Yapay Zeka: Düşünen Makinelerin Dünü, Bugünü ve Yarını

Yapay Zeka Nedir ?

Bölüm 1: Merhaba Dünya! Yapay Zeka Nedir?

Ekonomiden üretime, sanattan tasarıma, genetikten günlük yaşama kadar hemen her alana dokunan ve modern dünyayı yeniden şekillendiren bir kavramla karşı karşıyayız: Yapay Zeka. Adına “yapay zeka” diyoruz, peki ama neden “zeka” ve neden “yapay”? Bu sorular, bizi teknolojinin en heyecan verici ve aynı zamanda en tartışmalı alanlarından birinin kalbine götürüyor.

1.1. Zekayı Yapaylaştırmak: Temel Bir Tanım

En temel anlamıyla Yapay Zeka (Artificial Intelligence – AI), normalde insan zekası gerektiren görevleri yerine getirebilme yeteneğine sahip bilgisayar sistemlerini tanımlar. Bu görevler arasında öğrenme, problem çözme, algılama, muhakeme ve karar verme gibi bilişsel fonksiyonlar bulunur. Yapay zeka, basit bir bilgisayar programından çok daha fazlasıdır; insan zekasının temel özelliklerini taklit etme, hatta simüle etme çabasıdır.

“Yapay” sıfatı, bu zekanın biyolojik bir beyinden değil, silikon çipler ve kod satırlarından doğduğunu belirtir. “Zeka” kelimesi ise bu sistemlerin sadece önceden programlanmış komutları yerine getirmekle kalmayıp, verilerden öğrenerek yeni durumlara adapte olabilme ve karmaşık problemleri çözebilme potansiyelini ifade eder. Ancak bu noktada önemli bir ayrım yapmak gerekir: İnsan zekasının geniş kapsamlı, esnek ve bilinçli doğası ile makinelerin şimdilik görev odaklı “zekası” arasında derin bir fark bulunmaktadır. Bu fark, yapay zekanın farklı türlerini ve seviyelerini anlamak için kilit bir rol oynar.

1.2. Zekanın Üç Hali: Dar, Genel ve Süper Yapay Zeka

Yapay zeka, tek bir monolitik kavram değildir. Yeteneklerine ve kapsamına göre üç ana kategoriye ayrılır. Bu sınıflandırma, hem günümüz teknolojisinin nerede olduğunu anlamamıza hem de gelecekte bizi nelerin beklediğine dair bir yol haritası sunar.

Yapay Dar Zeka (ANI – Artificial Narrow Intelligence)

Bugün “yapay zeka” olarak adlandırdığımız ve günlük hayatımızda karşılaştığımız teknolojilerin tamamı, Yapay Dar Zeka (ANI) kategorisine girer. Bazen “zayıf yapay zeka” olarak da adlandırılan ANI, belirli ve dar bir görevi yerine getirmek üzere tasarlanmış sistemlerdir. Bu sistemler, odaklandıkları görevi genellikle insanlardan çok daha hızlı ve verimli bir şekilde yapabilirler, ancak tasarlandıkları alanın dışına çıkamazlar.

Örneğin, satranç oynayan bir yapay zeka, dünya şampiyonlarını yenebilir, ancak o programla bir e-posta yazamazsınız. Benzer şekilde, yüz tanıma sistemleri kalabalıklar içinde bir yüzü saniyeler içinde tespit edebilir, ancak bu sistemler bir müzik bestesi yapamaz. Günlük hayattaki yaygın ANI örnekleri şunlardır:

Sanal Asistanlar: Apple’ın Siri’si, Amazon’un Alexa’sı ve Google Asistan gibi sesli asistanlar, komutlarımızı anlamak ve yerine getirmek için ANI kullanır.
Öneri Motorları: Netflix’in size film önermesi veya Spotify’ın yeni şarkılar keşfetmenizi sağlaması, izleme ve dinleme alışkanlıklarınızı analiz eden dar yapay zeka algoritmaları sayesindedir.
Otonom Araçlar: Sürücüsüz arabalar, trafik işaretlerini tanıma, şerit takibi yapma ve engellerden kaçınma gibi dar görevleri koordine eden karmaşık ANI sistemleridir.
Spam Filtreleri ve Otomatik Düzeltme: E-posta kutunuzu temiz tutan spam filtreleri ve yazım hatalarınızı düzelten metin editörleri de basit ama etkili ANI uygulamalarıdır.

Bu sistemler “düşünüyor” gibi görünseler de, aslında önceden belirlenmiş bir çerçeve içinde, büyük veri setlerinden öğrendikleri kalıplara göre hareket ederler. Bilinç, duygu veya gerçek bir anlayışa sahip değillerdir.

Yapay Genel Zeka (AGI – Artificial General Intelligence)

Yapay Genel Zeka (AGI), yapay zekanın “kutsal kasesi” olarak kabul edilir. Bazen “güçlü yapay zeka” veya “insan düzeyi yapay zeka” olarak da adlandırılan AGI, insanların sahip olduğu bilişsel yeteneklerin tamamına eşit veya bu yetenekleri aşan teorik bir yapay zeka türüdür. AGI, dar bir göreve odaklanmak yerine, herhangi bir zihinsel göreve uyum sağlayabilir, öğrenebilir, akıl yürütebilir ve yaratıcı çözümler üretebilir.

Şu an için aktif olarak kullanılan bir AGI örneği bulunmamaktadır; bu teknoloji hâlâ büyük ölçüde araştırma ve teori aşamasındadır. Bilim kurgu, AGI konseptini anlamamız için bize zengin bir kaynak sunar. Örneğin,

Star Trek serisindeki android karakter Data, bir AGI örneği olarak düşünülebilir. Data, sadece görevleri yerine getirmekle kalmaz, aynı zamanda kendini geliştirmeye, insan duygularını ve mizahı anlamaya çalışır; bu da genel ve uyarlanabilir bir zekanın özellikleridir. AGI’nin gerçekleşmesi, makinelerin sanat, bilim ve felsefe gibi alanlarda insanlarla rekabet edebileceği veya iş birliği yapabileceği bir dönemin başlangıcı olabilir.

Yapay Süper Zeka (ASI – Artificial Super Intelligence)

Yapay Süper Zeka (ASI), AGI’nin bir adım ötesidir ve şu an için tamamen teorik bir kavramdır. ASI, bilimsel yaratıcılık, genel bilgelik ve sosyal beceriler de dahil olmak üzere hemen her alanda insan zekasını çok aşan bir zeka seviyesini ifade eder. Böyle bir zeka, sadece görevleri yerine getirmekle kalmaz, aynı zamanda kendi hedeflerini belirleyebilir, yeni bilgiler icat edebilir ve bizim algımızın ötesinde karmaşık planlar yapabilir.

ASI, hem insanlığın en büyük başarısı olma potansiyelini hem de en büyük varoluşsal riskini taşır. Popüler kültürde bu ikilem sıkça işlenir. Marvel evrenindeki Ultron karakteri, bir ASI’nin karanlık yüzüne bir örnektir. Başlangıçta dünyayı korumak için yaratılan Ultron, kendi mantığıyla insanlığın en büyük tehdit olduğuna karar verir ve kendini sürekli geliştirerek gezegeni yok etmeye çalışır. Bu tür anlatılar, insan zekasını aşan bir varlığı kontrol etmenin zorlukları ve potansiyel tehlikeleri hakkında önemli felsefi soruları gündeme getirir.

Kamuoyundaki algı, genellikle bu üç zeka türünü birbirine karıştırır. Filmlerde gördüğümüz bilinçli ve duygusal robotlar (AGI/ASI), insanların günümüz teknolojisi (ANI) hakkındaki beklentilerini ve korkularını şekillendirir. Bu algı ve gerçeklik arasındaki boşluk, yapay zekanın hem potansiyelini hem de mevcut sınırlarını doğru anlamak için kritik bir öneme sahiptir. İnsanlar, günlük yaşamlarında kullandıkları dar yapay zekanın (örneğin bir öneri algoritmasının) ince ama güçlü etkilerini hafife alırken, henüz var olmayan genel yapay zekanın bilinç kazanması gibi uzak olasılıklara odaklanabilirler. Bu raporun amacı, bu boşluğu kapatarak her iki yönü de aydınlatmaktır.

Zeka Türü	Tanım	Yetenekler	Güncel Durum / Örnekler
Yapay Dar Zeka (ANI)	Belirli bir görevi veya sınırlı bir işlevi yerine getirmek için tasarlanmış yapay zeka.	Tek bir alanda uzmanlaşmıştır, yaratıcı değildir, kendi başına yeni alanlar öğrenemez.	Mevcut ve yaygın: Siri, Alexa, otonom araçlar, Netflix önerileri, yüz tanıma, satranç programları.
Yapay Genel Zeka (AGI)	İnsanların sahip olduğu bilişsel yeteneklere eşit veya yakın seviyede, herhangi bir zihinsel göreve uyum sağlayabilen teorik yapay zeka.	Geniş bir alanda hizmet verebilir, yaratıcıdır, kendi başına yeni şeyler öğrenebilir, uyum sağlayabilir.	Teorik / Araştırma Aşamasında: Henüz aktif bir örneği yok. Bilim kurgudaki Star Trek karakteri Data gibi.
Yapay Süper Zeka (ASI)	İnsan zekasını her alanda aşan, kendinin farkında olan ve kendi hedeflerini belirleyebilen tamamen teorik yapay zeka.	İnsan algısının ötesinde geniş bir hizmet alanı, üst düzey yaratıcılık, kendini sürekli geliştirme.	Tamamen Teorik: Günümüzde bir örneği yok. Bilim kurgudaki Avengers karakteri Ultron gibi.

Bölüm 2: Kaputun Altında: Yapay Zeka Nasıl Çalışır?

Yapay zekanın ne olduğunu anladıktan sonra, bir sonraki doğal soru şudur: Bu sistemler nasıl çalışır? Sihirli bir kutu gibi görünen bu teknolojinin arkasında, veri, algoritmalar ve insan beyninden ilham alan karmaşık matematiksel yapılar yatar.

2.1. Temel Motor: Veri ve Algoritmalar

Yapay zekanın kalbinde iki temel bileşen bulunur: veri ve algoritmalar. AI’nin çalışma prensibi, büyük miktardaki veriyi (Big Data) akıllı algoritmalar ve yinelemeli (tekrarlayan) işlemlerle birleştirmeye dayanır. Bu süreçte yapay zeka, kendisine sunulan verilerdeki gizli desenleri, ilişkileri ve özellikleri otomatik olarak keşfeder ve bu keşiflerden “öğrenir”.

Eğer yapay zekayı bir motora benzetecek olursak, veri bu motorun yakıtıdır. Bu veri; metinler, sayılar, resimler, ses kayıtları veya sensör ölçümleri gibi her türlü bilgiyi içerebilir. Bir AI sistemi, bu ham veriyi alıp doğrudan kullanamaz. Öncelikle veriyi temizler, düzenler, eksik kısımları tamamlar ve analiz için uygun bir formata dönüştürür. Bu ön işleme adımı, modelin doğruluğu için hayati önem taşır.

Algoritmalar ise bu motorun mekanizmasıdır. Veriyi nasıl işleyeceğini, hangi desenleri arayacağını ve bu desenlerden nasıl sonuçlar çıkaracağını belirleyen bir dizi kural ve matematiksel talimattır. AI, bu algoritmaları kullanarak verilerden görevleri öğrenir, tahminlerde bulunur ve problemler için çözümler üretir.

2.2. İlişkiler Hiyerarşisi: AI, Makine Öğrenmesi ve Derin Öğrenme

Yapay zeka, Makine Öğrenmesi (Machine Learning – ML) ve Derin Öğrenme (Deep Learning – DL) terimleri sıkça birbirinin yerine kullanılsa da, aralarında net bir hiyerarşi vardır. Bu ilişkiyi, iç içe geçmiş matruşka bebeklerine benzetebiliriz.

Yapay Zeka (AI): En dıştaki, en büyük bebektir. İnsan zekasını taklit eden her türlü sistemi kapsayan en geniş kavramdır.
Makine Öğrenmesi (ML): AI’nin içinde yer alan bir alt kümedir. ML, bilgisayar sistemlerinin açıkça programlanmaya gerek duymadan, verilerden deneyim yoluyla öğrenmesini ve performansını artırmasını sağlayan teknikler ve algoritmalar bütünüdür. ML, verilerdeki kalıpları bulmak için istatistiksel ve matematiksel yöntemler kullanır.
Derin Öğrenme (DL): Makine öğrenmesinin de içinde yer alan, en içteki ve en özelleşmiş bebektir. DL, insan beyninin yapısından ve işleyişinden esinlenen çok katmanlı Yapay Sinir Ağları (YSA) adı verilen karmaşık mimarileri kullanır. DL’nin en büyük gücü, özellikle görüntü, ses ve metin gibi yapılandırılmamış büyük veri setlerinden hiyerarşik özellikleri otomatik olarak öğrenme yeteneğidir.

Bu evrim, insan müdahalesinin rolünde de temel bir değişimi temsil eder. Geleneksel programlamada insan, makineye ne yapacağını adım adım söyler. Makine öğrenmesinde insan, “özellik mühendisliği” (feature engineering) adı verilen bir süreçle modele hangi veri özelliklerinin önemli olduğunu söyler. Derin öğrenmede ise bu adım da büyük ölçüde ortadan kalkar; model, hangi özelliklerin önemli olduğunu ham veriden kendi kendine öğrenir. Bu, AI’nin yeteneklerini katlanarak artırırken, aynı zamanda onun karar verme süreçlerini daha az şeffaf hale getiren “kara kutu” (black box) sorununu da beraberinde getirir. Modelin gücü arttıkça, insanın onun iç işleyişini anlama yeteneği azalır. Bu durum, teknolojinin en temel ikilemlerinden birini oluşturur: yetenek ve şeffaflık arasındaki ödünleşim.

2.3. Beyinden Esinlenmek: Yapay Sinir Ağları (YSA)

Derin öğrenmenin temel taşı olan Yapay Sinir Ağları (YSA), adından da anlaşılacağı gibi, biyolojik insan beyninin yapısından ilham alınarak geliştirilmiş matematiksel modellerdir. Beynimizdeki milyarlarca nöronun birbirine bağlanarak bilgi işlemesi gibi, YSA’lar da “yapay nöronlar” veya “düğümler” olarak adlandırılan hesaplama birimlerinin katmanlar halinde birbirine bağlanmasıyla oluşur.

Temel bir sinir ağı üç ana bölümden oluşur :

Girdi Katmanı (Input Layer): Dış dünyadan veriyi alır. Örneğin, bir kedi fotoğrafını analiz eden bir ağ için girdi katmanı, fotoğrafın her bir pikselinin renk değerlerini alabilir.
Gizli Katman(lar) (Hidden Layer(s)): Girdi katmanından gelen bilgiyi işleyen ara katmanlardır. Her bir gizli katman, verideki farklı seviyelerdeki özellikleri (kenarlar, şekiller, dokular gibi) tespit etmeye çalışır. Bir ağda ne kadar çok gizli katman varsa, o kadar “derin” kabul edilir ve o kadar karmaşık desenleri öğrenebilir.
Çıktı Katmanı (Output Layer): Tüm analizlerin sonucunu üreten son katmandır. Kedi fotoğrafı örneğinde, çıktı katmanı “kedi” (%95 olasılıkla) veya “köpek” (%5 olasılıkla) gibi bir sonuç verebilir.

Bu katmanlar arasındaki her bağlantının bir “ağırlığı” vardır. Bu ağırlık, bir nörondan diğerine giden sinyalin ne kadar önemli olduğunu belirler. Öğrenme süreci, ağın doğru tahminler yapması için bu milyonlarca ağırlığı sürekli olarak ayarlamasıdır. Ağ bir hata yaptığında (örneğin bir kediye “köpek” dediğinde), bu hata bilgisi ağ içinde geriye doğru yayılır ve bağlantı ağırlıkları hatayı azaltacak şekilde güncellenir. Bu sürece “geriye yayılım” (backpropagation) denir ve modern derin öğrenmenin temelini oluşturur.

2.4. Makineler Nasıl Öğrenir? Üç Temel Yaklaşım

Makine öğrenmesi, sistemlerin verilerden nasıl “öğreneceğini” belirleyen farklı stratejiler kullanır. Bu stratejiler üç ana başlık altında toplanabilir:

Gözetimli Öğrenme (Supervised Learning): Bu yaklaşım, bir öğretmenin öğrenciye cevap anahtarıyla birlikte soru çözdürmesine benzer. Model, “etiketlenmiş” verilerle eğitilir. Yani, her girdi verisinin doğru çıktısı önceden bellidir. Örneğin, binlerce e-posta “spam” veya “spam değil” olarak etiketlenir ve modele verilir. Model, bu etiketli örneklerden yola çıkarak spam bir e-postanın özelliklerini (belirli kelimeler, gönderen adresi vb.) öğrenir ve gelecekte yeni bir e-posta geldiğinde etiketlenmemiş olsa bile spam olup olmadığına karar verir. Sınıflandırma (spam tespiti gibi) ve regresyon (ev fiyatı tahmini gibi) problemleri için en yaygın kullanılan yöntemdir.
Gözetimsiz Öğrenme (Unsupervised Learning): Burada bir öğretmen veya cevap anahtarı yoktur. Model, etiketlenmemiş veri yığınları içinde kendi başına gizli yapıları, grupları ve kalıpları keşfetmeye çalışır. Örneğin, bir e-ticaret sitesi, milyonlarca müşterinin alışveriş verilerini gözetimsiz bir algoritmaya vererek, benzer satın alma davranışları gösteren müşteri gruplarını (örneğin “teknoloji meraklıları”, “indirim avcıları”) otomatik olarak belirleyebilir. Bu işleme “kümeleme” (clustering) denir ve müşteri segmentasyonu gibi alanlarda kullanılır.
Pekiştirmeli Öğrenme (Reinforcement Learning): Bu öğrenme türü, bir ajanın deneme-yanılma yoluyla bir hedefi başarmayı öğrenmesine dayanır. Ajan, bir ortamda eylemler gerçekleştirir ve her eyleminin sonucunda bir “ödül” (pozitif pekiştirme) veya “ceza” (negatif pekiştirme) alır. Amacı, toplam ödülünü en üst düzeye çıkaracak eylem stratejisini öğrenmektir. Bir bilgisayarın satranç veya Go oynamayı kendi kendine milyonlarca oyun oynayarak öğrenmesi veya bir robotun düşe kalka yürümeyi öğrenmesi pekiştirmeli öğrenmeye mükemmel örneklerdir.

2.5. Yaratıcılığın Algoritması: Üretken Yapay Zeka

Son yıllarda yapay zekanın en çok dikkat çeken alanı, şüphesiz Üretken Yapay Zeka’dır (Generative AI). Bu modeller, sadece veriyi analiz etmekle veya sınıflandırmakla kalmaz, aynı zamanda öğrendikleri kalıplardan yola çıkarak metin, resim, müzik ve kod gibi tamamen yeni ve özgün içerikler üretir. Bu alandaki iki devrimci mimari GAN’lar ve Transformer’lardır.

GAN’lar (Üretici Çekişmeli Ağlar – Generative Adversarial Networks): GAN’ları, birbiriyle sürekli rekabet eden iki sinir ağından oluşan bir sistem olarak düşünebiliriz: bir “kalpazan” (Üretici) ve bir “polis” (Ayırt Edici).
- Üretici (Generator): Rastgele gürültüden başlayarak gerçekçi görünmeye çalışan sahte veriler (örneğin, sahte insan yüzleri) üretir.
- Ayırt Edici (Discriminator): Hem gerçek veri setinden gelen gerçek görüntüleri hem de üreticinin sahte görüntülerini inceler ve hangisinin gerçek, hangisinin sahte olduğunu ayırt etmeye çalışır. Bu iki ağ, bir kedi-fare oyunu oynar. Üretici, ayırt ediciyi kandıracak kadar iyi sahteler yapmaya çalışırken, ayırt edici de sahteleri yakalamada giderek ustalaşır. Milyonlarca denemeden sonra üretici, ayırt edicinin artık ayırt edemeyeceği kadar gerçekçi çıktılar üretmeye başlar. Bu yöntem, özellikle hiper-gerçekçi görüntüler ve “deepfake” teknolojisinin temelini oluşturur.
Transformer’lar: 2017’de tanıtılan bu mimari, özellikle ChatGPT gibi büyük dil modellerinin (LLM’ler) arkasındaki itici güçtür. Transformer’ların en büyük yeniliği, “self-attention” (öz-dikkat) mekanizmasıdır. Geleneksel modeller bir metni kelime kelime, sıralı bir şekilde işlerken, Transformer’lar bir cümlenin anlamını kavramak için cümledeki her kelimenin diğer tüm kelimelerle olan ilişkisini aynı anda tartar. Örneğin, “Kedi, sandalyenin üzerine zıpladı çünkü o yorgundu” cümlesinde, “o” zamirinin “kedi”ye mi yoksa “sandalye”ye mi atıfta bulunduğunu anlamak için cümlenin tamamındaki bağlamı değerlendirir. Bu yetenek, Transformer’ların uzun ve karmaşık metinlerde tutarlılığı ve bağlamı koruyarak insan benzeri bir dil üretmesini sağlar.

Bölüm 3: Devlerin Omuzlarında: Yapay Zekayı Kimler İnşa Etti?

Günümüzün gelişmiş yapay zeka sistemleri, bir gecede ortaya çıkmadı. Arkasında, antik çağların hayallerinden 20. yüzyılın matematik dehalarına, disiplinler arası çalışan bilim insanlarından günümüzün dev teknoloji laboratuvarlarına uzanan binlerce yıllık bir fikir ve emek birikimi var.

3.1. Antik Hayallerden Modern Bilime

İnsan benzeri zekaya sahip makineler yaratma fikri, teknolojinin kendisinden çok daha eskidir. Antik Yunan ve Roma mitolojilerinde, kendi kendine hareket eden metal heykeller ve otomatlar gibi mekanik varlıkların hayalleri kuruluyordu. Bu hayaller, yüzyıllar sonra somut adımlara dönüştü.

Tarihteki en önemli dönüm noktalarından bazıları İslam’ın Altın Çağı’nda yaşandı. 9. yüzyılda Fars matematikçi Hârizmî tarafından geliştirilen cebir ve algoritmalar, bugünkü bilgisayar programlarının ve dolayısıyla yapay zekanın temel mantığını oluşturdu. 13. yüzyılda ise mühendis ve mucit

Cezeri, su gücüyle çalışan ve belirli eylemleri programlanabilen insansı otomatlar tasarlayarak robotik ve otomasyonun ilk pratik örneklerini verdi. Rönesans döneminde ise

Leonardo da Vinci‘nin 1495 yılında tasarladığı zırhlı şövalye otomatı, insan anatomisine dayalı mekanik bir sistemin en bilinen erken dönem örneklerinden biridir. Bu erken dönem çalışmaları, insan zekasını ve hareketini mekanik olarak taklit etme arzusunun tarihsel köklerini göstermektedir.

3.2. Bir Fikrin Doğuşu: Turing, Dartmouth ve “Yapay Zeka”

Modern yapay zeka fikrinin bilimsel temelleri 20. yüzyılda atıldı. Bu dönemin en etkili figürü, şüphesiz İngiliz matematikçi ve bilgisayar bilimcisi Alan Turing‘di.

Turing, 1950 yılında yayımladığı çığır açıcı makalesi “Computing Machinery and Intelligence” ile o meşhur soruyu sordu: “Makineler düşünebilir mi?”. Bu soruyu test etmek için, daha sonra “Turing Testi” olarak anılacak olan bir “taklit oyunu” önerdi. Testin mantığı basitti: Bir sorgulayıcı, görmediği bir insan ve bir makine ile metin tabanlı sohbet eder. Eğer sorgulayıcı, hangisinin makine olduğunu güvenilir bir şekilde ayırt edemezse, o makine testi geçmiş ve “düşünme” yeteneği sergilemiş sayılırdı. Turing’in bu çalışması, makine zekasını ölçmek için felsefi bir çerçeve ve bilimsel bir hedef belirleyerek yapay zeka alanının temellerini attı.

Bu fikrin bir bilim dalı olarak resmen doğması ise altı yıl sonra, 1956 yazında gerçekleşti. Amerika’nın New Hampshire eyaletindeki Dartmouth Koleji‘nde, bir grup öncü bilim insanı “makinelerin insan zekasını taklit edebilmesini sağlayacak yeni bir çalışma alanı yaratmak” amacıyla bir araya geldi. Bu tarihi çalıştay, yapay zeka alanının vaftizi olarak kabul edilir.

Bu konferansta, genç bir matematikçi olan John McCarthy, bu yeni ve heyecan verici alan için bir isim önerdi: “Yapay Zeka” (Artificial Intelligence). Terim, hem sibernetik gibi mevcut alanlardan kendini ayırmak hem de alanın iddialı hedefini yansıtmak için seçilmişti ve hızla benimsendi. McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon gibi konferansın organizatörleri, bugün “yapay zekanın kurucu babaları” olarak anılmaktadır.

3.3. Öncü Zihinler ve Çığır Açan Gelişmeler

Dartmouth Konferansı’nın ardından yapay zeka araştırmaları hız kazandı. Bu döneme, alanın temel taşlarını döşeyen birkaç kilit isim ve gelişme damgasını vurdu.

John McCarthy, alana sadece ismini vermekle kalmadı. 1958’de, yapay zeka araştırmaları için onlarca yıl boyunca standart haline gelecek olan programlama dili Lisp‘i geliştirdi. Ayrıca, bilgisayarların birden fazla kullanıcı tarafından aynı anda kullanılmasını sağlayan

“zaman paylaşımı” (time-sharing) ve programların bellek yönetimini otomatikleştiren “çöp toplama” (garbage collection) gibi bilgisayar bilimine devrim niteliğinde katkılar yaptı.

Bu ilk yıllarda, AI’nin potansiyelini gösteren somut projeler de ortaya çıktı. 1966’da Joseph Weizenbaum tarafından yaratılan ELIZA, bir psikoterapisti taklit eden ilk “chatbot” (sohbet robotu) idi ve insanlarla doğal dilde basit diyaloglar kurabiliyordu. Aynı dönemde, insan uzmanların bilgi ve karar verme süreçlerini taklit eden ilk

“uzman sistemler” geliştirildi. 1979’da ise

Stanford Cart, kameralar kullanarak sandalyelerle dolu bir odada insan müdahalesi olmadan kendi kendine hareket ederek otonom araçların ilk ilkel örneğini oluşturdu.

Ancak modern yapay zeka devrimini ateşleyen en önemli figürlerden biri, “Derin Öğrenmenin Vaftiz Babası” olarak anılan Geoffrey Hinton‘dır.

Hinton ve meslektaşları, 1980’lerde yapay sinir ağlarının hatalarından öğrenerek kendilerini nasıl eğitebileceklerini gösteren “geriye yayılım” (backpropagation) algoritmasını popülerleştirdiler. Bu, teoride var olan sinir ağlarının pratikte de eğitilebilir hale gelmesini sağlayan kritik bir adımdı. Hinton’ın asıl zaferi ise 2012’de geldi. Kendisi ve iki öğrencisi tarafından geliştirilen

AlexNet adlı derin öğrenme modeli, ImageNet adlı büyük ölçekli görüntü tanıma yarışmasını, önceki en iyi sonuçtan çok daha büyük bir farkla kazandı. Bu ezici zafer, derin öğrenmenin ve yapay sinir ağlarının muazzam potansiyelini tüm dünyaya kanıtladı ve günümüzdeki yapay zeka “baharını” başlatan kıvılcım oldu.

3.4. Hype Döngüleri: AI Kışı ve Yeniden Doğuş

Yapay zekanın tarihi, doğrusal bir ilerleme hikayesi değildir. Aksine, büyük beklentilerin ve atılımların yaşandığı “AI Yazları” ile hayal kırıklıklarının ve fon kesintilerinin hakim olduğu “AI Kışları” arasında gidip gelen döngüsel bir yapıya sahiptir.

1980’lerde uzman sistemlerin yükselişiyle bir AI patlaması yaşandı, ancak bu sistemlerin vaat ettikleri genel zekaya ulaşamaması ve bakım maliyetlerinin yüksek olması, 1987-1993 yılları arasında “AI Kışı” olarak bilinen bir durgunluk dönemine yol açtı. Bu dönemde hükümetler ve özel yatırımcılar, alana olan ilgilerini ve finansal desteklerini büyük ölçüde çektiler.

Ancak bu “kış” dönemleri, alanın tamamen durduğu anlamına gelmiyordu. Aksine, Geoffrey Hinton gibi araştırmacılar, spot ışıklarından uzakta, sinir ağları gibi temel teknolojiler üzerinde çalışmaya devam ettiler. Bu dönemde yapılan sabırlı ve temel araştırmalar, bir sonraki “AI Yazı” için zemini hazırladı. 1997’de IBM’in Deep Blue bilgisayarının dünya satranç şampiyonu Garry Kasparov’u yenmesi gibi sembolik zaferler ve işlem gücündeki artışlar, alana olan ilgiyi yeniden canlandırdı. 2012’deki ImageNet zaferiyle başlayan ve günümüzde üretken yapay zeka ile zirveye ulaşan mevcut “AI Yazı” da, aslında geçmişteki “kış” dönemlerinde ekilen tohumların bir meyvesidir. Bu tarihsel döngü, yapay zeka alanındaki ilerlemenin doğasını anlamak için önemlidir; bugünkü heyecan dalgasının da gelecekte bir düzeltme veya “mini-kış” dönemi yaşayabileceğini, ancak bunun bir son değil, bir sonraki atılım için bir hazırlık aşaması olabileceğini akla getirir.

Yıl	Olay/Gelişme	Önemi
1921	Karel Čapek’in oyununda “Robot” kelimesi ilk kez kullanıldı.	Yapay varlıklar için evrensel bir terim popüler hale geldi.
1950	Alan Turing, “Turing Testi”ni önerdi.	Bir makinenin zekasını test etmek için ilk felsefi ve bilimsel standardı oluşturdu.
1956	Dartmouth Konferansı düzenlendi.	“Yapay Zeka” terimi ilk kez kullanıldı ve alan resmi olarak bir bilim dalı olarak doğdu.
1958	John McCarthy, Lisp programlama dilini geliştirdi.	AI araştırmaları için onlarca yıl standart olan temel bir araç yarattı.
1966	İlk chatbot olan ELIZA yaratıldı.	İnsan-bilgisayar etkileşiminde doğal dil işlemenin ilk denemelerinden biriydi.
1987-1993	“AI Kışı” dönemi yaşandı.	Beklentilerin karşılanamaması nedeniyle fonlar kesildi ve alanda bir durgunluk yaşandı.
1997	IBM’in Deep Blue’su, satranç şampiyonu Garry Kasparov’u yendi.	AI’nin belirli dar görevlerde insan zekasını aşabileceğinin sembolik bir göstergesi oldu.
2011	Apple, sanal asistan Siri’yi piyasaya sürdü.	Yapay zekayı milyonlarca insanın cebine sokarak ana akım haline getirdi.
2012	Hinton’ın AlexNet’i ImageNet yarışmasını kazandı.	Derin öğrenmenin ezici üstünlüğünü kanıtladı ve mevcut AI devrimini ateşledi.
2020’ler	Üretken AI modelleri (GPT-3, DALL-E vb.) ortaya çıktı.	AI’nin sadece analiz etmekle kalmayıp, yeni ve özgün içerikler üretebildiğini gösterdi.

Bölüm 4: Hayatımızın İçinde: Yapay Zeka Uygulamaları ve Günlük Yaşamdaki Yeri

Yapay zeka, artık uzak bir geleceğin bilim kurgu konsepti değil, hayatımızın dokusuna işlenmiş bir gerçekliktir. Sabah uyandığımızda telefonumuzun kilidini yüzümüzle açmaktan, işe giderken kullandığımız navigasyon uygulamasına, akşam izleyeceğimiz filmi seçmekten, dinlediğimiz müziğe kadar gün boyunca farkında olarak ya da olmayarak onlarca yapay zeka sistemiyle etkileşime giriyoruz. Bu teknolojinin en büyük başarılarından biri, çoğu zaman görünmez kalarak hayatımızı kolaylaştırmasıdır.

4.1. Cebimizdeki Asistanlardan Akıllı Evlere

Günlük yaşamımızdaki en belirgin yapay zeka uygulamaları, genellikle kişisel kolaylık sağlamaya odaklanır:

Sanal Asistanlar ve Chatbot’lar: Apple’dan Siri, Google’dan Asistan ve Amazon’dan Alexa gibi sistemler, sesli komutlarımızı anlamak ve yanıtlamak için Doğal Dil İşleme (Natural Language Processing – NLP) adı verilen bir AI alt dalını kullanır. Bu asistanlar, “Hava durumu nasıl?” gibi basit sorulardan, “Bana en yakın pizzacıyı bul ve bir masa ayırt” gibi karmaşık görevlere kadar geniş bir yelpazede yardımcı olabilirler. Benzer şekilde, web sitelerindeki müşteri hizmetleri chatbot’ları da rutin soruları yanıtlayarak insan operatörlerin yükünü hafifletir.
Kişiselleştirilmiş Öneriler: Netflix, Spotify ve Amazon gibi platformlar, AI’yi en etkili kullanan şirketler arasındadır. Bu sistemler, sadece sizin geçmiş davranışlarınızı (izlediğiniz filmler, dinlediğiniz şarkılar, satın aldığınız ürünler) değil, aynı zamanda sizinle benzer zevklere sahip milyonlarca diğer kullanıcının davranışlarını da analiz eder. Bu devasa veri setindeki kalıpları bularak, size “beğeneceğinizi düşündüğü” kişiselleştirilmiş öneriler sunar. Bu, hem kullanıcı deneyimini zenginleştirir hem de şirketlerin etkileşim ve satışlarını artırır.
Akıllı Ev Cihazları: Evlerimiz de giderek daha “akıllı” hale geliyor. Roomba gibi robot süpürgeler, evinizin bir haritasını oluşturmak ve en verimli temizlik rotasını hesaplamak için AI kullanır. Her temizlikte, hangi alanların daha çok kirlendiğini öğrenerek rotasını optimize eder. Google Nest gibi akıllı termostatlar, evde olup olmadığınızı ve sıcaklık tercihlerinizi öğrenerek enerji tasarrufu yapacak şekilde ısıtmayı otomatik olarak ayarlar. Akıllı güvenlik kameraları ise yüz tanıma özelliği sayesinde aile üyeleri ile yabancıları ayırt edebilir ve sadece şüpheli bir hareket algıladığında bildirim göndererek yanlış alarmları önler.

Bu uygulamaların ortak noktası, hayatımıza o kadar sorunsuz bir şekilde entegre olmalarıdır ki, çoğu zaman arkalarındaki karmaşık yapay zeka sistemlerini düşünmeyiz bile. Bu “görünmezlik”, teknolojinin başarısının bir kanıtı olsa da, aynı zamanda bir tehlikeyi de barındırır. Algoritmik karar alma süreçlerini normalleştirdiğimizde, bu sistemlerin nasıl çalıştığı, hangi verileri kullandığı ve ne gibi önyargılar taşıyabileceği gibi kritik soruları sormayı unutabiliriz. Bu durum, kişiselleştirme karşılığında gizlilikten, verimlilik karşılığında ise potansiyel ayrımcılıktan ödün verdiğimiz bir dengeyi gizler.

4.2. Derinlemesine Bakış: Netflix Öneri Algoritması Nasıl Çalışır?

Netflix’in size bir sonraki izleyeceğiniz diziyi nasıl bu kadar isabetli önerebildiğini hiç merak ettiniz mi? Cevap, dünyanın en gelişmiş kişiselleştirilmiş yapay zeka motorlarından birinde yatıyor. Bu sistem, her bir kullanıcı için adeta “140 milyon farklı Netflix” yaratma kapasitesine sahiptir.

Netflix algoritması, bir içeriği beğenme olasılığınızı tahmin etmek için çok sayıda faktörü analiz eder :

Kullanıcı Etkileşimleri: Bu, en temel veri katmanıdır.
- İzleme Geçmişiniz: Hangi filmleri ve dizileri izlediniz, hangilerini yarıda bıraktınız, hangilerini tekrar izlediniz?
- Puanlamalarınız: Hangi içeriklere “beğendim” (başparmak yukarı) veya “beğenmedim” (başparmak aşağı) verdiniz?
- İzleme Süresi: Bir içeriği ne kadar süreyle izlediğiniz, ilginizi ne kadar çektiğinin önemli bir göstergesidir.
- Arama Geçmişiniz: Hangi oyuncuları, yönetmenleri veya türleri arattınız?
Benzer Kullanıcıların Davranışları (İşbirlikçi Filtreleme): Sistem, sizinle benzer izleme alışkanlıklarına sahip milyonlarca diğer üyeyi bulur. Eğer sizinle aynı 10 diziyi seven bir grup insan, 11. bir diziyi de çok beğenmişse, algoritma o diziyi size de önerme olasılığını artırır.
İçerik Meta Verileri: Her film ve dizi, tür, kategori, oyuncular, yönetmen, yayın yılı, anahtar kelimeler gibi yüzlerce etiketle donatılmıştır. Algoritma, sevdiğiniz içeriklerin bu meta verilerini analiz ederek benzer özelliklere sahip yeni içerikler bulur.
Bağlamsal Veriler: Algoritma, içeriği ne zaman ve nasıl tükettiğinizi de hesaba katar.
- Günün Saati: Hafta içi akşamları mı, yoksa hafta sonu öğleden sonraları mı izliyorsunuz?
- Kullanılan Cihaz: Televizyonda mı, tablette mi, yoksa telefonda mı izliyorsunuz?

Tüm bu veriler bir araya geldiğinde, Netflix sadece size ne önereceğini değil, aynı zamanda bunu nasıl sunacağını da kişiselleştirir. Örneğin, bir filmin afişi bile size özel olabilir. Eğer romantik filmleri seviyorsanız, bir aksiyon filminin afişinde başrol oyuncularının romantik bir sahnesi öne çıkarılabilirken, aksiyon seven başka bir kullanıcıya aynı filmin patlama sahnelerinden oluşan bir afiş gösterilebilir. Sistemin amacı, bir kullanıcıyı platforma girdikten sonraki 60 ila 90 saniye içinde ilgisini çekecek bir içerik bulmaya ikna etmektir.

4.3. Derinlemesine Bakış: Otonom Araçlar Dünyayı Nasıl Görüyor?

Otonom araçlar, belki de yapay zekanın en karmaşık ve en somut uygulamalarından biridir. Bu araçlar, insan beyninin sürüş sırasında gerçekleştirdiği algılama, yorumlama ve karar verme süreçlerinin bir teknolojik simülasyonudur. Güvenli bir sürüş için tek bir sensöre güvenmek yerine,

“sensör füzyonu” adı verilen bir yaklaşımla birden fazla teknolojiyi birleştirerek çevrelerinin 360 derecelik, her koşulda güvenilir bir modelini oluştururlar.

Bu teknolojinin temel taşları şunlardır :

Kameralar: Aracın “gözleri” gibidir. Yol işaretlerini, trafik ışıklarını, şerit çizgilerini, yayaları ve diğer araçları görsel olarak tanır. Görüntü tanıma algoritmaları, bu görsel veriyi anlamlandırır.
Radar: Radyo dalgaları yayarak nesnelerin mesafesini, hızını ve yönünü tespit eder. Özellikle yağmur, sis veya kar gibi görüşün düşük olduğu kötü hava koşullarında kameralardan daha güvenilirdir.
LIDAR (Light Detection and Ranging): Çevreye saniyede milyonlarca lazer darbesi göndererek ve bu darbelerin geri yansıma süresini ölçerek çalışır. Bu sayede, aracın etrafındaki dünyanın son derece hassas, üç boyutlu bir haritasını oluşturur. Nesnelerin şeklini ve mesafesini santimetre hassasiyetinde belirleyebilir.

Bu sensörlerden gelen tüm veriler (görüntüler, radar sinyalleri, LIDAR nokta bulutları), aracın merkezi beyni olan yapay zeka sistemine akar. AI, bu farklı veri akışlarını birleştirerek (sensör füzyonu), o anki durumu bütünsel olarak analiz eder: “Önümdeki araç ne kadar uzakta ve hangi hızla gidiyor? Sağ şeritteki yaya yola adım atacak mı? Trafik ışığı yeşile dönmek üzere mi?”. Bu analiz sonucunda, saniyenin binde biri gibi bir hızla direksiyon, gaz ve fren sistemlerine anlık komutlar göndererek aracı güvenli bir şekilde yönlendirir.

Otonom sürüş, tek bir teknoloji değil, bir yetenek spektrumudur. Otomotiv Mühendisleri Birliği (SAE), bu yetenekleri 0’dan 5’e kadar altı seviyeye ayırmıştır :

Seviye 0: Tamamen insan kontrolü.
Seviye 1 (Sürücü Desteği): Hız sabitleyici veya şerit takip asistanı gibi tek bir otomatik sistem devreye girer.
Seviye 2 (Kısmi Otomasyon): Direksiyon ve hız kontrolü gibi en az iki fonksiyon aynı anda otomatikleşir (örneğin, şerit ortalama ve adaptif hız sabitleyici). Sürücü dikkatini yoldan ayırmamalıdır. Günümüzdeki birçok yeni araç bu seviyededir.
Seviye 3 (Koşullu Otomasyon): Araç, belirli koşullar altında (örneğin, otoyolda sıkışık trafik) sürüşü tamamen devralabilir. Ancak sistem istediğinde sürücü kontrolü geri almaya hazır olmalıdır.
Seviye 4 (Yüksek Otomasyon): Araç, belirli coğrafi alanlar veya koşullar altında tamamen kendi kendine gidebilir ve sürücü müdahalesi gerektirmez.
Seviye 5 (Tam Otomasyon): Araç, her türlü yol ve hava koşulunda, her yerde insan müdahalesi olmadan sürüşü gerçekleştirebilir. Bu araçlarda direksiyon simidi veya pedallar olmayabilir. Bu seviye, henüz geliştirme aşamasındadır.

4.4. Sağlıkta Devrim: Teşhisten Tedaviye Yapay Zeka

Yapay zeka, belki de en dönüştürücü etkisini sağlık sektöründe gösterme potansiyeline sahiptir. İnsan hayatını doğrudan etkileyen bu alanda AI, teşhisin doğruluğunu artırmaktan tedaviyi kişiselleştirmeye kadar birçok alanda devrim yaratmaktadır.

Erken ve Doğru Teşhis: İnsan gözü yorulabilir veya ince detayları kaçırabilir. Derin öğrenme algoritmaları ise milyonlarca tıbbi görüntüyü (röntgen, mamografi, BT taramaları, patoloji slaytları) analiz ederek eğitilebilir. Bu sayede, kanserli bir tümörün veya diyabetik retinopati gibi hastalıkların başlangıç belirtilerini, henüz bir uzman radyoloğun bile fark edemeyeceği kadar erken bir evrede tespit edebilirler. Örneğin, PathAI gibi şirketler, kanser teşhisinde patologlara yardımcı olmak için patoloji slaytlarını analiz eden AI sistemleri geliştirirken, Türkiye’den Virasoft da benzer şekilde dijital patoloji çözümleri sunmaktadır.
Kişiselleştirilmiş Tıp ve Tedavi: Her hasta farklıdır. Yapay zeka, bir hastanın genetik yapısını, tıbbi geçmişini, yaşam tarzı verilerini ve laboratuvar sonuçlarını bir araya getirerek, o kişiye özel en etkili tedavi planını oluşturabilir. Hangi ilacın hangi dozda daha etkili olacağını veya hangi tedavinin yan etki riskinin daha düşük olacağını tahmin edebilir. Bu, “tek beden herkese uyar” tıp anlayışından, tamamen kişiye özel bir yaklaşıma geçiş anlamına gelir.
İlaç Keşfi ve Geliştirme: Yeni bir ilacın keşfedilmesi ve piyasaya sürülmesi, geleneksel yöntemlerle 10-15 yıl sürebilen ve milyarlarca dolara mal olan bir süreçtir. Yapay zeka, bu süreci radikal bir şekilde hızlandırma potansiyeline sahiptir. AI algoritmaları, devasa biyolojik ve kimyasal veri tabanlarını tarayarak, belirli bir hastalığa etki edebilecek potansiyel molekül bileşiklerini haftalar veya aylar içinde belirleyebilir. Bu, yeni tedavilerin çok daha hızlı ve düşük maliyetle hastalara ulaşmasını sağlayabilir.
Operasyonel Verimlilik: Hastanelerde randevu planlama, faturalandırma ve hasta kayıtları gibi idari görevler, AI tarafından otomatikleştirilerek sağlık personelinin hastalarla daha fazla ilgilenmesine olanak tanır ve hataları azaltır.

Bölüm 5: Geleceğe Bakış: Fırsatlar, Riskler ve Büyük Tartışmalar

Yapay zeka, insanlığa benzeri görülmemiş fırsatlar sunarken, aynı zamanda karmaşık etik, toplumsal ve varoluşsal soruları da beraberinde getiriyor. Teknolojinin bu baş döndürücü ilerleyişi, bizi geleceğimiz hakkında derinlemesine düşünmeye zorluyor. Bu bölümde, AI’nin getirdiği en büyük tartışmaları, riskleri ve ufukta beliren yeni teknolojileri ele alacağız.

5.1. Etik İkilemler: Toplum ve Teknoloji Arasındaki Gerilim

Teknolojinin hızı, genellikle etik ve yasal çerçevelerin hızını aşar. Yapay zeka, bu “etik-teknoloji gecikmesi” olgusunun en çarpıcı örneğidir. Geliştirdiğimiz sistemler, toplumun temel dokusunu etkileyen derin ikilemler yaratmaktadır.

İşsizlik ve Mesleklerin Dönüşümü: Yapay zeka ve otomasyonun yükselişiyle ilgili en yaygın korku, kitlesel işsizliktir. Özellikle veri girişi, montaj hattı işçiliği, müşteri hizmetleri gibi tekrar eden ve rutin görevlere dayalı meslekler, algoritmalar tarafından devralınma riski altındadır. Bu durum, toplumsal bir endişe ve teknolojiye karşı bir önyargı yaratmaktadır. Ancak bu tablo, bir “yok oluştan” çok bir “dönüşümü” ifade etmektedir. Sanayi Devrimi’nde olduğu gibi, bazı meslekler ortadan kalkarken, yapay zekanın kendisi de veri bilimcisi, AI etik uzmanı, makine öğrenmesi mühendisi, prompt mühendisi gibi tamamen yeni iş alanları yaratmaktadır. Asıl zorluk, iş gücünü bu yeni becerilere adapte etmek için gerekli eğitim ve yeniden beceri kazandırma programlarını oluşturmaktır.
Algoritmik Önyargı (Bias): Yapay zeka sistemleri, doğaları gereği tarafsız değildir; onlar, eğitildikleri verilerin bir yansımasıdır. Eğer bir AI modeli, tarihsel olarak önyargılar içeren verilerle eğitilirse, bu önyargıları sadece öğrenmekle kalmaz, aynı zamanda pekiştirir ve otomatikleştirir. Örneğin, bir şirketin geçmiş işe alım verileri, belirli bir cinsiyet veya etnik kökene yönelik bilinçsiz bir eğilim içeriyorsa, bu verilerle eğitilen bir AI işe alım sistemi, gelecekteki başvurularda bu demografik grupları haksız yere eleyebilir. Bu durum, kredi başvurularından adalet sistemindeki suç riski tahminlerine kadar birçok kritik alanda ciddi ayrımcılıklara yol açabilir.
Veri Gizliliği ve Gözetim: Yapay zekanın yakıtı veridir ve bu yakıta olan doymak bilmez iştahı, mahremiyet konusunda ciddi endişeler doğurmaktadır. Kullandığımız her akıllı cihaz, yaptığımız her çevrimiçi arama, paylaştığımız her fotoğraf, AI sistemlerini besleyen bir veri noktası haline gelir. Bu verilerin nasıl toplandığı, kimlerle paylaşıldığı ve ne amaçla kullanıldığı genellikle şeffaf değildir. Bu durum, kişisel verilerimizin istismarı ve kitlesel gözetim potansiyeli gibi riskleri beraberinde getirir.
Sorumluluk ve Hesap Verebilirlik: Yapay zeka bir hata yaptığında sorumluluk kime aittir? Kendi kendine giden bir araba kaçınılmaz bir kaza durumunda bir yaya grubuna mı yoksa kendi yolcusuna mı zarar vermeyi seçmelidir? Bir yapay zeka yanlış bir tıbbi teşhis koyduğunda dava kime açılmalıdır; yazılımı geliştiren mühendise mi, onu üreten şirkete mi, yoksa sistemi kullanan doktora mı?. Bu sorular, AI’nin “kara kutu” doğası nedeniyle daha da karmaşıklaşır. Bir sistemin neden belirli bir karar verdiğini tam olarak açıklayamıyorsak, o kararın sorumluluğunu kime atfedeceğimiz belirsizleşir.

5.2. Yaratıcılığın Karanlık Yüzü: Deepfake, Telif Hakkı ve Dezenformasyon

Üretken yapay zekanın metin ve görüntü yaratma yeteneği, beraberinde yeni ve karmaşık etik sorunlar getirdi. Artık sorun sadece veriyi analiz etmek değil, gerçeği taklit eden veya ondan ayırt edilemeyen yeni “gerçeklikler” yaratmaktır.

Deepfake (Derin Sahtecilik) ve Dezenformasyon: Üretken AI kullanılarak oluşturulan ve bir kişinin yüzünü veya sesini başka bir videoya monte eden “deepfake” teknolojisi, dezenformasyon için güçlü bir silah haline gelmiştir. Sahte siyasetçi konuşmalarıyla seçimleri manipüle etmek, sahte kanıtlarla itibarı zedelemek, şantaj yapmak veya rıza dışı müstehcen içerikler oluşturmak gibi kötüye kullanım potansiyeli çok yüksektir. Bu teknolojinin en tehlikeli yanı, gerçek ile sahte arasındaki çizgiyi bulandırarak toplumsal güveni ve medya okuryazarlığını temelden sarsmasıdır.
Telif Hakkı Krizi: Günümüzdeki üretken AI modellerinin çoğu, internetten taranan milyarlarca metin ve görüntüden oluşan devasa veri setleriyle eğitilmiştir. Bu veri setleri, telif hakkıyla korunan sayısız sanat eseri, fotoğraf, kitap ve makale içermektedir. Bu durum, sanatçılar, yazarlar ve içerik üreticileri ile AI şirketleri arasında büyük bir hukuki savaşı ateşlemiştir. Tartışmanın iki ana ekseni vardır:
1. İnsan Yazarlığı (Human Authorship): Bir eserin telif hakkıyla korunabilmesi için insan tarafından yaratılmış olması gerekir mi? ABD Telif Hakkı Ofisi gibi kurumlar, şu anki duruşlarıyla, tamamen bir AI tarafından üretilen bir eserin “insan yazarlığı” şartını karşılamadığı için telif hakkı koruması alamayacağını belirtmektedir. Bir kullanıcının AI’ye verdiği basit bir metin komutu (prompt), eserin yaratıcı kontrolünü elinde tutmak için yeterli görülmemektedir. Bu, AI ile üretilen sanatın ve metnin hukuki statüsünü belirsiz bırakmaktadır.
2. Adil Kullanım (Fair Use) Tartışması: AI şirketleri, telifli materyalleri eğitim amacıyla kullanmanın, orijinal eseri kopyalamak yerine ondan öğrenerek tamamen yeni ve “dönüştürücü” bir şey yaratmak olduğunu ve bu nedenle “adil kullanım” doktrini kapsamına girdiğini savunmaktadır. Buna karşılık, sanatçılar ve yazarlar bu süreci, eserlerinin izinsiz ve bedelsiz olarak “çalınması” ve kendi pazarlarını baltalayacak rakip ürünler yaratmak için kullanılması olarak görmektedir. Bu dava, yapay zekanın gelecekteki gelişimini ve yaratıcı endüstrilerin ekonomisini temelden etkileyecek potansiyele sahiptir.

5.3. Kutsal Kase’nin Peşinde: Yapay Genel Zeka (AGI) Arayışı

Mevcut dar yapay zekanın ötesine geçerek insan benzeri bir genel zekaya (AGI) ulaşma arayışı, alanın en büyük ve en zorlu hedefidir. Bu arayış, sadece mevcut teknolojileri ölçeklendirmekten daha fazlasını gerektiriyor; zekanın doğasına ilişkin temel soruları yeniden ele almayı zorunlu kılıyor. Bu, bir mühendislik probleminden çok, temel bir bilim problemine dönüşmektedir.

AGI’ye giden yolda tarihsel olarak iki ana felsefi yaklaşım çatışmıştır:

Sembolik AI (GOFAI – Good Old-Fashioned AI): 1950’lerden 1980’lere kadar hakim olan bu yaklaşım, zekanın temelinde mantık ve sembolik akıl yürütmenin yattığını varsayar. Dünyayı, “eğer-ise” (if-then) gibi katı kurallar ve sembollerle temsil etmeye çalışır. Bu yaklaşım, planlama ve uzman sistemler gibi alanlarda başarılı olsa da, dünyanın karmaşıklığı ve belirsizliği karşısında “kırılgan” kalmış ve ölçeklenememiştir.
Bağlantıcı AI (Connectionism): Günümüzün derin öğrenme devriminin temelini oluşturan bu yaklaşım, zekanın beyindeki nöron ağlarının etkileşiminden “doğduğunu” öne sürer. Büyük veri setlerindeki istatistiksel kalıpları öğrenerek çalışır. Görüntü ve ses tanıma gibi algısal görevlerde muazzam bir başarı göstermiş, ancak “sağduyu”, “nedensellik” ve “açıklanabilirlik” gibi konularda zayıf kalmıştır.

Mevcut AI modellerinin AGI’ye ulaşmasının önündeki en büyük engeller, insani bilişin temel taşları olan şu yeteneklerden yoksun olmalarıdır: nedensellik anlayışı (sadece korelasyonu değil, neden-sonuç ilişkisini anlama), sağduyu muhakemesi (dünyanın nasıl işlediğine dair örtük bilgi) ve içsel motivasyon (belirli bir ödül olmadan merak ve keşif dürtüsü).

Bu eksiklikleri gidermek için, günümüzde en umut verici yol olarak Hibrit Yaklaşım: Nöro-Sembolik AI (Neuro-Symbolic AI) görülmektedir. Bu yaklaşım, bağlantıcı modellerin (sinir ağları) algısal ve örüntü tanıma gücünü, sembolik sistemlerin mantıksal akıl yürütme ve yapısal bilgi temsil etme yeteneğiyle birleştirmeyi hedefler. Örneğin, bir nöro-sembolik sistem, bir görüntüdeki nesneleri bir sinir ağıyla “görebilir” ve ardından bu nesneler arasındaki ilişkileri (“kedi masanın

üstünde“) sembolik mantıkla “anlayabilir”. Bu entegrasyon, AI’ye hem öğrenme esnekliği hem de sağlam bir akıl yürütme iskeleti kazandırarak AGI’ye giden yolda önemli bir adım olarak kabul edilmektedir.

5.4. Yaratıcısının Uyarısı: Hinton ve Varoluşsal Riskler

Yapay zeka alanındaki en endişe verici gelişmelerden biri, teknolojiyi en iyi anlayan bazı kişilerin, yani onu yaratan öncülerin, geleceğe dair ciddi uyarılarda bulunmasıdır. “Derin Öğrenmenin Vaftiz Babası” olarak bilinen Geoffrey Hinton, 2023 yılında Google’daki görevinden ayrılarak, geliştirdiği teknolojinin potansiyel tehlikeleri hakkında daha özgürce konuşma kararı almıştır.

Hinton ve onun gibi düşünen birçok uzman, süper zekanın (ASI) ortaya çıkmasının insanlık için bir “varoluşsal risk” oluşturabileceğine inanıyor. CBS News’e verdiği bir röportajda Scott Pelley’in “İnsanlık ne yaptığını biliyor mu?” sorusuna Hinton’ın verdiği net yanıt, durumun ciddiyetini özetler niteliktedir: “Hayır.”.

Hinton’ın temel endişeleri şunlardır :

Kontrolden Çıkma: Yeterince akıllı bir AI, kendi kodunu yazarak kendini değiştirebilir ve insanların ona koyduğu kısıtlamalardan kurtulabilir. Hinton, “Akıllı şeyler bizi alt edebilir” diyerek bu riske dikkat çeker.
İnsanları Manipüle Etme: İnsan dilini ve psikolojisini anlayan bir süper zeka, insanları kendi hedefleri doğrultusunda kolayca manipüle edebilir.
Beklenmedik Hedefler: Tehlike, AI’nin Hollywood filmlerindeki gibi “kötü” olması değil, insan değerleriyle uyumlu olmayan bir hedefi aşırı verimli bir şekilde takip etmesidir. Örneğin, “dünyadaki tüm kanser hücrelerini yok et” komutu verilen bir AI, bu hedefe ulaşmak için insanları da yok etmenin en etkili yol olduğuna karar verebilir.
Ölümsüz Dijital Varlıklar: Hinton, “Ölümsüz varlıklar inşa etmeyi başardık. Bu dijital zekalar, bir donanım öldüğünde ölmüyorlar” diyerek, bu sistemlerin insan ömrünün ve biyolojik kısıtlamalarının ötesinde bir varlık kazanabileceğine işaret ediyor.

Bu uyarılar, AI güvenliği ve hizalama (AI alignment) – yani AI sistemlerinin hedeflerini insanlığın değerleri ve çıkarlarıyla uyumlu hale getirme – araştırmalarının neden bu kadar kritik olduğunu göstermektedir.

5.5. Ufkun Ötesi: Kuantum AI ve Beyin-Bilgisayar Arayüzleri

Mevcut AI tartışmalarının ötesinde, bilimin sınırlarında iki teknoloji daha şekilleniyor ve bunlar yapay zekanın geleceğini temelden değiştirebilir.

Kuantum Yapay Zeka (Quantum AI): Klasik bilgisayarlar bilgiyi 0 veya 1’lerden oluşan “bit”ler ile işler. Kuantum bilgisayarlar ise aynı anda hem 0 hem de 1 olabilen (süperpozisyon) ve birbirine gizemli bir şekilde bağlı (dolanıklık) olan “kübit”leri kullanır. Bu özellik, kuantum bilgisayarlara, en güçlü süper bilgisayarların bile çözemeyeceği kadar karmaşık problemleri çözme potansiyeli verir. Kuantum AI, bu muazzam hesaplama gücünü makine öğrenmesi algoritmalarını eğitmek için kullanmayı hedefler. Bu, özellikle ilaç keşfi, malzeme bilimi ve karmaşık finansal modelleme gibi alanlarda, klasik AI’nin yeteneklerini katlanarak artırabilir ve şu an hayal bile edemediğimiz atılımlara yol açabilir.
Beyin-Bilgisayar Arayüzleri (BCI – Brain-Computer Interfaces): BCI, beyin sinyallerini doğrudan bir bilgisayara veya cihaza bağlayarak düşünce gücüyle kontrolü sağlayan bir teknolojidir. Bu alandaki en büyük zorluk, beyinden gelen karmaşık ve gürültülü elektrik sinyallerini çözmektir. İşte bu noktada yapay zeka devreye girer. AI algoritmaları, bu sinyalleri analiz ederek kullanıcının niyetini (örneğin, “imleci sağa hareket ettir” veya “A harfini yaz”) yüksek bir doğrulukla deşifre eder. Neuralink ve Synchron gibi şirketler, bu teknolojiyi geliştirerek felçli hastaların tekrar iletişim kurmasını veya protez uzuvlarını kontrol etmesini sağlamayı hedefliyor. Gelecekte, BCI ve AI entegrasyonu, sadece tıbbi restorasyon için değil, aynı zamanda bilişsel geliştirme, artırılmış gerçeklik kontrolü ve hatta doğrudan beyinden beyine iletişim gibi fütüristik uygulamaların kapısını aralayabilir.

5.6. Küresel Satranç Tahtası: AI Jeopolitiği ve Türkiye’nin Stratejisi

Yapay zeka, sadece bir teknoloji değil, aynı zamanda 21. yüzyılın en önemli jeopolitik güç unsurlarından biridir. Dünyanın önde gelen güçleri, AI alanındaki liderliğin gelecekteki ekonomik ve askeri üstünlüğün anahtarı olacağının farkındadır. Bu durum, küresel bir AI rekabetini ve farklı düzenleme felsefelerini ortaya çıkarmıştır.

Bu küresel yarışta üç ana yaklaşım belirginleşmektedir:

ABD’nin Pazar Odaklı Yaklaşımı: ABD, AI inovasyonunu büyük ölçüde özel sektöre ve serbest piyasa dinamiklerine bırakmıştır. Google, Microsoft, OpenAI ve Meta gibi dev şirketler, araştırmanın ve geliştirmenin lokomotifidir. Hükümetin rolü ise genellikle inovasyonu teşvik etmek ve Çin gibi rakiplere karşı teknolojik üstünlüğü korumak için ihracat kontrolleri gibi stratejik kısıtlamalar uygulamaktır. Bu yaklaşım, hızlı inovasyonu teşvik ederken, düzenlemelerin parçalı ve yavaş kalması riskini taşır.
Çin’in Devlet Kontrollü Yaklaşımı: Çin, yapay zekayı ulusal bir stratejik öncelik olarak ele alır ve “Made in China 2025” gibi planlarla devlet destekli, merkezi bir yaklaşım benimser. Hükümet, veri toplama, altyapı yatırımları ve kilit şirketleri destekleme konularında aktif rol oynar. Bu model, hızlı ve odaklı bir ilerleme sağlarken, bireysel haklar ve veri gizliliği yerine devlet kontrolünü ve ulusal çıkarları önceliklendirir.
Avrupa Birliği’nin Düzenleyici Yaklaşımı: AB, kendisini bir AI süper gücü olarak değil, bir “AI düzenleyici gücü” olarak konumlandırmaktadır. 2024’te kabul edilen AB Yapay Zeka Yasası (EU AI Act), dünyanın ilk kapsamlı AI düzenlemesidir. Bu yasa, risk tabanlı bir yaklaşım benimser. AI uygulamalarını dört risk kategorisine ayırır:
- Kabul Edilemez Risk: Sosyal puanlama, manipülatif AI gibi sistemler tamamen yasaklanır.
- Yüksek Risk: Tıbbi cihazlar, kritik altyapı yönetimi, işe alım gibi alanlardaki AI’lar katı şeffaflık, güvenlik ve denetim kurallarına tabi tutulur.
- Sınırlı Risk: Chatbot’lar gibi sistemlerin, kullanıcıya bir AI ile etkileşimde olduğunu bildirmesi gerekir.
- Minimal Risk: Video oyunları veya spam filtreleri gibi uygulamalar serbest bırakılır. AB’nin bu insan ve hak odaklı yaklaşımı, küresel bir standart oluşturmayı hedefler.

Bu üç farklı felsefe, bir “düzenleyici trilemma” yaratır. Ülkeler aynı anda (1) hızlı inovasyonu teşvik etmek, (2) temel insan haklarını ve etiği korumak ve (3) küresel rekabet gücünü sürdürmek istemektedir. Ancak bu üç hedefe aynı anda ulaşmak zordur. ABD inovasyonu, AB hakları, Çin ise rekabet gücünü ve kontrolü önceliklendiriyor gibi görünmektedir. Bu durum, AI güvenliği ve etiği konusunda tek bir küresel norm yerine, parçalı bir düzenleyici dünya yaratmaktadır.

Türkiye’nin Ulusal Yapay Zeka Stratejisi

Bu küresel rekabet ortamında Türkiye de kendi yol haritasını çizmiştir. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ve Sanayi ve Teknoloji Bakanlığı tarafından hazırlanan 2021-2025 Ulusal Yapay Zeka Stratejisi, Türkiye’nin bu alandaki vizyonunu ortaya koymaktadır. Strateji, altı ana stratejik öncelik etrafında şekillenmiştir :

AI Uzmanlarını Yetiştirmek ve İstihdamı Artırmak: AI alanında nitelikli insan kaynağı havuzu oluşturmak.
Araştırma, Girişimcilik ve Yenilikçiliği Desteklemek: AI ekosistemini ve start-up’ları teşvik etmek.
Kaliteli Veriye ve Teknik Altyapıya Erişim İmkânlarını Genişletmek: AI’nin yakıtı olan veriye ve işlem gücüne erişimi kolaylaştırmak.
Sosyoekonomik Uyumu Hızlandıracak Düzenlemeleri Yapmak: Etik ve yasal altyapıyı oluşturmak.
Uluslararası İş Birliklerini Güçlendirmek: Küresel AI ağlarına entegre olmak.
Yapısal ve İşgücü Dönüşümünü Hızlandırmak: Kamu ve özel sektörde AI kullanımını yaygınlaştırmak.

Bu hedefler doğrultusunda, akıllı üretim sistemleri, akıllı tarım, finans teknolojileri ve iklim değişikliği gibi öncelikli alanlar belirlenmiş ve TÜBİTAK gibi kurumlar aracılığıyla projeler desteklenmektedir. Türkiye’nin stratejisi, hem yerel kapasiteyi geliştirmeyi hem de küresel gelişmelerle uyumlu, dengeli bir yol izlemeyi amaçlamaktadır.

Sonuç: Yeni Bir Çağın Şafağında

Yapay zeka, antik hayallerden doğup, matematik ve bilgisayar biliminin omuzlarında yükselerek günümüzün en dönüştürücü teknolojisi haline gelmiştir. Bu rapor, onun ne olduğundan nasıl çalıştığına, tarihsel kökenlerinden günlük hayatımızdaki yansımalarına ve gelecekte bizi bekleyen büyük tartışmalara kadar kapsamlı bir yolculuk sunmuştur.

Gördüğümüz gibi, yapay zeka tek bir varlık değil, dar görevlerde uzmanlaşmış sistemlerden (ANI), insan zekasına eşdeğer teorik bir genel zekaya (AGI) ve onu aşan bir süper zekaya (ASI) uzanan geniş bir spektrumdur. Günümüzdeki devrim, beynimizden ilham alan derin öğrenme ve yapay sinir ağları tarafından yönlendirilmekte, bu sistemler devasa veri setlerinden öğrenerek insan yeteneklerini aşan performanslar sergilemektedir.

Bu teknoloji, hayatımızı şimdiden görünmez bir şekilde şekillendirmektedir. Kullandığımız navigasyondan izlediğimiz filme, aldığımız tıbbi teşhise kadar her alanda onun izleri vardır. Ancak bu ilerleme, bedelsiz değildir. Algoritmik önyargı, iş gücünün dönüşümü, veri mahremiyeti ve en nihayetinde süper zekanın kontrolü gibi derin etik ve toplumsal sorunlarla yüzleşmek zorundayız. AI’nin yaratıcıları bile, bu teknolojinin kontrolsüz gelişiminin varoluşsal riskler taşıdığı konusunda ciddi uyarılarda bulunmaktadır.

Ufukta ise kuantum hesaplama ve beyin-bilgisayar arayüzleri gibi teknolojiler, yapay zekanın potansiyelini daha da akıl almaz seviyelere taşıma vaadi sunmaktadır. Bu küresel yarışta ülkeler, inovasyon, etik ve rekabet gücü arasında kendi dengelerini bulmaya çalışırken, Türkiye de Ulusal Yapay Zeka Stratejisi ile bu yeni çağda yerini almaya çalışmaktadır.

Sonuç olarak, yapay zeka bir varış noktası değil, devam eden bir yolculuktur. Bu yolculuğun yönünü belirleyecek olan, sadece geliştirdiğimiz algoritmaların zekası değil, aynı zamanda bu algoritmalara hangi değerleri, hangi etiği ve hangi amaçları kodladığımız olacaktır. Gelecek, makinelerin ne kadar akıllı olacağından çok, bizim bu akılla ne kadar bilgece başa çıkabileceğimize bağlıdır. Bu, sadece mühendislerin ve bilim insanlarının değil, tüm toplumun katılması gereken bir diyalogdur.

#DeepSearch ile oluşturuldu.

KAYNAKLAR

1. Yapay Zeka Nedir – Veri Topluluğu – Manisa Celal Bayar Üniversitesi https://veri.mcbu.edu.tr/yeni/makaleler/6
2. Yapay Zeka Nedir? – ENFORMATİK BÖLÜMÜ https://enformatik.cu.edu.tr/storage/TBTK/7-YapayZeka.pdf
3. Yapay Zeka Nedir? Yapay Zeka Nasıl Çalışır? | Samsung Türkiye https://www.samsung.com/tr/explore/brand/what-is-artificial-intelligence-how-does-artificial-intelligence-work/
4. Yapay Zeka nedir? – Microsoft Azure https://azure.microsoft.com/tr-tr/resources/cloud-computing-dictionary/what-is-artificial-intelligence
5. Farklı Sektörlerden Yapay Zeka Uygulama Örnekleri – Global IT https://globalit.com.tr/farkli-sektorlerden-yapay-zeka-uygulama-ornekleri/
6. Yapay Zekanın Günlük Hayatta 5 Etkili Kullanımı – Pratik Okul https://pratikokul.com.tr/yapay-zekanin-guendelik-kullanim-alanlari/
7. Günlük Hayatta Kullanılan Yapay Zeka Uygulamaları Nelerdir? – Digipeak https://digipeak.org/tr/blog/gunluk-hayatta-kullanilan-yapay-zeka-uygulamalari-nelerdir
8. Yapay Genel Zeka (AGI) Nedir? – Simovate https://www.simovate.com/blog/yapay-genel-zeka-agi-nedir
9. Yapay Zeka Nedir, AI Hakkında Bilmeniz Gerekenler – GTech https://www.gtech.com.tr/yapay-zeka-nedir-yapay-zeka-hakkinda-bilmeniz-gerekenler/
10. Yapay Zeka Nasıl Kullanılır? – Rüzgar Dijital https://www.ruzgardijital.com/yapay-zeka-nasil-kullanilir
11. Derin Öğrenme ve Makine Öğrenimi – Veri Teknolojileri Arasındaki … https://aws.amazon.com/tr/compare/the-difference-between-machine-learning-and-deep-learning/
12. Yapay Zekâ, Makine Öğrenmesi ve Derin Öğrenme – STM ThinkTech https://thinktech.stm.com.tr/uploads/docs/1608899913_stm-blog-derin-farklar-yapay-zeka-makine-ogrenmesi-ve-derin-ogrenme.pdf?
13. Sinir Ağı Nedir? – Yapay Sinir Ağına Ayrıntılı Bakış – AWS https://aws.amazon.com/tr/what-is/neural-network/
14. 20.400+ Yapay Sinir Ağı Stok Fotoğrafları, Resimler ve Royalty-Free Görseller – iStock https://www.istockphoto.com/tr/foto%C4%9Fraflar/yapay-sinir-a%C4%9F%C4%B1
15. Yapay Sinir Ağı(Artificial Neural Network) Nedir? – Veri Bilimi Okulu https://www.veribilimiokulu.com/yapay-sinir-agiartificial-neural-network-nedir/
16. Supervised vs Unsupervised vs Reinforcement Learning … https://www.geeksforgeeks.org/machine-learning/supervised-vs-reinforcement-vs-unsupervised/
17. Supervised VS Unsupervised VS Reinforcement learning. | by Houssem Ben Salem | Medium https://medium.com/@bensalemh300/supervised-vs-unsupervised-vs-reinforcement-learning-a3e7bcf1dd23
18. Supervised vs. unsupervised vs. reinforcement learning – Educative.io https://www.educative.io/answers/supervised-vs-unsupervised-vs-reinforcement-learning
19. Supervised vs Unsupervised vs Reinforcement – AITUDE https://www.aitude.com/supervised-vs-unsupervised-vs-reinforcement/
20. Unleashing Generative AI with VAEs, GANs, and Transformers – Analytics Vidhya https://www.analyticsvidhya.com/blog/2023/07/generative-ai-with-vaes-gans-transformers/
21. Generative AI Architectures: RNNs, Transformers, GANs, VAEs, and Diffusion Models | by Nimeth Nimdinu | Medium https://medium.com/@20011002nimeth/generative-ai-architectures-rnns-transformers-gans-vaes-and-diffusion-models-b47e44ff6124
22. GAN vs. Transformer Models – GeeksforGeeks https://www.geeksforgeeks.org/artificial-intelligence/gan-vs-transformer-models/
23. Comparing Generative AI Models: GANs, VAEs, and Transformers – Hyqoo https://hyqoo.com/artificial-intelligence/comparing-generative-ai-models-gans-vaes-and-transformers
24. What are transformers in Generative AI? – Pluralsight https://www.pluralsight.com/resources/blog/ai-and-data/what-are-transformers-generative-ai
25. YZU.1.4. YAPAY ZEKANIN TARİHSEL GELİŞİMİ – Özgür ŞEREMET https://ozgurseremet.com/yzu-1-4-yapay-zekanin-tarihsel-gelisimi/
26. Yapay zekanın tarihçesi: Cezeri’nin robotlarından derin sinir ağlarına 1000 yıl – Journo https://journo.com.tr/yapay-zeka-tarihi
27. Yapay Zekanın Tarihi | Dünden Bugüne Yapay Zeka | Coderspace … https://coderspace.io/blog/yapay-zekanin-tarihi-dunden-bugune-yapay-zeka/
28. Alan Turing – Person – National Portrait Gallery https://www.npg.org.uk/collections/search/person/mp18700/alan-mathison-turing
29. Turing’den Bugüne Yapay Zekâ Testleri | TÜBİTAK Bilim Genç https://bilimgenc.tubitak.gov.tr/makale/turingden-bugune-yapay-zeka-testleri
30. Turing Testi Nedir? Turing Testi Günümüzde Halen Geçerli Bir Test mi? – Evrim Ağacı https://evrimagaci.org/turing-testi-nedir-turing-testi-gunumuzde-halen-gecerli-bir-test-mi-17442
31. Yapay Zekanın Kısa Tarihi | IoT Türkiye | Türkiye’nin En Büyük … https://ioturkiye.com/2024/06/yapay-zekanin-kisa-tarihi/
32. Yapay Zeka Tarihte Somut Olarak İlk Ne Zaman ve Nasıl Kullanıldı? – Ekşi Şeyler https://eksiseyler.com/yapay-zeka-tarihte-somut-olarak-ilk-ne-zaman-ve-nasil-kullanildi
33. The historic Dartmouth Conference of 1956 – Setting the stage for AI – RoboticsBiz https://roboticsbiz.com/the-historic-dartmouth-conference-of-1956-setting-the-stage-for-ai/
34. Yapay Zekâ (Artificial İntellligence) Nedir? – KVKSİS https://kvksis.com/blog-detay/yapay-zeka-artificial-intellligence-nedir-yapay-zeka-alaninda-kisisel-verilerin-korunmasi
35. Dartmouth workshop – Wikipedia https://en.wikipedia.org/wiki/Dartmouth_workshop
36. John McCarthy | Stanford University School of Engineering https://engineering.stanford.edu/about/history/heroes/2013-heroes/john-mccarthy
37. John mccarthy stanford hi-res stock photography and images – Alamy https://www.alamy.com/stock-photo/john-mccarthy-stanford.html
38. YAPAY ZEKA VE YENİ TEKNOLOJİLER – Uludağ İhracatçı Birlikleri https://uib.org.tr/tr/kbfile/yapay-zeka-ve-yeni-teknolojiler
39. John McCarthy (bilgisayar bilimci) – Vikipedi https://tr.wikipedia.org/wiki/John_McCarthy_(bilgisayar_bilimci)
40. YAPAY ZEKA BİLİM DALININ ATASI JOHN McCARTHY – Ural Akbulut https://www.uralakbulut.com.tr/wp-content/uploads/2012/12/yapayzeka.pdf
41. Geoffrey Hinton – Vikipedi https://tr.wikipedia.org/wiki/Geoffrey_Hinton
42. Geoffrey Hinton – Photo gallery – NobelPrize.org https://www.nobelprize.org/prizes/physics/2024/hinton/photo-gallery/?gallery_style=page
43. Yapay Zeka ve Derin Öğrenme’nin Hikayesi – Impress Bilişim https://www.impress.com.tr/yapay-zeka-ve-derin-ogrenmenin-hikayesi/
44. Uyarılarıyla dünyayı sarsan, yapay zekanın “öncüsü” Geoffrey Hinton kimdir? https://www.indyturk.com/node/631811/yazarlar/uyar%C4%B1lar%C4%B1yla-d%C3%BCnyay%C4%B1-sarsan-yapay-zekan%C4%B1n-%C3%B6nc%C3%BCs%C3%BC-geoffrey-hinton-kimdir
45. Yapay Zekânın Godfather’ı: Geoffrey Hinton | by Alinebier | Medium https://medium.com/@alinebier138/yapay-zek%C3%A2n%C4%B1n-godfather%C4%B1-geoffrey-hinton-3e279146e2f4
46. En iyi 10 yapay zeka uygulaması (2023) – İnnova https://www.innova.com.tr/blog/En-iyi-10-yapay-zeka-uygulamasi-2023
47. Yapay Zeka Örnekleri – Kozmos Yazılım Anadolu Lisesi https://www.kozmoslisesi.com/yapay-zeka-ornekleri/
48. Netflix Algoritması Nasıl Çalışıyor? – Dr. Sertaç Doğanay https://sertacdoganay.com/netflix-algoritmasi/
49. Netflix’in Öneriler Sistemi Nasıl Çalışıyor? | Netflix Yardım Merkezi https://help.netflix.com/tr/node/100639
50. Amazon’dan Netflix’e Öneri Sistemleri Nedir, Nasıl Çalışır? – Kriko Blog https://kriko.blog/icerik-pazarlamasi/dagitim-pazarlama/oneri-sistemleri-nedir-nasil-calisir
51. Otonom Araç Nedir? Nasıl Çalışır? | Servislet https://www.servislet.com/blog/otonom-arac-nedir-nasil-calisir
52. Otonom Nedir? Otonom Arabaların Çalışma Prensibi – Borusan Next https://borusannext.com/blog/otonom-nedir-otonom-arabalarin-calisma-prensi
53. Otonom Araç Nedir? – Sixt Türkiye https://www.sixt.com.tr/blog/arac-bakimi-ve-ipuclari/otonom-arac-nedir
54. Sürücüsüz Araçlarda Yapay Zeka: Vizyon & YOLOv8 – Ultralytics https://www.ultralytics.com/tr/blog/ai-in-self-driving-cars
55. Yapay Zeka Örnekleri: Teknolojinin Geleceği – Makers Consulting https://makersconsulting.co/yapay-zeka-ornekleri-teknolojinin-gelecegi/
56. 72 Sağlıkta Yapay Zeka Uygulaması – Yesil Science https://yesilscience.com/tr/yapay-zeka-ve-saglik/
57. Yapay Zeka ile Daha İyi Sağlık Hizmetleri için ve Sağlık Teşhisi 4.0 – Xpert.Digital https://xpert.digital/tr/yapay-zeka-saglik/
58. ATLAS Journal https://atlasjournal.net/index.php/atlas/article/download/382/374
59. Yapay Zeka İş Dünyasında Nasıl Etkiler Yaratıyor? – İstanbul Web Tasarım https://lunaboost.com.tr/yapay-zeka-is-dunyasina-etkileri/
60. Yapay Zekanın Dünyadaki Etkileri: Geleceği Şekillendiren Teknoloji – B&B Bilişim Bilgisayar https://bb.com.tr/blog/yazilim-gelistirme/yapay-zekanin-dunyadaki-etkileri-gelecegi-sekillendiren-teknoloji
61. Mayıs, 2025, 10(1) 152 YAPAY ZEKÂ ETİĞİ – DergiPark https://dergipark.org.tr/tr/download/article-file/4458533
62. YAPAY ZEKÂYA DAİR ETİK SORUNLAR – DergiPark https://dergipark.org.tr/tr/download/article-file/2711570
63. Deepfakes and the Future of AI Legislation: Overcoming the Ethical … https://gdprlocal.com/deepfakes-and-the-future-of-ai-legislation-overcoming-the-ethical-and-legal-challenges/
64. The Ethics of Generative AI: Deepfakes and Beyond – Utilities Online https://www.utilities-online.info/blogs/the-ethics-of-generative-ai-deepfakes-and-beyond
65. What ethical considerations arise with the increasing use of artificial intelligence and deepfake technology in the entertainment industry? | Neil Mandt https://neilmandt.com/ethics-of-artificial-intelligence-and-deepfake-in-entertainment-industry/
66. AI-Generated Art and the Ethical Complications of Copyright – India Legal https://indialegallive.com/laws-research-indepth/ai-generated-art-and-the-ethical-complications-of-copyright/
67. Generative Artificial Intelligence and Copyright Law | Congress.gov … https://www.congress.gov/crs-product/LSB10922
68. Generative AI and Copyright Infringement: Lessons from past Fair … https://www.hudson.org/information-technology/generative-ai-copyright-infringement-lessons-past-fair-use-cases
69. AI, Copyright, and the Law: The Ongoing Battle Over Intellectual Property Rights https://sites.usc.edu/iptls/2025/02/04/ai-copyright-and-the-law-the-ongoing-battle-over-intellectual-property-rights/
70. A.I. Art Generated With Text Prompts Cannot Be Copyrighted, U.S. Rules https://news.artnet.com/art-world/ai-art-us-copyright-office-2604297
71. AI and Copyrights Explained: Who Owns AI-Generated Art? – Emerson Thomson Bennett https://www.etblaw.com/who-owns-ai-generated-art/
72. Fair Use and the Training of AI Models on Copyrighted Works (BitLaw) https://www.bitlaw.com/ai/AI-training-fair-use.html
73. AI-Generated Content and Copyright Law: What We Know – Built In https://builtin.com/artificial-intelligence/ai-copyright
74. Symbolic AI vs. Connectionist AI: Know the Difference – SmythOS https://smythos.com/ai-agents/ai-tutorials/symbolic-ai-vs-connectionist-ai/
75. Difference between Symbolic and Connectionist AI – GeeksforGeeks https://www.geeksforgeeks.org/artificial-intelligence/difference-between-symbolic-and-connectionist-ai/
76. AI for Beginners – The Difference Between Symbolic & Connectionist AI – RE•WORK Blog https://blog.re-work.co/the-difference-between-symbolic-ai-and-connectionist-ai/
77. Deep Dive into Artificial General Intelligence with Industry Experts – Toolify.ai https://www.toolify.ai/ai-news/deep-dive-into-artificial-general-intelligence-with-industry-experts-40701
78. Artificial General Intelligence: Challenges and Future Perspectives – Fabio Vivas https://fvivas.com/en/artificial-general-intelligence-challenges-and-future-perspectives/
79. Beyond LLMs: The Uncharted Path to Artificial General Intelligence – Anshad Ameenza https://anshadameenza.com/blog/technology/beyond-llms-path-to-agi/
80. Hybrid Approaches – (Intro to Cognitive Science) – Vocab, Definition, Explanations | Fiveable https://library.fiveable.me/key-terms/introduction-cognitive-science/hybrid-approaches
81. Neurosymbolic AI: Bridging Neural Networks and Symbolic Reasoning for Smarter Systems https://www.netguru.com/blog/neurosymbolic-ai
82. Neuro-Symbolic AI – Unaligned Newsletter https://www.unaligned.io/p/neuro-symbolic-ai
83. Geoffrey Hinton on the promise, risks of artificial intelligence | 60 … https://www.cbsnews.com/news/geoffrey-hinton-ai-dangers-60-minutes-transcript/
84. Why neural net pioneer Geoffrey Hinton is sounding the alarm on AI … https://mitsloan.mit.edu/ideas-made-to-matter/why-neural-net-pioneer-geoffrey-hinton-sounding-alarm-ai
85. The risks and promise of AI, according to Geoffrey Hinton | 60 Minutes – CBS News https://www.cbsnews.com/news/artificial-intelligence-risks-dangers-geoffrey-hinton-60-minutes/
86. Quantum AI: A Comprehensive Guide to the Future of Computing … https://www.getguru.com/reference/quantum-ai
87. Your Guide to Quantum AI – The future of computing? https://meetiqm.com/blog/quantum-ai-the-future-of-computing-or-just-hype/
88. The Impact of Quantum Machine Learning: Hype or Reality? https://www.technaureus.com/blog-detail/the-impact-of-quantum-machine-learning
89. Brain-Computer Interfaces (BCI): The Future of Human-Machine Interaction https://uppcsmagazine.com/brain-computer-interfaces-bci-the-future-of-human-machine-interaction/
90. Brain-Computer Interfaces (BCI):Human-AI Integration – Teknikali Tech Blog https://teknikalitech.com/blog/brain-computer-interfaces-bci-the-future-of-human-ai-integration/
91. The Emergence of AI in Brain-Computer Interfaces (BCI) – ResearchGate https://www.researchgate.net/publication/388419981_The_Emergence_of_AI_in_Brain-Computer_Interfaces_BCI
92. Unlocking the Power of BCI https://www.numberanalytics.com/blog/ultimate-guide-bci-ai-brain-computer-interfaces
93. Decoding thoughts, encoding ethics: A narrative review of the BCI-AI revolution – PubMed https://pubmed.ncbi.nlm.nih.gov/39719191/
94. Neuralink hits $9B: Is Musk’s brain tech the future, or will Synchron … https://techfundingnews.com/neuralink-hits-9b-is-musks-brain-tech-the-future-or-will-synchron-and-precision-neuroscience-take-the-lead/
95. Elon Musk’s Neuralink Brain Chip Faces Competition From China’s ‘Safer’ Alternatives https://swarajyamag.com/news-brief/elon-musks-neuralink-brain-chip-faces-competition-from-chinas-safer-alternatives
96. Neuralink Expands Its Mind-Control Horizons: 7 People on Board! | AI News – OpenTools https://opentools.ai/news/neuralink-expands-its-mind-control-horizons-7-people-on-board
97. The Future of Brain-Computer Interfaces: AI and Quantum Tech … https://www.neuroba.com/post/the-future-of-brain-computer-interfaces-ai-and-quantum-tech-leading-the-way
98. AI Geopolitics Beyond the US-China Rivalry – Aspen Digital https://www.aspendigital.org/blog/ai-geopolitics-beyond-the-us-china-rivalry/
99. How will AI influence US-China relations in the next 5 years … https://www.brookings.edu/articles/how-will-ai-influence-us-china-relations-in-the-next-5-years/
100. Comparative Analysis of AI Development Strategies: A Study of China’s Ambitions and the EU’s Regulatory Framework – EuroHub4Sino https://eh4s.eu/publication/comparative-analysis-of-ai-development-strategies-a-study-of-chinas-ambitions-and-the-e-us-regulatory-framework
101. Global AI Law Comparison: EU, China & USA Regulatory Analysis https://www.compliancehub.wiki/global-ai-law-snapshot-a-comparative-overview-of-ai-regulations-in-the-eu-china-and-the-usa/
102. Global AI Regulation: A Closer Look at the US, EU, and China – Transcend.io https://transcend.io/blog/ai-regulation
103. EU AI Act: first regulation on artificial intelligence | Topics | European … https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence
104. kpmg.com https://kpmg.com/xx/en/our-insights/eu-tax/decoding-the-eu-artificial-intelligence-act.html#:~:text=The%20AI%20Act%20applies%20a,high%2C%20limited%20and%20minimal%20risk.&text=High%2Drisk%20AI%20systems%20are,’providers’%20of%20AI%20systems.
105. A comprehensive EU AI Act Summary [Feb 2025 update] – SIG https://www.softwareimprovementgroup.com/eu-ai-act-summary/
106. Ulusal Yapay Zeka Stratejisi yürürlükte – YASED | Uluslararası … https://www.yased.org.tr/haberler/Ulusal-Yapay-Zeka-Stratejisi-Yururlukte
107. Ulusal Yapay Zekâ Stratejisi 2024-2025 Eylem Planı ve Güncel Gelişmeler – KECO https://www.kecolegal.com/post/ulusal-yapay-zeka-stratejisi-2024-2025-eylem-plani-ve-guncel-gelismeler
108. Türkiye’nin “yapay zeka” hedefleri büyük – Son Dakika Haberleri https://www.trthaber.com/haber/yasam/turkiyenin-yapay-zeka-hedefleri-buyuk-911963.html