Yapay Zeka Dünyası 'Döngü'ye Giriyor: Ajan Orduları Sürekli Çalışacak

Döngüler Gerçek mi?

Geçtiğimiz Cuma günü Claude Code'un yaratıcısı Boris Cherny, Meta'nın @Scale konferansında sahne aldı ve beklenmedik bir şekilde seyircilerden gelen ilk soru 'döngüler' (loops) hakkındaydı. 'Döngüler bir sonraki hype döngüsü mü, yoksa gerçek mi?' sorusuna Cherny'nin yanıtı netti: 'Evet, gerçekler.' İki yıl önce kaynak kodunu elle yazdığımızı, ardından ajanların (agents) kod yazmaya başladığını belirten Cherny, şimdi ise ajanların diğer ajanları tetikleyerek kod yazdığı bir döneme geçildiğini söyledi. 'Kaynak koddan ajanlara geçiş ne kadar büyük bir adımsa, döngüler de en az o kadar önemli ve büyük bir adım' dedi.

Sürekli Çalışan Ajan Orduları

Konuşmasının ilerleyen bölümlerinde Cherny, kendi iş akışında kullandığı döngüleri detaylandırdı. Bir ajan sürekli olarak kod mimarisini iyileştirmenin yollarını ararken, bir diğeri birleştirilebilecek tekrarlanan soyutlamaları (duplicated abstractions) tespit ediyor. Bu ajanlar, tıpkı diğer yazılımcılar gibi pull request'ler gönderiyor ve kod sürekli değiştiği için asla durmuyorlar. Bu, özellikle Cherny gibi önemli bir figürün arkasında olduğu güçlü bir fikir. Ajan yapay zekasına (agentic AI) geçişle birlikte çoğu kullanıcı, ajanlarını mümkün olduğunca iyi yönetmeye odaklanmıştı: net hedefler belirlemek, ilerlemeyi düzenli aralıklarla kontrol etmek ve onların prompt'un (talimat) dışına çıkmasına izin vermemek. Döngü ise bunu bir adım öteye taşıyarak bir ajan sürüsünün (swarm of agents) arka planda sürekli ve sonsuz bir şekilde çalışmasına izin veriyor. Bu, yapay zekaya büyük bir güven duymayı gerektiriyor, ancak modeller hızla geliştikçe, yapay zekanın gerçek işleri halletmesi için bir sonraki adım olabilir.

Döngülerin Temelleri: Yeni Değil, Ama Farklı

Öncelikle belirtmek gerekir ki bu tamamen yeni bir kavram değil. Özyinelemeli döngüler (recursive loops) - bir eylemi tekrarlamak için kendini çağıran ve bir durma koşulu içeren fonksiyonlar - bilgisayar bilimine giriş derslerinin temel konularındandır. Bu döngüler ise deterministik olmayan bir mantık (non-deterministic logic) izliyor; yani net bir koşul yerine bir alt-ajan (sub-agent) döngünün ne zaman duracağına karar veriyor. Ancak temel yaklaşım aynı. Programcılar yapay zekayı görevleri tamamlamak için kullanmaya başladıkları andan itibaren, yapay zekanın yapay zekayı denetlediği özyinelemeli döngülerin bir versiyonu kaçınılmaz olarak ortaya çıkacaktı.

Basit Ama Güçlü: Ralph Döngüsü ve Test-Zamanı Hesaplama

Klasik bilgi işlemin aksine, ajan döngüleri (agentic loops) şaşırtıcı derecede basit olabilir. En popüler yöntemlerden biri, Simpsonlar karakteri Ralph Wiggum'un adını taşıyan Ralph Döngüsü (Ralph Loop). Bu döngü, modelin yaptığı tüm işi özetler ve hedefine ulaşıp ulaşmadığını sorgular. Bu, yapay zeka modellerinin uzun süre çalıştıklarında kaybolma eğilimine karşı bir çözüm sunar; temelde modeli ileri geri sıçratarak görev tamamlanana kadar çalıştırır. Döngüleri düşünmenin bir başka yolu da, daha fazla test-zamanı hesaplama (test-time compute) yönündeki genel eğilimin bir parçası olarak görmektir. OpenAI araştırmacısı Noam Brown'un geçtiğimiz ay belirttiği gibi, günümüz modelleri yeterli hesaplama gücü (compute) verildiğinde neredeyse her sorunu çözebilir. Bu, bir sorunun çözüldüğünden emin olmanın bir yolunun, bitene kadar sürekli hesaplama gücü harcamak olduğu anlamına gelir. Bu özellikle, bir kod tabanını iyileştirmek gibi tepe tırmanma (hill-climbing) problemleri için geçerlidir; model, belirli bir eşiğe ulaşana kadar kademeli iyileştirmeler yapabilir. Ya da Cherny'nin örneğinde olduğu gibi, harcanacak hesaplama gücü olduğu sürece kademeli iyileştirmeler yapmaya devam edebilir.

Maliyet ve Fayda Dengesi

Kulağa pahalı geliyorsa, öyle olmalı. Daha önceki ajan yapay zekası gibi, yapay zeka döngüleri de basit soru-cevap sohbet robotlarına (chatbots) göre çok daha hızlı token tüketir ve amaç döngüyü sürekli çalışır durumda tutmak olduğu için harcamanın bir tavanı yoktur. Bu, sonuçta token satışı işinde olan Anthropic için sorun değil, ancak diğer herkes için pahalı bir çalışma şekli olabilir. Yine de, ajan döngüsünün çözmeye çalıştığı probleme ve token harcaması, sürüklenme (drift) ve diğer klasik yapay zeka sorunlarının denetlenmesine olanak tanıyan doğru kuruluma bağlı olarak, faydalar maliyetleri gölgede bırakacak kadar büyük olabilir.

Neden Önemli?

Türkiye'deki yapay zeka ekosistemi için bu gelişme, özellikle yazılım geliştirme ve otomasyon alanlarında önemli fırsatlar sunuyor. Sürekli çalışan ajan döngüleri, özellikle büyük ölçekli kod tabanlarının bakımı ve iyileştirilmesinde devrim yaratabilir. Türk teknoloji şirketleri, bu yaklaşımı benimseyerek yazılım geliştirme süreçlerini hızlandırabilir ve maliyetleri düşürebilir. Ancak, yüksek token tüketimi ve denetim zorlukları gibi riskler de göz önünde bulundurulmalı. Yerel firmaların, bu teknolojiyi kendi ihtiyaçlarına göre uyarlamak ve maliyet-fayda analizini dikkatlice yapmak için erken aşamada denemelere başlaması akıllıca olacaktır.