Yapay Yol Ayrımı

Yapay zeka pragmatik mi olmalı, idealist mi?

Dijitalin bir özelliği de yanlış yakınsamaları zaman içinde doğru hale getirmesi. İlk yıllarında internet eşittir web idi. Şimdi neredeyse öyle. Sonra web eşittir sosyal medya oldu. Şimdi e-ticaret siteleri bile sosyalleş(tiril)meye başladı. Bugün de pek çok kişi makine öğrenmesi modelini yapay zeka olarak biliyor. Makine öğrenmesinin ne adını duymuş ne de nasıl çalıştığını belki. Ama olsun. Onun için yapay zeka trenine atlamış olmanın bir göstergesi ona soru sorup cevap alabilmek değil mi? Sor bakalım menemene soğan konur mu, konmaz mı?

Başarı oranları, ölçeklenebilirlik ve pratik fayda bu eşitliği ikna edici kılıyor. Ancak bu yaygın kabul, yapay zekanın ne olduğu sorusunu yanıtlamaz; yalnızca ne işe yaradığına işaret eder. Asıl sorun da tam burada başlıyor. Çünkü “çalışan” bir sistem ile “bilen” bir sistem arasındaki fark, teknik bir ayrıntı değil, epistemolojik bir tercihtir. Makine öğrenmesi eşittir yapay zeka denklemi, bu tercihi görünmez hale getiriyor. Bu da örneğin bazı sorunlara çözüm bulma yollarını hatalı bir şekilde tek tipleştiriyor. Dünyanın her yerinde insanların giderek daha tutucu hale gelmeleri sadece siyasetle açıklanamaz! Artık gizli bir özne de var: Teknoloji!

Makine öğrenmesi, özü itibarıyla tümevarımsaldır. Geçmiş verilerden örüntüler çıkarır, bu örüntülerin gelecekte de işe yarayacağı varsayımına göre sonuçlar üretir. Doğruluk, burada hakikate değil performansa bağlıdır. Model doğruyu temsil ettiği için değil, tutarlı olduğu için doğru varsayılan sonuç ürettiği sürece “doğru” kabul edilir. Bu yaklaşım, felsefi olarak pragmatizme yakındır: Bilgi, işe yaradığı ölçüde anlamlıdır. Yapay zekada önyargı tartışmalarının bu çerçevede “kaçınılmaz” görülmesi tesadüf değil. Yapay yanlılık, ahlaki bir sapmadan çok, kullanılan veri ve hedef fonksiyonun doğal sonucudur. Sorun sistemde değil, bağlamda. Eldeki verinin büyük çoğunluğu menemeni soğansız yapmışsa; “menemene soğan konmaz!”

Sembolik yapay zeka ya da klasik adıyla GOFAI, bugün çoğunlukla başarısız bir teknik deneme olarak anılır. O da hala onu anımsayan uzman çevrelerde. Oysa bu yaklaşımın asıl önemi, taşıdığı bilgi iddiasında. GOFAI, öğrenmekten çok bilmek ister. Tümdengelimsel yapısı, tekil örneklerden değil, genel kurallardan hareket eder. Bu kurallar, ampirik verinin istatistiksel özeti değil; ideal formlara, yani Platoncu anlamda idealara yakındır. Bir şeyin ne olduğu, tek tek örneklerden değil, onu tanımlayan kavramsal yapıdan türetilir. Bu nedenle sembolik yapay zeka, temsilsiz çalışamaz; dünya, kurallar ve kavramlar aracılığıyla modellenir.

Makine öğrenmesi ile sembolik yapay zeka arasındaki ayrım, hız ya da hesaplama gücü meselesi değil, bilginin kaynağına dair bir ayrım. Biri deneyimden türetilen uyumu, diğeri kavramsal tutarlılığı merkeze alır. Biri veriye dayanır, diğeri ideaya. Ancak makine öğrenmesindeki önyargıya benzer bir sorun burada da var: Sistem hangi idealarla tanımlanacak ve bunların eksiksiz olmasından nasıl emin olunacak?

Makine akletmesi de denilen hibrit yapay zeka yaklaşımları bu iki modelin iyi yanlarını bir araya getirmeyi amaçlıyor. Soru şu: Hangi bilgi anlayışı merkeze alınmalı? Yapay zekanın geleceği, daha fazla (doğruluğundan emin olunmayan) veriyle mi yoksa daha sağlam (tamlığından emin olunmayan) kavramlarla mı şekillenecek?

Herkese Bilim Teknoloji Dergisi; “Dijital Kültür” Köşesi (Sayı 507 30.01.2026)