Yapay Zeka Tarihine Kısa Bir Bakış

Yapay Zeka Fikrinin Tarihsel Kökenleri

Yapay zeka fikrinin kökleri, tek bir buluşa değil, yüzyıllar süren felsefi ve matematiksel birikime dayanır. “Düşünme” eyleminin mekanik kurallara indirgenebileceği fikri, mantık tarihinin en eski tartışmalarından biridir; Aristoteles’in resmi mantık sistemleri ve sonraki dönemlerde geliştirilen sembolik mantık çalışmaları, akıl yürütmenin belirli kurallarla temsil edilebileceği görüşünü güçlendirmiştir.

17. ve 18. yüzyıllarda Gottfried Wilhelm Leibniz gibi düşünürler, insan düşüncesinin bir tür hesaplama biçimine indirgenebileceğini öne sürmüştür. Bu felsefi zemin, 19. yüzyılda mekanik hesaplama makineleriyle somutlaşmaya başlamıştır.

Charles Babbage ve Ada Lovelace

Charles Babbage, 19. yüzyılda programlanabilir bir mekanik hesap makinesi olan Analitik Motor’u (Analytical Engine) tasarlamıştır. Bu makine, tam olarak inşa edilememiş olsa da, günümüz bilgisayarlarının temel mantığına öncülük eden bir kavramsal çerçeve sunmuştur. Ada Lovelace, Analitik Motor üzerine yazdığı notlarda, makinenin yalnızca sayısal hesaplama değil, sembolik işlemler de yapabileceğini öngörmüş ve bu nedenle bazı tarihçiler tarafından ilk bilgisayar programcısı olarak kabul edilir.

20. yüzyılın ilk yarısında matematiksel mantık alanındaki gelişmeler — özellikle Kurt Gödel’in eksiklik teoremleri ve hesaplanabilirlik kuramı üzerine yapılan çalışmalar — “bir problemin makine tarafından çözülüp çözülemeyeceği” sorusunu bilimsel bir zemine oturtmuştur. Bu birikim, 1930’lu ve 1940’lı yıllarda hesaplama makinelerinin teorik temellerinin atılmasına zemin hazırlamıştır.

Alan Turing’in Yapay Zeka Tarihindeki Rolü

Alan Turing, modern bilgisayar biliminin kurucu isimlerinden biri kabul edilir. 1936 yılında tanımladığı Turing makinesi kavramı, herhangi bir hesaplanabilir problemin soyut bir makine tarafından nasıl çözülebileceğini gösteren teorik bir modeldir ve hesaplama kuramının temel taşlarından biri haline gelmiştir.

Turing, 1950 yılında yayımladığı “Computing Machinery and Intelligence” başlıklı makalesinde “Makineler düşünebilir mi?” sorusunu doğrudan ele almıştır. Bu sorunun doğrudan yanıtlanmasının güçlüğü nedeniyle, bir makinenin insan benzeri davranış sergileyip sergilemediğini değerlendirmek için “taklit oyunu” olarak bilinen ve daha sonra Turing Testi adıyla anılan bir düşünce deneyi önermiştir.

Turing’in çalışmaları, yapay zekanın bir araştırma alanı olarak şekillenmesinden yıllar önce, “makine zekâsı” kavramının bilimsel bir tartışma konusu haline gelmesini sağlamıştır. Bu nedenle Turing, yapay zeka tarihinin en sık referans verilen isimlerinden biridir.

Dartmouth Konferansı ve Yapay Zekanın Doğuşu

Yapay zeka, bir araştırma alanı olarak adını ve resmi başlangıç noktasını 1956 yazında düzenlenen Dartmouth Yaz Araştırma Projesi‘nden alır. Bu konferans, Dartmouth College’da düzenlenmiş ve alanın kurucu isimleri arasında sayılan birkaç araştırmacıyı bir araya getirmiştir.

John McCarthy, konferansın başlıca organizatörlerinden biri olarak “artificial intelligence” (yapay zeka) terimini bu proje önerisinde kullanmış ve terim zamanla alanın adı haline gelmiştir. Konferansın diğer önemli katılımcıları arasında sinir ağları ve çerçeve teorisi üzerine çalışan Marvin Minsky, bilgi kuramının kurucusu Claude Shannon ve bilgisayar bilimci Nathaniel Rochester yer almıştır.

Konferansın öneri metninde, öğrenmenin ve zekânın her yönünün ilke olarak bu kadar kesin biçimde tanımlanabileceği ve bir makinenin bunu simüle edebileceği varsayımı öne sürülmüştür. Bu iddialı çerçeve, sonraki yıllarda alanın araştırma gündemini büyük ölçüde belirlemiştir.

1950’ler ve 1960’larda Yapay Zeka Araştırmaları

Sembolik Yapay Zeka ve Mantık Tabanlı Sistemler

Gelişme: Erken dönem yapay zeka araştırmaları büyük ölçüde sembolik yapay zeka yaklaşımına dayanıyordu; bu yaklaşımda bilgi, semboller ve bu semboller üzerinde işlem yapan mantıksal kurallarla temsil ediliyordu. Herbert Simon ve Allen Newell‘in geliştirdiği Logic Theorist ve General Problem Solver gibi programlar bu yaklaşımın öncü örnekleridir.
Önem: Bu programlar, matematiksel teoremleri ispatlayabilen ya da genel problem çözme stratejileri uygulayabilen ilk yazılımlar arasında yer almıştır.
Sınırlama: Sembolik sistemler, belirsizlik içeren veya açıkça kurallara dökülemeyen gerçek dünya problemlerinde zorlanıyordu.

Erken Dönem Problem Çözme Programları ve Oyun Programları

Gelişme: Arthur Samuel’in 1950’lerde geliştirdiği dama programı, deneyimden öğrenerek performansını zamanla artıran erken bir örnek olmuştur; Samuel bu çalışmayla “makine öğrenmesi” terimini de yaygınlaştırmıştır.
Önem: Bu tür programlar, bir makinenin sabit kurallar yerine deneyim yoluyla gelişebileceğini somut biçimde göstermiştir.
Sınırlama: Uygulama alanı dar, kapsamlı gerçek dünya problemlerine genellenmesi zordu.

Doğal Dil İşlemede İlk Çalışmalar ve ELIZA

Gelişme: 1960’larda Joseph Weizenbaum tarafından geliştirilen ELIZA, önceden tanımlanmış kalıpları eşleştirerek bir psikoterapistle konuşuyormuş izlenimi veren bir program olarak dikkat çekmiştir.
Önem: ELIZA, insan-bilgisayar etkileşiminin sosyal ve psikolojik boyutlarına dair erken bir farkındalık yaratmış, kullanıcıların basit kalıp eşleştirmeye dayalı bir sisteme bile anlam yükleyebildiğini göstermiştir.
Sınırlama: Program herhangi bir gerçek “anlama” yeteneğine sahip değildi; yalnızca yüzeysel kalıp eşleştirme yapıyordu.

Perceptron ve Erken Sinir Ağları

Gelişme: Frank Rosenblatt, 1950’lerin sonunda biyolojik nöronlardan esinlenen basit bir sınıflandırma modeli olan perceptron‘u geliştirmiştir.
Önem: Perceptron, günümüzün sinir ağı tabanlı yaklaşımlarının kavramsal öncüllerinden biri olarak kabul edilir.
Sınırlama: Marvin Minsky ve Seymour Papert’in 1969 tarihli çalışmaları, tek katmanlı perceptron’ların bazı temel mantıksal işlemleri (örneğin XOR problemi) öğrenemediğini göstermiş ve bu durum sinir ağı araştırmalarına olan ilginin bir süre azalmasına katkıda bulunmuştur.

Yapay Zeka Kışları: Beklentilerin ve Yatırımların Gerilemesi

Yapay zeka kışı, yapay zeka araştırmalarına yönelik ilginin, finansmanın ve kamuoyu beklentisinin belirgin biçimde gerilediği dönemleri tanımlamak için kullanılan bir kavramdır. Bu terim, “nükleer kış” benzetmesinden esinlenerek literatüre girmiştir. Araştırmacılar arasında yapay zeka kışlarının kesin başlangıç ve bitiş tarihleri konusunda farklı dönemlendirmeler bulunsa da, genel olarak iki büyük dönem üzerinde görece geniş bir uzlaşı vardır.

İlk Yapay Zeka Kışı (1970’ler)

1970’li yıllarda, önceki on yılda yapılan iddialı vaatlerin — özellikle makine çevirisi ve genel problem çözme alanlarında — beklenen hızda gerçekleşmemesi, kamu kurumlarının (örneğin ABD ve İngiltere’deki finansman kuruluşlarının) yapay zeka araştırmalarına ayırdığı bütçeleri kısmasına yol açmıştır. İngiltere’de 1973 yılında yayımlanan ve yapay zeka araştırmalarının somut sonuçlar üretemediğini eleştiren Lighthill Raporu, bu dönemdeki finansman kesintilerinde etkili olan gelişmelerden biri olarak sıklıkla anılır.

İkinci Yapay Zeka Kışı (1980’lerin Sonu)

1980’lerde uzman sistemlerin ticari başarısıyla birlikte yapay zekaya olan ilgi yeniden canlanmış, ancak bu sistemlerin bakım maliyetlerinin yüksekliği, ölçeklenebilirlik sorunları ve bilgi edinme darboğazı (knowledge acquisition bottleneck) gibi sınırlamalar ortaya çıkınca 1980’lerin sonunda ikinci bir gerileme dönemi yaşanmıştır. Özel donanım üreten yapay zeka şirketlerinin pazar payını kaybetmesi de bu döneme damgasını vurmuştur.

Yapay Zeka Kışlarının Ortak Nedenleri

Uzman Sistemler ve Yapay Zekanın Ticari Kullanımı

1970’lerin sonu ve 1980’li yıllarda yapay zeka araştırmalarının ticari alandaki en görünür yansıması uzman sistemler olmuştur. Uzman sistemler, belirli bir alandaki uzman bilgisini bir bilgi tabanı içinde saklayan ve bu bilgiyi kural tabanlı çıkarım mekanizmalarıyla işleyerek belirli sorulara yanıt üreten programlardır. Temel çalışma mantıkları “eğer-ise” biçimindeki mantıksal kurallar zincirine dayanır.

Bu dönemin en bilinen örneklerinden biri, Stanford Üniversitesi’nde geliştirilen ve enfeksiyon hastalıklarının teşhisine yardımcı olmayı amaçlayan MYCIN sistemidir. MYCIN, kural tabanlı çıkarımın tıbbi karar destek alanındaki potansiyelini göstermesi açısından sıklıkla referans gösterilir; sistemin klinik pratikte doğrudan yaygın biçimde kullanılmadığı da tarihsel olarak not edilmelidir.

Uzman sistemler, şirketlere belirli tekrarlayan karar süreçlerini otomatikleştirme imkânı sunduğu için kurumsal uygulamalarda ilgi görmüştür. Ancak zamanla bu sistemlerin bakım maliyetlerinin yükselmesi, yeni durumlara ölçeklenmesinin zorlaşması ve uzman bilgisinin sisteme aktarılmasındaki (bilgi edinme) güçlükler, bu yaklaşımın sınırlarını ortaya koymuştur.

Makine Öğrenmesi Yapay Zeka Tarihini Nasıl Değiştirdi?

1980’lerin sonu ve özellikle 1990’lı yıllarla birlikte yapay zeka araştırmalarının ağırlık merkezi, önceden tanımlanmış kurallara dayanan sistemlerden veri temelli yaklaşımlara kaymıştır. Bu dönüşümde birkaç etken bir araya gelmiştir:

• Denetimli öğrenme: Etiketlenmiş örneklerden yola çıkarak girdi-çıktı ilişkisini öğrenen yöntemler yaygınlaşmıştır.
• Denetimsiz öğrenme: Etiketlenmemiş veride örüntü ve kümeleme yapıları bulmaya odaklanan yaklaşımlar gelişmiştir.
• Pekiştirmeli öğrenme: Bir aracının, ödül ve ceza sinyalleri üzerinden deneme-yanılma yoluyla strateji geliştirdiği yöntemler önem kazanmıştır.
• İstatistiksel yöntemler: Olasılık kuramına dayalı modeller (örneğin gizli Markov modelleri, Bayes ağları), belirsizliği ele alma konusunda sembolik kurallardan daha esnek çözümler sunmuştur.

Bu dönüşümü mümkün kılan bir diğer önemli unsur, dijitalleşmeyle birlikte hızla artan veri miktarı, işlemci teknolojilerindeki gelişmeyle artan hesaplama gücü ve öğrenme algoritmalarındaki teorik ve pratik iyileştirmelerdir. Bu üç unsurun bir araya gelmesi, sonraki yıllarda derin öğrenmenin yükselişi için de zemin hazırlamıştır.

Derin Öğrenme ve Yapay Zekanın Yeni Dönemi

Derin öğrenme, çok sayıda katmandan oluşan yapay sinir ağlarını kullanarak veriden hiyerarşik özellik temsilleri öğrenen bir makine öğrenmesi yaklaşımıdır. Bu ağlarda her katman, bir önceki katmandan aldığı bilgiyi daha soyut bir düzeyde temsil eder.

Çok katmanlı ağların eğitilmesinde kullanılan geri yayılım (backpropagation) algoritması, 1980’lerde David Rumelhart ve arkadaşlarının çalışmalarıyla popülerleşmiş, ancak bu yöntemin büyük ölçekte etkili biçimde uygulanabilmesi, yeterli hesaplama gücü ve veri henüz mevcut olmadığı için uzun süre sınırlı kalmıştır.

2000’li yılların sonu ve 2010’ların başında, grafik işlemci birimlerinin (GPU) paralel hesaplama için kullanılmaya başlanması ve internet çağıyla birlikte oluşan büyük veri kümeleri, derin öğrenmenin önündeki en büyük pratik engelleri ortadan kaldırmıştır. Bu dönemde Geoffrey Hinton, Yann LeCun ve Yoshua Bengio gibi araştırmacıların uzun süredir sürdürdüğü çalışmalar, uygun donanım ve veri koşullarıyla birleşince somut sonuçlar üretmeye başlamıştır.

Bu gelişmelerin ardından derin öğrenme, görüntü tanıma, konuşma tanıma ve doğal dil işleme gibi birçok alanda hızla yaygınlaşmış ve günümüz yapay zeka sistemlerinin temel yapı taşı haline gelmiştir.

Transformer Mimarisi ve Büyük Dil Modellerinin Yükselişi

Transformer, 2017 yılında Google araştırmacıları tarafından yayımlanan “Attention Is All You Need” başlıklı makalede tanıtılan bir sinir ağı mimarisidir. Bu mimari, önceki dönemde doğal dil işleme alanında yaygın olarak kullanılan tekrarlayan sinir ağlarının (RNN) sıralı işleme kısıtlamasını aşarak, bir dizideki tüm öğeler arasındaki ilişkileri paralel biçimde değerlendirebilen attention (dikkat) mekanizmasını merkeze almıştır.

Basitçe ifade etmek gerekirse, attention mekanizması bir modelin bir cümledeki hangi kelimenin diğer hangi kelimelerle ne kadar “ilişkili” olduğunu ağırlıklandırarak belirlemesini sağlar; bu sayede model, uzun metinlerdeki bağlamsal ilişkileri daha etkili biçimde yakalayabilir.

Transformer mimarisi, doğal dil işleme alanında hızla standart yaklaşım haline gelmiştir. Bu mimariye dayanan modeller, genellikle iki aşamalı bir süreçle geliştirilir:

• Ön eğitim (pre-training): Model, çok büyük miktarda metin üzerinde genel dil örüntülerini öğrenir.
• İnce ayar (fine-tuning): Model, belirli bir görev veya uygulamaya özel daha küçük veri kümeleriyle uyarlanır.

Bu yaklaşım, büyük dil modellerinin (Large Language Models – LLM) ortaya çıkışına zemin hazırlamıştır. Model boyutlarının, veri miktarının ve hesaplama kaynaklarının artırılmasıyla performansın öngörülebilir biçimde iyileştiği gözlemi — literatürde ölçeklendirme (scaling) olarak adlandırılır — 2020’li yıllarda dil modeli geliştirme stratejilerini büyük ölçüde şekillendirmiştir. Bu dönemde ayrıca yalnızca metinle değil, görüntü, ses ve video gibi farklı veri türleriyle birlikte çalışabilen çok modlu (multimodal) modeller de gelişmeye başlamıştır.

Üretken Yapay Zekanın Gelişimi

Üretken yapay zeka, var olan veriyi sınıflandırmak veya bir kararı desteklemek yerine, yeni metin, görsel, ses veya video içeriği üretebilen sistemleri tanımlar. Bu yaklaşımın kökleri, transformer mimarisinden önceki dönemlere kadar uzanır.

Her bir yaklaşımın kendine özgü katkıları olduğu kadar sınırlamaları da bulunur: GAN’lar eğitim kararlılığı sorunlarıyla, erken VAE’ler görsel netlik sorunlarıyla, diffusion modelleri ise hesaplama maliyeti ile ilişkilendirilir. Güncel şirket ve model isimlerine dair bilgiler zamanla hızla değiştiğinden, bu alanda en güncel gelişmeler için birincil kaynaklara ve güncel akademik yayınlara başvurulması önerilir.

Modern Yapay Zeka Çağı

Günümüzde yapay zeka, tek bir teknik yaklaşımdan çok, birbiriyle etkileşim içindeki birçok alt alanın bir araya gelmesiyle şekillenmektedir. Aşağıdaki alanlar, güncel yapay zeka gündeminin başlıca bileşenleridir; bu alanlardaki gelişmeler hızla değiştiği için burada verilen bilgiler tarihsel bağlam sunmak amacı taşır ve geleceğe yönelik kesin öngörüler içermez.

Yapay Zeka Tarihi Kronolojisi

Yapay Zeka Tarihindeki Önemli İsimler

Yapay Zeka Tarihini Anlamak İçin Bilinmesi Gereken Kavramlar

Yapay Zeka Tarihi Bize Ne Öğretiyor?

Yapay Zeka Tarihi Hakkında Daha Fazla Okuma

Yapay Zeka Tarihi Hakkında Sık Sorulan Sorular

İlgili Quantraptor Sayfaları