https://teknikekibim.com/ Mon, 20 Apr 2026 16:46:58 +0000 MyBB https://teknikekibim.com/showthread.php?tid=2823 Mon, 20 Apr 2026 15:59:24 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2823


Yarı iletken sektöründe rekabet hız kesmeden devam ederken, TSMC 2nm ve altı fabrikasyon süreçleri için hazırlıklara başladı. Ortaya çıkan son bilgilere göre şirket, 1.4nm üretim sürecini 2028 yılında seri üretime taşımayı hedefliyor. "A14" olarak adlandırılan bu yeni nesil üretim teknolojisi, performans ve enerji verimliliğinde yaklaşık yüzde 30'a varan iyileştirmeler sunacak.

1nm 2029 yılında geliyor
TSMC'nin asıl uzun vadeli hedefi ise 1nm altı üretim süreçleri. Rapora göre TSMC, 2029 civarında sub-1nm çipler için deneme üretimlerine başlamayı planlıyor. İlk aşamada bu üretim oldukça sınırlı olacak ve aylık yaklaşık 5.000 wafer seviyesinde kalacak. Bu da sürecin başlangıçta daha çok test ve optimizasyon odaklı ilerleyeceğini gösteriyor.

Yeni nesil üretim süreçlerinin özellikle yapay zekâ ve yüksek performanslı bilgi işlem alanlarında artan talep doğrultusunda geliştirildiğini söyleyelim. Daha küçük üretim düğümleri, yalnızca performans artışı değil aynı zamanda enerji verimliliği açısından da kritik avantajlar sağlıyor. Öte yandan Apple gibi büyük müşterilerin, TSMC'nin yeni üretim teknolojilerini ilk kullanan şirketler arasında yer alacak.

Geçmişte olduğu gibi, yeni nesil çiplerin öncelikle üst segment cihazlarda kullanılması muhtemel. Ancak 1nm altı üretime geçişin ciddi teknik zorluklar içerdiğini de hatırlatalım. Özellikle EUV litografi, ısı yönetimi ve verimlilik (yield) gibi alanlarda çözülmesi gereken önemli problemler bulunuyor. Bu nedenle mevcut planların zaman içinde değişme ihtimali de mevcut.

Tüm belirsizliklere rağmen TSMC'nin yol haritası, yarı iletken teknolojisinin önümüzdeki yıllarda da hızla gelişmeye devam edeceğini gösteriyor. Eğer hedefler tutturulabilirse, 2030'a yaklaşırken çip dünyasında yeni bir döneme girilebilir.


kaynak]]>


Yarı iletken sektöründe rekabet hız kesmeden devam ederken, TSMC 2nm ve altı fabrikasyon süreçleri için hazırlıklara başladı. Ortaya çıkan son bilgilere göre şirket, 1.4nm üretim sürecini 2028 yılında seri üretime taşımayı hedefliyor. "A14" olarak adlandırılan bu yeni nesil üretim teknolojisi, performans ve enerji verimliliğinde yaklaşık yüzde 30'a varan iyileştirmeler sunacak.

1nm 2029 yılında geliyor
TSMC'nin asıl uzun vadeli hedefi ise 1nm altı üretim süreçleri. Rapora göre TSMC, 2029 civarında sub-1nm çipler için deneme üretimlerine başlamayı planlıyor. İlk aşamada bu üretim oldukça sınırlı olacak ve aylık yaklaşık 5.000 wafer seviyesinde kalacak. Bu da sürecin başlangıçta daha çok test ve optimizasyon odaklı ilerleyeceğini gösteriyor.

Yeni nesil üretim süreçlerinin özellikle yapay zekâ ve yüksek performanslı bilgi işlem alanlarında artan talep doğrultusunda geliştirildiğini söyleyelim. Daha küçük üretim düğümleri, yalnızca performans artışı değil aynı zamanda enerji verimliliği açısından da kritik avantajlar sağlıyor. Öte yandan Apple gibi büyük müşterilerin, TSMC'nin yeni üretim teknolojilerini ilk kullanan şirketler arasında yer alacak.

Geçmişte olduğu gibi, yeni nesil çiplerin öncelikle üst segment cihazlarda kullanılması muhtemel. Ancak 1nm altı üretime geçişin ciddi teknik zorluklar içerdiğini de hatırlatalım. Özellikle EUV litografi, ısı yönetimi ve verimlilik (yield) gibi alanlarda çözülmesi gereken önemli problemler bulunuyor. Bu nedenle mevcut planların zaman içinde değişme ihtimali de mevcut.

Tüm belirsizliklere rağmen TSMC'nin yol haritası, yarı iletken teknolojisinin önümüzdeki yıllarda da hızla gelişmeye devam edeceğini gösteriyor. Eğer hedefler tutturulabilirse, 2030'a yaklaşırken çip dünyasında yeni bir döneme girilebilir.


kaynak]]> https://teknikekibim.com/showthread.php?tid=2724 Thu, 02 Apr 2026 14:58:24 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2724


Avrupa’da planlanan yenilenebilir enerji projeleri şebeke kapasitesindeki ciddi darboğazlar nedeniyle risk altında. Enerji analiz firması Ember’in yayımladığı yeni rapor, AB ülkelerinin büyük bölümünde iletim ve dağıtım ağlarının önümüzdeki yıllarda planlanan güneş ve rüzgar projelerini desteklemekte yetersiz kalabileceğini ortaya koyuyor. Araştırmaya göre, mevcut şebeke kapasitesi ile planlanan yenilenebilir enerji genişlemesi arasında yaklaşık 120 GW’lık açık bulunuyor.

AB'nin şebekesi yetersiz 



Ember’in raporuna göre AB ülkelerinin yarısından fazlası, büyük ölçekli güneş ve rüzgar projelerinin bağlanacağı iletim seviyesinde ciddi kısıtlarla karşı karşıya. En büyük sorunlar Avusturya, Bulgaristan, Letonya, Hollanda, Polonya, Portekiz, Romanya ve Slovakya’da görülüyor. Bu ülkelerde mevcut şebeke kapasitesi on yılın sonuna kadar planlanan yenilenebilir projelerin %10’undan azını destekleyebilecek durumda.

Rapor ayrıca Almanya ve İtalya gibi yenilenebilir enerji açısından olgun pazarların şebeke kapasitesi verilerini yayımlamaması nedeniyle Avrupa genelindeki sorunun raporda belirtilenden daha büyük olabileceğini belirtiyor. Ember, kıtanın 2028 hedefleri altında şebeke krizinin yakın gelecekte ciddi şekilde hissedileceğini vurguluyor.

Çatılar da risk altında 



Sorun yalnızca büyük ölçekli santralleri etkilemiyor. Ember verileri, dağıtım şebekesindeki kısıtların çatı tipi güneş panellerinin yayılımını da yavaşlatabileceğini gösteriyor. Dağıtım ağı kapasitesi verilerini paylaşan 13 ülkeden altısında küçük ölçekli güneş projeleri için yeterli alan bulunmadığı saptandı. Bu durum, en az 16 GW’lık planlanan çatı tipi güneş enerjisini ve yaklaşık 1,5 milyon haneyi riske atıyor. Slovenya ve Danimarka’da ise hanelerin sırasıyla %32 ve %19’u bu kısıtlamalardan etkilenebilir.

Yatırımlar şebekeyi bekliyor



Avrupa’daki şebeke darboğazları, bazı ülkelerdeki uzun bağlantı kuyruklarıyla daha da karmaşık bir hal alıyor. Ember’e göre Finlandiya, İtalya, Almanya, Fransa, Hollanda, İspanya, Avusturya, Polonya, Belçika ve Litvanya’da neredeyse 700 GW’lık yenilenebilir enerji başvurusu şebeke bağlantısı için bekliyor.

Hızlı ve etkili çözümlerin yanı sıra uzun vadeli yatırımların da şart olduğu vurgulanıyor. Raporda öne çıkan çözümler arasında özellikle esnek bağlantı anlaşmalarına değiniliyor. Aktarılanlara göre şebeke modernizasyonu ve esnek bağlantı yöntemleriyle Avrupa genelinde 185 GW’a kadar kapasite açılabilir. AB’deki 15 ülkenin düzenleyici kurumları geçtiğimiz yıl bu tür esnek anlaşmalar için çerçeveler oluşturmuştu.


kaynak]]>


Avrupa’da planlanan yenilenebilir enerji projeleri şebeke kapasitesindeki ciddi darboğazlar nedeniyle risk altında. Enerji analiz firması Ember’in yayımladığı yeni rapor, AB ülkelerinin büyük bölümünde iletim ve dağıtım ağlarının önümüzdeki yıllarda planlanan güneş ve rüzgar projelerini desteklemekte yetersiz kalabileceğini ortaya koyuyor. Araştırmaya göre, mevcut şebeke kapasitesi ile planlanan yenilenebilir enerji genişlemesi arasında yaklaşık 120 GW’lık açık bulunuyor.

AB'nin şebekesi yetersiz 



Ember’in raporuna göre AB ülkelerinin yarısından fazlası, büyük ölçekli güneş ve rüzgar projelerinin bağlanacağı iletim seviyesinde ciddi kısıtlarla karşı karşıya. En büyük sorunlar Avusturya, Bulgaristan, Letonya, Hollanda, Polonya, Portekiz, Romanya ve Slovakya’da görülüyor. Bu ülkelerde mevcut şebeke kapasitesi on yılın sonuna kadar planlanan yenilenebilir projelerin %10’undan azını destekleyebilecek durumda.

Rapor ayrıca Almanya ve İtalya gibi yenilenebilir enerji açısından olgun pazarların şebeke kapasitesi verilerini yayımlamaması nedeniyle Avrupa genelindeki sorunun raporda belirtilenden daha büyük olabileceğini belirtiyor. Ember, kıtanın 2028 hedefleri altında şebeke krizinin yakın gelecekte ciddi şekilde hissedileceğini vurguluyor.

Çatılar da risk altında 



Sorun yalnızca büyük ölçekli santralleri etkilemiyor. Ember verileri, dağıtım şebekesindeki kısıtların çatı tipi güneş panellerinin yayılımını da yavaşlatabileceğini gösteriyor. Dağıtım ağı kapasitesi verilerini paylaşan 13 ülkeden altısında küçük ölçekli güneş projeleri için yeterli alan bulunmadığı saptandı. Bu durum, en az 16 GW’lık planlanan çatı tipi güneş enerjisini ve yaklaşık 1,5 milyon haneyi riske atıyor. Slovenya ve Danimarka’da ise hanelerin sırasıyla %32 ve %19’u bu kısıtlamalardan etkilenebilir.

Yatırımlar şebekeyi bekliyor



Avrupa’daki şebeke darboğazları, bazı ülkelerdeki uzun bağlantı kuyruklarıyla daha da karmaşık bir hal alıyor. Ember’e göre Finlandiya, İtalya, Almanya, Fransa, Hollanda, İspanya, Avusturya, Polonya, Belçika ve Litvanya’da neredeyse 700 GW’lık yenilenebilir enerji başvurusu şebeke bağlantısı için bekliyor.

Hızlı ve etkili çözümlerin yanı sıra uzun vadeli yatırımların da şart olduğu vurgulanıyor. Raporda öne çıkan çözümler arasında özellikle esnek bağlantı anlaşmalarına değiniliyor. Aktarılanlara göre şebeke modernizasyonu ve esnek bağlantı yöntemleriyle Avrupa genelinde 185 GW’a kadar kapasite açılabilir. AB’deki 15 ülkenin düzenleyici kurumları geçtiğimiz yıl bu tür esnek anlaşmalar için çerçeveler oluşturmuştu.


kaynak]]> https://teknikekibim.com/showthread.php?tid=2578 Wed, 11 Mar 2026 10:00:32 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2578
University College London araştırmacıları, beyin sinyallerini çözümleme konusunda dikkat çekici bir başarıya imza attı. Bilim insanları, farelerin yalnızca beyin aktivitelerini kullanarak 10 saniyelik video görüntülerini yeniden oluşturmayı başardı.

Çalışmaya liderlik eden araştırmacı Joel Bauer, bu yöntemin beynin gördüğümüz görüntüleri nasıl yorumladığını anlamada yeni bir kapı araladığını belirtiyor.

Daha hassas bir yöntem kullanıldı
Önceki çalışmalarda insanların izlediği görüntüler genellikle fMRI taramaları ile analiz edilerek yeniden oluşturulmaya çalışılıyordu. Ancak UCL ekibi bu araştırmada çok daha hassas bir yöntem olan tek hücre kayıtlarını kullandı.

Deney sırasında farelere videolar izletildi ve beynin görme merkezi olan görsel korteksteki nöronların aktivitesi tek tek kaydedildi. Araştırmacılar bu verileri analiz etmek için “dinamik sinirsel kodlama modeli” adı verilen bir yapay zeka modeli geliştirdi.

Beyin sinyallerinden görüntü oluşturma
Model, her bir nöronun belirli video karelerine nasıl tepki verdiğini öğrenerek çalışıyor. Bunun yanında sistem, farenin vücut hareketleri, göz bebeği genişlemesi ve içsel fizyolojik durumu gibi faktörleri de hesaba kattı. Böylece ortaya çıkan görüntünün, hayvanın gerçek algısına daha yakın olması sağlandı.

Araştırmacılar ayrıca nöronların aktif olduğu anları tespit etmek için kalsiyum seviyelerindeki artışları izledi. Ardından algoritma, boş bir dijital görüntü üzerinden piksel değerlerini güncelleyerek videoyu adım adım yeniden oluşturdu.

Model eğitildikten sonra ekip, farelerin daha önce hiç görmediği videoları izlerken kaydedilen beyin sinyallerini kullanarak 10 saniyelik görüntüler üretti. Sonuçların doğruluğu ise piksel korelasyonu yöntemiyle, gerçek video ile yapay zeka tarafından oluşturulan görüntünün kare kare karşılaştırılmasıyla test edildi. Araştırmacılar, izlenen nöron sayısı arttıkça görüntü kalitesinin de belirgin şekilde yükseldiğini belirtti. 




Beynimiz dünyayı birebir kaydetmiyor
Çalışmanın en ilginç bulgularından biri ise beynin dünyayı tam olarak kamera gibi kaydetmemesi oldu. Bauer’e göre hem insanların hem de farelerin beyni, gördüğü bilgileri değiştirerek ve yorumlayarak işliyor. Bilim insanları, bu farklılığın aslında bir hata değil, canlıların çevrelerinde hayatta kalmasına yardımcı olan bir özellik olduğunu düşünüyor.

Araştırma ekibi şimdi sistemin çözünürlüğünü artırmayı ve daha geniş görüş alanı elde etmeyi hedefliyor. Bu teknolojinin ileride farklı türlerin dünyayı nasıl algıladığını anlamaya, görme bozukluklarını incelemeye ve bazı nörolojik hastalıkların mekanizmasını çözmeye yardımcı olabileceği düşünülüyor. 

kaynak]]>
University College London araştırmacıları, beyin sinyallerini çözümleme konusunda dikkat çekici bir başarıya imza attı. Bilim insanları, farelerin yalnızca beyin aktivitelerini kullanarak 10 saniyelik video görüntülerini yeniden oluşturmayı başardı.

Çalışmaya liderlik eden araştırmacı Joel Bauer, bu yöntemin beynin gördüğümüz görüntüleri nasıl yorumladığını anlamada yeni bir kapı araladığını belirtiyor.

Daha hassas bir yöntem kullanıldı
Önceki çalışmalarda insanların izlediği görüntüler genellikle fMRI taramaları ile analiz edilerek yeniden oluşturulmaya çalışılıyordu. Ancak UCL ekibi bu araştırmada çok daha hassas bir yöntem olan tek hücre kayıtlarını kullandı.

Deney sırasında farelere videolar izletildi ve beynin görme merkezi olan görsel korteksteki nöronların aktivitesi tek tek kaydedildi. Araştırmacılar bu verileri analiz etmek için “dinamik sinirsel kodlama modeli” adı verilen bir yapay zeka modeli geliştirdi.

Beyin sinyallerinden görüntü oluşturma
Model, her bir nöronun belirli video karelerine nasıl tepki verdiğini öğrenerek çalışıyor. Bunun yanında sistem, farenin vücut hareketleri, göz bebeği genişlemesi ve içsel fizyolojik durumu gibi faktörleri de hesaba kattı. Böylece ortaya çıkan görüntünün, hayvanın gerçek algısına daha yakın olması sağlandı.

Araştırmacılar ayrıca nöronların aktif olduğu anları tespit etmek için kalsiyum seviyelerindeki artışları izledi. Ardından algoritma, boş bir dijital görüntü üzerinden piksel değerlerini güncelleyerek videoyu adım adım yeniden oluşturdu.

Model eğitildikten sonra ekip, farelerin daha önce hiç görmediği videoları izlerken kaydedilen beyin sinyallerini kullanarak 10 saniyelik görüntüler üretti. Sonuçların doğruluğu ise piksel korelasyonu yöntemiyle, gerçek video ile yapay zeka tarafından oluşturulan görüntünün kare kare karşılaştırılmasıyla test edildi. Araştırmacılar, izlenen nöron sayısı arttıkça görüntü kalitesinin de belirgin şekilde yükseldiğini belirtti. 




Beynimiz dünyayı birebir kaydetmiyor
Çalışmanın en ilginç bulgularından biri ise beynin dünyayı tam olarak kamera gibi kaydetmemesi oldu. Bauer’e göre hem insanların hem de farelerin beyni, gördüğü bilgileri değiştirerek ve yorumlayarak işliyor. Bilim insanları, bu farklılığın aslında bir hata değil, canlıların çevrelerinde hayatta kalmasına yardımcı olan bir özellik olduğunu düşünüyor.

Araştırma ekibi şimdi sistemin çözünürlüğünü artırmayı ve daha geniş görüş alanı elde etmeyi hedefliyor. Bu teknolojinin ileride farklı türlerin dünyayı nasıl algıladığını anlamaya, görme bozukluklarını incelemeye ve bazı nörolojik hastalıkların mekanizmasını çözmeye yardımcı olabileceği düşünülüyor. 

kaynak]]> https://teknikekibim.com/showthread.php?tid=2563 Mon, 09 Mar 2026 14:44:29 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2563


Araştırmacılar, bir meyve sineğinin (Drosophila melanogaster) beynini nöron nöron ve sinaps sinaps tarayarak dijital ortama aktardı ve bu dijital beyni fizik kurallarının simüle edildiği sanal bir bedene yerleştirdi. Ortaya çıkan sonuç, sinirbilim ve yapay zeka araştırmaları açısından dikkat çekici bir dönüm noktası olarak değerlendiriliyor.

Çalışmanın arkasında ise nöroteknoloji alanında faaliyet gösteren Eon Systems yer alıyor. Şirketin kurucu danışmanlarından fizikçi ve araştırmacı Dr. Alexander D. Wissner-Gross, projenin “tam beyin emülasyonu” alanında önemli bir eşik olduğunu belirtiyor. Wissner-Gross’a göre uzun yıllardır yapay zekanın karşısındaki en büyük bilimsel hedeflerden biri, biyolojik bir beynin tüm sinir bağlantılarıyla birlikte dijital ortamda kopyalanıp çalıştırılmasıydı. Şirketin yayımladığı demonstrasyon videosunda görülen sistemin, bir organizmanın gerçek sinir devrelerinden türetilmiş beyin modelinin fizik kurallarıyla çalışan bir bedeni kontrol ettiği ilk örneklerden biri olduğu ifade ediliyor.

Bulgular çarpıcı
Proje kapsamında oluşturulan sistem, bir yapay zeka modelinin sinek davranışlarını taklit etmesinden farklı olarak biyolojik beynin doğrudan dijital kopyasına dayanıyor. Bu dijital beyin, sanal bir sinek bedenine bağlandı ve video oyunu benzeri bir simülasyon ortamında çalıştırıldı. Sonuçta sanal sineğin yürüme, temizlenme ve beslenme gibi doğal davranışları sergilediği gözlemlendi. Araştırmacılara göre bu davranışlar sisteme sonradan öğretilmedi. Aksine beynin sinirsel bağlantı yapısında zaten yer alan davranış kalıpları simülasyon içinde kendiliğinden ortaya çıktı.

Çalışmanın temelini, 2024 yılında Nature dergisinde yayımlanan kapsamlı bir beyin modeli oluşturuyor. Araştırmada yetişkin bir meyve sineğinin beynini temsil eden 125 binden fazla nöron ve yaklaşık 50 milyon sinaptik bağlantı içeren bir hesaplamalı model geliştirildi. Model, FlyWire adlı konektom veri seti ile nörotransmitter türlerini tahmin eden makine öğrenmesi yöntemlerinin birleşimiyle oluşturuldu. Bu araştırmanın lideri Eon'un kıdemli bilim insanı Philip Shiu’ydu. 

Bu model, motor davranışları tahmin etmede yaklaşık yüzde 95 doğruluk oranına ulaşmayı başardı. Ancak ilk versiyon yalnızca teorik bir beyin modeliydi. Yani fiziksel bir bedenle etkileşimi olmayan “bedensiz bir beyin” olarak çalışıyordu. Sinirsel aktivite üretiliyor ancak bu aktivitenin gerçekçi bir fiziksel hareketle sonuçlanacağı bir ortam bulunmuyordu.

Dijital beyin ilk kez bir bedenle buluştu



Yeni çalışmada bu eksik halka tamamlandı. Araştırmacılar, önceki beyin modelini NeuroMechFly v2 simülasyon çerçevesi ve fizik motoru tabanlı MuJoCo simülasyon sistemiyle birleştirdi. Böylece dijital beyin, fizik kurallarıyla çalışan sanal bir sinek bedeniyle entegre edildi.

Bu entegrasyon sayesinde sistemde tam bir algı-hareket döngüsü oluşturuldu. Süreçte simülasyon ortamından gelen duyusal veriler dijital beyne aktarılıyor, bu veriler tüm sinir ağı boyunca yayılıyor, ardından motor komutları üretiliyor ve sanal beden bu komutlara göre hareket ediyor. Böylece beynin algıdan harekete uzanan tüm sinirsel döngüsü ilk kez eksiksiz biçimde simülasyonda çalıştırılmış oldu.

Daha önceki çalışmalarda ya beyin modelleri oluşturuluyor ancak bunlar bir bedene bağlanmıyordu ya da simülasyonlardaki bedenler taklit davranışlar üreten yapay zeka algoritmalarıyla kontrol ediliyordu. Dolayısıyla bu alanda niteliksel bir sıçrama yapıldığı ifade ediliyor.

Önceki çalışmalardan farklı 



Örneğin bazı araştırma projelerinde simülasyon içindeki sinek benzeri modeller pekiştirmeli öğrenme algoritmalarıyla kontrol ediliyordu. Bu yöntemlerde davranışlar biyolojik sinir ağından değil, eğitim verilerinden öğrenilen yapay politikalardan kaynaklanıyordu.
Benzer şekilde daha küçük sinir sistemlerine sahip organizmalar üzerinde yapılan projeler de bulunuyor. Örneğin nematod solucanı üzerinde yürütülen çalışmalar yaklaşık 302 nöronluk sinir sistemini modellemeye çalıştı. Ancak bu tür projelerde hem sinir ağı çok daha küçük hem de davranış repertuvarı sınırlıydı.

Yeni çalışmada ise tam bir biyolojik konektomdan (beyindeki sinir bağlantılarının kapsamlı bir haritasıdır ve beynin "bağlantı şeması" olarak düşünülebilir) türetilmiş eksiksiz bir beyin modelinin, fiziksel kurallarla çalışan bir bedenle birlikte çoklu doğal davranışlar üretmesi ilk kez gösterilmiş oldu.

Sırada fare beyni var
Eon Systems, bu çalışmayı daha büyük ölçekli beyin emülasyonlarının ilk adımı olarak görüyor. Şirketin uzun vadeli hedefi, çok daha karmaşık sinir sistemlerine sahip canlıların beyinlerini de aynı yöntemle dijital ortama aktarmak.

Bu kapsamda araştırmacılar, yaklaşık 70 milyon nöron barındıran bir fare beyninin tam konektom haritasını çıkararak yüksek doğruluklu bir dijital emülasyon oluşturmayı planlıyor. Bu sayı, meyve sineğinin beynindeki nöron sayısının yaklaşık 560 katı anlamına geliyor.

Bilim insanlarına göre meyve sineği beyninin simülasyon ortamında algı ve hareket döngüsünü tamamlayabilmesi, daha karmaşık beyinlerin dijital olarak modellenmesi konusunda önemli bir işaret sunuyor. Bu noktada temel zorluk artık prensipten çok ölçek ve veri miktarı olarak görülüyor. 


kaynak]]>


Araştırmacılar, bir meyve sineğinin (Drosophila melanogaster) beynini nöron nöron ve sinaps sinaps tarayarak dijital ortama aktardı ve bu dijital beyni fizik kurallarının simüle edildiği sanal bir bedene yerleştirdi. Ortaya çıkan sonuç, sinirbilim ve yapay zeka araştırmaları açısından dikkat çekici bir dönüm noktası olarak değerlendiriliyor.

Çalışmanın arkasında ise nöroteknoloji alanında faaliyet gösteren Eon Systems yer alıyor. Şirketin kurucu danışmanlarından fizikçi ve araştırmacı Dr. Alexander D. Wissner-Gross, projenin “tam beyin emülasyonu” alanında önemli bir eşik olduğunu belirtiyor. Wissner-Gross’a göre uzun yıllardır yapay zekanın karşısındaki en büyük bilimsel hedeflerden biri, biyolojik bir beynin tüm sinir bağlantılarıyla birlikte dijital ortamda kopyalanıp çalıştırılmasıydı. Şirketin yayımladığı demonstrasyon videosunda görülen sistemin, bir organizmanın gerçek sinir devrelerinden türetilmiş beyin modelinin fizik kurallarıyla çalışan bir bedeni kontrol ettiği ilk örneklerden biri olduğu ifade ediliyor.

Bulgular çarpıcı
Proje kapsamında oluşturulan sistem, bir yapay zeka modelinin sinek davranışlarını taklit etmesinden farklı olarak biyolojik beynin doğrudan dijital kopyasına dayanıyor. Bu dijital beyin, sanal bir sinek bedenine bağlandı ve video oyunu benzeri bir simülasyon ortamında çalıştırıldı. Sonuçta sanal sineğin yürüme, temizlenme ve beslenme gibi doğal davranışları sergilediği gözlemlendi. Araştırmacılara göre bu davranışlar sisteme sonradan öğretilmedi. Aksine beynin sinirsel bağlantı yapısında zaten yer alan davranış kalıpları simülasyon içinde kendiliğinden ortaya çıktı.

Çalışmanın temelini, 2024 yılında Nature dergisinde yayımlanan kapsamlı bir beyin modeli oluşturuyor. Araştırmada yetişkin bir meyve sineğinin beynini temsil eden 125 binden fazla nöron ve yaklaşık 50 milyon sinaptik bağlantı içeren bir hesaplamalı model geliştirildi. Model, FlyWire adlı konektom veri seti ile nörotransmitter türlerini tahmin eden makine öğrenmesi yöntemlerinin birleşimiyle oluşturuldu. Bu araştırmanın lideri Eon'un kıdemli bilim insanı Philip Shiu’ydu. 

Bu model, motor davranışları tahmin etmede yaklaşık yüzde 95 doğruluk oranına ulaşmayı başardı. Ancak ilk versiyon yalnızca teorik bir beyin modeliydi. Yani fiziksel bir bedenle etkileşimi olmayan “bedensiz bir beyin” olarak çalışıyordu. Sinirsel aktivite üretiliyor ancak bu aktivitenin gerçekçi bir fiziksel hareketle sonuçlanacağı bir ortam bulunmuyordu.

Dijital beyin ilk kez bir bedenle buluştu



Yeni çalışmada bu eksik halka tamamlandı. Araştırmacılar, önceki beyin modelini NeuroMechFly v2 simülasyon çerçevesi ve fizik motoru tabanlı MuJoCo simülasyon sistemiyle birleştirdi. Böylece dijital beyin, fizik kurallarıyla çalışan sanal bir sinek bedeniyle entegre edildi.

Bu entegrasyon sayesinde sistemde tam bir algı-hareket döngüsü oluşturuldu. Süreçte simülasyon ortamından gelen duyusal veriler dijital beyne aktarılıyor, bu veriler tüm sinir ağı boyunca yayılıyor, ardından motor komutları üretiliyor ve sanal beden bu komutlara göre hareket ediyor. Böylece beynin algıdan harekete uzanan tüm sinirsel döngüsü ilk kez eksiksiz biçimde simülasyonda çalıştırılmış oldu.

Daha önceki çalışmalarda ya beyin modelleri oluşturuluyor ancak bunlar bir bedene bağlanmıyordu ya da simülasyonlardaki bedenler taklit davranışlar üreten yapay zeka algoritmalarıyla kontrol ediliyordu. Dolayısıyla bu alanda niteliksel bir sıçrama yapıldığı ifade ediliyor.

Önceki çalışmalardan farklı 



Örneğin bazı araştırma projelerinde simülasyon içindeki sinek benzeri modeller pekiştirmeli öğrenme algoritmalarıyla kontrol ediliyordu. Bu yöntemlerde davranışlar biyolojik sinir ağından değil, eğitim verilerinden öğrenilen yapay politikalardan kaynaklanıyordu.
Benzer şekilde daha küçük sinir sistemlerine sahip organizmalar üzerinde yapılan projeler de bulunuyor. Örneğin nematod solucanı üzerinde yürütülen çalışmalar yaklaşık 302 nöronluk sinir sistemini modellemeye çalıştı. Ancak bu tür projelerde hem sinir ağı çok daha küçük hem de davranış repertuvarı sınırlıydı.

Yeni çalışmada ise tam bir biyolojik konektomdan (beyindeki sinir bağlantılarının kapsamlı bir haritasıdır ve beynin "bağlantı şeması" olarak düşünülebilir) türetilmiş eksiksiz bir beyin modelinin, fiziksel kurallarla çalışan bir bedenle birlikte çoklu doğal davranışlar üretmesi ilk kez gösterilmiş oldu.

Sırada fare beyni var
Eon Systems, bu çalışmayı daha büyük ölçekli beyin emülasyonlarının ilk adımı olarak görüyor. Şirketin uzun vadeli hedefi, çok daha karmaşık sinir sistemlerine sahip canlıların beyinlerini de aynı yöntemle dijital ortama aktarmak.

Bu kapsamda araştırmacılar, yaklaşık 70 milyon nöron barındıran bir fare beyninin tam konektom haritasını çıkararak yüksek doğruluklu bir dijital emülasyon oluşturmayı planlıyor. Bu sayı, meyve sineğinin beynindeki nöron sayısının yaklaşık 560 katı anlamına geliyor.

Bilim insanlarına göre meyve sineği beyninin simülasyon ortamında algı ve hareket döngüsünü tamamlayabilmesi, daha karmaşık beyinlerin dijital olarak modellenmesi konusunda önemli bir işaret sunuyor. Bu noktada temel zorluk artık prensipten çok ölçek ve veri miktarı olarak görülüyor. 


kaynak]]> https://teknikekibim.com/showthread.php?tid=2561 Mon, 09 Mar 2026 13:35:18 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2561
Bilgisayar mühendisliği dünyasında yıllardır süren bir gelenek var: Yeni bir platform ortaya çıktığında geliştiriciler ilk olarak “Doom çalıştırabiliyor mu?” sorusunu sorar. 1993’te çıkan bu efsane oyun, hesap makinelerinden robot çim biçme makinelerine, blokzincir sistemlerinden PDF dosyalarına kadar sayısız sıra dışı cihazda çalıştırıldı. Ancak şimdi bu listeye belki de en şaşırtıcı olanı ekleniyor: Laboratuvarda yetiştirilen canlı insan beyin hücreleri.



Daha önce de çeşitli atılımlarla karşımıza çıkan Avustralya merkezli biyoteknoloji şirketi Cortical Labs, yaklaşık 200 bin canlı insan nöronunun silikon bir çiple birlikte çalışarak Doom oynayabildiğini açıkladı. Ancak araştırmacılara göre bu sadece bir deney veya teknoloji gösterisi değil. Onlara göre bu, biyolojik bilgisayarların gerçek dünya uygulamalarına doğru ilerlediğini gösteren önemli bir bilimsel dönüm noktası.



Nöron ve silikon bir arada

Deneyde kullanılan sistem, Cortical Labs’in geliştirdiği CL-1 adlı nöral hesaplama platformu üzerine kurulu. Şirket bu sistemi “kod çalıştırabilen ilk biyolojik bilgisayar” olarak tanımlıyor. Bu platform geçtiğimiz yıl dünyanın ilk “sentetik biyolojik zekası” olarak tanıtılmıştı.



Sistemin temelinde laboratuvarda yetiştirilen insan beyin hücreleri bulunuyor. Araştırmacılar yaklaşık 200 bin nöronu mikroelektrot dizisi adı verilen özel bir yüzey üzerinde büyüttü. Bu mikroelektrotlar, nöronların hem elektriksel sinyal almasını hem de ürettiği sinyallerin kaydedilmesini sağlıyor.

CL-1 çipi ise dijital bilgisayar dünyası ile biyolojik sistem arasında köprü görevi görüyor. Oyundan gelen dijital veriler elektriksel biyolojik sinyallere dönüştürülüyor ve nöronlara iletiliyor. Nöronların oluşturduğu elektriksel aktivite ise tekrar dijital komutlara çevrilerek oyun karakterinin hareketlerini kontrol ediyor.



Cortical Labs’in baş bilim sorumlusu Brett Kagan videoda, “Bu, uyarlanabilir, gerçek zamanlı hedef odaklı öğrenmeyi kanıtladığı için önemli bir dönüm noktasıydı” dedi.



Her şey Pong ile başladı


Cortical Labs’in biyolojik bilgisayar çalışmaları yeni değil, bundan birkaç yıl öncesine dayanıyor. Şirket 2021 yılında benzer bir sistemle klasik Atari oyunu Pong’u oynayabilen bir biyolojik çip geliştirmişti. O projede 800 bin ila 1 milyon arasında canlı beyin hücresi mikroelektrot dizileri üzerinde yetiştirilmişti. Bu hücreler dijital sistemle elektrik sinyalleri üzerinden iletişim kurarak ekrandaki kürekleri kontrol etmeyi öğrenmişti.

Bu başarıya ulaşmak 18 aylık yoğun bir araştırma süreci gerektirmişti. Araştırmacılar hücreleri dikkatli bir eğitim süreciyle oyuna adapte etmek zorunda kalmıştı. Bu nedenle ekibin bir sonraki hedefi daha zorlu olan Doom oyunu oldu.



Bilindiği üzere Pong son derece basit bir oyun ancak günümüzde tarihi eser statüsünde olsa da Doom, çok daha karmaşık bir yapı barındırıyor. Öncelikli olarak Doom, üç boyutlu bir ortamda hareketli düşmanlar içeriyor. Aynı zamanda haritalarda keşift yapmak ve gerçek zamanları kararlar vermek gerekiyor.



Bu nedenle araştırmacıların karşılaştığı en büyük zorluk, oyunun görsel verisini gözü olmayan nöronların anlayabileceği bir dile çevirmek oldu. Çözüm, oyunun video akışını elektriksel uyarı desenlerine dönüştürmek oldu. Oyun ekranındaki görüntüler analiz edilerek farklı bölgelerdeki nöronları uyaran elektriksel sinyallere çevrildi.



Cortical Labs’in teknoloji direktörü David Hogan, sistemin kontrol mantığını “Nöronlar belirli bir desenle ateşlenirse Doom karakteri ateş ediyor. Başka bir desen oluşursa sağa hareket ediyor” sözleriyle açıklıyor. Bu elektriksel geri bildirim döngüsü sayesinde nöronlar oyunun ortamına tepki verebiliyor.



Bir haftada öğretildi

Doom deneyinin en dikkat çekici yönlerinden biri ise sürecin ne kadar hızlı gerçekleştiği oldu. Bağımsız geliştirici Sean Cole, Cortical Labs’in bulut platformu ve Python tabanlı programlama arayüzünü kullanarak nöronları Doom oynayacak şekilde eğitti. Bu süreç yaklaşık bir hafta sürdü.



Kagan’a göre bu durum biyolojik bilgisayarların erişilebilirliği açısından önemli bir değişimi gösteriyor. Pong deneyinin yıllar süren araştırmalar gerektirdiğini hatırlatan Kagan, bu kez biyoloji alanında sınırlı deneyime sahip bir geliştiricinin birkaç gün içinde sistemi eğitebilmesinin teknolojinin olgunlaştığını gösterdiğini söylüyor.



İnsanlardan zayıf ama hızlı öğreniyor



Şu anki haliyle biyolojik sistemin performansı oldukça sınırlı. Araştırmacılara göre nöronların oyun stili daha önce hiç bilgisayar görmemiş bir acemi oyuncuya benziyor. Buna rağmen hücrelerin bazı önemli davranışlar sergilediği görülüyor. Nöronlar oyun içinde düşmanları arayabiliyor, ateş edebiliyor ve karakteri döndürebiliyor.

Performans halen insan oyuncuların oldukça gerisinde olsa da araştırmacılar öğrenme hızının etkileyici olduğuna dikkat çekiyor. Biyolojik sistemlerin bazı durumlarda silikon tabanlı yapay zeka algoritmalarından daha hızlı öğrenebildiği gözlemlendi. Yeni öğrenme algoritmaları kullanıldıkça performansın artması bekleniyor.



Nasıl çalıştığını tam olarak bilmiyoruz



Her ne kadar yapılan deney ve sonuç etkileyici olsa da burada ilginç bir patern var. Bilim insanları yapay zeka, daha doğrusu büyük dil modellerinin de tam olarak nasıl çalıştığını, “kara kutu” denilen sekansta kararların nasıl verildiğini halen bilmiyor. Cortical Labs araştırmacıları ve bu biyo-bilgisayar özelinde de durum bu. Bilim dünyası nöronların oyunu tam olarak nasıl oynadığını henüz açıklayabilmiş değil. Örneğin nöronların kendilerinden ne beklendiğini nasıl “anladıkları” veya gözleri olmadan ekranı nasıl algıladıkları halen araştırılıyor.



Burada “patern” kelimesini seçmemdeki neden ise insanların “zeka” içeren uğraşlara girdiğinde ortaya çıkan cevapsız soruların fazlalığı ve bazı şeylerin “nedenini” bilememe durumu.



Aynı zamanda bu iki teknolojinin benzersiz bir şekilde birbirini tamamlama ihtimali de bulunuyor. Yapay zeka geliştikçe ona paralel olarak ihtiyaç duyulan bilişim gücü de artıyor. Dolayısıyla yapay zeka için esasında bir ölçekleme sorunu var. Ancak bu tip biyolojik bilgisayarlar sayesinde buradaki işlem gücü sorunu çözülebilir veya azaltılabilir. Çünkü bu sistemeler esasında makine zekasının insan beyin hücreleri gibi "yaşamı boyunca öğrenmesini" sağlayabilir. Bu da yapay zekanın aynı donanım formu içinde sürekli gelişebileceğine işaret ediyor.



Dahası bunlar robotik sistemlerde -örneğin insansı robotlar- de kullanılabilir. Esasında Doom oynamak, teknik açıdan bir robot kolunu kontrol etmenin daha basit bir versiyonu sayılabilir. Bu canlı nöral ağlar karmaşık ortamlarla başa çıkma, belirsizlik altında karar verme ve gerçek zamanlı veri işleyebilme gibi bir dizi temel avantajlara sahip. Üstelik tüm süreç oldukça da verimli. Testlerin gerçekleştiği CL1, yalnızca birkaç watt (850-1.000 W) enerji harcıyor.



“Burada asıl heyecan verici olan şey, biyolojik bir sistemin sadece Doom oynayabilmesi değil. Olay, karmaşıklık, belirsizlik ve gerçek zamanlı karar alma gibi durumlarla başa çıkabilmesidir.” diyor Kagan.





kaynak]]>
Bilgisayar mühendisliği dünyasında yıllardır süren bir gelenek var: Yeni bir platform ortaya çıktığında geliştiriciler ilk olarak “Doom çalıştırabiliyor mu?” sorusunu sorar. 1993’te çıkan bu efsane oyun, hesap makinelerinden robot çim biçme makinelerine, blokzincir sistemlerinden PDF dosyalarına kadar sayısız sıra dışı cihazda çalıştırıldı. Ancak şimdi bu listeye belki de en şaşırtıcı olanı ekleniyor: Laboratuvarda yetiştirilen canlı insan beyin hücreleri.



Daha önce de çeşitli atılımlarla karşımıza çıkan Avustralya merkezli biyoteknoloji şirketi Cortical Labs, yaklaşık 200 bin canlı insan nöronunun silikon bir çiple birlikte çalışarak Doom oynayabildiğini açıkladı. Ancak araştırmacılara göre bu sadece bir deney veya teknoloji gösterisi değil. Onlara göre bu, biyolojik bilgisayarların gerçek dünya uygulamalarına doğru ilerlediğini gösteren önemli bir bilimsel dönüm noktası.



Nöron ve silikon bir arada

Deneyde kullanılan sistem, Cortical Labs’in geliştirdiği CL-1 adlı nöral hesaplama platformu üzerine kurulu. Şirket bu sistemi “kod çalıştırabilen ilk biyolojik bilgisayar” olarak tanımlıyor. Bu platform geçtiğimiz yıl dünyanın ilk “sentetik biyolojik zekası” olarak tanıtılmıştı.



Sistemin temelinde laboratuvarda yetiştirilen insan beyin hücreleri bulunuyor. Araştırmacılar yaklaşık 200 bin nöronu mikroelektrot dizisi adı verilen özel bir yüzey üzerinde büyüttü. Bu mikroelektrotlar, nöronların hem elektriksel sinyal almasını hem de ürettiği sinyallerin kaydedilmesini sağlıyor.

CL-1 çipi ise dijital bilgisayar dünyası ile biyolojik sistem arasında köprü görevi görüyor. Oyundan gelen dijital veriler elektriksel biyolojik sinyallere dönüştürülüyor ve nöronlara iletiliyor. Nöronların oluşturduğu elektriksel aktivite ise tekrar dijital komutlara çevrilerek oyun karakterinin hareketlerini kontrol ediyor.



Cortical Labs’in baş bilim sorumlusu Brett Kagan videoda, “Bu, uyarlanabilir, gerçek zamanlı hedef odaklı öğrenmeyi kanıtladığı için önemli bir dönüm noktasıydı” dedi.



Her şey Pong ile başladı


Cortical Labs’in biyolojik bilgisayar çalışmaları yeni değil, bundan birkaç yıl öncesine dayanıyor. Şirket 2021 yılında benzer bir sistemle klasik Atari oyunu Pong’u oynayabilen bir biyolojik çip geliştirmişti. O projede 800 bin ila 1 milyon arasında canlı beyin hücresi mikroelektrot dizileri üzerinde yetiştirilmişti. Bu hücreler dijital sistemle elektrik sinyalleri üzerinden iletişim kurarak ekrandaki kürekleri kontrol etmeyi öğrenmişti.

Bu başarıya ulaşmak 18 aylık yoğun bir araştırma süreci gerektirmişti. Araştırmacılar hücreleri dikkatli bir eğitim süreciyle oyuna adapte etmek zorunda kalmıştı. Bu nedenle ekibin bir sonraki hedefi daha zorlu olan Doom oyunu oldu.



Bilindiği üzere Pong son derece basit bir oyun ancak günümüzde tarihi eser statüsünde olsa da Doom, çok daha karmaşık bir yapı barındırıyor. Öncelikli olarak Doom, üç boyutlu bir ortamda hareketli düşmanlar içeriyor. Aynı zamanda haritalarda keşift yapmak ve gerçek zamanları kararlar vermek gerekiyor.



Bu nedenle araştırmacıların karşılaştığı en büyük zorluk, oyunun görsel verisini gözü olmayan nöronların anlayabileceği bir dile çevirmek oldu. Çözüm, oyunun video akışını elektriksel uyarı desenlerine dönüştürmek oldu. Oyun ekranındaki görüntüler analiz edilerek farklı bölgelerdeki nöronları uyaran elektriksel sinyallere çevrildi.



Cortical Labs’in teknoloji direktörü David Hogan, sistemin kontrol mantığını “Nöronlar belirli bir desenle ateşlenirse Doom karakteri ateş ediyor. Başka bir desen oluşursa sağa hareket ediyor” sözleriyle açıklıyor. Bu elektriksel geri bildirim döngüsü sayesinde nöronlar oyunun ortamına tepki verebiliyor.



Bir haftada öğretildi

Doom deneyinin en dikkat çekici yönlerinden biri ise sürecin ne kadar hızlı gerçekleştiği oldu. Bağımsız geliştirici Sean Cole, Cortical Labs’in bulut platformu ve Python tabanlı programlama arayüzünü kullanarak nöronları Doom oynayacak şekilde eğitti. Bu süreç yaklaşık bir hafta sürdü.



Kagan’a göre bu durum biyolojik bilgisayarların erişilebilirliği açısından önemli bir değişimi gösteriyor. Pong deneyinin yıllar süren araştırmalar gerektirdiğini hatırlatan Kagan, bu kez biyoloji alanında sınırlı deneyime sahip bir geliştiricinin birkaç gün içinde sistemi eğitebilmesinin teknolojinin olgunlaştığını gösterdiğini söylüyor.



İnsanlardan zayıf ama hızlı öğreniyor



Şu anki haliyle biyolojik sistemin performansı oldukça sınırlı. Araştırmacılara göre nöronların oyun stili daha önce hiç bilgisayar görmemiş bir acemi oyuncuya benziyor. Buna rağmen hücrelerin bazı önemli davranışlar sergilediği görülüyor. Nöronlar oyun içinde düşmanları arayabiliyor, ateş edebiliyor ve karakteri döndürebiliyor.

Performans halen insan oyuncuların oldukça gerisinde olsa da araştırmacılar öğrenme hızının etkileyici olduğuna dikkat çekiyor. Biyolojik sistemlerin bazı durumlarda silikon tabanlı yapay zeka algoritmalarından daha hızlı öğrenebildiği gözlemlendi. Yeni öğrenme algoritmaları kullanıldıkça performansın artması bekleniyor.



Nasıl çalıştığını tam olarak bilmiyoruz



Her ne kadar yapılan deney ve sonuç etkileyici olsa da burada ilginç bir patern var. Bilim insanları yapay zeka, daha doğrusu büyük dil modellerinin de tam olarak nasıl çalıştığını, “kara kutu” denilen sekansta kararların nasıl verildiğini halen bilmiyor. Cortical Labs araştırmacıları ve bu biyo-bilgisayar özelinde de durum bu. Bilim dünyası nöronların oyunu tam olarak nasıl oynadığını henüz açıklayabilmiş değil. Örneğin nöronların kendilerinden ne beklendiğini nasıl “anladıkları” veya gözleri olmadan ekranı nasıl algıladıkları halen araştırılıyor.



Burada “patern” kelimesini seçmemdeki neden ise insanların “zeka” içeren uğraşlara girdiğinde ortaya çıkan cevapsız soruların fazlalığı ve bazı şeylerin “nedenini” bilememe durumu.



Aynı zamanda bu iki teknolojinin benzersiz bir şekilde birbirini tamamlama ihtimali de bulunuyor. Yapay zeka geliştikçe ona paralel olarak ihtiyaç duyulan bilişim gücü de artıyor. Dolayısıyla yapay zeka için esasında bir ölçekleme sorunu var. Ancak bu tip biyolojik bilgisayarlar sayesinde buradaki işlem gücü sorunu çözülebilir veya azaltılabilir. Çünkü bu sistemeler esasında makine zekasının insan beyin hücreleri gibi "yaşamı boyunca öğrenmesini" sağlayabilir. Bu da yapay zekanın aynı donanım formu içinde sürekli gelişebileceğine işaret ediyor.



Dahası bunlar robotik sistemlerde -örneğin insansı robotlar- de kullanılabilir. Esasında Doom oynamak, teknik açıdan bir robot kolunu kontrol etmenin daha basit bir versiyonu sayılabilir. Bu canlı nöral ağlar karmaşık ortamlarla başa çıkma, belirsizlik altında karar verme ve gerçek zamanlı veri işleyebilme gibi bir dizi temel avantajlara sahip. Üstelik tüm süreç oldukça da verimli. Testlerin gerçekleştiği CL1, yalnızca birkaç watt (850-1.000 W) enerji harcıyor.



“Burada asıl heyecan verici olan şey, biyolojik bir sistemin sadece Doom oynayabilmesi değil. Olay, karmaşıklık, belirsizlik ve gerçek zamanlı karar alma gibi durumlarla başa çıkabilmesidir.” diyor Kagan.





kaynak]]> https://teknikekibim.com/showthread.php?tid=2183 Sat, 17 Jan 2026 15:17:01 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2183


Dudak senkronizasyonu yapan robot teknolojileri, insansı robotların geleceği açısından kritik bir eşik olarak görülüyor. Columbia Üniversitesi’nde geliştirilen EMO adlı robot, yalnızca konuşma üretmekle kalmıyor, insanlara benzer şekilde dudak ve yüz hareketlerini senkronize ederek konuşmayı öğreniyor. Dudak senkronizasyonu yapan robot EMO, bu yeteneği sayesinde insan-robot etkileşiminde daha doğal ve gerçekçi bir deneyim sunmayı hedefliyor.

EMO’nun geliştirilme süreci, robotun kendi yüz hareketlerini gözlemleyerek öğrenmesine dayanıyor. Columbia Üniversitesi’nde robotik alanında doktora öğrencisi olan Yuhang Hu ve Prof. Hod Lipson liderliğindeki ekip, EMO’yu esnek silikon bir yüzle donatılmış robotik bir kafa olarak tasarladı. Bu yüzün altında yer alan 26 küçük motor, farklı kombinasyonlarda çalışarak çok sayıda yüz ifadesi ve dudak hareketi oluşturabiliyor.

EMO robotu konuşmayı ve yüz hareketlerini nasıl öğreniyor?
Araştırmacılar, EMO’nun öğrenme sürecini başlatmak için robotu bir aynanın karşısına yerleştirdi. EMO, binlerce farklı yüz ifadesi üretirken kendi görüntüsünü izleyerek hangi motor kombinasyonlarının hangi görsel sonuçları doğurduğunu öğrenmeye başladı. Bu yaklaşım, görselden eyleme olarak adlandırılan ve kısaca VLA (Vision-Language-Action) modeliyle tanımlanan bir öğrenme yöntemine dayanıyor. Bu sayede robot, yüz hareketleri ile motor kontrolü arasındaki ilişkiyi insan müdahalesi olmadan kavrayabiliyor.

Bir sonraki aşamada EMO, dudak senkronizasyonu yeteneğini geliştirmek için insanlara ait konuşma ve şarkı söyleme videolarını analiz etti. Saatler süren YouTube video incelemeleri sırasında robot, belirli seslerin hangi ağız ve dudak şekilleriyle üretildiğini ayırt etmeyi öğrendi. Yapay zekâ sistemi, bu gözlemleri daha önce edinilen motor bilgileriyle birleştirerek sentetik ses modülünden çıkan kelimelere uygun dudak hareketleri üretmeyi başardı.


Elbette teknoloji henüz kusursuz değil. EMO, özellikle "B" ve "W" gibi dudakların tamamen kapanmasını veya yuvarlanmasını gerektiren seslerde zorlanıyor. Ancak araştırmacılara göre bu durum, robotun daha fazla veriyle eğitilmesi sayesinde zamanla aşılabilecek bir sorun. İnsanlarda olduğu gibi, pratik arttıkça motor kontrolü ve ses-ifadeyle uyum da gelişiyor. Bu da EMO’nun gelecekte daha akıcı ve doğal konuşmalar yapabilmesinin önünü açıyor.

Yuhang Hu’ya göre dudak senkronizasyonu yeteneğinin gelişmiş konuşma yapay zekâlarıyla birleştirilmesi, insan-robot ilişkilerinde yeni bir boyut yaratabilir. ChatGPT veya Gemini benzeri dil modelleriyle entegre edilen bir robot, yalnızca doğru cümleler kurmakla kalmaz, aynı zamanda konuşmanın duygusal bağlamına uygun yüz ifadeleri de sergileyebilir. Robot, insan konuşmalarını ne kadar fazla gözlemlerse, mimik ve jestleri o kadar bağlama duyarlı hale geliyor. Bu da robotların eğitim, sağlık ve müşteri hizmetleri gibi alanlarda daha etkili kullanılmasını mümkün kılabilir





kaynak]]>


Dudak senkronizasyonu yapan robot teknolojileri, insansı robotların geleceği açısından kritik bir eşik olarak görülüyor. Columbia Üniversitesi’nde geliştirilen EMO adlı robot, yalnızca konuşma üretmekle kalmıyor, insanlara benzer şekilde dudak ve yüz hareketlerini senkronize ederek konuşmayı öğreniyor. Dudak senkronizasyonu yapan robot EMO, bu yeteneği sayesinde insan-robot etkileşiminde daha doğal ve gerçekçi bir deneyim sunmayı hedefliyor.

EMO’nun geliştirilme süreci, robotun kendi yüz hareketlerini gözlemleyerek öğrenmesine dayanıyor. Columbia Üniversitesi’nde robotik alanında doktora öğrencisi olan Yuhang Hu ve Prof. Hod Lipson liderliğindeki ekip, EMO’yu esnek silikon bir yüzle donatılmış robotik bir kafa olarak tasarladı. Bu yüzün altında yer alan 26 küçük motor, farklı kombinasyonlarda çalışarak çok sayıda yüz ifadesi ve dudak hareketi oluşturabiliyor.

EMO robotu konuşmayı ve yüz hareketlerini nasıl öğreniyor?
Araştırmacılar, EMO’nun öğrenme sürecini başlatmak için robotu bir aynanın karşısına yerleştirdi. EMO, binlerce farklı yüz ifadesi üretirken kendi görüntüsünü izleyerek hangi motor kombinasyonlarının hangi görsel sonuçları doğurduğunu öğrenmeye başladı. Bu yaklaşım, görselden eyleme olarak adlandırılan ve kısaca VLA (Vision-Language-Action) modeliyle tanımlanan bir öğrenme yöntemine dayanıyor. Bu sayede robot, yüz hareketleri ile motor kontrolü arasındaki ilişkiyi insan müdahalesi olmadan kavrayabiliyor.

Bir sonraki aşamada EMO, dudak senkronizasyonu yeteneğini geliştirmek için insanlara ait konuşma ve şarkı söyleme videolarını analiz etti. Saatler süren YouTube video incelemeleri sırasında robot, belirli seslerin hangi ağız ve dudak şekilleriyle üretildiğini ayırt etmeyi öğrendi. Yapay zekâ sistemi, bu gözlemleri daha önce edinilen motor bilgileriyle birleştirerek sentetik ses modülünden çıkan kelimelere uygun dudak hareketleri üretmeyi başardı.


Elbette teknoloji henüz kusursuz değil. EMO, özellikle "B" ve "W" gibi dudakların tamamen kapanmasını veya yuvarlanmasını gerektiren seslerde zorlanıyor. Ancak araştırmacılara göre bu durum, robotun daha fazla veriyle eğitilmesi sayesinde zamanla aşılabilecek bir sorun. İnsanlarda olduğu gibi, pratik arttıkça motor kontrolü ve ses-ifadeyle uyum da gelişiyor. Bu da EMO’nun gelecekte daha akıcı ve doğal konuşmalar yapabilmesinin önünü açıyor.

Yuhang Hu’ya göre dudak senkronizasyonu yeteneğinin gelişmiş konuşma yapay zekâlarıyla birleştirilmesi, insan-robot ilişkilerinde yeni bir boyut yaratabilir. ChatGPT veya Gemini benzeri dil modelleriyle entegre edilen bir robot, yalnızca doğru cümleler kurmakla kalmaz, aynı zamanda konuşmanın duygusal bağlamına uygun yüz ifadeleri de sergileyebilir. Robot, insan konuşmalarını ne kadar fazla gözlemlerse, mimik ve jestleri o kadar bağlama duyarlı hale geliyor. Bu da robotların eğitim, sağlık ve müşteri hizmetleri gibi alanlarda daha etkili kullanılmasını mümkün kılabilir





kaynak]]> https://teknikekibim.com/showthread.php?tid=2055 Tue, 23 Dec 2025 13:24:47 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2055


Nvidia, yapay zeka altyapısı yarışında 2026 yılına damga vurması beklenen Blackwell Ultra GB300 AI sunucuları ile yeni bir ölçeklenme dönemine giriyor. Şirketin dev müşterilere yönelik ana ürünü haline gelmesi öngörülen GB300 platformu için sevkiyatların mevcut seviyelere kıyasla iki kattan fazla artması bekleniyor. Sektör kaynakları, bu artışın Nvidia’nın üretim tarafında yaşadığı kritik iyileştirmeler ve büyük teknoloji şirketlerinden gelen yoğun taleple doğrudan bağlantılı olduğuna işaret ediyor.

Sektörün gözdesi Blackwell Ultra GB300 olacak
Nvidia’nın yıllık ürün döngüsü kapsamında geliştirilen Blackwell Ultra mimarisi, 2025’in ikinci çeyreğinde GTC açılış konuşmasında tanıtılmıştı. Ancak yüksek hacimli üretime geçiş süreci yılın ortasında, özellikle üçüncü ve dördüncü çeyreklerde hız kazandı. Bu zamanlama nedeniyle 2025 boyunca veri merkezi yatırımlarında ağırlıklı olarak Blackwell GB200 sunucu konfigürasyonları tercih edildi. 2026’ya girilirken ise sektör odağının net biçimde Blackwell Ultra GB300’e kayacağı ifade ediliyor.



Paylaşılan bilgilere göre, GB300 sevkiyatlarının 2026’da yıllık bazda yüzde 129 artması bekleniyor. Bu yükselişte Microsoft, Amazon, Meta gibi yapay zeka yatırımlarını agresif biçimde büyüten şirketlerin etkisi büyük. Güvenilir tahminler, Nvidia’nın yalnızca 2026 yılı içinde yaklaşık 60 bin sunucu rafı seviyesinde Blackwell Ultra sevkiyatı gerçekleştirebileceğini gösteriyor. Bu rakam, yapay zeka sunucu pazarında şimdiye kadar görülmüş en yüksek hacimlerden biri olarak değerlendiriliyor.

Blackwell Ultra, orijinal muadili tarafından oluşturulan yapıyı devam ettirecek ancak B300 AI yongalarının sağladığı mimari gelişmelerle büyük değişiklikler getirilecek. Sektör henüz bu yeni sunucuların tüm potansiyelini deneyimlemiş değil. Blackwell Ultra aynı zamanda Nvidia’nın bir sonraki büyük adımı olan Rubin platformları için de zemin hazırlıyor. Rubin ailesinin, yapay zeka çiplerinden ağ altyapısına ve raf tasarımına kadar tüm yığını kapsayan kapsamlı yükseltmeler sunacağı belirtiliyor. Mevcut beklentiler, Rubin tabanlı sistemlerin 2026’nın ikinci yarısında pazara çıkacağı, resmi tanıtımın ise Mart ayında düzenlenecek GTC etkinliğinde yapılacağı yönünde.


kaynak]]>


Nvidia, yapay zeka altyapısı yarışında 2026 yılına damga vurması beklenen Blackwell Ultra GB300 AI sunucuları ile yeni bir ölçeklenme dönemine giriyor. Şirketin dev müşterilere yönelik ana ürünü haline gelmesi öngörülen GB300 platformu için sevkiyatların mevcut seviyelere kıyasla iki kattan fazla artması bekleniyor. Sektör kaynakları, bu artışın Nvidia’nın üretim tarafında yaşadığı kritik iyileştirmeler ve büyük teknoloji şirketlerinden gelen yoğun taleple doğrudan bağlantılı olduğuna işaret ediyor.

Sektörün gözdesi Blackwell Ultra GB300 olacak
Nvidia’nın yıllık ürün döngüsü kapsamında geliştirilen Blackwell Ultra mimarisi, 2025’in ikinci çeyreğinde GTC açılış konuşmasında tanıtılmıştı. Ancak yüksek hacimli üretime geçiş süreci yılın ortasında, özellikle üçüncü ve dördüncü çeyreklerde hız kazandı. Bu zamanlama nedeniyle 2025 boyunca veri merkezi yatırımlarında ağırlıklı olarak Blackwell GB200 sunucu konfigürasyonları tercih edildi. 2026’ya girilirken ise sektör odağının net biçimde Blackwell Ultra GB300’e kayacağı ifade ediliyor.



Paylaşılan bilgilere göre, GB300 sevkiyatlarının 2026’da yıllık bazda yüzde 129 artması bekleniyor. Bu yükselişte Microsoft, Amazon, Meta gibi yapay zeka yatırımlarını agresif biçimde büyüten şirketlerin etkisi büyük. Güvenilir tahminler, Nvidia’nın yalnızca 2026 yılı içinde yaklaşık 60 bin sunucu rafı seviyesinde Blackwell Ultra sevkiyatı gerçekleştirebileceğini gösteriyor. Bu rakam, yapay zeka sunucu pazarında şimdiye kadar görülmüş en yüksek hacimlerden biri olarak değerlendiriliyor.

Blackwell Ultra, orijinal muadili tarafından oluşturulan yapıyı devam ettirecek ancak B300 AI yongalarının sağladığı mimari gelişmelerle büyük değişiklikler getirilecek. Sektör henüz bu yeni sunucuların tüm potansiyelini deneyimlemiş değil. Blackwell Ultra aynı zamanda Nvidia’nın bir sonraki büyük adımı olan Rubin platformları için de zemin hazırlıyor. Rubin ailesinin, yapay zeka çiplerinden ağ altyapısına ve raf tasarımına kadar tüm yığını kapsayan kapsamlı yükseltmeler sunacağı belirtiliyor. Mevcut beklentiler, Rubin tabanlı sistemlerin 2026’nın ikinci yarısında pazara çıkacağı, resmi tanıtımın ise Mart ayında düzenlenecek GTC etkinliğinde yapılacağı yönünde.


kaynak]]> https://teknikekibim.com/showthread.php?tid=2050 Tue, 23 Dec 2025 10:02:11 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2050


OpenAI, geçtiğimiz Ağustos ayında ilk olarak Hindistan’a özel olarak duyurduğu ucuz ChatGPT planı “ChatGPT Go”yu resmen Türkiye’ye de getirdi. Türkiye ile çok sayıda ülkeye daha sunulan ChatGPT Go, ücretsiz plan ile Plus planı arasına konumlanıyor. Daha fazla özellik barından Go paketi, ücretli sürüme göre yüzde 70 daha uygun fiyatı.

ChatGPT Go neler sunuyor?
OpenAI'ın web sitesine göre ChatGPT Go, temel ücretsiz planın sunduğu imkanların tamamına ek olarak GPT-5 modeline daha geniş erişim, gelişmiş veri analizi araçları, daha fazla dosya yükleme imkanı ve görüntü oluşturma özellikleri sunuyor. Aboneler ayrıca daha uzun hafıza kapasitesi sayesinde sohbetlerde daha kişiselleştirilmiş yanıtlar alabiliyor, projelerini ve görevlerini organize edebiliyor ve kendi özel GPT’lerini oluşturup düzenleyebiliyor. 



Planın kullanımı oldukça basit. ChatGPT hesabınıza giriş yaptıktan sonra profil ikonuna tıklayıp “ChatGPT Go planına yükselt” seçeneğine tıklamak yeterli. Go planı, ücretsiz plana kıyasla daha yüksek kullanım limitleri ile dikkat çekiyor. OpenAI, spesifik rakamlar vermese de sistem koşullarına bağlı olarak bu limitler değişiklik gösterebiliyor.

ChatGPT Go, Plus planına göre daha ulaşılabilir bir fiyat sunarken, GPT-5 Thinking mini (reasoning) modunu otomatik olarak içeriyor. Bu sayede model, kullanıcının sorusuna yanıt verirken gerektiğinde daha derin düşünme yeteneğini devreye alıyor. Kullanıcılar, yanıtı yeniden oluşturup “Think longer” seçeneğini tercih ederek modelin daha uzun süre düşünmesini sağlayabiliyor. Ancak Go planında Sora ve Plus’a özel bazı gelişmiş araçlara erişim bulunmuyor. Sesli mod ise Go planında, ücretsiz plan ile aynı kullanım sınırlarıyla kullanılabiliyor.

ChatGPT Go fiyatı ne kadar?
OpenAI, ChatGPT Go’yu Türkiye’de aylık 6 dolar fiyat etiketiyle sunmuş durumda. Web sürümünde satın almak isterseniz 256 TL, mobil uygulamadan almak isterseniz ise aylık 249 TL ödeme yapmak gerekiyor. 


kaynak]]>


OpenAI, geçtiğimiz Ağustos ayında ilk olarak Hindistan’a özel olarak duyurduğu ucuz ChatGPT planı “ChatGPT Go”yu resmen Türkiye’ye de getirdi. Türkiye ile çok sayıda ülkeye daha sunulan ChatGPT Go, ücretsiz plan ile Plus planı arasına konumlanıyor. Daha fazla özellik barından Go paketi, ücretli sürüme göre yüzde 70 daha uygun fiyatı.

ChatGPT Go neler sunuyor?
OpenAI'ın web sitesine göre ChatGPT Go, temel ücretsiz planın sunduğu imkanların tamamına ek olarak GPT-5 modeline daha geniş erişim, gelişmiş veri analizi araçları, daha fazla dosya yükleme imkanı ve görüntü oluşturma özellikleri sunuyor. Aboneler ayrıca daha uzun hafıza kapasitesi sayesinde sohbetlerde daha kişiselleştirilmiş yanıtlar alabiliyor, projelerini ve görevlerini organize edebiliyor ve kendi özel GPT’lerini oluşturup düzenleyebiliyor. 



Planın kullanımı oldukça basit. ChatGPT hesabınıza giriş yaptıktan sonra profil ikonuna tıklayıp “ChatGPT Go planına yükselt” seçeneğine tıklamak yeterli. Go planı, ücretsiz plana kıyasla daha yüksek kullanım limitleri ile dikkat çekiyor. OpenAI, spesifik rakamlar vermese de sistem koşullarına bağlı olarak bu limitler değişiklik gösterebiliyor.

ChatGPT Go, Plus planına göre daha ulaşılabilir bir fiyat sunarken, GPT-5 Thinking mini (reasoning) modunu otomatik olarak içeriyor. Bu sayede model, kullanıcının sorusuna yanıt verirken gerektiğinde daha derin düşünme yeteneğini devreye alıyor. Kullanıcılar, yanıtı yeniden oluşturup “Think longer” seçeneğini tercih ederek modelin daha uzun süre düşünmesini sağlayabiliyor. Ancak Go planında Sora ve Plus’a özel bazı gelişmiş araçlara erişim bulunmuyor. Sesli mod ise Go planında, ücretsiz plan ile aynı kullanım sınırlarıyla kullanılabiliyor.

ChatGPT Go fiyatı ne kadar?
OpenAI, ChatGPT Go’yu Türkiye’de aylık 6 dolar fiyat etiketiyle sunmuş durumda. Web sürümünde satın almak isterseniz 256 TL, mobil uygulamadan almak isterseniz ise aylık 249 TL ödeme yapmak gerekiyor. 


kaynak]]> https://teknikekibim.com/showthread.php?tid=2024 Thu, 18 Dec 2025 13:28:51 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2024


Gemini 3 Pro’nun tanıtımından bir ay sonra Google, yeni yapay zeka modelinin daha verimli Flash sürümünü kullanıma sunmaya başladı. Şirketin açıklamasına göre bu yeni model, amiral gemisi sürümle benzer düzeyde profesyonel seviye akıl yürütme yetenekleri sunarken, çok daha düşük maliyetli olması sayesinde günlük kullanım için daha uygun.

Gemini 3 Flash, GPT-5.2'ye kafa turuyor
Yapılan testlerde Gemini 3 Flash, Gemini 2.5 Pro dahil olmak üzere Google’ın önceki nesil modellerini belirgin biçimde geride bırakıyor. Daha dikkat çekici olan ise, Google'ın testlerine göre modelin, OpenAI'ın amiral gemisi GPT-5.2 modeliyle başa baş sonuçlar elde etmesi oldu. 

Örneğin, web araması gibi araçlara erişim olmadan yapılan Humanity’s Last Exam gibi zorlu bir testte, Gemini 3 Flash’ın puanı GPT-5.2’nin yalnızca yüzde birden daha az gerisinde kalıyor. Hatta bazı kıyaslamalarda Google’ın bu daha verimli modeli OpenAI’nin en yeni sistemini geçmeyi başarıyor. Çok modlu anlama ve muhakemeyi ölçen MMMU-Pro testinde Gemini 3 Flash yüzde 81,2 skor alırken, GPT-5.2 yüzde 79,5’te kalıyor. Tabi, modelin performansını gerçek hayat kullanımında görerek değerlendirmek daha doğru olur. Yine de Gemini 3 Flash’ın, üstelik “Extra High” akıl yürütme modunda, GPT-5.2’ye bu kadar yakın performans göstermesi OpenAI açısından pek iç açıcı bir durum değil.

Geliştiriciler için Gemini 3 Flash, milyon giriş tokeni başına 0,50 dolar ve milyon çıkış tokeni başına 3 dolar fiyatla sunuluyor. Bu rakamlar Gemini 2.5 Flash’e göre biraz daha yüksek olsa da, amiral gemisi modellere kıyasla çok daha ucuz ve buna rağmen daha iyi performans sunuyor. Google ayrıca modelin, tipik görevlerde Gemini 2.5 Pro’ya kıyasla ortalama %30 daha az token kullandığını ve bunun, token başına daha yüksek fiyatı dengeleyebileceğini belirtiyor.

Google, Gemini 3 Pro’da olduğu gibi bu yeni modeli de hem Gemini uygulamasına hem de Arama’daki AI Mode’a entegre ediyor ve varsayılan seçenek haline getiriyor. 


kaynak]]>


Gemini 3 Pro’nun tanıtımından bir ay sonra Google, yeni yapay zeka modelinin daha verimli Flash sürümünü kullanıma sunmaya başladı. Şirketin açıklamasına göre bu yeni model, amiral gemisi sürümle benzer düzeyde profesyonel seviye akıl yürütme yetenekleri sunarken, çok daha düşük maliyetli olması sayesinde günlük kullanım için daha uygun.

Gemini 3 Flash, GPT-5.2'ye kafa turuyor
Yapılan testlerde Gemini 3 Flash, Gemini 2.5 Pro dahil olmak üzere Google’ın önceki nesil modellerini belirgin biçimde geride bırakıyor. Daha dikkat çekici olan ise, Google'ın testlerine göre modelin, OpenAI'ın amiral gemisi GPT-5.2 modeliyle başa baş sonuçlar elde etmesi oldu. 

Örneğin, web araması gibi araçlara erişim olmadan yapılan Humanity’s Last Exam gibi zorlu bir testte, Gemini 3 Flash’ın puanı GPT-5.2’nin yalnızca yüzde birden daha az gerisinde kalıyor. Hatta bazı kıyaslamalarda Google’ın bu daha verimli modeli OpenAI’nin en yeni sistemini geçmeyi başarıyor. Çok modlu anlama ve muhakemeyi ölçen MMMU-Pro testinde Gemini 3 Flash yüzde 81,2 skor alırken, GPT-5.2 yüzde 79,5’te kalıyor. Tabi, modelin performansını gerçek hayat kullanımında görerek değerlendirmek daha doğru olur. Yine de Gemini 3 Flash’ın, üstelik “Extra High” akıl yürütme modunda, GPT-5.2’ye bu kadar yakın performans göstermesi OpenAI açısından pek iç açıcı bir durum değil.

Geliştiriciler için Gemini 3 Flash, milyon giriş tokeni başına 0,50 dolar ve milyon çıkış tokeni başına 3 dolar fiyatla sunuluyor. Bu rakamlar Gemini 2.5 Flash’e göre biraz daha yüksek olsa da, amiral gemisi modellere kıyasla çok daha ucuz ve buna rağmen daha iyi performans sunuyor. Google ayrıca modelin, tipik görevlerde Gemini 2.5 Pro’ya kıyasla ortalama %30 daha az token kullandığını ve bunun, token başına daha yüksek fiyatı dengeleyebileceğini belirtiyor.

Google, Gemini 3 Pro’da olduğu gibi bu yeni modeli de hem Gemini uygulamasına hem de Arama’daki AI Mode’a entegre ediyor ve varsayılan seçenek haline getiriyor. 


kaynak]]> https://teknikekibim.com/showthread.php?tid=2010 Tue, 16 Dec 2025 20:37:45 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=2010


Google, üretken yapay zekâ uygulaması Gemini üzerindeki çalışmalarına hız kesmeden devam ediyor. Son olarak Gemini'ın Android beta sürümünde, uygulama için planlanan yepyeni değişiklikler keşfedildi. Uygulamanın hafızası konumunda olan "My Stuff" bölümü yenilenirken, yeni alışveriş özelliği yolda.

Yeni arayüz, alışveriş ve dahası
Bilmeyenler için mevcut durumda Gemini ile oluşturulan tüm içerikler, zamana göre sıralanmış tek bir akış altında toplanıyor. Yeni tasarımla birlikte bu yapı değişiyor ve içerikler türlerine göre ayrılıyor olacak. Sızdırılan arayüzde ise "Medya" ve "Belgeler" başlıkları öne çıkarılmış durumda. Böylece kullanıcılar, görsellerle metin tabanlı içerikler arasında daha hızlı geçiş yapabiliyor



Yeniliklerden bir diğeri ise "Satın Alınanlar" sekmesi. Bu bölüm, Google'ın daha önce tanıttığı yapay zekâ destekli alışveriş deneyimiyle bağlantılı. Gemini üzerinden yapılan ürün araştırmaları ve satın alma işlemleri, bu alanda toplu şekilde görüntülenebilecek. Öte yandan arayüz tarafındaki değişim yalnızca içerik düzeniyle sınırlı değil.

Metin giriş alanı da yeniden tasarlanıyor. Daha önce ekranın altına sabitlenen giriş çubuğu, bağımsız bir kutu formuna geri dönecek. Bu tasarım, Gemini’nin önceki sürümlerinde kullanılan yapıya benzer. Son olarak Google, Gemini için dokunsal geri bildirimler hazırlıyor. Gemini, komut girildiğinde veya yanıt hazırlanmak üzereyken hafif titreşimlerle kullanıcıyı bilgilendirebiliyor.

Değişikliklerin veya yeni özelliklerin ne zaman genel kullanıma açılacağı paylaşılmadı. Ancak My Stuff odaklı güncellemenin Gemini için en önemli değişikliklerden biri olması muhtemel.


kaynak]]>


Google, üretken yapay zekâ uygulaması Gemini üzerindeki çalışmalarına hız kesmeden devam ediyor. Son olarak Gemini'ın Android beta sürümünde, uygulama için planlanan yepyeni değişiklikler keşfedildi. Uygulamanın hafızası konumunda olan "My Stuff" bölümü yenilenirken, yeni alışveriş özelliği yolda.

Yeni arayüz, alışveriş ve dahası
Bilmeyenler için mevcut durumda Gemini ile oluşturulan tüm içerikler, zamana göre sıralanmış tek bir akış altında toplanıyor. Yeni tasarımla birlikte bu yapı değişiyor ve içerikler türlerine göre ayrılıyor olacak. Sızdırılan arayüzde ise "Medya" ve "Belgeler" başlıkları öne çıkarılmış durumda. Böylece kullanıcılar, görsellerle metin tabanlı içerikler arasında daha hızlı geçiş yapabiliyor



Yeniliklerden bir diğeri ise "Satın Alınanlar" sekmesi. Bu bölüm, Google'ın daha önce tanıttığı yapay zekâ destekli alışveriş deneyimiyle bağlantılı. Gemini üzerinden yapılan ürün araştırmaları ve satın alma işlemleri, bu alanda toplu şekilde görüntülenebilecek. Öte yandan arayüz tarafındaki değişim yalnızca içerik düzeniyle sınırlı değil.

Metin giriş alanı da yeniden tasarlanıyor. Daha önce ekranın altına sabitlenen giriş çubuğu, bağımsız bir kutu formuna geri dönecek. Bu tasarım, Gemini’nin önceki sürümlerinde kullanılan yapıya benzer. Son olarak Google, Gemini için dokunsal geri bildirimler hazırlıyor. Gemini, komut girildiğinde veya yanıt hazırlanmak üzereyken hafif titreşimlerle kullanıcıyı bilgilendirebiliyor.

Değişikliklerin veya yeni özelliklerin ne zaman genel kullanıma açılacağı paylaşılmadı. Ancak My Stuff odaklı güncellemenin Gemini için en önemli değişikliklerden biri olması muhtemel.


kaynak]]> https://teknikekibim.com/showthread.php?tid=1992 Sat, 13 Dec 2025 00:11:14 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=1992


Güneş enerjisini yeniden tanımlamayı hedefleyen Overview Energy, yeryüzündeki mevcut güneş santrallerini geceleri de elektrik üreten tesislere dönüştürmeyi amaçlayan iddialı projesiyle sahneye çıktı. Şirket, yörüngede topladığı enerjiyi yeryüzüne göndermeyi hedefliyor.

Şirketin yaklaşımı, Dünya’dan yaklaşık 35 bin km yükseklikteki jeosenkron yörüngeye yerleştirilecek geniş güneş panelleriyle uzayda kesintisiz güneş ışığı toplamak ve bu enerjiyi kızılötesi lazerler aracılığıyla doğrudan yeryüzündeki büyük ölçekli güneş santrallerine iletmek üzerine kurulu. Bu sayede, gün ışığına bağlı olmadan neredeyse 24 saatlik enerji üretimi hedefleniyor.

İlk yörünge testi 2028’de
Girişim bugüne kadar 20 milyon dolar yatırım topladı ve bu bütçenin bir kısmı, teknolojinin havada yapılan bir gösterimi için kullanıldı. Hafif bir uçak üzerine yerleştirilen lazer sistemi, 5 kilometrelik mesafeden yere konuşlandırılmış bir alıcıya enerji aktararak sistemin çalışabilirliğini ortaya koydu.



Uzay tabanlı enerji sistemleri uzun yıllar boyunca bilimkurgu olarak görülse de özellikle uzay fırlatma maliyetlerinin son on yılda belirgin biçimde düşmesi bu alanı ticari gerçekliğe biraz daha yaklaştırdı. Yine de çözülmesi gereken önemli engeller var. Jeosenkron yörüngeye dev güneş panelleri göndermek halen yeryüzünde panel kurmaktan çok daha maliyetli. Ayrıca, uzaydan Dünya’ya kablosuz enerji iletimi de erken geliştirme aşamasında.
Şirket, 2028’de ilk test amaçlı uydusunu alçak Dünya yörüngesine göndermeyi, ardından nihai sistemini 2030’da jeosenkron yörüngede devreye alarak megawatt düzeyinde enerji aktarımına başlamayı hedefliyor.

Rekabetsiz bir ortam değil 



Benzer çözümler geliştiren başka şirketler de bulunuyor. Aetherflux, Overview gibi lazer tabanlı bir aktarma tekniği üzerinde çalışırken Emrod ile Orbital Composites/Virtus Solis ekipleri ise mikrodalga temelli daha farklı bir yöntem benimsiyor. Mikrodalgalar bulut ve nemden daha az etkileniyor, bu da hava koşullarına bağlı kesintileri azaltıyor. Ancak bu teknoloji mevcut güneş tarlalarına entegre edilemediğinden şirketlerin kendi yeni yer istasyonlarını kurması gerekiyor.

Overview Energy’nin avantajı, altyapı olarak mevcut güneş tarlalarını kullanarak daha kolay bir entegrasyon sunması. Yine de şirketin uzaydan gönderilen enerji ışınlarının güvenli olduğunu ve hedeften sapmayacağını kanıtlaması gerekiyor. Ayrıca lazerlerin verimliliği de önemli. Çünkü enerji uzayda toplandıktan sonra kızılötesine dönüştürülürken yaşanacak kayıplar sistemin tüm avantajını ortadan kaldırabilir. 


kaynak]]>


Güneş enerjisini yeniden tanımlamayı hedefleyen Overview Energy, yeryüzündeki mevcut güneş santrallerini geceleri de elektrik üreten tesislere dönüştürmeyi amaçlayan iddialı projesiyle sahneye çıktı. Şirket, yörüngede topladığı enerjiyi yeryüzüne göndermeyi hedefliyor.

Şirketin yaklaşımı, Dünya’dan yaklaşık 35 bin km yükseklikteki jeosenkron yörüngeye yerleştirilecek geniş güneş panelleriyle uzayda kesintisiz güneş ışığı toplamak ve bu enerjiyi kızılötesi lazerler aracılığıyla doğrudan yeryüzündeki büyük ölçekli güneş santrallerine iletmek üzerine kurulu. Bu sayede, gün ışığına bağlı olmadan neredeyse 24 saatlik enerji üretimi hedefleniyor.

İlk yörünge testi 2028’de
Girişim bugüne kadar 20 milyon dolar yatırım topladı ve bu bütçenin bir kısmı, teknolojinin havada yapılan bir gösterimi için kullanıldı. Hafif bir uçak üzerine yerleştirilen lazer sistemi, 5 kilometrelik mesafeden yere konuşlandırılmış bir alıcıya enerji aktararak sistemin çalışabilirliğini ortaya koydu.



Uzay tabanlı enerji sistemleri uzun yıllar boyunca bilimkurgu olarak görülse de özellikle uzay fırlatma maliyetlerinin son on yılda belirgin biçimde düşmesi bu alanı ticari gerçekliğe biraz daha yaklaştırdı. Yine de çözülmesi gereken önemli engeller var. Jeosenkron yörüngeye dev güneş panelleri göndermek halen yeryüzünde panel kurmaktan çok daha maliyetli. Ayrıca, uzaydan Dünya’ya kablosuz enerji iletimi de erken geliştirme aşamasında.
Şirket, 2028’de ilk test amaçlı uydusunu alçak Dünya yörüngesine göndermeyi, ardından nihai sistemini 2030’da jeosenkron yörüngede devreye alarak megawatt düzeyinde enerji aktarımına başlamayı hedefliyor.

Rekabetsiz bir ortam değil 



Benzer çözümler geliştiren başka şirketler de bulunuyor. Aetherflux, Overview gibi lazer tabanlı bir aktarma tekniği üzerinde çalışırken Emrod ile Orbital Composites/Virtus Solis ekipleri ise mikrodalga temelli daha farklı bir yöntem benimsiyor. Mikrodalgalar bulut ve nemden daha az etkileniyor, bu da hava koşullarına bağlı kesintileri azaltıyor. Ancak bu teknoloji mevcut güneş tarlalarına entegre edilemediğinden şirketlerin kendi yeni yer istasyonlarını kurması gerekiyor.

Overview Energy’nin avantajı, altyapı olarak mevcut güneş tarlalarını kullanarak daha kolay bir entegrasyon sunması. Yine de şirketin uzaydan gönderilen enerji ışınlarının güvenli olduğunu ve hedeften sapmayacağını kanıtlaması gerekiyor. Ayrıca lazerlerin verimliliği de önemli. Çünkü enerji uzayda toplandıktan sonra kızılötesine dönüştürülürken yaşanacak kayıplar sistemin tüm avantajını ortadan kaldırabilir. 


kaynak]]> https://teknikekibim.com/showthread.php?tid=1984 Thu, 11 Dec 2025 21:55:19 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=1984


OpenAI, en gelişmiş yapay zeka modeli olan GPT-5.2′yi duyurdu. Şirket, yeni modelin günlük profesyonel kullanım için bugüne kadarki en iyi ürünü olduğunu söylüyor.

GPT-5.2 neler getiriyor?
OpenAI’nin açıklamasına göre GPT-5.2, elektronik tablo oluşturma, sunum hazırlama, görsel algılama, kod yazma ve uzun bağlamları anlama konularında önceki modellere göre daha iyi performans gösteriyor. 

OpenAI araştırma yöneticilerinden Aidan Clark, bir üst düzey immünoloji araştırmacısına GPT-5.2 Pro erişimi verdiklerini söyledi. Araştırmacının bağışıklık sistemiyle ilgili en önemli yanıtlanmamış soruları üretmesini istediğinde, modelin önceki tüm öncü modellerden daha keskin sorular ve bu soruların neden kritik olduğuna dair daha güçlü açıklamalar sunduğunu aktardı.

OpenAI’nin blog yazısında, GPT-5.2’nin özellikle yapay zeka ajanlarının iş akışları için daha iyi hale getirildiği vurgulanıyor. OpenAI araştırmacı Max Schwarzer, vizyonlarının ChatGPT’nin mümkün olan en iyi kişisel asistan haline gelmesi olduğunu söyledi.

Şirket ayrıca Thinking modelinin önceki versiyona göre daha az halüsinasyon ürettiğini, bu nedenle profesyoneller için daha güvenilir bir araç olacağını belirtiyor. 

GPT-5.2, GPT-5.1’in yayınlamasından yalnızca birkaç hafta sonra piyasaya sürüldü. GPT-5.1’de şirket daha çok modelleri “daha sıcak ve konuşması daha keyifli” hale getirmeye odaklanmıştı ve kullanıcıların sohbet tonu üzerinde kontrol sahibi olabileceği kişilik ayarları sunmuştu. OpenAI, GPT-5.2’nin bu tonu korurken günlük kullanımda daha düzenli, daha güvenilir ve hala sohbet etmesi keyifli olacağını söylüyor. 

Sam Altman kırmızı alarm vermişti
Şirket bir süredir Google’ın yapay zeka alanındaki ilerlemeleriyle rekabet ediyor ve gelecek yıl biri “Garlic” kod adlı iki yeni model daha tanıtmayı planlıyor. OpenAI CEO’su Sam Altman’ın geçtiğimiz hafta şirket içinde “kırmızı alarm” verdiği ve reklam çalışmaları gibi bazı projeleri ChatGPT’yi iyileştirmeye öncelik vermek için ertelediği bildirilmişti.

GPT-5.2 bugün itibarıyla ChatGPT’nin ücretli planlarında (Plus, Pro, Go, Business ve Enterprise) sunulmaya başlayacak. Ancak şirket, kullanıcı deneyiminin sorunsuz ve istikrarlı kalması için sürümün aşamalı olarak dağıtılacağını söylüyor. GPT-5.1 ise üç ay boyunca ücretli kullanıcılar için “geçmiş modeller” bölümünde yer aldıktan sonra tamamen kaldırılacak. 


kaynak]]>


OpenAI, en gelişmiş yapay zeka modeli olan GPT-5.2′yi duyurdu. Şirket, yeni modelin günlük profesyonel kullanım için bugüne kadarki en iyi ürünü olduğunu söylüyor.

GPT-5.2 neler getiriyor?
OpenAI’nin açıklamasına göre GPT-5.2, elektronik tablo oluşturma, sunum hazırlama, görsel algılama, kod yazma ve uzun bağlamları anlama konularında önceki modellere göre daha iyi performans gösteriyor. 

OpenAI araştırma yöneticilerinden Aidan Clark, bir üst düzey immünoloji araştırmacısına GPT-5.2 Pro erişimi verdiklerini söyledi. Araştırmacının bağışıklık sistemiyle ilgili en önemli yanıtlanmamış soruları üretmesini istediğinde, modelin önceki tüm öncü modellerden daha keskin sorular ve bu soruların neden kritik olduğuna dair daha güçlü açıklamalar sunduğunu aktardı.

OpenAI’nin blog yazısında, GPT-5.2’nin özellikle yapay zeka ajanlarının iş akışları için daha iyi hale getirildiği vurgulanıyor. OpenAI araştırmacı Max Schwarzer, vizyonlarının ChatGPT’nin mümkün olan en iyi kişisel asistan haline gelmesi olduğunu söyledi.

Şirket ayrıca Thinking modelinin önceki versiyona göre daha az halüsinasyon ürettiğini, bu nedenle profesyoneller için daha güvenilir bir araç olacağını belirtiyor. 

GPT-5.2, GPT-5.1’in yayınlamasından yalnızca birkaç hafta sonra piyasaya sürüldü. GPT-5.1’de şirket daha çok modelleri “daha sıcak ve konuşması daha keyifli” hale getirmeye odaklanmıştı ve kullanıcıların sohbet tonu üzerinde kontrol sahibi olabileceği kişilik ayarları sunmuştu. OpenAI, GPT-5.2’nin bu tonu korurken günlük kullanımda daha düzenli, daha güvenilir ve hala sohbet etmesi keyifli olacağını söylüyor. 

Sam Altman kırmızı alarm vermişti
Şirket bir süredir Google’ın yapay zeka alanındaki ilerlemeleriyle rekabet ediyor ve gelecek yıl biri “Garlic” kod adlı iki yeni model daha tanıtmayı planlıyor. OpenAI CEO’su Sam Altman’ın geçtiğimiz hafta şirket içinde “kırmızı alarm” verdiği ve reklam çalışmaları gibi bazı projeleri ChatGPT’yi iyileştirmeye öncelik vermek için ertelediği bildirilmişti.

GPT-5.2 bugün itibarıyla ChatGPT’nin ücretli planlarında (Plus, Pro, Go, Business ve Enterprise) sunulmaya başlayacak. Ancak şirket, kullanıcı deneyiminin sorunsuz ve istikrarlı kalması için sürümün aşamalı olarak dağıtılacağını söylüyor. GPT-5.1 ise üç ay boyunca ücretli kullanıcılar için “geçmiş modeller” bölümünde yer aldıktan sonra tamamen kaldırılacak. 


kaynak]]> https://teknikekibim.com/showthread.php?tid=1908 Wed, 26 Nov 2025 13:11:36 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=1908


OpenAI, ChatGPT’nin web sürümü ve mobil uygulamasındaki Ses modunun çalışma şeklini değiştirdiğini duyurdu. Yeni güncellemeyle birlikte, artık sesli sohbeti doğrudan mevcut konuşma ekranı içinde kullanmak mümkün hale geliyor. Böylece kullanıcılar hem sohbetin yazılı dökümünü görebiliyor hem de ChatGPT’nin anlattıklarını destekleyen görselleri aynı anda takip edebiliyor. 

Artık sesli görüşme başlatmak için, metin alanının yanındaki “dalga formu” ikonuna tıklamak yeterli. Önceden olduğu gibi ayrı bir baloncuklu arayüz açılmıyor, bunun yerine sesli konuşma doğrudan mevcut sohbetin içine yerleşiyor. Eski bağımsız Sesli Mod arayüzünü tercih edenler için Ayarlar > Ses bölümünden “Ayrı mod” seçeneğine tıklamak gerekiyor.

Sesli yanıtların görsellerle birleştirilmesi, ChatGPT’nin çoklu ortam yeteneklerinin doğal bir devamı olarak görülüyor. Google da Gemini Live için benzer yaklaşımlar deniyor; örneğin canlı video üzerinde belirli bölgeleri işaretleme gibi. OpenAI’nin güncellemesi bu kadar etkileşimli olmasa da, ChatGPT ile yapılan sesli sohbetleri daha bilgilendirici hale getirebilir. 


kaynak]]>


OpenAI, ChatGPT’nin web sürümü ve mobil uygulamasındaki Ses modunun çalışma şeklini değiştirdiğini duyurdu. Yeni güncellemeyle birlikte, artık sesli sohbeti doğrudan mevcut konuşma ekranı içinde kullanmak mümkün hale geliyor. Böylece kullanıcılar hem sohbetin yazılı dökümünü görebiliyor hem de ChatGPT’nin anlattıklarını destekleyen görselleri aynı anda takip edebiliyor. 

Artık sesli görüşme başlatmak için, metin alanının yanındaki “dalga formu” ikonuna tıklamak yeterli. Önceden olduğu gibi ayrı bir baloncuklu arayüz açılmıyor, bunun yerine sesli konuşma doğrudan mevcut sohbetin içine yerleşiyor. Eski bağımsız Sesli Mod arayüzünü tercih edenler için Ayarlar > Ses bölümünden “Ayrı mod” seçeneğine tıklamak gerekiyor.

Sesli yanıtların görsellerle birleştirilmesi, ChatGPT’nin çoklu ortam yeteneklerinin doğal bir devamı olarak görülüyor. Google da Gemini Live için benzer yaklaşımlar deniyor; örneğin canlı video üzerinde belirli bölgeleri işaretleme gibi. OpenAI’nin güncellemesi bu kadar etkileşimli olmasa da, ChatGPT ile yapılan sesli sohbetleri daha bilgilendirici hale getirebilir. 


kaynak]]> https://teknikekibim.com/showthread.php?tid=1865 Fri, 14 Nov 2025 23:00:11 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=1865


Google DeepMind, yapay zeka araştırmalarındaki bir sonraki büyük adımı temsil eden SIMA 2 için perşembe günü kapsamlı bir araştırma ön izlemesi paylaştı. Yeni nesil genel amaçlı ajan, Gemini’nin gelişmiş dil ve akıl yürütme yetenekleri ile birleşerek artık yalnızca komutları takip eden bir sistem olmaktan çıkıyor. Bunun yerine bulunduğu sanal dünyayı anlamlandırıp etkileşime girebilen bir yapıya kavuşuyor.

SIMA 2 ile çıta bir üste çıkarılıyor
DeepMind, ilk versiyon olan SIMA 1’i yüzlerce saatlik oyun görüntüsüyle eğitmiş ve ajanın çok sayıda 3D oyunu insanlar gibi oynayabildiğini göstermişti. Ancak SIMA 1’in karmaşık görevleri tamamlama oranı yalnızca yüzde 31 seviyesindeydi. Aynı görevlerde insanlar yüzde 71 başarı sağlıyordu. Bu sınırlılıkları aşmak için geliştirilen SIMA 2 için yeni ajanın hem daha genel bir zeka düzeyine ulaştığı hem de kendi deneyimlerinden öğrenerek kendisini geliştirebildiği belirtiliyor.

Bu özellik, araştırmacılara göre daha kapsamlı robotik sistemlere ve AGI olarak tanımlanan genel amaçlı yapay zekaya doğru atılan kritik bir adımı temsil ediyor. 



Öte yandan SIMA 2, Gemini 2.5 Flash-Lite modeliyle güçlendiriliyor.  Bedenselleştirilmiş ajanlar (Embodied agent) olarak tanımlanan bu yapı, fiziksel veya sanal bir dünyayla bir “beden” üzerinden etkileşim kurarak çevresini gözlemliyor ve buna uygun eylemler üretiyor. Bu yaklaşım, yalnızca takvim yönetimi ya da kod yürütme gibi soyut işlemler yapan geleneksel yapay zekalardan ayrılıyor. 



DeepMind’da kıdemli araştırmacı olan Jane Wang, SIMA 2’nin artık yalnızca oyun oynamadığını kullanıcı talimatlarını bağlamıyla birlikte kavrayarak mantıklı, tutarlı ve sağduyulu tepkiler verebildiğini vurguluyor. Gemini entegrasyonu sayesinde SIMA 2’nin performansı önceki versiyonun iki katına çıkmış durumda.

Kendi kendini eğitip öğreniyor 

No Man’s Sky” üzerindeki canlı demoda SIMA 2, gezegenin kayalık yüzeyini tarif etti, çevredeki acil durum işaretini tanıyıp bir sonraki adımını belirledi. Başka bir örnekte, “olgun bir domatesin rengindeki eve git” komutu verildiğinde “Domates kırmızıdır, o halde kırmızı eve gitmeliyim” diye düşündü ve ardından kırmızı eve gitti. SIMA 2 ayrıca emoji tabanlı komutları da anlayabiliyor. Örneğin balta ve ağaç emojisi gönderildiğinde ajan, bunu anlamlandırarak gidip ağaç kesiyor. Ajan, DeepMind’ın Genie modeliyle oluşturulan fotogerçekçi yeni dünyalarda da doğru nesneleri tanıyıp banklar, ağaçlar ve kelebekler gibi detaylarla etkileşime girebiliyor. 

En dikkat çekici yeniliklerden biri de kendi kendine öğrenme kapasitesi. SIMA 1 tamamen insan oynanış verisiyle eğitilirken SIMA 2, yalnızca ilk temelini bu veriden alıyor. Sonrasında sistem, yeni ortamlara bırakıldığında başka bir Gemini modelinden görevler ürettiriyor, bağımsız bir ödül modeli de ajanın performansını puanlıyor. Bu döngüde SIMA 2, kendi hatalarından ders çıkararak tamamen AI tarafından üretilen geri bildirimle yeni davranışlar geliştiriyor.

DeepMind, SIMA 2’yi gelecekte daha kapsamlı robotik platformlara açılacak bir kapı olarak görüyor. Araştırmacılar gerçek dünyada görev yapan bir robotun yüksek seviyeli kavrama ve mantık yürütme becerilerine ihtiyaç duyduğunu, SIMA 2’nin de tam olarak bu üst katmanda çalıştığını ifade ediyor. Buna karşın fiziksel eklemler veya tekerlekler gibi düşük seviyeli kontrol mekanizmaları farklı modeller tarafından yönetiliyor. Şimdilik ise SIMA 2’nin fiziksel robotlara entegre edilmesi veya kamuya açık bir sürümünün yayınlanması için belirlenmiş bir takvim bulunmuyor. 





kaynak]]>


Google DeepMind, yapay zeka araştırmalarındaki bir sonraki büyük adımı temsil eden SIMA 2 için perşembe günü kapsamlı bir araştırma ön izlemesi paylaştı. Yeni nesil genel amaçlı ajan, Gemini’nin gelişmiş dil ve akıl yürütme yetenekleri ile birleşerek artık yalnızca komutları takip eden bir sistem olmaktan çıkıyor. Bunun yerine bulunduğu sanal dünyayı anlamlandırıp etkileşime girebilen bir yapıya kavuşuyor.

SIMA 2 ile çıta bir üste çıkarılıyor
DeepMind, ilk versiyon olan SIMA 1’i yüzlerce saatlik oyun görüntüsüyle eğitmiş ve ajanın çok sayıda 3D oyunu insanlar gibi oynayabildiğini göstermişti. Ancak SIMA 1’in karmaşık görevleri tamamlama oranı yalnızca yüzde 31 seviyesindeydi. Aynı görevlerde insanlar yüzde 71 başarı sağlıyordu. Bu sınırlılıkları aşmak için geliştirilen SIMA 2 için yeni ajanın hem daha genel bir zeka düzeyine ulaştığı hem de kendi deneyimlerinden öğrenerek kendisini geliştirebildiği belirtiliyor.

Bu özellik, araştırmacılara göre daha kapsamlı robotik sistemlere ve AGI olarak tanımlanan genel amaçlı yapay zekaya doğru atılan kritik bir adımı temsil ediyor. 



Öte yandan SIMA 2, Gemini 2.5 Flash-Lite modeliyle güçlendiriliyor.  Bedenselleştirilmiş ajanlar (Embodied agent) olarak tanımlanan bu yapı, fiziksel veya sanal bir dünyayla bir “beden” üzerinden etkileşim kurarak çevresini gözlemliyor ve buna uygun eylemler üretiyor. Bu yaklaşım, yalnızca takvim yönetimi ya da kod yürütme gibi soyut işlemler yapan geleneksel yapay zekalardan ayrılıyor. 



DeepMind’da kıdemli araştırmacı olan Jane Wang, SIMA 2’nin artık yalnızca oyun oynamadığını kullanıcı talimatlarını bağlamıyla birlikte kavrayarak mantıklı, tutarlı ve sağduyulu tepkiler verebildiğini vurguluyor. Gemini entegrasyonu sayesinde SIMA 2’nin performansı önceki versiyonun iki katına çıkmış durumda.

Kendi kendini eğitip öğreniyor 

No Man’s Sky” üzerindeki canlı demoda SIMA 2, gezegenin kayalık yüzeyini tarif etti, çevredeki acil durum işaretini tanıyıp bir sonraki adımını belirledi. Başka bir örnekte, “olgun bir domatesin rengindeki eve git” komutu verildiğinde “Domates kırmızıdır, o halde kırmızı eve gitmeliyim” diye düşündü ve ardından kırmızı eve gitti. SIMA 2 ayrıca emoji tabanlı komutları da anlayabiliyor. Örneğin balta ve ağaç emojisi gönderildiğinde ajan, bunu anlamlandırarak gidip ağaç kesiyor. Ajan, DeepMind’ın Genie modeliyle oluşturulan fotogerçekçi yeni dünyalarda da doğru nesneleri tanıyıp banklar, ağaçlar ve kelebekler gibi detaylarla etkileşime girebiliyor. 

En dikkat çekici yeniliklerden biri de kendi kendine öğrenme kapasitesi. SIMA 1 tamamen insan oynanış verisiyle eğitilirken SIMA 2, yalnızca ilk temelini bu veriden alıyor. Sonrasında sistem, yeni ortamlara bırakıldığında başka bir Gemini modelinden görevler ürettiriyor, bağımsız bir ödül modeli de ajanın performansını puanlıyor. Bu döngüde SIMA 2, kendi hatalarından ders çıkararak tamamen AI tarafından üretilen geri bildirimle yeni davranışlar geliştiriyor.

DeepMind, SIMA 2’yi gelecekte daha kapsamlı robotik platformlara açılacak bir kapı olarak görüyor. Araştırmacılar gerçek dünyada görev yapan bir robotun yüksek seviyeli kavrama ve mantık yürütme becerilerine ihtiyaç duyduğunu, SIMA 2’nin de tam olarak bu üst katmanda çalıştığını ifade ediyor. Buna karşın fiziksel eklemler veya tekerlekler gibi düşük seviyeli kontrol mekanizmaları farklı modeller tarafından yönetiliyor. Şimdilik ise SIMA 2’nin fiziksel robotlara entegre edilmesi veya kamuya açık bir sürümünün yayınlanması için belirlenmiş bir takvim bulunmuyor. 





kaynak]]> https://teknikekibim.com/showthread.php?tid=1853 Thu, 13 Nov 2025 10:51:01 +0300 ImHyp3rıoN]]> https://teknikekibim.com/showthread.php?tid=1853
OpenAI bugün, Ağustos ayında çıkan amiral gemisi modeli GPT-5’in güncellenmiş versiyonu olan GPT-5.1’i duyurdu. Şirket bu sürümü, ChatGPT’yi daha akıllı ve sohbet etmeyi daha keyifli hale getiren bir yükseltme olarak tanımlıyor.

GPT-5.1'deki yenilikler neler?
Yeni sürümle birlikte GPT-5.1 Instant ve GPT-5.1 Thinking adlı iki model geliyor. OpenAI’ye göre Instant modeli ilk kez uyarlanabilir akıl yürütmeyi kullanarak daha zorlu sorulara yanıt vermeden önce ne zaman düşünmesi gerektiğine karar verebiliyor ve böylece daha kapsamlı ve doğru yanıtlar verirken aynı zamanda hızlı yanıtlar verebiliyor.




Thinking modeli ise karmaşık görevlerde daha kararlı, basit görevlerde daha hızlı ve daha anlaşılır hale getirilmiş. Model artık, düşünme süresini soruya daha hassas bir şekilde uyarlıyor; karmaşık problemlere daha fazla zaman ayırırken, daha basit olanlara daha hızlı yanıt veriyor. 




OpenAI, yeni güncellemeyle modelin konuşma tarzı seçeneklerini de genişletiyor. Artık seçenekler arasında Varsayılan (Default), Profesyonel (Professional), Dostane (Friendly), Samimi (Candid), Tuhaf (Quirky), Verimli (Efficient), Meraklı (Nerdy) ve Alaycı (Cynical) gibi tonlar bulunuyor. Şirket ayrıca, kullanıcıların ChatGPT’nin tarzını doğrudan ayarlardan kişiselleştirmelerine olanak tanıyacak yeni bir deneysel özelliğin de bu hafta bazı kullanıcılar için aktif olacağını duyurdu.
Yeni modeller bu hafta itibarıyla kullanıma sunulmaya başlayacak, eski GPT-5 modelleri ise üç ay boyunca ChatGPT’nin “eski modeller” menüsünde kalacak ve sonrasında kaldırılacak.

GPT-5 beklentileri karşılayamadı
Ağustos ayında GPT-5 büyük beklentilerle tanıtılmış olsa da, birçok ChatGPT kullanıcısı yeniliklerin sınırlı olduğunu düşünerek hayal kırıklığı yaşadı. Tepkiler üzerine OpenAI, lansmandan sadece bir gün sonra GPT-4o’yu yeniden seçenekler arasına eklemek zorunda kaldı.

OpenAI’nin stratejik ortağı Microsoft da GPT-5’in beklentileri karşılamamasının ardından, Anthropic’in modellerine yönelmeye başladı. Şu anda Anthropic’in modelleri, Copilot Researcher, GitHub Copilot, Copilot Studio ve Word ile PowerPoint belgeleri oluşturabilen yeni Office Agent sistemlerinde kullanılmaya başlandı.

GPT-5.1’in duyurusu, OpenAI’nin kısa süre önce tanıttığı ChatGPT Atlas adlı yapay zeka destekli web tarayıcısının ardından geldi. Bu tarayıcıda, yalnızca ChatGPT Plus ve Pro kullanıcılarının erişebildiği bir “ajan modu” (agent mode) bulunuyor. Bu özellik, OpenAI’nin Operator aracına benzer biçimde, kullanıcının isteğiyle tarayıcı üzerinde otomatik işlemler gerçekleştirebiliyor. 


kaynak]]>
OpenAI bugün, Ağustos ayında çıkan amiral gemisi modeli GPT-5’in güncellenmiş versiyonu olan GPT-5.1’i duyurdu. Şirket bu sürümü, ChatGPT’yi daha akıllı ve sohbet etmeyi daha keyifli hale getiren bir yükseltme olarak tanımlıyor.

GPT-5.1'deki yenilikler neler?
Yeni sürümle birlikte GPT-5.1 Instant ve GPT-5.1 Thinking adlı iki model geliyor. OpenAI’ye göre Instant modeli ilk kez uyarlanabilir akıl yürütmeyi kullanarak daha zorlu sorulara yanıt vermeden önce ne zaman düşünmesi gerektiğine karar verebiliyor ve böylece daha kapsamlı ve doğru yanıtlar verirken aynı zamanda hızlı yanıtlar verebiliyor.




Thinking modeli ise karmaşık görevlerde daha kararlı, basit görevlerde daha hızlı ve daha anlaşılır hale getirilmiş. Model artık, düşünme süresini soruya daha hassas bir şekilde uyarlıyor; karmaşık problemlere daha fazla zaman ayırırken, daha basit olanlara daha hızlı yanıt veriyor. 




OpenAI, yeni güncellemeyle modelin konuşma tarzı seçeneklerini de genişletiyor. Artık seçenekler arasında Varsayılan (Default), Profesyonel (Professional), Dostane (Friendly), Samimi (Candid), Tuhaf (Quirky), Verimli (Efficient), Meraklı (Nerdy) ve Alaycı (Cynical) gibi tonlar bulunuyor. Şirket ayrıca, kullanıcıların ChatGPT’nin tarzını doğrudan ayarlardan kişiselleştirmelerine olanak tanıyacak yeni bir deneysel özelliğin de bu hafta bazı kullanıcılar için aktif olacağını duyurdu.
Yeni modeller bu hafta itibarıyla kullanıma sunulmaya başlayacak, eski GPT-5 modelleri ise üç ay boyunca ChatGPT’nin “eski modeller” menüsünde kalacak ve sonrasında kaldırılacak.

GPT-5 beklentileri karşılayamadı
Ağustos ayında GPT-5 büyük beklentilerle tanıtılmış olsa da, birçok ChatGPT kullanıcısı yeniliklerin sınırlı olduğunu düşünerek hayal kırıklığı yaşadı. Tepkiler üzerine OpenAI, lansmandan sadece bir gün sonra GPT-4o’yu yeniden seçenekler arasına eklemek zorunda kaldı.

OpenAI’nin stratejik ortağı Microsoft da GPT-5’in beklentileri karşılamamasının ardından, Anthropic’in modellerine yönelmeye başladı. Şu anda Anthropic’in modelleri, Copilot Researcher, GitHub Copilot, Copilot Studio ve Word ile PowerPoint belgeleri oluşturabilen yeni Office Agent sistemlerinde kullanılmaya başlandı.

GPT-5.1’in duyurusu, OpenAI’nin kısa süre önce tanıttığı ChatGPT Atlas adlı yapay zeka destekli web tarayıcısının ardından geldi. Bu tarayıcıda, yalnızca ChatGPT Plus ve Pro kullanıcılarının erişebildiği bir “ajan modu” (agent mode) bulunuyor. Bu özellik, OpenAI’nin Operator aracına benzer biçimde, kullanıcının isteğiyle tarayıcı üzerinde otomatik işlemler gerçekleştirebiliyor. 


kaynak]]>