Sevgili Okuyucularımız,

Sizlere göre zekânın tanımı nedir? İnsan aklı, biyolojik bir mucize midir yoksa belirli kurallara göre işleyen bir yapı mıdır? Son 150 yılın en sarsıcı fikri bana göre evrim, öğrenme ve hatta zekânın özünde birer algoritma olabiliceğidir.

Her şey, bir adada kuşları izleyerek doğanın gizli kodlarını çözen Charles Darwin ile başladı. Darwin, farkında olmadan aslında dünyanın ilk ve en büyük algoritmasını tarif ediyordu. Varyasyon üret, seç ve çoğalt. Bu fikir, yıllar sonra dahi matematikçi John von Neumann’ın hastane odasındaki notlarında hayat bularak makinelerin de tıpkı canlılar gibi kendi kopyasını yapıp evrimleşebileceği düşüncesine dönüştü. Onun mirasını devralan öğrencileri, evrimi ormanlardan çıkarıp bilgisayar kablolarının içine, genetik algoritmalara taşıdılar.

Ancak bu yolculuk her zaman güneşli değildi, Marvin Minsky gibi isimlerin sinir ağlarının sınırlarını çizmesiyle üretken yapay zekâ (ÜYZ) dünyası derin ve sessiz bir kışa gömüldü, heyecan söndü ve fonlar kesildi. Yann LeCun gibi pes etmeyen vizyonerler, insan beyninin görme korteksinden ilham alarak makinelerin dünyayı görmesini sağlayan devrimsel adımlar attılar. LeCun, Hinton ve Bengio gibi ÜYZ öncüleri, bu algoritmik yürüyüşü zirveye taşıyarak zekânın sadece biyolojik bir mucize değil, makinelerde de çalıştırılabilen evrensel bir matematik problemi olduğunu kanıtladılar. Bugün o uzun yürüyüş, doğanın yavaş seçiliminden veri merkezlerinin ışık hızındaki hesaplamalarına evrilerek devam ediyor.

Peki, bu hızlandırılmış evrimin bir sonraki durağı neresi ve biz bu denklemin neresindeyiz?

Evrimin Algoritması

Darwin’in modeli dört temel adıma dayanıyordu.Varyasyon, kalıtım, seçilim ve nesiller boyunca tekrar. Bu döngü, bugün genetik algoritma adını verdiğimiz yapının kendisidir. Peki genetik algoritma ne yapar? Bir hedef belirler, örneğin en hızlı rotayı bulmak ya da en az enerji harcayan tasarımı üretmeye çalışır ve biz bunu uygunluk (fitness) fonksiyonu olarak adlandırırız. Ardından çok sayıda çözüm adayı üretir, en iyi sonuç verenleri seçer, onları birbiriyle çaprazlar, küçük rastlantısal değişiklikler ekler ve bu döngüyü defalarca tekrarlar. Tıpkı doğanın yaptığı gibi.

Evrim amaçlı bir tasarım değildir. Neyi başarmaya çalıştığını bilmez ancak yeterince uzun süre, yeterince büyük bir popülasyon üzerinde çalışınca son derece karmaşık yapılar ortaya çıkarır. Bu noktada elimizde kritik bir soru belirir. Eğer kanatlar, bağışıklık sistemi gibi karmaşık biyolojik yapılar bu kör süreçten çıkabildiyse zekâ da bir algoritmanın ürünü olabilir mi?

Von Neumann ve Evrimi Silikona Taşımak

20. yüzyılın ortasında John von Neumann bu soruya teknik bir çerçeve kazandırdı. Kendi kendini kopyalayabilen makineler tasarladı, hücresel otomatlar geliştirdi ve evrimin matematiksel olarak mümkün olduğunu gösterdi ancak bu devrimsel çalışmayı tamamlayamadı. 1955’te kansere yakalandı, 1957’de yalnızca 53 yaşında hayatını kaybetti. Ölümünün ardından yarım kalan dersler ve notlar, meslektaşı Arthur Burks tarafından derlenerek 1966’da Theory of Self Reproducing Automata adıyla yayımlandı. Burks yalnızca kitabı tamamlamakla kalmadı, Von Neumann’ın yakın çalışma arkadaşı ve erken dönem bilgisayarların tasarımcısı olan Burks, Michigan Üniversitesi’nde yeni bir nesli yetiştirdi. Bu öğrenciler arasında en önemli isim John Holland’dı. Holland, 1959’da Burks’ün danışmanlığında Michigan Üniversitesi’nde bilgisayar biliminin ilk doktorasını alan kişi oldu. Yıllar içinde genetik algoritmaların babası olarak tanınan Holland, bu alandaki çığır açan kitabını 1975’te kaleme aldı. Bir fikir, üç nesil boyunca aktarılmıştı. Von Neumann evrimi matematiksel olarak tanımladı, Burks bu mirası derledi ve taşıdı, Holland ise onu çalışan bir algoritma hâline getirdi.

Von Neumann’ın en önemli katkısı kendi kendini çoğaltan ve dönüşüme uğrayabilen sistemler yalnızca biyolojiye özgü değildir. Bu içgörü, Darwin’in doğada keşfettiği sürecin bilgisayar ortamında da işletilebileceğini ortaya koydu, evrim yalnızca in vivo değil, in silico da gerçekleşebilirdi.

Bugün genetik algoritmalar, evrimsel stratejiler ve popülasyon tabanlı optimizasyon teknikleri doğrudan bu mirasın üzerinde yükseliyor.

Minsky ve Zekânın Mühendisliği

Marvin Minsky ise farklı bir yol izledi. Ona göre zekâ, sembolik kuralların bir araya gelmesiyle inşa edilebilirdi. 1986’da yayımlanan Society of Mind adlı kitabında akıl, küçük modüllerin işbirliği olarak tanımlandı.

Minsky’nin daha erken dönemdeki önemli çalışması ise 1969’da Seymour Papert ile birlikte yazdığı Perceptrons kitabıdır. Bu çalışma, tek katmanlı sinir ağlarının matematiksel sınırlarını titizlikle ortaya koydu. Kitap, yapay sinir ağı araştırmaları üzerinde caydırıcı bir etki yarattı, ancak o dönemdeki yapay zekâ araştırma fonlarının azalmasının (ÜYZ kışı) tek sebebi değildi, ekonomik kısıtlamalar ve gerçekçi olmayan beklentiler de bu süreçte belirleyici rol oynadı.

Minsky’nin temel yaklaşımı zekâyı evrimle bırakıp beklemek yerine, onu mühendislik yoluyla tasarlayabileceğini düşünmekti. Ancak zaman içinde sembolik sistemlerin esneklik sınırları ortaya çıktı. Gerçek dünya karmaşıklığı, katı mantıksal kurallara sığmıyordu.

Öğrenmenin Geri Dönüşü: Geri Yayılım ve Derin Ağlar

1986’da Rumelhart, Hinton ve Williams’ın geri yayılım (backpropagation) algoritmasını popülerleştirmesiyle tablo değişti. Algoritmanın matematiksel temelleri aslında daha eskiye dayanır: Paul Werbos 1974 doktora tezinde benzer fikirleri geliştirmiş, Seppo Linnainmaa da 1970’te otomatik türev alma üzerine öncü çalışmalar yapmıştı. Sinir ağları artık çok katmanlı hale geldi. Derin öğrenme, veriden temsil öğrenmeye başladı.

Burada Darwin’in gölgesi yeniden belirdi, öğrenme artık bir optimizasyon süreciydi. Parametre uzayında arama, hata yüzeyinde iniş, sürekli iyileştirme.

Evrim popülasyon üzerinden arama yaparken, derin öğrenme parametre uzayında arama yapıyordu. Ancak her ikisi de bir uygunluk ölçütüne göre ilerliyordu. Zekâ artık sembolik kurallar değil, istatistiksel temsiller üzerinden inşa ediliyordu.

Tek Bir Usta Algoritma Mümkün mü?

Bugün bazı araştırmacılar insan zekâsının tek bir temel prensiple açıklanabileceğini savunuyor. Bağlantıcılık, evrimsel öğrenme, pekiştirmeli öğrenme ve sembolik yöntemler giderek birleşiyor. Aşağıdaki sorulara verilecek yanıtlar nereye gideceğimize de yön verecek.

• Zekâ bir optimizasyon problemi midir?

• Evrim ve öğrenme aynı temel matematiksel prensibin iki yüzü müdür?

• İnsan beyni biyolojik bir algoritma mı çalıştırıyor?

• Eğer öyleyse, bu algoritmayı hızlandırdığımızda ne olur?

Algoritmik Evrimin Hızlanması

Biyolojik evrim milyonlarca yıl sürer. Silikon üzerinde çalışan optimizasyon süreçleri ise saniyeler içinde milyarlarca parametre güncelleyebilir. Bu durum yeni bir eşik anlamına geliyor. Doğanın yavaş seçilimi yerini hızlandırılmış hesaplamaya bırakıyor.

Bu yalnızca teknik bir dönüşüm değildir, ciddi bir kırılımın eşiğindeyiz. Darwin’in keşfettiği prensip artık doğayla sınırlı değildir, veri merkezlerinde çalışmaktadır.

Sonsöz

Darwin, doğanın gizli çarklarını çeviren evrim mekanizmasını keşfetti. Von Neumann, bu mekanizmanın içine yerleşebileceği ilk dijital bedeni, yani makineyi inşa etti. Minsky, zekâyı bir mühendislik harikası gibi adım adım tasarlamaya soyundu. Holland ise doğanın bu kadim seçilim dilini matematiksel bir disipline, evrimsel hesaplamaya dönüştürdü. Derin öğrenme ise tüm bu birikimi devasa bir ölçeğe taşıyarak ete kemiğe büründürdü.

Aslında evrim, insanoğlunun doğadan ödünç aldığı ilk ve en büyük algoritmik süreçti. Eskiden ormanlarda ve okyanuslarda kendiliğinden işleyen bu algoritmayı, bugün veri merkezlerinde kendi irademizle, bilinçli olarak çalıştırıyoruz.

Milyonlarca yıllık biyolojik süreci saniyelere sığdıran bu hızlandırılmış evrim, bizi hangi bilinmez kıyıya ulaştıracak?

Kaynaklar

von Neumann, J. (1966). Theory of Self-Reproducing Automata. University of Illinois Press: https://cba.mit.edu/events/03.11.ASE/docs/VonNeumann.pdf

Minsky, M. & Papert, S. (1969). Perceptrons. MIT Press: https://mitpress.mit.edu/9780262630221/perceptrons/

Rumelhart, D., Hinton, G., & Williams, R. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536: https://www.nature.com/articles/323533a0

Minsky, M. (1986). The Society of Mind. Simon & Schuster: https://www.simonandschuster.com/books/The-Society-of-Mind/Marvin-Minsky/9780671657130

Holland, J. (1975). Adaptation in Natural and Artificial Systems. MIT Press: https://mitpress.mit.edu/9780262581110/adaptation-in-natural-and-artificial-systems/

Domingos, P. (2015). The Master Algorithm.

Werbos, P. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. Harvard University https://www.semanticscholar.org/paper/Beyond-regression…

Hukuki Uyarı

Bu içerik genel bilgilendirme amaçlıdır ve hiçbir şekilde yatırım, hukuki veya mesleki tavsiye niteliği taşımaz. Yazıda geçen marka isimleri ilgili şirketlerin tescilli markalarıdır ve yalnızca açıklayıcı amaçlarla kullanılmıştır. Herhangi bir ortaklık, sponsorluk, reklam veya ticari ilişki bulunmamaktadır. İçerik tarafımca oluşturulmuş olup, yazılı izin olmaksızın ticari amaçlı kullanılamaz. Harici linkler yalnızca bilgilendirme içindir ve bu sitelerin içeriğinden sorumlu değiliz.

Görseller yapay zeka ile oluşturulmuş olup yalnızca içeriği destekleme amaçlıdır.

#YapayZeka #DerinÖğrenme #MachineLearning #DeepLearning #Algoritma #Evrim #Darwin #VonNeumann #Minsky #YannLeCun #GenetikAlgoritma #NöralAğlar #AITarihi #Teknoloji #BilimveTeknoloji #Dijitalleşme #AIFelsefesi #Veri #Türkçeİçerik #Bilişim #GeleceğinTeknolojisi #reklamdeğil