AI'nın 80 yıllık gelişim sürecine bakıldığında, bu 5 tarihsel ders alınmaya değerdir.

Yazar: Gil Press

Derleyen: Felix, PANews

9 Temmuz 2025'te, Nvidia 4 trilyon dolarlık piyasa değerine ulaşan ilk halka açık şirket oldu. Peki, Nvidia ve dalgalı AI alanı bundan sonra nereye gidecek?

Tahmin etmek zor olsa da, kullanılabilir çok sayıda veri bulunmaktadır. En azından geçmişteki tahminlerin neden gerçekleşmediğini, hangi alanlarda, hangi şekillerde ve hangi nedenlerden dolayı başarısız olduklarını anlamaya yardımcı olabilir. İşte bu tarih.

Yapay zeka (AI) alanındaki 80 yıllık gelişim sürecinde hangi dersler çıkarılabilir? Bu süreçte finansman zaman zaman yüksek, zaman zaman düşük, araştırma ve geliştirme yöntemleri ise çeşitlilik göstermektedir. Kamu, zaman zaman merakla, zaman zaman endişeyle ve zaman zaman heyecanla bu konuya yaklaşmıştır.

Yapay zekanın tarihi, 1943 yılının Aralık ayında, nörofizyolog Warren S. McCulloch ve mantıkçı Walter Pitts'in matematiksel mantık üzerine bir makale yayımlamasıyla başladı. "Sinirsel Faaliyetlerde İçkin Kavramların Mantıksal Hesabı" başlıklı makalelerinde, idealize edilmiş ve basitleştirilmiş sinir ağı hakkında varsayımlarda bulundular ve bu ağların basit mantıksal işlemleri impuls iletimi veya iletmemesi yoluyla nasıl gerçekleştirdiğini öne sürdüler.

O dönemde organizasyonel kimya alanını kuran Ralph Lillie, McCulloch ve Pitts'in çalışmalarını "deneysel gerçeklerin" eksikliğinde "mantık ve matematik modellerine 'gerçeklik' verme" olarak tanımladı. Daha sonra, bu makalenin varsayımları ampirik testlerden geçmediğinde, MIT'den Jerome Lettvin, nöroloji ve nörobiyoloji alanlarının bu makaleyi görmezden geldiğini ancak bunun "yeni alan (bugün AI olarak adlandırılan) meraklıları olmaya mahkum olan bir grubu" motive ettiğini belirtti.

Aslında, McCulloch ve Pitts'in makalesi "bağlantıcılık" kavramına ilham verdi; bu da günümüzde baskın olan AI'nin belirli bir varyantı olup, artık "derin öğrenme" olarak adlandırılmakta ve son zamanlarda "AI" olarak yeniden adlandırılmaktadır. Bu yaklaşımın beynin gerçek çalışma şekliyle hiçbir ilgisi olmamasına rağmen, bu AI varyantını destekleyen istatistiksel analiz yöntemi olan "yapay sinir ağları", genellikle AI uzmanları ve yorumcuları tarafından "beyni taklit etme" olarak tanımlanmaktadır. Otoritelerden biri ve önde gelen AI uzmanı Demis Hassabis, 2017'de, McCulloch ve Pitts'in beynin çalışma şekliyle ilgili kurgusal anlatımı ve benzeri araştırmaların "günümüz derin öğrenme araştırmalarına temel oluşturmaya devam ettiğini" iddia etmiştir.

Ders 1: Mühendislik ile bilimi, bilimi varsayımlar ile ve bilimi matematiksel semboller ve formüllerle dolu makaleler ile karıştırmaktan kaçınmak gerekir. En önemlisi, insanlarla makinelerin birbirine eşit olduğu yanılsamasına kapılmaktan kaçınmak, yani insanlığın insan gibi makineler yaratabileceği düşüncesine kapılmaktan kaçınmak gerekir.**

Bu inatçı ve yaygın kibir, son 80 yıldır teknoloji balonu ve AI'nin periyodik heyecanının katalizörü olmuştur.

Bu, genel AI (AGI) fikrini akla getiriyor; yani insan benzeri zeka veya hatta süper zeka sahibi makinelerin yakında ortaya çıkacağı düşüncesi.

1957'de, AI öncüsü Herbert Simon, "Bugün dünyada düşünebilen, öğrenebilen ve yaratıcı makineler var." dedi. Ayrıca, on yıl içinde bilgisayarların satranç şampiyonu olacağını öngördü. 1970'te, başka bir AI öncüsü Marvin Minsky kendine güvenle, "Üç ila sekiz yıl içinde, sıradan bir insan zekasına sahip bir makineye sahip olacağız... Bilgisayar durumu kontrol altına aldığında, belki de bunu geri alamayacağız. Onların lütfuna bağımlı olarak yaşayacağız. Şanslıysak, belki de bizi evcil hayvan olarak tutmayı seçecekler."

Genel AI'nin yakında ortaya çıkması bekleniyor, bu durum hükümetin harcamalarını ve politikalarını bile etkileyecek kadar önemli. 1981 yılında, Japonya, insan gibi düşünen makineler geliştirmek amacıyla beşinci nesil bilgisayar projesine 850 milyon dolar ayırdı. Bunun üzerine, ABD Savunma İleri Araştırma Projeleri Ajansı, uzun bir "AI kışı" deneyimledikten sonra 1983 yılında AI araştırmalarını yeniden finanse etmeyi planladı ve "insan gibi görüp, duyup, konuşup ve düşünen" makineler geliştirmeyi amaçladı.

Dünyanın dört bir yanındaki ilerici hükümetler, yalnızca genel AI (AGI) konusunda net bir anlayışa sahip olmakla kalmayıp, aynı zamanda klasik AI'nın sınırlamalarını da anlamak için yaklaşık on yıl ve milyarlarca dolar harcadılar. Ancak 2012 yılına gelindiğinde, bağlantısal yaklaşım diğer AI okullarını nihayet geride bıraktı ve genel AI ile ilgili yeni bir öngörü dalgası dünya çapında yayıldı. OpenAI, 2023'te süper zeki AI'nın - "insanlık tarihindeki en etkili icat" - bu on yıl içinde gelebileceğini ve "insanların güç kaybetmesine ve hatta insanlığın yok olmasına neden olabileceğini" iddia etti.

Ders İkisi: Parlak yeni şeylere dikkat edin, onları dikkatlice, ihtiyatla ve akıllıca inceleyin. Onlar, makinelerin ne zaman insan benzeri zekaya sahip olabileceğine dair önceki tüm tahminlerden çok da farklı olmayabilir.**

Derin öğrenmenin "babalarından" biri olan Yann LeCun, "Makinelerin insanlar ve hayvanlar gibi etkili bir şekilde öğrenmelerini sağlamak için bazı temel unsurlardan eksik olduğumuz var; ancak bunun ne olduğunu henüz bilmiyoruz." dedi.

Yıllardır, Genel Yapay Zeka (AGI) "yakında gerçekleşecek" şeklinde tanımlanıyor ve bu, "ilk adım yanılgısı" nedeniyle. Makine çevirisi öncüsü Yehoshua Bar-Hillel, makine zekasının sınırlılıkları hakkında konuşan ilk kişilerden biriydi ve birçok insanın, bir bilgisayarın en son insanların yapabileceği düşünülen bir şeyi yapabildiğini gösterdiğinde, ne kadar kötü yaparsa yapsın, sadece daha fazla teknik gelişme gerektiğini düşündüğünü belirtti. İnsanlar genellikle sabırla beklerlerse, sonuçta bunun gerçekleştirilebileceğini düşünürler. Ancak Bar-Hillel, 1950'lerin ortalarında bunun böyle olmadığını ve gerçeklerin defalarca bunun doğru olmadığını kanıtladığını uyarıda bulundu.

Ders Üç: Bir şeyi yapamamak ile kötü yapmak arasında mesafe, genellikle kötü yapmaktan iyi yapmaya geçmekten çok daha kısadır.

1950'li ve 1960'lı yıllarda, bilgisayarları güçlendiren yarı iletkenlerin işlemci hızındaki artış nedeniyle birçok kişi "ilk adım yanılgısı"na kapıldı. Donanım her yıl "Moore yasası" olarak bilinen güvenilir bir yükseliş eğrisi boyunca gelişirken, makinelerin zekasının da donanımla senkronize bir şekilde gelişeceği genel bir kanı haline geldi.

Ancak, donanım performansının sürekli artışının yanı sıra, yapay zekanın gelişimi yeni bir aşamaya girdi ve iki yeni unsur tanıttı: yazılım ve veri toplama. 1960'ların ortalarından itibaren, uzman sistemler (not: bir akıllı bilgisayar programı sistemi) gerçek dünya bilgilerini elde etme ve programlama üzerine yeni bir odaklanma getirdi, özellikle belirli alanlardaki uzmanların bilgileri ve deneyim kuralları (sezgisel yöntemler). Uzman sistemler giderek daha popüler hale geldi ve 1980'lerde, Fortune 500 şirketlerinin üçte ikisinin bu teknolojiyi günlük iş faaliyetlerinde kullandığı tahmin ediliyordu.

Ancak, 1990'ların başına gelindiğinde, bu AI heyecanı tamamen sona erdi. Birçok AI girişimi iflas etti ve büyük şirketler de AI projelerini dondurdu veya iptal etti. 1983 yılında, uzman sistemlerin öncüsü Ed Feigenbaum, onların yok olmasının nedenini belirleyen "kritik darboğazı" işaret etti: Bilgi edinme sürecinin genişlemesi, "bu çok karmaşık, zaman alıcı ve pahalı bir süreç."

Uzman sistemler, bilgi birikimi sorunuyla da karşı karşıyadır. Sürekli olarak kuralların eklenmesi ve güncellenmesi gereksinimi, onların bakımını zorlaştırmakta ve maliyetini artırmaktadır. Ayrıca, insan zekası ile karşılaştırıldığında düşünme makinelerinin eksikliklerini de ortaya koymaktadırlar. Onlar "kırılgandır", alışılmadık girdilerle karşılaştıklarında tuhaf hatalar yapar, uzmanlıklarını yeni alanlara aktarmazlar ve çevrelerindeki dünyayı anlamada yetersizdirler. En temel düzeyde, onlar insan gibi örneklerden, deneyimlerden, çevreden öğrenemezler.

Ders Dört:** İlk başarı, yani işletmelerin ve devlet kurumlarının geniş çapta benimsenmesi ve büyük miktarda kamu ve özel yatırım, on yıl veya on beş yıl sonra bile kalıcı bir "yeni endüstri" yaratamayabilir. Balonlar genellikle patlar.**

Dalgalanma, spekülasyon ve hayal kırıklıkları arasında, iki tamamen farklı AI geliştirme yöntemi akademik dünya, kamu ve özel yatırımcılar ile medya dikkatini çekmek için mücadele ediyor. Kural tabanlı sembolik AI yöntemi, kırk yılı aşkın bir süredir baskın konumda. Ancak örnek temelli, istatistiksel analizle yönlendirilen bağlantısal yöntem, 20. yüzyılın sonlarında ve 80'lerin sonlarında başka bir ana AI yöntemi olarak kısa bir süre popülerlik kazandı.

2012 yılında bağlantıcılığın yeniden doğuşundan önce, AI araştırma ve geliştirmesi esas olarak akademik çevreler tarafından yönlendiriliyordu. Akademik çevrelerin özelliği dogmaların yaygınlığıdır (sözde "olağan bilim"), sembolist AI ile bağlantıcılar arasında her zaman ya bu ya da şu seçeneği vardı. 2019'da Geoffrey Hinton, Turing Ödülü konuşmasında, çoğunlukla kendisi ve az sayıda derin öğrenme meraklısının ana akım AI ve makine öğrenimi akademisyenlerinin elinde yaşadığı zorlukları anlattı. Hinton ayrıca pekiştirmeli öğrenmeyi ve DeepMind'deki meslektaşlarının çalışmalarını özellikle küçümsedi.

Sadece birkaç yıl sonra, 2023'te, DeepMind Google'ın AI işini devraldı (Hinton da orayı terk etti), bu esasen OpenAI'nin başarısına bir yanıt olarak gerçekleşti, OpenAI de pekiştirmeli öğrenmeyi AI geliştirmesinin bir parçası olarak kullanmaya başladı. Pekiştirmeli öğrenmenin iki öncüsü Andrew Barto ve Richard Sutton 2025'te Turing Ödülü'nü kazandı.

Ancak şu anda, ne DeepMind ne de OpenAI ya da genel AI (AGI) üzerinde çalışan birçok "tek boynuzlu at" şirketinin, odaklarının mevcut popüler büyük dil modelleri paradigmasının ötesine geçtiğine dair hiçbir işaret yok. 2012'den bu yana, AI'nın gelişim odak noktası akademik alandan özel sektöre kaydı; ancak, tüm alan hala tek bir araştırma yönüne takılı kalmış durumda.

Ders Beş: Tüm AI "yumurtalarınızı" aynı "sepetin" içine koymayın.

Şüphesiz, Jensen Huang olağanüstü bir CEO ve NVIDIA da olağanüstü bir şirket. On yılı aşkın bir süre önce, AI fırsatları aniden ortaya çıktığında, NVIDIA bu fırsatı hızla değerlendirdi, çünkü çipleri (ilk başta video oyunlarını verimli bir şekilde render etmek için tasarlanmıştı) paralel işleme kapasitesi derin öğrenme hesaplamaları için son derece uygundu. Jensen Huang sürekli tetikteydi ve çalışanlarına şöyle söyledi: "Şirketimiz iflasın eşiğinde, sadece 30 gün var."

Dikkatli olmaktan başka (Intel'i hatırlıyor musunuz?), AI'nın 80 yıllık gelişim sürecinden elde edilen deneyimler, belki de Nvidia'nın önümüzdeki 30 gün veya 30 yıl boyunca dalgalanmaları sorunsuz bir şekilde atlatmasına yardımcı olabilir.

İlgili Makaleler: Mevcut AI devrimini tanımlayan 10 AI şirketi ve modeli