Dharma AI'yi takip edenler, uzmanlaşmanın maliyetten performansa, güvenilirlikten egemenliğe kadar her şeyi şekillendiren etkili yapay zeka sistemlerinin tanımlayıcı ilkelerinden biri olduğunu zaten bilir. Çok az makale bu durumu Goldfeder, Wyder, LeCun ve Shwartz-Ziv'in 2026 tarihli çalışması kadar titizlikle ortaya koymuştur.

Bu yazıda, AI Must Embrace Specialization via Superhuman Adaptable Intelligence (Goldfeder, Wyder, LeCun, & Shwartz-Ziv, 2026) başlıklı makaledeki fikirleri inceliyor ve yorumluyoruz. Makalenin optimizasyon teorisi, biyoloji, organizasyonel ekonomi ve makine öğrenimini kapsayan yakınsama argümanı, takip eden tartışma için hem kanıtsal yapıyı hem de entelektüel temeli sağlıyor. Buradaki çerçeveleme, organizasyon ve editoryal sentez Dharma'ya aittir.

Geleneksel beklenti makuldür: yapay zeka sistemleri daha yetenekli hale geldikçe daha genel hale gelmelidir. Daha fazla yetenek ve daha geniş uygulanabilirlik doğal birer eşlikçi gibi görünür; daha fazla kaynak, daha iyi yöntemler ve genişletilmiş eğitim, artan güvenle daha fazla göreve yaklaşan sistemler üretmelidir.

Aslında ortaya çıkan örüntü farklıdır. Herhangi bir alanda en önemli sonuçları elde eden sistemler, o alana en dar şekilde odaklananlar olma eğilimindedir. Protein yapısı tahminindeki çığır açan gelişme, tek bir bilimsel görev için tasarlanmış bir sistemden geldi. Yapay zekanın tarihsel dönüm noktaları yakından incelendiğinde, genelliği genişletmekten ziyade yoğun alan hedeflemesini yansıtır.

Bu örüntü tekrarlanır. Alanlar arasında, on yıllar boyunca, neredeyse hiçbir ortak noktası olmayan mimari seçimler arasında tekrarlanır. Bu kadar tutarlı bir örüntü, ortak bir nedene işaret eder; bu neden yapay zeka araştırmalarının içinden kaynaklanmaz.

Bir Algoritma Hedefine Uyarak Kazanır

1997'de Wolpert ve Macready, yapay zeka mimarisi tartışmalarında nadiren yer alan bir şeyi kanıtladı: hiçbir tek, genel amaçlı optimizasyon algoritması olası tüm problemlerde diğerlerinden daha iyi performans göstermez (Wolpert & Macready, 1997). Kanıt felsefi değil, matematikseldir. Bir öğrencinin karşılaşabileceği akla gelebilecek her problem üzerinden ortalaması alındığında, her algoritma eşit derecede iyi ve eşit derecede kötü performans gösterir. Bir problem dağılımında kazanç sağlayan bir algoritma, diğerlerinde mutlaka kaybeder. Performans çarpılmaz, yeniden dağıtılır.

Pratik çıkarım doğrudandır: "bir algoritma, hedef probleme iyi uyum sağlayarak kazanır" (Goldfeder ve diğerleri, 2026). Teorem genelliğin imkansız olduğunu söylemez; genelliğin bir performans avantajı olmadığını söyler. Üstün performansa giden tutarlı yapısal yol yoğunlaşmadır: genişlikten feragat edip uyum kazanmak.

Bu, sınırlı kaynaklar devreye girdiğinde daha da keskinleşir. Her gerçek sistem kısıtlamalar altında çalışır; sınırlı hesaplama, sınırlı veri, sınırlı geliştirme süresi. Sınırlı enerji verildiğinde, mevcut kaynakları sınırlı bir görev kümesini öğrenmeye yönlendiren bir yaklaşım, aynı kaynakları sınırsız bir aralığa dağıtandan daha iyi performans gösterecektir. Aritmetik acımasızdır: görev kümesi sınırsızca genişledikçe, görev başına düşen kaynaklar sıfıra yaklaşır. Sınırlı kaynaklar altında evrensel kapsama ve anlamlı performans doğrudan bir gerilim içindedir.

Teoremin işaret ettiği sonuç, genelliğin kötü olduğu değildir. Daha dar ve daha operasyoneldir: makalenin belirttiği gibi, "evrensel genellik teorik bir kavramdır, ancak pratik terimlerle bir efsanedir" (Goldfeder ve diğerleri, 2026). Gerçek kısıtlamalarla temasta hayatta kalan, her şeyi yapmaya çalışan sistem değil, hedefine uyan sistemdir.

Matematik bunu bir tercih değil, bir tahmin olarak ortaya koyar. Bu tahminin optimizasyon teorisinin ötesindeki dünyada geçerli olup olmadığı farklı bir sorudur.

Biyoloji ve Piyasaların Zaten Bildiği

Diğer iki alan, optimizasyon teorisi ona bir isim vermeden önce aynı tahmine ulaştı.

Makalenin biyolojik durumu tanımladığı gibi: bir nişteki her performans kazancı başka bir yerde maliyet getirir. Bir genelci, birçok ortama uygun ancak hiçbiri için optimal olmayan özellikler taşır; yetkinlik, belirli bir duruma hakim olmak için çok ince yayılmıştır. Ödünleşim olmadan performans kazancı yoktur; bir yeteneğe yatırılan kaynaklar bir başkası için kullanılamaz. Seçilim, tüm olası ortamlarda tek tip kapsama için optimize edilmiş olanlar yerine yerel koşullara uygun tasarımları kayırır. Hayatta kalıp üreyen organizmalar en genel yetenekli olanlar değil, en spesifik olarak eşleşenlerdir. Evrimsel zaman ölçeklerinde biriken sonuç, genelcilerin baskın olması değil, uzmanların nişleri doldurmasıdır. Makalenin belirttiği gibi:

"Uzmanlaşma biyolojinin bir kazası değildir; sınırlı kaynakların, rekabet eden hedeflerin ve performansı evrimsel olarak ilgili zorlukların küçük bir alt kümesinde ödüllendiren ortamların öngörülebilir bir sonucudur" (Goldfeder ve diğerleri, 2026).

Rekabetçi piyasalar aynı dinamiği farklı araçlarla izler. Performans eşiklerini karşılayamayan organizasyonlar ve stratejiler elenir; yok olma yoluyla değil, çıkış, fonlamanın kesilmesi ve daha iyi eşleşen alternatiflerle değiştirilme yoluyla. Rekabet bir seçilim mekanizması olarak işlev görür: etkili stratejileri güçlendirir ve etkisiz olanları ortadan kaldırır. Mekanizmanın biyolojik seçilimle hiçbir ortak yanı yoktur; kalıtım, mutasyon veya evrimsel zaman ölçeği yoktur. Seçilimin birimi organizma değil, organizasyon, ürün, stratejidir. Ancak yapısal baskı aynıdır: sınırlı kaynaklar, performans gereksinimleri ve önemli olan yerde mükemmelleşemeyecek kadar geniş dağılmış varlıkların sistematik olarak ortadan kaldırılması. Performans standartları net ve tutarlı olduğunda, yoğunlaşmış kapasite dağıtılmış kapasiteyi geride bırakır.

Evrim ve piyasalar tamamen farklı mekanizmalarla işler; farklı zaman ölçekleri, farklı seçilim birimleri, farklı kalıtım mekanizmaları. Ancak her ikisi de kaynak baskısı altında aynı sonucu üretir: genişlik yerine uyum. Teorem bunu öngörür. Biyoloji ve piyasalar bağımsız olarak buna ulaşır. Üçüncü bir alan tamamen farklı araçlarla aynı bulguya ulaştığında, örüntü bir teorem gibi görünmekten çıkar ve kısıtlı sistemlerin nasıl davrandığına dair daha genel bir şey gibi görünmeye başlar.

Makine Öğrenimi Sürekli Olarak Uzmanlaşmayı Yeniden Keşfediyor

Aynı örüntü makine öğreniminin içinde de ortaya çıktı; optimizasyon teorisinden türetilmedi, sistemler inşa etme ve onları neyin iyileştirdiğini izleme birikmiş deneyimiyle ulaşıldı.

En net biçim, negatif transferdir: birden çok görev üzerinde eğitilmiş bir sistemin, bu görevler işbirliği yapmak yerine rekabet ettiği için (Ruder, 2017) maruz kaldığı ölçülebilir bir bozulma. Görevler yapıyı paylaştığında, birlikte eğitim yardımcı olur. Ancak görevler temsil kapasitesi için rekabet ettiğinde veya eğitim sırasında çelişkili gradyanlar dayattığında, bireysel görevlerdeki performans, özel bir sistemin elde edeceğinin altına düşer. Genişlikten gelen kazanç, derinlik için bir maliyet haline gelir. Bu, sınırlı kapasitenin birbirine karşı çeken görevler arasında bölünmesinin belgelenmiş bir sonucudur. Böyle bir rekabetle karşılaşmayan uzman bu maliyeti ödemez.

Sınır modellerinin mimarisi farklı bir kanıt biçimi sunar. Uzmanlar karışımı sistemleri, genişliklerini tüm parametrelerde tek tip genellik yoluyla değil, her girdiyi ağın uzmanlaşmış bir alt kümesine yönlendirerek elde eder; farklı görevler için farklı uzmanları etkinleştirir. Bu mimari seçim, biyolojik ve piyasa örüntülerini yansıtır: sistemin genel yeteneği, her biri problem uzayının dar bir dilimi için optimize edilmiş uzmanlaşmış bileşenlerin toplamıdır. Yapay zekada uzmanlaşma eğilimi geçici bir aşama değildir; kısıtlı sistemlerin performans için optimize edilmesinin öngörülebilir sonucudur. Kaynaklar sınırlı kaldıkça ve performans talepleri yoğunlaştıkça, yapay zekanın geleceği yalnızca yetenekli değil, aynı zamanda hedeflerine tam olarak uyan sistemlere ait olacaktır.