Token Ekonomisi
Bugün yapay zekâdan bahsettiğimizde, token'lar kraldır. Özellikle çıkarım token'ları, yapay zekâ ekosisteminin büyümesini izlemek için birincil gösterge olarak ortaya çıktı. Halka açık şirketler, yapay zekâ büyümelerini sergilemek için aylık işlenen token sayılarını raporluyor, analistler modellerin başarısını göreceli token hacimlerine göre karşılaştırıyor ve yönetim ekipleri, yapay zekâya olan bağlılıklarını ve yatırımlarını zaman içindeki token kullanımlarına bakarak ölçüyor.
Bu geniş popülerlik mantıklı; token'lar yapay zekâ zekâsının ve hesaplamasının temel birimidir ve token'lardaki büyüme, dünyadaki yapay zekânın genel büyümesinin iyi bir temsilidir. Token'lar ayrıca çıkarımın karmaşıklığını tek bir ölçü biriminde soyutlayarak, hem anlaşılmasını kolaylaştırır (sadece 2 dakika sürer!) hem de zaman içinde tutarlı bir şekilde takip edilmesini sağlar. Bir tür ortak dil olarak token'lar, geniş bir kitlenin teknik bilgi düzeyinden bağımsız olarak yapay zekânın hızlı ve karmaşık ilerleyişini kavramasını sağlar.
Daha fazla kişi yapay zekâ kullanıyor mu? Token'lar artar. Akıl yürütmeyen modellerden akıl yürüten modellere geçtik mi? Token'lar artar. Sorgulardan ajanlara geçtik mi? Token'lar artar. Ajanlar artık arka planda çalışabiliyor veya uzun vadeli görevler üstlenebiliyor mu? Token'lar artar!
İşlenen mutlak token sayısı, hem yapay zekânın benimsenmesindeki artışın bir fonksiyonu olarak hem de modelleri ve yapay zekâ form faktörlerini daha “token aç” hale getiren altyapı gelişmeleri nedeniyle artıyor; örneğin bir ajanın 1 dakika yerine 1 saat çalışması gibi.
Bu basitlik, girişim-büyüme yatırımcıları için güçlü bir büyüme yatırım tezi oluşturuyor. Tüm bu değişiklikler — hem benimsenme hem de modellerin token yoğunluğu açısından — birbiri üzerine binerek genel token hacimlerinde patlayıcı, üstel bir büyüme yaratıyor. Bunu haritalamak kolay ve gelecekteki uzun vadeli ajanlar ve arka plan ajanlarıyla bu yönde devam edeceğine inanmak da kolay. Çıkarımın çok sıcak bir yatırım kategorisi haline gelmesi ve birçok şirketin çıkarım işine girmek istemesi hiç şaşırtıcı değil.
Çıkarım kadar anlaşılır ve popüler bir yapay zekâ vitrininin dezavantajı, görüş alanını daraltabilmesi ve benzer şekilde ortaya çıkan mega trendlerin, geniş bir kitle tarafından görülmesi ve anlaşılması daha zor olduğu için nispeten fark edilmemesidir.
Özellikle bir trend, birçok yönden çıkarıma benziyor ve daha yaygın hale gelip anlaşıldıkça yapay zekâ tartışmalarının çok daha büyük bir parçası olmaya aday. Bu, veri yoluyla model yeteneklerini geliştirme pazarıdır ve biz buna Görev Ekonomisi diyoruz.
Görev Ekonomisi
Son üç yılda, LLM'ler temel sorguları yanıtlamaktan, karmaşık problemler üzerinde akıl yürütmeye ve giderek daha uzun zaman dilimlerinde gerçek dünya işlerini tamamlayabilen ajanlar haline gelmeye doğru evrildi. Bu yolculuğun başlarında, model iyileştirmeleri, internet üzerindeki mevcut verilerle modelleri artan miktarda hesaplama gücü kullanarak eğitmek yoluyla yapılıyordu. 1) İnternette eğitim için yeterli veri kalmaması ve 2) giderek daha fazla basit/genel yeteneğin doygunluğa ulaşmasıyla birlikte, daha fazla model iyileştirmesinin önünde net bir darboğaz ortaya çıktı: artan yüksek kaliteli veri. Bu veri, Görev Ekonomisi tarafından üretilecek ve sunulacak.
Görevler, pekiştirmeli öğrenmede "uygulama birimidir": bir modele bir başlangıç durumu ve hareket edeceği bir ortam verilir ve davranışı bir ödül sinyali/doğrulayıcı tarafından puanlanır. Birçok görev boyunca, bu puanlar, modelin davranışını iyi puan alan yöne kaydıran bir eğitim sinyalinde toplanır. Kesin konuşmak gerekirse, "görev" bu pekiştirmeli öğrenme sonrası eğitim alt katmanını ifade eder. Ancak ben bu terimi daha gevşek bir şekilde, genel olarak veri odaklı iyileştirme birimini temsil etmek için kullanacağım, çünkü sektör modelleri daha iyi hale getirme hizmetinde verinin aldığı yeni biçimleri hızla icat ediyor ve açıkçası Görev Ekonomisi kulağa çok hoş geliyor. Ayrıca bu kategoriyi, akla sınırlayıcı kutular ve LLM yanıtları için beğen/beğenme getiren eski moda "veri etiketleme" teriminden ayırmak istiyorum — pazar son birkaç yılda bu ilkellerin çok ötesine geçerek çok daha karmaşık ve yüksek değerli görevlere evrildi.
Hızlı bir gerçek örnek olarak hukuk sektörünü ele alalım. Açık internet üzerinde eğitilen yapay zekâ modelleri, hukuk hakkında üst düzey bir anlayışa sahip olabilir, kamuya açık içtihat emsallerini bilir vb. Ancak yetenekli bir avukatın gerçek dünya işini üretmek, internette bulunmayan verileri gerektirir. Bir modelin yüksek kaliteli hukuk iş akışlarını kopyalayabilmesi için, modele yönergeler vermeli (bir sözleşmeyi incele, bir argüman taslağı hazırla), modeli ilgili ortamlara yerleştirmeli (bir hukuk veri odası) ve ardından işin kalitesini derecelendirmeli/doğrulamalıyız (bir değerlendirme tablosu aracılığıyla; bunun bir örneğini burada görebilirsiniz). Bu görevler modele yalnızca ne yapması gerektiğini değil, aynı zamanda nasıl yapması gerektiğini de öğretir. Ve modele ne kadar çok yüksek kaliteli görev sunarsanız, model o kadar iyi hale gelir.
Bu şekilde, token'lar çıkarım/model kullanımı için neyse, görevler de model iyileştirme çabaları için odur. Token'lar yapay zekâ zekâsının ve hesaplamasının temel birimidir; görevleri de yapay zekâ iyileştirmesinin temel birimi olarak düşünmeliyiz. Ve tıpkı token'lar gibi, görevler de hem yapay zekâ benimsenmesinin bir fonksiyonu olarak hem de gelişen sınır zekâsı giderek daha “görev aç” hale geldikçe büyür.
Bu ne kesin ne de kapsamlıdır, ancak model zekâsındaki her basamak fonksiyonu artışının çok daha fazla ve daha yüksek karmaşıklıkta görev gerektirdiğine dair bazı örnekler verir
Temel tercih etiketlerinden, değerlendirme tabloları kullanan yetenekli uzmanlara geçtik mi? Görevler artar. Uzman düzeyinde alan çalışmasını kopyalayan dikey ajanlar sunduk mu? Görevler artar. Ajanların daha uzun vadelerde çalışması mı gerekiyor? Görevler artar. İşletmeler toplu halde değerlendirmeleri benimsiyor mu? Görevler artar!
Çıkarım pazarı gibi, bu biriken büyüme girdileri de Görev Ekonomisi için benzer şekilde benzeri görülmemiş bir büyüme üretti:
- OpenAI ve Anthropic, veri harcamalarını yıldan yıla 10 kat artırıyor, her alandan uzmanları veri oluşturmak ve ajanları eğitmek için harekete geçirerek milyarlarca dolar harcıyor.
- Ağımızdaki lider yapay zekâ uygulama şirketleri ve işletmeler, verinin kendi hendekleri olduğunu ve farklılaştırılmış bir veri stratejisine sahip Uygulamalı Yapay Zekânın hazır modelleri yenebileceğini fark ederek, yakın vadede bireysel görevle ilgili harcamalarını 100 milyon doların üzerine çıkarıyor.
- Benchmark portföy şirketi ve Görev Ekonomisi'nin önde gelen platformu Mercor, bu Şubat ayında 1 milyar dolar ARR'ye ulaştı ve sadece 4 ay sonra 2 milyar dolar ARR'ye ulaştı.
Ham görevlerin miktarı, bu görevlerin uzunluğu ve karmaşıklığı ve görevleri tamamlayan uzmanların saatlik maliyeti, tümü büyüyor ve üstel bir genel görev harcaması büyümesi yaratmak için birleşiyor
Ve bu pazardaki son büyüme sinyalleri ne kadar etkileyici olsa da, bu pazarın genel büyümesinin ve etkisinin henüz çok başındayız. Herhangi bir ileri alanda yüksek kaliteli işi kopyalayabilen ajanları görmeye henüz yeni başlıyoruz ve işletmeler, laboratuvarlara karşı bir farklılaştırıcı olarak verinin öneminin farkına vararak bu yıl harcamalarını ölçeklendirmeye yeni başlıyor. Bunu, yapay zekânın kapsamasını istediğimiz gelecekteki yeteneklerle ilgili insan bilgisinin %99'unun insanların kafasında olduğu gerçeğiyle karşılaştırın. Her türden uygulamalı yapay zekâ şirketinin (laboratuvarlar, yapay zekâ uygulama şirketleri, işletmeler) bu örtük bilgiyi modellere ve ajanlara aktarmak isteyeceğine inanıyorsak, o zaman Görev Ekonomisi'nde geçmişte olduğundan çok daha geniş bir alıcı/katılımcı yelpazesiyle yıllarca sürecek hızlı bir büyüme bizi bekliyor demektir.
Görev Mega Trendini Daha Anlaşılır Kılmak
Token'lar ve görevler, yapay zekânın ilerlemesinin ve evriminin önemli barometreleridir ve her ikisi de hızla ivmeleniyor. Yine de bu benzer patlayıcı büyümeye rağmen, bugün çevrimiçi ortamda token'lar hakkında olduğundan çok daha az görev konuşması var. Bunun esas olarak şu nedenlerden kaynaklandığını düşünüyorum:
1) Tarihsel olarak bu pazardaki harcamalar, model iyileştirme stratejileri (veri/görev harcamaları dahil) konusunda son derece gizli olan sınır laboratuvarlarında yoğunlaşmıştı. Bu durum, bu yıl itibarıyla yapay zekâ uygulama şirketleri ve işletmelerin, hazır modellere karşı farklılaşma oluşturmak için Görev Ekonomisi'ni benimsemesiyle hızla değişiyor. Bu şirketlerin bu alandaki çabalarını pazarlama ve bu kategoriyi düzenli yapay zekâ sohbetinin bir parçası haline getirme olasılığı daha yüksek.
ve 2) Pazar, çıkarımın token'lar ile yaptığı kadar temiz bir değer soyutlama birimine sahip değil. Bu yazının amacının bir kısmı bunu değiştirmek ve sohbeti, üzerinde standartlaşabileceğimiz bir değer birimi olarak görevler etrafında toplamaktır. Token'lar, geniş bir kitlenin teknik bilgi düzeyinden bağımsız olarak yapay zekânın ilerlemesini kavramasını sağlayan bir ortak dildir; görevler de aynı şekilde, geniş bir kitlenin sektörün yapay zekâ yeteneklerini geliştirme yatırımını kavramasını sağlamalıdır.
Bu darboğazlar göz önüne alındığında, sektörde bugün Görev Ekonomisi'nin ölçeği ve büyümesi hakkında bize canlı bir vekil görünüm sunabilecek bir "Görev hacmi için OpenRouter" veya benzeri bir şey yok. Bir şirketin gelecekte böyle bir şey yayınlaması son derece değerli olacak olsa da, şimdilik Mercor ekibi, pazarın üstel büyümesine bir pencere açmak amacıyla platformlarında çeyreklik bazda çalışılan tarihsel uzman saatlerini gösteren bir grafik sağlama nezaketinde bulundu. Gördüğünüz gibi, gerçek veriler bir önceki bölümde tartıştığımız büyümenin büyüklüğü/hızıyla örtüşüyor:
Kaynak: Mercor
Birçok yönden Görev Ekonomisi, yapay zekânın geleceği için tanımlayıcı pazardır — dizüstü bilgisayarlarımızda yapabildiğimiz her görevi ajanlarla otomatikleştirmenin önündeki engel, tüm uygulamaların, tüm ortamların ve ekonomideki her şeye karşılık gelen tüm görevlerin tam dağılımını kapsamaktır. Bu, her profesyonel alan, akademik disiplin ve tüketici kullanım senaryosu için devasa bir veri yapılandırması gerektirecektir. Hukuk, tıp, finans, yazılım, bilim ve ötesi, her biri kendi uzman tarafından oluşturulmuş veri kümelerini, değerlendirmeleri ve pekiştirmeli öğrenme ortamlarını gerektirecektir. Laboratuvarlar, yapay zekâ uygulama şirketleri ve işletmeler, bu veri altyapısını ekonomik olarak faydalı işlerin tüm yüzey alanına hızla yaymak için mücadele edecek ve başarılı olanlar sınır yeteneklerini geliştirmeye ve pazar payı kazanmaya devam edecek.
Önümüzdeki yıllarda Görev Ekonomisi daha görünür ve yaygın hale geldikçe, bir topluluk olarak bu çabaları çok daha yakından takip etmeye başlayacağız. Ve yakında bir gün, yapay zekâdan bahsettiğimizde, görevler kral olacak.
Dipnot: Genel yapay zekâ yeteneğinde iyileştirmeler göreceğimiz diğer bariz bir alan, modellerdeki algoritmik iyileştirmelerdir. Bunları, bu yazının odağını veri üzerinde tutmak için hariç tuttum, ancak bu, gelecekte algoritmik iyileştirmeler de almayacağımızı düşünmekten ziyade bir odak/üslup seçimidir.
