği yaparsanız, tadının nasıl olduğunu kesinlikle bilmek isterim.
But you can see that ChatGPT is selecting all these different tools without me having to tell it explicitly which ones to use in any situation. And this, I think, shows a new way of thinking about the user interface. Like, we are so used to thinking of, well, we have these apps, we click between them, we copy/paste between them, and usually it's a great experience within an app as long as you kind of know the menus and know all the options. Yes, I would like you to. Yes, please. Always good to be polite.
Ancak ChatGPT’nin, herhangi bir durumda hangisini kullanacağını açıkça söylememe gerek kalmadan tüm bu farklı araçları seçtiğini görebilirsiniz. Bence bu, kullanıcı arayüzü hakkında yeni bir düşünme biçimini gösteriyor. Şöyle düşünmeye çok alışkınız: Bu uygulamalara sahibiz, aralarında tıklıyoruz, aralarında kopyala/yapıştır yapıyoruz ve genellikle menüleri ve tüm seçenekleri bildiğiniz sürece bir uygulama içinde harika bir deneyim yaşıyorsunuz. Evet, isterim. Evet, lütfen. Kibar olmak her zaman iyidir.
(Laughter)
(Kahkaha)
And by having this unified language interface on top of tools, the AI is able to sort of take away all those details from you. So you don't have to be the one who spells out every single sort of little piece of what's supposed to happen.
Araçların üzerinde bu birleşik dil ara yüzüne sahip olarak, yapay zeka tüm bu ayrıntıları sizden alabilir. Yani ne olması gerektiğine dair her bir küçük parçayı açıklayan kişi olmak zorunda değilsiniz.
And as I said, this is a live demo, so sometimes the unexpected will happen to us. But let's take a look at the Instacart shopping list while we're at it. And you can see we sent a list of ingredients to Instacart. Here's everything you need. And the thing that's really interesting is that the traditional UI is still very valuable, right? If you look at this, you still can click through it and sort of modify the actual quantities. And that's something that I think shows that they're not going away, traditional UIs. It's just we have a new, augmented way to build them. And now we have a tweet that's been drafted for our review, which is also a very important thing. We can click “run,” and there we are, we’re the manager, we’re able to inspect, we're able to change the work of the AI if we want to. And so after this talk, you will be able to access this yourself. And there we go. Cool. Thank you, everyone.
Dediğim gibi, bu canlı bir demo, bu yüzden bazen beklenmedik şeyler başımıza gelebilir. Ama hazır başlamışken Instacart alışveriş listesine de bir göz atalım. Instacart’a bir malzeme listesi gönderdiğimizi görebilirsiniz. İhtiyacınız olan her şey burada. Gerçekten ilginç olan şey, geleneksel kullanıcı arayüzünün hala çok değerli olması, değil mi? Buna bakarsanız, yine de tıklayabilir ve gerçek miktarları değiştirebilirsiniz. Bence bu, geleneksel kullanıcı arayüzlerinin ortadan kalkmayacağını gösteren bir şey. Sadece onları inşa etmek için yeni ve geliştirilmiş bir yöntemimiz var. Şimdi incelememiz için hazırlanmış bir tweet var, ki bu da çok önemli bir şey. “Çalıştır”a tıklayabiliriz ve işte oradayız, yöneticiyiz, denetleyebiliyoruz, istersek yapay zekanın çalışmasını değiştirebiliyoruz. Yani bu konuşmadan sonra buna kendiniz erişebileceksiniz. İşte başlıyoruz. Güzel. Herkese teşekkür ederim.
(Applause)
(Alkışlar)
So we’ll cut back to the slides. Now, the important thing about how we build this, it's not just about building these tools. It's about teaching the AI how to use them. Like, what do we even want it to do when we ask these very high-level questions? And to do this, we use an old idea. If you go back to Alan Turing's 1950 paper on the Turing test, he says, you'll never program an answer to this. Instead, you can learn it. You could build a machine, like a human child, and then teach it through feedback. Have a human teacher who provides rewards and punishments as it tries things out and does things that are either good or bad.
Slaytlara geri dönelim. Şimdi, bunu nasıl inşa ettiğimizle ilgili önemli olan şey, sadece bu araçları inşa etmek değil. Yapay zekaya bunları nasıl kullanacağını öğretmekle ilgili. Mesela, bu çok üst düzey soruları sorduğumuzda ne yapmasını istiyoruz? Bunu yapmak için de eski bir fikri kullanıyoruz. Alan Turing’in 1950′de Turing testiyle ilgili yazdığı makaleye geri dönerseniz, asla bir cevap programlayamayacağınızı söylüyor. Bunun yerine, öğrenebilirsiniz. Bir makine yapabilirsiniz, tıpkı bir çocuk gibi, ve onu geri beslemeyle eğitebilirsiniz. Bir şeyler denedikçe ve iyi ya da kötü şeyler yaptıkça ödül ve ceza veren bir insan öğretmene sahipsiniz.
And this is exactly how we train ChatGPT. It's a two-step process. First, we produce what Turing would have called a child machine through an unsupervised learning process. We just show it the whole world, the whole internet and say, “Predict what comes next in text you’ve never seen before.” And this process imbues it with all sorts of wonderful skills. For example, if you're shown a math problem, the only way to actually complete that math problem, to say what comes next, that green nine up there, is to actually solve the math problem.
ChatGPT’yi tam olarak bu şekilde eğitiyoruz. İki aşamalı bir süreç. İlk olarak, denetimsiz bir öğrenme süreci aracılığıyla Turing’in çocuk makine diyeceği şeyi üretiyoruz. Bunu tüm dünyaya, tüm internete gösteriyoruz ve “Daha önce hiç görmediğin bir metinle sonra ne olacağını tahmin et” diyoruz. Bu süreç ona her türlü harika becerileri kazandırıyor. Örneğin, size bir matematik problemi gösterilirse, bu matematik problemini gerçekten tamamlamanın, bir sonraki adımın ne olduğunu söylemenin, yani şu yeşil dokuzu söylemenin tek yolu matematik problemini gerçekten çözmektir.
But we actually have to do a second step, too, which is to teach the AI what to do with those skills. And for this, we provide feedback. We have the AI try out multiple things, give us multiple suggestions, and then a human rates them, says “This one’s better than that one.” And this reinforces not just the specific thing that the AI said, but very importantly, the whole process that the AI used to produce that answer. And this allows it to generalize. It allows it to teach, to sort of infer your intent and apply it in scenarios that it hasn't seen before, that it hasn't received feedback.
Ama ikinci bir adım daha atmamız gerekiyor, o da AI’a bu becerilerle ne yapacağını öğretmek. Bunun için de geri bildirim yapıyoruz. AI’ın çok şeyi denemesini, bize çok öneri sunmasını ve sonra birinin bunları değerlendirerek “Bu, bundan daha iyi” demesini sağlıyoruz. Bu da sadece YZ’nin söylediği belirli bir şeyi değil, daha da önemlisi, YZ’nin bu cevabı üretmek için kullandığı tüm süreci güçlendirir. Bu da genelleme yapabilmesini sağlar. Öğretmesine, niyetinizi çıkarmasına ve daha önce görmediği, geri bildirim almadığı senaryolarda uygulamasına olanak tanır.
Now, sometimes the things we have to teach the AI are not what you'd expect. For example, when we first showed GPT-4 to Khan Academy, they said, "Wow, this is so great, We're going to be able to teach students wonderful things. Only one problem, it doesn't double-check students' math. If there's some bad math in there, it will happily pretend that one plus one equals three and run with it." So we had to collect some feedback data. Sal Khan himself was very kind and offered 20 hours of his own time to provide feedback to the machine alongside our team. And over the course of a couple of months we were able to teach the AI that, "Hey, you really should push back on humans in this specific kind of scenario." And we've actually made lots and lots of improvements to the models this way. And when you push that thumbs down in ChatGPT, that actually is kind of like sending up a bat signal to our team to say, “Here’s an area of weakness where you should gather feedback.” And so when you do that, that's one way that we really listen to our users and make sure we're building something that's more useful for everyone.
Şimdi, bazen yapay zekaya öğretmemiz gereken şeyler beklediğiniz gibi olmayabilir. Örneğin, GPT-4′ü Khan Academy’ye ilk gösterdiğimizde, “Vay canına, bu çok harika, öğrencilere harika şeyler öğretebileceğiz. Tek bir sorun var, öğrencilerin hesabını iki kez kontrol etmiyor. Eğer içinde yanlış hesap varsa, bir artı bir eşittir üçmüş gibi davranacak ve bunu seve seve yapacaktır.” Bu yüzden bazı geri bildirim verisi toplamamız gerekti. Sal Khan’ın kendisi çok nazikti ve ekibimizle birlikte makineye geri bildirim sağlamak için 20 saatini ayırdı. Birkaç ay boyunca yapay zekaya şunu öğretmeyi başardık: “Hey, bu tür özel senaryolarda insanları gerçekten geri püskürtmelisin.” Aslında bu şekilde modellerde pek çok iyileştirme yaptık. ChatGPT’de baş parmağınızı aşağı doğru ittiğinizde, bu aslında ekibimize “İşte geri bildirim toplamanız gereken bir zayıflık alanı” demek için bir tür yarasa sinyali göndermek gibidir. Bunu yaptığınızda, kullanıcılarımızı gerçekten dinlememizin ve herkes için daha kullanışlı bir şey inşa ettiğimizden emin olmamızın bir yolu budur.
Now, providing high-quality feedback is a hard thing. If you think about asking a kid to clean their room, if all you're doing is inspecting the floor, you don't know if you're just teaching them to stuff all the toys in the closet. This is a nice DALL-E-generated image, by the way. And the same sort of reasoning applies to AI. As we move to harder tasks, we will have to scale our ability to provide high-quality feedback. But for this, the AI itself is happy to help. It's happy to help us provide even better feedback and to scale our ability to supervise the machine as time goes on. And let me show you what I mean.
Şimdi, yüksek kaliteli geri bildirim vermek zor bir şeydir. Bir çocuktan odasını temizlemesini istediğinizi düşünürseniz, yaptığınız tek şey zemini kontrol etmekse, ona tüm oyuncakları dolaba tıkmayı öğretip öğretmediğinizi bilemezsiniz. Bu arada, DALL-E tarafından oluşturulmuş güzel bir görüntü. Aynı mantık yapay zeka için de geçerli. Daha zor görevlere geçtikçe, yüksek kaliteli geri bildirim sağlama becerimizi ölçeklendirmemiz gerekecek. Ancak bunun için yapay zekanın kendisi yardımcı olmaktan mutluluk duyar. Zaman geçtikçe daha da iyi geri bildirim vermemize ve makineyi denetleme yetimizi artırmamıza yardımcı olmaktan mutluluk duyuyor. Size ne demek istediğimi göstereyim.
For example, you can ask GPT-4 a question like this, of how much time passed between these two foundational blogs on unsupervised learning and learning from human feedback. And the model says two months passed. But is it true? Like, these models are not 100-percent reliable, although they’re getting better every time we provide some feedback. But we can actually use the AI to fact-check. And it can actually check its own work. You can say, fact-check this for me.
Örneğin, GPT-4′e şöyle bir soru sorabilirsiniz: Denetimsiz öğrenme ve insan geribildiriminden öğrenme hakkındaki bu iki temel blog arasında ne kadar zaman geçti? Model iki ay geçtiğini söylüyor. Ama bu doğru mu? Mesela, bu modeller yüzde 100 güvenilir değil, ancak her geri bildirim yaptığımızda daha iyi hale geliyorlar. Ama aslında yapay zekayı gerçekleri kontrol etmek için kullanabiliriz. Aslında kendi çalışmasını kontrol edebilir. Benim için kontrol et diyebilirsiniz.
Now, in this case, I've actually given the AI a new tool. This one is a browsing tool where the model can issue search queries and click into web pages. And it actually writes out its whole chain of thought as it does it. It says, I’m just going to search for this and it actually does the search. It then it finds the publication date and the search results. It then is issuing another search query. It's going to click into the blog post. And all of this you could do, but it’s a very tedious task. It's not a thing that humans really want to do. It's much more fun to be in the driver's seat, to be in this manager's position where you can, if you want, triple-check the work. And out come citations so you can actually go and very easily verify any piece of this whole chain of reasoning. And it actually turns out two months was wrong. Two months and one week, that was correct.
Şimdi, bu durumda, yapay zekaya yeni bir araç verdim. Bu, modelin arama sorguları oluşturabildiği ve web sayfalarına tıklayabildiği bir tarama aracıdır. Bunu yaparken aslında tüm düşünce zincirini yazar. Sadece bunu arayacağım diyor ve gerçekten arama yapıyor. Daha sonra yayın tarihini ve arama sonuçlarını bulur. Daha sonra başka bir arama yapıyor. Blog yazısına tıklayacak. Tüm bunları yapabilirsiniz, ancak bu çok sıkıcı bir iş. Bu insanların gerçekten yapmak istediği bir şey değil. Sürücü koltuğunda olmak işi keyfinize göre üç kez bile kontrol edebileceğiniz bu yönetici pozisyonunda olmak çok daha eğlenceli. Alıntılar ortaya çıkıyor, böylece aslında gidip tüm bu mantık zincirinin herhangi bir parçasını kolayca doğrulayabilirsiniz. Aslında iki ayın yanlış olduğu ortaya çıktı. İki ay ve bir hafta, doğru olan bu.
(Applause)
(Alkış)
And we'll cut back to the side. And so thing that's so interesting to me about this whole process is that it’s this many-step collaboration between a human and an AI. Because a human, using this fact-checking tool is doing it in order to produce data for another AI to become more useful to a human. And I think this really shows the shape of something that we should expect to be much more common in the future, where we have humans and machines kind of very carefully and delicately designed in how they fit into a problem and how we want to solve that problem. We make sure that the humans are providing the management, the oversight, the feedback, and the machines are operating in a way that's inspectable and trustworthy. And together we're able to actually create even more trustworthy machines. And I think that over time, if we get this process right, we will be able to solve impossible problems.
Slayta dönelim. Tüm bu süreçte benim için en ilginç olan şey, bunun bir insan ile yapay zeka arasındaki çok adımlı bir işbirliği olması. Çünkü bu kontrol aracını kullanan biri, bunu başka bir yapay zekanın bir insana daha faydalı olabilmesi için veri üretmek amacıyla yapıyor. Bence bu, gelecekte çok daha yaygın olmasını beklememiz gereken, insanların ve makinelerin bir soruna nasıl uyduklarını ve bu sorunu nasıl çözmek istediğimizi çok dikkatli ve hassas bir şekilde tasarladığımız bir şeyin şeklini gösteriyor. İnsanların yönetimi, gözetimi ve geri bildirimi sağladığından ve makinelerin denetlenebilir ve güvenilir bir şekilde çalıştığından emin oluyoruz. Birlikte aslında daha da güvenilir makineler yaratabiliyoruz. Bu süreci doğru bir şekilde yürütürsek, zaman içinde imkansız sorunları çözebileceğimizi düşünüyorum.
And to give you a sense of just how impossible I'm talking, I think we're going to be able to rethink almost every aspect of how we interact with computers. For example, think about spreadsheets. They've been around in some form since, we'll say, 40 years ago with VisiCalc. I don't think they've really changed that much in that time. And here is a specific spreadsheet of all the AI papers on the arXiv for the past 30 years. There's about 167,000 of them. And you can see there the data right here. But let me show you the ChatGPT take on how to analyze a data set like this.
Ne kadar imkansız bir şeyden bahsettiğimi anlamanız için, bilgisayarlarla etkileşimimizin neredeyse her yönünü yeniden düşünebileceğimizi düşünüyorum. Örneğin, hesap tablolarını düşünün. O zamandan beri bir şekilde varlar, 40 yıl önce VisiCalc ile diyelim. Bu süre içinde çok fazla değiştiklerini sanmıyorum. İşte son 30 yılda arXiv’deki tüm yapay zeka makalelerinin bir tablosu. Yaklaşık 167,000 tane var. Verileri burada görebilirsiniz. Ancak size ChatGPT’nin böyle bir veri setini nasıl analiz edeceğini göstereyim.
So we can give ChatGPT access to yet another tool, this one a Python interpreter, so it’s able to run code, just like a data scientist would. And so you can just literally upload a file and ask questions about it. And very helpfully, you know, it knows the name of the file and it's like, "Oh, this is CSV," comma-separated value file, "I'll parse it for you." The only information here is the name of the file, the column names like you saw and then the actual data. And from that it's able to infer what these columns actually mean. Like, that semantic information wasn't in there. It has to sort of, put together its world knowledge of knowing that, “Oh yeah, arXiv is a site that people submit papers and therefore that's what these things are and that these are integer values and so therefore it's a number of authors in the paper," like all of that, that’s work for a human to do, and the AI is happy to help with it.
ChatGPT’ye başka bir araca erişim verebiliriz, bu bir Python yorumlayıcısı, böylece tıpkı bir veri bilimcisinin yapacağı gibi kod çalıştırabilir. Yani tam olarak bir dosya yükleyebilir ve sorular sorabilirsiniz. Çok yardımcı bir şekilde, bilirsiniz, dosyanın adını bilir ve “Oh, bu CSV,” virgülle ayrılmış değer dosyası, “Sizin için ayrıştıracağım.” Buradaki tek bilgi dosyanın adı, gördüğünüz gibi sütun adları ve ardından gerçek verilerdir. Buradan, bu sütunların gerçekte ne anlama geldiği çıkarılabilir. Sanki o anlamsal bilgi orada yokmuş gibi. “Evet, arXiv insanların makale gönderdiği bir site ve bu nedenle bu şeylerin ne olduğu ve bunların tamsayı olduğu ve bu nedenle makaledeki yazar sayısı olduğu” bilgisini bir araya getirmek zorundadır. tüm bunlar gibi, bunu da bir insanın yapması gerekir ve AI bu konuda yardımcı olmaktan mutluluk duyar.
Now I don't even know what I want to ask. So fortunately, you can ask the machine, "Can you make some exploratory graphs?" And once again, this is a super high-level instruction with lots of intent behind it. But I don't even know what I want. And the AI kind of has to infer what I might be interested in. And so it comes up with some good ideas, I think. So a histogram of the number of authors per paper, time series of papers per year, word cloud of the paper titles. All of that, I think, will be pretty interesting to see. And the great thing is, it can actually do it. Here we go, a nice bell curve. You see that three is kind of the most common. It's going to then make this nice plot of the papers per year. Something crazy is happening in 2023, though. Looks like we were on an exponential and it dropped off the cliff. What could be going on there? By the way, all this is Python code, you can inspect. And then we'll see word cloud. So you can see all these wonderful things that appear in these titles.
Şimdi ne sormak istediğimi bile bilmiyorum. Neyse ki, makineye “Bazı keşif grafikleri yapabilir misin?” diye sorabilirsiniz. Bir kez daha, bu, arkasında çok fazla niyet olan süper üst düzey bir talimattır. Ama ben ne istediğimi bile bilmiyorum. AI da neyle ilgilenebileceğime dair bir çıkarım yapmak zorunda. Bence bazı iyi fikirler ortaya çıkıyor. Yani makale başına yazar sayısı histogramı, yıl başına makale zaman serisi, makale başlıklarının kelime bulutu. Sanırım tüm bunları görmek oldukça ilginç olacak. Harika olan şey, bunu gerçekten yapabiliyor olması. İşte başlıyoruz, güzel bir çan eğrisi. Üçün en yaygın olanı olduğunu görüyorsunuz. Daha sonra her yıl gazetelerin bu güzel grafiğini oluşturacak. Yine de 2023′te çılgınca bir şey oluyor. Görünüşe göre üstel bir seyir izliyorduk ve uçurumdan düştük. Orada neler oluyor olabilir? Bu arada, tüm bunlar Python kodu, inceleyebilirsiniz. Sonra kelime bulutunu göreceğiz. Böylece bu başlıklarda görünen tüm bu harika şeyleri görebilirsiniz.
But I'm pretty unhappy about this 2023 thing. It makes this year look really bad. Of course, the problem is that the year is not over. So I'm going to push back on the machine. [Waitttt that's not fair!!! 2023 isn't over. What percentage of papers in 2022 were even posted by April 13?] So April 13 was the cut-off date I believe. Can you use that to make a fair projection? So we'll see, this is the kind of ambitious one.
Ama şu 2023 meselesi beni çok mutsuz ediyor. Bu yılı gerçekten kötü gösteriyor. Tabii ki sorun, yılın henüz bitmemiş olması. Bu yüzden makineyi geri iteceğim. [Bekle bu adil değil!!! 2023 daha bitmedi. 2022′deki makalelerin yüzde kaçı 13 Nisan’a kadar gönderildi?] Sanırım 13 Nisan son tarihti. Bunu adil bir projeksiyon yapmak için kullanabilir misiniz? Göreceğiz, bu iddialı bir tür.
(Laughter)
(Gülüşmeler)
So you know, again, I feel like there was more I wanted out of the machine here. I really wanted it to notice this thing, maybe it's a little bit of an overreach for it to have sort of, inferred magically that this is what I wanted. But I inject my intent, I provide this additional piece of, you know, guidance. And under the hood, the AI is just writing code again, so if you want to inspect what it's doing, it's very possible. And now, it does the correct projection.
Yani yine makineden istediğim daha fazla şey varmış gibi hissediyorum. Bu şeyi fark etmesini gerçekten istedim, belki de sihirli bir şekilde istediğimin bu olduğu sonucuna varması biraz abartılı olabilir. Ancak niyetimi enjekte ediyorum, bu ek parçayı, bilirsiniz, rehberlik ediyorum. Kaputun altında, AI sadece tekrar kod yazıyor, bu yüzden ne yaptığını incelemek istiyorsanız, bu çok mümkün. Şimdi, doğru projeksiyonu yapıyor.
(Applause)
(Alkışlar)
If you noticed, it even updates the title. I didn't ask for that, but it know what I want.
Fark ettiyseniz, başlığı bile güncelliyor. Bunu ben istemedim, ama ne istediğimi biliyorum.
Now we'll cut back to the slide again. This slide shows a parable of how I think we ... A vision of how we may end up using this technology in the future. A person brought his very sick dog to the vet, and the veterinarian made a bad call to say, “Let’s just wait and see.” And the dog would not be here today had he listened. In the meanwhile, he provided the blood test, like, the full medical records, to GPT-4, which said, "I am not a vet, you need to talk to a professional, here are some hypotheses." He brought that information to a second vet who used it to save the dog's life. Now, these systems, they're not perfect. You cannot overly rely on them. But this story, I think, shows that a human with a medical professional and with ChatGPT as a brainstorming partner was able to achieve an outcome that would not have happened otherwise. I think this is something we should all reflect on, think about as we consider how to integrate these systems into our world.
Şimdi tekrar slayta döneceğiz. Bu slaytta bir benzetme gösterilmektedir nasıl düşündüğümüzü... Gelecekte bu teknolojiyi nasıl kullanabileceğimize dair bir vizyon. Bir kişi çok hasta olan köpeğini veterinere getirmiş ve veteriner kötü bir karar vererek “Bekleyelim ve görelim” demiş. Dinlemiş olsaydı köpek bugün burada olmazdı. Bu arada, GPT-4′e kan testini, yani tüm tıbbi kayıtları verdi ve “Ben veteriner değilim, bir profesyonelle konuşmanız gerekiyor, işte bazı hipotezler” dedi. Bu bilgiyi köpeğin hayatını kurtarmak için kullanan ikinci bir veterinere götürdü. Şimdi, bu sistemler mükemmel değil. Onlara fazla güvenemezsiniz. Ama bence bu hikaye, bir tıp uzmanıyla ve beyin fırtınası ortağı olarak ChatGPT ile bir insanın, başka türlü gerçekleşmeyecek bir sonuca ulaşabildiğini gösteriyor. Bence bu, bu sistemleri dünyamıza nasıl entegre edeceğimizi düşünürken hepimizin üzerinde düşünüp, kafa yorması gereken bir konu. Gerçekten derinden inandığım bir şey varsa
And one thing I believe really deeply, is that getting AI right is going to require participation from everyone. And that's for deciding how we want it to slot in, that's for setting the rules of the road, for what an AI will and won't do. And if there's one thing to take away from this talk, it's that this technology just looks different. Just different from anything people had anticipated. And so we all have to become literate. And that's, honestly, one of the reasons we released ChatGPT.
o da AI’ı doğru şekilde kullanmanın herkesin katılımını gerektireceğidir. Bu, nasıl yer almasını istediğimize karar vermek, yolun kurallarını belirlemek, bir AI’ın ne yapıp ne yapmayacağını belirlemek içindir. Bu konuşmadan çıkarılacak bir şey varsa, o da bu teknolojinin farklı göründüğüdür. İnsanların beklediğinden çok farklıydı. Bu yüzden hepimiz okuryazar olmak zorundayız. Dürüst olmak gerekirse, ChatGPT’yi çıkarmamızın nedenlerinden biri de bu.
Together, I believe that we can achieve the OpenAI mission of ensuring that artificial general intelligence benefits all of humanity.
Birlikte, yapay genel zekânın tüm insanlığa fayda sağlaması yönündeki OpenAI misyonunu başarabileceğimize inanıyorum.
Thank you.
Teşekkür ederim.
(Applause)
(Alkışlar)
(Applause ends)
(Alkışlar sona erer)
Chris Anderson: Greg. Wow. I mean ... I suspect that within every mind out here there's a feeling of reeling. Like, I suspect that a very large number of people viewing this, you look at that and you think, “Oh my goodness, pretty much every single thing about the way I work, I need to rethink." Like, there's just new possibilities there. Am I right? Who thinks that they're having to rethink the way that we do things? Yeah, I mean, it's amazing, but it's also really scary. So let's talk, Greg, let's talk.
Chris Anderson: Greg. Vay canına. Yani... Buradaki her zihnin içinde bir sersemleme hissi olduğundan şüpheleniyorum. Sanırım bunu izleyen çok sayıda insan, “Aman Tanrım, çalışma şeklimle ilgili hemen hemen her şeyi yeniden düşünmem gerekiyor” diye düşünüyor. Sanki orada yeni olasılıklar varmış gibi. Haksız mıyım? İşleri yapma şeklimizi yeniden düşünmek zorunda olduklarını kim düşünüyor? Evet, yani, bu harika, ama aynı zamanda gerçekten korkutucu. Hadi konuşalım Greg, konuşalım.
I mean, I guess my first question actually is just how the hell have you done this?
Sanırım ilk sorum bunu nasıl başardığın olacak.
(Laughter)
(Gülüşmeler)
OpenAI has a few hundred employees. Google has thousands of employees working on artificial intelligence. Why is it you who's come up with this technology that shocked the world?
OpenAI’nin birkaç yüz çalışanı var. Google’ın yapay zeka üzerinde çalışan binlerce çalışanı var. Neden dünyayı şok eden bu teknolojiyi bulan sizsiniz?
Greg Brockman: I mean, the truth is, we're all building on shoulders of giants, right, there's no question. If you look at the compute progress, the algorithmic progress, the data progress, all of those are really industry-wide. But I think within OpenAI, we made a lot of very deliberate choices from the early days. And the first one was just to confront reality as it lays. And that we just thought really hard about like: What is it going to take to make progress here? We tried a lot of things that didn't work, so you only see the things that did. And I think that the most important thing has been to get teams of people who are very different from each other to work together harmoniously.
Greg Brockman: Gerçek şu ki, hepimiz devlerin omuzları üzerinde yükseliyoruz, buna şüphe yok. Hesaplamadaki ilerlemeye, algoritmik ilerlemeye, verideki ilerleye bakarsanız, bunların hepsi endüstri-çapında. Ama bence OpenAI içinde, ilk günlerden itibaren çok bilinçli seçimler yaptık. İlki de gerçeklerle olduğu gibi yüzleşmekti. Bu konuda gerçekten çok düşündük: Burada ilerleme kaydetmek için ne gerekiyor? İşe yaramayan pek çok şey denedik, siz sadece işe yarayanları görüyorsunuz. Bence en önemli şey, birbirinden çok farklı insanlardan oluşan ekiplerin uyumlu bir şekilde birlikte çalışmasını sağlamak oldu.
CA: Can we have the water, by the way, just brought here? I think we're going to need it, it's a dry-mouth topic. But isn't there something also just about the fact that you saw something in these language models that meant that if you continue to invest in them and grow them, that something at some point might emerge?
CA: Bu arada suyu buraya getirebilir miyiz? Sanırım buna ihtiyacımız olacak, bu dili damağı kurutan bir konu. Ancak bu dil modellerinde, onlara yatırım yapmaya ve onları büyütmeye devam ederseniz, bir noktada bir şeylerin ortaya çıkabileceği anlamına gelen bir şey görmüş olmanızla ilgili bir şey de yok mu?
GB: Yes. And I think that, I mean, honestly, I think the story there is pretty illustrative, right? I think that high level, deep learning, like we always knew that was what we wanted to be, was a deep learning lab, and exactly how to do it? I think that in the early days, we didn't know. We tried a lot of things, and one person was working on training a model to predict the next character in Amazon reviews, and he got a result where -- this is a syntactic process, you expect, you know, the model will predict where the commas go, where the nouns and verbs are. But he actually got a state-of-the-art sentiment analysis classifier out of it. This model could tell you if a review was positive or negative. I mean, today we are just like, come on, anyone can do that. But this was the first time that you saw this emergence, this sort of semantics that emerged from this underlying syntactic process. And there we knew, you've got to scale this thing, you've got to see where it goes.
GB: Evet. Bence, yani, dürüst olmak gerekirse, bence buradaki hikaye oldukça açıklayıcı, değil mi? Bence üst düzey, derin öğrenme, her zaman olmak istediğimiz şeyin bu olduğunu biliyorduk, bir derin öğrenme labıydı. Sanırım ilk günlerde bunu bilmiyorduk. Pek çok şey denedik ve bir kişi Amazon incelemelerinde bir sonraki karakteri tahmin etmek için bir modeli eğitmek üzerinde çalışıyordu ve şöyle bir sonuç elde etti - bu sözdizimsel bir süreçtir, bilirsiniz, model virgüllerin nereye gideceğini, isimlerin ve fiillerin nerede olduğunu tahmin eder. Ama aslında bundan son teknoloji ürünü bir duygu analizi sınıflandırıcısı elde etti. Bu model size bir yorumun olumlu ya da olumsuz olduğunu söyleyebilir. Yani bugün, hadi ama, bunu herkes yapabilir diyoruz. Ancak bu ortaya çıkışı, bu altta yatan sözdizimsel süreçten ortaya çıkan bu tür bir anlambilimi ilk kez gördünüz. O zaman anladık ki, bu şeyi ölçeklendirmeli ve nereye gittiğini görmeliyiz.
CA: So I think this helps explain the riddle that baffles everyone looking at this, because these things are described as prediction machines. And yet, what we're seeing out of them feels ... it just feels impossible that that could come from a prediction machine. Just the stuff you showed us just now. And the key idea of emergence is that when you get more of a thing, suddenly different things emerge. It happens all the time, ant colonies, single ants run around, when you bring enough of them together, you get these ant colonies that show completely emergent, different behavior. Or a city where a few houses together, it's just houses together. But as you grow the number of houses, things emerge, like suburbs and cultural centers and traffic jams. Give me one moment for you when you saw just something pop that just blew your mind that you just did not see coming.
CA: Sanırım bu, bu konuya bakan herkesi şaşırtan bilmeceyi açıklamaya yardımcı oluyor, çünkü bu şeyler tahmin makineleri olarak tanımlanıyor. Yine de, onlardan gördüğümüz şey... bunun bir tahmin makinesinden gelmesi imkansız gibi geliyor. Az önce bize gösterdiğin şeyler. Ortaya çıkışın ana fikri, bir şeyden daha fazla elde ettiğinizde, aniden farklı şeylerin ortaya çıkmasıdır. Bu her zaman olur, karınca kolonileri, tek tek karıncalar etrafta dolaşır, yeterince karıncayı bir araya getirdiğinizde, farklı davranışlar gösteren bu karınca kolonilerini elde edersiniz. Ya da birkaç evin bir arada olduğu bir şehir, sadece evlerdir. Ancak konut sayısı arttıkça, banliyöler, kültür merkezleri ve trafik gibi şeyler ortaya çıkar. Hiç beklemediğiniz bir anda aklınızı başınızdan alan bir şeyin ortaya çıktığını gördüğünüz bir anınızı anlatın.
GB: Yeah, well, so you can try this in ChatGPT, if you add 40-digit numbers --
GB: Evet, bunu ChatGPT’de deneyebilirsiniz, eğer 40 basamaklı sayılar eklerseniz --
CA: 40-digit?
CA: 40 haneli mi?
GB: 40-digit numbers, the model will do it, which means it's really learned an internal circuit for how to do it. And the really interesting thing is actually, if you have it add like a 40-digit number plus a 35-digit number, it'll often get it wrong. And so you can see that it's really learning the process, but it hasn't fully generalized, right? It's like you can't memorize the 40-digit addition table, that's more atoms than there are in the universe. So it had to have learned something general, but that it hasn't really fully yet learned that, Oh, I can sort of generalize this to adding arbitrary numbers of arbitrary lengths.
GB: 40 basamaklı sayılar, model bunu yapacaktır, bu da nasıl yapılacağına dair gerçekten bir iç devre öğrendiği anlamına gelir. Asıl ilginç olan ise, 40 basamaklı bir sayı ile 35 basamaklı bir sayıyı toplatırsanız, genellikle yanlış yapar. Böylece süreci gerçekten öğrendiğini görebilirsiniz, ancak tam olarak genelleşmedi, değil mi? Bu, 40 basamaklı toplama tablosunu ezberleyememek gibi bir şey, bu da evrendeki atom sayısından daha fazladır. Yani genel bir şey öğrenmiş olmalı, ancak henüz tam olarak şunu öğrenmemiş olmalı: Bunu rastgele uzunluktaki, rastgele sayıları toplamak için genelleştirebilirim.
CA: So what's happened here is that you've allowed it to scale up and look at an incredible number of pieces of text. And it is learning things that you didn't know that it was going to be capable of learning.
CA: Yani burada olan şey, ölçeklenmesine ve inanılmaz sayıda metin parçasına bakmasına izin verdiniz. Öğrenebileceğini bilmediğiniz şeyleri öğreniyor.
GB Well, yeah, and it’s more nuanced, too. So one science that we’re starting to really get good at is predicting some of these emergent capabilities. And to do that actually, one of the things I think is very undersung in this field is sort of engineering quality. Like, we had to rebuild our entire stack. When you think about building a rocket, every tolerance has to be incredibly tiny. Same is true in machine learning. You have to get every single piece of the stack engineered properly, and then you can start doing these predictions. There are all these incredibly smooth scaling curves. They tell you something deeply fundamental about intelligence. If you look at our GPT-4 blog post, you can see all of these curves in there. And now we're starting to be able to predict. So we were able to predict, for example, the performance on coding problems. We basically look at some models that are 10,000 times or 1,000 times smaller. And so there's something about this that is actually smooth scaling, even though it's still early days.
GB: Evet, ayrıca daha incelikli bir konu. Gerçekten iyi olmaya başladığımız bir bilim dalı, ortaya çıkan bu yeteneklerden bazılarını tahmin etmektir. Bunu yapmak için, bu alanda çok az önemsendiğini düşündüğüm şeylerden biri de mühendislik kalitesidir. Tüm yığınımızı yeniden inşa etmek zorunda kaldık. Bir roket inşa etmeyi düşündüğünüzde, her toleransın inanılmaz küçük olması gerekir. Aynı şey makine öğrenmesinde de geçerlidir. Yığının her bir parçasını düzgün tasarlamanız gerekir ve sonra tahminleri yapmaya başlayabilirsiniz. Tüm bu yumuşak ölçeklendirme eğrileri var. Size zeka hakkında son derece temel bir şey söylüyorlar. GPT-4 blog yazımıza bakarsanız, tüm bu eğrileri orada görebilirsiniz. Şimdi tahmin edebilmeye başlıyoruz. Böylece, örneğin kodlama problemlerindeki performansı tahmin edebildik. Temelde 10.000 kat veya 1.000 kat daha küçük olan bazı modellere bakıyoruz. Dolayısıyla, henüz erken olmasına rağmen, bu konuda gerçekten de sorunsuz ölçeklendirilebilecek bir şey var.
CA: So here is, one of the big fears then, that arises from this. If it’s fundamental to what’s happening here, that as you scale up, things emerge that you can maybe predict in some level of confidence, but it's capable of surprising you. Why isn't there just a huge risk of something truly terrible emerging?
CA: O halde en büyük korkulardan biri de buradan kaynaklanıyor. Burada olan şey temelde buysa, ölçeği büyüttükçe, belki belli bir güven seviyesinde tahmin edebileceğiniz şeyler ortaya çıkar, ancak bu sizi şaşırtabilir. Neden gerçekten korkunç bir şeyin ortaya çıkması gibi büyük bir risk yok?
GB: Well, I think all of these are questions of degree and scale and timing. And I think one thing people miss, too, is sort of the integration with the world is also this incredibly emergent, sort of, very powerful thing too. And so that's one of the reasons that we think it's so important to deploy incrementally. And so I think that what we kind of see right now, if you look at this talk, a lot of what I focus on is providing really high-quality feedback. Today, the tasks that we do, you can inspect them, right? It's very easy to look at that math problem and be like, no, no, no, machine, seven was the correct answer. But even summarizing a book, like, that's a hard thing to supervise. Like, how do you know if this book summary is any good? You have to read the whole book. No one wants to do that.
GB: Bence bunların hepsi derece, ölçek ve zamanlama ile ilgili sorular. Bence insanların gözden kaçırdığı, dünya ile bütünleşmenin aynı zamanda inanılmaz derecede ortaya çıkan, çok güçlü bir şey olduğu. Aşamalı olarak dağıtımın çok önemli olduğunu düşünmemizin nedenlerinden biri de bu. Bence şu anda gördüğümüz şey, bu konuşmaya bakarsanız, odaklandıklarımın yüksek kaliteli geri bildirim olduğunu görürsünüz. Bugün, yaptığımız işleri denetleyebiliyorsunuz, değil mi? Bu matematik problemine bakıp, hayır, hayır, hayır, makine, doğru cevap yediydi demek çok kolay. Ama bir kitabı özetlemek bile denetlemesi zor bir şey. Mesela, bu kitap özeti iyi mi değil mi nereden biliyorsun? Bütün kitabı okumalısın. Kimse bunu yapmak istemiyor.
(Laughter) And so I think that the important thing will be that we take this step by step. And that we say, OK, as we move on to book summaries, we have to supervise this task properly. We have to build up a track record with these machines that they're able to actually carry out our intent. And I think we're going to have to produce even better, more efficient, more reliable ways of scaling this, sort of like making the machine be aligned with you.
(Kahkaha) Bu nedenle önemli olanın bunu adım adım gerçekleştirmemiz olduğunu düşünüyorum. Biz de tamam diyoruz, kitap özetlerine geçerken, bu görevi düzgün denetlemeliyiz. Bu makinelerin amacımızı gerçekten yerine getirebildiklerine dair bir sicil oluşturmamız gerekiyor. Bence bunu ölçeklendirmek için daha da iyi, daha verimli, daha güvenilir yollar üretmemiz gerekecek, bir nevi makinenin sizinle aynı hizada olmasını sağlamak gibi.
CA: So we're going to hear later in this session, there are critics who say that, you know, there's no real understanding inside, the system is going to always -- we're never going to know that it's not generating errors, that it doesn't have common sense and so forth. Is it your belief, Greg, that it is true at any one moment, but that the expansion of the scale and the human feedback that you talked about is basically going to take it on that journey of actually getting to things like truth and wisdom and so forth, with a high degree of confidence. Can you be sure of that?
CA: Bu oturumun ilerleyen bölümlerinde duyacağımız üzere, içeride gerçek bir anlayış olmadığını, sistemin her zaman hata üretmeyeceğini, sağduyulu olmadığını ve benzeri şeyleri asla bilemeyeceğimizi söyleyen eleştirmenler var. Greg, bunun herhangi bir anda doğru olduğuna, ancak ölçeğin genişlemesinin ve bahsettiğin geri bildirimin temelde onu hakikat, bilgelik ve benzeri şeylere yüksek derecede güvenle ulaşma yolculuğuna çıkaracağına inanıyor musun? Bundan emin olabilir misiniz?
GB: Yeah, well, I think that the OpenAI, I mean, the short answer is yes, I believe that is where we're headed. And I think that the OpenAI approach here has always been just like, let reality hit you in the face, right? It's like this field is the field of broken promises, of all these experts saying X is going to happen, Y is how it works. People have been saying neural nets aren't going to work for 70 years. They haven't been right yet. They might be right maybe 70 years plus one or something like that is what you need. But I think that our approach has always been, you've got to push to the limits of this technology to really see it in action, because that tells you then, oh, here's how we can move on to a new paradigm. And we just haven't exhausted the fruit here.
GB: Evet, bence OpenAI, yani kısa cevap evet, gittiğimiz yerin bu olduğuna inanıyorum. Bence OpenAI’nin buradaki yaklaşımı hep “Bırakın gerçeklik yüzünüze çarpsın” şeklinde olmuştur, değil mi? Sanki bu alan tutulmayan sözlerin, X olacak, Y böyle işliyor diyen uzmanların alanı gibi. İnsanlar 70 yıldır sinir ağlarının işe yaramayacağını söylüyor. Henüz haklı çıkmadılar. Haklı olabilirler, belki 70 yıl sonra ya da onun gibi bir şey. Ama bence bizim yaklaşımımız her zaman şu olmuştur: Bu teknolojiyi iş başında görmek için sınırlarını zorlamalısınız, çünkü bu size o zaman, ah, işte yeni bir paradigmaya nasıl geçebileceğimizi söyler. Buradaki meyveleri henüz tüketmedik.
CA: I mean, it's quite a controversial stance you've taken, that the right way to do this is to put it out there in public and then harness all this, you know, instead of just your team giving feedback, the world is now giving feedback. But ... If, you know, bad things are going to emerge, it is out there. So, you know, the original story that I heard on OpenAI when you were founded as a nonprofit, well you were there as the great sort of check on the big companies doing their unknown, possibly evil thing with AI. And you were going to build models that sort of, you know, somehow held them accountable and was capable of slowing the field down, if need be. Or at least that's kind of what I heard. And yet, what's happened, arguably, is the opposite. That your release of GPT, especially ChatGPT, sent such shockwaves through the tech world that now Google and Meta and so forth are all scrambling to catch up. And some of their criticisms have been, you are forcing us to put this out here without proper guardrails or we die. You know, how do you, like, make the case that what you have done is responsible here and not reckless.
CA: Demek istediğim, bunu yapmanın doğru yolunun halka açık bir şekilde ortaya koymak ve daha sonra tüm bunları kullanmak olduğu konusunda oldukça tartışmalı bir duruş sergilediniz, bilirsiniz, sadece ekibiniz değil dünya artık geri bildirim veriyor. Ama ... Eğer, biliyorsunuz, kötü şeyler ortaya çıkacak zaten orada. OpenAI hakkında duyduğum ilk hikaye, kar amacı gütmeyen bir kuruluş olarak kurulduğunuzda, büyük şirketlerin yapay zeka ile ilgili bilinmeyen, muhtemelen şeytani şeyleri yapmalarının önünde bir kontrol olarak oradaydınız. Bir şekilde onları sorumlu tutacak ve gerektiğinde sahayı yavaşlatabilecek modeller inşa edecektiniz. Ya da en azından ben öyle duydum. Oysa olan şey, tartışmalı bir şekilde, bunun tam tersidir. GPT’yi, özellikle de ChatGPT’yi piyasaya sürmeniz teknoloji dünyasında öyle bir şok etkisi yarattı ki, şimdi Google, Meta ve diğerlerinin hepsi bunu yakalamak için çabalıyor. Eleştirilerinden bazıları da şu oldu: Bizi bunu uygun korkuluklar olmadan buraya koymaya zorluyorsunuz yoksa ölürüz. Bilirsiniz, burada yaptığınız şeyin pervasızca değil de sorumlu bir şekilde yapıldığını nasıl savunursunuz?
GB: Yeah, we think about these questions all the time. Like, seriously all the time. And I don't think we're always going to get it right. But one thing I think has been incredibly important, from the very beginning, when we were thinking about how to build artificial general intelligence, actually have it benefit all of humanity, like, how are you supposed to do that, right? And that default plan of being, well, you build in secret, you get this super powerful thing, and then you figure out the safety of it and then you push “go,” and you hope you got it right. I don't know how to execute that plan. Maybe someone else does. But for me, that was always terrifying, it didn't feel right. And so I think that this alternative approach is the only other path that I see, which is that you do let reality hit you in the face. And I think you do give people time to give input. You do have, before these machines are perfect, before they are super powerful, that you actually have the ability to see them in action. And we've seen it from GPT-3, right? GPT-3, we really were afraid that the number one thing people were going to do with it was generate misinformation, try to tip elections. Instead, the number one thing was generating Viagra spam.
GB: Evet, bu soruları her zaman düşünüyoruz. Yani, cidden her zaman. Bunu her zaman doğru yapabileceğimizi sanmıyorum. Ama bence en başından beri, yapay genel zekayı nasıl inşa edeceğimizi, aslında tüm insanlığa nasıl fayda sağlayacağını düşündüğümüzde, bunu nasıl yapacağımızı düşünmek inanılmaz derecede önemliydi, değil mi? Bu varsayılan plan, gizlice inşa edersiniz, bu süper güçlü şeyi elde edersiniz ve sonra bunun güvenliğini çözersiniz ve sonra “başlat” düğmesine basar ve doğru yaptığınızı umarsınız. O planı nasıl uygulayacağımı bilmiyorum. Belki başka biri biliyordur. Ama benim için bu her zaman korkutucuydu, doğru gelmiyordu. Bence bu alternatif yaklaşım benim gördüğüm diğer tek yol, yani gerçekliğin yüzünüze çarpmasına izin vermeniz. İnsanlara görüşlerini bildirmeleri için zaman tanımanız. Bu makineler mükemmel olmadan önce, süper güçlü olmadan önce, onları gerçekten çalışırken görme olanağına sahipsiniz. Bunu GPT-3′te gördük, değil mi? GPT-3, insanların bununla yapacakları ilk şeyin yanlış bilgi üretmek ve seçimleri etkilemeye çalışmak olacağından gerçekten korkuyorduk. Onun yerine ilk yapılan Viagra spami üretmekti.
(Laughter)
(Gülüşmeler)
CA: So Viagra spam is bad, but there are things that are much worse. Here's a thought experiment for you. Suppose you're sitting in a room, there's a box on the table. You believe that in that box is something that, there's a very strong chance it's something absolutely glorious that's going to give beautiful gifts to your family and to everyone. But there's actually also a one percent thing in the small print there that says: “Pandora.” And there's a chance that this actually could unleash unimaginable evils on the world. Do you open that box?
CA: Viagra spam’i kötü ama çok daha kötü olan şeyler de var. İşte size bir düşünce deneyi. Suppose you’re sitting in a room, there’s a box on the table. O kutunun içinde öyle bir şey olduğuna inanıyorsunuz ki, çok güçlü bir ihtimalle ailenize ve herkese güzel hediyeler verecek kesinlikle muhteşem bir şey olacak. Ama aslında orada küçük puntolarla “Pandora” yazan yüzde birlik bir şey de var. Bunun aslında dünyaya hayal bile edilemeyecek kötülükler getirme ihtimali var. O kutuyu açar mısın?
GB: Well, so, absolutely not. I think you don't do it that way. And honestly, like, I'll tell you a story that I haven't actually told before, which is that shortly after we started OpenAI, I remember I was in Puerto Rico for an AI conference. I'm sitting in the hotel room just looking out over this wonderful water, all these people having a good time. And you think about it for a moment, if you could choose for basically that Pandora’s box to be five years away or 500 years away, which would you pick, right? On the one hand you're like, well, maybe for you personally, it's better to have it be five years away. But if it gets to be 500 years away and people get more time to get it right, which do you pick? And you know, I just really felt it in the moment. I was like, of course you do the 500 years. My brother was in the military at the time and like, he puts his life on the line in a much more real way than any of us typing things in computers and developing this technology at the time. And so, yeah, I'm really sold on the you've got to approach this right. But I don't think that's quite playing the field as it truly lies. Like, if you look at the whole history of computing, I really mean it when I say that this is an industry-wide or even just almost like a human-development- of-technology-wide shift. And the more that you sort of, don't put together the pieces that are there, right, we're still making faster computers, we're still improving the algorithms, all of these things, they are happening. And if you don't put them together, you get an overhang, which means that if someone does, or the moment that someone does manage to connect to the circuit, then you suddenly have this very powerful thing, no one's had any time to adjust, who knows what kind of safety precautions you get. And so I think that one thing I take away is like, even you think about development of other sort of technologies, think about nuclear weapons, people talk about being like a zero to one, sort of, change in what humans could do. But I actually think that if you look at capability, it's been quite smooth over time. And so the history, I think, of every technology we've developed has been, you've got to do it incrementally and you've got to figure out how to manage it for each moment that you're increasing it.
GB: Yani, kesinlikle hayır. Onu o şekilde yapmayacağını düşünmüyorum. Dürüst olmak gerekirse, size daha önce anlatmadığım bir hikaye anlatacağım; OpenAI’yi başlattıktan kısa bir süre sonra, bir yapay zeka konferansı için Porto Riko’da olduğumu hatırlıyorum. Otel odasında oturmuş bu harika suya bakıyorum, tüm bu insanlar iyi vakit geçiriyor. Bir an için düşünün, eğer Pandora’nın kutusunun beş yıl ya da 500 yıl uzakta olmasını seçebilseydiniz, hangisini seçerdiniz, değil mi? Bir yandan, belki de kişisel olarak sizin için beş yıl uzakta olması daha iyidir dersiniz. Ama eğer 500 yıl sonraysa ve insanlar doğruyu bulmak için daha fazla zamana sahip olacaksa, hangisini seçersiniz? O anda bunu gerçekten hissettim. Ben de tabii ki 500 yıl derdim. Kardeşim o sırada ordudaydı ve hayatını, bilgisayarda bir şeyler yazan ve o sırada bu teknolojiyi geliştiren herhangi birimizden çok daha gerçek bir şekilde ortaya koydu. Bu yüzden, bu konuya doğru yaklaşmanız gerektiği konusunda gerçekten ikna oldum. Ancak bunun sahayı gerçekte olduğu gibi oynamak olduğunu düşünmüyorum. Bilgisayarın tüm tarihine bakarsanız, bunun endüstri çapında ya da hatta neredeyse teknolojinin insan gelişimi çapında bir değişim olduğunu söylerken gerçekten ciddiyim. Ne kadar çok parçayı bir araya getirmezseniz, doğru, hala daha hızlı bilgisayarlar yapıyoruz, hala algoritmaları geliştiriyoruz, tüm bunlar oluyor. Eğer bunları bir araya getirmezseniz, bir çıkıntınız olur, yani eğer birisi bunu yaparsa ya da birisi devreye bağlanmayı başardığı anda, aniden çok güçlü bir şeye sahip olursunuz, kimsenin uyum sağlamak için zamanı olmaz, kim bilir ne tür güvenlik önlemleri alırsınız. Sanırım buradan çıkardığım bir şey de, diğer teknolojilerin gelişimini düşünseniz bile, nükleer silahları düşünün, insanlar insanların yapabilecekleri şeylerin sıfırdan bire değiştiğinden bahsediyor. Ama aslında kapasiteye bakarsanız, zaman içinde oldukça düzgün olduğunu düşünüyorum. Bence geliştirdiğimiz her teknolojinin tarihi, bunu aşamalı olarak yapmanız ve artırdığınız her an için bunu nasıl yöneteceğinizi bulmanız gerektiğidir.
CA: So what I'm hearing is that you ... the model you want us to have is that we have birthed this extraordinary child that may have superpowers that take humanity to a whole new place. It is our collective responsibility to provide the guardrails for this child to collectively teach it to be wise and not to tear us all down. Is that basically the model?
CA: Yani duyduğum kadarıyla siz... sahip olmamızı istediğiniz model, insanlığı yepyeni bir yere taşıyacak süper güçlere sahip olabilecek bu olağanüstü çocuğu doğurduğumuz. Bu çocuğa hep birlikte bilge olmayı ve hepimizi yıkmamayı öğretmek için korkuluklar sağlamak bizim ortak sorumluluğumuzdur. Temel model bu mu?
GB: I think it's true. And I think it's also important to say this may shift, right? We've got to take each step as we encounter it. And I think it's incredibly important today that we all do get literate in this technology, figure out how to provide the feedback, decide what we want from it. And my hope is that that will continue to be the best path, but it's so good we're honestly having this debate because we wouldn't otherwise if it weren't out there.
GB: Bence bu doğru. Bence bunun değişebileceğini söylemek de önemli, değil mi? Her adımı karşılaştığımız gibi atmalıyız. Bence bugün hepimizin bu teknolojide okur-yazar olmamız, geri bildirimi nasıl sağlayacağımızı bulmamız ve bundan ne istediğimize karar vermemiz son derece önemli. Umudum bunun en iyi yol olmaya devam etmesi, ancak dürüstçe bu tartışmayı yapıyor olmamız çok iyi çünkü aksi takdirde varolmasaydı bunu yapamazdık.
CA: Greg Brockman, thank you so much for coming to TED and blowing our minds.
CA: Greg Brockman, TED’e gelip aklımızı
(Applause)
başımızdan aldığınız için çok teşekkür ederiz.