Robotlar ve otonom araçlar için geliştirilen yapay zekâ, görmeyi dile veya eylemlere bağlayan modellerden, davranışın kendisini modellemeye çalışan mimarilere doğru dönüşüm geçiriyor. Bu eğilim, «Büyük Davranış Modeli» (Large Behavior Model) veya LBM olarak adlandırılıyor. MONOist, bunun otonom sürüş sistemleri ve robotların geliştirilmesinde önemli bir odak hâline gelebileceğini düşünüyor.
LBM, mevcut bir modele sınırlı bir yetenek eklemekten ibaret değil; sistemin değişken bir fiziksel ortamda nasıl davranmayı öğrendiği konusunda yeniden düşünmeyi gerektiriyor. Model, yalnızca metinleri veya görüntüleri analiz etmek ya da kod üretmek yerine, hareketle ve gerçek dünyayla etkileşimle doğrudan bağlantılı davranışlar üretmeyi hedefliyor.
Uçtan uca modellerden davranış modellemeye
Otonom sürüş araştırmaları uzun süre «uçtan uca» (End-to-End) yaklaşımına dayandı. Bu yaklaşımda bir sinir ağı, kameralar ve LiDAR gibi sensörlerden gelen verileri alıyor; ardından aracı sürmek veya yönlendirmek için çıktı üretmek üzere bunları analiz, planlama ve kontrol aşamalarından geçiriyor.
Bu yaklaşım, sisteme verilerden bütünleşik biçimde öğrenme olanağı sağlıyor; ancak kararlarını açıklama ve nadir ya da değişken durumlarla başa çıkma konusunda zorluklarla karşılaşıyor. Makaleye göre LBM, gelecekteki duruma ilişkin tahminleri, ortamdaki değişikliklerin anlaşılmasını ve farklı koşullarda en uygun eylemin seçilmesini kapsayan daha geniş temsilleri öğrenerek bu açığı kapatmaya çalışıyor.
Bu yaklaşım, büyük dil modelleri (LLM) ve görüntü üretim modelleri gibi bilinen üretken yapay zekâ modellerinden farklı olduğu gibi, GitHub Copilot ve Claude Code gibi programlamada kullanılan yapay zekâ modellerinden de farklı. LBM’de temel çıktılar metin, görüntü veya kod değil; fiziksel dünyada uygulanabilir bir davranış.
Kavramın robotik araştırmalarındaki başlangıcı
Makale, Toyota Research Institute’ın (TRI) kavramı robotik alanında sistematik biçimde ortaya koyan ilk kuruluşlardan biri olduğunu belirtiyor. TRI, 2025 yılında Boston Dynamics ile ortak bir araştırma yaptığını duyurdu ve «Pretrained Large Behavior Models Accelerate Robot Learning» başlıklı bir araştırma makalesi sundu.
MONOist, Massachusetts Teknoloji Enstitüsü’nden Russ Tedrake’in LBM’yi robot davranışına ilişkin kapsamlı bir model olarak tanımladığını ve bunu «görme, dil ve eylem» veya VLA modellerini içerebilen genel bir kavram olarak değerlendirdiğini aktarıyor. Bu, LBM’nin önceki modelleri zorunlu olarak ortadan kaldırmadığı; aksine onları kapsayan ve anlayışı davranışa dönüştürmeye odaklanan daha geniş bir çerçeve olarak işlev görebileceği anlamına geliyor.
XPeng kavramı araçlara taşıyor
Bir diğer uygulama, faaliyetlerini otomobillerden robotlara ve otonom sürüşe genişleten Çinli XPeng şirketinde görülüyor. Şirket 2024 yılında algılamayı ve aracın doğrudan kontrolünü birbirine bağlayan bir VLA modeli duyurmuştu; ancak yalnızca VLA modelinin tüm otonom sürüş koşullarıyla başa çıkmak için yeterli esnekliği sağlamadığı sonucuna vardı.
XPeng, 24 Nisan 2026’da Auto China 2026 sırasında, LBM’nin sürüş sistemine dâhil edilmesini yansıttığını belirttiği VLA 2.0 otonom sürüş sisteminin seri üretimine başlandığını duyurdu. Şirket daha sonra 3 Haziran 2026’da CVPR 2026 konferansı sırasında VLA 2.0’ın ve makaleye göre LBM mimarisinin bileşenlerinden biri olan «Dünya Modeli»nin (World Model) geliştirilmesi ve kullanımına ilişkin araştırmalar sundu.
Dünya modeli, çevreyi simüle etmek ve çevrenin nasıl değiştiğini anlamak için kullanılıyor. Bu da sistemin eylemleri gerçekleştirmeden önce olası sonuçlarını değerlendirmesine olanak tanıyor. LBM kuramında bu yetenek, tek bir sensör sinyaline veya münferit bir duruma doğrudan tepki vermek yerine en uygun davranışın seçilmesine yardımcı oluyor.
Bu haber neden önemli?
Buradaki asıl değişim, bağımsız bir ürünün piyasaya sürülmesinden çok robotik ve otonom sürüş sistemlerinin mimari düşünce katmanındaki geçiş. LBM modelleri başarılı olursa kontrol sistemleri, her durum için ayrı kurallara daha az bağımlı hâle gelebilir ve öğrendiklerini yeni durumlara daha iyi genelleyebilir.
Ancak makale, LBM’nin olgun bir standart hâline geldiğini veya VLA ya da uçtan uca modellerden fiilen üstün olduğunu kanıtlamıyor. Kavram hâlâ araştırma programları ve erken dönem uygulamalarla bağlantılı. Ayrıca fiziksel dünyada güvenli ve açıklanabilir davranışın işletilmesi, yalnızca metin veya görüntü üreten modellerde görülmeyen gereksinimler doğuruyor. Bu nedenle açık sorular; bu modellerin kararlarını doğrulama, beklenmedik durumlarla başa çıkma ve geniş ölçekli ticari kullanım için yeterli güvenilirliğe ulaşma becerisiyle ilgili olmaya devam ediyor.
Toyota Research Institute ve XPeng’in katılımı, rekabetin yalnızca modelin boyutuyla değil; davranış verileri, dünya simülasyonu ve modelin gerçek kontrol sistemleriyle bağlanmasıyla da ilgili olduğunu gösteriyor. Bu da LBM’yi robotlar ve otonom araçlarda izlenmeye değer bir eğilim hâline getiriyor; ancak şu aşamada onu soruna yönelik nihai bir çözüm olarak değerlendirmemek gerekiyor.