MIT'li Alex Zhang: Akademik özgürlük, yapay zeka araştırmasında cesur adımlar atmayı gerektiriyorMIT's Alex Zhang: Academic freedom requires taking bold steps in AI research

ÖzetSummary

MIT doktora öğrencisi Alex Zhang'ın konuk olduğu Latent Space podcast bölümünde, Yinelemeli Dil Modelleri (RLM), GPU çekirdeği üretimi ve çoklu ajan sürüleri üzerine çalışmaları ele alınıyor. Zhang ayrıca, 2026'nın modellerin kendi istemlerini sabit girdiler değil, değiştirilebilir nesneler olarak görmesiyle şekilleneceği tezini savunuyor.In a Latent Space podcast episode featuring MIT PhD student Alex Zhang, the discussion covers his research on Recursive Language Models (RLM), GPU core generation, and multi-agent swarms. Zhang also argues that 2026 will be defined by models viewing their own prompts not as fixed inputs, but as mutable objects.

Neden ÖnemliWhy it matters

Zhang'ın RLM çerçevesi, bir modelin kendi bağlamını yinelemeli biçimde yeniden yazıp alt görevleri alt ajanlara devretmesini öngörüyor. Bu yaklaşım, mevcut istem-yanıt paradigmasından somut bir mimari kaymayı temsil ediyor. Prime Agent gibi erken dönem sonuçlar, OpenAI'nin Astra'sından önce ARC-AGI-3'ü çözdüğü iddiasıyla dikkat çekiyor. 'Iskele, bileşimsel genelleştirici olarak' tezi geçerliliğini korursa, araştırma laboratuvarlarının ajan iskelelerini yapılandırma biçimini yalnızca model ağırlıklarını ölçeklendirmekten çok daha derinden dönüştürebilir.Zhang's RLM framework proposes that a model can iteratively rewrite its own context and delegate subtasks to sub-agents. This approach represents a concrete architectural shift from the current prompt-response paradigm. Early results like Prime Agent, which claims to have solved ARC-AGI-3 before OpenAI's Astra, are drawing attention. If the thesis that 'the scaffold is a compositional generalizer' holds true, it could transform how research labs configure agent scaffolds far more deeply than simply scaling model weights.

Öne ÇıkanlarHighlights

• RLM'ler, bir modelin kendi istemini dışarıdan ve değiştirilebilir bir nesne olarak görmesini sağlayarak tek bir çıkarım döngüsü içinde yinelemeli öz iyileştirmeye olanak tanır.RLMs enable iterative self-improvement within a single inference loop by allowing a model to view its own prompt as an external, mutable object.
• Kendini değiştiren bir RLM iskelesi olan Prime Agent, OpenAI'nin Astra'sını geride bırakarak ARC-AGI-3'ü yaklaşık olarak çözen ilk sistem oldu.Prime Agent, a self-modifying RLM scaffold, became the first system to approximately solve ARC-AGI-3, outperforming OpenAI's Astra.
• OpenAI'nin 10.000 ajanlı deneyi, yaklaşık 130 milyar çıktı token'ı üretti ve tahmini maliyeti 40 milyon doların eşdeğeri olarak hesaplandı. Ancak sürünün arama sürecinin büyük kısmı boşa gitti ve yakınsama hâlâ zorlu kaldı.OpenAI's 10,000-agent experiment generated approximately 130 billion output tokens, with an estimated cost equivalent to $40 million. However, a significant portion of the swarm's search process was wasted, and convergence remains difficult.

EleştiriCritical take

Bu içerik, analiz gibi sunulan 101 dakikalık bir podcast bölüm notları sayfasından ibaret. Sağlanan 'transkript' iki dakikada kesiliyor; bu yüzden okuyucu, 'açıkça yükselen süperstar doktora öğrencisi' gibi tanıtımcı ifadeler ve jargon dolu konu listesi dışında doğrulanabilir teknik derinlik bulamıyor. '2026 tamamen RLM'ler yılı olacak' gibi iddialar tek bir araştırmacının tahmini olup kanıtlanmış bir trend değil. ARC-AGI-3 sonucu ise yöntem veya tekrarlanabilirlik detayları paylaşılmadan alıntılanıyor.This content is merely a set of notes from a 101-minute podcast episode presented as analysis. The provided 'transcript' cuts off after two minutes; consequently, readers find no verifiable technical depth beyond promotional phrases like 'clearly rising superstar PhD student' and a jargon-heavy topic list. Claims such as '2026 will be the year of RLMs' are the speculation of a single researcher, not a proven trend. Furthermore, the ARC-AGI-3 result is cited without sharing methodological or reproducibility details.