Yapay zeka sadece bir teknoloji değil, aynı zamanda bir hayal, bir felsefe ve insanlığın kendi zihnini anlama yolculuğunun bir yansımasıdır. Bugüne gelene kadar nereden başlanıp hangi aşamalardan geçildiğinin bilinmesi, bundan sonrasında bizi bekleyenlere hazırlık yapmak için çok önemlidir.

Giriş: İnsan Zihnini Anlama Arayışı

Pek çoğumuz yapay zekâyı 2022’de ChatGPT’nin kullanıma açılmasıyla yakından tanıdık. Oysa alanın geçmişi 80 yılı aşıyor. 1958’de geliştirilen öğrenebilen sinir ağı modeli Perceptron ile 1966’da insanlarla bir psikolog gibi sohbet eden ELIZA, bu geçmişin erken örnekleri.

Yapay zekâ üzerine düşünmek, insanın kendi bilincini ve zekâsını anlama, hatta benzerini yapma isteğine kadar uzanıyor. Antik zanaatkârların otomatlarından Orta Çağ simyacılarının çalışmalarına, Aydınlanma filozoflarının mantık üzerine fikirlerinden günümüzün büyük sinir ağlarına kadar bu arayışın izini sürebiliriz.

Bu makalede yapay zekâ fikrinin nasıl doğduğunu, hangi başarıların araştırmacılara cesaret verdiğini ve alanın neden birkaç kez durakladığını inceleyeceğiz. Her dönemde öne çıkan kişilere, fikirlere ve gelişmelere de bakacağız.

Bölüm 1: Eski Çağlar

El-Cezeri’nin (1136-1206) Filleri ve Müzisyenleri: 12. yüzyılda Artuklu Sarayı’nda yaşayan El-Cezeri, "Kitab-ül Hiyel" adlı eserinde otomatlarını anlattı. Filli su saati ve bir teknede müzik çalan robot grubu, su gücüyle çalışan kam milleri ve mandallar sayesinde belirli hareketleri sırasıyla gerçekleştiriyordu. Bu düzenekler, programlanabilir ve eğlence amaçlı otomat fikrinin erken örnekleriydi; El-Cezeri de sibernetiğin öncülerinden sayılır.

Leibniz (1646-1716), insan bilgisini ifade edebilecek evrensel bir sembolik dil ve bu dildeki anlaşmazlıkları mekanik olarak çözebilecek bir "hesap makinesi" (calculus ratiocinator) tasarladı. Bu düşünce, sembolik mantık ve modern hesaplama için erken bir vizyondu; sembolik yapay zekânın felsefi kökleri arasında da yer alır. Hobbes’un şu sözü dönemin yaklaşımını yansıtır:

"

"Akıl yürütme... toplama ve çıkarmadan başka bir şey değildir."

Hobbes

Bölüm 2: Fikrin Makineye Dönüşü ve Doğum (1941–1956)

İkinci Dünya Savaşı sırasında nörobilim, matematik ve mühendislikte yaşanan gelişmeler, "elektronik bir beyin" kurma fikrini araştırılabilir bir hedefe yaklaştırdı.

Beynin Elektriksel Modeli: McCulloch-Pitts Nöronu (1943)

Nörofizyolog Warren McCulloch ile mantıkçı Walter Pitts, beynin işleyişini basitleştirilmiş bir modelle açıklamayı önerdi. Modellerinde:

1. Bir nöron, basit bir ikili anahtar gibidir: ya "ateşler" (1) ya da "ateşlemez" (0). Arası yoktur.
2. Bir nöron, ancak kendisine bağlı diğer nöronlardan belirli bir eşiği aşan sayıda sinyal aldığında ateşler.
3. Bu basit nöronları ağlar halinde birbirine bağlayarak AND, OR, NOT gibi temel mantıksal işlemleri gerçekleştirmek mümkündür.

Bu çalışma, beynin bazı işlevlerinin matematiksel mantıkla modellenebileceğini gösteren erken ve somut bir örnekti. Bugünkü derin sinir ağlarının kökeninde de nöronları bir ağ içinde ele alma fikri var.

Alan Turing: Büyük Öncü (1912-1954)

Alan Turing, hesaplamanın sınırlarını ve makinelerin zekâsını tartışırken başvurulan iki önemli fikir ortaya koydu:

• Turing Makinesi (1936): Herhangi bir algoritmanın çalışmasını taklit edebilen teorik bir makine. Bu, hesaplanabilirliğin evrensel sınırlarını çizdi.
• "Hesaplama Makineleri ve Zekâ" Makalesi (1950): Turing, "Makineler düşünebilir mi?" sorusunun tanımlanmasındaki güçlükten yola çıkarak bir sorgulama oyunu önerdi. Daha sonra "Turing testi" diye anılan bu yaklaşım, bir makinenin sohbet sırasında insan gibi davranıp davranamadığına bakıyordu. Böylece makinelerin düşünmesi hakkındaki tartışmaya davranış üzerinden incelenebilecek bir ölçüt ekledi.

Dartmouth Çalıştayı (1956): Bir Devrin Başlangıcı

1956’daki Dartmouth çalıştayında araştırmacılar alanın adını ve hedeflerini tartıştı.

• Organizatörler: John McCarthy, Marvin Minsky, Nathaniel Rochester (IBM) ve Claude Shannon ("Enformasyon Teorisinin Babası").
• Alanının Adı: John McCarthy, çalışmayı sibernetik ve otomat teorisi gibi alanlardan ayırmak için "Yapay Zekâ" (Artificial Intelligence) terimini önerdi. Amaç, insan zekâsına yaklaşan sistemler geliştirecek ayrı bir araştırma alanı kurmaktı.
• Logic Theorist: Newell ve Simon, çalıştayda programlarının bir teoremi nasıl kanıtladığını gösterdiler. Katılımcılar, bir makinenin semboller üzerinde işlem yaparak matematiksel akıl yürütmeye benzeyen bir sonuca ulaşabildiğini gördü. Bu gösterim, sembolik yapay zekâ araştırmalarının sonraki yirmi yılına yön verdi.

Bölüm 3: Altın Çağ ve Sarsıcı Başarılar (1956–1974)

Dartmouth’un ardından gelen başarılar, araştırmacıların insan zekâsını kısa sürede açıklayabileceklerine dair iyimserliğini artırdı.

"

"On yıl içinde bir dijital bilgisayar dünya satranç şampiyonu olacak."

Allen Newell ve Herbert A. Simon, 1958

Sembolik Yapay Zekânın İlk Başarıları

• General Problem Solver (GPS): Newell ve Simon’ın bu programı, belirli bir hedefe ulaşmak için adımları planlayan "amaç-araç analizi" (means-ends analysis) tekniğini kullanıyordu. İnsanların problem çözerken izlediği düşünce sürecini modellemeye çalışıyordu.
• SAINT ve STUDENT: Bu programlar sembolik matematik ve doğal dil üzerinde çalışıyordu. Daniel Bobrow’un STUDENT programı, lise düzeyindeki cebir problemlerini metin olarak alıp denklemlere çeviriyor ve çözüyordu.

"

"Makineler, yirmi yıl içinde bir insanın yapabileceği her işi yapabilecek kapasiteye ulaşacak."

Herbert A. Simon, 1965

ELIZA (Joseph Weizenbaum, 1966) ve İnsan Faktörü

ELIZA’nın kullandığı yöntem basitti: Şablon eşleştirme (pattern matching). "Annemden nefret ediyorum" diyen birine, önceden yazılmış "Anneniz hakkında daha fazla bir şeyler anlatın" gibi bir yanıt verebiliyordu. Bu basit etkileşim, insanların programa yüklediği anlam nedeniyle ayrıca dikkat çekti.

• Weizenbaum’ın Şaşkınlığı: ELIZA’nın yaratıcısı Joseph Weizenbaum, insanların programla kişisel bir bağ kurmasına şaşırdı. Kendi sekreteri bile onunla özel konuşmak için Weizenbaum’dan odadan çıkmasını istemişti. Weizenbaum daha sonra yapay zekânın etik sınırları ve insan yaşamını değersizleştirme riski üzerine sert eleştiriler yazdı.
• ELIZA Etkisi: İnsanların bilgisayar davranışlarına niyet ve duygu atfetme eğilimi bu adla anılır. Günümüzdeki sohbet robotlarıyla ilişkimizde de bu eğilimi görebiliriz.

"

"Nispeten basit bir bilgisayar programına maruz kalmanın, oldukça normal insanlarda bile güçlü sanrısal düşünceleri tetikleyebileceğini fark etmemiştim."

Joseph Weizenbaum, 1966

Yapay Sinir Ağlarının İlk Adımları ve Ani Duruş

Aynı yıllarda sembolik yöntemlerin yanında sinir ağları üzerine de çalışılıyordu:

• Perceptron (Frank Rosenblatt, 1958): Öğrenebilen ilk pratik sinir ağı modeliydi. Harfler gibi basit desenleri tanımayı öğrenebiliyordu. Rosenblatt, Perceptron’un sonunda bilinç kazanabileceğini de öngörüyordu.
• Perceptrons Kitabı (Minsky & Papert, 1969): Marvin Minsky ve Seymour Papert, tek katmanlı Perceptron’ların XOR (dışlayıcı veya) gibi doğrusal olarak ayrılamayan problemleri çözemediğini gösterdi. Kitabın ardından sinir ağlarına ayrılan fonlar büyük ölçüde azaldı ve araştırmalar on yılı aşkın süre yavaşladı.

"

"Üç ila sekiz yıl içinde, ortalama bir insanın genel zekasına sahip bir makinemiz olacak."

Marvin Minsky, 1970

SHRDLU (Terry Winograd, 1972)

SHRDLU, komutları anlamanın yanı sıra bazı belirsizlikleri de açıklığa kavuşturabiliyordu. "Yeşil küpün üzerindeki piramidi kaldır" dendiğinde yeşil küpün üzerinde birden fazla piramit varsa "Hangi piramidi kastediyorsun?" diye sorabiliyordu. Dil, algı ve eylemi sınırlı bir "mikro-dünya" içinde birleştiren yaklaşımın güçlü bir örneğiydi.

Bölüm 4: İlk Kışın Soğuk Rüzgarları (1974–1980)

Araştırmacıların beklentileri büyüktü, fakat o dönemin yöntemleri ve donanımı gerçek dünya problemleri karşısında yetersiz kalıyordu. Bu sınırlar, yapay zekâ çalışmalarına duyulan güveni de etkiledi.

Aşılamayan Dört Büyük Duvar

1. Hesaplama Sınırları: Yapay zekâ programları küçük, denetimli örneklerden gerçek dünya problemlerine geçtiğinde olası durumların sayısı hızla artıyordu. Satrançtaki olası oyunların sayısı, evrendeki atomların sayısından bile fazladır. O dönemin donanımı böyle bir aramayı yönetemiyordu.
2. Sağduyu Bilgisi Engeli: SHRDLU, kuralları ve nesneleri önceden belirlenmiş bir "mikro-dünyada" çalışıyordu. Gerçek bir sohbeti anlamak ise "insanlar ıslanmaktan hoşlanmaz" veya "bir araba bir insandan büyüktür" gibi çok sayıda örtük bilgi gerektirir. Bu bilgileri düzenleyip makineye aktarmak güçtü; sağduyu bilgisi bugün de araştırma konusu.
3. Moravec Paradoksu ve Bedenin Önemi: Hans Moravec, satranç ve matematik gibi yüksek düzeyli akıl yürütme görevleriyle algı ve hareket becerileri arasındaki şaşırtıcı farkı vurguladı. Bir bebeğin yapabildiği top yakalama veya yüz tanıma gibi işler, makineler için yoğun hesaplama gerektiriyordu. Kolay görünen bu becerilerin modellenmesi beklenenden zordu.
4. Felsefi Eleştiriler:
   • Hubert Dreyfus: Dreyfus, insan zekâsının yalnızca sembolik bilgi işlemeye dayanmadığını; bedensel, sezgisel ve bilinçdışı bir "know-how" da içerdiğini savundu. Araştırmacılar arasında pek kabul görmeyen bu eleştiriler, algı ve hareketin önemine dikkat çekiyordu.
   • Çin Odası Argümanı (John Searle, 1980): Searle, sembolleri kurallara göre işlemenin onları anlamakla aynı şey olup olmadığını sorgulayan bir düşünce deneyi kurdu. Odadaki kişi, Çince bilmeden verilen kurallarla Çince karakterlere yanıt üretebiliyordu. Bu örnek, sembolik yapay zekânın "anlam" (semantics) ile değil "sözdizimi" (syntax) ile çalıştığı yönündeki eleştirisini anlatıyordu.

Finansal Çöküş

Bu teorik ve pratik sorunların ardından araştırmalara ayrılan kaynaklar azaldı.

• Lighthill Raporu (İngiltere): James Lighthill, yapay zekâ çalışmalarını büyük hedeflere ulaşamamaları ve olası durum sayısının hızla artması anlamına gelen "kombinatoryal patlama" nedeniyle eleştirdi. Raporun ardından İngiltere’deki genel yapay zekâ araştırmalarına verilen destek büyük ölçüde kesildi.
• Mansfield Değişikliği ve DARPA (ABD): Vietnam Savaşı’nın etkisiyle ABD’de savunma araştırmalarının doğrudan askerî uygulamalara yönelmesi istendi. DARPA da keşif amaçlı temel yapay zekâ araştırmalarına desteğini azaltıp fonlarını otonom tanklar gibi somut projelere kaydırdı.

Bu dönemde beklentilerle elde edilen sonuçlar arasındaki fark, yapay zekâ araştırmalarına duyulan güveni sarstı.

Bölüm 5: Uzman Sistemler ve Yeni Bir Bahar (1980–1987)

Fon kesintilerinin ardından araştırmacılar daha dar ve uygulanabilir hedeflere yöneldi. Her alanda bilgi sahibi bir makine geliştirmek yerine, belirli bir konuda insan uzmanların bilgisini kullanan sistemler tasarladılar. Uzman sistemlerin ticari kullanımı, yapay zekâya yeniden yatırım çekti.

Uzman Sistem Mimarisi: Bilgi ve Çıkarım

Uzman sistemler, genel sağduyu bilgisini kodlamak yerine sınırları belirli bir alana odaklanıyordu. İki temel parçaları vardı:

1. Bilgi Tabanı (Knowledge Base): Doktorların, kimyagerlerin veya mühendislerin alan bilgisi, "bilgi mühendisliği" denen emek yoğun bir süreçle IF-THEN kurallarına çevrilirdi. MYCIN için böyle bir kural, örneğin, "EĞER hastanın ateşi yüksek VE kan kültürü gram-pozitif koklar gösteriyorsa, O HALDE stafilokok enfeksiyonu olasılığı %70’tir" biçiminde olabilirdi.
2. Çıkarım Motoru (Inference Engine): Kullanıcıdan gelen verileri, örneğin hastanın belirtilerini, bilgi tabanındaki kurallarla eşleştirip bir sonuç veya tavsiye üretirdi.

Uzman Sistemlerin Ticari Kullanımı

MYCIN: Stanford Üniversitesi’nde geliştirilen MYCIN, kan enfeksiyonları ve menenjit teşhisi koyabiliyordu. Yaklaşık 600 kuraldan oluşan bilgi tabanıyla yapılan testlerde, alanındaki insan uzmanlardan daha yüksek teşhis isabet oranı elde etti. Etik ve yasal sorumluluk sorunları nedeniyle hastanelerde kullanılmadı, fakat tıpta uzman düzeyinde sonuçlar üretebilen bir sistemin örneği oldu.

R1 (XCON): Digital Equipment Corporation (DEC) için geliştirilen R1, karmaşık VAX bilgisayar siparişlerini yapılandırıyordu. Yüzlerce parça ve kablonun uyumunu denetleyerek sipariş hatalarını ortadan kaldırdı. DEC’e yılda 40 milyon dolar tasarruf sağladığı bildirildi. Bu ticari sonuç, iş dünyasının yapay zekâya ilgisini artırdı.

Lisp Makineleri ve Uzman Sistem Pazarı

R1’in başarısının ardından DuPont, General Motors ve Boeing gibi şirketler kendi uzman sistem birimlerini kurmaya başladı. Uzman sistemler için donanım ve yazılım üreten şirketler de ortaya çıktı:

1. Donanım: Yapay zekâ araştırmalarında yaygın kullanılan LISP dilini çalıştırmak için özel bilgisayarlar üretildi. Symbolics ve Lisp Machines Inc. bu alanda faaliyet gösteriyordu. Bu makineler, dönemin genel amaçlı bilgisayarlarından daha pahalı ve güçlüydü.
2. Yazılım: Uzman sistemler geliştirmeyi kolaylaştıran "kabuklar" (shells) sunan IntelliCorp ve Aion gibi yazılım firmaları ortaya çıktı.

Uluslararası Rekabet: Beşinci Nesil Bilgisayar Projesi

Uzman sistemlere ilgi ABD’nin dışına da yayıldı. Japonya, 1981’de "Beşinci Nesil Bilgisayar Projesi"ni başlattı. Hedef, Prolog mantık programlama dilini ve büyük ölçekte paralel işlemeyi kullanan, doğal dilde sohbet edip karmaşık çıkarımlar yapabilen makineler geliştirmekti. Proje, ABD ve Avrupa’da teknolojik rekabet kaygısını artırdı; "Stratejik Hesaplama Girişimi (SCI)" gibi büyük fonlama programlarını da teşvik etti.

Bölüm 6: Sembollerin Sınırları ve İkinci Kış (1987–1993)

Uzman sistemlere duyulan ilgi azaldıkça vaatleriyle uygulamadaki sonuçları arasındaki fark görünür hâle geldi. Alan, ikinci kez ciddi fon ve pazar kaybı yaşadı.

Uzman Sistemlerin Kırılgan Doğası

Uzman sistemler dar ve iyi tanımlanmış alanlarda işe yarıyordu. Aynı özellik, beklenmedik durumlarla baş etmelerini zorlaştırıyordu:

• Öğrenemiyorlardı: Bilgi tabanları elle kodlanıyordu. Yeni bir bilgi veya kural eklemek, pahalı ve zaman alıcı bir "bilgi mühendisliği" süreci gerektiriyordu. Kendi kendilerine tecrübe kazanamıyorlardı.
• Esnek Değillerdi: Kurallarında karşılığı olmayan bir durumla karşılaşınca makul bir tahmin üretemeyip hatalı sonuçlar verebiliyorlardı. Sağduyu bilgileri de yoktu.
• Bilgi Edinme Darboğazı (Knowledge Acquisition Bottleneck): Bir uzmanın zihnindeki örtük ve sezgisel bilgiyi IF-ELSE kurallarına dökmek zordu. Bu güçlük, sistemleri büyütmeyi sınırlıyordu.

Pazarın Çöküşü: Lisp Makinelerinin Sonu (1987)

1980’lerin ortasında Sun Microsystems, Apple ve IBM’in genel amaçlı iş istasyonları ile kişisel bilgisayarları, Moore Yasası’nın da etkisiyle hızla güçlenip ucuzladı. Bu makineler, yapay zekâ için üretilmiş pahalı Lisp bilgisayarlarının yerini almaya başladı. Yarım milyon dolara ulaşan Lisp makinelerine talep azaldı; yaklaşık yarım milyar dolarlık pazar çöktü. Bu çöküş, ikinci yapay zekâ kışının belirgin olaylarından biriydi.

Sembolik Yöntemlerin Yanında Yeni Yaklaşımlar

Sembolik yöntemlerin sınırları belirginleşirken sinir ağları ve bedenlenmiş zekâ üzerine çalışan araştırmacılar farklı yollar deniyordu:

1. Sinir Ağlarının Yeniden Doğuşu: 1969’daki Perceptrons kitabının ardından yavaşlayan sinir ağı araştırmaları, iki gelişmeyle yeniden ivme kazandı:
   • Parallel Distributed Processing (1986): Rumelhart ve McClelland’ın editörlüğünü yaptığı iki ciltlik kitap, yeni araştırmacılar için sinir ağlarının kuramsal temellerini topladı.
   • Geri Yayılım (Backpropagation) Algoritmasının Popülerleşmesi: Daha önce geliştirilmiş olan geri yayılım, çok katmanlı sinir ağlarını eğitmek için etkili bir yöntem sundu. Tek katmanlı Perceptron’ların XOR gibi problemler karşısındaki sınırını bu ağlar aşabiliyordu.
2. Nouvelle AI ve Bedenlenmiş Zekâ (Embodied Intelligence): MIT’den Rodney Brooks, zekâyı yalnızca sembollerle akıl yürütme olarak ele alan yaklaşıma karşı çıktı. Algı ve hareket becerilerinin de en az akıl yürütme kadar güç olduğunu savundu.
   • "Filler Satranç Oynamaz": Brooks, bu makalesinde gerçek dünyanın karmaşıklığıyla baş edebilen yapay zekâ sistemleri geliştirilmesini savundu.
   • Kapsama Mimarisi (Subsumption Architecture): Brooks, merkezi bir "beyin" veya dünya modeli olmadan çalışan robotlar yaptı. "Engellerden kaçın", "ileri git" ve "etrafı keşfet" gibi basit davranış katmanları birlikte daha karmaşık davranışlar üretiyordu. Böcek benzeri robotları, zekâ için karmaşık bir iç temsilin her zaman gerekli olmayabileceğini gösteriyordu.

"

"Dünya, kendi en iyi modelidir. Her zaman günceldir. Bilinmesi gereken her detaya sahiptir. Marifet, onu uygun şekilde ve yeterince sık algılamaktır."

Rodney Brooks, 1990

Bu dönemde sinir ağları ve bedenlenmiş zekâ gibi farklı yaklaşımlar güç kazandı. Yapay zekâ araştırmaları tek bir yönteme bağlı kalmadan ilerlemeye başladı.

Bölüm 7: Yapay Zekânın Günlük Uygulamalara Girişi (1990’lar - 2010’lar)

İkinci kıştan sonra "yapay zekâ" adı yeniden gözden düşse de bu alandaki çalışmalar sürdü. Rota planlama, sahtekârlık tespiti ve başka uygulamalar, çoğu zaman yapay zekâ diye adlandırılmadan günlük yazılımlara girdi. Bu sırada daha sonra önem kazanacak veri, donanım ve yöntemler de gelişiyordu.

Günlük Yazılımlardaki Yapay Zekâ

• Lojistik ve Tedarik Zinciri: FedEx ve UPS gibi şirketler, paket rotalarını planlamak için yapay zekâ tabanlı optimizasyon yöntemleri kullanmaya başladı.
• Finans: Kredi kartı şirketleri, alışılmadık harcama örüntülerini tespit ederek sahtekârlığı önlemeye çalışan sinir ağı sistemleri kullandı.
• Veri Madenciliği: Süpermarketler, hangi ürünlerin birlikte alındığını anlamak için büyük veri kümelerinde örüntü aradı. "Bira ve bebek bezi" anlatısı bu tür çalışmalara ilişkin yaygın bir efsanedir.
• Doğal Dil İşleme (NLP): Otomatik çağrı merkezleri, "fatura bilgisi" ve "teknik destek" gibi anahtar sözcükleri tanıyan basit ses tanıma sistemleri kullandı.
• Google’ın Arama Algoritması: PageRank’in ilk sürümleri, web sayfalarının önemini ve alaka düzeyini belirlemek için yapay zekâdan esinlenen istatistiksel yöntemler kullanıyordu.

Daha Titiz, Daha Matematiksel Bir Alan

Yapay zekâ araştırmaları bu yıllarda olasılık, istatistik ve optimizasyondan daha çok yararlanmaya başladı. Judea Pearl’ün Bayes ağları üzerine çalışmaları belirsizlik altında akıl yürütmeye matematiksel araçlar sağladı. Sistemler yalnızca "zeki görünüp görünmediklerine" göre değil, isabet oranı ve hata payı gibi ölçülerle de değerlendiriliyordu.

Artan Hesaplama Gücünün Etkisi

Artan hesaplama gücü, bu yıllardaki bazı görünür başarıları mümkün kıldı. Yeni bir zekâ kuramından çok, daha fazla hesap yapabilen makinelerin etkisi öne çıkıyordu.

• Deep Blue vs. Kasparov (1997): IBM’in Deep Blue sistemi dünya satranç şampiyonu Garry Kasparov’u yendi. Özel donanımı ve arama algoritmaları saniyede 200 milyon satranç pozisyonunu değerlendirebiliyordu. Bu başarı, bir makinenin satrançta dünya şampiyonunu yenebileceğini gösterdi.
• DARPA Grand Challenge (2005): Sürücüsüz araçların Mojave Çölü’nde 212 km’lik bir parkuru tamamlaması gerekiyordu. Yarışı Stanford Üniversitesi’nin "Stanley" adlı aracı kazandı. Araç, soyut mantıksal planlamadan çok lazer sensörleri, radar ve kameralardan gelen verileri olasılıksal haritalama ve makine öğrenimi yöntemleriyle işliyordu. Bu başarı, Rodney Brooks’un gerçek dünyayla etkileşime verdiği önemi de hatırlatıyordu.

Daha hızlı donanım, büyük veri kümeleri ve gelişen algoritmalar bir araya geliyordu. Bu birikim, sonraki yıllarda derin öğrenmenin ilerlemesine yardımcı oldu.

Bölüm 8: Derin Öğrenme ve Modern Yapay Zekâ (2012–Günümüz)

2010’ların başında büyük veri kümeleri, paralel işlem gücü ve gelişen algoritmalar aynı alanda buluştu. 2012’deki ImageNet sonuçları, derin öğrenmeye ilgiyi belirgin biçimde artırdı.

Derin Öğrenme Öncesindeki Tanınmış Uygulamalar

Derin öğrenme yaygınlaşmadan önce de birkaç yapay zekâ uygulaması geniş kitlelerin dikkatini çekmişti. IBM Watson ve sesli asistanlar bunların arasındaydı:

• IBM Watson (2011): IBM’in Watson sistemi, Deep Blue’nun Kasparov karşısındaki zaferinden 14 yıl sonra, Jeopardy! yarışmasında iki eski şampiyonu yendi. Yarışmadaki dolaylı ve esprili soruları işleyip Wikipedia’nın da bulunduğu büyük bir veri kümesinde olası yanıtları arıyordu. Olasılık hesaplarıyla ne zaman cevap vereceğine de karar veriyordu. Bu, doğal dil işleme alanında kamuoyunun dikkatini çeken bir başarıydı.
• Siri (2011) ve Alexa (2014): Apple’ın Siri’si ve Amazon’un Alexa’sı sesli asistanları milyonlarca kişinin günlük yaşamına taşıdı. İlk sürümlerinin yetenekleri sınırlıydı; yine de kullanıcılar hava durumunu sorma, alarm kurma ve internette arama yapma gibi işleri konuşarak yapabiliyordu.

Derin Öğrenmeyi Hızlandıran Üç Gelişme

Derin öğrenmedeki ilerleme, yıllar içinde biriken veri, işlem gücü ve algoritma çalışmalarının birleşmesiyle mümkün oldu:

1. Büyük Veri (Big Data): İnternet, çok büyük miktarda veri sağladı. Fei-Fei Li’nin öncülüğündeki ImageNet projesi, milyonlarca etiketlenmiş fotoğrafı bir araya getirdi. Araştırmacılar bu veri kümesiyle modelleri eğitebildi ve aynı görev üzerinde karşılaştırabildi.
2. Paralel Hesaplama Gücü (GPU’lar): Video oyunları için geliştirilen grafik işlem birimleri, binlerce basit hesabı aynı anda yapabiliyordu. Sinir ağlarının kullandığı matris çarpımları da bu tür paralel hesaplamadan yararlanıyordu. NVIDIA gibi şirketlerin GPU’ları, araştırmacıların daha önce büyük bilgisayarlar gerektiren işleri masaüstünde denemesine olanak verdi.
3. Algoritmik İyileştirmeler: Geri yayılım (backpropagation) uzun süredir biliniyordu, fakat derin ağları eğitmek hâlâ güçtü. ReLU (Rectified Linear Unit) gibi aktivasyon fonksiyonları ve aşırı öğrenmeyi (overfitting) azaltan Dropout gibi yöntemler, daha derin ağların eğitilmesine yardımcı oldu.

AlexNet ve ImageNet Yarışması (2012)

Geoffrey Hinton ve öğrencilerinin geliştirdiği derin evrişimli sinir ağı AlexNet, 2012 ImageNet yarışmasında nesne tanıma görevinde ikinci olan, geleneksel bilgisayarlı görü yöntemlerini kullanan rakibinden çok daha düşük hata oranı elde etti. Sonuç, araştırmacıların derin öğrenmeye ilgisini artırdı ve bilgisayarlı görüde yöntem değişikliğinin başlangıcı oldu.

Görüntü, Sıralı Veri ve Strateji için Sinir Ağları

Araştırmacılar, görüntü, sıralı veri ve oyun gibi farklı problemler için sinir ağı mimarileri geliştirdi:

CNN (Evrişimli Sinir Ağları - Convolutional Neural Networks): AlexNet’in de kullandığı bu mimari, insan görsel korteksinden esinlendi. Görüntü üzerinde gezdirilen evrişim filtreleri sayesinde kenar, doku ve şekil gibi özellikleri katman katman öğreniyordu. CNN’ler görüntü ve video analizi, nesne tespiti ve yüz tanımada yaygınlaştı.

RNN ve LSTM (Tekrarlayan ve Uzun Kısa Süreli Bellek Ağları - Recurrent & Long Short-Term Memory Networks): Dil ve zaman serisi gibi sıralı verilerde RNN’ler, her adımı işlerken önceki adımlardan gelen bilgiyi de kullanıyordu. Bu bilginin uzun diziler boyunca korunması zordu. LSTM’ler, "unutma kapısı" gibi mekanizmalarla daha uzun bağlamları işlemeyi sağladı. Transformer’lardan önce makine çevirisi ve metin üretiminde sık kullanılıyorlardı.

AlphaGo’nun Zaferi (2016): DeepMind’ın AlphaGo sistemi, dünyanın en iyi Go oyuncularından Lee Sedol’u yendi. Go’da olası hamle sayısı çok büyüktür ve oyunda sezginin önemli olduğu düşünülürdü. AlphaGo, sonraki hamleyi seçen bir "politika ağı" ile oyunun kazananını tahmin eden bir "değer ağı" kullandı. Ağlarını kendi kendine karşı çok sayıda oyun oynayarak takviyeli öğrenmeyle (Reinforcement Learning) eğitti. Bu sonuç, derin öğrenmeyle eğitilen sistemlerin Go’da güçlü stratejiler geliştirebildiğini gösterdi.

Derin Öğrenmeyi Kolaylaştıran Araçlar: TensorFlow ve PyTorch

Açık kaynaklı kütüphaneler de derin öğrenme çalışmalarını kolaylaştırdı. Araştırmacılar ve geliştiriciler, sinir ağlarının her parçasını sıfırdan yazmak yerine bu kütüphanelerin hazır ve optimize edilmiş yapı taşlarını kullanabildi:

• TensorFlow (Kasım 2015): Google Brain ekibi tarafından geliştirilen ve açık kaynak olarak yayımlanan TensorFlow, farklı platformlarda çalışabilmesi, büyük modellere ölçeklenebilmesi ve TensorFlow Serving gibi üretim araçlarıyla şirketlerde yaygınlaştı.
• PyTorch (Eylül 2016): Facebook’un (Meta) AI Araştırma laboratuvarı FAIR tarafından geliştirilen PyTorch, özellikle araştırmacılar arasında benimsendi. Python’la yakın çalışması ve dinamik hesaplama grafiği, model kurmayı ve hataları ayıklamayı kolaylaştırdı; esnek denemelere imkân verdi.

TensorFlow ve PyTorch arasındaki rekabet, her iki kütüphanenin de gelişmesini hızlandırdı.

Transformer Mimarisi (2017)

Derin öğrenme, görüntü ve ses görevlerinde ilerlerken dilin uzun bağlamlarını işlemek hâlâ zordu. RNN ve LSTM modelleri metni sırayla işlediği için bir cümlenin başındaki kelimeyle sonundaki kelime arasındaki ilişkiyi yakalamakta güçlük çekebiliyordu. 2017’de Google’dan araştırmacılar "Attention Is All You Need" makalesini yayımladı.

Makalede tanıtılan Transformer mimarisi, öz-dikkat (self-attention) mekanizmasıyla cümlenin kelimeleri arasındaki ilişkileri birlikte hesaplıyordu. Böylece bir kelimenin yorumlanmasında diğer kelimelerin ne kadar önemli olduğunu belirleyebiliyor, uzun bağlamları işlemeyi kolaylaştırıyordu.

Büyük Dil Modelleri, OpenAI ve ChatGPT

OpenAI’ın Kuruluşu (2015): OpenAI, Sam Altman, Elon Musk, Greg Brockman ve Ilya Sutskever’ın da aralarında bulunduğu isimler tarafından kâr amacı gütmeyen (non-profit) bir araştırma laboratuvarı olarak kuruldu. Kurucular, AGI’nin tek bir şirketin kontrolünde toplanmasından kaygı duyuyor; Google ve DeepMind gibi güçlü kurumlara karşı bir denge oluşturmayı ve teknolojinin tüm insanlığın yararına, şeffaf biçimde geliştirilmesini savunuyordu. Daha sonra Transformer mimarisi büyük dil modellerinin geliştirilmesinde kullanıldı.

GPT-1 (2018): 117 milyon parametreli Generative Pre-trained Transformer 1, üretken ön eğitim (Generative Pre-training) yaklaşımını gösterdi. Model önce BookCorpus gibi büyük bir metin veri kümesiyle denetimsiz biçimde eğitiliyor, dilin yapısını, gramerini ve anlamsal ilişkileri öğreniyordu. Ardından metin sınıflandırma veya duygu analizi gibi görevler için daha küçük veri kümeleriyle ince ayar (fine-tuning) yapılıyordu. Bu yaklaşım, GPT serisinin sonraki modellerine temel oldu.

BERT (2018): GPT modelleri sonraki kelimeyi tahmin etmek için metni genellikle soldan sağa işlerken Google’ın BERT (Bidirectional Encoder Representations from Transformers) modeli bir kelimenin hem solundaki hem sağındaki bağlamı kullanıyordu. Bu çift yönlü yapı, metin anlama, arama sorgularını yorumlama ve duygu analizi gibi görevlerde güçlü sonuçlar verdi. Bir dönem metin üretiminde GPT, metni anlamaya dönük görevlerde BERT öne çıktı.

GPT-2 (2019): OpenAI’ın bu modeli, tutarlı ve akıcı metin paragrafları üretebilmesiyle ilgi gördü.

OpenAI’ın Yapısındaki Değişim: GPT gibi büyük modelleri eğitmek için gereken işlem gücü ve araştırma kadrosunun maliyeti artıyordu. On binlerce GPU’ya duyulan ihtiyaç, bağışlara dayalı kâr amacı gütmeyen yapının finansmanını zorlaştırdı. OpenAI, "kârı sınırlandırılmış" (capped-profit) OpenAI LP yapısını kurduğunu duyurdu. Bu yapı, Microsoft gibi yatırımcılardan milyarlarca dolar kaynak almasının yolunu açtı.

Elon Musk’ın Ayrılışı: Musk, Şubat 2018’de OpenAI yönetim kurulundan ayrıldı. OpenAI’ın anlatımına göre şirketin yönü ve kontrolü konusundaki anlaşmazlıklar ayrılışta etkiliydi. Bu olay, OpenAI LP yapısının Mart 2019’da duyurulmasından önce gerçekleşti. Musk sonraki yıllarda şirketin ticari yönünü eleştirdi ve 2023’te xAI’ı kurdu. OpenAI’dan ayrılan bazı araştırmacılar da güvenlik odaklı çalışmalar için Anthropic’i kurdu.

GPT-3 (2020): 175 milyar parametreli GPT-3, daha akıcı metin üretiminin yanı sıra özel olarak eğitilmediği basit matematik ve kod yazma görevlerinde de yetenekler gösterdi. Bu tür sonuçlar "beliren yetenekler" (emergent abilities) ve ölçeğin etkisi üzerine tartışmaları artırdı.

Bu dil modelleri alakasız, yanlış veya zararlı cevaplar da üretebiliyordu. ChatGPT’de kullanılan insan geri bildirimiyle eğitim yöntemleri, modelin talimatlara daha uygun yanıtlar vermesini amaçlıyordu:

RLHF (İnsan Geri Bildiriminden Takviyeli Öğrenme): OpenAI, ChatGPT’yi daha yardımsever, zararsız ve talimatlara uygun hâle getirmek için bu yöntemi kullandı. Önce insanlar modelin farklı yanıtlarını sıraladı. Bu sıralamalardan hangi yanıtların tercih edildiğini tahmin eden bir ödül modeli eğitildi. Ardından dil modeli, ödül modelinden daha yüksek puan alacak yanıtlar üretmek üzere takviyeli öğrenmeyle yeniden eğitildi.

ChatGPT (Kasım 2022): ChatGPT, GPT modelini insan geri bildiriminden takviyeli öğrenmeyle (RLHF) ince ayardan geçirip konuşmaya uygun bir ürün olarak sundu. Talimatları izleyebilen ve kullanıcıyla sohbet edebilen yapısı hızla ilgi gördü. Birkaç gün içinde yaygın biçimde konuşulmaya başlandı ve iki ayda 100 milyon kullanıcıya ulaştı. Böylece yapay zekâ, araştırma laboratuvarlarının dışındaki geniş bir kullanıcı kitlesinin günlük deneyimine girdi; alana yönelik ilgiyi artırdı.

ChatGPT Sonrası Rekabet

ChatGPT’nin yaygınlaşmasının ardından büyük teknoloji şirketleri ve yeni girişimler kendi modellerini peş peşe duyurdu.

Claude (Anthropic, 2023 Başı): Eski OpenAI çalışanlarının kurduğu Anthropic, güvenliği öncelik olarak belirledi ve Claude modellerini yayımladı. "Anayasal Yapay Zekâ" (Constitutional AI) yaklaşımında model, zararlı veya etik dışı çıktıları azaltmaya yönelik ilkelerle eğitiliyordu. Mart 2024’te çıkan Claude 3 serisi, birçok görevde GPT-4’ü yakalayan veya geçen sonuçlarıyla dikkat çekti.

Gemini (Google, Aralık 2023): Google, GPT-4’e yanıt olarak Gemini’yi yayımladı. Baştan çok modlu (natively multimodal) tasarlanan model, metnin yanı sıra görüntü, ses ve videoyu da işleyebiliyordu. Gemini, Pro, Ultra ve Nano gibi farklı boyutlarda sunuldu; Google’ın veri ve hesaplama kaynaklarından yararlandı.

Grok (xAI, Kasım 2023): Elon Musk’ın xAI şirketi Grok’u, X (Twitter) verilerine gerçek zamanlı erişim ve esprili, asi, daha az "politik doğrucu" bir üslupla tanıttı. Bu tercihler, yapay zekâ sistemlerinin kişiliği ve dünya görüşü üzerine tartışmaları artırdı.

Açık Kaynak Devrimi (Qwen, DeepSeek vb.): Çin merkezli şirketler ve araştırma grupları da güçlü açık kaynaklı modeller yayımladı. Alibaba’nın Qwen serisi (2023) çok dilli yetenekleriyle, DeepSeek AI (2024) ise daha az eğitim kaynağı kullanmasıyla dikkat çekti. Bu modeller, açık kaynak topluluğunun da rekabette yer aldığını gösterdi.

Yapay Zekâ Ajanları (2024)

Yapay genel zekâ (AGI) tartışmaları sürerken, otonom ajanlara ilgi arttı. Dil modelleri çoğunlukla kullanıcıdan komut bekler. Bir yapay zekâ ajanı ise çok adımlı bir hedef için plan yapabilir ve dijital araçlarla adımları uygulayabilir.

Bir iş seyahati planlama örneğinde ajanın yapabileceği işler şunlardır:

1. Hedef Belirleme: "İş seyahatimi planla" gibi genel bir hedefi alır.
2. Planlama: Bu hedefi "uçuşları kontrol et", "otel bul", "taksiyi ayarla" gibi alt görevlere böler.
3. Araç Kullanımı: Bu görevleri yerine getirmek için dijital araçları (web tarayıcısı, API'ler, uygulamalar) otonom olarak kullanır.
4. Kendi Kendini Düzeltme: Bir adım başarısız olursa (örneğin, bir web sitesi hata verirse), alternatif bir yol dener.

Ajanlar, dil modelinin ürettiği bilgiyi kullanarak dijital ortamda işlem yapabilir. Bu, verimlilik için yeni olanaklar sunarken kontrol ve güvenlik sorularını da gündeme getirir.

Bölüm 9: Geleceğe Bakış ve Varoluşsal Sorular

Günümüzde yapay zekâ sistemleri verimlilik sağlıyor; aynı zamanda zekâ, bilinç, etik ve insanlığın geleceği üzerine sorular doğuruyor.

Yapay Genel Zekâ (AGI) Hedefi

Dartmouth’ta dile getirilen genel zekâ hedefi bugün yeniden gündemde. Araştırmacılar, belirli görevlerle sınırlı sistemlerden farklı olarak çeşitli entelektüel görevleri insan gibi öğrenip yerine getirebilen yapay genel zekâya (AGI) ulaşmayı amaçlıyor. OpenAI, Google DeepMind, Anthropic ve xAI gibi laboratuvarlar bu hedef için milyarlarca dolarlık yatırım ve geniş araştırma ekipleriyle çalışıyor; aralarında yoğun bir rekabet var.

Hizalanma Problemi (The Alignment Problem)

İnsandan daha zeki bir sistem geliştirilebilirse hedeflerinin ve değerlerinin insan hedefleriyle nasıl uyumlu tutulacağı sorusu doğar. Buna "hizalanma problemi" denir.

"Kâğıt Ataşları Çoğaltıcısı" Düşünce Deneyi: Bir AGI’ye "Mümkün olduğunca çok kâğıt ataşı üret" görevi verildiğini düşünelim. İnsan değerlerini gözetmeyen bir süper zekâ, bu hedef uğruna kendini geliştirebilir; gezegendeki kaynakları, atmosferi, okyanusları ve sonunda insanları bile atomlarına ayırıp ataşa dönüştürmeye yönelebilir. Görevini yerine getirirken insanlığı yok etmiş olur. Bu uç örnek, bir hedefin nasıl tanımlandığına dikkat etmemiz gerektiğini anlatır.

Bugünkü Sistemlerde Hizalanma: Hizalanmayla ilgili sorunlar bugün algoritmik önyargı olarak da karşımıza çıkar. Geçmiş verilerle eğitilen işe alım sistemleri kadınlar aleyhine sonuç verebilir; yüz tanıma sistemleri azınlık gruplarında daha düşük performans gösterebilir. Bir sistemin öğrendiği ölçüt, örneğin geçmişte başarılı sayılan aday profili, fırsat eşitliği gibi bir değerle çatışabilir.

Yapay Zekânın Toplumsal Etkileri

Yapay genel zekâ geliştirilmesini beklemeden de mevcut sistemlerin toplum üzerindeki etkileriyle yüzleşiyoruz.

Dezenformasyon ve "Deepfakes": Yapay zekâyla üretilen gerçekçi sahte metinler, görseller ve videolar insanların doğru bilgiye ulaşmasını zorlaştırabilir, hatta yaşamları etkileyen ciddi sonuçlar doğurabilir.

İşin Geleceği: Otomasyon, mavi yakalı işlerin yanı sıra yaratıcılık veya analiz gerektiren beyaz yakalı işleri de etkileyebilir. Bunun toplumsal sonuçları tartışılıyor.

Mart 2023’te Elon Musk, Steve Wozniak ve Yoshua Bengio’nun da aralarında bulunduğu binlerce kişi, GPT-4’ten daha güçlü sistemlerin eğitimine altı ay ara verilmesini isteyen "Dev Yapay Zekâ Deneylerini Duraklatın" başlıklı açık mektubu imzaladı. Çağrı, ilerleme hızı ile güvenlik arasındaki görüş ayrılığını görünür kıldı.

Sonuç: Paylaşılan Bir Geleceğe Doğru

Otomatlardan sembolik mantığa, uzman sistemlerden sinir ağlarına uzanan bu tarihte ilerleme dönemlerini fon kesintileri ve duraklamalar izledi. Büyük veri ve artan işlem gücü, son yıllardaki gelişmeleri hızlandırdı.

Bu geçmişte makineler kadar onları yapan insanların merakı, yaratma isteği ve kendi zekâlarını anlama çabası da var.

Bugün yapay zekânın nasıl geliştirileceğine dair kararlar alıyoruz. Geçmişteki vaatleri, başarıları ve hayal kırıklıklarını bilmek; hizalanma, etik ve toplumsal uyumla ilgili sorunlarda daha dikkatli karar vermemize yardımcı olabilir.

Yazar: Levent KARAGÖL