Kıvılcım.

Yapay zekânın hikâyesi · 1950–2025

Kıvılcım.

Her şey bir soruyla başladı:
Bir makine düşünebilir mi?

Kaydır, zamanda ilerle

01Bir soru

Makineler
düşünebilir mi?

Alan Turing bir deney önerir: Bir makine, yazılı bir sohbette insandan ayırt edilebilir mi? “Taklit oyunu”, bu felsefi soruyu sınanabilir somut bir teste dönüştürür.

Sorgulayıcı, ekranın ardındakini göremez; yalnızca yanıtlara bakar. Ancak dışarıdan sergilenen zekice bir davranış, makinenin gerçekten düşündüğünü tek başına kanıtlar mı?

Ne değişti?Zekâ tartışması, soyut bir felsefeden gözlemlenebilir ve sınanabilir bir teste dönüştü.

Dönemin kaynağı ↗
01 / 11Kavramsal gösterim

Sahne: Sorgulayıcı, A ve B kapılarının ardındaki iki tarafa kâğıtla sorular gönderir; yanıtlar geri gelir, kimin insan kimin makine olduğu gizli kalır. Kavramsal gösterim.

02Bir alan doğuyor

Bir fikrin artık
bir adı var.

1955 tarihli öneride “yapay zekâ” adı kullanılır. Bu çağrıyla hazırlanan Dartmouth Yaz Çalıştayı, 1956’da öncü araştırmacıları buluşturur.

Dil, öğrenme ve mantıksal problem çözme ortak bir araştırma çatısı altında ele alınır. Farklı bilim dalları, aynı büyük hedefin etrafında birleşir.

Ne değişti?Yapay zekâ, bağımsız bir bilimsel araştırma alanı olarak resmen tanımlandı.

Dönemin kaynağı ↗
02 / 11Kavramsal gösterim

Sahne: Daktiloda 1955 tarihli Dartmouth araştırma önerisi yazılır; “Yapay Zekâ” adı ve öneriyi imzalayan dört araştırmacı görünür, kenara önerideki konular not edilir.

03Hatalardan öğrenmek

Bir çizgi,
öğrenebilir mi?

Frank Rosenblatt’ın 1958 tarihli Perceptron makalesi, örneklerden öğrenen erken modellerden birini açıklar. Sistem hata yaptıkça, girdilerin ağırlıkları adım adım güncellenir.

Ekranda hareket eden çizgi, modelin doğru karara ulaşma çabasını simgeler. Basit bir model uygun verileri tek çizgiyle ayırabilir; ancak her problem bu kadar kolay çözülemez.

Ne değişti?Kuralları tek tek elle yazmak yerine, sistemlerin hatalarından ders çıkararak öğrenebileceği kanıtlandı.

Dönemin kaynağı ↗
03 / 11Örnek noktalar · simülasyon

Sahne: İki gruba ayrılmış örnek noktalar ve onları ayırmaya çalışan bir çizgi. Her yanlış sınıflanan nokta çizgiyi düzeltir; yandaki şemada girdilerin ağırlıkları değişir. Noktalar sentetiktir, sayaç yalnızca bu örneğe aittir.

04Konuşma yanılsaması

Seni anlıyor
gibi görünüyor.

Joseph Weizenbaum’un 1966 tarihli ELIZA programı, insan dilini taklit eden erken sohbet yazılımlarından biridir. Bir terapist rolüne bürünerek kullanıcının cümlelerinden yeni sorular türetir.

Yalnızca anahtar sözcükleri yakalayıp kalıplara yerleştirmek bile insanda derin bir empati hissi uyandırabilir. Ancak akıcı bir diyalog, makinenin söylenenleri gerçekten anladığını göstermez.

Ne değişti?Dilin yüzeysel akıcılığı ile zihinsel kavrayış arasındaki fark görünür oldu.

Dönemin kaynağı ↗
04 / 11Yazılmış örnek diyalog

Sahne: Teleks kâğıdına yazılmış örnek bir ELIZA konuşması basılır; kullanıcı cümlesindeki anahtar kelime işaretlenir ve hazır kalıptan gelen yanıta bağlanır. Yazılmış örnek diyalog.

05Beklentiler ve sınırlar

Her dönem
bahar değil.

Abartılı vaatler dönemin yetersiz işlem gücüne ve veri kıtlığına çarpar. Beklentiler karşılanamayınca kaynakların kesildiği ve ilginin söndüğü “yapay zekâ kışları” başlar.

1980’lerde insan uzmanlığını binlerce kuralla kodlayan “uzman sistemler” sektöre yeniden umut verir. Ancak bu katı kuralların bakımı zorlaşır, beklenmedik durumlarda sistemler çöker ve yeni bir kış gelir.

Ne değişti?Yapay zekâ gelişiminin kesintisiz bir yükseliş değil, dalgalı ve derslerle dolu bir yolculuk olduğu anlaşıldı.

Tarihsel değerlendirme ↗
05 / 11Dönemsel metafor · ölçüm değil

Sahne: “Eğer… ise…” kural kartları üst üste yığılarak bir kule oluşturur; beklenmedik bir durum kartıyla kule sallanır ve devrilir, üzerine kar yağar. Dönemsel metafor, ölçüm değil.

06Dar bir görevde zafer

Şampiyonun
karşısında makine.

IBM’in Deep Blue süper bilgisayarı, dünya satranç şampiyonu Garry Kasparov’u mağlup eder. Kuralları kesin olarak tanımlanmış bir alanda muazzam işlem gücü tarihi bir zafer kazanır.

Deep Blue saniyede 200 milyon hamle olasılığını hesaplayarak en avantajlı yolu seçer. Ancak bir oyunda usta olmak, genel bir insan zekâsına ve bilincine sahip olmak anlamına gelmez.

Ne değişti?Tek bir uzmanlık alanında (dar yapay zekâ) üstünlük kurmanın, insan gibi çok yönlü düşünmek anlamına gelmediği somutlaştı.

Dönemin kaynağı ↗
06 / 11Simgesel tahta · özgün maç değil

Sahne: Satranç tahtasının yanında bir arama ağacı büyür; bazı dallar budanır, seçilen yol tahtada bir hamleye dönüşür ve şah devrilir. Simgesel tahta, özgün maç değil.

07Veriden örüntüye

Pikselden
bir fikre.

AlexNet, görsel tanıma yarışmasında derin yapay sinir ağlarının olağanüstü gücünü kanıtlar. Devasa veri setleri, güçlü grafik işlemciler (GPU) ve çok katmanlı ağlar bir araya gelir.

İlk katmanlar basit çizgileri yakalarken daha derin katmanlar şekilleri ve nesneleri tanır. Kurallar elle yazılmaz; model, pikseller arasındaki gizli örüntüleri doğrudan veriden öğrenir.

Ne değişti?Görüntü özelliklerini veriden öğrenen derin ağlar, görsel tanımada güçlü bir yaklaşım olarak öne çıktı.

Dönemin kaynağı ↗
07 / 11Kavramsal örnek · model ölçümü değil

Sahne: Piksellerden oluşan bir kedi resmi katmanlara ayrılır; ilk katman kenarları, sonraki parçaları yakalar, en sonda “kedi” kavramı belirir. Kavramsal örnek.

08Arama ve öğrenme

Başka bir
oyun anlayışı.

Google DeepMind’ın geliştirdiği AlphaGo, derin sinir ağlarını akıllı arama algoritmalarıyla birleştirerek Go ustası Lee Sedol’u 4–1 yener. Sezgi ve planlama aynı sistemde buluşur.

AlphaGo tahtadaki tüm olasılıkları tek tek saymak yerine, tıpkı insan ustalar gibi tahtadaki konuma ve stratejik dengeye odaklanır. Kendi kendine oynadığı milyonlarca maçtan çıkardığı özgün hamlelerle kazanır.

Ne değişti?Yapay zekânın sadece insanı kopyalamakla kalmayıp, sezgi ve strateji gerektiren karmaşık alanlarda özgün çözümler üretebileceği kanıtlandı.

Dönemin kaynağı ↗
08 / 11Simgesel tahta · özgün maç değil

Sahne: Go tahtasına taşlar dizilir; birkaç aday hamle belirir, arama bunları tek hamleye daraltır ve taş konur. Simgesel tahta, özgün maç değil.

09Dikkat ve bağlam

“O”,
neyi işaret ediyor?

“Attention Is All You Need” makalesi, Transformer mimarisini tanıtır. Dikkat mekanizması, sözcükler arasındaki bağları ağırlıklandırarak bağlamın işlenmesine yardımcı olur.

“Kedi sütü içti çünkü o acıkmıştı.” Sahnedeki yazılmış örnek, “o” ile “kedi” arasındaki bağı gösterir. Bu iplikler gerçek bir modelin dikkat ağırlıkları değildir.

Ne değişti?Dikkate dayalı mimari, eğitimde daha fazla paralellik ve uzak sözcükler arasında doğrudan bağlantı sağladı.

Dönemin kaynağı ↗
09 / 11Kavramsal bağlantılar · ağırlık ölçümü değil

Sahne: “Kedi sütü içti çünkü o acıkmıştı” cümlesinin kelimeleri kartlarda durur; “o” kartından diğerlerine iplik uzanır, en gergin iplik “Kedi” kartına bağlanır. Kavramsal bağlantılar, model ağırlığı değil.

10Üretimin yeni arayüzü

Parça parça
yeni bir yanıt.

2022’de ChatGPT, üretken yapay zekâyı doğal bir sohbet arayüzüyle milyonlarca insana ulaştırır. Sistem, önceki sözcüklere bakarak bir sonraki en olası sözcük parçasını (token) tahmin eder ve yanıtı adım adım üretir.

2024’te GPT-4o gibi çok kipli (multimodal) modeller metin, ses ve görüntüyü aynı anda kavrayıp yanıt üretir. Üretim gücü olağanüstü artarken doğruluk, telif ve güvenilirlik soruları en ön sıraya yerleşir.

Ne değişti?Günlük insan dili; kod yazma ve resim üretme gibi birçok iş için yeni bir arayüz sundu.

Dönemin kaynağı ↗
10 / 11Yazılmış örnek · model çıktısı değil

Sahne: Yanıt, matbaa harfleri gibi parça parça dizilir; ardından metin, görüntü ve ses aynı modele girip farklı biçimlerde çıkar. Yazılmış örnek, model çıktısı değil.

11Düşünmek ve yapmak

Önce düşün,
sonra yap.

Eylül 2024’te OpenAI’ın o1 modelleri, yanıt vermeden önce adım adım akıl yürütür. Ocak 2025’te DeepSeek-R1, benzer bir yeteneği açık ağırlıklı bir modelle paylaşır: Model ara adımlarını yazar, sonucu kontrol eder ve hatasını düzeltebilir.

Ekim 2024’te Anthropic, Claude’un ekrana bakıp imleci hareket ettirerek, tıklayarak ve yazarak bilgisayar kullanabildiğini duyurur. Bu “ajan” yaklaşımı henüz deneyseldir ve hata yapabilir; yaptıklarının izlenmesi gerekir.

Ne değişti?Yapay zekâ, yalnızca yanıt üreten bir araçtan; düşünüp çok adımlı işleri yürüten bir yardımcıya doğru ilerlemeye başladı.

Dönemin kaynağı ↗
11 / 11Yazılmış örnek adımlar · model çıktısı değil

Sahne: Bir problemin altında akıl yürütme adımları tek tek yazılır; hatalı bir adım üstü çizilip düzeltilir, sonuç kontrol edilir ve ancak sonra yanıt verilir. Ardından bir imleç, bir pencerede küçük bir görevi adım adım tamamlar: ekranı gözler, eylemi seçer, yapar ve sonucu kontrol eder. Yazılmış örnek, model çıktısı değil.

Son soru · Öğrenmekten üretmeye

Akıcı bir yanıt,
doğru bir yanıt
demek değildir.

Öğrenen, üreten ve artık iş de yapan yapay zekâ insanlığa benzersiz olanaklar sunuyor; ancak üretilen bilginin doğruluğu, kaynağı ve nasıl kullanıldığı her zamankinden daha dikkatle sorgulanmalıdır.

Bu hikâyenin kaynakları

Kaynakça · Makaleler ve kurumsal kayıtlar

Hikâyenin dayandığı kaynaklar.

Bu seçki; bilimsel makaleleri, kurumsal duyuruları ve geriye dönük tarih değerlendirmelerini içerir. Sahnelerdeki diyaloglar, tahtalar ve şemalar kavramsal örneklerdir.

  1. Alan Turing · Computing Machinery and Intelligence 1950 ↗
  2. Dartmouth · 1956 Yapay Zekâ Yaz Araştırma Projesi Önerisi 1955 ↗
  3. IBM · Yapay Zekânın Tarihsel Gelişimi ↗
  4. IBM · Deep Blue Satranç Karşılaşması 1997 ↗
  5. Krizhevsky, Sutskever, Hinton · AlexNet Makalesi 2012 ↗
  6. Google DeepMind · AlphaGo ve Lee Sedol Karşılaşması 2016 ↗
  7. Vaswani ve diğerleri · Attention Is All You Need 2017 ↗
  8. OpenAI · ChatGPT Tanıtım Duyurusu 2022 ↗
  9. OpenAI · Hello GPT-4o ve Çok Kipli Modeller 2024 ↗
  10. Frank Rosenblatt · Perceptron Makalesi (Yeniden Basım) 1958 ↗
  11. Joseph Weizenbaum · ELIZA Makalesi 1966 ↗
  12. OpenAI · OpenAI o1 Sistem Kartı 2024 ↗
  13. DeepSeek-AI · DeepSeek-R1: Pekiştirmeli Öğrenmeyle Akıl Yürütme 2025 ↗
  14. Anthropic · Bilgisayar Kullanımı (Computer Use) Duyurusu 2024 ↗
1950 / BÖLÜM 01

01 — BİR SORU

Makineler düşünebilir mi?

Alan Turing, zekâyı soyut bir felsefi tartışma olmaktan çıkarıp dışarıdan gözlemlenebilir bir taklit oyununa dönüştürerek yapay zekânın en temel sorusunu sordu.

Tarihsel Arka Plan

İkinci Dünya Savaşı sırasında Enigma şifresinin kırılmasında kilit rol oynayan İngiliz matematikçi Alan Turing, 1950 yılında felsefe dergisi Mind’da “Computing Machinery and Intelligence” başlıklı çığır açıcı makalesini yayımladı. Turing yazısına doğrudan şu soruyla başlıyordu: “Makineler düşünebilir mi?” Ancak “düşünmek” kavramının tanımı kişiden kişiye değiştiği için bu soruyu herkesin gözlemleyebileceği nesnel ve somut bir teste dönüştürdü.

Nasıl Çalışıyor?

Turing’in önerdiği “Taklit Oyunu” (Turing Testi) oldukça anlaşılırdır: Ayrı bir odada bir insan ile bir bilgisayar bulunur; başka bir odadaki sorgulayıcı ise yalnızca yazılı mesajlarla onlarla sohbet eder. Sorgulayıcı; ses tonu veya dış görünüşü görmeden kimin insan, kimin makine olduğunu anlamaya çalışır. Eğer bilgisayar, sorgulayıcıyı gerçek bir insan olduğuna inandırabilecek kadar doğal yanıtlar verirse zekice davrandığı kabul edilir. Turing ayrıca makinelere her kuralı tek tek ezberletmek yerine, tıpkı bir çocuk zihni gibi deneyimle öğrenmelerini sağlamak gerektiğini belirtmiştir.

Neden Önemli?

Bu yaklaşım, zekâyı soyut ve ulaşılamaz bir kavram olmaktan çıkarıp doğrudan gözlemlenebilen davranışlara bağladı. Günümüzde dahi bir yapay zekânın dili gerçekten kavrayıp kavramadığı ya da yalnızca insanı taklit edip etmediği tartışılırken, Turing’in bu düşünce deneyi temel başvuru noktası olmayı sürdürmektedir.

1956 / BÖLÜM 02

02 — BİR ALAN DOĞUYOR

Bir fikrin artık bir adı var.

Dartmouth College’da toplanan öncü araştırmacılar, insan zihninin işleyişini makinelerle modelleme hedefini bağımsız bir bilim dalına dönüştürdü ve bu yeni alana “yapay zekâ” adını verdi.

Tarihsel Arka Plan

1950’lerin ilk yarısında bilgisayarlar henüz çok yeniydi ve düşünen makineler üzerine yapılan çalışmalar sibernetik, matematik ve mantık gibi farklı alanlara dağılmıştı. 1955 yılında genç matematikçi John McCarthy; Marvin Minsky, Nathaniel Rochester ve Claude Shannon ile birlikte Rockefeller Vakfı’na bir araştırma önerisi sundu. Bu başvuruda ilk kez resmen şu kavram kullanıldı: “Yapay Zekâ” (Artificial Intelligence).

Nasıl Çalışıyor?

Önerinin temelinde cesur bir varsayım vardı: Öğrenmenin ve zekânın her özelliği, bir makinenin benzetimini yapabileceği kadar açık biçimde tarif edilebilirdi. 1956 yazı için planlanan çalışma; dil, sinir ağları, soyutlama ve problem çözme gibi farklı araştırma konularını ortak bir hedef etrafında topluyordu.

Neden Önemli?

Dartmouth çalıştayı sayesinde dağınık fikirler tek bir ortak çatı altında toplandı ve yapay zekâ bağımsız bir araştırma alanı olarak doğdu. O toplantıya katılan öncüler, sonraki 30 yıl boyunca dünyanın en etkili yapay zekâ laboratuvarlarını kurarak araştırmalara yön verdiler.

1958 / BÖLÜM 03

03 — HATALARDAN ÖĞRENMEK

Bir çizgi, öğrenebilir mi?

Frank Rosenblatt, insan beynindeki nöronlardan ilham alarak geliştirdiği Perceptron ile kuralları tek tek elle kodlamak yerine, bir sistemin hatalarından ders çıkararak öğrenebileceğini gösterdi.

Tarihsel Arka Plan

1950’lerin sonunda araştırmacılar satranç ve mantık gibi kurallara dayalı programların yanında, öğrenen sinir ağlarını da inceliyordu. Psikolog Frank Rosenblatt, insan beyninin biyolojik yapısından esinlendi. 1958’de yayımladığı “Perceptron” çalışması, örneklerden öğrenen makineler için önemli bir adım oldu.

Nasıl Çalışıyor?

Perceptron, beyindeki tek bir sinir hücresini (nöronu) taklit eden basit bir matematiksel modeldir. Gelen bilgileri önem derecelerine (ağırlıklarına) göre çarpar; toplam değer belirli bir eşiği aşarsa olumlu (1), aşmazsa olumsuz (0) karar verir. En önemli yanı ise hata yaptıkça kendini düzeltmesidir: Yanlış bir karar verdiğinde ağırlıkları biraz değiştirir ve bir sonraki seferde daha doğru bir karar vermeye çalışır. Bu işlem, iki farklı veri grubunun arasına onları ayıran düz bir çizgi çekmeye benzer.

Neden Önemli ve Sınırları Nelerdi?

Perceptron büyük bir heyecan yarattı ancak önemli bir sınırı vardı: Yalnızca düz bir çizgiyle ikiye ayrılabilen basit durumları çözebiliyordu. 1969 yılında Marvin Minsky ve Seymour Papert, tek katmanlı bu modelin biraz daha karmaşık mantıksal desenleri (örneğin XOR problemini) çözemeyeceğini kanıtladı. Bu durum, çok katmanlı modern ağlar geliştirilene kadar yapay sinir ağları çalışmalarının uzun süre yavaşlamasına yol açtı.

1966 / BÖLÜM 04

04 — KONUŞMA YANILSAMASI

Seni anlıyor gibi görünüyor.

Joseph Weizenbaum’un geliştirdiği sohbet programı ELIZA, insanların birkaç basit kalıpla konuşan bir makineye bile ne kadar kolay empati ve bilinç yükleyebildiğini şaşırtıcı bir şekilde ortaya koydu.

Tarihsel Arka Plan

1960’ların ortasında MIT araştırmacısı Joseph Weizenbaum, bilgisayarların insan dilini taklit edebilme yeteneğini test etmek için ELIZA adını verdiği bir yazılım geliştirdi. Programın en bilinen sürümü bir psikoterapist gibi davranıyordu: Kullanıcının yazdığı cümlelerdeki anahtar kelimeleri yakalıyor ve bunları yeni sorulara dönüştürerek kullanıcıya geri yönlendiriyordu.

Nasıl Çalışıyor?

ELIZA genel bir dünya bilgisine dayanmak yerine anahtar sözcük sözlüğü, ayrıştırma ve yeniden birleştirme kuralları kullanıyordu. Yazılmış örneğimizde “Annem beni hiç dinlemiyor” cümlesindeki “anne” sözcüğü, “Annenden biraz daha bahset” yanıtına bağlanır. Anahtar sözcük bulunamadığında genel yanıtlar veya saklanan önceki dönüşümler kullanılabiliyordu.

Neden Önemli ve “ELIZA Etkisi”

Weizenbaum bu yazılımı basit bir deneme olarak hazırlamıştı; ancak insanların programa gerçek bir terapist gibi dert yandığını, en özel sırlarını anlattığını görünce büyük bir şaşkınlık yaşadı. Bu durum tarihe “ELIZA Etkisi” olarak geçti: İnsanlar akıcı bir dille yanıt veren bir makine gördüklerinde, arka planda hiçbir zihinsel kavrayış veya düşünce olmasa bile ona hemen zekâ, duygu ve empati atfetme eğilimi gösterirler.

1974–93 / BÖLÜM 05

05 — BEKLENTİLER VE SINIRLAR

Her dönem bahar değil.

Aşırı vaatlerin hayal kırıklığına dönüştüğü yapay zekâ kışları araştırmaları durma noktasına getirdi; ardından gelen kural tabanlı uzman sistemler ise katı mantığın sınırlarına takıldı.

Tarihsel Arka Plan ve İlk Kış

1960’larda yapılan “on yıl içinde insan zekâsına ulaşacağız” gibi iddialı tahminler 1970’lere gelindiğinde karşılıksız kaldı. Bilgisayarlar ne dilleri doğru çevirebiliyor ne de karmaşık sorunları çözebiliyordu. Bu hayal kırıklığı üzerine hükümetler ve araştırma kurumları fonları kesti; böylece tarihe “Birinci Yapay Zekâ Kışı” (1974–1980) olarak geçen uzun bir duraklama dönemi başladı.

Uzman Sistemler ve Mantık Kuralları

1980’lerde alana yeniden canlılık getiren yaklaşım “Uzman Sistemler” oldu. Bu sistemler her şeyi bilen genel bir zekâ hedeflemek yerine, yalnızca belirli bir uzmanlık konusuna odaklandı (örneğin hastalık teşhisi veya fabrika planlaması). Alanında uzman insanların bilgileri binlerce “EĞER... İSE...” kuralına dönüştürüldü. Birçok büyük şirket bu sistemleri kullanarak milyonlarca dolar tasarruf etti ve sektöre yeniden büyük yatırımlar aktı.

İkinci Kış ve Çıkarılan Dersler

Ancak katı kurallarla çalışan bu sistemler çok kırılgandı. Günlük hayattaki basit sağduyudan yoksundular, kuralların sayısı on binleri bulunca bakımları imkânsız hâle geldi ve kural dışı en ufak bir belirsizlikte çöktüler. 1980’lerin sonunda yaşanan yeni bir hayal kırıklığıyla “İkinci Yapay Zekâ Kışı” (1987–1993) başladı. Bu süreç, yapay zekânın düz bir başarı çizgisi değil, iniş çıkışlarla dolu bir olgunlaşma süreci olduğunu gösterdi.

1997 / BÖLÜM 06

06 — DAR BİR GÖREVDE ZAFER

Şampiyonun karşısında makine.

IBM’in Deep Blue bilgisayarı, 1997’de hüküm süren dünya satranç şampiyonu Garry Kasparov’u standart turnuva süresinde oynanan maç serisinde yenen ilk bilgisayar oldu.

Tarihsel Arka Plan ve Büyük Karşılaşma

Satranç, yüzyıllar boyunca insan aklının, stratejisinin ve entelektüel derinliğinin zirvesi olarak görüldü. 1996’daki ilk maçta dünya şampiyonu Garry Kasparov, IBM’in Deep Blue bilgisayarını yenmişti. Ancak IBM mühendisleri sistemi baştan aşağı güçlendirdi ve Mayıs 1997’deki rövanş maçında Deep Blue, Kasparov’u 3,5–2,5 yenerek dünya şampiyonunu maç serisinde mağlup eden ilk bilgisayar oldu.

Nasıl Çalışıyor?

Deep Blue’nun gücü, satranç bilgisiyle yüksek hesaplama hızını birleştirmesinden geliyordu. Saniyede 200 milyon pozisyonu değerlendirebilen özel işlemciler kullanıyordu. Oyun arşivleri, konum değerlendirmesi ve alfa-beta budama gibi arama yöntemleriyle olası devam yollarını inceliyor, ulaşılan konumların puanlarına göre hamle seçiyordu.

Neden Önemli ve “Dar Zekâ” Sınırı

Bu zafer dünyada büyük bir yankı uyandırdı; ancak aynı zamanda çok önemli bir ayrımı da gözler önüne serdi: Deep Blue satrançta bir ustaydı ama yalnızca satranç biliyordu. Tahtadaki taşları fiziksel olarak göremiyor, satranç dışında en basit bir soruyu dahi cevaplayamıyor ve kazandığının bilincinde bile değildi. Böylece yalnızca tek bir görevde uzmanlaşan “Dar Yapay Zekâ” ile insanın çok yönlü zekâsı arasındaki fark ilk kez bu kadar somut anlaşıldı.

2012 / BÖLÜM 07

07 — VERİDEN ÖRÜNTÜYE

Pikselden bir fikre.

AlexNet, görsel tanıma yarışmasında derin yapay sinir ağlarının ve grafik işlemcilerin (GPU) üstün gücünü kanıtlayarak günümüzün modern derin öğrenme devrimini başlatan kıvılcım oldu.

Tarihsel Arka Plan ve Dönüm Noktası

O dönemin yaygın görüntü tanıma yaklaşımları elle tasarlanan özellikleri kullanıyordu; veriden öğrenen sinir ağları da zaten araştırılıyordu. Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton’ın 2012 ImageNet yarışmasına sunduğu ağ topluluğu, top-5 hata oranını %15,3’e indirdi. İkinci sistemin %26,2’lik sonucuyla fark 10,9 yüzde puandı.

Nasıl Çalışıyor?

AlexNet, 8 katmandan oluşan bir derin yapay sinir ağıydı. Modelin en büyük yeniliği, fotoğraftaki özellikleri insanın elle tarif etmesine ihtiyaç duymamasıydı: Ağın ilk katmanları ham piksellerden temel çizgileri, orta katmanları doku ve şekilleri, son katmanları ise göz, tekerlek gibi nesne parçalarını doğrudan verinin kendisinden öğrendi. Bu başarı; milyonlarca fotoğraflık dev veri seti ve oyunlar için üretilen grafik işlemcilerin (GPU) hesaplama gücüyle mümkün oldu.

Neden Önemli ve Bıraktığı Miras

AlexNet’in başarısı, büyük veri ve GPU desteğiyle eğitilen derin ağların görüntü sınıflandırmadaki gücünü gösterdi. Derin öğrenmenin yaygınlaşmasını hızlandıran bu sonuç, yapay zekâ tarihinin önemli eşiklerinden biri oldu.

2016 / BÖLÜM 08

08 — ARAMA VE ÖĞRENME

Başka bir oyun anlayışı.

Google DeepMind’ın geliştirdiği AlphaGo, derin sinir ağlarını kendi kendine oynayarak öğrenmeyle birleştirdi ve dünyanın en karmaşık strateji oyunu kabul edilen Go’da insan sezgisini geride bıraktı.

Tarihsel Arka Plan ve Tarihi Maç

Uzak Doğu kökenli Go oyunu, tahtasındaki olası hamle kombinasyonlarının evrendeki atom sayısından bile katbekat fazla olması nedeniyle bilgisayarlar için aşılması imkânsız bir kale sayılıyordu. Satranç gibi yalnızca hızlı hamle hesaplayarak kazanılamazdı; derin bir stratejik sezgi ve oyun anlayışı gerektiriyordu. Mart 2016’da Seul’de AlphaGo, kariyerinde 18 dünya şampiyonluğu bulunan efsanevi Go ustası Lee Sedol ile tarihi bir maç serisine çıktı.

Nasıl Çalışıyor?

AlphaGo iki yapay sinir ağını bir araya getirdi: İlki hangi hamlenin en doğru adım olduğunu belirleyen “Politika Ağı”, ikincisi ise o anki tahta durumunun maçı kazandırıp kazandırmayacağını değerlendiren “Değer Ağı”. Sistem önce usta oyuncuların 30 milyon hamlesi üzerinde eğitildi; ardından kendi kopyalarına karşı milyonlarca kez oyun oynayarak (pekiştirmeli öğrenme) insanların dahi daha önce hiç denemediği yepyeni stratejiler keşfetti.

Neden Önemli ve Meşhur 37. Hamle

AlphaGo seriyi 4–1 kazandı. Özellikle ikinci maçın 37. hamlesinde AlphaGo’nun yaptığı alışılmadık hamle, usta yorumcular tarafından önce hata sanıldı; ancak maç ilerledikçe bu hamlenin tahtanın kaderini belirleyen dâhiyane bir strateji olduğu anlaşıldı. Bu zafer, yapay zekânın sadece insanları taklit etmekle yetinmeyip stratejik yaratıcılık sergileyebileceğini gösterdi.

2017 / BÖLÜM 09

09 — DİKKAT VE BAĞLAM

“O”, neyi işaret ediyor?

Transformer mimarisi, tekrarlayan katmanlar yerine dikkat mekanizmalarını kullanarak dil modeli eğitiminde paralel hesaplamayı güçlendirdi.

Tarihsel Arka Plan ve Sıralı Okumanın Sınırı

Dönemin yaygın tekrarlayan dil modelleri, dizi konumlarını sırayla hesaplıyor; bu da eğitimde paralelliği sınırlıyordu. Paralel çalışan başka yaklaşımlar da vardı. 2017 tarihli “Attention Is All You Need”, tekrarlayan katmanlara ihtiyaç duymayan bir mimari önerdi. Bununla birlikte makaledeki model, çeviri üretirken çıkış parçalarını yine adım adım oluşturur.

Nasıl Çalışıyor? (Öz-Dikkat Mekanizması)

Öz-dikkat (Self-Attention), her konumun erişebildiği diğer konumlara farklı ağırlıklar vermesini sağlar. Erişim, modelin kullandığı maskeye bağlıdır; üretim sırasında gelecek parçalar gizlenir. Sahnedeki “o → kedi” bağı yazılmış bir örnektir, gerçek model ölçümü veya anlama garantisi değildir.

Neden Önemli ve Büyük Modellerin Doğuşu

Eğitimde daha fazla işlemin paralel yürütülebilmesi, büyük modellerin geliştirilmesine katkı sağladı. Transformer, daha sonraki birçok dil ve görüntü modeline temel olan bir mimari hâline geldi.

2022–24 / BÖLÜM 10

10 — ÜRETİMİN YENİ ARAYÜZÜ

Parça parça yeni bir yanıt.

ChatGPT ile milyonlarca insanın günlük yaşamına giren üretken yapay zekâ; metin, ses ve görüntüyü birlikte anlayan çok kipli modellere dönüşerek teknolojiyle iletişim kurma biçimimizi baştan aşağı yeniledi.

Tarihsel Arka Plan ve ChatGPT Devrimi

Kasım 2022’de kullanıma açılan ChatGPT, doğal bir sohbet arayüzünü herkesin deneyebildiği bir araştırma önizlemesiyle sundu. Metin ve kod üretimi gibi işlerde kullanılabilse de akıcı yanıtları yanlış bilgi içerebiliyordu. 2024’te tanıtılan GPT-4o ise metin, ses ve görüntüyü aynı sinir ağıyla işleyen çok kipli yaklaşımı öne çıkardı.

Nasıl Çalışıyor? (Token Tahmini ve Hizalama)

Büyük dil modelleri metinleri “token” adı verilen hece ve kelime parçalarına böler. Modelin temel çalışma prensibi, yazılan cümleye bakarak gelmesi en muhtemel bir sonraki kelime parçasını istatistiksel olarak tahmin etmektir. Milyarlarca sayfalık metinle eğitilen bu modeller, insanların verdiği geri bildirimlerle (RLHF) yönlendirilip hizalanarak kibar ve faydalı birer asistana dönüştürülür. Çok kipli sistemlerde ses ve görüntüler de tıpkı kelimeler gibi ortak bir temsil havuzunda işlenir.

Neden Önemli ve Beraberinde Getirdiği Riskler

Günlük konuşma dili, birçok dijital iş için komut vermenin yeni bir yolunu sundu. Ancak bu gelişim önemli sorunları da beraberinde getirdi: Halüsinasyon (modelin yanlış bilgileri kendinden emin bir dille doğruymuş gibi sunması), telif hakları, önyargılar ve yüksek enerji tüketimi. Akıcı ve ikna edici bir cümlenin mutlaka doğru olmadığı, bu dönemin kritik derslerinden biridir.

2024–25 / BÖLÜM 11

11 — DÜŞÜNMEK VE YAPMAK

Önce düşün, sonra yap.

2024–25 yıllarında dil modelleri iki yeni beceriyle öne çıktı: yanıt vermeden önce adım adım akıl yürütmek ve bir bilgisayarı ekrana bakarak kullanıp çok adımlı işleri yürütmek.

Tarihsel Arka Plan

OpenAI, Eylül 2024’te o1 model serisini tanıttı. Bu modeller, yanıt vermeden önce bir “düşünce zinciri” üretecek şekilde büyük ölçekli pekiştirmeli öğrenmeyle eğitildi. Ocak 2025’te DeepSeek-AI, DeepSeek-R1 makalesini yayımladı ve modeli MIT lisansıyla açık ağırlıklı olarak paylaştı. Aynı dönemde Anthropic, Ekim 2024’te Claude’un bilgisayarı ekrana bakarak, imleci hareket ettirip tıklayarak ve yazarak kullanabildiğini duyurdu.

Nasıl Çalışıyor? (Akıl Yürütme ve Ajan Döngüsü)

Akıl yürüten bir model sonucu doğrudan yazmak yerine önce ara adımlar üretir: problemi parçalara ayırır, bir yol dener, sonucu kontrol eder ve gerekirse geri dönüp düzeltir. DeepSeek-R1 makalesi, pekiştirmeli öğrenmenin modelde kendini sorgulama ve doğrulama gibi davranışlar ortaya çıkardığını bildirir. Ajan olarak çalışan bir model ise bir döngü izler: ekranı gözler, bir eylem seçer (tıklamak, yazmak), sonucu yeniden gözler ve hedefe ulaşana kadar devam eder.

Neden Önemli ve Sınırları Nelerdi?

Bu yaklaşım; matematik ve kodlama gibi sonucu doğrulanabilen görevlerde daha güçlü sonuçlar getirdi ve yapay zekâyı yalnızca soru yanıtlayan bir araçtan iş yapan bir yardımcıya yaklaştırdı. Ancak uzun bir düşünce zinciri de hatalı olabilir. Anthropic, duyurusunda bilgisayar kullanımını “deneysel” ve zaman zaman “hataya açık” olarak nitelendirdi. Kendi başına iş yapan sistemlerin ne yaptığının izlenmesi ve denetlenmesi bu yüzden her zamankinden önemlidir.