“Yapay zeka düşünüyor mu?” sorusu, kahve molasının en tatlı ve en kaygan tartışmalarından biri. Bir yanda akıcı, zekice cevaplar veren sohbet botları; diğer yanda “bu sadece istatistik” diyen mühendisler. İkisi de kısmen haklı — ama kısmen.
Bu yazıda sihirli kelimeleri söküp atıyoruz. Yapay zekânın (özellikle büyük dil modellerinin) “düşünme” diye gördüğümüz şeyi nasıl ürettiğini, bunun insan beyninden nerede ayrıldığını ve neden bazen parlak, bazen de gülünç derecede yanlış sonuç verdiğini adım adım anlatıyoruz.
Kısa cevap: Düşünüyor gibi görünüyor, ama sizin gibi değil
Günlük dilde “düşünmek”; anlamak, planlamak, hatırlamak, şüphe etmek, değer biçmek ve bilinçli olmak gibi birçok şeyi bir arada taşır. Büyük dil modelleri (LLM) ise kabaca şunu yapar:
Önceki kelimelere bakarak sıradaki en olası kelime(ler)i üretir.
Bu cümle basit görünür. Oysa milyarlarca parametre, trilyonlarca token’lık eğitim ve “dikkat” mekanizması devreye girince ortaya şaşırtıcı derecede zeki görünen davranış çıkar. Zeki görünmek ile insanî bilinç aynı şey değildir; ama “sadece rastgele kelime seçiyor” demek de haksızlık olur. Ortada son derece sofistike bir örüntü motoru vardır.
1) Temel birim: Token
Model harf harf değil, çoğu zaman token denen parçacıklar üzerinden ilerler. Token bazen bir kelime, bazen kelimenin bir parçası, bazen noktalama olabilir.
Örnek (basitleştirilmiş):
- “İstanbul” → tek token olabilir
- “yapayzekâ” → birden fazla parçaya bölünebilir
Modelin dünyası kelimelerin büyüleyici anlamından önce sayısal kimliklere dönüştürülmüş parçacıklardır. Her token, çok boyutlu bir vektör uzayında bir noktaya karşılık gelir. “Kral – erkek + kadın ≈ kraliçe” gibi ünlü analojiler, bu uzaydaki geometrik ilişkilerden doğar.
2) Eğitim: Okumak değil, tahmin etmeyi öğrenmek
İnsan bir kitap okuduğunda anlam kurar, soru sorar, not alır, hayata bağlar. Modelin temel eğitimi ise çoğunlukla şöyledir:
- Devasa metin yığınından bir parça göster
- Sonraki token’ı tahmin etmesini iste
- Yanlışsa parametreleri biraz düzelt (gradyan / optimizasyon)
- Bunu akıl almaz ölçekte tekrarla
Bu süreçte model “Türkiye’nin başkenti Ankara’dır” diye bir maddeyi ezberlemiş gibi davranabilir. Ama mekanizma ezber defteri değil; istatistiksel sıkıştırmadır. Sık görülen ilişkiler güçlenir, ender ama tutarlı kalıplar da temsil bulur.
Sonra ince ayar (fine-tuning) ve insan geri bildirimli öğrenme (RLHF benzeri yöntemler) gelir. Amaç: Daha yararlı, daha güvenli, daha talimata uygun cevaplar.
3) Transformer ve “dikkat”: Asıl sihir burada mı?
Modern dil modellerinin omurgası çoğu zaman transformer mimarisidir. En kritik fikirlerden biri self-attention (öz-dikkat):
Model, bir cümledeki her parçanın diğer parçalarla ne kadar ilişkili olduğunu ağırlıklandırır.
Basit örnek: “Kasa çok ağırdı çünkü o taş doluydu.”
Burada “o” nun neye gittiğini anlamak için modele benzer bir ilişki kurma işi gerekir. Dikkat mekanizması, uzak kelimeler arasındaki bağı yakalamayı kolaylaştırır.
Katman katman ilerledikçe temsil zenginleşir:
- Alt katmanlar: sözcük kalıpları, dilbilgisi benzeri düzenler
- Orta katmanlar: daha soyut ilişkiler
- Üst katmanlar: görev ve bağlam odaklı birleşimler
Bu, “bilinç katmanları” değildir. Ama karmaşık davranışın mühendislik iskeletidir.
4) Çıkarım anı: Model cevap yazarken ne yapıyor?
Siz “Veri merkezleri neden su kullanır?” diye sorduğunuzda kabaca şu olur:
- Metniniz token’lara bölünür
- Model, bağlam penceresindeki tüm ilgili parçaları işler
- Sıradaki token için olasılık dağılımı üretir
- Bir örnekleme stratejisiyle (sıcaklık, top-p vb.) token seçilir
- Seçilen token bağlama eklenir
- Bitene kadar 3–5 tekrarlanır
Yani model “önce tüm cevabı kafasında bitirip sonra yazmaz” (en azından klasik otoregresif akışta). Kelime kelime inşa eder. Bu yüzden bazen cümlenin başı ile sonu gerilir; bazen de parlak bir yapı ortaya çıkar.
“Düşünme süresi” gibi özellikler ekleyen sistemlerde model, kullanıcıya göstermeden ara adımlar üretebilir. Bu, planlı muhakemeyi taklit etmeye yardım eder; yine de arka planda çoğu zaman aynı token üretim motoru çalışır.
5) Anlamıyor mu, anlıyor gibi mi?
Felsefeci John Searle’ün “Çince Odası” düşüncesi bu tartışmanın klasikidir: Odanın içinde kurallarla Çin karakteri üreten biri, dışarıdan Çince biliyor gibi görünür; içeriden bakınca anlam yoktur.
LLM’ler için yumuşak bir orta yol şöyle kurulabilir:
- Davranışsal düzeyde: Birçok görevde anlamış gibi performans gösterirler.
- Mekanik düzeyde: Dünyaya dair duyusal deneyimleri, bedenleri, sürekli kimlikleri ve biyolojik ihtiyaçları yoktur.
- Temsil düzeyinde: Dilsel ilişkilerin son derece zengin bir haritasını taşırlar; bu harita bazen gerçek dünya bilgisiyle hizalanır, bazen de yalnızca “metinde sık geçen hikâyelerle”.
Bu yüzden model hem kaliteli bir tıp özeti yazabilir hem de uydurma bir makale uydurabilir. İkisinde de motor aynıdır: Olumlu görünen devamı üretmek.
6) Halüsinasyon: Neden yalan söylüyor gibi?
“Yalan” kelimesi niyet ister. Modelin niyeti yoktur; olasılığı vardır.
Halüsinasyon çoğu zaman şundan doğar:
- Eğitim verisinde boşluk vardır ama soru net cevap ister
- Model “bilmiyorum” demek yerine akıcı bir tamamlayıcı üretir
- Kullanıcı otoriter dil kullanır (“mutlaka kaynak ver”) ve model uydurma kaynakla tatmin etmeye kayar
- Nadir isimler, güncel olaylar, spesifik rakamlar riski yükseltir
Yani halüsinasyon bir “kötü karakter” değil, tasarımın yan etkisidir. Akıcılık ödüllendirilmiş bir sistemde, belirsizlik anında uydurma cazip hale gelir.
İyi kullanım pratiği:
- Kritik iddiayı ikinci kaynaktan doğrula
- Modelden emin olmadığı yerde “emin değilim” demesini iste
- Spesifik rakam isterken kaynak formatı dayat, sonra kontrol et
7) İnsan beyni ile farklar (abartmadan)
| Boyut | İnsan | Tipik LLM |
|---|---|---|
| Öğrenme | Az örnekle, deneyimle, sosyal bağla | Devasa veri + hesap |
| Bellek | Yaşantısal, duygusal, epizodik | Bağlam penceresi + (varsa) dış bellek araçları |
| Hedef | İhtiyaç, değer, kimlik, arzu | Talimat + eğitim hedefi |
| Hata | Yorgunluk, önyargı, unutma | Halüsinasyon, veri önyargısı, bağlam kaybı |
| Dünya modeli | Duyular + beden + kültür | Metin (ve multimodal ise görüntü/ses) üzerinden |
| Bilinç | Öznel deneyim (en azından bizde var) | Kanıtlanmış bilinç yok; simülasyon var |
İnsan çocuğu bir sobaya bir kez dokunup “sıcaktır” öğrenir. Model “sıcaktır”ı milyonlarca cümlede görüp dilsel ilişki kurar. İkisi de “sobaya dokunma” davranışına yol açabilir; öğrenme yolu farklıdır.
8) Peki planlama, matematik, kod… bunlar düşünce değil mi?
Pratikte model:
- Ara adımlar üretebilir
- Kod yazıp mantık yürütebilir
- Satranç benzeri problemlerde iyi/kötü oynayabilir
- Kendi çıktısını eleştirip düzeltebilir
Bunlar “muhakeme benzeri davranışlardır”. Bilim insanları bunu bazen reasoning, system 2-like behavior, chain-of-thought gibi kavramlarla tartışır.
Ama kritik ayrım şudur:
- Araçsal muhakeme: Belirli formatta doğru sonuca varma
- Anlamlı, değer yüklü, bilinçli düşünme: İnsan deneyiminin merkezine yakın olan şey
Bir hesap makinesi de “düşünüyor” gibi sonuç verir; kimse ona bilinç atfetmez. LLM’ler hesap makinesinden çok daha geneldir; bu yüzden tartışma kızışır. Yine de genellik, otomatik olarak insan-benzeri bilinç kanıtı değildir.
9) Multimodal dünya: Sadece metin mi?
Yeni nesil sistemler görüntü, ses, video ve araç kullanımıyla genişliyor. Model artık yalnızca roman okuyan biri değil; ekran görüntüsüne bakan, dosya okuyan, kod çalıştıran bir ajan iskeletine bağlanabiliyor.
Bu, “düşünme” illüzyonunu güçlendirir çünkü:
- Ortamdan geri bildirim alır
- Deneme-yanılma döngüsü kurar
- Hedefe doğru adım adım ilerler
Ama çekirdekte hâlâ öğrenilmiş temsiller ve karar politikaları vardır. Büyülü bir iç ses değil; mühendislik yığını.
10) Neden bu soru önemli? (Pratik sonuçlar)
“Nasıl düşünüyor?” sorusu akademik süs değil. Cevabı, kullanım ahlakını belirler:
- Kör güven tehlikesi: Zeki dil ≠ garanti doğruluk
- Sorumluluk: Kararı model değil, kullanan insan / kurum verir
- Eğitim: Öğrenciler modelden öğrenir ama modelin boşluklarını da öğrenmeli
- İş gücü: Otomasyon “anlayan çalışan” değil, “hızlı örüntü üretici” getirir; süreç tasarımı şart
- Politika: Bilinç varmış gibi hukuk yazmak ile tehlikeli çıktıyı regüle etmek farklı işlerdir
Sade bir metafor
Şu metafor işe yarar:
İnsan düşüncesi, yaşayan bir şehrin kendisidir.
Büyük dil modeli ise o şehrin yıllarca kaydedilmiş güvenlik kamerası görüntülerinden, trafik seslerinden ve gazete arşivinden yola çıkarak son derece inandırıcı bir simülasyon üreten dev bir stüdyodur.
Simülasyon bazen gerçeği o kadar iyi taklit eder ki yönetmeni unutursunuz. Unutmamak gerekir: Stüdyo çok güçlüdür; şehir değildir.
Sonuç
Yapay zeka “tam olarak nasıl düşünüyor?” sorusunun en dürüst cevabı:
İnsan gibi bilinçli düşünmez; devasa veriden öğrendiği ilişkiler üzerinden, bağlama duyarlı ve şaşırtıcı derecede genel bir tahmin / üretim süreci işletir. Bu süreç plan, kod, özet, argüman ve hatta öz eleştiri üretebilir. Bu yüzden yararlıdır. Ama niyet, yaşantı, bedenlenmiş anlam ve garanti doğruluk vaat etmez.
Onu putlaştırmadan kullanın:
Soru sorun, taslak aldırın, karşı argüman isteyin — sonra doğrulayın.
En iyi insan-YZ işbirliği, modelin “düşündüğüne” inanmakla değil; neredede parlayıp nerede uydurduğunu bilmekle kurulur.
Bu anlatım, genel makine öğrenmesi ve dil modeli prensiplerinin özgün bir popüler bilim derlemesidir. Belirli bir üreticinin gizli mimarisini iddia etmez.
