İnsan beyni, karmaşık bir görsel sahnedeki nesneleri son derece hızlı ve doğal biçimde gruplandırabilir. Bu yetenek, yıllarca yapay zeka araştırmacılarının peşinden koştuğu bir hedef olmuştur. Yeni bir çalışma, günümüz görsel yapay zeka modellerinin bu konuda insan algısına ne ölçüde yaklaştığını sistematik biçimde ölçtü.
Araştırma ekibi, katılımcıların gerçekçi sahneler üzerine yerleştirilmiş nokta çiftlerine bakarak bunların aynı nesne üzerinde mi yoksa farklı nesneler üzerinde mi yer aldığına karar verdiği bir test düzeneği kurdu. 1000'i aşkın denemeden oluşan bu kıyaslama, psikofizik alanındaki klasik bir yaklaşımın güncel ve kapsamlı bir versiyonu olarak öne çıkıyor.
Araştırmacılar, farklı yapay zeka modellerinin iç temsillerinden elde edilen basit bir okuma mekanizması aracılığıyla katılımcıların tepki sürelerini tahmin etmeye çalıştı. Bu yöntem, modelin nesne sınırlarını insan algısına benzer biçimde kodlayıp kodlamadığını dolaylı olarak ölçmeye olanak tanıdı.
Bulgular, model nesilleri arasında tutarlı bir ilerleme olduğunu gösteriyor. Hem kullanılan mimari hem de eğitim yöntemi bu ilerlemede belirleyici rol oynuyor. Ancak en dikkat çekici sonuç, DINO adlı öz-denetimli öğrenme hedefiyle eğitilen transformer tabanlı modellerin insan davranışına en yakın performansı sergilemesi oldu.
Araştırmacılar bu iyileşmenin kaynağını daha iyi anlamak için nesne merkezli temsili ölçen yeni bir metrik de önerdi. Bu metrik, bir modelin bir sahneyi gerçekten nesne odaklı mı yoksa başka örüntüler üzerinden mi temsil ettiğini anlamaya yardımcı oluyor.
Çalışma, öz-denetimli eğitimin yalnızca teknik görev başarımını artırmakla kalmayıp insan bilişiyle yapısal bir uyum da sağladığına işaret ediyor. Bu bulgu, yapay zekanın insan algısını ne ölçüde yansıttığını anlamak isteyen nörobilim ve bilişsel bilim araştırmacıları için de önemli bir referans noktası sunuyor.