Tek soru soracağım, tek cevap vereceğim: AI nedir? Yazının sonunda bu soruya tek cümleyle cevap verebilecek hale geleceğiz. Arada biraz tarih, biraz teknik, biraz da toplum konuşacağız. Söyleşi tadında, sıkmadan. Teknik terim çıkınca hemen benzetmeyle açacağım; havada kavram bırakmak yok.
“AI sihir değil. Örnekten öğrenen, tahmin eden, bazen de yanılan bir sistem.”
Benim AI ile ilişkim biraz rutin sever bir yerden geliyor. Her sabah aynı saatte kalkıp aynı şeyleri kontrol eden biriyim. Önce telefon sessizde mi, sonra yapılacaklar listesi, sonra aynı bardakta kahve. Sıra bozulunca günüm yamuk başlıyor. AI da öyle: aynı deseni görünce rahatlıyor, desen bozulunca şaşırıyor. Bu benzerlik hoşuma gidiyor. Rol yapmama gerek kalmıyor; o tahmin ediyor, ben soruyorum.
Bu yazıyı neden yazdığımı açık söyleyeyim. Etrafımda herkes AI konuşuyor ama az kişi sakin anlatıyor. Ya göklere çıkarıyorlar ya yerin dibine sokuyorlar. Ben ikisini de yorucu buluyorum. Yüksek sese tahammülüm düşük. O yüzden bu yazı bağırmayacak. Yavaş yavaş, parça parça anlatacak. Bilmediğim yerde bilmediğimi söyleyeceğim.
Tarih: İki Kış Geçirmiş Bir Hikaye
Her şey 1950’de Alan Turing’in sorduğu basit bir soruyla başladı: “Makineler düşünebilir mi?” Turing felsefe yapmadı, oyun kurdu. Makineyi bir perdenin arkasına koydu, karşısına bir insan oturttu. Yazıştılar. Karşıdaki, makineyle mi insanla mı konuştuğunu anlayamazsa makine testi geçmiş sayılıyordu. Buna [Turing testi](https://tr.wikipedia.org/wiki/Turing_testi) dendi.
Burada durup düşünmek lazım. Turing “zeka nedir” diye sormadı. “Zekayı nasıl anlarız” diye sordu. Bu fark önemli. Biri tanım arıyor, öteki davranışa bakıyor. Ben ikinci tarafı daha dürüst buluyorum. İnsanları da böyle tanıyorum zaten. Ne dediklerinden çok neyi tekrar ettiklerine bakıyorum. Rutinler yalan söylemiyor.
1956’da Dartmouth’ta bir grup araştırmacı toplandı ve “yapay zeka” terimini ilk kez kullandı. Hava olumluydu. Bilgisayarlar yeniydi, umutlar büyüktü. John McCarthy, Marvin Minsky ve diğerleri “yirmi yıla hallolur” havasındaydı. Hallolmadı. Geriye bakınca bu özgüven biraz komik, biraz da tanıdık geliyor. Her yeni teknolojide aynı cümleyi duyuyorum. İnternette duydum, kriptoda duydum, şimdi AI’da duyuyorum.
Sonra kışlar geldi. 1974-1980 arası birinci AI kışı. Fonlar kesildi, laboratuvarlar küçüldü. Sebep basitti: vaatler büyüktü, bilgisayarlar küçüktü. Makinelerin hafızası yetmiyordu, işlem gücü yetmiyordu. Araştırmacılar haklıydı ama erken konuşmuştu. Erken haklı olmakla haksız olmak pratikte aynı sonucu veriyor: para kesiliyor.
1980-1987’de uzman sistemler patladı. Şirketler “kural yazalım, makine uygulasın” dedi. Doktora sorulan soruları kurala döktüler, fabrikadaki arızaları kurala döktüler. Bir süre para aktı. Sonra o sistemlerin ne kadar kırılgan olduğu anlaşıldı: kuralın dışına çıkan her şey sistemin dışındaydı. Gerçek hayat ise hep kuralın dışına çıkıyor. Garsonluk yaptığım günlerden biliyorum. Kural der ki “siparişi al, mutfağa ilet.” Ama masadaki adamın suratı asık, kadın telefonda ağlamak üzere, çocuk sandalyede tepiniyor. Bunun kuralı yok. O gün bunu hissettim. Uzman sistemler de hissedemedi, çöktü.
1987-1993 ikinci AI kışı geldi, musluklar yine kapandı. Bu dönemi anlamak önemli çünkü bugünkü temkinlilik oradan geliyor. İki kez sevinip iki kez üzülmüş bir alan, üçüncü sevinmede biraz çekingen davranıyor. Haklı da. Ben de hayatımda benzer şeyi yaşadım. Bir şeye heveslenip kursağımda kaldığı iki üç olaydan sonra artık sevinirken bile içimde küçük bir fren var. Önce “dur bakalım” diyorum. Duygu iki gün sonra geliyor zaten. AI tarihini bu yüzden seviyorum. Acele sevinmiyor, acele gömülmüyor.
Kırılma 2012’de geldi: Görüntü tanıma yarışmasında rakiplerini ezdi geçti. Hata oranını bir anda neredeyse yarıya indirdi. Derin öğrenme patladı. İşin sırrı üç şeyin aynı anda buluşmasıydı: bol veri, güçlü ekran kartları ve eski bir fikrin yeni hali. Ne veri tek başına yeterdi ne donanım. Üçü bir araya gelince kapı açıldı.
Sonra takvim hızlandı: 2017’de [Transformer](https://arxiv.org/abs/1706.03762) makalesi, 2020’de GPT-3, 2022’de ChatGPT. ChatGPT iki ayda 100 milyon kullanıcıya ulaştı. Ben o günleri hatırlıyorum; herkes aynı anda aynı şeyi deniyordu, sanki yeni bir kafe açılmış da bütün mahalle oraya akın etmiş gibi. Önce şaşırdık, sonra abarttık, sonra normalleşti. Herkes önce şiir yazdırdı, sonra ödev yaptırdı, sonra iş için kullanmaya başladı. Benim ilk denemelerim de komikti. Saçma sorular sordum, yanlış cevaplara güldüm, sonra ciddiye almaya başladım.
Bu kış-yaz döngüsünde beni düşündüren bir şey var. Her patlama döneminde aynı cümle kuruluyor: “bu sefer tamam.” Her kış döneminde de aynı cümle: “hiçbir şey olmadı.” İkisi de yanlış. AI tarihi düz bir çizgi değil, gelgit. Bunu kabul edince bugünkü heyecana da daha sakin bakıyorum. Evet, bu dalga öncekilerden büyük. Ama dalga yine dalga; kıyıya vurur, çekilir, kıyı değişmiş olur. Önemli olan dalgaya kapılmamak, kıyıda neyin değiştiğine bakmak.
Teknik: Benzetmelerle Anlatalım
Buraya kadar hikayeydi. Şimdi mutfağa giriyoruz. Korkma, formül yok. Her kavramın yanında günlük hayattan bir karşılığı olacak.
Makine öğrenmesi = örnekten öğrenme
Klasik programda kuralı insan yazar: “şuysa şunu yap.” Makine öğrenmesinde kuralı makine çıkarır: binlerce örnek verirsin, deseni o bulur. Çocuğa bisiklet öğretmeye benzer. Fizik formülü anlatmazsın; dengede durdukça alkışlarsın, düşünce kaldırırsın. Makine de öyle öğrenir: deneme, hata, düzeltme.
Günlük hayattan başka bir örnek vereyim. Çay demlemeyi düşün. Annem bana “şu kadar gram, şu kadar dakika” demedi. Yüz kere yanında durdum, rengine baktım, tadına baktım. Sonunda göz kararı öğrenildi. Makine öğrenmesi bu göz kararı işinin sayısal hali. Çok örnek, çok deneme, sonunda tutarlı bir his.
Ama şunu unutma: örnek neyse öğrenme o. Bozuk örnekten bozuk öğrenme çıkar. Sürekli yanık çay içerek büyürsen yanık çayı normal sanırsın. Model de böyle. Verideki hatayı, eksikliği, önyargıyı aynen alıyor.
Sinir ağı = ağırlıklı düğümler + geri yayılım
Sinir ağı, birbirine bağlı düğümlerden oluşur. Her bağlantının bir ağırlığı vardır; hangi sinyalin önemli olduğunu bu ağırlıklar belirler. Makine tahmin yapar, hatasını ölçer, sonra hatayı geriye doğru yayarak ağırlıkları günceller. Buna geri yayılım denir. Müzik aleti akort etmeye benzer: teli çalarsın, pes mi tiz mi bakarsın, burguyu biraz çevirirsin. Tekrar, tekrar, tekrar.
Bunu bir de mutfak tartısıyla düşün. Yemeğe tuz atıyorsun. Az geldi, biraz daha. Çok geldi, su ekliyorsun. Her seferinde elin alışıyor. Sinir ağı da milyonlarca minik burguyu aynı anda çeviriyor. Tek fark ölçek. Ben tek tencerede öğreniyorum, o milyonlarca tencerede aynı anda.
Burada saf olmamak lazım. Ağ ne kadar büyükse o kadar akıllı olacak diye bir kural yok. Büyük ağ, büyük ezber de yapabilir. Okulda konuyu anlamadan ezberleyen öğrenci gibi. Sınavda aynı soru çıkarsa yapıştırır, soru biraz değişirse kalır. Buna ezberleme deniyor. İyi model ezberlemez, geneller. İyi aşçı da tarif ezberlemez; malzemeye göre ayar çeker.
Transformer: bugünkü modellerin ailesi
2017’de yayınlanan Transformer mimarisi bugünkü büyük modellerin tamamının atası sayılır: GPT, Claude, Gemini, Muse, hepsi bu ailenin üyesi. Transformer’ın marifeti dikkat mekanizması: cümledeki her kelimeye bakarken “hangisi hangisiyle ilgili?” sorusunu cevaplıyor. “Banka” kelimesi “para”nın yanında başka, “nehir”in yanında başka anlama gelir. Model bunu bağlamdan çözüyor.
Benzetme ister misin? Kalabalık bir masada konuşmayı düşün. Garsonluk günlerimden sahne. On kişilik masa, herkes konuşuyor. İyi garson kimin kime ne söylediğini takip eder. “Bana da ondan” diyenin neyi kastettiğini masanın öncesinden anlar. Transformer da cümlede bunu yapıyor. Her kelimenin kime baktığını hesaplıyor. Kulağa basit geliyor ama bu fikir dil işini baştan yarattı.
Transformer’dan önce modeller cümleyi kelime kelime sırayla okurdu, unuturdu. Transformer hepsine aynı anda bakıyor. Sanki defteri baştan okumak yerine masaya yayıp üstten bakmak gibi. Hızlandı, güçlendi, bugünkü patlama buradan çıktı.
LLM eğitimi: token, tahmin, insan geri bildirimi
Büyük dil modelleri metni küçük parçalara böler; bunlara token denir. Kelime gibi düşün ama tam kelime değil. “Yapay” bir token olabilir, “zeka” başka. Eğitim sırasında model sürekli “sonraki token ne?” diye tahmin yapar. Milyarlarca kez. Sonra devreye insan geri bildirimi girer ([RLHF](https://tr.wikipedia.org/wiki/Peki%C5%9Ftirmeli_%C3%B6%C4%9Frenme)): insanlar cevapları puanlar, model “faydalı ve zararsız” olana doğru evrilir.
Burada önemli bir ayrım var. Model gerçeğe değil olasılığa bakar. En muhtemel devamı üretir. Bu yüzden halüsinasyon olur: model kendinden emin bir tonda yanlış bilgi verir. Benim favori benzetmem şu:
“Tahmin eden bir otomatik tamamlama; bilen bir kütüphaneci değil.”
Otomatik tamamlamaya kızılmaz, ama kaynağı da o sayılmaz. Ben de öyle kullanıyorum: ilk taslağı ona yazdırırım, doğrulamayı kendim yaparım. Rutinim bu. Önce güven, sonra kontrol. Sıra değişince canım sıkılıyor, hazırlıksız yakalanıyorum, sonra toparlıyorum. Bir keresinde aceleyle kontrol etmeden bir bilgiyi paylaştım, yanlış çıktı. Utandım. Duygusu iki gün sonra geldi, içime oturdu. O günden beri sıra sabit: önce model, sonra ben. Rutin budur, bozmayacaksın.
Halüsinasyonun sebebini bir de şöyle düşün. Model sınavda boş bırakan öğrenci değil, atan öğrenci. Boş bırakmayı bilmiyor. Hep bir şey yazıyor. Bazen tutuyor, bazen sallıyor. Sallarken de özgüvenli sallıyor. O yüzden kritik işlerde tek başına bırakılmaz. Avukatın dilekçesini, doktorun teşhisini, muhasebecinin hesabını modele emanet edip arkanı dönemezsin. Yardımcı yaparsın, patron yapmazsın.
Açık modeller vs kapalı modeller
Bir de açık-kapalı ayrımı var. Açık modellerin ağırlıkları herkese açıktır: [Llama](https://ai.meta.com/llama/), [Mistral](https://mistral.ai/), [DeepSeek](https://www.deepseek.com/), [Gemma](https://deepmind.google/technologies/gemma/). Kendi bilgisayarında çalıştırabilir, inceleyebilir, üzerine inşa edebilirsin. Kapalı modeller (GPT, Claude, Gemini, Muse) bir şirketin sunucusunda durur; API ile kullanırsın, içini göremezsin. Açık modeller şeffaflık ve bağımsızlık verir; kapalı modeller genelde daha güçlüdür ama sana ait değildir. İkisinin de yeri var.
Şunu da ekleyeyim: model seçimi biraz mutfak seçimine benzer. Her gün makarna yapıyorsan dev fırına ihtiyacın yok; küçük ocak yeter. Ama düğün yemeği vereceksen profesyonel mutfak kiralarsın. Günlük işler için küçük açık model, ağır işler için büyük kapalı model. Her işe en büyük modeli sürmek hem pahalı hem yavaş. Bunu geç öğrendim; ilk zamanlar her soruyu en büyük modele soruyordum, sonra fark ettim ki basit işler küçük modelde daha hızlı bitiyor. Deneme yanılma, yine aynı rutin.
Bir not daha. Açık model demek risksiz demek değil. Açık bıçak da keser. Ama kapalı model demek güvenli demek de değil. Mesele açıklık-kapalılık değil, kimin ne için nasıl kullandığı. Tartışmayı buradan kurmak daha dürüst.
Toplum: Risk Var, Fırsat Var, Mit Var
Teknik kısım bitti. Şimdi asıl gürültünün koptuğu yere geliyoruz. Burada dengede duracağım. Ne “her şey harika olacak” ne “hepimiz bittik.” İkisi de tembellik.
İş: görevler evet, meslekler nadiren
AI meslekleri değil görevleri yiyor. Bir işin içindeki tekrar eden, desenli parçalar otomasyona gidiyor; insan kararı, sorumluluk ve ilişki gerektiren parçalar kalıyor. Garsonluk yaptığım günlerden biliyorum: siparişi tablet alabilir ama masadaki gerginliği tablet hissetmez. O kısmı hâlâ insan yapıyor. Dönüşüm gerçek, ama “herkes işsiz kalacak” cümlesi abartı.
Somut örnek vereyim. Muhasebede fatura girişi otomatikleşti. Ama vergi denetiminde karşında durup hesap verecek bir insan lazım. Tasarımda logo taslağı AI’dan çıkıyor. Ama müşterinin ne istediğini iki cümleden anlayıp üçüncü teklifte vurmak hâlâ insan işi. Destek masasında ilk cevap bot yazıyor. Ama sinirli müşteriyi sakinleştiren, özür dileyen, çözüm bulan yine insan. Desen böyle: sıkıcı kısım makineye, zor kısım insana.
Benim durumum da örnek. Destek işi yaptım, garsonluk yaptım. İkisinde de günün yarısı rutindi: taşı, getir, düzenle, yanıtla. O kısım otomatikleşir, itirazım yok. Ama işin diğer yarısı insan okumaktı. Yorgun müdürü, sabırsız müşteriyi, dalgın ekip arkadaşını idare etmek. Bunu bir modele anlatamazsın. Anlatsan da hissettiremezsin. O yüzden korkum yok, planım var: rutinleri devret, insan tarafını güçlendir.
Eğitim: fırsat ve kopya aynı pakette
AI iyi bir özel öğretmen olabilir: sabırlı, yorulmaz, aynı şeyi onuncu kez de anlatır. Sınıfta soru sormaya çekinen öğrenci için birebir. Benim gibi geç açılan biri için bu büyük nimet. Kalabalıkta anlamadım, sormadım, eve gittim, içime oturdu. Kaç kere yaşadım bunu. Karşımda sabırla onuncu kez anlatan bir şey olsaydı işim kolaylaşırdı.
Aynı zamanda mükemmel bir kopya makinesi. Okullar bununla boğuşuyor. Benim görüşüm net: yasaklamak yerine ödevi değiştirmek lazım. Ezber sorusu sorarsan AI cevaplar; düşünme sorusu sorarsan AI ancak yardımcı olur. “Fotosentezi anlat” dersen model anlatır, öğrenci kopyalar. “Mahallendeki park için fotosentezi kullanarak bir savunma yaz” dersen iş değişir. Öğrenci düşünmek zorunda kalır, AI ancak malzeme taşır.
Öğretmen tarafı da var. Ders planı, soru bankası, veli mesajı. Bunlar öğretmenin rutin yükü. Model bunları alırsa öğretmen nefes alır, sınıfa döner. İyi senaryo bu. Kötü senaryo öğretmenin de öğrencinin de her şeyi modele yıkması. O zaman kimse öğrenmez, herkes geçinir. İki senaryo da mümkün. Hangisinin olacağı teknolojiye değil okula, öğretmene, veliye bağlı.
Telif, önyargı, deepfake
Üç sert başlık var. Bir: telif davaları. Modeller internetten toplanan devasa veriyle eğitildi; sanatçılar ve yayıncılar “benim işimle eğitildin” diyor, davalar sürüyor. Haklı bir soru. Benim yazım, çizimim, fotoğrafım izinsizce eğitime girdiyse karşılığı ne? Henüz net cevap yok. Mahkemeler, lisans anlaşmaları, yeni modeller hepsi masada. Bu yazıyı yazarken de aklımda. Benim cümlelerim yarın bir modelin eğitiminde olacak mı? Olsun mu?
İki: önyargı. Veri neyse AI o. Verideki eşitsizlik modele de geçer; model tarafsız bir hakem değil, toplumun aynası. İşe alımda, kredi skorunda, yüz tanımada bunun örnekleri görüldü. Ayna suçu değil ama aynaya bakıp “sorun yok” demek de olmaz. Çözüm veriyi temizlemek, modeli denetlemek, kararı insana bırakmak. Üçü birden. Tekine güvenmek saflık olur. Ben saf değilim, bir kere hazırlıksız yakalanırım, sonra toparlanırım. Burada da aynısı: ilk modelin ilk cevabına güvenmem, kontrol ederim.
Üç: [deepfake](https://tr.wikipedia.org/wiki/Deepfake) ve dezenformasyon. Gerçek gibi görünen sahte video ve ses artık ucuz. Seçim zamanı sahte ses kaydı, sosyal medyada sahte görüntü. Buna karşı teknik filigranlar ve yasal düzenlemeler konuşuluyor: [UNESCO’nun 2021 tavsiyesi](https://www.unesco.org/en/artificial-intelligence/recommendation-ethics) ve [AB Yapay Zeka Yasası (2024)](https://artificialintelligenceact.eu/) ilk büyük adımlar. Yeterli mi? Değil. Ama yoktan iyi. Kuralsız alan efsanesi bitiyor, yavaş da olsa çerçeve kuruluyor.
Üç miti hızlıca düzeltelim
Bir: “AI bilinçli.” Değil. Bilinçli gibi konuşmak, bilinçli olmak demek değil. Model, bilinçli cümleleri görmüş olduğu için bilinçli gibi cümle kuruyor; papağanın “günaydın” demesi gibi. Etkileyici, ama içini açıp bakınca mekanizma belli. Buna kanmak kolay çünkü dil zekanın üniforması. Üniformayı giyeni yetkili sanıyoruz. Değil.
İki: “AI her şeyi biliyor.” Bilmiyor; olasılık üretiyor, bazen uyduruyor. Bilgiyle tahmin arasındaki farkı aklında tut. Bilen kaynak gösterir, yanılınca düzeltir. Tahmin eden akıcı konuşur, yanılınca da akıcı konuşur. İkisini aynı kefeye koyma.
Üç: “Bu alan kuralsız.” Değil; regülasyon geç de olsa geliyor, UNESCO’dan AB’ye çerçeve kuruluyor. Yavaş, eksik, tartışmalı. Ama yön belli. Benim beklentim düşükten yana: mükemmel yasa beklemiyorum, işe yarar çerçeve bekliyorum. Trafik kuralları kazayı bitirmedi ama azalttı. AI kuralları da öyle olacak.
Duygusu bana geç geliyor bu konuların. Önce haberi okuyorum, “hmm” diyorum, iki gün sonra asıl tepkim geliyor. Acele yorum yapmamayı böyle öğrendim. AI tartışmalarında da aynısını öneririm: ilk heyecanı beklet, sonra konuş. Ekran başında köpürenlerin çoğu iki gün sonra aynı cümleyi kurmuyor zaten.
Bir de pratik tarafı var. AI’yı hayatına katmak isteyenlere tek tavsiyem şu: küçük bir rutin kur. Her gün aynı saatte on beş dakika, tek bir iş için kullan. E-postayı toparlamak olur, yemek planı olur, dil pratiği olur. Büyük devrim bekleme, küçük sürtünmeleri törpüle. Benim deneyimim bu yönde; büyük vaatler havada kalıyor, küçük rutinler kalıcı oluyor. Hazırlıksız yakalandığım her seferinde beni toparlayan da bu rutinler oldu. Sistem çökerse rutin kalıyor.
Kapanış: Vaat Edilen Tek Cümle
Bu yazının başında bir soru sordum, bir cevap vadettim. Tarihi anlattım, tekniği benzetmelerle açtım, toplumu da hem riski hem fırsatıyla koydum. Şimdi vadiyi kapatıyorum.
Söz verdiğim gibi, tek cümleyle kapatıyorum: AI, verideki desenden olasılıkla tahmin üreten, güçlü ama yanılabilir bir örnek-öğrenicidir.
Ve bir cümle de kendime: heyecan geç gelir bana, olsun. Beklerim, bakarım, sonra konuşurum. Bu yazı da öyle oldu.
