OIST ekibi, AI sistemlerine “iç konuşma” (self-talk) ve kısa süreli çalışma belleğini birlikte kazandırınca öğrenmenin hızlandığını gösterdi. Bu yaklaşım, AI modellerinin yeni görevlere uyum sağlamasını ve hedef değiştirmesini kolaylaştırırken daha az eğitim verisiyle daha iyi genelleme vaat ediyor.
İnsanların kendi kendine konuşması çoğu zaman garip bir alışkanlık gibi görülse de, yeni bir çalışma bunun AI için ciddi bir avantaj olabileceğini öne sürüyor. Okinawa Institute of Science and Technology (OIST) Graduate University araştırmacıları, bir AI sistemine içsel “mırıldanma” (self-directed inner speech) ve çalışma belleğini birlikte kullandırdıklarında, modelin farklı görevler arasında daha esnek hareket ettiğini ve daha az veriyle daha iyi öğrendiğini raporladı.
AI: İç konuşma neden işe yarıyor?
Çalışmaya göre mesele yalnızca modelin mimarisi değil; eğitim sırasında sistemin “kendi kendisiyle nasıl etkileştiği” de öğrenmenin kalitesini değiştiriyor. Ekip, eğitim hedeflerini iç konuşmayı belli sayıda adım olarak tetikleyecek şekilde kurguladığında, özellikle çok adımlı problemler ve aynı anda birden fazla iş yapma (multitasking) senaryolarında performansın belirgin biçimde arttığını bildiriyor.
Araştırmacılar önce çalışma belleğinin tasarımına odaklandı. Çalışma belleği, kısa süreli olarak bilgiyi tutup üzerinde işlem yapmayı sağlayan yapı; örneğin bir talimatı akılda tutmak ya da bir diziyi ters çevirmek gibi. Modellerde birden fazla “bellek yuvası” (slots) kullanıldığında, dizileri tersine çevirme veya örüntüleri yeniden kurma gibi zorlayıcı görevlerde daha iyi sonuçlar elde edildi.
Bu bellek altyapısına iç konuşma eklendiğinde, sistemin tanımadığı durumlara uyum sağlama ve hedef değiştirerek ilerleme becerisi daha da güçlendi. Ekibin hedeflerinden biri, “içerikten bağımsız bilgi işleme” olarak tanımlanan, ezberlenmiş örneklerden çok genel kurallarla yeni durumlara uygulanabilen bir öğrenme biçimine yaklaşmak. Araştırmacılar, bu yöntemin kapsamlı veri setleri yerine daha seyrek (sparse) veriyle çalışabilen, daha hafif bir alternatif sunduğunu vurguluyor.
Bir sonraki adım ise daha “temiz” laboratuvar görevlerinden çıkarak gerçek dünyaya yaklaşmak: gürültülü, dinamik ve belirsiz ortamlarda karar verme ve problem çözme. Ekip, iç konuşma gibi süreçleri anlamanın yalnızca AI geliştirmeye değil, insan öğrenmesinin biyolojik temellerini çözmeye de katkı sağlayabileceğini; bunun da ev içi ya da tarım robotları gibi pratik uygulamalara kapı aralayabileceğini belirtiyor.
Kaynaklar ve Bağlantılar:
- Okinawa Institute of Science and Technology (OIST) Graduate University – Haber kaynağı (basın materyali).
- Queißer, J. F., & Tani, J. (2026). Working Memory and Self-Directed Inner Speech Enhance Multitask Generalization in Active Inference. Neural Computation, 38(1), 28. DOI: 10.1162/NECO.a.36
