Son dövrlərdə böyük dil modelləri (LLM) ətrafında geniş müzakirə olunan bir fikir var: “Bir problemin həllini yoxlamaq asandırsa, süni intellekt də həmin problemi həll etməyi asanlıqla öyrənir.” Bu fikir ilk baxışda məntiqli görünsə də, əslində “yoxlamanın mürəkkəbliyi” ilə “öyrənmənin/ həll etmənin mürəkkəbliyi” anlayışlarını qarışdırır. Məsələyə hesablama mürəkkəbliyi nəzəriyyəsi prizmasından yanaşaq.
P vs NP: Əsas anlayışlar
Hesablama mürəkkəbliyi nəzəriyyəsində NP sinfi o deməkdir ki, verilmiş namizəd həll (sertifikat) polinom zamanında yoxlanıla bilər. P isə həllin birbaşa polinom zamanında tapıla bildiyi problemlərdir. Məşhur “P ≠ NP?” sualı isə “yoxlaması asan olan hər problem eyni zamanda həlli də asan olurmu?” sualına cavab axtarır. Göründüyü kimi, “asan yoxlama” burada ciddi riyazi məna daşıyır – yoxlayıcı polinom zamanında işləyir, yoxsa AI təliminin maya dəyəri aşağıdır demək deyil.
AI niyə bəzi “asan yoxlanılan” problemləri yaxşı öyrənir?
Müəyyən hallarda bu intuisiyanın işə düşməsinin səbəbi “yoxlamanın” sıx təlim siqnalı (dense training signal) təmin etməsidir. Problem “asan yoxlanıla bilən” strukturda olduqda, biz ondan istifadə edərək:
- Məlumat yarada bilərik: Məsələn, SAT problemi üçün təsadüfi qiymətləndirmə yaradıb düsturda yoxlamaqla sonsuz sayda (formula, qiymətləndirmə) cütü əldə etmək olar – pulsuz və limitsiz məlumat.
- Mükafat formalaşdıra bilərik: LLM kod yaradır → kompilyator/test yoxlayır → dərhal mükafat (reward) verilir. Bu, RLHF-də mükafat modeli, AlphaProof'un formal yoxlayıcısı kimi texnikaların əsasını təşkil edir.
- Self-play / öz-özünə distillə: AlphaGo simulyatordan istifadə edərək hərəkətləri yoxlayır, AlphaCode və AlphaGeometry isə yoxlayıcı ilə idarə olunan axtarış (verifier-guided search) aparır.
Məhz buna görə kod generasiyası, formal isbat, riyazi məsələlərin həlli kimi sahələrdə irəliləyiş sürətlidir – çünki onların “nisbətən asan yoxlayıcısı” var (unit testlər, tip yoxlayıcılar, isbat doğrulayıcıları).
“Asan yoxlama” AI üçün həmişə kifayət deyil
Bununla belə, “asan yoxlama = AI asan öyrənir” düsturu bir neçə səbəbdən işləmir:
- Yoxlayıcı yalnız ikilik siqnal verir: 0/1 (düzgün/səhv) – dərin öyrənmə hamar itki səthi (smooth loss surface) tələb edir. Mürəkkəb NP problemlərində təsadüfi cəhdlərin əksəriyyəti səhv çıxır → mükafat həmişə sıfır → qradiyent itir, öyrənmə baş vermir. Bu, “seyrək mükafat” (sparse reward) problemidir.
- P ≠ NP məntiqi: Yoxlaması O(n) olsa belə, həlli tapmaq O(2ⁿ) tələb edə bilər. AI modeli mahiyyətcə evristik axtarış aparır, kombinativ partlayış qarşısında “free lunch” yoxdur. Nümunə: Sudoku yoxlaması O(n²), amma ən çətin Sudoku həm insan, həm də AI üçün çətindir.
- Paylanma sürüşməsi və ümumiləşdirmə: NP problemlərinin “asan yoxlanması” worst-case mürəkkəbliyə aiddir. AI öyrəndiyi paylanmanın statistik qanunauyğunluqlarını mənimsəyir, paylanmadan kənar nümunələrdə uğursuz ola bilər.
- Yoxlamanın özü də NP-də olmaya bilər: Bir çox real problemlər PSPACE və ya daha çətin siniflərə aiddir (məsələn, Go'da ilk gedişin qalibiyyətini yoxlamaq). Burada “sertifikat” təqdim edib AI-nin təqlid etməsi belə çətindir.
Nəticə: Faydalı qayda, amma teorem deyil
“Asan yoxlanılan problemləri AI asan öyrənir” ifadəsi daha dəqiq desək belə olmalıdır: “Əgər problemin polinom zamanlı yoxlayıcısı varsa və biz ondan sıx təlim siqnalı (məsələn, pilləli yoxlama, qismən kredit) çıxara biliriksə, AI ‘generasiya + yoxlama’ dövrü ilə həllə yaxınlaşa bilər.” Bu, NP-nin “yoxlama” tərəfindən istifadə edərək “həll” tərəfinə hücum etməkdir – LLM + Verifier paradiqmasının nəzəri əsası. Lakin bu, P=NP-nin isbatı deyil. AI tapdığı həllər worst-case'də optimal olmaya bilər, AI orta hal (average-case) və ya müəyyən paylanma üzrə işləyir. Problem ölçüsü təlim paylanmasını aşdıqda performans kəskin enir. Xülasə: “asan yoxlama ⇒ AI asan öyrənir” faydalı bir empirik qaydadır, amma riyazi teorem deyil. P vs NP isə daha fundamental sualdır: yoxlamanın asanlığı məntiqi olaraq həllin asanlığını ehtiva edirmi? Cavab: hazırki biliklərə görə yox.
