2024 yılı Nobel Kimya Ödülü’nün yarısı şu kişiye verildi:David Baker（David Baker），“hesaplamalı protein tasarımına katkılarından dolayı”；diğer yarısı ise ortaklaşa şu kişilere verildi: Demis Hassabis（Demis Hassabis）ve John M. Jumper，“protein yapısı tahmini alanındaki başarılarını takdir etmek amacıyla”.
David Baker, Washington Üniversitesi Protein Tasarımı Enstitüsü'nün direktörüdür ve protein tasarımı alanının öncüsü olarak tanınır. 2003 yılından itibaren Top7 gibi tamamen yeni ve yenilikçi çeşitli proteinler tasarlamayı başardı; bunlar ilaçlar, aşılar, nanomalzemeler ve mikro sensörler gibi alanlarda yaygın olarak kullanılmaktadır. Ayrıca Deepmind'ın AlphaFold'undan önce, daha 1999 yılında RoseTTA adlı protein yapısı tahmin algoritmasını ortaya koydu.
Diğer iki ödül sahibi ise daha da tanıdık。Demis Hassabis, Google DeepMind'ın kurucu ortağı ve CEO'sudur，John M. Jumper ise şu anda Google DeepMind'da direktördür。İkili, AlphaFold 2 yapay zekâ modelini geliştiren ekibe liderlik ederek bilim dünyasını 50 yıldır uğraştıran bir sorunu çözdü: aminoasit dizisinden proteinlerin karmaşık yapısını tahmin etmek.
Proteinler yaşamın temel kimyasal araçlarıdır; tüm biyokimyasal tepkimeleri kontrol eder ve yürütür, hormon, sinyal maddesi, antikor ve doku yapısının oluşturulmasında kilit roller üstlenirler. Proteinlerde amino asitler uzun zincirler hâlinde birbirine bağlanır ve üç boyutlu yapılara katlanır. Geçen yüzyılın 70'li yıllarından bu yana araştırmacılar, amino asit dizilerinden protein yapılarını tahmin etmeye çalışıyordu; ne yazık ki ilerleme, dört yıl önce DeepMind'ın getirdiği şaşırtıcı atılıma kadar yavaş kaldı.
2020 yılında Demis Hassabis ve John Jumper, ilk AlphaFold'u temel alarak AlphaFold 2'yi geliştirdi. Araştırmacıların tanımladığı 2 yüz milyon proteinin neredeyse tamamının yapısını tahmin edebiliyor; bugüne kadar 2 on binden fazla atıf aldı ve 190 ülkeden 200 milyondan fazla kişi tarafından kullanıldı. Sıtma aşıları, kanser tedavileri, enzim tasarımı ve antibiyotik direnci araştırmaları gibi alanlarda büyük ilerlemeler sağladı. Aslında ikili, Nobel'den önce, geçen yıl temel tıp araştırmalarına yaptıkları olağanüstü katkılar nedeniyle “bilim dünyasının Oscar'ı” olarak bilinen Yaşam Bilimleri Breakthrough Ödülü'nü ve “Nobel'in habercisi” sayılan Lasker Ödülü'nü kazanmıştı.
İsveç Kraliyet Bilimler Akademisi açıklamasında, “Proteinler olmadan yaşam var olamaz. Artık protein yapılarını tahmin edebiliyor ve kendi proteinlerimizi tasarlayabiliyoruz; bu, insanlığa büyük yararlar sağlıyor.” dedi.
Ödül haberini öğrenen Google DeepMind, resmî hesabından hemen bir paylaşım yaparak “müjdeyi duyurdu”.
Demis Hassabis de bir açıklama yaparak şöyle dedi：
“Nobel Ödülü'nü kazanmak hayatımın onurudur. İsveç Kraliyet Bilimler Akademisi'ne, John Jumper'a ve AlphaFold ekibine, daha geniş DeepMind ve Google ekiplerine ve bu ana katkıda bulunan tüm çalışma arkadaşlarıma teşekkür ediyorum. Kariyerimi yapay zekânın ilerlemesine adadım, çünkü milyarlarca insanın hayatını iyileştirme konusunda eşsiz bir potansiyele sahip. AlphaFold, enzim tasarımından ilaç keşfine kadar önemli çalışmaları ilerletmek için 200 on binden fazla araştırmacı tarafından kullanıldı. Gelecekte AlphaFold'u, yapay zekânın bilimsel keşifleri hızlandırma konusundaki muazzam potansiyelinin ilk somut kanıtı olarak görebilmeyi umuyorum.”
John Jumper hemen ardından şunları söyledi：“Bu, yapay zekânın bilimsel araştırmaları hızlandırabileceğinin ve nihayetinde hastalıkları anlamaya ve tedaviler geliştirmeye yardımcı olabileceğinin önemli bir kanıtı. Bu çalışma Google DeepMind'ın mükemmel ekibinin eseridir; bu ödül de onların olağanüstü katkılarını takdir ediyor.”
Böylece, daha önce fizik ödülünü ilk alan ve büyük tartışma yaratan “yapay zekânın babası” Geoffrey E. Hinton da hesaba katıldığında, bu yıl en çok ilgi gören ödül sahiplerinin ortak noktası açıkça ortaya çıkıyor——Hinton, Google'ın ilk dönem yapay zekâ hedeflerini taşıyan Google Brain'in kilit ismiyken Demis Hassabis, Google'ın son yıllardaki yapay zekâ araştırmalarını üstlenen Google Deepmind'ın ruhudur。
“Nobel partisi”nin bile doğrudan Google kampüsünde düzenlenmesine şaşmamalı.
Nobel ödüllerinin art arda AI bilim insanlarına verilmesinin arka planında Google da “büyük kazanç sağladı”。
Google'ın atağı
Zaman çizelgesine bakıldığında Google, yapay zekâ alanına giren büyük şirketler arasında kesinlikle ilk oyuncudur.
Birçok anlatıda, 2012 yılının kışında ABD'deki Tahoe Gölü kıyısındaki bir kumarhane otelinde yapılan gizli açık artırma; Google, Microsoft ve Baidu adlı üç teknoloji devi ile DeepMind arasında, Hinton'ın yeni kurduğu ve birkaç makale dışında somut bir ürünü bulunmayan küçük şirket DNNResearch için yürütülen adil bir rekabet olarak tasvir edilir. Ancak geriye dönüp bakıldığında bu açık artırmanın sonucu aslında çoktan belirlenmişti. Çünkü başlangıç noktalarından biri, Google'ın 6 ay önceki girişimiydi.
2012 yılının 6. ayında Google Brain, YouTube videolarındaki kedileri algoritmalarla tanımlamak için “Google Kedisi (The Cat Neurons)” projesini kamuoyuna duyurarak başlattı. Andrew Ng liderliğindeki projeye Jeff Dean de katıldı ve şirketin kurucusu Larry Page güçlü destek verdi.
Proje, 10 yüz milyon bağlantıya sahip büyük bir sinir ağı kurdu ve YouTube'dan alınan 1000 on bin etiketlenmemiş video kesitini kullanarak 16,000 CPU üzerinde eğitti. Denetimsiz öğrenme sayesinde sistem, kedi yüzlerini tanımayı kendi başına başarıyla öğrendi ve 74.8% doğruluk oranına ulaştı; ayrıca insan yüzleri gibi başka nesneleri de tanıyabiliyordu.
Ancak Andrew Ng, projenin sonlarına doğru başarısının zirvesindeyken çekilmeyi seçti ve ayrılmadan önce işi devralması için kendi hocası Hinton'ı Google'a önerdi. Hinton üniversiteden ayrılmayacağını, Google'a yalnızca “bir yaz geçirmek” için gitmeye razı olduğunu söyledi. Böylece Google tarihinin en yaşlı stajyeri oldu。
Derin öğrenme alanında bir otorite olan Hinton, projenin kusurlarını kısa sürede fark ederek Google Cat'in “yanlış sinir ağını çalıştırdığını ve yanlış hesaplama gücünü kullandığını” belirtti. Bunun üzerine kısa “staj dönemi” sona erer ermez öğrencileri Ilya Sutskever ve Alex Krizhevsky'yi bir ekip kurmak üzere topladı ve yeni sinir ağı mimarisi AlexNet'i geliştirdi. Yalnızca 4 NVIDIA GPU ile eğitilen bu çalışmayla 2012 yılındaki ImageNet görüntü tanıma yarışmasına katıldı ve sonunda 84% doğruluk oranıyla çığır açan bir zafer kazandı.
Aynı yılın 10. ayında Hinton'ın ekibi, Floransa'daki bilgisayarlı görü konferansında şampiyon algoritma AlexNet'i resmen tanıttı. Akademik bir ekibin, donanım ve Ar-Ge kaynakları bakımından aralarında büyük bir uçurum bulunan Google'ı geriden gelerek yenmesi, akademi ve sanayi dünyasında büyük yankı uyandırdı. AlexNet makalesi de bilgisayar bilimi tarihinin en etkili makalelerinden biri oldu ve 12 × 10 binin üzerinde atıf aldı.
Ardından üçünün DNNResearch şirketi resmen kuruldu. Sonraki açık artırma süreci daha da doğal bir şekilde ilerledi; değerleri 4400 on bin ABD dolarına yükseldiğinde Hinton açık artırmayı durdurdu ve iki öğrencisiyle birlikte resmen Google'a katılarak Google Brain başkan yardımcısı ve mühendislik araştırmacısı görevlerini üstlendi.
Hinton o dönemde bir açıklamasında şöyle yazmıştı: “Toronto Üniversitesi'nde yarı zamanlı ders vermeyi sürdüreceğim, ancak Google'da çok büyük ölçekli hesaplamayı nasıl ele aldığımızı görebiliyorum.”
2023 yılının 5. ayına kadar süren on yıllık Google kariyeri boyunca Hinton, büyük ölçekli yapay sinir ağı araştırmalarına katılmayı sürdürerek Bard ve ChatGPT gibi modern yapay zekâ sistemlerinin temelindeki teknolojilere öncü katkılarda bulundu. Ayrıca açık kaynaklı makine öğrenimi kütüphanesi TensorFlow’un geliştirilmesine katıldı; görüntü tanıma ve dil anlama gibi yapay zekâ uygulamalarının yeteneklerinin gelişmesini destekledi ve derin öğrenme teknolojisinin Google’ın çeşitli ürün ve hizmetlerinde yaygın biçimde kullanılmasını sağladı.
Google'ın yetenekleri ve teknolojiyi bünyesinde toplama hızı hiç azalmadı。DNNResearch'ü satın almasından yalnızca iki yıl sonra, o zamanki açık artırmadaki rakiplerinden biri olan, Hassabis'in kurduğu DeepMind'ı da bünyesine kattı。
Aktarılanlara göre Google, Hinton'ı Londra'ya ”malı incelemeye“ götürmek için özel bir uçak bile kiralamış ve sırt ağrısı nedeniyle uçağa binememesi sorununu çözmek için koltuğu özel olarak uyarlamıştı. O sırada Google tarafından yarışın dışına itilen Facebook ise DeepMind'ı kaçırdıktan sonra，“derin öğrenmenin üç büyük isminden” biri olan Yann LeCun'ü yüksek bir ücretle kendi bünyesine kattı.
Deepmind’ın hikâyesi
DeepMind tarafına gelirsek, aslında Google tarafından satın alınmadan önce DeepMind mali sıkıntılar yaşamaya başlamıştı. Şirket sürekli para tüketiyor, ancak sürdürülebilir bir iş modeli bulamıyordu; hatta iflasın eşiğine gelmişti.
Google'ın 6 yüz milyon dolarlık satın alımı DeepMind'ı kurtardı; çekirdek teknik ekibi korumakla kalmadı, bulut bilişim platformu ve veri merkezi desteği de dâhil olmak üzere güçlü hesaplama kaynakları sağladı. Bu sayede DeepMind, derin sinir ağlarını eğitmek için daha yüksek hesaplama gücünden yararlanabildi; özellikle AlphaGo'nun geliştirilmesinde hesaplama hızı ve model doğruluğu büyük ölçüde arttı. Ayrıca Google, derin öğrenme modellerinin eğitim ve çıkarım verimliliğini daha da iyileştiren, özel olarak tasarlanmış TPU'ları（Tensör İşleme Birimleri）da sağladı. Temel yapay zekâ araçlarından TensorFlow da DeepMind araştırmalarında yaygın biçimde kullanılarak AlphaGo'nun performansının artırılmasına yardımcı oldu.
AlphaGo, DeepMind ekibinin geliştirdiği bir yapay zekâ Go programıdır. Milyonlarca oyun kaydını analiz edip kendi kendine oynayarak pekiştirmeli öğrenme yoluyla karmaşık Go stratejilerine hâkim olmuş ve dünyanın en iyi insan Go oyuncularını aşabilecek düzeye gelmiştir. 2016 yılında AlphaGo, Go dünya şampiyonu Lee Sedol ile yaptığı karşılaşmayı 4-1 kazanarak bir anda ünlenmiş ve tüm dünyayı şaşkına çevirmiştir.
Ancak Hassabis’in gözünde, yapay zekânın karmaşık sorunları çözme potansiyelini masa oyunlarıyla doğrulamak yalnızca bir başlangıçtır. Daha önemlisi, bunu genel amaçlı öğrenme sistemlerine yön vermek ve gerçek dünyanın zorluklarıyla başa çıkmak için kullanarak insan yaşamını gerçekten iyileştirmek, sektörleri dönüştürmek ve bilimsel ilerlemeyi desteklemektir.
Bunun üzerine DeepMind birkaç ay içinde hızla biyologları işe alarak protein katlanması sorununu çözmeye odaklanan disiplinler arası bir ekip kurdu ve nihayet 2018 yılında AlphaFold projesinin doğmasını sağladı. Birçok yinelemenin ardından AlphaFold, çığır açan protein yapısı tahmin yeteneğiyle biyoloji araştırmalarını kökten değiştirdi ve yapay zekânın bilim alanındaki güçlü uygulama potansiyelini ortaya koydu.
Tam da bu yılın 5. ayında Google Deepmind bir kez daha resmî bir duyuru yaparak Isomorphic Labs ile birlikte yeni nesil protein tahmin modeli AlphaFold 3'ü tanıttı; ilgili makale de doğrudan 《Nature》 dergisinde yayımlandı。
Önceki sürümle karşılaştırıldığında, AlphaFold 3 yalnızca protein katlanması tahmininde ilerleme kaydetmekle kalmadı, aynı zamanda ilk kez proteinler, DNA, RNA ve ligandlar gibi biyolojik moleküllerin yapılarını ve birbirleriyle etkileşimlerini yüksek doğrulukla tahmin etmeyi başardı。Bu atılım, bilim insanlarının hastalık mekanizmalarını ve yaşam süreçlerini daha derinlemesine anlamasına yardımcı olurken araştırma ve geliştirme süresini ve maliyetlerini de önemli ölçüde azalttı。Yenilenebilir malzemeler geliştirmekten ilaç tasarımını ve genomik araştırmalarını hızlandırmaya kadar, AlphaFold 3 biyomoleküller alanında daha geniş uygulama olanaklarının önünü açtı。
Bununla da kalmayıp ekip, AlphaFold 3 temelinde AlphaFold Server adlı ücretsiz bir platform da sundu. Dünya genelindeki bilim insanlarının ticari olmayan araştırmalar yapmasına olanak tanıyan bu platform, bilimsel keşfin daha geniş kitlelere yayılmasını da destekliyor.
Google, DeepMind aracılığıyla dünyanın en seçkin araştırmacılarını kendine çekmeye devam ediyor ve onlara uzun vadeli finansman sağlıyor. Böylece kısa vadeli ticari getirilere bağımlı olmadan çığır açıcı araştırmalara odaklanabiliyorlar. Google ayrıca DeepMind'a yüksek düzeyde stratejik özerklik tanıyarak araştırma yönlerini özgürce seçmesine olanak veriyor. İşte bu bağımsızlık ve uzun vadeli destek, DeepMind'ın geleceğe dönük araştırmaları için sağlam bir temel oluşturdu.
Oyun alanı ve biyolojideki atılımların yanı sıra DeepMind, Google Asistan için gerçekçi ses sentezi modeli WaveNet'i de geliştirerek sesli etkileşim deneyimini iyileştirdi. Görme-dil-eylem modeli RT-2 aracılığıyla robotların çeşitli ortamlarda görev yürütme yeteneğini artırdı. Araştırmaları hava tahmini ve nükleer füzyon reaktörleri gibi karmaşık sorunları da kapsıyor; AlphaCode ve AlphaDev gibi projelerle bilgisayar algoritmalarının daha da gelişmesini destekledi.
Google’ın “birikimi” hâlâ çok güçlü
Günümüzün yapay zekâ rekabetinde OpenAI ve Anthropic gibi gözde şirketlerin hızla yükselmesi ve ChatGPT ile Claude'un Gemini karşısındaki “ezici üstünlüğü”, bir dönem insanların Google'ın yapay zekâ stratejisini sorgulamasına yol açtı. Özellikle üretken yapay zekâ ürünlerinin ve geliştirici araçlarının ticarileştirilmesinde, OpenAI gibi şirketlerin hızlı ilerleyişi ile Google'ın görece yavaş adımları arasında belirgin bir tezat oluştu.
Ancak karşımızdaki bu iki Nobel Ödülü, Google'ın köklü bilimsel araştırma ortamının ve teknik birikiminin, diğer şirketlerin hâlâ kolayca kopyalayamadığı avantajlar olduğunu bize hatırlatıyor gibi görünüyor.
2006 yılından önce derin öğrenmenin durumu, Baron Kelvin'in şu ünlü sözüyle özetlenebilirdi：“Derin öğrenmenin binası büyük ölçüde tamamlanmış durumda; yalnızca güneşli gökyüzünde süzülen üç küçük kara bulut var.”
Bu üç küçük kara bulut sırasıyla algoritma, hesaplama gücü ve veridir.
Google ise tam da bu kilit alanlarda belirgin üstünlüklere sahip. Öncelikle, dünya çapında öncü ve devasa veri kaynaklarını elinde bulunduruyor; YouTube, Google Scholar ve Google Search gibi platformlara dayanarak görme, konuşma tanıma ve doğal dil işleme gibi yapay zekâ modellerine zengin ve çeşitli eğitim verileri sağlıyor.
İkinci olarak, Google hesaplama kaynakları bakımından belirgin bir üstünlüğe sahiptir. Kendi geliştirdiği TPU donanımı, derin öğrenme modellerinin eğitimini büyük ölçüde hızlandırır. Google Cloud, şirket içi araştırmalara güçlü hesaplama kapasitesi sağlamanın yanı sıra dünyanın dört bir yanındaki geliştiricilere karmaşık yapay zekâ uygulamalarını hızla oluşturup dağıtmalarına yardımcı olan araçlar da sunar.
Google, algoritma araştırma ve geliştirme alanında da sektörün ön saflarında yer alıyor. Google Brain ekibinde doğan Transformer mimarisi, modern doğal dil işlemenin temelini attı ve günümüzdeki öncü yapay zekâ modellerinin neredeyse tamamının gelişimini ilerletti. Bu teknolojiler yalnızca akademik ilerlemeyi desteklemekle kalmadı, Google'ın temel ürünlerinde de yaygın biçimde kullanıldı.
2024 yılında yapay zekâ alanı hâlâ algoritma, hesaplama gücü ve veriyle ilgili zorluklarla karşı karşıyadır. Pek çok şirket belirli alanlarda kendi atılımlarını gerçekleştirse de kıyaslandığında, bu üç alandaki avantajları aynı anda elinde bulunduran ve bunları sürekli olarak etkili biçimde birleştiren şirket yine Google gibi görünmektedir.
OpenAI, Microsoft ve diğer şirketlerle rekabetinde Google'ın “birikimi” hâlâ güçlü ve AI yarışında da yenilmiş değil。Yapay zekânın potansiyeli henüz tam anlamıyla ortaya çıkarılmış olmaktan çok uzak; bu uzun soluklu yarışta nihai kazananı belki de teknolojik yeniliğin derinliği ve kapsamı belirleyecek。
