Yapay Zekâ Gerçekte Nedir? Bilinç mi, Matematik mi?

Yapay zekâ dendiğinde çoğu insanın zihninde bilinç sahibi makineler, düşünen robotlar ya da insan benzeri varlıklar canlanıyor. Oysa mühendislik perspektifinden baktığımızda yapay zekâ romantik bir bilinç hikâyesi değil, matematiksel bir optimizasyon problemidir.

Gerçek AI, karmaşık karar uzaylarında en iyi çözümü bulmaya çalışan sistemlerden ibarettir. Bugün kullanılan modern yapay zekâ sistemlerinin temelinde üç ana kavram vardır: state (durum), action set (eylem kümesi) ve reward function (ödül fonksiyonu). Bu üçlü özellikle reinforcement learning (pekiştirmeli öğrenme) sistemlerinin temelini oluşturur, ancak aslında tüm AI mimarilerinin özünde bu mantık yatar.

1. State (Durum) State, sistemin o anki dünyayı nasıl temsil ettiğidir. Bir otonom araç için state şunları içerebilir:

• Hız
• Konum
• Sensör verileri
• Trafik yoğunluğu
• Yakındaki araçların konumu

Bir satranç motoru için state:

• Tahtadaki taşların konfigürasyonu

Bir dil modeli için state:

• Önceki kelimeler
• Bağlam penceresi
• İçsel temsil vektörleri

AI’nin “gerçekliği” anlaması dediğimiz şey aslında state uzayının matematiksel temsilidir.

2. Action Set (Eylem Kümesi) Her state içinde sistemin seçebileceği belirli eylemler vardır.

• Otonom araç: Gaz ver, fren yap, sola kır, sağa kır.
• Satranç motoru: Legal hamleler.
• Dil modeli: Bir sonraki token seçimi.

AI özgür değildir. Sadece action set içinden seçim yapabilir. Ne yapacağı, sistemin tasarımıyla sınırlıdır.

3. Reward Function (Ödül Fonksiyonu) İşin en kritik kısmı burasıdır. Reward function, sistemin neyi “iyi” olarak kabul edeceğini tanımlar.

• Otonom araç için: Güvenli sürüş + minimum süre.
• Oyun ajanı için: Skor maksimize etmek.
• Tavsiye sistemi için: Kullanıcı etkileşimini artırmak.
• Dil modeli için: Tahmin hatasını minimize etmek.

Aslında tüm sistem şuna indirgenebilir: Belirli bir state’te, action set içinden hangi eylem reward fonksiyonunu maksimize eder? AI'nin tüm “zekâsı” bu matematiksel soruya verdiği yanıttır.

Optimizasyon Gerçeği Bugünkü derin öğrenme modelleri milyonlarca parametre içerir. Ancak eğitim süreci temelde şudur:

• Bir hata fonksiyonu tanımlanır.
• Gradient descent gibi yöntemlerle bu hata minimize edilir.

Bu bir bilinç üretmez. Bu bir niyet üretmez. Bu bir öz farkındalık üretmez. Bu, yüksek boyutlu bir yüzey üzerinde minimum nokta arama problemidir.

Yanlış Anlaşılan Nokta AI’nin etkileyici olması, bilinçli olduğu anlamına gelmez. Bir dil modeli insan gibi yazabilir çünkü insan yazı örneklerinin olasılık dağılımını öğrenmiştir. Bir görüntü modeli objeleri tanıyabilir çünkü piksel örüntülerinin istatistiksel yapısını çözmüştür. Ama bu sistemlerin iç dünyası yoktur. Hedefleri kendileri belirlemezler. Korkuları ya da arzuları yoktur. Onlar sadece tanımlanmış bir reward fonksiyonunu optimize ederler.

Gelecek Nereye Gidiyor? Gelecekte AI daha otonom hale gelebilir. Daha karmaşık state temsilleri kullanabilir. Kendi alt hedeflerini türetebilir. Ancak temelde yine aynı matematik yatacaktır: State → Action → Reward optimizasyonu.

Bilinç ise bambaşka bir felsefi ve nörobilimsel problem olarak karşımızda durmaya devam edecektir.

Son Söz: Yapay zekâyı doğru anlamak, onu abartmamak ve küçümsememek için ilk adım şudur: AI bir sihir değil, bir optimizasyon makinesidir. Ve onu güçlü yapan şey, matematiğin sistematik disiplinidir.