Yapay Zekâyı Anlamak (I): Akıllı Makine Hayalinden Akıl Yürütmenin Hesaplanmasına

İlk yazıda Aristoteles’ten Descartes’a, oradan Leibniz, Bayes ve Laplace’a uzanarak hem emeğin hem de düşünme süreçlerinin akıllı makinelerle ikame edilmesi fikrinin erken izlerini sürüyoruz.

ChatGPT’nin Kasım 2022’de kamuya açılmasıyla birlikte, Büyük Dil Modelleri (Large Language Models) gündelik hayatımıza çok hızlı biçimde girdi.^[1][2] Bu modeller, 1956’da “yapay zekâ” adıyla kurumsallaşan araştırma programının bugün en görünür çıktıları arasında yer alıyor. Birkaç yıl öncesine kadar daha çok teknik ve akademik çevrelerde tartışılan konular, bugün eğitimden sağlığa, sanattan finansa, hukuk hizmetlerinden kamu politikalarına kadar geniş bir alanda konuşuluyor.

Bu yazıda “yapay zekâ” (YZ) ifadesini elden geldiğince dikkatli kullanmaya çalışacağım. Kavram, alanın erken dönemlerinde herkes tarafından benimsenmediği gibi, bazı araştırmacılar farklı adlandırmaları da tercih etti^[3]. Bu kavrama dair itirazlar hâlâ devam etse de, kavram bugün hem gündelik dil hem de akademik çalışmalarda yerleşmiş durumdadır. Bu itirazlar özellikle YZ’nin insan zekâsına benzeyen bir bilinç, kavrayış ya da öz-farkındalık ima ettiği için yanıltıcı olduğu yönünde. Bu noktalar kolayca bir kenara atılacak türden değil; günümüzde YZ çalışma alanının en ileri çıktılarından biri olan Büyük Dil Modelleri (BDM), eğitildikleri veri kümelerinde yakaladıkları örüntülere dayalı olarak çoğu zaman tutarlı ve ikna edici görünen cevaplar verse de, bu durum sistemin ürettiği cevabı insan gibi anladığı anlamına gelmez^[4].

Buna karşılık, YZ tarihindeki başka bir damar zekâyı bilinç ya da öz-farkındalık üzerinden değil, gözlenebilir performans üzerinden anlamaya çalışır. Turing’in 1950’de önerdiği taklit oyunu (imitation game) bu açıdan günümüzdeki tartışmaları da derinden etkilemeye devam etmektedir. Sonraki yazılarda tekrar döneceğimiz Turing’in ünlü 1950 makalesi, “makineler düşünebilir mi?” sorusunu doğrudan cevaplamaya çalışmak yerine, makinelerin insan benzeri dilsel ve problem çözücü davranışlar sergileyip sergileyemeyeceğine bakmayı önerir (Turing, 1950). Bu anlamda YZ’nin farklı alanlarda insan benzeri ya da insanı aşan performans gösterebilmesi de zekâ tartışmasının parçası sayılır^[5].

Bu yazı dizisinde YZ kavramını bu gerilimi akılda tutarak kullanacağım. Dizi boyunca makinelerin insan gibi düşünüp düşünmediği ya da herhangi bir zekâ belirtisi gösterip göstermediği tartışmamızın doğrudan merkezinde olmayacak. Bu spekülatif tartışmaları bir kenara bırakarak daha sınırlı bir şey yapmaya çalışacağım. Amacım, tarihsel olarak YZ adı altında toplanan araştırma programının teknik gelişmelerini sınırlı bir şekilde tartışırken, bunların arkasında yatan toplumsal süreçleri ve bu gelişmelerin toplumsal sonuçlarına odaklanmak. Bu nedenle öncelikli olarak YZ’yi, teknik, kurumsal ve politik iktisadi koşullara bağlı olarak gelişen, zamanla bu koşulları da daha fazla etkileyen bir araştırma alanı, fikirler ve teknolojik gelişmeler kümesi olarak inceleyeceğim.

Bugün çok yeni görünen gelişmeler birdenbire ortaya çıkmış teknik buluşlar değildir. YZ adı altından yapılan çalışmalar, insan zekâsıyla ilişkilendirilen bazı faaliyetlerin makinelerle ikame edilip edilemeyeceği sorusuna verilen cevapların bir parçasıdır. Öğrenme, akıl yürütme, algılama ve dil kullanımı gibi faaliyetlerin makineler tarafından yerine getirilip getirilemeyeceği, bugünkü büyük dil modellerinden çok önce tartışılmaya başlanmıştı.

Bu yazı dizisinde öncelikli olarak tarihsel süreçleri ve temel kavramları netleştirmeye çalışacağım. Bu çerçevede ilk iki yazıda, modern YZ’nin 1950’lerde kurumsal bir araştırma programına dönüşmesinden önceki uzun döneme dair kısa bir anlatıya odaklanacağım. Bir anlamda bu ilk yazıda YZ kavramının formel olarak ortaya çıkmasından önce, bu alanı mümkün kılan düşünsel zeminin bazı temel uğraklarını tartışıyorum. Bir sonraki yazıda ise bu düşünsel hatların Sanayi Devrimi, iş bölümü, hesaplama makineleri, elektriksel devreler, savaş yılları ve erken bilgisayarlar üzerinden nasıl daha somut bir maddi zemine kavuştuğunu ele alacağım.

Bu tarihsel anlatı ister istemez seçici olacak. Serinin ilk yazılarının amacı, YZ öncesindeki tüm düşünsel ve teknik girişimlerin eksiksiz bir envanterini çıkarmak değil. Böyle bir çaba bir iktisatçı olarak benim sınırlarımı ve bu yazıların kapsamını aşar. Ayrıca bizi asıl sorudan uzaklaştırır. Burada daha sınırlı bir amaç güdüyorum. YZ olarak adlandırılacak alanın hangi fikirler, teknik gelişmeler, kurumsal ihtiyaçlar ve toplumsal koşullar içinde mümkün hâle geldiğini anlamaya çalışacağım.

Sonraki birkaç yazıda da uzman sistemleri ve makine öğrenmesinin serüvenini aktararak günümüzdeki YZ tartışmalarına gelmek istiyorum. Bu arka planı anlatırken birçok yerde politik ekonomi boyutunu yer yer görünür kılacağım. Ancak asıl hedef, YZ olarak adlandırılan gelişmeleri daha sonra bir iktisatçı gözüyle teknolojik dönüşümler, sermaye birikimi, devlet stratejileri, jeopolitik rekabet ve makroekonomik etkiler bağlamında tartışabilmek için tarihsel bir çerçeve oluşturmak.

Akıllı makine hayalinden emek sorusuna

İnsanlar uzun zamandır kendi kendine çalışan, belirli görevleri yerine getiren ve insan emeğini belirli ölçüde ya da tamamen ikame eden araçlar hayal etmiştir. Homeros’un İlyada’sında Hephaestus’un kendi kendine hareket eden araçları ve metal yardımcıları, insanın kendi yerine iş görebilecek makineleri hayal etmesinin erken mitolojik örnekleri arasında düşünülebilir (Nilsson, 2010).

Yapay zekâ üzerine tarihsel anlatılarda Aristoteles’in kendi kendine dokuyan mekikler ya da kendi kendine çalan müzik aletleri üzerine düşüncesi sıkça karşımıza çıkar. Aristoteles’e göre araçlar, sahiplerinin iradesine uyarak ya da onu önceden sezerek (vurgu bana ait) kendi başlarına işleri yapabilseydi, zanaatkârların yardımcılara, efendilerin de kölelere ihtiyacı kalmayabilirdi^[6] (Aristotle, Politics, Book I) . Elbette Aristoteles’in modern anlamda yapay zekâdan söz ettiğini iddia etmek hayal gücümüzü epey zorlamak olur ancak Aristoteles’in yazılarında teknoloji, emek ve güç arasındaki bağı görmek mümkündür. Araçların kendi kendine çalışamadığı bir dünyada, Aristoteles’in hane düzeninde kölelik, doğal ve zorunlu görülen iş bölümünün bir parçası olmak durumundadır. Bu fikir kendi kendine çalışan araçların yokluğunda kimin çalışacağı, kimin boş zamana ve siyasal yaşama erişebileceği düşüncesiyle de ilgilidir.

Aristoteles’te kendi kendine iş gören araçlar daha çok emek ve hane düzeni sorusuyla ilişkilidir. Descartes’ta ise makine fikri dil ve akıl yürütme sorununa da dairdir. Yöntem Üzerine Konuşma’da Descartes, insan bedenine benzeyen ve bazı insan davranışlarını taklit eden makinelerin tasavvur edilebileceğini söyler. Hatta böyle makinelerin bazı sözcükler söyleyebilmesi ve belirli uyaranlara uygun tepkiler vermesi de mümkündür. Fakat ona göre bu makineler iki noktada insandan ayrılır. Birincisi, dili her bağlama uygun biçimde düzenleyip kullanmaları mümkün değildir. İkincisi, bazı işleri insanlardan daha iyi yapsalar bile, farklı durumlara insan aklı gibi uyum sağlayamazlar. Descartes’ın ifadesiyle akıl “her duruma hizmet edebilen evrensel bir araç” ken; makineler ise belirli işler için özel olarak tasarlanmış düzeneklere ihtiyaç duyar (Descartes, 1637/1911, s. 116 aktaran Stanford Encyclopedia of Philosophy). Descartes, insan ile makine arasındaki ayrımı fiziksel görünüşten çok dilsel esneklik ve genel uyum kapasitesi üzerinden kurduğundan, bu tartışmayı ileride detaylandıracağımız Turing Testi’ne giden düşünsel hattın erken uğraklarından biri olarak okumak da mümkündür (Oppy & Dowe, 2020).

Bu erken tahayyüllerde ağırlık çoğunlukla fiziksel emekle ilgiliydi; Descartes’la birlikte tartışma daha açık biçimde zihinsel faaliyetlerle de ilgili olmaya başlamıştır. Makine, insan bedeninin yaptığı işi üstlenebilir mi sorusuna, insanın dil kullanımı ve akıl yürütmesi de makineyle taklit edilebilir mi sorusu da eklenmiştir. Bu tartışmanın bir sonraki adımı, akıl yürütmenin biçimsel kurallara bağlanıp bağlanamayacağı olmuştur.

Akıl yürütmenin biçimselleştirilmesi

Modern YZ’ye giden düşünsel hattın bir ayağı, akıl yürütmenin biçimsel kurallara bağlanabileceği fikridir. Mantıksal akıl yürütmenin belirli formlar içinde incelenebileceğini gösteren ilk büyük figürlerden biri olan Aristoteles’in bu alandaki çalışmaları daha sonra farklı biçimlerde yeniden ele alınacak, erken modern felsefenin ve Aydınlanma’nın temsilcilerinden biri olan Leibniz bu hattı çok daha ileri taşıyacaktı. Onun için hesaplama makineleri basit bir teknik merak konusu değildi. Leibniz’in hesaplama makinelerine ilgisi, insanların belirli zihinsel işlemleri yaparken harcadıkları emekten tasarruf etmesiyle de ilgiliydi. Leibniz, makineler kullanılabiliyorsa seçkin insanların hesaplama yaparak saatler kaybetmesini doğru bulmuyordu (Nilsson, 2010).

Aynı zamanda Leibniz insan bilgisinin sembolik bir dile aktarılabileceğini düşünüyordu. Ona göre karmaşık düşünceler, felsefi ve metafizik bilgi de dahil olmak üzere, daha temel önermelerden kurulabilirdi. Nilsson’un ifadesiyle, bu temel önermeler insan düşüncesi için bir tür alfabe oluşturacaktı (Nilsson, 2010, s. 28). Leibniz`e göre eğer bir tartışma yeterince açık sembollere indirgenebilirse, taraflar yalnızca fikir yürütmekle kalmayacak, bir tür hesaplama yoluyla tartışmaları kesin sonuca ulaşabilecekti. Davis’in (2000) Leibniz’den Turing’e uzanan mantık ve hesaplama hattını tartışırken gösterdiği gibi, bu sezgi akıl yürütmenin sembolik ve hesaplanabilir işlemler olarak düşünülebileceği fikrini beslemiştir. Bu yüzden de daha sonra sembolik yapay zekâya uzanan düşünsel hattın kaynaklarından biri olarak görülebilir.

Leibniz’in 17. yüzyıldaki hayali, 19. yüzyıl ve 20. yüzyıl başında daha somut matematiksel biçimler kazandı. George Boole (1815–1864), mantıksal ilişkilerin cebirsel işlemlerle ifade edilebileceğini göstererek, doğru-yanlış gibi kavramları insan sezgisine bırakılmış muhakeme biçimleri olmaktan çıkarıp semboller üzerinde yürütülen işlemler olarak düşünülebilir hale getirdi. Gottlob Frege (1848–1925), 1879’da yayımladığı Begriffsschrift ile modern niceleme mantığının önünü açarak “her”, “bazı” ve “en az bir” gibi ifadelerin değişkenler ve semboller aracılığıyla biçimsel olarak temsil edilebilir hâle getiriyordu. David Hilbert (1862–1943) ve Wilhelm Ackermann’ın (1896–1962) biçimsel mantık çalışmaları ise karar problemi ve hesaplanabilirlik tartışmalarını geliştirdi^[7]. Bu gelişmelerin önemi, akıl yürütmenin bazı biçimlerinin açık kurallara, sembolik işlemlere ve hesaplanabilir prosedürlere ayrılabileceği fikrini daha somut hale getirmeleridir. Böylece ileride daha detaylıca tartışacağımız sembolik YZ’nin erken temelleri daha da belirginleşmiş oldu (Nilsson, 2010).

Belirsizlik altında karar verme

Yapay zekâya giden düşünsel hazırlık sembolik mantıkla sınırlı değildi. İnsanların çoğu zaman kesin bilgiyle değil, eksik ve değişen bilgilerle karar verdikleri gerçeği, başka bir düşünsel hattı da besledi. Yeni bir gözlem mevcut kanaatimizi nasıl değiştirir? Bir hipotezin olasılığı eldeki bulgulara göre nasıl güncellenir? Bu sorular, yapay zekânın daha sonraki evriminde istatistiksel öğrenme ve olasılıksal akıl yürütme tartışmaları açısından önem kazanacaktı.

Thomas Bayes’in (1701–1761) ölümünden sonra 1763’te yayımlanan çalışması bu açıdan kritik bir eşiktir. Bayes’in temel sezgisi, inançları doğru-yanlış biçiminde kesin hükümler olarak değil, eldeki kanıtlara göre güçlenip zayıflayabilen olasılıklar olarak düşünmeye imkân vermesidir. Bu hattın daha sistematik bir olasılık teorisi içinde gelişmesinde Pierre-Simon Laplace’ın (1749–1827) çalışmaları da önemli rol oynar. Laplace`ın da katkıları ışığında daha sonra Bayesçi epistemoloji, yeni kanıtlar karşısında bir hipoteze duyulan güvenin nasıl değişmesi gerektiğini tartışan bir yaklaşım olarak gelişmiştir. Bu yaklaşım, insan aklının belirsizlik altında nasıl karar verdiğini anlamak açısından olduğu kadar, daha sonra makinelerin eksik bilgiyle nasıl işlem yapabileceğini düşünmek açısından da önemlidir (Hawthorne, 2022).

Bayes-Laplace hattı 1950’lerin hâkim yapay zekâ yaklaşımının merkezinde değildi. İlk yapay zekâ dalgası daha çok sembolik temsil, problem çözme ve kurallı akıl yürütme etrafında şekillenecekti. Fakat olasılıksal akıl yürütme, Bayesçi ağlar ve istatistiksel öğrenme tartışmaları ilerleyen dönemlerde önem kazandığından, Bayes-Laplace hattı, ilk yapay zekâ dalgasının değilse bile YZ’nin daha sonraki evriminin tarihsel arka planını anlamak açısından önemlidir.

Bu noktaya kadar yapay zekâya giden yolda iki farklı düşünsel çizgi belirginleşmiştir^[8]. Birincisi, akıl yürütmenin semboller ve kurallar aracılığıyla biçimselleştirilebileceği fikri, ikincisi ise, eksik bilgi altında karar vermenin olasılıksal bir model olarak düşünülebileceği fikridir. Bu iki çizgi, daha sonra yapay zekâ tartışmalarında farklı biçimlerde yeniden karşımıza çıkacaktır. Fakat bu fikirlerin teknik ve toplumsal güç kazanması, yalnızca düşünce tarihindeki gelişmelerle açıklanamaz. Bunun için emeğin işbölümü içinde küçük, tekrarlanabilir ve ölçülebilir aşamalara ayrıldığı, ardından makinelerle yeniden örgütlendiği daha geniş bir maddi ortamın oluşması gerekiyordu. Devletlerin, savaşların ve büyük ölçekli araştırma kurumlarının rolü de bu dönüşümün bir parçasıydı. Bir sonraki yazıda bu dönüşümü Sanayi Devrimi, iş bölümü, Babbage’ın hesaplama makineleri, elektriksel devreler, Turing’in hesaplanabilirlik anlayışı ve İkinci Dünya Savaşı’nın hesaplama altyapısı üzerinden tartışacağım^[9].

Kaynakça

Aristotle. (1920). Politics (B. Jowett, Trans.). Oxford University Press. (Original work published ca. 350 B.C.E.)

Barrow, N. (2024). Anthropomorphism and AI hype. AI and Ethics, 4, 707–711. https://doi.org/10.1007/s43681-024-00454-1

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). Association for Computing Machinery. https://doi.org/10.1145/3442188.3445922

Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., Lee, P., Lee, Y. T., Li, Y., Lundberg, S., Nori, H., Palangi, H., Ribeiro, M. T., & Zhang, Y. (2023). Sparks of artificial general intelligence: Early experiments with GPT-4. arXiv. https://doi.org/10.48550/arXiv.2303.12712

Davis, M. (2000). The universal computer: The road from Leibniz to Turing. W. W. Norton.

Descartes, R. (1911). A discourse on method. In E. S. Haldane & G. R. T. Ross (Trans.), The philosophical works of Descartes (Vol. 1, pp. 79–130). Cambridge University Press. (Original work published 1637)

Hawthorne, J. (2022). Bayesian epistemology. In E. N. Zalta & U. Nodelman (Eds.), The Stanford Encyclopedia of Philosophy. Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/entries/epistemology-bayesian/

Jones, C. R., & Bergen, B. K. (2025). Large language models pass the Turing test. arXiv. https://doi.org/10.48550/arXiv.2503.23674

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539

Nilsson, N. J. (2010). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press.

Oppy, G., & Dowe, D. (2021). The Turing test. In E. N. Zalta (Ed.), The Stanford Encyclopedia of Philosophy (Winter 2021 ed.). Metaphysics Research Lab, Stanford University. https://plato.stanford.edu/archives/win2021/entries/turing-test/

Shanahan, M., McDonell, K., & Reynolds, L. (2023). Role play with large language models. Nature, 623, 493–498. https://doi.org/10.1038/s41586-023-06647-8

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460. https://doi.org/10.1093/mind/LIX.236.433

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In I. Guyon et al. (Eds.), Advances in Neural Information Processing Systems, 30. Curran Associates.

Not: Bu yazının hazırlanmasında YZ araçları dil denetiminde, birtakım orijinal metin çevirilerinde kullanılmıştır. Bu metinde geliştirilen fikirler ile metindeki tarihsel kişilerin ve düşünsel hattın seçilmesi bana aittir.

Notlar

1. Bu yazı dizisi, 2020’den önce üzerine düşünmeye başladığım, sonraki gelişmeler ışığında ise daha fazla yoğunlaştığım bir araştırma, öğrenim ve öğretim gündeminin parçasıdır. Bu gündem, son iki dönemdir misafir öğretim üyesi olarak bulunduğum ve her zaman evim olarak hissettiğim ODTÜ İktisat Bölümü’nde verdiğim ECON 411 dersinin notları ve dersteki tartışmalarla önemli ölçüde şekillendi. Bu dersleri katkılarıyla zenginleştiren öğrencilerime teşekkür ederim. Ayrıca bu yazı dizisinin konuları da Bilimler Köyü’nde Haziran sonu ve Temmuz başında yapacağımız tartışmaların da çerçevesini oluşturmaktadır (https://bilimler.org/ ). İlk yazı ve sonraki yazılar metinlerde belirtilen kaynaklara doğrudan dayansa da daha geniş anlamda uzun zamandır bu alanda yürüttüğüm derslerin, seminerlerin ve tartışmaların bir sentezi olarak görülebilir. Yazı dizisi, Barış Güven’le birlikte başladığımız kapsamlı çalışma programından ve onunla yaptığımız tartışmalardan da epey beslenmektedir. ↑

2. İlerideki yazılarda Büyük Dil Modellerinin (BDM) ne olduğunu ve iktisat alanındaki bazı tartışmalara ne tür katkılar sunabileceğini daha ayrıntılı olarak ele alacağız. Şimdilik şu kadarını söylemek yeterli olabilir: BDM, genel olarak sonraki yazılarda detaylandıracağımız makine öğrenmesinin daha özel bir kolu olan derin öğrenme (deep learning) ve yapay sinir ağları (neural network) geleneği içinde gelişmiştir (LeCun et al., 2015). Bugünkü örneklerinin önemli bir kısmı, 2017’de önerilen Transformer mimarisine dayanır (Vaswani et al., 2017). Bu mimari, metindeki kelime ve ifadeleri yalıtık birimler olarak değil, bağlam içinde birbirleriyle kurdukları ilişkiler üzerinden ele alır. Böylece model, çok büyük metin verileri üzerinde eğitilerek dilin yapısal, anlamsal ve bağlamsal örüntülerini öğrenir.

   Bu modellerin yaptığı iş, en basit hâliyle, verilen bir metnin ardından hangi token’ın, yani kelime ya da kelime parçasının, daha yüksek olasılıkla gelme ihtimalini hesaplamaktır. Fakat bu işlem, milyarlarca kelime, çok büyük hesaplama kapasitesi ve karmaşık yapay sinir ağları üzerinden gerçekleştiği için sonuç, basit bir otomatik tamamlama işleminin çok ötesine geçer. BDM bu sayede metin yazabilir, soru yanıtlayabilir, kod üretebilir ve verilen metinler arasında ilişki kurabilir.

   Bu tür modeller, üretken YZ’nin (Generative AI) en görünür örnekleri arasındadır. Yine de üretken yapay zekâyı BDM’yle özdeşleştirmemek gerekir. BDM esas olarak dil ve metinle çalışır. Bir ölçüde kod üretimi de bu kapsamda değerlendirilebilir. Görsel, ses ya da video üretimi ise genellikle farklı model mimarilerine dayanır ve çoğu zaman multimodal sistemler başlığı altında ele alınır. Bu nedenle ChatGPT gibi araçlar gündelik kullanımda YZ’nin kendisi gibi görünse de, teknik olarak daha geniş bir yapay zekâ ekosisteminin belirli bir aşamasını ve belirli bir model ailesini temsil eder. Ayrıca bu yazı serisinde göstereceğimiz gibi, bugün “yapay zekâ” dediğimiz şeyin kapsamı ve tanımı zaman içinde önemli ölçüde değişmiştir. Buna bağlı olarak, günümüzde gündelik kullanımda daha çok BDM ile eş tutulan YZ’ye zaman içinde değişime uğrayan bir teknoloji kümesi olarak yaklaşacağız. ↑

3. Ayrıca, sonraki yazılarda YZ kışları olarak tartışacağımız hayal kırıklıkları ve fon kesintilerinin olduğu dönemlerde bu alanda çalışanların önemli bir kısmı YZ ifadesinden kaçınmıştır. ↑

4. Bender vd. (2021) tarafından geliştirilen “olasılıksal papağanlar” (stochastic parrots) tartışması, büyük dil modellerini anlamı kavrayan özneler olarak değil, eğitim verilerindeki örüntüleri yeniden üreten sistemler olarak düşünmemiz gerektiğinin altını çizer. ChatGPT sonrasında bu uyarının geçerliliğini kaybettiğini düşünmek için ciddi bir neden yok. Shanahan vd. (2023) de büyük dil modellerinin insan benzeri diyalog performansını açıklarken “rol yapma” (role play) kavramını kullanır. Bu çerçevede insan benzeri diyalog, modelin niyet, bilinç ya da kavrayış sahibi olduğu anlamına gelmez. Benzer biçimde, Barrow (2024) YZ etrafındaki abartının önemli bir kısmının antropomorfizmden, yani insan dışı sistemlere insan benzeri özellikler yükleme eğiliminden, kaynaklandığını savunur. ↑

5. GPT-4 üzerine yapılan bazı çalışmalar, modelin farklı alanlardaki performansına dayanarak onu erken ve eksik bir yapay genel zekâ biçimi olarak yorumlamıştır (Bubeck et al., 2023). Turing Testi’nin güncel varyantları üzerine yapılan yakın tarihli bir çalışma da ELIZA, GPT-4o, LLaMA-3.1-405B ve GPT-4.5’i karşılaştırarak, GPT-4.5’in belirli deney koşullarında üç taraflı Turing Testi’ni geçtiğini; LLaMA-3.1-405B’nin ise insan katılımcılardan istatistiksel olarak ayırt edilemediğini ileri sürmektedir. Çalışmada, GPT-4.5’in insana benzer bir persona benimsemesi istendiğinde katılımcılar tarafından yüzde 73 oranında insan olarak değerlendirildiği belirtilmiştir (Jones & Bergen, 2025). Bu çalışmaları, Turing’in taklit oyunu geleneğinden gelen performans odaklı zekâ anlayışının günümüzdeki yansımları olarak değerlendirebiliriz. ↑

6. Aristoteles’in Politika’da yer alan ifadesi şöyledir: “For if every instrument could accomplish its own work, obeying or anticipating the will of others, like the statues of Daedalus, or the tripods of Hephaestus, which, says the poet, ‘of their own accord entered the assembly of the Gods’; if, in like manner, the shuttle would weave and the plectrum touch the lyre without a hand to guide them, chief workmen would not want servants, nor masters slaves.”(Aristotle, Politics, Book I, Part 4). ↑

7. Bu paragrafta anılan isimlerin yapay zekâ ve bilgisayar tarihi açısından rollerini ve bu fikirsel hattın daha ayrıntılı gelişimini görmek için Nilsson (2010) ve Davis (2000)`e bakılabilir. Bu yazının amacı ve boyut sınırı, mantık, hesaplanabilirlik ve karar problemi tartışmalarını burada daha fazla derinleştirmeye izin vermiyor. ↑

8. Bu yazıda özellikle iki hatta odaklanıyorum: sembolik akıl yürütme ve olasılıksal karar verme. YZ’nin 1950 sonrasında gelişen tarihinde psikoloji, biyoloji, sinirbilim, davranışçılık, sibernetik ve evrim düşüncesinden gelen başka katkılar da önem kazanacaktır. Öğrenme, adaptasyon, geri besleme, yapay sinir ağları ve evrimsel arama tartışmaları bu daha geniş hattın parçasıdır. Bunları sonraki yazılarda ele alacağım. ↑

9. YZ’nin erken tarihi, bilgisayarların ortaya çıkış tarihinin bazı uğraklarıyla ister istemez kesişir. Bu yazı dizisinde amaç bilgisayarların genel tarihini anlatmak değil; sembolik işlem, hesaplanabilirlik, programlanabilirlik ve elektronik hesaplama gibi YZ’yi mümkün kılan eşikleri seçici biçimde izlemektir. ↑