01Her şey bir soruyla başladı#
Yapay zekâ 2022’de icat edilmedi. ChatGPT’yi herkesin dilinde bir ürün yapan şey yeni bir bilim dalı değil, yetmiş yıllık bir fikir birikiminin, veri ve işlem gücüyle buluşmasıydı. Bu birikimin başına genellikle iki isim konur.
1950’de Alan Turing, Mind dergisinde yayımladığı “Computing Machinery and Intelligence” makalesinde “Makineler düşünebilir mi?” sorusunu, tanımı belirsiz “düşünmek” kelimesine takılmadan ele almaya çalıştı. Soruyu, bir makinenin yazılı bir sohbette insandan ayırt edilip edilemeyeceği oyununa çevirdi. Bu oyun sonradan Turing testi diye anıldı. Makale ↗
Beş yıl sonra, 1955’te John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon, 1956 yazında Dartmouth’ta iki aylık bir çalışma önerdi. Öneri metni “artificial intelligence” terimini kullanır ve temel varsayımını şöyle kurar: öğrenmenin ya da zekânın herhangi bir yönü, bir makinenin onu taklit edebileceği kadar kesin tarif edilebilir. Alan çoğunlukla bu çalışmayla birlikte anılır. Dartmouth önerisi ↗
02İki yaklaşım, iki kış#
İlk yıllarda iki farklı fikir yarıştı. Sembolik yaklaşım, zekâyı kurallar ve mantık yürütme olarak görür: bilgiyi elle yaz, program onunla çıkarım yapsın. Bağlantıcı (connectionist) yaklaşım ise basit birimlerin oluşturduğu ağların, örneklerden öğrenerek davranış kazanabileceğini savunur.
Bağlantıcı çizginin ilk ünlü örneği, Frank Rosenblatt’ın 1958’de tanıttığı perceptron’dur: girdileri ağırlıklarla toplayıp bir eşikten geçiren ve ağırlıklarını örneklere göre güncelleyen bir model. Rosenblatt, 1958 ↗ Bu, bir sonraki derslerde ayrıntılı göreceğin yapay nöronun atasıdır.
1969’da Minsky ve Papert’in Perceptrons kitabı, tek katmanlı bir perceptron’un XOR gibi bazı basit problemleri çözemeyeceğini matematiksel olarak gösterdi. Kitabın kanıtı yalnızca tek katman içindi; yazarlar çok katmanlı ağların eğitilebilirliği konusunda kuşkucuydu. Ama toplulukta yaygın okuma “sinir ağları işe yaramaz” oldu ve bu algı, araştırma ilgisinin düşmesine katkı yaptı.
Birkaç yıl sonra, 1973 tarihli Lighthill raporu İngiltere’de araştırma desteğinin kısılmasına yol açtı; rapor ve başka etkenler ABD’de de desteğin azalmasına katkı yaptı. Beklentiler ile sonuçlar arasındaki açık büyüdükçe fon ve ilgi düştü. Bu dönemlere yapay zekâ kışı denir; ilki 1970’lerin ortasında, ikincisi 1980’lerin sonunda uzman sistemler pazarının çöküşüyle yaşandı. Kışların kesin tarihleri kaynağa göre değişir. AI winter ↗
03Veri, GPU ve ölçek#
Sinir ağlarının dönüşü üç şeyin birleşimiyle geldi. Birincisi algoritma: 1986’da Rumelhart, Hinton ve Williams’ın Nature makalesi, çok katmanlı ağların geri yayılım ile gizli katmanlarında yararlı özellikler öğrenebildiğini gösterdi. Fikrin kökleri daha eskidir; bu makale onu sinir ağları için yaygınlaştıran başvuru kaynaklarından biri oldu. Makale ↗
İkincisi veri ve donanım. 2012’de Krizhevsky, Sutskever ve Hinton’ın GPU’larda eğittiği derin evrişimli ağ AlexNet, ImageNet yarışmasında ikinci sıradaki sistemin %26,2’lik hata oranına karşılık %15,3’lük (ilk beş tahmin) hata oranına ulaştı. Bu sonuç, derin öğrenme dalgasının başlangıcı sayılır.
Üçüncüsü mimari. 2017’de Transformer ortaya çıktı; 2020’de GPT-3, 175 milyar parametreyle ve örnekleri yalnızca metin olarak vererek bile yeni görevler yapabildiğini gösterdi. 2022’de, insan geri bildirimiyle eğitilen InstructGPT ve aynı yılın 30 Kasım’ında ChatGPT, bu teknolojiyi geniş kitlelere ulaştırdı. AlexNet ↗ · GPT-3 ↗ · InstructGPT ↗ · ChatGPT ↗
04Tek bakışta#
| Yıl | Olay | Neden önemli |
|---|---|---|
| 1950 | Turing, “Computing Machinery and Intelligence” | “Düşünmek”i tartışmak yerine davranışla sınamayı önerdi |
| 1956 | Dartmouth çalışması (öneri 1955) | “Yapay zekâ” alanının adı ve çerçevesi |
| 1958 | Rosenblatt’ın perceptron’u | Örneklerden ağırlık öğrenen ilk ünlü yapay nöron modeli |
| 1969 | Minsky ve Papert, Perceptrons | Tek katmanın sınırını gösterdi; sinir ağlarına ilgi azaldı |
| 1973 | Lighthill raporu | İlk “yapay zekâ kışı”nın tetikleyicilerinden |
| 1986 | Geri yayılım makalesi (Nature) | Çok katmanlı ağların eğitilmesini yaygınlaştırdı |
| 2012 | AlexNet | Derin öğrenmenin görüntü tanımada kırılma noktası |
| 2017 | Transformer | Bugünkü dil modellerinin mimari temeli |
| 2020 | GPT-3 | Ölçek ve bağlam içi örneklerle genel amaçlı davranış |
| 2022 | InstructGPT, ChatGPT | İnsan geri bildirimiyle hizalanmış sohbet asistanları |
05Bunu bilen biri neyi ayırt eder?#
Bu zaman çizelgesinden üç somut çıkarım, bir sohbette seni sağlam bir zemine oturtur:
- “Yapay zekâ yeni bir icat” cümlesi eksiktir. Alanın adı 1950’lerde konuldu; yeni olan, genel amaçlı dil modellerinin ölçeği ve erişilebilirliği.
- ChatGPT’nin arkasındaki mimari 2017’de yayımlandı. Kullanıcıya ulaşması beş yıl, hem ölçeklenme hem de insan geri bildirimiyle hizalama çalışmaları sürdü.
- Her atılımdan sonra beklenti şişti, bir kısmı karşılanmadı. Bugünkü iddialara bu geçmişi hatırlayarak yaklaşmak, hem abartıdan hem de aşırı karamsarlıktan korur.
Fikirlerin nasıl çalıştığına geçelim: önce gereken matematik, ardından metnin sayıya dönüşümü.
Bu yazıyı bitirdiğinde:
- Sembolik yaklaşım ile veriden öğrenen sistemler arasındaki farkı anlatabilirsin.
- “Yapay zekâ kışı”nın ne olduğunu ve neden yaşandığını özetleyebilirsin.
- Derin öğrenme dalgasını hazırlayan etkenleri (veri, GPU, ölçek) sıralayabilirsin.
Cümlelerden birini kendi sözlerinle anlatamıyorsan, ilgili bölüme dön ve demoyu yeniden dene.
Bu atlas için gereken matematik
Başlangıç · 6 dk okuma