Yapay zeka hızla ilerleyecek ama süper zekaya ulaşmayacakAI will advance rapidly but will not reach superintelligence

ÖzetSummary

Nathan Lambert, önümüzdeki birkaç yıl içinde yapay zekânın eğitim ve çıkarım süreçlerinde neredeyse üstel verimlilik artışları göreceğini savunuyor. Ancak bu hızlanma, niteliksel sıçramalardan değil doğrulanabilir mühendislik metriklerinden kaynaklanacağı için genel süper zekâya yol açmayacak. Lambert, özyinelemeli iyileştirmeyi 'paralelleştirilmiş, yapay zekâ destekli dil modellemesi' olarak yeniden çerçeveliyor. Ayrıca ön eğitim mimarisi ve veri seçimi araştırmalarının büyük ölçüde otomatikleşeceğini öngörüyor; bu sürecin 2-3 yıl içinde tamamlanması bekleniyor.Nathan Lambert argues that artificial intelligence will experience near-exponential efficiency gains in training and inference processes over the next few years. However, because this acceleration stems from verifiable engineering metrics rather than qualitative leaps, it will not lead to general superintelligence. Lambert reframes recursive self-improvement as 'parallelized, AI-assisted language modeling.' He also predicts that pre-training architecture and data selection research will be largely automated, a process expected to be completed within 2-3 years.

Neden ÖnemliWhy it matters

Yazı, hem karamsar 'ani yükseliş' senaryolarına hem de 'yapay zekâ sadece mühendislik' diyen küçümseyici yaklaşımlara karşı temelli bir karşı anlatı sunuyor. Yakın vadeli darboğazı model bilişinde bir sıçrama olarak değil, altyapı optimizasyonu olarak konumlandırıyor. Uygulayıcılar ve yatırımcılar için en yüksek değerli işlerin ham performanstan ajan orkestrasyonuna, alanlar arası literatür sentezine ve pekiştirmeli öğrenme ortamı kalitesine kayacağını öne sürüyor. Lambert'in kendi itirafıyla bu alanlardaki mevcut çıktılar 'açıkçası berbat'. Özyinelemeli iyileştirmeyi bir kopuş değil kademeli paralelleştirme olarak çerçevelemek, laboratuvarların bir sonraki döngüde hesaplama gücünü ve yetenekleri nasıl dağıtacağı üzerinde gerçek etkiler yaratıyor.The article offers a grounded counter-narrative to both pessimistic 'sudden rise' scenarios and dismissive approaches claiming 'AI is just engineering.' It positions the near-term bottleneck not as a leap in model cognition, but as infrastructure optimization. It suggests that for practitioners and investors, the highest-value work will shift from raw performance to agent orchestration, cross-domain literature synthesis, and reinforcement learning environment quality. By Lambert's own admission, current outputs in these areas are 'blatantly bad.' Framing recursive self-improvement as gradual parallelization rather than a discontinuity has real implications for how labs will distribute computational power and capabilities in the next cycle.

Öne ÇıkanlarHighlights

• Lambert, ön eğitim araştırmalarının (mimari + veri seçimi) 2-3 yıl içinde otomatikleşeceğini ve çıkarım verimliliğinin donanım sınırlarına yaklaşacağını öngörüyor.Lambert predicts that pre-training research (architecture + data selection) will be automated within 2-3 years and that inference efficiency will approach hardware limits.
• Ajansal talepte bir Jevons paradoksu patlaması bekliyor. Değerin performans sınırını zorlamaktan ziyade 'ajanların nasıl çalıştığını anlamaya' kayacağını savunuyor. Meta'nın Muse projesini bu eğilimin erken bir sinyali olarak gösteriyor.He anticipates a Jevons paradox explosion in agentic demand, arguing that value will shift from pushing performance limits to 'understanding how agents work.' He points to Meta's Muse project as an early signal of this trend.
• Pekiştirmeli öğrenme veri tedarikçisi ekosistemini düşük asılı meyve olarak nitelendiriyor. Birden fazla şirket 100 milyon ila 1 milyar dolar arası gelire ulaşmış durumda. Ancak 'sayısız araştırmacı, satın aldıkları şeylerin büyük kısmının açıkçası berbat olduğunu kabul ediyor.'He characterizes the reinforcement learning data provider ecosystem as low-hanging fruit, noting that multiple companies have reached revenues between $100 million and $1 billion. However, he states that 'countless researchers admit that much of what they buy is blatantly bad.'

EleştiriCritical take

Lambert'in verimlilik artışlarının modellerin 'doğasını' değiştirmeyeceği iddiası, niteliksel bilişsel değişimlerin ölçeklendirilmiş çıkarım zamanı hesaplama gücünün ortaya çıkardığı etkilerden değil, mimari kopuşlardan kaynaklandığı varsayımına dayanıyor. Bu riske işaret etse de asla test etmiyor. Ayrıca makale, pekiştirmeli öğrenme ortamı bölümü ücret duvarına takıldığı için yarıda kesiliyor. Bu durum, tezindeki 'düzeltmeyeceği şeyler' kısmının büyük ölçüde savunulmadan kalmasına ve başlığın vaat ettiği eleştirel dengenin zayıflamasına yol açıyor.Lambert's claim that efficiency gains will not change the 'nature' of models relies on the assumption that qualitative cognitive changes arise from architectural discontinuities rather than the effects of scaled inference-time compute. While he flags this risk, he never tests it. Additionally, the article is cut short because the reinforcement learning environment section is behind a paywall. This leaves the 'things it won't fix' part of his thesis largely undefended and weakens the critical balance promised by the title.