Yapay Zekanın Evrimi

1.1. Temel Kavramların Ortaya Çıkışı

Yapay zekanın kökenleri, dijital bilgisayarların ortaya çıkmasından çok öncesine, insanlığın yapay varlıklar ve mekanik zeka fikirlerini düşünmeye başladığı antik çağlara kadar uzanır. Antik Yunan mitolojisinde, tanrı Hephaestus'un mekanik hizmetkarlar yarattığı ve Girit adasını koruyan bronz dev Talos'un hikayeleri, teknoloji yoluyla yaşam yaratma ve zeka aşılama fikrinin erken örneklerini teşkil eder [29].

Modern YZ'nin doğuşu ise 20. yüzyılda, teorik kavramların pratik deneylere dönüşmeye başladığı döneme denk gelir. 1943 yılında Warren McCulloch ve Walter Pitts, sinir ağlarının ilk matematiksel modelini "Sinirsel Faaliyetteki Fikirlerin Mantıksal Hesaplanması" başlıklı bilimsel makalelerinde sunmuşlardır [115], [127]. Bu çalışma, YZ'nin ve özellikle makine öğrenmesinin (MÖ) konsensüs doğum yılı olarak kabul edilir.

1.2. Turing Testi ve Zekanın Tanımı

Yapay zekanın erken dönemlerinde, "zeka"nın ne olduğu ve bir makinenin ne zaman "zeki" sayılabileceği konusunda temel bir çerçeve oluşturma ihtiyacı doğdu. 1950 yılında Alan Turing tarafından "Computing Machinery and Intelligence" başlıklı makalesinde önerilen Turing Testi, YZ araştırmalarında bir mihenk taşı haline gelmiştir [115], [127].

1.3. Dartmouth Konferansı: Yapay Zeka İsminin Doğuşu

Yapay zeka (Artificial Intelligence - AI) teriminin resmi olarak ortaya çıkışı ve YZ'nin bir akademik disiplin olarak kurulması, 1956 yılında Dartmouth Koleji'nde düzenlenen bir çalıştayla gerçekleşmiştir [115], [171]. Bu çalıştay, John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon tarafından önerilmiş ve genellikle YZ alanının kuruluşu olarak kabul edilen bir olaydır.

2.1. Erken Dönem Başarılar ve İyimserlik

Dartmouth Konferansı'nın ardından, 1950'ler ve 1960'lar boyunca YZ alanında önemli ilerlemeler kaydedildi ve büyük bir iyimserlik hakim oldu [151].

2.2. Mantık Tabanlı Yaklaşımlar ve Sınırlamaları

YZ'nin erken dönemlerinde, özellikle 1950'lerden 1980'lere kadar olan süreçte, "Sembolik YZ" veya "Eski Tarz İyi YZ" (GOFAI - Good Old-Fashioned AI) olarak adlandırılan mantık tabanlı yaklaşımlar hakimdi [107], [113].

2.3. İlk "AI Kışı": Beklentiler ve Gerçekler Arasındaki Uçurum

1970'lerin başında, YZ araştırmaları ilk büyük düş kırıklığı ve finansman kesintisi dönemine girdi; bu dönem "İlk YZ Kışı" olarak adlandırıldı [120], [153].

Bu hayal kırıklıklarının bir sonucu olarak, özellikle devlet kurumları AI araştırmalarına ayırdıkları fonları kesmeye başladı. Önemli bir dönüm noktası, 1973'te İngiltere'de yayınlanan Lighthill Raporu oldu [270], [274]. Bu rapor, AI araştırmalarının vaatlerini yerine getiremediğini ve alana yapılan yatırımların sorgulanması gerektiğini savundu.

3.1. Uzman Sistemlerin Yükselişi ve Ticari Uygulamalar

İlk AI Kışı'nın ardından, 1970'lerin sonu ve 1980'lerde, yapay zeka alanında "uzman sistemler" olarak bilinen bir teknoloji öne çıkarak yeni bir heyecan dalgası yarattı [269], [283].

1980'lerin sonunda, Fortune 500 listesindeki şirketlerin neredeyse yarısının bir tür uzman sistem geliştirdiği veya kullandığı bildirildi [283].

3.2. Bilgi Tabanlı Sistemlerin Sınırları

Uzman sistemler, belirli alanlarda etkileyici başarılar göstermiş olsa da, temeldeki bilgi tabanlı yaklaşımın birçok sınırlaması vardı. En önemli sorunlardan biri "kırılganlık" (brittleness) olarak adlandırılan özellikti [258], [270].

3.3. İkinci "AI Kışı": Finansman ve İlginin Azalması

Uzman sistemlerin sınırlamalarının ortaya çıkması ve özellikle Lisp makineleri pazarının çöküşüyle birlikte, 1987 yılında yapay zeka tekrar itibar kaybetti ve daha uzun süren ikinci bir "yapay zeka kışı" başladı [205]. İkinci AI kışı, 1987'den 1993'e kadar sürdü [186].

4.1. İstatistiksel Yöntemlere Dönüş

İkinci AI kışının ardından, araştırmacılar sembolik ve kural tabanlı yaklaşımların sınırlamalarını aşmak için istatistiksel yöntemlere yöneldiler. 1980'lerde, Rodney Brooks gibi araştırmacılar genel olarak "temsil" fikrini reddederek, dünyayı algılayabilen ve içinde hareket edebilen robotlar gibi somut sistemler geliştirmeye odaklandılar [205].

1990'da Yann LeCun, evrişimli sinir ağlarının (Convolutional Neural Networks - CNN'ler) el yazısı rakamları tanımadaki başarısını gösterdi; bu, sinir ağlarının birçok başarılı uygulamasından ilkiydi ve özellikle görüntü tanıma alanında geleceğin habercisi oldu [205].

4.2. Destek Vektör Makineleri ve Kernel Yöntemleri

1990'lı yıllar, Destek Vektör Makineleri (SVM'ler) ve daha genel olarak kernel yöntemlerinin makine öğrenmesi alanında önemli bir atılım yaptığı ve yaygın olarak benimsendiği bir dönem oldu [67], [69].

4.3. Artan Hesaplama Gücü ve Veri Miktarı

YZ'nin, özellikle de makine öğrenmesi ve sinir ağları gibi veriye dayalı yaklaşımların, 2000'li yıllarda yeniden canlanmasının ve hızla ilerlemesinin arkasındaki en önemli itici güçlerden ikisi, hesaplama gücündeki muazzam artış ve büyük verinin ortaya çıkışıydı [64], [79].

Fei-Fei Li ve ekibi tarafından 2007 yılında başlatılan ImageNet projesi, binlerce kategoride milyonlarca etiketli görüntü içeren büyük bir veri tabanı oluşturarak, bilgisayarlı görü alanındaki araştırmalar için önemli bir kaynak haline geldi [99].

5.1. Derin Sinir Ağlarının Geri Dönüşü

Derin sinir ağları, aslında YZ araştırmalarının erken dönemlerinden beri var olan bir kavramdı. Ancak, 1970'ler ve 1980'lerde, hesaplama gücünün yetersizliği, büyük veri kümelerinin eksikliği ve derin ağların eğitimindeki zorluklar gibi nedenlerle, bu alandaki ilerleme sınırlı kalmıştı [97].

Bu dönemde ayrıca, ReLU (Rectified Linear Unit) aktivasyon fonksiyonunun yaygın olarak benimsenmesi, kaybolan gradyan problemini hafifletmeye yardımcı oldu. Sepp Hochreiter ve Jürgen Schmidhuber tarafından 1997'de geliştirilen Uzun Kısa-Süreli Bellek (Long Short-Term Memory - LSTM) ağları ise RNN'lerin uzun dizi bağımlılıklarını öğrenmedeki zorluklarını aşmaya yardımcı oldu [68], [72].

5.2. Büyük Veri ve Artan Hesaplama Kaynaklarının Rolü

Derin öğrenmenin 2010'larda patlayıcı bir şekilde yükselişinin temelinde, Büyük verinin varlığı ve hesaplama kaynaklarındaki (özellikle GPU'lar) muazzam artış yatmaktadır [64], [79].

5.3. Önemli Başarılar: Görüntü Tanıma, Doğal Dil İşleme

Derin öğrenme, 2010'larda bilgisayarlı görü ve doğal dil işleme (NLP) dahil olmak üzere çeşitli alanlarda çığır açan başarılar elde etti. Bilgisayarlı görü alanında, Evrişimli Sinir Ağları (Convolutional Neural Networks - CNN'ler) hakimiyet kurdu.

Doğal dil işleme alanında ise, özellikle Uzun Kısa-Süreli Bellek (LSTM) ağları ve daha sonra Transformer mimarisi önemli gelişmelere öncülük etti [465]. 2017'de Vaswani ve arkadaşları tarafından önerilen Transformer mimarisi, öz-dikkat (self-attention) mekanizması sayesinde LSTM'lerin sınırlamalarını aştı ve daha paralelize edilebilir ve ölçeklenebilir modellerin yolunu açtı.

6.1. Transformer Mimarisi ve Devrimi

2017 yılında Google'ın "Attention Is All You Need" başlıklı makalesiyle tanıtılan Transformer mimarisi, doğal dil işleme (NLP) ve genel olarak YZ alanında bir devrim yarattı [465].

6.2. GPT Serisi ve Diğer Büyük Dil Modelleri

Transformer mimarisinin başarısının ardından, Büyük dil modelleri (Large Language Models - LLM'ler) YZ'nin yeni ön saflarına yerleşti. OpenAI tarafından geliştirilen GPT (Generative Pre-trained Transformer) serisi, bu alandaki en önemli kilometre taşlarından biridir.

Diğer önemli LLM'ler arasında Google'ın BERT (Bidirectional Encoder Representations from Transformers) ve onun türevleri (örneğin, RoBERTa, ALBERT), T5 (Text-To-Text Transfer Transformer) ve daha yakın zamanda PaLM ve LaMDA gibi modeller yer alır.

6.3. Generative AI'nın Yaygınlaşması ve Etkileri

Büyük dil modellerinin ve diğer generative (üretici) modellerin (örneğin, görüntü üreten DALL-E, Midjourney, Stable Diffusion) ortaya çıkışı, Generative AI (Üretici Yapay Zeka) çağını başlattı.

7.1. Mevcut Eğilimler: Daha Büyük, Daha Verimli, Multimodal Modeller

Yapay zeka alanındaki mevcut eğilimler, bir yandan modellerin boyut ve kapasitelerinin artmaya devam etmesi, diğer yandan da bu modellerin daha verimli ve çoklu ortam (multimodal) verileri işleyebilir hale gelmesi yönündedir.

Multimodal modeller, yani metin, görüntü, ses ve video gibi farklı veri türlerini aynı anda anlayıp işleyebilen ve bunlardan yeni içerikler üretebilen sistemler, giderek daha fazla önem kazanıyor.

7.2. Yapay Genel Zeka (AGI) Tartışmaları ve Olasılıklar

Yapay Genel Zeka (AGI), insanlar gibi herhangi bir entelektüel görevi anlama, öğrenme ve yerine getirme yeteneğine sahip hipotetik bir YZ türüdür. Mevcut YZ sistemleri, belirli görevlerde (örneğin, satranç oynamak, görüntü tanımak, metin çevirmek) insan seviyesinde, hatta üstünde performans gösterebilse de, bunlar dar YZ (Narrow AI) veya zayıf YZ olarak kabul edilir.

7.3. Etik, Güvenlik ve Toplumsal Etkiler

YZ'nin, özellikle de Generative AI ve potansiyel AGI'nin hızlı gelişimi, önemli etik, güvenlik ve toplumsal etki sorunlarını da beraberinde getiriyor.

Bu sorunlarla başa çıkmak için, YZ'nin sorumlu ve güvenli bir şekilde geliştirilmesini ve dağıtılmasını sağlamak amacıyla, etik ilkelerin oluşturulması, düzenleyici çerçevelerin geliştirilmesi, teknik güvenlik önlemlerinin alınması ve toplumsal farkındalığın artırılması gerekiyor.