Burada, Yapay Öğrenme Zeka Sistemi'ni (ALIS) kavramını, ilkelerini, temel tasarımını ve geliştirme metodolojisini ayrıntılı olarak düzenlemek istiyorum.
Konsept
Günümüzdeki üretken yapay zeka, özellikle büyük dil modelleri, sinir ağı tabanlı denetimli öğrenmeye dayanarak eğitilmektedir.
Bir öğrenme süreci olarak, bu sinir ağı öğrenmesini doğuştan öğrenme olarak tanımlıyoruz.
ALIS, doğuştan öğrenmeden ayrı olarak, edinilmiş öğrenme sürecini entegre ederek her iki öğrenme sürecini birleştiren çıkarım yapmayı mümkün kılar.
Bu edinilmiş öğrenmede, öğrenilen bilgi sinir ağının dışında biriktirilir ve çıkarım sırasında kullanılır.
Bu nedenle, ALIS'in teknik çekirdeği, çıkarım sırasında yeniden kullanılabilir bilginin çıkarılması, depolanması ve seçilip kullanılmasıdır.
Ayrıca, ALIS yalnızca tek bir temel teknoloji değil, doğuştan öğrenme ile edinilmiş öğrenmeyi birleştiren bir sistem teknolojisidir.
Yapay Öğrenme Zeka Sisteminin Öğeleri
ALIS, mevcut doğuştan öğrenmenin ve gelecekte değerlendirilecek edinilmiş öğrenmenin, aynı öğrenme ve çıkarım çerçevesini takip ettiği ilkesiyle çalışır.
ALIS'teki öğrenme ilkelerini açıklamak için, bir yapay öğrenme zeka sisteminin beş öğesini tanımlıyoruz.
Birincisi, akıllı işlemci. Bu, bilgi kullanarak çıkarım yapan ve öğrenme için bilgi çıkaran bir işleme sistemini ifade eder.
Büyük Dil Modelleri (LLM'ler) ve insan beyninin bazı kısımları, akıllı işlemcilerin başlıca örnekleridir.
İkincisi, bilgi deposu. Bu, çıkarılan bilginin saklanabildiği ve gerektiğinde geri alınabildiği bir depolama konumunu ifade eder.
LLM'lerde, bilgi deposu sinir ağının parametrelerinden oluşur. İnsanlarda ise beynin uzun süreli belleğine karşılık gelir.
Üçüncüsü, Dünya. Bu, insanlar veya ALIS gibi bir yapay öğrenme zeka sistemi tarafından algılanan dış ortamı ifade eder.
İnsanlar için Dünya, gerçekliğin kendisidir. LLM'ler söz konusu olduğunda, LLM'den çıktı alıp ona geri bildirim sağlayan bir mekanizma, Dünya'ya eşdeğer kabul edilebilir.
Dördüncüsü, durum belleği. Bu, bir yapay öğrenme zeka sistemi tarafından çıkarım sırasında kullanılan dahili, geçici bir bellek benzeri bileşeni ifade eder.
LLM'lerde bu, gizli durumlar olarak bilinen, çıkarım sırasında kullanılan bellek alanıdır. İnsanlarda ise kısa süreli belleğe karşılık gelir.
Beşincisi, çerçeve. Bu, tabiri caizse, bir düşünce yapısıdır. Öğrenme zeka sistemleri terminolojisinde, çıkarım sırasında gerekli bilginin seçimi için kriterleri ve durum belleğini düzenlemek için mantıksal bir durum uzayı yapısını ifade eder.
LLM'lerde, bu gizli durumların anlamsal yapısıdır ve içeriği genellikle belirsizdir ve insanlar tarafından anlaşılamaz. Ayrıca, bilgi seçimi, işlenen her bir belirteç için hangi mevcut belirteçlere başvurulacağını seçen dikkat mekanizmasına gömülüdür.
İnsanlarda ise yukarıda belirtildiği gibi bir düşünce yapısıdır. Belirli bir çerçeveyi kullanarak düşünürken, uzun süreli bellekten belirli bir bilgi kümesi hatırlanır ve kısa süreli belleğe yüklenir. Daha sonra, mevcut algılanan bilgiler, düşünce çerçevesine göre düzenlenerek durum anlaşılır.
Yapay Öğrenme Zeka Sisteminin İlkeleri
Bir yapay öğrenme zeka sistemi şu şekilde çalışır:
Bir akıllı işlemci, Dünya'ya etki eder. Dünya da bu etkiye yanıt olarak sonuçlar döndürür.
Akıllı işlemci, bu sonuçlardan yeniden kullanılabilir bilgiyi çıkarır ve bilgi deposunda saklar.
Dünya'ya yinelemeli olarak etki ederken, akıllı işlemci bilgi deposundan bilgi seçer ve eylemlerini değiştirmek için bu bilgiyi kullanır.
Temel mekanizma budur.
Ancak, sistemin anlamlı bir öğrenme gerçekleştirip gerçekleştiremeyeceğini temel olarak bilginin çıkarılması, depolanması, seçilmesi ve kullanılması yöntemleri belirler.
İnsanlar, bu bilginin çıkarılması, depolanması, seçilmesi ve kullanılması işlemlerini etkili bir şekilde yöneten mekanizmalara sahip oldukları için öğrenebilirler.
LLM'ler dahil olmak üzere sinir ağlarında, bilgi çıkarımı harici eğitmenler tarafından yapılır, ancak depolama, seçim ve kullanım mekanizmalarına sahiptirler. Bu sayede, bir eğitmen sağlandığı sürece öğrenebilirler.
Ayrıca, bir yapay öğrenme zeka sistemi, çerçevelerin çıkarımını, depolanmasını ve seçimini ve durum belleği içindeki kullanım yöntemlerini bilgi olarak öğrenerek daha karmaşık öğrenmeyi de mümkün kılabilir.
Bilgi Çeşitleri
Bu ilkeler temelinde, edinilmiş öğrenmeyi tasarlarken, edinilmiş bilginin hangi biçimi alacağını netleştirmek gereklidir.
Edinilmiş bilginin de ayrı olarak sinir ağı parametreleri olarak öğrenildiği bir yöntem düşünülebilir.
Ancak, edinilmiş bilgi yalnızca sinir ağı parametreleriyle sınırlı olmak zorunda değildir. Doğal dilde metinleştirilmiş bilgi pratik bir adaydır.
Doğal dilde metinleştirilmiş bilgi, LLM'lerin doğal dil işleme yeteneklerinden yararlanılarak çıkarılabilir ve kullanılabilir. Ayrıca, standart BT sistemlerinde veri olarak işlenebildiği için depolanması ve seçilmesi de kolaydır.
Üstelik, doğal dilde metinleştirilmiş bilgiyi insanların ve diğer LLM'lerin kontrol etmesi, anlaması ve bazı durumlarda içeriğini düzenlemesi de kolaydır.
Diğer yapay öğrenme zeka sistemleriyle paylaşılabilir, birleştirilebilir veya bölünebilir.
Bu nedenlerden dolayı, ALIS konseptindeki edinilmiş bilgi, başlangıçta doğal dilde metinleştirilmiş bilgiyi hedef alacak şekilde tasarlanacaktır.
Edinilmiş Durum Belleği ve Çerçeveler
Edinilmiş bilginin formatı olarak doğal dil metnini seçmenin avantajlarını açıkladık.
Benzer şekilde, doğal dil metni, durum belleği ve çıkarım için çerçeveler olarak da kullanılabilir.
Kavramsal yapılar olan çerçeveler, doğal dilde metinleştirilmiş bilgi olarak bilgi deposunda saklanabilir ve kullanılabilir.
Bir çerçeve tarafından tanımlanan yapıya dayalı olarak durumları başlatırken veya güncellerken bile, metin formatlı durum belleği kullanılabilir.
ALIS, yalnızca edinilmiş bilgiyi değil, aynı zamanda çerçeveleri ve durum belleğini de metin formatında tasarlayarak, genel olarak edinilmiş öğrenme ve çıkarım için LLM'lerin doğal dil işleme yeteneklerinden yararlanabilir.
Biçimsel Bilgi
Edinilmiş bilgi, çerçeveler ve durum belleği yalnızca doğal dil metniyle değil, aynı zamanda daha katı biçimsel diller veya biçimsel modellerle de ifade edilebilir.
"Seç" diye yazmış olsam da, ALIS için amaç, doğuştan gelen ve edinilmiş öğrenmenin hibrit kullanımını sağlamak üzere birden fazla farklı edinilmiş bilgi öğrenme mekanizmasını dahil etmektir.
Biçimsel diller veya biçimsel modellerle temsil edilen bilgi, daha kesin ve belirsizlikten arındırılmış hale getirilebilir.
Ayrıca, bir çerçeve biçimsel bir dil veya model kullanılarak ifade edilirse ve durum belleğinde bir başlangıç durumu açılırsa, o zaman bir LLM yerine biçimsel modelleri işleyebilen akıllı bir işlemci tarafından katı bir modelle bir simülasyon veya mantıksal geliştirme gerçekleştirilebilir.
Bu tür biçimsel diller veya biçimsel modellerin başlıca örneği programlama dilleridir.
Sistem dünyayı öğrendikçe, orada bulunan yasaları ve kavramları bir çerçevede bir program olarak ifade edebilirse, bunları bir bilgisayarda simüle edebilir.
Kolon 1: Bilgi Çeşitleri
Bir yapay öğrenme zeka sistemi içindeki bilgiyi düzenlerken, bunun üç ana bilgi sistemine ve iki durum tipine ayrılabileceği açıkça görülür.
Üç bilgi sistemi şunlardır: sinir ağları tarafından işlenen ağ parametre bilgisi; doğal dilde ifade edilen doğal bilgi; ve biçimsel dillerde ifade edilen biçimsel bilgi.
İki durum tipi ise durumsuz ve durumlu olandır.
Durumsuz ağ parametre bilgisi, derin öğrenme yapay zekasında bulunan sezgisel bilgi gibidir. Kedilerin ve köpeklerin açıkça düşünülemeyen veya sözel olarak tanımlanamayan özellikleri, durumsuz ağ parametre bilgisi olarak öğrenilebilir.
Durumlu ağ parametre bilgisi, üretken yapay zekada olduğu gibi belirsiz, yinelemeli süreçler aracılığıyla ortaya çıkan bilgidir.
Durumsuz doğal bilgi, tek tek kelimelere bağlı anlamlar gibi bilgidir.
Durumlu doğal bilgi, cümleler içindeki bağlamı içeren bilgidir.
Bazı doğal bilgiler, durumlu ağ parametre bilgisine doğuştan dahil olsa da, doğal dil metninden edinilebilecek bilgiler de vardır.
Durumsuz biçimsel bilgi, yineleme olmaksızın matematiksel formüllerle ifade edilebilen bilgidir. Durumlu biçimsel bilgi ise bir program olarak ifade edilebilen bilgidir.
Doğal bilgi ve biçimsel bilgi için durum belleği olarak kendi kısa süreli belleğini de kullanabilir.
Ancak, kısa süreli bellek olduğu için bir durumu kararlı bir şekilde sürdürmekte zorluk yaşama sorunu vardır. Ayrıca, biçimselleştirilmiş, belirsizlikten arındırılmış durumları tutmada da başarılı değildir.
Öte yandan, doğal dil metnini, biçimsel dilleri veya biçimsel modelleri yazmak veya düzenlemek için kağıt, bilgisayar ve akıllı telefonlar durum belleği olarak kullanılabilir.
Genellikle, kağıt veya bilgisayardaki veriler, bilgiyi ezberlemek için bir bilgi deposu olarak algılansa da, düşünceleri düzenlemek için durum belleği olarak da kullanılabilir.
Böylece, insanların bu üç bilgi sistemini ve iki durum tipini tam olarak kullanarak entelektüel faaliyetler yürüttüğü açıktır.
ALIS de, bu aynı üç bilgi sisteminden ve iki durum tipinden yararlanan entelektüel faaliyetleri mümkün kılarak ve güçlendirerek yeteneklerini dramatik bir şekilde artırma potansiyeline sahiptir.
Özellikle ALIS, geniş bilgi depoları ve durum belleği kullanabilme gücüne sahiptir. Ayrıca, her birinden birçok tane hazırlayarak ve bunları değiştirerek veya birleştirerek entelektüel görevleri kolayca yerine getirebilir.
Kolon 2: Akıllı Orkestrasyon
Bir bilgi deposunda geniş miktarda bilgi biriktirme avantajı olsa da, üretken yapay zekanın aynı anda işleyebileceği belirteç sayısındaki sınırlamalar ve alakasız bilginin oluşturduğu gürültü nedeniyle bilginin niceliği, entelektüel faaliyette basitçe bir avantaja dönüşmez.
Tersine, bilgi deposunu uygun şekilde bölerek ve her biri belirli bir entelektüel görev için gerekli bilgiyi içeren yüksek yoğunluklu uzmanlaşmış bilgi depolarına dönüştürerek, belirteç limitleri ve gürültü sorunları hafifletilebilir.
Karşılığında, her bir uzmanlaşmış bilgi deposu yalnızca belirlenen entelektüel görevi için kullanılabilir hale gelir.
Birçok entelektüel faaliyet, çeşitli entelektüel görevlerin karmaşık bileşimlerinden oluşur. Bu nedenle, bilgiyi entelektüel görev türüne göre uzmanlaşmış bilgi depolarına ayırarak ve entelektüel faaliyeti bireysel görevlere bölerek, ALIS bu uzmanlaşmış bilgi depoları arasında uygun şekilde geçiş yaparak tüm entelektüel faaliyeti yürütebilir.
Bu, farklı enstrümanları çalan profesyonel müzisyenlerden ve topluluğu yöneten bir şeften oluşan bir orkestraya benzer.
Bu sistem teknolojisi, akıllı orkestrasyon aracılığıyla ALIS, entelektüel faaliyetlerini organize edebilecektir.
ALIS Temel Tasarımı ve Geliştirme Yöntemi
Buradan itibaren ALIS'in geliştirilmesini düzenleyeceğiz.
İlkelerde ve kolonlarda daha önce tartışıldığı gibi, ALIS işlevlerinin ve kaynaklarının kolayca genişletilebilmesi için doğal olarak tasarlanmıştır. Bunun nedeni, ALIS'in özünün belirli işlevlerde değil, bilgi çıkarımı, depolanması, seçilmesi ve kullanılması süreçlerinde yatmasıdır.
Örneğin, birden fazla bilgi çıkarım mekanizması türü sağlanabilir ve sistem tasarımı, bunlar arasından seçim yapma veya bunları eş zamanlı olarak kullanma konusunda serbest seçim imkanı sunar.
Ayrıca, ALIS'in kendisinin bu seçimi yapması da sağlanabilir.
Benzer şekilde, depolama, seçme ve kullanma da 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 tanıdık bir sohbet yapay zekası olacak. Başlangıçta, kullanıcı girdisi doğrudan LLM'ye iletilir. LLM'nin yanıtı kullanıcı arayüzünde görüntülenir ve sistem bir sonraki kullanıcı girdisini bekler.
Bir sonraki girdi alındığında, LLM'ye sadece yeni girdi değil, aynı zamanda kullanıcı ile LLM arasındaki tüm sohbet geçmişi de sağlanır.
Bu sohbet yapay zekasının kullanıcı arayüzünün arkasında, sohbet geçmişinden yeniden kullanılabilir bilgiyi çıkarmak için bir mekanizma hazırlanmıştır.
Bu mekanizma, bir sohbet sona erdiğinde veya düzenli aralıklarla çalışan bir süreç olarak sohbet yapay zekası sistemine eklenebilir. Tabii ki, bilgi çıkarımı için bir LLM kullanılır.
Bu LLM'ye, ALIS konsepti ve ilkeleri ile bilgi çıkarım know-how'ı bir sistem komutu olarak verilir. Bilgi istenildiği gibi çıkarılmazsa, sistem komutu deneme yanılma yoluyla iyileştirilmelidir.
Sohbet geçmişinden çıkarılan bilgi doğrudan bir bilgi gölüne depolanır. Bilgi gölü, bilgiyi yapılandırılmadan önce düz bir durumda saklamak için basit bir mekanizmadır.
Daha sonra, bilgi gölünden bilgi seçmeyi kolaylaştırmak için bir yapılandırma mekanizması hazırlanır.
Bu, tipik RAG'de kullanılan anlamsal arama için bir gömme vektör deposu ve anahtar kelime indeksleri sağlamayı içerir.
Diğer olasılıklar arasında daha gelişmiş bilgi grafikleri oluşturma veya kategori sınıflandırması yapma bulunur.
Bilgi gölü için bu yapılandırılmış bilgi koleksiyonuna bir bilgi tabanı diyeceğiz. Bu bilgi tabanı ve bilgi gölünün tamamı bilgi deposunu oluşturacaktır.
Ardından, bilgi deposu sohbet kullanıcı arayüzünün işlemine entegre edilir.
Bu temelde genel bir RAG mekanizmasıyla aynıdır. Kullanıcı girdisi için, bilgi deposundan ilgili bilgi seçilir ve kullanıcı girdisiyle birlikte LLM'ye iletilir.
Bu, LLM'nin kullanıcı girdisini işlerken bilgiyi otomatik olarak kullanmasını sağlar.
Bu şekilde, kullanıcıyla yapılan her görüşmeyle bilgi artar ve geçmiş sohbetlerden birikmiş bilgiyi kullanan basit bir ALIS mümkün olur.
Basit Senaryo
Örneğin, bir kullanıcının bu basit ALIS'i kullanarak bir web uygulaması geliştirdiği bir senaryo düşünün.
Kullanıcı, LLM tarafından önerilen kodun bir hataya yol açtığını bildirecektir. Ardından, kullanıcı ve LLM sorunu gidermek için işbirliği yapacaktır. Diyelim ki, LLM'nin bildiği harici API spesifikasyonunun eski olduğunu ve en son API spesifikasyonuna uyum sağlamanın sorunu çözdüğünü keşfettiler.
Bu durumda, LLM'nin API spesifikasyonunun eski olduğuna ve en son API spesifikasyonunun ne olduğuna dair bilgi, bu sohbet akışından bilgi deposunda biriktirilebilir.
Daha sonra, aynı API'yi kullanan bir program oluşturulurken, ALIS bu bilgiyi kullanarak en son API spesifikasyonuna dayalı bir programı baştan itibaren üretebilecektir.
Başlangıçtaki ALIS'i İyileştirme
Ancak bunun gerçekleşmesi için, bu bilginin kullanıcı girdisine yanıt olarak seçilmesi gerekir. Sorunlu API'nin adının ilk kullanıcı girdisinde geçmeme ihtimali yüksek olduğundan, bu bilginin doğrudan kullanıcı girdisiyle bağlantılı olmaması mümkündür.
Böyle bir durumda, API adı ilk kez LLM'nin yanıtında ortaya çıkacaktır.
Bu nedenle, basit ALIS'i, ön kontrol yorumları ve son kontrol yorumları için bir mekanizma ekleyerek biraz genişleteceğiz.
Ön kontrol yorumları, LLM'lerdeki son "düşünce modu"na benzer. Durum belleği olarak metin tutabilen bir bellek hazırlarız ve bir sistem komutu aracılığıyla LLM'ye kullanıcı girdisi aldığında ön kontrol yorumları yapmasını talimat veririz.
LLM'nin ön kontrol yorumu sonucu daha sonra durum belleğine yerleştirilir ve bu sonuca dayanarak bilgi deposundan bilgi seçilir.
Ardından, sohbet geçmişi, ön kontrol yorumu sonucu, kullanıcı girdisine karşılık gelen bilgi ve ön kontrol yorumu sonucuna karşılık gelen bilgi, LLM'ye çıktısını almak üzere iletilir.
Ayrıca, LLM tarafından döndürülen sonuç için bilgi deposunda bilgi aranır. Orada bulunan herhangi bir bilgi dahil edilerek, LLM'den bir son kontrol yapması istenir.
Herhangi bir sorun bulunursa, sorun noktaları ve gerekçeleri ile birlikte sohbet LLM'sine geri iletilir.
Hem ön kontrol yorumları hem de son kontrol yorumları sırasında bilgi seçme fırsatları sağlayarak, birikmiş bilgiyi kullanma şansını artırabiliriz.
Geleceğe Bakış
Başlangıçtaki ALIS'i oluşturma ve zayıf yönlerini gidermek için iyileştirmeler ekleme süreci tam olarak çevik geliştirmedir ve ALIS'in artırımsal olarak geliştirilebileceğini göstermektedir.
Ayrıca, örnekte görüldüğü gibi, ilk ALIS yazılım geliştirmede kullanım için en uygundur. Bunun nedeni, yüksek talep gören bir alan olması ve bilginin açıkça biriktirilebileceği bir alan olmasıdır.
Sonuçların açık olduğu, ancak deneme yanılma yoluyla, yinelemeli bilgi birikiminden önemli ölçüde yararlanan ve bunu gerektiren bir alandır.
Ek olarak, ALIS geliştirmesinin kendisi bir yazılım geliştirme olduğundan, ALIS geliştiricilerinin aynı zamanda ALIS kullanıcıları olabilmesi de çekici bir yönüdür.
Ayrıca, ALIS sistemiyle birlikte, bilgi gölü GitHub gibi platformlarda açıkça paylaşılabilir.
Bu, birçok kişinin ALIS sisteminin iyileştirilmesine ve bilgi birikimine katkıda bulunmasına olanak tanıyacak, herkes faydalarından yararlanacak ve ALIS geliştirmesini verimli bir şekilde daha da hızlandıracaktır.
Elbette, bilgi paylaşımı ALIS geliştiricileriyle sınırlı değildir; ALIS kullanan tüm yazılım geliştiricilerinden toplanabilir.
Bilginin doğal dil niteliği iki ek avantaj sunar.
İlk avantaj, LLM modelleri değişse veya güncellense bile bilginin hala kullanılabiliyor olmasıdır.
İkinci avantaj ise, büyük birikmiş bilgi gölünün LLM'ler için bir ön eğitim veri kümesi olarak kullanılabilmesidir. Bunu kullanmanın iki yolu vardır: ince ayar olarak veya LLM ön eğitiminin kendisi için.
Her durumda, bilgi gölünde biriken bilgiden doğuştan öğrenmiş bir LLM kullanılabilirse, yazılım geliştirme daha da verimli hale gelecektir.
Ayrıca, yazılım geliştirme, gereksinim analizi, tasarım, uygulama, test, işletme ve bakım gibi çeşitli süreçleri içerir. Her yazılım alanı ve platformu için uzmanlaşmış bilgi de mevcuttur. Bu perspektiflerden yığınlanmış bilginin büyük bir kısmını bölmek için bir mekanizma oluşturarak, bir ALIS orkestrası oluşturulabilir.
Böylece, ALIS için temel teknolojiler mevcut. Geriye kalan kritik adım, bilgi çıkarma know-how'ı, uygun bilgi seçimi, uzmanlaşmış bilgi segmentasyonu ve durum belleği kullanımı gibi çeşitli yöntemleri pratik olarak deneyerek etkili yaklaşımları keşfetmektir. Karmaşıklık arttıkça, işleme süresi ve LLM kullanım maliyetleri de artacak, bu da optimizasyonu gerektirecektir.
Bu deneme yanılma süreçleri ve optimizasyonlar, çerçevelerin geliştirilmesi ve iyileştirilmesi yoluyla öğrenme odaklı bir şekilde ilerletilebilir.
Başlangıçta, geliştiriciler, kullanıcılar olarak, çerçeveleri deneme yanılma yoluyla ALIS'e entegre edecektir. Ancak o zaman bile, LLM'nin kendisi çerçeve fikirleri üretmekle görevlendirilebilir.
Daha sonra, dünyadan alınan sonuçlara ve çıkarılan bilgilere dayanarak, çerçeveleri iyileştirmek ve keşfetmek için bir çerçeve ALIS'e dahil edilerek, ALIS'in kendisi deneme yanılma ve optimizasyonu öğrenme odaklı bir şekilde gerçekleştirecektir.
ALIS Gerçek Dünyada
ALIS bu aşamaya kadar geliştirildiğinde, yalnızca yazılım geliştirme dünyasıyla sınırlı kalmayıp, çok çeşitli alanlarda bilgi edinebilir hale gelmelidir.
Yazılım geliştirmeye benzer şekilde, ALIS'in uygulama alanı, insanların bilgisayarları kullanarak gerçekleştirdiği çeşitli entelektüel faaliyetlere genişlemesi beklenmektedir.
Bu tür saf entelektüel faaliyetlerde bile, ALIS hedef dünyasıyla ilişkili olarak vücut bulmuş bir yapay zekaya benzer bir niteliğe sahip olacaktır.
Bunun nedeni, kendisi ile dünya arasındaki sınırı tanıması, bu sınır aracılığıyla dünyaya etki etmesi ve dünyadan alınan bilgiyi algılayabilmesidir.
Dünya ile olan bu sınır fiziksel olarak görülebilir ve tek bir yerde yerelleşmiş olduğunda, buna genellikle beden deriz.
Ancak, sınır görünmez ve uzamsal olarak dağılmış olsa bile, bir sınır aracılığıyla algılama ve eylem yapısı, fiziksel bir bedene sahip olma durumuyla aynı kalır.
Bu anlamda, entelektüel faaliyetler yürüten bir ALIS'in sanal olarak vücut bulmuş bir yapay zekanın özelliklerini taşıdığı düşünülebilir.
Ve eğer ALIS, yeni, bilinmeyen dünyalarda bile uygun şekilde öğrenebileceği bir aşamaya kadar geliştirilirse, ALIS'in gerçek bir fiziksel bedene sahip olan gerçek bir vücut bulmuş yapay zekanın bir parçası olarak dahil edilmesi olasılığı vardır.
Bu şekilde, ALIS sonunda gerçek dünyaya uygulanacak ve ondan öğrenmeye başlayacaktır.