
YAPAY ZEKÂNIN TARİHİ VE TARİHSEL GELİŞİMİ
Yapay zekâ nasıl doğdu ve bugünkü seviyesine nasıl ulaştı? Turing Testi, Dartmouth Konferansı, üzerinden yapay zekânın tarihsel gelişimini keşfedin.
Bir anda ortaya çıkmadı: Yapay zekânın uzun başlangıcı
Bugün yapay zekâ; görüntü tanıma, ses işleme, öneri sistemleri, robotik, doğal dil işleme ve karar destek uygulamalarıyla günlük hayatın içine yerleşmiş durumda. Fakat bu teknoloji birkaç yılda ortaya çıkmış bir yenilik değil. Yapay zekânın gelişimi; matematik, bilgisayar bilimi, psikoloji, istatistik ve mühendisliğin on yıllar boyunca kesiştiği, kimi dönemlerde büyük bir iyimserliğin kimi dönemlerde ise ciddi hayal kırıklıklarının yaşandığı uzun bir araştırma tarihinin sonucu.
Haenlein ve Kaplan, bu tarihi “mevsimler” benzetmesiyle anlatır: alanın ilgi ve yatırım gördüğü bahar ve yaz dönemleri, beklentilerin karşılanmadığı kışlar ve geçmişte atılan bilimsel temellerin yeni teknolojilerle ürüne dönüştüğü hasat dönemleri. Avrupa Komisyonu JRC ise aynı gelişimi üç büyük paradigma üzerinden özetler: 1950’lerden itibaren yapay zekânın temelleri, 1970’lerden sonra sembolik yapay zekâ ve uzman sistemler, 1990’lardan itibaren ise makine öğrenmesi ile derin öğrenme.

1950: “Makineler düşünebilir mi?”
Modern yapay zekâ tarihinin en önemli başlangıç noktalarından biri Alan Turing’in 1950 yılında yayımladığı “Computing Machinery and Intelligence” makalesidir. Turing, “Makineler düşünebilir mi?” sorusunu doğrudan yanıtlamaya çalışmak yerine, daha sonra Turing Testi adıyla anılacak bir taklit oyunu önerdi. Temel fikir şuydu: Bir insan, yazılı iletişim sırasında karşısındakinin insan mı yoksa makine mi olduğunu güvenilir biçimde ayırt edemiyorsa, makinenin zeki davranış sergilediği söylenebilirdi.
Bu yaklaşım, “zekâ” kavramını yalnızca makinenin iç yapısıyla değil, gözlemlenebilir davranışıyla tartışmanın önünü açtı. Turing’in sorusu, altı yıl sonra bağımsız bir araştırma alanına dönüşecek yapay zekânın düşünsel zeminini oluşturan en güçlü kilometre taşlarından biri oldu.
1956: Yapay zekâ bir araştırma alanına dönüşüyor
1956 yılında Dartmouth College’da düzenlenen Dartmouth Summer Research Project on Artificial Intelligence, alanın adının ve misyonunun resmileştiği dönüm noktası olarak kabul edilir. John McCarthy’nin “artificial intelligence” ifadesini kullandığı bu çalıştayda Marvin Minsky, Claude Shannon, Nathaniel Rochester ve diğer öncü araştırmacılar, öğrenme ve zekânın yeterince açık biçimde tanımlanması hâlinde makineler tarafından taklit edilebileceği varsayımından hareket etti.
Dartmouth sonrasında araştırmacılar son derece iyimserdi. Bilgisayarların kısa süre içinde problem çözme, dil kullanma ve genel insan zekâsına yaklaşma konusunda hızlı ilerleme göstereceği düşünülüyordu. Bu iyimserlik araştırma fonlarını artırdı ve yapay zekânın ilk “bahar” dönemini başlattı.

Şekil 2A. 1950–2017 arasında seçili yapay zekâ dönüm noktaları. Tarihler ve olaylar, yüklenen kaynaklardaki kronoloji temel alınarak görselleştirilmiştir.
İlk dönemin önemli kilometre taşları

1970’ler: Büyük beklentilerden ilk “AI kışı”na
İlk başarılar kısa sürede çok iddialı tahminlere dönüştü. Ancak gerçek dünya problemleri laboratuvardaki küçük örneklerden çok daha karmaşıktı. Bilgisayarların işlem gücü ve belleği sınırlıydı; birçok problemde olası çözüm sayısı büyüdükçe hesaplama maliyeti kontrol edilemez biçimde artıyordu. JRC raporu bu dönemin teknik engelini özellikle “combinatorial explosion” ve hesaplama kapasitesi sınırlamaları üzerinden açıklıyor.
Makine çevirisine yönelik yüksek beklentilerin karşılanmaması üzerine 1966 tarihli ALPAC raporu, yapılan büyük yatırımların beklenen kalite, hız ve maliyet faydasını üretmediğini ortaya koydu. İngiltere’de 1973 tarihli Lighthill raporu ise yapay zekâ araştırmalarının vaat edilen geniş etkiyi gösteremediğini savundu. Bunun sonucunda kamu fonları önemli ölçüde azaldı ve alan tarihindeki ilk yapay zekâ kışına girdi.
Tarihsel ders: Yapay zekâdaki ilk büyük gerileme, fikrin bütünüyle yanlış olmasından değil; beklentilerin hesaplama gücü, veri ve yöntemlerin o günkü sınırlarını aşmasından kaynaklandı.
1970’ler–1990’lar: Sembolik yapay zekâ ve uzman sistemler
İlk kışın ardından yapay zekâ yeni bir paradigma ile yeniden yükseldi: sembolik yapay zekâ. Bu yaklaşımda insan uzmanlığının açık biçimde tanımlanmış semboller ve kurallar hâline getirilmesi hedefleniyordu. Bir uzman sistemin iki temel bileşeni vardı: belirli bir alandaki gerçek ve kuralları içeren bilgi tabanı ile bu kuralları işleyerek sonuç üreten çıkarım motoru.
MYCIN gibi sistemler tıbbi teşhis ve ilaç önerisi gibi dar alanlarda dikkat çekici sonuçlar üretti. Prolog, sembolik yapay zekânın önemli programlama dillerinden biri oldu. Kurumsal tarafta XCON gibi uzman sistemler ticari değer yaratabildi ve 1980’lerde yapay zekâ yatırımları yeniden hızlandı.
Ancak uzman sistemlerin de önemli sınırları vardı. İnsan uzmanlığını yüzlerce veya binlerce açık kurala dönüştürmek zordu; bilgi tabanlarının oluşturulması ve güncel tutulması yüksek maliyet yaratıyordu. JRC raporu, özellikle “knowledge acquisition” yani uzman bilgisinin sistematik biçimde elde edilmesi sorununu ikinci gerilemenin önemli nedenlerinden biri olarak gösteriyor. Özel Lisp makineleri de genel amaçlı bilgisayarların hızla güçlenmesi karşısında ekonomik avantajını kaybetti. 1990’lara gelindiğinde “uzman sistem” ifadesi teknoloji dünyasındaki ağırlığını büyük ölçüde yitirdi.

Şekil 2B. JRC raporunda vurgulanan üç ana paradigma: yapay zekânın temelleri, sembolik yapay zekâ ve makine/derin öğrenme.
Kurallardan veriye: Makine öğrenmesinin yükselişi
1990’lardan itibaren yapay zekâ araştırmalarında kritik bir zihniyet değişimi yaşandı. Sembolik yaklaşımda insanlar kuralları açıkça yazar, bilgisayar bu kuralları veriye uygular ve sonuç üretirdi. Makine öğrenmesinde ise amaç, verideki örneklerden kuralları modelin kendisinin öğrenmesiydi. Bu değişim, özellikle açık kurallarla tanımlanması zor olan görüntü, ses ve dil problemlerinde büyük avantaj sağladı.

Şekil 2. Klasik programlama ile makine öğrenmesi arasındaki temel paradigma farkı. Kaynak çerçevesi: European Commission JRC (2020), s. 12; yeniden çizim
Bu dönemde istatistiksel yöntemler, destek vektör makineleri, pekiştirmeli öğrenme ve sinir ağları yeniden önem kazandı. 1989’da el yazısı rakamların evrişimli sinir ağlarıyla tanınması, 1995’te destek vektör makinelerinin sınıflandırma problemlerinde kullanılması ve 1997’de LSTM mimarisinin tekrarlayan sinir ağlarının uzun dönemli bağımlılık sorununu azaltması, sonraki derin öğrenme dalgasının teknik temelini güçlendirdi.
Yapay zekâ, makine öğrenmesi ve derin öğrenme aynı şey mi?
JRC’nin sınıflandırmasına göre makine öğrenmesi yapay zekânın bir alt alanıdır; derin öğrenme ise makine öğrenmesinin çok katmanlı sinir ağlarına dayanan özel bir yaklaşımıdır. Dolayısıyla günlük dilde bu kavramlar birbirinin yerine kullanılabilse de teknik olarak aynı kapsamı ifade etmez.

Şekil 3. Yapay zekâ, makine öğrenmesi ve derin öğrenmenin kapsama ilişkisi. Kaynak çerçevesi: European Commission JRC (2020), s. 12; yeniden çizim.
2009–2019: Veri, işlem gücü ve derin öğrenme birleşiyor
Derin öğrenmenin büyük sıçrama yapması yalnızca algoritmaların gelişmesiyle açıklanamaz. Büyük veri setlerinin ortaya çıkması, grafik işlemcilerinin ve genel hesaplama altyapısının güçlenmesi, açık kaynak kod ve bilimsel yayın paylaşımının hızlanması bu dönüşümün temel bileşenleriydi. JRC raporu, güncel yapay zekâ dalgasını önceki dönemlerden ayıran başlıca unsurlar arasında veri miktarı, hesaplama kapasitesi ve açık ekosistemi özellikle vurgular.
2009’da yayımlanan ImageNet, milyonlarca etiketlenmiş görüntüyle bilgisayarlı görü araştırmalarına büyük ölçekli bir karşılaştırma zemini sağladı. 2012’de AlexNet’in ImageNet yarışmasında elde ettiği sonuçlar, derin evrişimli sinir ağlarının görüntü tanımadaki potansiyelini açık biçimde gösterdi ve JRC tarafından derin öğrenme paradigmasına geçişin önemli kırılma noktalarından biri olarak değerlendirildi.
Bunu 2014’te üretken çekişmeli ağların (GAN) ortaya çıkışı, 2016’da AlphaGo’nun Lee Sedol’u Go oyununda 4-1 yenmesi, 2017’de self-attention mekanizmasına dayalı Transformer mimarisinin yayımlanması ve 2019’da GPT-2’nin görev özelinde yeniden programlanmadan metin üretimi, özetleme, soru yanıtlama ve çeviri gibi yetenekler göstermesi izledi.
Derin öğrenme döneminin seçili dönüm noktaları

Neden üçüncü dalga daha güçlü oldu?
İlk iki yapay zekâ döneminde temel araştırmanın ve yatırımın ağırlığı büyük ölçüde kamu kurumları ile akademideydi. JRC’nin tarihsel karşılaştırmasına göre üçüncü dönemde teknoloji şirketleri hem yatırımda hem de temel araştırmada çok daha belirleyici bir konuma geldi. Büyük şirketler yüksek hesaplama kapasitesine, çok büyük veri setlerine ve alanın önde gelen araştırmacılarına erişebildi.
Aynı zamanda TensorFlow ve PyTorch gibi açık kaynak çerçeveler, GitHub ve benzeri kod paylaşım ortamları, çevrimiçi eğitimler, veri setleri ve açık bilimsel yayınlar yapay zekâ bilgisinin çok daha hızlı yayılmasını sağladı. Böylece yeni fikirlerin laboratuvardan ürüne dönüşme süresi önceki dönemlere kıyasla ciddi biçimde kısaldı.
Tarih bize ne söylüyor?
Yapay zekâ tarihinin en dikkat çekici yönü, ilerlemenin doğrusal olmamasıdır. İlk iki büyük dönem aynı kalıbı tekrar etmiştir: bilimsel bir atılım, güçlü ve kimi zaman aşırı iyimser tahminler, yoğun yatırım, teknik sınırlamalar, hayal kırıklığı ve bir yapay zekâ kışı. Bu nedenle bugünkü gelişmeleri değerlendirirken yalnızca yeni modellerin etkileyici sonuçlarına değil; veri kalitesi, hesaplama maliyeti, güvenilirlik, genellenebilirlik ve gerçek dünya koşullarındaki performansa da bakmak gerekir.
Öte yandan üçüncü dalga, önceki dönemlerden çok daha geniş bir ekonomik ve teknolojik altyapıya dayanıyor. Yapay zekâ artık yalnızca bir laboratuvar araştırma konusu değil; sağlık, ulaşım, finans, üretim, arama motorları, öneri sistemleri ve iletişim teknolojileri gibi birçok alanda kullanılan genel amaçlı bir teknoloji ailesine dönüşmüş durumda.
Teknik ilerlemeyle birlikte yeni sorular: Etik ve güvenilirlik
JRC raporunun önemli vurgularından biri, yapay zekânın olgunlaşmasıyla birlikte etik, güvenlik, şeffaflık ve hesap verebilirlik sorunlarının da teknik performans kadar önemli hâle gelmesidir. Derin öğrenme sistemlerinin karar süreçlerinin her zaman kolay açıklanamaması, eğitim verilerindeki önyargıların modele taşınabilmesi, adversarial saldırılar ve deepfake üretimi gibi konular, yapay zekânın yalnızca “daha doğru tahmin yapan” sistemler olarak değerlendirilemeyeceğini gösterir.
Raporda güvenilir yapay zekâ için insan gözetimi, teknik sağlamlık ve güvenlik, gizlilik ve veri yönetişimi, şeffaflık, ayrımcılığın önlenmesi, toplumsal ve çevresel iyilik hâli ile hesap verebilirlik gibi unsurların birlikte ele alınması gerektiği belirtilir.

Şekil 5. Güvenilir yapay zekâ değerlendirmesinde birlikte ele alınan temel alanlar. Kaynak çerçevesi: European Commission JRC (2020), s. 22; yeniden çizim.
Sonuç: Yapay zekânın tarihi, zekâyı nasıl tanımladığımızın da tarihidir
Yapay zekâ bir anda ortaya çıkmadı. Turing’in 1950’de sorduğu temel sorudan Dartmouth’un 1956’daki iddialı başlangıcına; sembolik sistemlerden uzman sistemlere, makine öğrenmesinden derin öğrenmeye kadar her dönem, “zekâ bir makinede nasıl temsil edilebilir?” sorusuna farklı bir cevap verdi.
İlk dönem insan akıl yürütmesini mantıksal ve sembolik biçimde modellemeye çalıştı. Uzman sistemler insan bilgisini açık kurallara dönüştürdü. Makine öğrenmesi kuralları doğrudan yazmak yerine veriden öğrenmeye yöneldi. Derin öğrenme ise çok büyük veri ve hesaplama kapasitesiyle bu yaklaşımı daha geniş problemlere taşıdı.
Bu uzun tarih aynı zamanda önemli bir uyarı içeriyor: teknolojik gelişmeler kadar, bu gelişmeler etrafında kurulan beklentiler de döngüseldir. Yapay zekânın geleceğini anlamanın en sağlıklı yollarından biri, yalnızca bugünün başarılarına bakmak değil; önceki baharları, kışları ve paradigma değişimlerini de hatırlamaktır.
Kaynakça
1. Haenlein, M. & Kaplan, A. (2019). “A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence.” California Management Review, 61(4), 5–14. DOI: 10.1177/0008125619864925.
2. Delipetrev, B., Tsinaraki, C. & Kostić, U. (2020). Historical Evolution of Artificial Intelligence: Analysis of the Three Main Paradigm Shifts in AI. European Commission, Joint Research Centre, EUR 30221 EN. DOI: 10.2760/801580.
İlgili Yazılar

Yenilenebilir Enerji Yatırımında Hassasiyet Analizi Neden Zorunlu Hale Geliyor?
Tek bir baz senaryo yatırımın kırılganlığını göstermez. Hassasiyet analizi üretim, maliyet, fiyat ve finansman değişkenlerinin IRR, NPV ve DSCR üzerindeki etkisini sistematik biçimde ölçerek kararın hangi koşullarda değiştiğini ortaya çıkarır.

GES Tasarımında Arazi Verimliliği: MW Başına Kaç Metrekare Gerçekten Gerekli?
GES için MW başına sabit bir arazi katsayısı yoktur. Panel verimi, tilt, sıra aralığı, tracker, topoğrafya, yollar, trafo alanları ve güvenlik mesafeleri aynı parselde kurulabilecek MWp ve üretilebilecek MWh miktarını değiştirir.

İki Farklı Panel Arasında Karar Verirken Sadece Watt Değerine Bakmak Neden Yanlış?
Kısa Özet Panelin nominal watt değeri önemli fakat sistem seviyesinde karar vermek için yetersizdir. Verimlilik, fiziksel alan, sıcaklık davranışı, bifacial performans, degradasyon, güvenilirlik ve BOS maliyetleri aynı yatırım analizinde birlikte değerlendirilmelidir.

