Burada, Yapay Öğrenme Zekası Sistemi (ALIS) hakkında, konseptlerinden ve prensiplerinden temel tasarım ve geliştirme yöntemlerine kadar her şeyi düzenlemeyi amaçlıyorum.
Konsept
Mevcut üretken yapay zeka, özellikle büyük dil modelleri, sinir ağları kullanılarak denetimli öğrenme temelinde eğitilir.
Bu sinir ağı eğitim sürecini doğuştan gelen öğrenme olarak konumlandırıyoruz.
ALIS, doğuştan gelen öğrenmeden ayrı olarak edinilmiş bir öğrenme sürecini dahil ederek, hem doğuştan gelen hem de edinilmiş öğrenme süreçlerini entegre ederek kapsamlı çıkarım yapmayı sağlayan bir sistemdir.
Bu edinilmiş öğrenmede, öğrenilen bilgi sinir ağının dışında depolanır ve çıkarım sırasında kullanılır.
Bu nedenle, ALIS'in teknik çekirdeği, yeniden kullanılabilir bilginin çıkarılması, depolanması ve çıkarım sırasında bilginin seçilmesi ve kullanılmasıdır.
Ayrıca, ALIS sadece tek bir temel teknoloji değil, aynı zamanda doğuştan gelen ve edinilmiş öğrenmeyi birleştiren bir sistem teknolojisidir.
Öğrenen Zeka Sisteminin Öğeleri
ALIS, hem mevcut doğuştan gelen öğrenmeyi hem de gelecekteki edinilmiş öğrenmeyi, öğrenme ve çıkarım çerçevesinde aynı prensipler altında işleyen süreçler olarak ele alır.
ALIS'teki öğrenme prensiplerini açıklamak için, öğrenen bir zeka sisteminin beş öğesini tanımlıyoruz:
Birincisi Akıllı İşlemci'dir. Bu, bilgi kullanarak çıkarım yapan ve öğrenme için bilgi çıkaran bir işleme sistemini ifade eder.
Akıllı işlemcilere temsili örnekler arasında Büyük Dil Modelleri (LLM'ler) ve insan beyninin bazı kısımları bulunur.
İkincisi Bilgi Deposu'dur. Bu, çıkarılan bilginin kaydedildiği ve gerektiğinde alınabileceği bir depolama konumunu ifade eder.
LLM'lerde, bilgi deposu sinir ağının parametreleridir. İnsanlarda ise beynin uzun süreli belleğine karşılık gelir.
Üçüncüsü Dünya'dır. Bu, insanlar veya ALIS gibi öğrenen zeka sistemleri tarafından algılanan dış ortamı ifade eder.
İnsanlar için dünya, gerçekliğin kendisidir. LLM'ler söz konusu olduğunda, LLM'den çıktı alan ve ona geri bildirim sağlayan mekanizma, dünyanın eşdeğeri olarak kabul edilir.
Dördüncüsü Durum Belleği'dir. Bu, bir öğrenen zeka sisteminin çıkarım sırasında kullandığı dahili, geçici bir bellek, bir not defteri gibidir.
LLM'lerde bu, gizli durumlar olarak bilinen, çıkarım sırasında kullanılan bellek alanıdır. İnsanlarda ise kısa süreli belleğe karşılık gelir.
Beşincisi Çerçeve'dir. Bu, sözde düşünce çerçevesidir. Öğrenen zeka sistemi terminolojisinde, çıkarım sırasında gerekli bilginin seçilme kriterlerini ve durum belleğini düzenlemek için mantıksal durum alanı yapısını ifade eder.
LLM'lerde, gizli durumların anlamsal yapısıdır ve genellikle içeriği belirsizdir ve insanlar için anlaşılmazdır. Ayrıca, bilgi seçimi, işlenen her belirteç için hangi mevcut belirteçlere başvurulacağını seçen dikkat mekanizmasına entegre edilmiştir.
İnsanlar için, yukarıda belirtildiği gibi, düşünce çerçevesidir. Belirli bir düşünce çerçevesi kullanarak düşünürken, uzun süreli bellekten belirli bilgi kümeleri hatırlanır ve kısa süreli belleğe yüklenir. Ardından, mevcut algılanan bilgi, durumu anlamak için düşünce çerçevesine göre düzenlenir.
Öğrenen Zeka Sisteminin İlkeleri
Öğrenen bir zeka sistemi şu şekilde çalışır:
Akıllı işlemci dünyaya etki eder. Dünya, bu etkiye dayanarak sonuçlarla yanıt verir.
Akıllı işlemci, bu sonuçlardan yeniden kullanılabilir bilgiyi çıkarır ve bilgi deposunda saklar.
Akıllı işlemci dünyaya tekrar tekrar etki ettiğinde, bilgi deposundan bilgi seçer ve eylem biçimini değiştirmek için bu bilgiyi kullanır.
Bu temel mekanizmadır.
Ancak, temel olarak, bilginin çıkarılması, depolanması, seçilmesi ve kullanılması yöntemleri, sistemin anlamlı bir öğrenme sağlayıp sağlayamayacağını belirler.
İnsanlar, etkili bilgi çıkarımı, depolanması, seçilmesi ve kullanılması sağlayan mekanizmalara sahiptir, bu da onların öğrenmesini mümkün kılar.
LLM'ler dahil olmak üzere sinir ağları, çıkarım kısmı harici bir öğretmen tarafından ele alınsa da, depolama, seçim ve kullanma mekanizmalarına sahiptir. Bu, bir öğretmen giriş sağladığı sürece öğrenmelerini sağlar.
Ayrıca, öğrenen bir zeka sistemi, çerçevelerin çıkarılması, depolanması ve seçilmesi ile durum belleğinde bunların kullanımını da bilgi olarak öğrenerek daha karmaşık öğrenmeyi başarabilir.
Bilgi Türleri
Bu prensibe dayanarak, edinilmiş öğrenme tasarlanırken, edinilmiş bilginin hangi bilgi biçimini alacağı netleştirilmelidir.
Edinilmiş bilginin ayrı olarak bir sinir ağının parametreleri olarak öğrenilmesi düşünülebilir.
Ancak, edinilmiş bilginin yalnızca sinir ağı parametreleriyle sınırlı olması gerekmez. Gerçekçi bir aday, doğal dilde metinleştirilmiş bilgidir.
Bilgi doğal dilde metinleştirilirse, Büyük Dil Modellerinin (LLM'ler) doğal dil işleme yetenekleri kullanılarak çıkarılabilir ve kullanılabilir. Ayrıca, normal bir BT sisteminde veri olarak işlenebilir, bu da depolama ve seçimi kolaylaştırır.
Dahası, doğal dilde metinleştirilmiş bilginin insanlar ve diğer LLM'ler tarafından kontrol edilmesi, anlaşılması ve bazı durumlarda düzenlenmesi kolaydır.
Diğer öğrenen zeka sistemleriyle de paylaşılabilir, birleştirilebilir veya bölünebilir.
Bu nedenlerden dolayı, ALIS konseptindeki edinilmiş bilgi, başlangıçta doğal dilde metinleştirilmiş bilgiyi hedefleyecek şekilde tasarlanacaktır.
Edinilmiş Durum Belleği ve Çerçeve
Edinilmiş bilgi olarak doğal dilde metinleştirilmiş bilgiyi seçmenin avantajlarını açıkladım.
Benzer şekilde, doğal dil metni, çıkarım için durum belleği ve çerçeve için de kullanılabilir.
Kavramsal bir yapı olan çerçeve de, doğal dilde metinleştirilmiş bilgi olarak bilgi deposunda saklanabilir ve kullanılabilir.
Bu çerçeve tarafından tanımlanan yapıya dayanarak durumları başlatırken veya güncellerken, metin tabanlı durum belleği kullanılabilir.
ALIS'i yalnızca edinilmiş bilgi için değil, aynı zamanda çerçeveler ve durum belleği için de metin formatını kullanacak şekilde tasarlayarak, ALIS hem edinilmiş öğrenme hem de genel çıkarım için Büyük Dil Modellerinin (LLM'ler) doğal dil işleme yeteneklerinden yararlanabilir.
Biçimsel Bilgi
Edinilmiş bilgi, çerçeveler ve durum belleği sadece doğal dil metniyle değil, aynı zamanda daha katı biçimsel diller veya biçimsel modellerle de temsil edilebilir.
"Seç" yazmış olsam da, ALIS'in amacı, doğuştan gelen ve edinilmiş öğrenmenin hibrit kullanımına izin vermek için birden fazla edinilmiş bilgi öğrenme mekanizmasını dahil etmektir.
Biçimsel diller veya biçimsel modellerle temsil edilen bilgi daha katı ve belirsizlikten arınmış olabilir.
Ayrıca, bir çerçeve biçimsel bir dil veya biçimsel bir model kullanılarak ifade edilirse ve bir başlangıç durumu durum belleğinde genişletilirse, o zaman biçimsel bir model, titiz simülasyonlar ve mantıksal akıl yürütme yapmak için akıllı bir işlemci (bir LLM değil) tarafından işlenebilir.
Bu tür biçimsel dillere ve biçimsel modellere iyi bir örnek programlama dilleridir.
Sistem dünyayı öğrendikçe, temel yasaları ve kavramları bir çerçeve içinde programlar olarak ifade edebilirse, bunlar daha sonra bir bilgisayar tarafından simüle edilebilir.
Kolon 1: Bilgi Türleri
Bir öğrenme zeka sistemi içindeki bilgiyi düzenlediğimizde, bunun genel olarak üç sisteme ve iki türe ayrılabileceği ortaya çıkar.
Üç sistem şunlardır: sinir ağları tarafından işlenen ağ parametre bilgisi, doğal dildeki doğal bilgi ve biçimsel dillerdeki biçimsel bilgi.
İki tür ise durumsuz (stateless) ve durumlu (stateful)dur.
Durumsuz ağ parametre bilgisi, derin öğrenme yapay zekasında bulunan sezgisel bilgidir. Kedilerin ve köpeklerin, hakkında düşünülemeyen veya sözlü olarak tanımlanamayan özellikleri, durumsuz ağ parametre bilgisi olarak öğrenilebilir.
Durumlu ağ parametre bilgisi, üretken yapay zekada bulunan bulanık, yinelemeli süreçten türetilmiş bilgidir.
Durumsuz doğal bilgi, bir kelimeyle ilişkili anlam gibi bilgidir.
Durumlu doğal bilgi, bir cümle içinde bulunan bağlamı içeren bilgidir.
Bazı doğal bilgiler, durumlu ağ parametre bilgisine doğal olarak dahil edilir, ancak doğal dil metninden doğum sonrası edinilebilen bilgiler de vardır.
Durumsuz biçimsel bilgi, yineleme içermeyen matematiksel formüllerle ifade edilebilen bilgidir. Durumlu biçimsel bilgi, programlarla ifade edilebilen bilgidir.
Kişinin kendi beyninin kısa süreli belleği, doğal ve biçimsel bilgi için bir durum belleği olarak da kullanılabilir.
Ancak, kısa süreli bellek olduğu için bir durumu istikrarlı bir şekilde sürdürmekte zorluk çekme sorunu vardır. Ayrıca, bilgiyi biçimsel, net bir durumda tutmakta iyi değildir.
Öte yandan, kağıt, bilgisayarlar veya akıllı telefonlar, doğal dil metni, biçimsel diller veya biçimsel modelleri yazmak ve düzenlemek için durum belleği olarak kullanılabilir.
Genel olarak, kağıt veya bilgisayarlardaki veriler genellikle bilgiyi bir bilgi deposu olarak saklamak için bir şey olarak algılanır, ancak düşünceleri düzenlemek için durum belleği olarak da kullanılabilir.
Böylece, insanların bu üç sistem ve iki tür bilgiyi ustaca kullanarak entelektüel faaliyetlerde bulundukları açıktır.
ALIS de aynı bu üç sistem ve iki tür bilgiyi kullanan entelektüel faaliyetleri etkinleştirerek ve geliştirerek yeteneklerini dramatik bir şekilde geliştirme potansiyeline sahiptir.
Özellikle, ALIS'in geniş bilgi depolarını ve durum belleğini kullanabilme gücü vardır. Ayrıca, her birinden birden fazla örnek kolayca hazırlayabilir ve bunları değiştirerek veya birleştirerek entelektüel görevleri yerine getirebilir.
Kolon 2: Entelektüel Orkestrasyon
Bilgi deposunda büyük miktarda bilgi depolayabilme gücü olsa da, üretken bir yapay zekanın bir kerede kullanabileceği belirteç sayısındaki sınırlamalar ve alakasız bilginin gürültüye dönüşmesi kısıtlaması nedeniyle, sadece büyük miktarda bilgiye sahip olmak entelektüel aktivite için mutlaka avantajlı değildir.
Öte yandan, bilgi deposunu uygun şekilde bölümlere ayırarak ve belirli entelektüel görevler için gerekli bilgiyi toplayan yüksek yoğunluklu, uzmanlaşmış bilgi depoları oluşturarak, belirteç sınırlamaları ve gürültü sorunları hafifletilebilir.
Buna karşılık, bu tür uzmanlaşmış bilgi depoları yalnızca o belirli entelektüel görevler için kullanılabilir olacaktır.
Birçok entelektüel aktivite, çeşitli entelektüel görevlerin karmaşık kombinasyonlarıdır. Bu nedenle, bilgiyi entelektüel görevin türüne göre uzmanlaşmış bilgi depolarına ayırarak ve entelektüel aktiviteyi entelektüel görevlere bölerek, ALIS, uzmanlaşmış bilgi depoları arasında uygun şekilde geçiş yaparak tüm entelektüel aktiviteyi yürütebilir.
Bu, farklı enstrümanları çalan profesyonel müzisyenlerden oluşan bir orkestra ve tümünü yöneten bir orkestra şefi gibidir.
Bu sistem teknolojisi olan "entelektüel orkestrasyon" aracılığıyla ALIS, entelektüel faaliyetlerini düzenleyebilecektir.
ALIS Temel Tasarım ve Geliştirme Yöntemi
Buradan itibaren, ALIS için geliştirme yaklaşımını düzenleyeceğim.
İlkelerde ve sütunlarda belirtildiği gibi, ALIS doğası gereği işlevlerini ve kaynaklarını kolayca genişletecek şekilde tasarlanmıştır. Bunun nedeni, ALIS'in özünün belirli işlevlerde değil, bilgi çıkarımı, depolama, seçim ve kullanma süreçlerinde yatmasıdır.
Örneğin, birden fazla bilgi çıkarım mekanizması türü hazırlanabilir ve sistem tasarımına bağlı olarak bunlardan seçilebilir veya eş zamanlı olarak kullanılabilir.
Ayrıca, ALIS'in bu seçimi kendisi yapması sağlanabilir.
Depolama, seçim ve kullanım da benzer şekilde serbestçe seçilebilir veya paralelleştirilebilir.
Bu nedenle, ALIS, tüm işlevselliği şelale yöntemiyle tasarlamaya gerek kalmadan artımlı ve çevik bir şekilde geliştirilebilir.
ALIS'in Başlangıcı
Şimdi, çok basit bir ALIS tasarlayalım.
Temel kullanıcı arayüzü (UI) tanıdık sohbet yapay zekası olacaktır. Başlangıçta, kullanıcı girişi doğrudan Büyük Dil Modeli'ne (LLM) iletilecektir. LLM'nin yanıtı daha sonra UI'da görüntülenecek ve sistem bir sonraki kullanıcı girişini bekleyecektir.
Bir sonraki giriş geldiğinde, LLM yalnızca yeni girişi değil, aynı zamanda kullanıcı ile LLM arasındaki o ana kadarki tüm sohbet geçmişini de alacaktır.
Bu sohbet yapay zekası UI'sının arkasında, sohbet geçmişinden yeniden kullanılabilir bilgi çıkarmak için bir mekanizma hazırlayacağız.
Bu, bir konuşma sona erdiğinde veya düzenli aralıklarla yürütülen bir süreç olarak sohbet yapay zekası sistemine eklenebilir. Elbette, bilgi çıkarımı için bir LLM kullanılacaktır.
Bu LLM'ye, ALIS konsepti ve prensipleri ile birlikte bilgi çıkarım bilgi birikimi, sistem istemleri olarak verilecektir. Bilgi istenildiği gibi çıkarılmazsa, sistem istemleri deneme yanılma yoluyla iyileştirilmelidir.
Sohbet geçmişinden çıkarılan bilgi doğrudan bir bilgi gölünde depolanacaktır. Bilgi gölü, bilgiyi yapılandırılmadan önce basitçe düz, yapılandırılmamış bir durumda depolamak için bir mekanizmadır.
Daha sonra, bilgi gölünden bilgi seçimini kolaylaştırmak için bir yapılandırma mekanizması hazırlayacağız.
Bu, tipik olarak RAG'de kullanılan semantik arama için gömme vektör depoları ve anahtar kelime indeksleri gibi şeyleri sağlamak anlamına gelir.
Daha gelişmiş seçenekler arasında bir bilgi grafiği oluşturma veya kategori sınıflandırması yapma bulunur.
Bilgi gölü için bu yapılandırılmış bilgi koleksiyonuna bir bilgi tabanı denecektir. Bu bilgi tabanı ve bilgi gölü, bilgi deposunu oluşturacaktır.
Ardından, bilgi deposunu sohbet UI işleme sürecine entegre edeceğiz.
Bu temel olarak genel bir RAG mekanizması ile aynıdır. Kullanıcı girişi için, ilgili bilgi bilgi deposundan seçilir ve kullanıcı girişiyle birlikte LLM'ye iletilir.
Bu, LLM'nin kullanıcı girişini işlerken bilgiyi otomatik olarak kullanmasını sağlar.
Bu şekilde, kullanıcıyla yapılan her konuşmada bilgi birikecek ve geçmiş konuşmalardan biriken bilgiyi kullanan basit bir ALIS gerçekleştirilecektir.
Basit Senaryo
Örneğin, bir kullanıcının bu basit ALIS'i kullanarak bir web uygulaması geliştirdiğini hayal edin.
Kullanıcı, LLM tarafından önerilen kodun bir hataya neden olduğunu bildirir. Kullanıcı ve LLM işbirliği yaparak sorunu giderdikten sonra, LLM'nin bildiği harici API spesifikasyonunun eski olduğunu ve programın en son API spesifikasyonuna uyarlandıktan sonra doğru şekilde çalıştığını keşfederler.
Bu sohbet dizisinden ALIS, bilgi deposunda bilgi biriktirebilir: özellikle, LLM tarafından bilinen API spesifikasyonunun eski olduğu ve en son API spesifikasyonunun ne olduğu bilgisi.
Ardından, aynı API'yi kullanan bir program bir dahaki sefere oluşturulduğunda, ALIS bu bilgiyi kullanarak en baştan en son API spesifikasyonuna dayalı bir program üretebilecektir.
Başlangıçtaki ALIS'e Yönelik İyileştirmeler
Ancak, bunun gerçekleşmesi için, bu bilginin kullanıcı girdisine yanıt olarak seçilmesi gerekir. Sorunlu API adının kullanıcının girdisinde görünmemesi nedeniyle, bu bilginin kullanıcının girdisiyle doğrudan bağlantılı olmaması mümkündür.
Bu durumda, API adı yalnızca LLM'nin yanıtı sırasında ortaya çıkacaktır.
Bu nedenle, basit ALIS'i ön analiz ve son kontrol mekanizmaları ekleyerek biraz genişleteceğiz.
Ön analiz, son LLM'lerdeki "düşünce modu"na benzer. Metni durum belleği olarak tutabilen bir bellek hazırlanacak ve sistem istemi, LLM'ye kullanıcı girdisi alındığında ön analiz yapmasını söyleyecektir.
LLM'nin ön analiz sonucu durum belleğinde saklanacaktır. Bu ön analiz sonucuna dayanarak, bilgi deposundan bilgi seçilecektir.
Ardından, sohbet geçmişi, ön analiz sonucu, kullanıcı girdisine karşılık gelen bilgi ve ön analiz sonucuna karşılık gelen bilgi, yanıt almak için LLM'ye iletilecektir.
Ayrıca, LLM tarafından döndürülen sonuç, bilgi deposundan bilgi aramak için de kullanılacaktır. Orada bulunan bilgi de dahil olmak üzere, LLM'den bir son kontrol yapması istenecektir.
Herhangi bir sorun bulunursa, sorunlu noktalar ve belirtilen nedenler dahil edilecek ve sohbet LLM'sine geri iletilecektir.
Ön analiz ve son kontrol sırasında bilgi seçme fırsatları sağlayarak, birikmiş bilgiyi kullanma şansını artırabiliriz.
Gelecek
Başlangıçtaki bir ALIS'i inşa etme ve ardından zayıflıklarını gidermek için iyileştirmeler ekleme yaklaşımı, çevik geliştirmeyi ve ALIS'in artımlı iyileşmesini mükemmel bir şekilde göstermektedir.
Ayrıca, örneklendiği gibi, başlangıçtaki ALIS, yazılım geliştirmede kullanım için en uygundur. Bunun nedeni, yüksek talep gören bir alan olması ve bilginin kolayca ve açıkça biriktirilebildiği bir alan olmasıdır.
Her şeyin açıkça siyah veya beyaz olduğu bir türdür, ancak aynı zamanda deneme-yanılma, yinelemeli bilgi birikiminin gerekli ve önemli olduğu kritik bir alandır.
Ek olarak, ALIS geliştirmenin kendisi yazılım geliştirme olduğundan, ALIS geliştiricilerinin ALIS kullanıcıları olabilmeleri de çekicidir.
Ve ALIS sistemiyle birlikte, bilgi gölü de GitHub gibi platformlarda açıkça paylaşılabilir.
Bu, birçok kişinin ALIS sistem iyileştirmeleri ve bilgi birikimi üzerinde işbirliği yapmasına olanak tanıyacak, herkesin sonuçlardan faydalanmasını sağlayacak ve ALIS gelişimini daha da hızlandıracaktır.
Elbette, bilgi paylaşımı sadece ALIS geliştiricileriyle sınırlı değildir, ALIS kullanan tüm yazılım geliştiricilerinden toplanabilir.
Bilginin doğal dilde olması iki ek avantaj sunar:
İlk avantaj, LLM modeli değişse veya güncellense bile bilginin kullanılabiliyor olmasıdır.
İkinci avantaj ise, birikmiş geniş bilgi gölünün LLM'ler için ön eğitim veri kümesi olarak kullanılabiliyor olmasıdır. Bu iki şekilde yapılabilir: ince ayar için kullanılarak veya doğrudan LLM ön eğitimi için kullanılarak.
Her durumda, bilgi gölünde biriken bilgiyi doğuştan öğrenmiş LLM'ler kullanılabiliyorsa, yazılım geliştirme daha da verimli hale gelecektir.
Ayrıca, yazılım geliştirme içinde gereksinim analizi, tasarım, uygulama, test, operasyon ve bakım gibi çeşitli süreçler vardır ve her yazılım alanı ve platformu için uzmanlaşmış bilgi mevcuttur. Bu perspektiflerden birikmiş geniş bilgiyi bölümlere ayırmak için bir mekanizma oluşturulursa, bir ALIS orkestrası da oluşturulabilir.
Böylece, ALIS için temel teknolojiler mevcuttur. Şimdi anahtar, bilgi çıkarım know-how'ı, uygun bilgi seçimi, uzmanlaşmış bilgi segmentasyonu ve durum belleğini nasıl kullanacağı gibi çeşitli yöntemleri pratik olarak denemek ve etkili yaklaşımlar keşfetmektir. Ayrıca, karmaşıklık arttıkça, işleme süresi ve LLM kullanım maliyetleri artacak, bu da optimizasyonu gerektirecektir.
Bu deneme-yanılma ve optimizasyon süreçleri, çerçevelerin geliştirilmesi ve iyileştirilmesi yoluyla adaptif olarak takip edilebilir.
Başlangıçta, geliştiriciler, kullanıcılar olarak, deneme yanılma yoluyla çerçeveleri ALIS'e dahil edeceklerdir. Ancak o zaman bile, LLM'nin kendisi çerçeve fikirleri üretmesi sağlanabilir.
Ve dünyadan alınan sonuçlara ve çıkarılan bilgilere dayanarak çerçeveleri geliştiren veya keşfeden çerçeveleri ALIS'e dahil ederek, ALIS'in kendisi deneme-yanılma ve optimizasyonu adaptif olarak gerçekleştirecektir.
Gerçek Dünyada ALIS
ALIS bu aşamaya kadar geliştirildiğinde, yalnızca yazılım geliştirme dünyasında değil, çeşitli alanlarda bilgi öğrenme yeteneğine sahip olması beklenir.
Yazılım geliştirmeye benzer şekilde, ALIS'in bilgisayarlar aracılığıyla insanların gerçekleştirdiği çeşitli entelektüel faaliyetlere kapsamını genişletmesi beklenmektedir.
Bu tür tamamen entelektüel faaliyetlerde bile, ALIS hedef dünyaya göre bir tür cisimleşmiş yapay zeka niteliği taşır.
Bunun nedeni, kendisi ile dünya arasındaki sınırı tanıması, bu sınır aracılığıyla dünyaya etki etmesi ve dünyadan alınan bilgiyi algılayabilmesidir.
Genel olarak "beden" olarak adlandırdığımız şey, dünyayla fiziksel olarak görünen ve tek bir yerde yerelleşmiş bir sınırdır.
Ancak, sınır görünmez ve uzamsal olarak dağılmış olsa bile, bir sınır aracılığıyla algılama ve eylem yapısı, fiziksel bir bedene sahip olmakla aynıdır.
Bu anlamda, entelektüel faaliyetler gerçekleştirirken ALIS'in sanal olarak cisimleşmiş bir yapay zeka niteliği taşıdığı düşünülebilir.
Ve ALIS, yeni, bilinmeyen dünyalarda bile uygun şekilde öğrenebilecek bir aşamaya geldiğinde, ALIS'in fiziksel bir bedene sahip gerçek bir cisimleşmiş yapay zekanın bir parçası olarak entegre edilme olasılığı vardır.
Bu şekilde, ALIS sonunda gerçek dünyaya uygulanacak ve ondan öğrenmeye başlayacaktır.