Artificial intelligence - Yapay Zeka

Yapay zekânın insanımsı robotlara ulaşması için eksik olan şey hesap gücü değil; bedenle kurulan deneyim. Stanford Üniversitesi Yapay Zekâ Endeksi'nin 2026 raporuna göre robotlar bulaşık yıkamak veya çamaşır katlamak gibi gerçek ev işlerini yalnızca yüzde 12 oranında başarabiliyor, aynı görevlerin simülasyon ortamındaki başarı oranı ise yüzde 89,4.

Bu iki sayı arasındaki uçurum, yapay zekânın bugünkü sınırını tek başına özetliyor. Dil ve akıl yürütme tarafında insan seviyesine yaklaşan sistemler, fiziksel dünyaya dokunduklarında acemileşiyor. Duygu meselesi ise ayrı bir başlık: makineler duyguyu ölçüyor ve taklit ediyor, ancak hissetmiyor.

Aşağıda, bu boşluğun neden bu kadar inatçı olduğunu, öğrenme sürecinin gerçekten yavaş mı yoksa yanlış yönlendirmeye mi açık olduğunu ve alanın önümüzdeki dönem hangi kurallarla şekilleneceğini resmi kaynaklara dayanarak ele alıyoruz.

Alan Elli Yaşında Değil, Yetmiş Yaşında

"Yapay zekâ" terimi, John McCarthy ve meslektaşlarının 1956 yazında Dartmouth College'da düzenlenen araştırma projesi için hazırladıkları öneri metniyle literatüre girdi. Yani alan yarım yüzyıldan değil, yetmiş yılı aşkın bir süredir çalışılıyor.

Bu yetmiş yılın büyük bölümünde ilerleme dalgalı seyretti. Beklentilerin karşılanamadığı dönemler alan yazınında "yapay zekâ kışı" olarak anılır ve fon kesintileriyle birlikte gelir. Bugünkü hızlı ivme, bu uzun tarihin istisnası sayılabilecek bir yoğunlaşma dönemine denk geliyor.

Temel kavramların nasıl geliştiğini merak ediyorsanız, alanın tanımları ve alt dalları üzerine hazırladığımız yapay zekâ nedir yazısı bu tarihsel çerçeveyi tamamlıyor.

Moravec Paradoksu: Zor Olan Satranç Değil, Çorap Katlamak

Robotik araştırmacısı Hans Moravec, 1988 tarihli çalışmasında bugün adına Moravec paradoksu denen gözlemi ortaya koydu: Bilgisayarlar için üst düzey akıl yürütme görece ucuz, insanın bir yaşında bile yapabildiği duyusal ve motor beceriler ise inanılmaz derecede pahalıdır.

Otuz yılı aşkın süre sonra rakamlar bu gözlemi doğruluyor. Yapay Zekâ Endeksi'ne göre yapay zekâ ajanları bilgisayar başındaki görevlerde yüzde 66,3 başarıya ulaşarak insan performansının yaklaşık altı puan gerisine yaklaştı; aynı sistemler fiziksel dünyaya çıktığında ise yüzde 12'de kalıyor.

Aradaki bu fark literatürde "simülasyondan gerçeğe geçiş boşluğu" olarak adlandırılıyor. Laboratuvarda kusursuz çalışan bir kavrama algoritması, ıslak bir tabak veya buruşmuş bir gömlek karşısında çuvallayabiliyor.

Neden Böyle

Simülasyonda sürtünme katsayısı, ışık, nesnenin ağırlık dağılımı ve deformasyonu belirli parametrelerle temsil edilir. Gerçek dünyada bu değişkenlerin hepsi aynı anda ve tahmin edilemez şekilde değişir. Veri toplamanın maliyeti de burada patlar: bir metin bedava kopyalanır, bir robot kolunun on bin kez tabak tutması ise fiziksel zaman ve donanım aşınması demektir.

Robotlar Kör Değil, Ama Gördüğünü Tam Anlamıyor

Görüntü sınıflandırmada makineler insan başarımını yıllar önce geçti. Ancak algının derinliği hâlâ tartışmalı. ClockBench adlı ölçüm, çok kipli modellerin analog saat okuma becerisini test ediyor ve en iyi model bile doğru saati yaklaşık yüzde elli olasılıkla söyleyebiliyor.

Bazı güçlü modellerin bu testteki başarısı yüzde 8,9 seviyesine kadar düşüyor. Yapay Zekâ Endeksi yönlendirme kurulu eş başkanı Ray Perrault'nun işaret ettiği gibi, dil ile görsel bilgi bir arada sorulduğunda yükün büyük kısmını dil bileşeni taşıyor ve görsel bilgi bazen tamamen göz ardı edilebiliyor.

Bir kol saatini okuyamayan sistemin fabrikada parça ayırt edebilmesi çelişki gibi görünse de değil. Dar ve iyi tanımlanmış bir görevde makine üstün; bağlamı değişen açık uçlu bir sahnede ise kırılgan.

Duygu Meselesi: Ölçmek Başka, Hissetmek Başka

Duygusal hesaplama, MIT'den Rosalind Picard'ın 1997 tarihli kitabıyla adı konmuş bir araştırma alanı. Amacı, makinelerin insan duygularını tanıması, modellemesi ve buna uygun tepki üretmesi. Buradaki kritik ayrım şu: duyguyu tanımak, duyguyu yaşamak değildir.

Bir sistem ses tonundan gerginlik çıkarımı yapabilir, yüz ifadesinden sinyal okuyabilir. Ancak bunlar istatistiksel örüntülerdir. Öznel deneyim, yani bir şeyi hissetmenin nasıl bir şey olduğu, mühendislik problemi olmaktan çok felsefi bir problem olarak duruyor.

Pratikte bunun anlamı önemli. Duygu okuyan sistemler eğitimden çağrı merkezine kadar yayılırken, yanlış okumanın bedelini gerçek insanlar ödüyor. Bu yüzden düzenleyiciler duygu tanıma uygulamalarını ayrı bir risk başlığında ele alıyor.

Öğrenme Yavaş Değil, Yönlendirmeye Fazlasıyla Açık

Sistemlerin kötü örneklerden hızla etkilenmesi teorik bir kaygı değil. Microsoft'un 2016'da yayına aldığı Tay adlı sohbet botu, kullanıcıların yönlendirmesiyle saldırgan içerik üretmeye başladı ve şirket botu bir günü doldurmadan yayından kaldırmak zorunda kaldı.

Ergen bir insandan beklenen "bu yanlıştı, bir daha yapmayayım" muhakemesi bu sistemlerde kendiliğinden oluşmuyor. İyi ile kötüyü ayıran şey modelin içsel pusulası değil, eğitim verisi, geri bildirim düzeneği ve üstüne konan güvenlik katmanları.

Bu nedenle güçlü modellerin nasıl yayınlanacağı başlı başına bir tartışma konusu. Kademeli erişim, kırmızı takım testleri ve kullanım politikaları bugün ürün geliştirmenin ayrılmaz parçası hâline geldi.

Sürücüsüz Araçlar: Ölçek Büyüdü, Kırılganlık Sürüyor

Otonom taşımacılık artık pilot aşamasını geride bıraktı. Baidu'nun Apollo Go platformu, şirketin 2026 Şubat'ında açıkladığı finansal sonuçlara göre dünya genelinde 26 şehirde hizmet veriyor ve kümülatif yolculuk sayısı 20 milyonu aştı.

Aynı sistem hâlâ arıza verebiliyor. Wuhan'da 2026 Mart sonunda çok sayıda araç trafiğin ortasında durdu; yerel trafik polisi yaptığı açıklamada ilk bulguların sistem arızasına işaret ettiğini bildirdi. Ölçek büyüdükçe tek bir yazılım hatasının etkisi de büyüyor.

Ülke karşılaştırmasında tablo net. Uluslararası Robotik Federasyonu verilerine göre Çin 2024'te 295.000 endüstriyel robot kurdu; Japonya yaklaşık 44.500, Amerika Birleşik Devletleri ise 34.200 robot kurdu. Model üretiminde Amerika önde, sahaya çıkan robot sayısında Çin açık ara lider.

Kurallar Yerleşiyor: Avrupa Birliği Yapay Zekâ Yasası

Alanın geleceğini yalnızca mühendislik değil mevzuat da belirleyecek. Avrupa Komisyonu'nun resmi bilgilendirmelerine göre yasa kademeli bir takvimle yürürlüğe giriyor ve Digital Omnibus düzenlemesiyle bazı tarihler ileriye alındı.

Türkiye Nerede Duruyor?

Türkiye'nin ilk Ulusal Yapay Zekâ Stratejisi, Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ile Sanayi ve Teknoloji Bakanlığı tarafından hazırlandı ve 2021 yılında yayımlanan Cumhurbaşkanlığı Genelgesi ile yürürlüğe girdi.

Belge altı stratejik öncelik, 24 amaç ve 119 tedbir içeriyor. Dijital Dönüşüm Ofisi'nin duyurusuna göre hedefler arasında yapay zekâ alanının gayri safi yurt içi hasılaya katkısının yüzde 5'e çıkarılması, alandaki istihdamın 50 bin kişiye ulaşması ve lisansüstü mezun sayısının 10 bine yükseltilmesi yer alıyor.

Bu dört başlık, alana giriş yapmak isteyen bir öğrenci için gerçekçi bir sıralama sunuyor. Model eğitmeden önce veriyi anlamak, veriyi anlamadan önce de istatistik temelini kurmak gerekiyor.

Uygulama tarafında ilk adım genellikle kod yazmakla atılıyor. Alanın standart dilini öğrenmek için Python özel ders desteği alan öğrenciler, kütüphane ezberi yerine veri akışını kurmayı öğrendiklerinde çok daha hızlı ilerliyor.

Daha küçük yaştaki öğrenciler için giriş kapısı farklı olabiliyor. Sensör ve motor mantığını somut deneyimle öğreten robotik kodlama çalışmaları, bu yazıda anlatılan fiziksel dünya problemini çocuk yaşta sezgisel olarak kavratıyor.

Kaynak Notu

Bu yazıdaki sayısal veriler Stanford Üniversitesi Yapay Zekâ Endeksi 2026 raporuna, Uluslararası Robotik Federasyonu istatistiklerine, Avrupa Komisyonu'nun resmi yapay zekâ düzenleme sayfalarına ve Cumhurbaşkanlığı Dijital Dönüşüm Ofisi duyurularına dayanıyor. Alan hızla değiştiği için güncel rakamları ilgili kurumların kendi sayfalarından teyit etmek gerekir.

Şirketler İçin Anlamı: Sihir Değil, Süreç

Yatırım rakamları rekor kırarken benimseme hikâyesi daha karışık. Endeks, kurumsal kullanımın yaygınlaştığını ancak tam otonom ajan dağıtımının çoğu iş fonksiyonunda hâlâ tek haneli seviyede kaldığını ortaya koyuyor.

Perrault'nun uyarısı burada da geçerli: bir ölçütte yüzde 75 doğruluk elde eden sistemin gerçek bir iş akışına ne kadar uyacağı ayrı bir sorudur. Kıyaslama testi başarısı, sahadaki performansın garantisi değil.

Bu alanda çalışmak isteyenler için iyi haber, kapının tek bir meslekten ibaret olmaması. Veri, ürün, hukuk ve etik tarafında da talep var; seçenekleri değerlendirirken yapay zekâ ile kariyer planlaması yazımız yol gösterici olabilir.

Sonuç olarak insanımsı robotlara giden yolda eksik olan şey hesap gücü ya da veri hacmi değil; bedenin dünyayla kurduğu o ucuz görünen ama son derece pahalı ilişki. Yetmiş yıllık birikim bunu henüz kapatabilmiş değil.

Alanın kapısı sanıldığından geniş. Sağlam bir Antalya matematik özel ders desteğiyle temelini tamamlayan bir lise öğrencisi, üniversitede bu konuları çok daha rahat takip edebiliyor.

Aynı imkân Türkiye'nin farklı illerinde de bulunuyor; Konya matematik özel dersi gibi seçeneklerle yüz yüze çalışmak mümkün. Nerede olursanız olun, bu alanda ilerlemenin yolu heyecandan değil temelden geçiyor.

Yapay zekâ, insanı taklit etmeye çalıştıkça insanın ne kadar karmaşık olduğunu gösteriyor. Bu alanda kat edilecek çok yol var ve bu yolu yürüyecek olanlar bugün okul sıralarında.