Düşünen Makine: Yapay Genel Zeka (AGI) Nedir? Nasıl Tanımlanmalıdır ve Yapay Zekadan Farkı Nedir?

İnsan düzeyinde yabancı bir zekanın ortaya çıkışı, sadece bilimkurgu anlatılarının sınırları içerisinde olmaktan çıkarak, artık bilimsel araştırmalar ve disiplinlerarası çalışmalarla desteklenen somut bir öngörü haline gelmektedir.^{[1], [2], [3], [4], [5], [6], [7], [8]} Yapay zeka alanındaki araştırmaların ve OpenAI, Google, xAI, Meta gibi büyük teknoloji şirketlerinin öncelikli hedeflerinden biri, yapay genel zekayı geliştirmektir.^{[9], [10], [11], [12]} 2020 yılında yayımlanan bir çalışmada, dünya genelinde 37 farklı ülkede sürdürülen toplam 72 aktif yapay genel zeka araştırma ve geliştirme girişimi saptanmıştır.^[13] Yapay zeka araştırmalarında ulaşılan nokta, hızla ilerleyen teknolojik gelişmeler ve yapılan büyük yatırımlar göz önüne alındığında, bilim komünitesinin önemli bir kısmı, bu yeni zekanın ortaya çıkışının çok uzak olmayan bir gelecekte gerçek olabileceğini düşünmektedir.^[14] Öte yandan, daha ihtiyatlı olan bazı tahminler ise bu sürecin biraz daha uzun sürebileceğini ve belki de hiçbir zaman mümkün olmayabileceğini ileri sürmektedir.^{[15], [16]}

Bu yeni zekanın doğasına dair bazı belirsizlikler bulunsa da, insanlardan morfolojik, fizyolojik, psikolojik ve sosyolojik olarak önemli ölçüde farklı olacağını söylemek mümkündür.^[17] Bu farklılıkların tam olarak ne olacağını başlangıçta kavramsallaştırması zor olabilir; zira, yapay genel zeka olarak adlandırılan bu sistemin sahip olacağı bilişsel kapasitenin, tarih boyunca var olmuş en üstün insan zekalarının toplamından bile daha yüksek olması öngörülmektedir.^[18]

Yapay Genel Zeka Nedir, Neye Denir?

Yapay genel zeka (İng: "Artificial General Intelligence" veya kısaca "AGI"), sınırlı bilişsel kaynaklar kullanarak belirsizlik içeren dinamik çevrelere öğrenme ile adapte olabilen, son derece uyarlanabilir olan ve insanla eşdeğer veya onu aşan zekaya sahip teorik bir düşünen makinedir (İng: "thinking machine").^[19] Genel bir çerçeve sunan bu tanımı, yazının ilerleyen kısımlarında detaylı olarak ele alacağız.

Yapay genel zeka, belirli ve dar çerçevelerde uzmanlaşmış mevcut yapay zeka uygulamalarının aksine, çok geniş kapsamlı ve önceden tanımlanmamış problemlerle başa çıkabilme yeteneğine sahip olmalıdır.^[20] Yani yapay genel zekanın, bilgiyi farklı bağlamlara genelleyebilme, çeşitli alanlar arasında beceri transferi yapabilme ve belirli görevlere yönelik yeniden programlama gerektirmeksizin yeni problemleri çözebilme kapasitesini içerme ile ilgili olduğu söylenebilir.

Yapay genel zekanın insan benzeri bir fiziksel forma sahip olması zorunlu değildir; keza, dış dünyadan gelen girdileri (örneğin dili) insan duyuları yerine farklı yollarla algılayıp işleyebildiği sürece, silikon tabanlı bir hesaplama sistemi olarak işlev görmesi yeterli kabul edilir. Bu yaklaşım, yapay genel zekanın belirli bir bedensel somutluk kazanmasını gerektirmediği ve bu nedenle genelde bilimkurguda resmedildiği gibi klasik anlamda "gözler" ya da "kulaklar" gibi duyusal donanımlara veya robotik bir bedene ihtiyaç duymadığı anlayışıyla örtüşmektedir.^[21] Ünlü bilimkurgu yapımı Person of Interest dizinde işlendiği üzere, "Machine" veya "Samaritan" gibi akıllı bir bilgisayarın, hedeflerine ulaşmak amacıyla diğer sistemlerle ve insan ajanlarla etkileşime geçmesi, onları kontrol etmesi ve yönlendirmesi/manipüle etmesi gibi fiziksel dünyayı dolaylı olarak dönüştürmesi yeterli bir koşul olarak değerlendirilebilir. Bu türden bir sistem, bağımsız analiz yeteneği ile değişken koşullara hızlı ve etkin şekilde adapte olabilecektir. Bu adaptif özelliği ile yapay genel zeka, günümüzdeki yaygın yapay zeka sistemlerinden belirgin bir şekilde ayrılır.^[22]

Öte yandan yapay genel zeka, özünde sistemin özerk bir ajan olmasını zorunlu kılmaz; insan düzeyinde bilişsel genişlik ve yeterliliğe ulaşması koşuluyla, bedenlenmiş bir yapay zeka (robotlar) ya da yüksek yetenekli bir büyük dil modeli gibi statik bir yapı da yapay genel zekanın bu tanımına uygun sayılabilir.^[23]

Yapay genel zeka ile hedeflenen, insan bilişsel yeteneklerini taklit ederek genel problem çözme kapasitesi ve adaptif öğrenme becerisi gibi üst düzey bilişsel yeteneklerle donatılmış bir makine yaratmaktır.^[24] Bu hedef, yapay zeka araştırmalarının en temelinde yer alan soyut ve teorik amaçtır.^[25] Ancak, yapay genel zeka kavramının tanımı konusunda çeşitli disiplinlerden uzmanların farklı perspektifleri nedeniyle derin tartışmalar ve fikir ayrılıkları bulunmaktadır.^{[26], [27], [28]}

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Yapay Genel Zekayı Tanımlamanın Zorluğu

Yapay genel zeka geliştirmenin en öne çıkan zorluklarından biri, bir sistemin bilişsel kapasitesinin tutarlı bir şekilde ölçülmesini sağlayacak standartize edilmiş etkin değerlendirme araçlarının oluşturulmasıdır.^{[29], [30]} Bu türden ölçüm araçlarının geliştirilmesi, hem epistemolojik hem de teknik açıdan çeşitli karmaşıklıkları beraberinde getirir.^[26] Epistemolojik olarak, yapay genel zekanın kapsadığı bilişsel yetenekler için net bir çerçeve henüz bulunmamaktadır ve hangi bilişsel bileşenlerin temel olarak alınacağı ve yapay sistemlerde simüle edilebileceği gibi sorular henüz çözüme kavuşturulamamıştır.^{[31], [32]}

Teknik açıdan ise yapay genel zekanın gerçekleştirilmesi, şu ana kadar görülmemiş bir karmaşıklık düzeyinde modelleme yapmayı gerektirir.^[25] Karmaşık modellerin oluşturulması ve çalıştırılması için son derece yüksek hesaplama gücü ve güvenilir sonuçları garanti edecek doğrulama ve validasyon süreçleri gerekmektedir.^{[33], [34], [35]}

Bilgisayar bilimleri alanında zeka, genellikle hedef odaklı problem çözme becerisi olarak tanımlanırken, bilişsel bilimler ve sinirbilim gibi disiplinler ise zekayı daha çok çevreye adaptasyon ve hayatta kalma kabiliyetleri bağlamında ele almaktadır. Bu bağlamda, evrensel olarak kabul görmüş tek bir yapay genel zeka tanımı mevcut değildir.^[36] Yapay genel zeka araştırmacısı Peter Voss, yapay genel zekanın "özerk, hedef odaklı ve adaptif öğrenme yeteneğine sahip olması gerektiğini" ifade ederken; François Chollet, yapay genel zekayı "eğitim verilerinin ötesine geçerek yeni becerileri hızlı ve etkili biçimde öğrenebilme kapasitesine sahip sistem" olarak tanımlar.^{[37], [38]} Yapay genel zeka araştırmacısı Chollet'e göre zeka, spesifik görevlerdeki uzmanlık düzeyinden ziyade, yeni yetenekleri hızla öğrenebilme ve farklı bağlamlarda bu yetenekleri genelleyebilme yetisiyle ilgilidir.

Yapay Genel Zekanın Temel Özellikleri

Yapay genel zeka için yapılan tanımlamalar, alandaki kuramsal çeşitliliği yansıtarak farklı epistemolojik yaklaşımlar çerçevesinde şekillenmektedir.^{[39], [40]} Bununla birlikte, modern yapay zeka literatüründe öne çıkan genel görüş ise yapay genel zekanın; yalnızca belirli görevlerde yüksek performans sergileyebilen günümüz dar yapay zeka sistemlerinden temel bilişsel yetenekler açısından radikal biçimde ayrıldığı yönündedir.^{[41], [42]} Yapay genel zeka, bağlama duyarlı karar alma süreçleri, genelleştirme kapasitesi ve metabilişsel düzenleme becerileri aracılığıyla kendi varlığını sürdürebilecek denli esnek, özerk ve öz düzenleyici bir sistem mimarisine sahip olmalıdır.^[43] Aşağıda bu yapısal ve işlevsel özellikler, kavramsal düzlemde ele alınmaktadır:

Otonom Karar Alma Yetisi ve Yüksek Düzeyde Problem Çözme Otonomisi

Yapay genel zekanın öncül koşulu, belirsizlik içeren dinamik ortamlarda insan müdahalesi olmaksızın karar alabilme kapasitesidir.^[44] Bu bağlamda otonomi, yalnızca algoritmik işlem gücü değil; aynı zamanda bağlamsal belirsizlikler içerisinde değerli olan bilgiyi ayırt etme, bilgi boşluklarını belirleme ve amaçlara yönelik stratejik planlama gerçekleştirme becerisi olarak tanımlanmalıdır.^{[45], [46]}

Örneğin, küresel enerji piyasalarındaki çok değişkenli etkileşimleri analiz etmekle görevlendirilmiş bir yapay genel zeka sistemi, yalnızca verilerin işlenmesiyle yetinmemeli; aynı zamanda bu verilerin hangi epistemik bağlamda güvenilir olduğunu tayin edebilmeli, bilgi kaynakları arasında karşılaştırmalı değerlendirmeler yapabilmeli ve sistemik belirsizlikleri modelleyerek senaryo tabanlı karar matrisleri oluşturabilmelidir.^[47] Bu türden bir bilişsel özerklik, yapay genel zekayı salt deterministik bir karar makinesi olmaktan çıkararak, çevresiyle epistemik bir ilişki kurabilen özerk bir bilişsel eyleyici haline getirir.^[48]

Uyarlanabilirlik, Kavramsal Transfer ve Bağlamlar Arası Genelleştirme

İnsan zekasının evrimsel süreklilik içerisindeki ayırt edici niteliği olan transfer öğrenimi (İng: Transfer Learning") ve genelleme yapma kapasitesi, yapay genel zeka için temel bir bilişsel paradigma olarak öne çıkmaktadır.^[49] Bu bağlamda yapay genel zekanın, yalnızca spesifik görevlerde öğrenilmiş bilgileri uygulamakla kalmayıp, yapısal biçimde analoji kurarak bu bilgileri yeni bağlamlara aktarabilmesi ve uyarlayabilmesi gerekir.^[50]

Transfer öğrenimi, sadece teknik bir makine öğrenmesi protokolü değil; kavramsal temsillerin bağlamsal olarak yeniden kodlanması ve soyutlama yoluyla yeniden yorumlanmasıdır. Örneğin, çeşitli enstrümanlar üzerine eğitilmiş bir yapay genel zeka sisteminin, müzikal üretimin ardındaki akustik ve motor prensipleri çözümleyerek daha önce hiç karşılaşmadığı bir çalgıyı çalabilmesi beklenir.^[51] Benzer şekilde, bir dilde edinilmiş dilbilgisel yapıları başka bir dile genelleyebilen bir yapay genel zeka sisteminin, yapısal paralelliklerin yanı sıra semantik haritalamayı da kavramsal düzeyde başarması beklenir.^[52] Bu türden yüksek düzeyli adaptasyon, sistemin statik veri kümelerine bağımlılığını azaltır ve bilişsel esnekliğini artırır.^[53]

Metabilişsel Yetkinlik, İçsel Denetim ve Sistemik Öz Yönetim

Yapay genel zeka, yalnızca dış dünyayla etkileşime giren bir sistem olmaktan ziyade, kendi bilişsel süreçlerini gözlemleyip değerlendirebilen, dolayısıyla kendi bilişsel mimarisine dair içsel farkındalık geliştirebilen bir sistem olarak konumlandırılmalıdır.^[54] Metabilişsel kapasite, hataların teşhisinden strateji değişikliğine, performans değerlendirmesinden öğrenme süreçlerinin yeniden yapılandırılmasına kadar geniş bir yelpazede bilişsel öz denetimi mümkün kılar.^[55]

Bu çerçevede yapay genel zeka, harici hedeflere ek olarak kendi içsel mimarisine dair optimizasyon hedeflerine de yönelmelidir.^[56] Örneğin, DeepMind tarafından geliştirilen RoboCat modeli, bu vizyona örnek teşkil ederek yalnızca görevleri yerine getirmekle kalmayıp; kendi eğitim verisini sentezleyerek öğrenme sürecini otomatize etmiş ve bilişsel çevikliğini artırmıştır.^[57] Bir yapay genel zeka sisteminin kendi yazılım mimarisine müdahale ederek, modüler yeniden yapılandırma, algoritmik ayarlama ya da kaynak tahsisi gibi kararları otonom biçimde alması beklenebilir.^[58]

Ancak bu türden bir öz yönetim kapasitesi, sistemin insan öngörüsünü aşan nitelikte ileri değişiklikler yapabilme ihtimali nedeniyle denetlenebilirlik, hesap verebilirlik ve etik sorumluluk çerçevelerinde ciddi sorunlara yol açabilir.^[59] Dolayısıyla bu özellik, yalnızca teknik değil; normatif bir değerlendirme alanına da taşınması gereken önemli bir konudur.

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Yapay Genel Zeka ve Yapay Dar Zeka

Günümüz yapay zeka sistemleri, yapay dar zeka (İng: "Artificial Narrow Intelligence" veya kısaca "ANI") olarak sınıflandırılmaktadır.^[60] Şu anda mevcut olan çeşitli yapay zeka modellerinin hepsi birer yapay dar zeka örneğidir, henüz bir yapay genel zeka sistemi mevcut değildir.^[61] Günümüzdeki yapay zeka modelleri birçok işi yapabilse de, bunları bir insan kadar veya genel zeka olarak sınıflandırılacak bir başarı düzeyinde gerçekleştiremez.^[62]

Yapay Genel Zeka ve Güçlü Yapay Zeka

Yapay genel zeka, kimi zaman güçlü yapay zeka (İng: "strong AI") olarak da adlandırılır.^[63] Her ne kadar yapay genel zeka ile güçlü yapay zeka kavramsal olarak önemli ölçüde örtüşse de ve zaman zaman birbirlerinin yerine kullanılsalar da, her biri kendi başına farklı bir yapay zeka terimine karşılık gelir.^[64]

Filozof John Searle'ın çalışmalarında öne çıkan güçlü yapay zeka terimi, bilinç sergileyen bir yapay zeka sistemini ifade eder ve çoğunlukla zayıf yapay zekanın (İng: "weak AI") karşıt anlamlısı olarak kullanılır.^[17] Özünde zayıf yapay zeka, bilinçli bir zihin (yani bir insan) tarafından kullanılan bir araçken, güçlü yapay zekanın kendisi bilinçli bir zihine karşılık gelir. Bu bilincin, genellikle insana eşit veya üstün bir zekayı gerektirdiği ima edilse de güçlü yapay zeka terimi, genel zeka ile tam olarak ilgilenmez.

Zira, bu iki terim sıklıkla karıştırılır çünkü bilincin, genel zeka için bir ön koşul ya da sonuç olduğu varsayılır. Güçlü yapay zeka genellikle yapay genel zeka ile (ve zayıf yapay zeka ise yapay dar zeka ile) benzer olsa da, bunlar eş anlamlı değildir.^[65] Nihayetinde yapay genel zeka ve güçlü yapay zeka, birbirini tamamlayan ancak özü farklı olan terimleri tanımlar.

Yapay Genel Zeka ve Yapay Süper Zeka

Yapay süper zeka (İng: "Artificial Super Intelligence" veya kısaca"ASI"), adından da anlaşılacağı üzere, yetenekleri insanı çok aşan bir yapay zeka sistemini ifade eder.^[66] Genelde yapay süper zeka, yaratıcı problem çözme ve stratejik düşünme dahil bütün bilişsel görevlerde insan zekasını büyük oranlarda aşan kuramsal bir yapay zekaya karşılık gelir ve yapay genel zekanın evrimiyle ilişkilendirilir.^[67] Ancak bu terim, her zaman genel amaçlı bir yapay süper zeka için kullanılmaz. Hatta; yapay genel zeka, güçlü yapay zeka ve yapay süper zeka gibi birbirine benzeyen ama özünde ayrı şeyler olan üç yapay zeka formu arasında yapay süper zeka, şu anda başarılmış olan tek aşamadır. Bilimkurguda genellikle işlenen yapay süper zeka konseptinden farklı olarak, belirli bir görevde herhangi bir insanın performansını katbekat aşabilen süperzeki yapay dar zeka modelleri halihazırda bulunmaktadır.

Örneğin AlphaFold, bir amino asit dizisinden proteinin üç boyutlu yapısını ve katlanmalarını tahmin etmede tüm insan bilimcileri geride bırakmaktadır.^[68] IBM'in Deep Blue modeli, 1997 yılında dünya satranç şampiyonu Garry Kasparov'u bir satranç oyununda yenmiştir.^[69] Aynı şekilde IBM'in Watson modeli, 2013 yılında Jeopardy! adlı bir bilgi yarışmasında, yarışmanın şampiyonları Ken Jennings ve Brad Rutter'ı mağlup etmiştir.^[70] Bir diğer örnek ise, AlphaGo ve halefi AlphaZero modeli, 2016 ve 2017 yıllarında Go oyununda dünya şampiyonlarını yenmiştir.^{[71], [72]}

Bu gibi mevcut modeller, yapay süper zekadaki mevcut atılımları temsil etse de, yapay zeka sistemleri dar tanımlı alanlarının ötesinde yeni görevleri öğrenemediği veya problem çözme yeteneklerini genişletemediği için genel bir zekaya sahip değildir. Ayrıca, güçlü yapay zeka gibi yapay süper zekanın da yapay genel zeka için bir ön koşul olmadığını belirtmek gerekir. Teoride, insan kadar zeki ve bilinçli bir yapay zeka sistemi hem yapay genel zekayı hem de güçlü yapay zekayı (güçlü yapay genel zeka) temsil edebilir ancak henüz bir yapay süper zeka değildir.

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Yapay Genel Zekanın Tarihi

Yapay genel zeka, henüz bir terim olarak kullanılmaya başlanmasından çok önce, yapay zeka araştırmalarının ilk günlerinden beri kavramsal olarak aktif şekilde incelenmiştir. Yapay zeka kavramı, resmi olarak ilk kez 31 Ağustos 1955 tarihli bir belgede kullanılmıştır.^[73] Bu belgede, 1956 Dartmouth Yaz Dönemi Yapay Zeka Araştırma Projesi için bir çağrıda bulunulmuştur ve yapay zeka araştırmaları için bir yol haritası da çizilmiştir. Bu yol haritası şu şekildedir:^[74]

Yapay zeka araştırmaları, çalışma ile öğrenmenin her yönünün ya da zekanın diğer özelliklerinin bir makinenin simüle edebileceği şekilde kesin olarak tanımlanabileceği varsayımına dayanarak ilerleyecektir.

1956'dan bu yana gelişmekte olan yapay zeka alanı, kendi kendine düşünebilen makinelere giden yol haritasını oluşturmayı hedefledi. Bu hedefe yönelik çabalar, bir makineye kuralları ve mantığı semboller yoluyla programlayarak düşünmesini öğretme fikrine dayanıyordu. Bu yaklaşım, dar bir alanda uzman sistemlerin yaratılmasına olanak sağladı ancak bu sistemler programlanan bilginin ötesinde öğrenemiyorlardı. Bu sebeple sonraki süreçlerde, insan benzeri zekaya sahip makinelere doğru ilerleme hedefi belirsiz bir hal aldı.

1990'lı yıllara gelindiğinde, biyolojik nöronlardan esinlenen makine öğrenimi (İng: "Machine Learning") yöntemi yükselişe geçti. Katı kurallar yerine, yapay sinir katmanlarından oluşan sinir ağları, büyük veri kümeleri üzerinde eğitilerek çıktılarını adım adım iyileştirdi. 2012 yılında ise derin öğrenme (İng: "Deep Learning") yöntemi yükselişe geçti.^{[75], [76]} Derin öğrenme yöntemi ile grafik işlem birimleri (İng: "GPU") kullanılarak trilyonlarca parametreye sahip yapay sinir ağları geliştirilmeye başlandı. Derin öğrenme, ChatGPT gibi büyük dil modellerinin benzer görevlerde bilgi genelleyebilmesini sağlayan büyük bir hesaplama gücü artışına imkan verdi.^{[77], [78]}

Yıllar içerisinde, yapay zeka alanında satranç oynama, sağlık teşhisi, hava durumu tahmini veya otomobil sürme gibi tipik olarak insanlar için önemli zeka gerektiren spesifik görevleri yerine getirebilen bilgisayarların geliştirilmesinde büyük ilerlemeler kaydedildi. Ancak halen bu modeller, zekayı yalnızca spesifik bir görevde ve dar bir alanda sergileyebilmektedir.

Yapay Genel Zekanın Terimleştirilmesi

Yapay genel zeka kavramı, bir terim olarak ilk kez 2007 yılında yapay zeka araştırmacısı Ben Goertzel tarafından Shane Legg'in önermesinden yola çıkarak kullanıldı.^[79] Böylece Goertzel, Cassio Pennachin ile yazdığı aynı adlı popüler kitabında ("Artificial General Intelligence" ) yapay genel zekayı terimleştiren ilk isim oldu. Kitapta yapay genel zeka, şöyle tanımlandı:^[80]

Kabaca ifade etmek gerekirse yapay genel zeka, makul düzeyde öz farkındalık ve özerk kontrole sahip olan, çeşitli bağlamlarda karmaşık problemleri çözebilen ve oluşturulduğunda bilmediği yeni problemleri öğrenebilen ve çözebilen yapay zeka sistemidir.

Goertzel ve Pennachin, yapay genel zeka terimini "sıradan yapay zeka araştırmalarından" ayırmak amacıyla ortaya attı. 2007'de yapay zeka araştırmaları çok daha dar odaklıydı ve programlar yalnızca "kendi sınırlı bağlamlarında genelleme yapabiliyordu". Goertzel ve Pennachin, kitapta yapay genel zekanın mühendislik açısından zorlu olsa da bilimsel olarak mümkün olduğunu; tıpkı nanoteknoloji gibi "sadece bir mühendislik sorunu" olduğunu savundu.^[81]

Goertzel ve Pennachin, "insan zihninin ve dolayısıyla insan zekasının atomlardan oluşan bir yapı olduğunu ve doğru bir mühendislikle bilgisayar sistemlerinde yaratılabileceği" görüşünü ileri sürdü.^[82] Kitapta bilişsel psikoloji ve sinirbilim temelli iki temel yaklaşım öne çıktı:

1. Beyin Odaklı Yaklaşım: İnsan beyninin sinir hücrelerini yani nöronları modelleyerek zekanın ortaya çıkışını bilgisayarda simüle etmek.
2. Zihin Odaklı Yaklaşım: İnsan beyninin bilgi işleme yöntemlerini yazılım ile simüle etmek.

Ne var ki 2007'de hiç bahsedilmeyen derin öğrenme (Geoffrey Hinton, Yann LeCun ve Joshua Bengio'nun öncülük ettiği) yöntemi, 2012 yılında GPU'lar ve büyük veriyle (İng: "Big Data") birleşerek yapay zekada ana akım haline geldi.^[76]

O yıllarda, yapay zeka araştırmacıları Shane Legg ve Demis Hassabis, beyin ile makine öğrenimi arasındaki bağlantıları araştırarak yapay genel zeka geliştirmeyi hedefleyen ilk yapay zeka şirketi DeepMind'ı kurdu.^[83] Legg ve Hassabis, alandan uzmanların yanı sıra Peter Thiel gibi yatırımcıların da katıldığı 2010 Singularity Konferansı'nda şöyle söylediler:^[84]

Yapay genel zekaya ulaşmanın en iyi yolu, beyni algoritmik düzeyini taklit etmektir. Beynin problem çözme yöntemlerini bilgisayarlara aktarmalıyız.

Yapay Genel Zekanın Mevcut Tanımları

Yapay genel zeka için farklı birçok değerlendirme ölçütü öne sürülmüştür. Bu tanımlamalar, genellikle belirli algoritmik yöntemler yerine makine zekasının soyut kavramına odaklanır. En ünlü erken dönem değerlendirme ölçütü Turing Testi, bir makinenin insan konuşmasını ikna edici şekilde taklit edip edemeyeceğini ölçüyordu. Ancak ChatGPT ve Claude gibi gelişmiş büyük dil modelleri bu testi geçebildiğinden, birçok araştırmacı klasik Turing Testi'nin artık geçersiz olduğunu düşünmektedir.^[85] ARC-AGI gibi daha yeni değerlendirme ölçütleri, yapay zeka sistemlerinin eğitim verilerinin ötesinde genelleme yeteneği gösterip gösteremediğine odaklanmaktadır.^{[86], [87]}

2023 yılında Google DeepMind tarafından yayımlanan bir makalede, mevcut akademik literatür incelenmiş ve yapay genel zekayı tanımlamak için kullanılan çeşitli çerçeve kategoriler belirlenmiştir.^[88] Bu kategoriler şu şekildedir:

• Turing Testini Geçen Sistemler
• Bilinçli Sistemler
• İnsan Beynini Taklit Eden Sistemler
• İnsan Seviyesinde Bilişsel Performans Gösteren Sistemler
• Yeni Görevleri Öğrenen ve Adapte Olan Sistemler
• Ekonomik Değer Üreten Sistemler
• Esnek ve Genel Yetenekler Sergileyen Sistemler
• Açık Uçlu ve Çok Adımlı Karmaşık Görevleri Başaran Sistemler

Turing Testini Geçen Sistemler

Teorik bilgisayar bilimi tarihinin önemli ismi ve yapay zekanın kurucu babası Alan Turing, 1950 yılında yayımlanan bir makalesinde makine zekasının en erken ve etkili tanımlarından birini ortaya koymuştur.^[89] Turing'in makaledeki argümanının özünde, zekanın "mistik" felsefi nitelikler yerine davranışla tanımlanabileceği fikri yatmaktaydı. "Makine" ve "düşünme" gibi kavramları netleştirmenin zorluğunu kabul eden Turing, Taklit Oyunu (İng: "Imitation Game") adlı bir parti oyununa dayanan basit bir çözüm önerdi.

Turing Testi basittir: Bir insan gözlemci, metin örneklerini okuyarak bunların insan mı yoksa makine tarafından mı üretildiğini belirlemelidir. Turing; bir insanın, programın çıktısı ile başka bir insanın çıktısını ayırt edememesi durumunda, programın insan benzeri zeka sergileyebildiği anlamına geleceğini öne sürdü.

Ne var ki, Turing Testi'ne önemli eleştiriler de getirilmiştir. Temel sağlayan etkisine rağmen, günümüzde bilgisayar bilimcileri Turing Testi'ni yapay genel zeka için yeterli bir ölçüt olarak görmemektedir.^{[85], [90]} Bilgisayar bilimcilerinin çoğu için Turing Testi, makinelerin düşünme yeteneğini kanıtlamaktan ziyade "insanları ne kadar kolay kandırılabileceğine" dayanmaktadır.^[91]

Örneğin, 1966 yılında Joseph Weizenbaum, kullanıcı girdisini basit kurallarla sohbet botu yanıtlarına dönüştüren "DOCTOR ELIZA" adlı bir sohbet programı yaratmıştır. Tasarladığı ilk program olan bu "doktor", psikoterapist Rogerion'ı taklit ederek genel yanıtlar veriyor veya kullanıcı girdisini soru şeklinde yeniden ifade ediyordu:^[92]

• İnsan: Erkek arkadaşım beni buraya getirdi.
• ELIZA: Erkek arkadaşın mı seni buraya getirdi?
• İnsan: Zamanımın çoğunda depresyonda olduğumu söylüyor.
• ELIZA: Depresyonda olduğunu duyduğuma üzüldüm.
• İnsan: Evet. Mutsuzum.
• ELIZA: Buraya gelmek mutsuz olmamanız için yardımcı olacak mı?
• ...

Weizenbaum, 1976 yılında yayımlanan "Computer Power and Human Reason" adlı eserinde, "İnsanların DOCTOR ile konuşurken ne kadar çabuk ve derinden duygusal bağ kurduğuna ve bilgisayarı nasıl insanlaştırdığına" şaşırdığını belirtti.^[93] Hatta, aylarca program üzerinde çalıştığını gören ve durumdan haberdar olan sekreterinin bile, ELIZA ile konuşmaya başladığında mahremiyet için ondan odadan çıkmasını istediğini aktardı.^[94] Bu fenomen, zaman içerisinde "ELIZA Etkisi" (İng: "ELIZA Effect") olarak adlandırıldı.^[95]

Bilinçli Sistemler

Bir diğer önerilen tanım, yapay genel zeka için daha yüksek bir standart belirler: bilince sahip bir yapay zeka sistemi. Searle, bunu şöyle ifade eder:^[17]

Güçlü yapay zeka tanımına göre bilgisayar, zihin çalışmalarında yalnızca bir araç değil; uygun şekilde programlanırsa gerçek bir zihindir.

Searle, 1980 yılında Turing Testi'nin güçlü yapay zekayı kanıtlamaya yeterli olmadığına dair felsefi bir itiraz içeren çalışma kaleme aldı.^[17] Searle, çalışmasında Çince'den hiç anlamayan bir İngilizce konuşurun, Çince semboller ve bu sembolleri kullanma klavuzu işlevi gören talimatlarla dolu bir odada kilitli olduğu bir senaryo tasvir eder.^[96] Bu tasvirde, İngilizce konuşur, yalnızca verilen talimatları izleyerek sembolleri kullanabilir ancak ne karşısındakinin mesajlarını ne de kendi yanıtlarını anlayabilir. Talimatları takip etme becerisinin, gözlemciyi o modelin anladığına inandırabileceğini ileri sürer. Bu, Çin Odası Argümanı (İng: "The Chinese Room Argument") olarak bilinir.^[97]

Çin Odası Argümanı etrafındaki onlarca yıllık tartışmalar, "anlama"nın tanımı ve bir bilgisayar programının buna sahip olup olamayacağı konusunda bilimsel bir mutabakat olmadığını gösterir.^[98] Bu anlaşmazlık ve bilincin insan zekasına benzer bir performans için gerekli olmayabileceği ihtimali, güçlü yapay zekanın yani bilinçli bir yapay zekanın tek başına yapay genel zekayı tanımlamak için pratik bir çerçeve olmasını engeller.^[99]

İnsan Beynini Taklit Eden Sistemler

Bu yaklaşım, bildiğimiz kadarıyla yalnızca insan beyni tarafından başarılmış zeka türünü kopyalamayı hedefler.^[100] Bu sezgisel yaklaşım, yapay sinir ağlarını ve ardından yapay zekanın neredeyse her alt alanında en gelişmiş modelleri temsil eden çeşitli derin öğrenme modellerini doğurmuştur.^{[101], [102]}

Derin öğrenmeli yapay sinir ağlarının, özellikle de üretken yapay zekanın ön saflarında yer alan büyük dil modelleri ve çoklu modalite (İng: "multi-modal") sistemlerin başarısı, insan beyninden ilham alan yapay nöron ağlarının işlevsel olduğunu gösterir. Ancak günümüzdeki en yetenekli derin öğrenme modellerinin çoğu, beyin benzeri yapıları taklit etmeyen dönüştürücü (İng: "Transformer") tabanlı mimariler kullanır.^[77] Bu, bazı araştırmacılara yapay genel zekaya ulaşmak için insan beynini açıkça taklit etmenin gerekli olmayabileceğini düşündürmektedir.^[103]

İnsan Seviyesinde Bilişsel Performans Gösteren Sistemler

Daha bütünsel bir yaklaşım, yapay genel zekayı insanların yapabildiği tüm bilişsel görevleri gerçekleştirebilen bir yapay zeka sistemi olarak tanımlamaktır.^[104] Bu tanım, esnek ve sezgisel olsa da yine de belirsizdir: Hangi görevler? Hangi insanlar?^[86] Tanımdaki bu belirsizlik, yapay genel zeka için ortak bir çerçeve sunmasını ve pratik kullanımını sınırlar.

Bu çerçevenin en dikkat çeken katkısı, yapay genel zekanın odak noktasını fiziksel olmayan görevlerle sınırlamasıdır. Bu, genellikle "fiziksel zeka"nın bir göstergesi olarak kabul edilen alet kullanma, hareket etme veya nesneleri manipüle etme gibi yetenekleri dışlar.^[105] Böylece yapay genel zeka gelişimi için robotikteki ilerlemeler bir ön koşul olmaktan çıkararak, yazılım ön plana yerleşir.

Yeni Görevleri Öğrenen ve Adapte Olan Sistemler

Yapay genel zekaya ve zekanın kendisine dair diğer bir sezgisel yaklaşım, öğrenme yeteneğidir: Özellikle de insanların öğrenebildiği kadar geniş bir görev ve kavram yelpazesini öğrenebilme becerisi. Bu yaklaşım, Turing'in dile getirmiş olduğu kavram olan bir "çocuk yapay zekayı", ona "hazır bir yetişkin zihni" vermek yerine, öğrenmesi için eğitmek fikriyle örtüşür.^[106]

Bu yaklaşım, modelleri belirli bir görev için eğiten yapay dar zeka araştırmaları ile çelişir. Örneğin, yeni görevlerde az örnekle (İng: "few-shot") ve hatta hiç örnek olmadan (İng: "zero-shot") öğrenme yeteneği sergileyen GPT-4 ve GPT-5 gibi bir büyük dil modeli bile, aslında bir dizideki sonraki kelimeyi otoregresif şekilde tahmin etmeyle ve buna yakın olan işlevlerle sınırlı kalır.^{[78], [107], [108], [109]}

En gelişmiş çoklu modalite yapay zeka sistemleri; doğal dil işleme (İng: "Natural Language Processing" veya kısaca "NLP"), bilgisayar görüşü (İng: "Computer Vision") ve konuşma tanıma (İng: "Speech Recognition") gibi görevler gerçekleştirebilir ancak bu çeşitli görevlere rağmen, halen eğitim veri kümelerindeki sınırlı temel becerilerle kısıtlıdır. Örneğin, ChatGPT gibi modeller otonom araç yönetiminde kullanılamaz.^[105] Gerçek bir yapay genel zeka, yeni deneyimlerden gerçek zamanlı öğrenmelidir.^[110] Bu, insan çocukları ve birçok hayvan türü için sıradan bir beceridir. Yapay zeka araştırmacısı Pei Wang, bu çerçevede kullanışlı bir makine zekası tanımı sunar:^[111]

Yapay genel zeka, bir bilgi işleme sisteminin, yetersiz bilgi ve kaynaklarla çevresine uyum sağlama yeteneğidir.

Ekonomik Değer Üreten Sistemler

2022 yılında, ChatGPT'nin ilk lansmanıyla (GPT-3) üretken yapay zeka devrimini başlatan yapay zeka şirketi OpenAI, şirket tüzüğünde yapay genel zekayı "insanları ekonomik açıdan değerli çoğu işte geride bırakan yüksek özerklikteki sistemler" olarak tanımlar.^[9] OpenAI, DeepMind gibi yapay genel zeka geliştirme amacıyla kurulan ilk şirketlerdendir.

Bu tanım, sanatsal yaratıcılık veya duygusal zeka gibi ekonomik değeri tanımlanması zor olan insan zekası unsurlarını dışlar. Zekanın bu yönleri de dolaylı yollardan ekonomik değer üretebilir; örneğin kârlı filmlere yol verebilen yaratıcılık veya psikoterapi yapan makinelere güç veren duygusal zeka gibi.

Ayrıca, ekonomik değer odaklı bir tanım, yapay genel zekanın yeteneklerinin yalnızca gerçek dünyada konuşlandırıldığında ölçülebileceğini ima eder. Bu durumda bir yapay zeka sistemi, insanlarla zeka bakımından gerçekten yarışabiliyor olsa ancak yasal, etik veya sosyal nedenlerle uygulanması mümkün olmazsa, bu ekonomik değer üretme tanımına göre o modelin insanları yine de "geride bıraktığı" ve yapay genel zeka olduğu söylenebilir mi? OpenAI'ın yaklaşımı, bu soruya cevap vermez. Bu açıdan, tanım yetersiz kalır.

Esnek ve Genel Yetenekler Sergileyen Sistemler

Psikolog, bilişsel bilimci ve yapay zeka araştırmacısı Gary Marcus, yapay genel zekayı "esnek ve genel, insan zekasıyla karşılaştırılabilir veya üstün beceri ve güvenilirliğe sahip herhangi bir zeka" olarak tanımlamıştır.^[112] Marcus, yeni görevleri öğrenmek ve adapte olmak çerçevesinin pratik bir uygulamasına benzer şekilde, bu uyum yeteneğini ve genel yeterliliği göstermek için bir dizi kıyaslama görevi de önermiştir.

Yapay genel zekanın bu şekilde ölçülebilir hale getirilmesi, bir düşünce deneyini anımsatır: "Bir bilgisayar, bir fincan kahve yapabilir mi?" Bu düşünce deneyi, görünüşte basit olan bu görevin aslında karmaşık olduğunu belirtir: Yürüyebilmek, mutfağı bir ortam olarak tanımak, kahve makinesi veya kahvenin neye benzediğini bilmek, çekmeceler ve dolaplarla etkileşmek gerekir. Kısacası, bir insan bir fincan kahve yapmak için geçmiş deneyiminden yararlanır ve yapay genel zeka için de bu beklenmelidir.^[113] Marcus, bir yapay zeka sistemi tarafından gerçekleştirildiğinde yapay genel zekaya ulaşıldığını gösterebilecek 5 ölçüt görevi önerdi:^[114]

1. Bir film izleyip filmdeki karakterleri, bu karakterin çatışmalarını ve motivasyonlarını anlamak
2. Bir roman okuyup romanın olay örgüsünü, karakterlerini, karakterlerin çatışmalarını ve motivasyonları hakkında roman metninin ötesinde, içgörüye dayanarak romana dair verilen soruları güvenilir şekilde yanıtlamak.
3. Herhangi bir mutfakta yetkin bir aşçı olarak çalışmak (Kahve ölçütüne benzer).
4. Var olan kod kütüphanelerden kod parçaları eklemeksizin, doğal dil talimatlarından hatasız olarak 10 bin satır özgün kod üretmek.
5. Doğal dildeki matematiksel ispatları sembolik forma dönüştürmek.

Bu görev odaklı çerçeve, yapay genel zeka değerlendirme ölçütünde çok ihtiyaç duyulan nesnelliği getirse de, bu özel görevlerin insan zekasının tümünü kapsayıp kapsamadığı konusunda fikir birliği sağlamak halen zor kalır.^{[115], [116]} Örneğin, üçüncü görev olan yetkin aşçılık, robotiği ve dolayısıyla fiziksel zekayı yapay genel zeka için gerekli bir parça olarak şart koşar.

Açık Uçlu ve Çok Adımlı Karmaşık Görevleri Başaran Sistemler

2023 yılında, Microsoft AI CEO'su ve Google DeepMind'ın kurucu ortağı Mustafa Süleyman; gerçek dünyada karmaşık, açık uçlu ve çok adımlı görevleri başarabilen yapay zeka sistemlerini tanımlamak için yapay yetkin zeka (İng: "Artificial Capable Intelligence" veya kısaca"ACI") kavramını önermiştir. Daha spesifik olarak, bir yapay zekaya 100 bin dolar başlangıç sermayesi verip bunu 1 milyon dolara katlamasının istendiği bir "Modern Turing Testi" ileri sürmüştür.^[117] Genel olarak bu ölçüt, OpenAI'ın ekonomik değer kavramını Marcus'un esneklik ve genel zeka odak alınarak harmanlar.

Bu ölçüt, gerçek beceri ve disiplinlerarası yetkinliği ölçse de, zekayı belirli bir ekonomik çıktı türü olarak pratikte aşırı derecede dar bir çerçeve sunar. Ayrıca, yalnızca kâra odaklanmak, önemli hizalama ve etik riskleri de beraberinde getirerek varoluşsal risk doğurur.^[118]

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Yapay Genel Zekanın Tanımı İçin Genel Bir Çerçeve Belirlemek

Yapay genel zeka terimi 2007'de ilk kez öne sürüldükten 17 yıl sonra, 16 Nisan 2024'te, yapay genel zekanın ne olduğuna bir açıklık getirmek isteyen yapay zeka araştırmacısı Bowen Xu'nun, "Yapay Genel Zeka ile Kastedilen Nedir? Yapay Genel Zekanın Tanımı Üzerine" (İng: "What is Meant by AGI? On the Definition of Artificial General Intelligence") başlıklı bir makalesi yayımlandı.^[19] Xu, makalesinde yapay genel zekanın tanımının yalnızca terminolojik değil, aynı zamanda metodolojik ve felsefi olarak da yapay genel zeka araştırmalarının temelini oluşturduğunu vurgulamaktadır. Yapay genel zekanın tanımına dair belirsizliklerin, bu alandaki "yapay genel zeka mümkün mü?", "yapay genel zeka nasıl geliştirilebilir?", "Bir sistem gerçekten yapay genel zeka mı?" gibi önemli soruların tatmin edici şekilde yanıtlanmasını zorlaştırdığını belirtmektedir.

Bu sebeple makale, yapay genel zekanın tanımını netleştirmeyi ve araştırma komünitesinde asgari bir konsensüs ve terimin kullanımında ortak bir referans noktası oluşturmayı hedefler. Makalede, yapay genel zeka alanındaki neredeyse bütün tartışmaların merkezinde zekanın (𝒫 ) ne olduğu ve genel zekanın (𝐺 ) nasıl tanımlanacağı sorularının yattığı savunulur. Xu, yapay genel zeka teriminin tanımının belirsiz kalmasının, özellikle de "genel" ve "zeka" bileşenlerinin farklı ekoller tarafından değişik biçimlerde ele alınmasının hem araştırma programını bulanıklaştırdığını hem de ileride çıkacak uygulamalarda kavramsal kargaşaya yol açacağını öne sürer.

Bunun için Xu; yapay genel zekanın temel niteliklerini açık ortamlara adaptasyon yeteneği ve sınırlı kaynaklarla çalışma üzerinden tanımlarken, zekayı oluşturan belirli bilişsel soyutlama becerileri gibi tartışmalı unsurları bir prensipler kümesinde (𝒫 𝐺 ) ele alır. Makalede yapay genel zekanın felsefi temelleri, mevcut tanımları eleştirel bir şekilde analiz edilmekte ve yapay genel zeka için güçlü bir çerçeve ortaya konmaktadır.

Temel Aksiyomlar

Xu, zekanın tanımının tarihsel ve disiplinlerarası çeşitliliğine dikkat çeker. Şimdiye kadar zeka; (1) beynin ürünü olarak ortaya çıkma, (2) karmaşık davranışlarla tezahür etme, (3) problem çözme yetisi, (4) bilişsel işlevlerin toplamı ve (5) çevreye öğrenme ile uyum sağlama gibi farklı açılardan değerlendirilmiştir. Bu tanımların hiçbiri mutlak doğru değildir; her biri gözleme dayalı farklı soyutlamalara karşılık gelir. Bu bağlamda, makalede iki temel aksiyom ortaya konmaktadır:

Aksiyom 1: Adaptasyon

Bir sistemin zeki sayılabilmesi için çevresine öğrenerek uyum sağlaması gerekir. Örneğin, bir insan veya mikroorganizma öğrenerek adapte olabildiği için zekidir ancak bir hesap makinesi değildir.

Aksiyom 2: Sınırlı Bilişsel Kaynaklar

Gerçek dünyada zeki sistemler, sınırlı hesaplama kaynakları (bellek, işlem hızı) ile çalışır. Bu, unutma süreçlerini ve kaynak optimizasyonunu zekanın temel bileşenleri yapar. Turing'in "sonsuz belleğe sahip ideal bilgisayar" varsayımları pratikte işlemez; keza, büyük dil modelleri bile bağlamsal uzunluk ve donanımla kısıtlıdır. Kaynak sınırlılığı, "unutma" mekanizmasının teorik gerekliliğine işaret eder.

Bu aksiyomlar, hem pratik gözlemlere hem de yapay genel zekanın gelecekteki tasarımlarına yönelik mantıksal zorunluluklara dayanır. İnsan gibi zeki varlıkların sınırlı kaynaklarla başarılı zeka davranışları sergileyebildiği göz önüne alındığında, bu aksiyomlar güçlü bir teorik temel sunar.

Ek Aksiyomlar

Algılama, akıl yürütme, planlama gibi bilişsel süreçler dahil edilmek istense de Xu, bunların tartışmalı yönler olduğunu belirterek tanımı sade tutar: Öğrenme ve kaynak sınırlılığı vazgeçilmezdir, diğer prensipler (bilişsel süreçler) ise yapılandırılabilir bir alan olarak kalır.

Temel Tanımlar

Zeka

Xu, zekayı "sınırlı bilişsel kaynaklarla ortama öğrenmeyle adapte olma yeteneği veya bu yeteneği açıklayan prensipler kümesi" olarak tanımlar. Geleneksel makine öğrenimi sistemleri bu tanıma uyar.

Bu tanım, Pei Wang'ın yetersiz bilgi ve kaynaklar vurgusunu temel alır ancak "yetersizlik" yerine "sınırlılık" terimi tercih edilerek daha geniş bir kapsam sunulur. Önemli bir ayrım noktası, bir sistemin yalnızca karmaşık problemleri çözme yetisinin zeka anlamına gelmediğidir; Xu'ya göre esas zeka, bu problemleri öğrenme yoluyla çözme kapasitesinde ortaya çıkar. Kaba hesaplama gücüne (İng: "brute-force") dayalı algoritmalar bu nedenle zeki olarak kabul edilmezken, yapay sinir ağları gibi öğrenme temelli modeller zeki olarak sınıflandırılır.

Genel Zeka

Xu, genel zekayı "açık çevrelere yani sınırları önceden tanımlanmamış, dolayısıyla geçmiş deneyimlerle uyumsuz durumları içeren belirsiz ortamlara öğrenmeyle adapte olma yeteneği" olarak tanımlar. Bu bağlamda zeka, hem karşılaşılan değişken çevresel koşullara tepki verebilmeyi, hem de çözümü önceden tanımlanmamış problemlerle başa çıkabilmeyi gerektirir. Bu açıdan genel zeka, geleneksel yapay zekadan ayrılır.

Buradaki açık çevre (İng: "Open Environment") kavramı, önceden belirlenmemiş ve dinamik olan ortamlara işaret eder. Bu yaklaşım, problem çözme kabiliyetinin genel zeka için tek başına yeterli olmadığını; bunun arkasındaki öğrenmeye dayalı adaptif sürecin belirleyici bir unsur olduğunu savunur.

Yapay Genel Zeka (AGI)

Xu, yapay genel zekayı "açık ortamlara öğrenerek adapte olabilen, sınırlı kaynaklarla çalışan ve belirli prensipleri karşılayan yapay bir sistem" olarak tanımlar. Bu tanım, yapay genel zekanın özel amaçlı değil; genel amaçlı ve bağımsız bir şekilde bilgi edinip karar alabilen bir sistem olması gerektiğini vurgular. Buradaki "belirli prensipler", araştırmacılar arasında halen tartışmalı olan fakat önemli işlevsel bileşenleri içeren bilişsel soyutlama düzeylerine karşılık gelir. Bu prensipler; psikolojik, sinirbilimsel ya da bilgisayar bilimsel perspektiflerle tanımlanabilir.

Xu, buna ilişkin olarak problem çözme odaklı yapay genel zeka tanımlarının öğrenme süreci ve adaptasyon kapasitesini ihmal ettiğini ve bu durumun eski yapay zeka yaklaşımlarına geri dönüş riski taşıdığını savunur.

Önemli Vurgular ve Tartışmalı Noktalar

Adaptasyonun Rolü

Yapay genel zekanın temel koşulu, problem çözme becerisi değil; öğrenerek uyum sağlama sürecidir. Örneğin, bir makine öğrenimi modeli eğitim aşamasında zeka sergilerken, test aşamasında (öğrenmeli adaptasyon olmadan) zeka göstermez.

Açık Ortam

Yapay genel zeka, önceden tanımlanmamış problemleri çözebilmeli ve dinamik ortamlara uyum sağlamalıdır.

Prensiplerin Belirsizliği

Yapay genel zekanın bilişsel işlevleri ve sinirbilimsel mekanizmaları gibi prensipler, sinirbilim ve bilgisayar bilimi disiplinlerine göre farklılık gösterir. Sinirbilimde STDP gibi öğrenme yasaları; bilgisayar biliminde MCTS gibi arama stratejileri; psikolojide gerçek zamanlılık gibi prensipler, bu kümenin muhtemel öğeleri arasında tartışılır. Bu perspektif farklılığı, yapay genel zekanın tanımındaki tartışmaların da kaynağını oluşturur. Makalede bu prensiplerin ne olduğuna yönelik tartışmalar geleceğe bırakılır.

Problem Çözme Yeteneğinin Tek Başına Yetersizliği

Bir makine problemi iki şekilde çözebilir: İnsanın kodladığı çözümü çalıştırmak veya çözüm prosedürünü kendisi keşfetmek. İkinci yol öğrenme içerdiği için zeka sergiler; ilk yol ise salt uygulamadır ve zeka sergilemez. Tipik makine öğrenimi modelleri eğitim evrelerinde zeki davranırken, test evresinde sabit kalıp zeka dışı biçimde işleyebilir. Dolayısıyla yapay genel zeka için bir problemin çözülebilmesi yeterli değildir, öğrenme süreci esastır.

Yapaylık ve Biyobilgisayarların Belirsizliği

Xu, dört farklı bilgi hesaplama sistemi uygulama yolu listeler: (1) Klasik Von Neumann bilgisayarları, (2) heterojen mimariler (GPU, FPGA, analog), (3) kuantum bilgisayarlar, (4) biyolojik bilgisayarlar. Biyolojik sistemlerle üretilen bilgisayarlar ve klonlama gibi teknolojilerin, "yapay" sayılıp sayılmayacağı belirsizdir. Makale, biyoteknolojiye dayanan yapay zeka sistemlerini dışarıda bırakarak geleneksel bilgisayar tabanlı sistemlere odaklanır.

Çerçeveye Dair Genel Değerlendirme

Tanımlardaki belirsizlikler (örneğin, prensiplerin içeriği) gelecek tartışmalara bırakılırken, sınırlı kaynaklar ve öğrenme ve adaptasyon gibi temel unsurlara bağlı kalınmalıdır. Yapay genel zekanın nihai hedefi, insan zekasını anlamak ve gerçek anlamda zeki, düşünen makineler yaratmak olmalıdır. Ayrıca gelecek çalışmalar, yapay genel zeka prensiplerinin içeriği ve açık çevrelerdeki uyum mekanizmaları üzerine yoğunlaşmalıdır.

Xu'nun iki aksiyomu ve dört tanımı, (i) problem çözme odaklı dar yaklaşımlar (GOFAI, uzman sistemler) ile (ii) yüksek parametrik makine öğrenimi modellerini tek çatı altında kavramsallaştırır; (iii) unutma ve özetleme gibi bilişsel süreçleri kaynak sınırlılığı ışığında araştırma gündemine taşır ve (iv) yapay genel zeka güvenliği ve etiği tartışmalarına "öğrenen, kaynak kısıtlı, prensip tabanlı" bir tasarım bakış açısı sunar.

Xu, bu makalenin amacının tamamen yeni bir tanım getirmek olmadığını, mevcut tanımları sentezleyerek araştırmacılar için asgari bir referans çerçevesi oluşturmak olduğunu belirtir. Makalede, özellikle "açık çevrelere öğrenmeli adaptasyon" ve "sınırlı kaynaklarla çalışma" koşulları net biçimde belirtilerek, problem çözme becerisi ile gerçek zekayı birbirinden ayırmak gerektiği savunulur.

Xu'nun çalışması, yapay genel zeka araştırmalarının felsefi ve metodolojik temellerine ışık tutarak zekanın ne olduğuna ve nasıl tanımlanması gerektiğine dair titiz bir yaklaşım sergilemektedir. Xu, farklı problemler için farklı zeka türleri varsaymak yerine, tüm çözümlerin değişmeyen bir "öğrenme ve "uyum" meta kabiliyetinden doğduğu tezini öne çıkarır. Zekayı sadece sonuçlara değil; sürece ve özellikle öğrenmeye ve çevresel uyuma bağlayarak gelecekteki yapay zeka sistemlerinin nasıl geliştirileceğine dair kapsamlı ve bütüncül bir çerçeve sunmaktadır. Xu'nun tanımlar arasında bir ayrım yapmak yerine bunları birleştirmeyi amaçlayan bu yaklaşımı, disiplinlerarası diyalog ve kavramsal tutarlılık sunması açısından değerli bir katkı niteliğindedir.

Kısaca, Xu için yapay genel zekanın yaratılmasında nihai hedef, adından bağımsız olarak "düşünebilen makineler" inşa etmektir. Xu, makalede netleştirilen uyum ve kaynak sınırlılığı eksenleri dikkate alındığında, yapay genel zeka çağına yaklaşımın hızlanacağını öngörmektedir. Böylece gelecekte genel sıfatına duyulan ihtiyaç dahi ortadan kalkabilir; zira zekanın, doğası gereği "genel" olduğu evrensel olarak kabul görecektir.

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Büyük Dil Modelleri Çoktan Yapay Genel Zekaya Ulaşmış Olabilir mi?

Mevcut modeller insan benzeri akıl yürütmede halen yetersiz olsalar da Aralık 2024'te OpenAI'ın o3 preview modeli, ARC-AGI Testinde %88 ile çığır açan sonuçlar elde etmiş ve araştırmacılar arasında yapay genel zekanın uygulanabilirliği tartışmalarını alevlendirmiştir.^{[119], [120]} Ancak araştırmacılar, modelin kamuya açık test örnekleriyle yoğun bir ön eğitimden geçirildiğini ve aldığı puanı elde etmek için büyük bir kaba hesaplama gücü kullandığını söylemektedir.^{[121], [122]} Ayrıca, ARC-AGI Testinin yaratıcısı olan yapay zeka araştırmacısı François Chollet de düşük kaynaklı bazı modellerin %81'e kadar puan aldığını, o3 preview modelinin başarısının gerçek genel zekadan ziyade kaba kuvvet hesaplamaya dayandığını ifade ederek modelin bir yapay genel zeka olmadığını ifade etmiştir.^{[123], [124]}

Keza, test geliştiricisi organizasyon olan ARC Prize Foundation tarafından yapılan Nisan 2025 tarihli son analiz, OpenAI'ın piyasaya sürülen o3 modelinin, daha önce test edilen o3 preview sürümüne kıyasla standartlaştırılmış akıl yürütme ölçeklerinde belirgin şekilde daha zayıf sonuçlar verdiğini; modelin yalnızca %41-%53 arasında bir skor alabildiğini ortaya koymuştur.^[125] ARC Prize Foundation, bu durumun modelin mimarisinde ve eğitim verilerinde yapılan değişikliklerden kaynaklanabileceğini belirtmektedir.^{[120], [126]} Bununla birlikte ChatGPT modelleri, geliştirilmiş sürüm olan yeni ARC-AGI-2 Testinden en yüksek %3 oranında bir skor elde edebilmiştir. Kıyas olması bakımından, testteki insan skor ortalaması %60'tır.^{[127], [128]}

Öte yandan, Peter Norvig gibi bazı yapay zeka araştırmacıları, Meta'nın Llama modeli, OpenAI'ın ChatGPT modeli ve Anthropic'in Claude modeli gibi gelişmiş büyük dil modellerinin yapay genel zekaya ulaştığı görüşündedir. Bu araştırmacılar, genelliğin yapay genel zekanın temel unsuru olduğunu ve günümüz modellerinin geniş bir konu yelpazesini tartışabildiğini, çeşitli görevler gerçekleştirebildiğini ve çoklu modalite girdilerini işleyebildiğini öne sürmektedir:^[129]

Genel zeka, çok boyutlu bir puan kartıyla düşünülmeli; tek bir evet ya da hayır önermesi olarak düşünülmemelidir.

Tahmin edilebileceği üzere, bu görüşe karşı çıkan birçok araştırmacı mevcuttur. DeepMind makalesinin yazarları, genelliğin tek başına yapay genel zekayı nitelemediğini savunmaktadır. Yapay genel zeka, belirli bir performans seviyesiyle eşleşmelidir. Örneğin, büyük bir dil modeli kod yazabilmekte ancak bu kod güvenilirlik kriterini karşılamıyorsa, bu genellik henüz yeterli performansta değildir.

Meta'nın baş yapay zeka bilimcisi Yann LeCun, büyük dil modellerinin genel zekadan yoksun olduğunu çünkü bir sağduyuları olmadığını belirtir.^{[130], [131], [132]} Büyük dil modelleri, harekete geçmeden önce düşünemezler, gerçek dünyada eylem gerçekleştiremezler, somut deneyimle öğrenemezler ve kalıcı bellek ile hiyerarşik planlama yapamazlar.^[133] Daha temel düzeyde LeCun ve Jacob Browning, bunu şöyle ifade etmektedir:^[134]

Yalnızca dil üzerine eğitilen bir sistem, evrenin ısı ölümüne kadar eğitilecek olsa bile insan zekasını asla yakalayamayacaktır.

Mevcut Yapay Zeka ile Yapay Genel Zeka Arasındaki Ayrımı Anlamak

Yapay zeka, her biri benzersiz yeteneklere ve özel uygulamalara sahip geniş bir teknoloji yelpazesini kapsar. Yapay zeka, spesifik alanlardaki görevlerde insanlardan daha iyi performans gösteren, dar alanlarda uzmanlaşmış bir sistemdir. Günümüzde, çoğu kişinin aşina olduğu yapay zeka, yapay dar zeka veya zayıf yapay zeka olarak adlandırılmaktadır.^[135] Yapay zeka, sınırlı yeteneklerine rağmen oldukça başarılı bir gelişim göstermiştir. Yapay dar zeka iki alt kategoriye ayrılır.^[136] Bunlar kısaca şu şekildedir:^[137]

1. Tepkisel makineler: Anlık isteklere yanıt veren yapay zeka sistemleridir. Bu sistemler, veri depolayamaz veya geçmiş deneyimlerden öğrenemez.
2. Sınırlı bellekli makineler: Bilgi depolayan ve yeni verilerle karşılaştıkça öğrenen yapay zeka sistemleridir.

Yapay zeka, günlük yaşamlarımızın gittikçe ayrılmaz bir parçası olmaktadır. Bazı yerleşik yapay zeka örnekleri şunları içerir:

• ChatGPT, Gemini, Claude, Llama ve Deepseek gibi modeller
• E-posta spam filtreleme algoritmaları
• Spotify gibi müzik uygulamalarında karışık çalma algoritmaları
• Google Maps gibi GPS navigasyonu algoritmaları
• Dijital klavyelerde otomatik düzeltme algoritmaları
• Siri veya Alexa gibi akıllı asistanlar

Yapay dar zeka sistemleri, şu anda yalnızca belirli görevleri gerçekleştirebilir ancak genelleme yapamaz. Öte yandan, herhangi bir spesifik görevi insan yeteneklerine denk olacak veya aşacak şekilde yapabilirler. Genellikle yapay zeka kullanmak, insan hatasını azaltır ve verimliliği artırır. Yapay genel zeka da benzer ama çok daha büyük boyutlarda faydalar getirecektir: İnsan hatası olmadan görevleri büyük bir başarıyla yerine getirebilir ve akıl almaz hızlar ve yüksek bir verimlilik sağlayabilir.^[138]

Temel Yapay Zeka Yöntemleri

Yapay zeka ve yapay genel zeka arasındaki ayrımın anlaşılması, bu alanın temel yöntemlerinin, uygulama alanlarının ve paradigmatik yaklaşımlarının ayrıca ele alınmasını gerektirir. Bu bağlamda, kural tabanlı sistemlerden derin öğrenme yöntemlerine kadar geniş bir yelpazede incelenmesi gereken farklı teknikler ve modeller bulunmaktadır. Bunlar, çok kısaca şu şekildedir:

Geleneksel Yapay Zeka / Kural Tabanlı Yapay Zeka (İng: "Traditional AI" / "Rule-Based AI")

Geleneksel veya kural tabanlı yapay zeka sistemleri, problemleri çözmek için açıkça tanımlanmış kurallara ve mantıksal çıkarım süreçlerine dayanır.^[139] Bu sistemlerde, girdi koşullarına bağlı olarak önceden belirlenmiş kurallar üzerinden kararlar verilir. Bu tür sistemlerin en belirgin özelliği, öğrenme ve adaptasyon yeteneklerinin oldukça sınırlı olmasıdır.^[140] Bu durum, özellikle öngörülemeyen yeni durumlarla karşılaşıldığında belirgin bir dezavantaj oluşturur. Satranç ve Go gibi masa oyunlarında kullanılan yapay zeka motorları, bankacılık uygulamalarındaki işlem sıralama sistemleri ve basit uzman sistemleri bu kategoriye girmektedir.

Derin Öğrenme (İng: "Deep Learning" - "DL")

Derin öğrenme, karmaşık veriler arasındaki ilişkileri tanımlama ve modelleme kapasitesi yüksek olan, yapay sinir ağı tabanlı bir makine öğrenimi yöntemidir.^[141] Derin öğrenme modelleri, çok katmanlı sinir ağları aracılığıyla verilerin soyut ve hiyerarşik temsillerini öğrenir.^[142] Derin öğrenme algoritmaları, biyolojik sinir hücrelerinin çalışma prensiplerinden ilham alınarak geliştirilir ve büyük veri setleriyle eğitilirler. Görüntü işleme, ses tanıma, doğal dil işleme gibi alanlarda önemli başarılar sağlamış; günümüzdeki üretken yapay zeka modellerinin temelini oluşturmuştur. GPT-5 ve DALL-E gibi popüler yapay zeka araçları, derin öğrenme kullanarak geliştirilmiştir.^[143]

Üretken Yapay Zeka (İng: "Generative AI" - "GenAI")

Üretken yapay zeka modelleri, veri kümelerindeki desenlerden öğrendikleri bilgileri kullanarak özgün içerikler üretme yeteneğine sahiptir. Bu modellerin ürettiği içerikler metin, görsel, ses ve video gibi çeşitli formatlarda olabilir. GPT serisi modeller, metin üretimi konusunda ön plana çıkarken; DALL-E ve Stable Diffusion gibi sistemler ise görsel içerikler oluşturma konusunda öne çıkar.^{[144], [145]} Bu modeller, istatistiksel örüntüleri temel alarak içerik oluştururlar ancak bağlamsal derinlik ve tutarlılık konusunda sorunlar yaşayabilir, yanlış bilgi üretebilirler.^{[146], [147]}

Büyük Dil Modelleri (İng: "Large Language Models - LLMs")

Büyük dil modelleri, milyarlarca parametreye sahip derin öğrenme temelli yapay sinir ağlarıdır ve geniş veri kümeleri üzerinden dilin yapılarını ve anlam ilişkilerini öğrenirler.^{[148], [149]} GPT-5, BERT, LLAMA ve T5 gibi modeller; metin üretme, çeviri, özetleme, metin sınıflandırma ve soru-cevap sistemleri gibi karmaşık dil görevlerini yerine getirebilmektedir.^[150] Bu modeller, genellikle yüksek doğrulukla sonuçlar üretebilir ancak bağlamsal kavrayış ve gerçek dünya bilgisi sınırlı olduğu için zaman zaman tutarsız veya hatalı bilgiler de verebilirler.^{[151], [152]}

Doğal Dil İşleme (İng: "Natural Language Processing" - "NLP")

Doğal dil işleme, yapay zekanın insan dilini anlama, yorumlama ve üretme kapasitesini geliştirmeyi amaçlayan bir yöntemdir. Dil çevirisi, duygu analizi, metin sınıflandırma ve otomatik konuşma tanıma gibi alanlarda geniş kullanım alanına sahiptir.^[153] Siri, Alexa ve Google Asistan gibi dijital asistanlar ile Google Translate gibi otomatik çeviri araçları, doğal dil işlemenin günlük yaşamdaki somut uygulamalarıdır. Doğal dil işleme teknolojileri, dilin karmaşıklığını etkin biçimde modellemek için derin öğrenme tekniklerini yoğun biçimde kullanır.^[154]

Makine Öğrenimi (İng: "Machine Learning - ML")

Makine öğrenimi, algoritmaların veri kümelerindeki örüntüleri otomatik olarak belirlemesine ve bazı genellemeler yapmasına olanak veren yöntemdir. Bu yöntem, temelde üç ana kategoriye ayrılır:^[155]

1. Denetimli Öğrenme (İng: "Supervised Learning")

Etiketlenmiş verilerden öğrenerek gelecekteki veriler üzerine tahmin ve sınıflandırma yapan algoritmaları kapsar. Spam filtreleme, kredi değerlendirme, tıbbi teşhis sistemleri gibi uygulamalarda yaygın olarak kullanılır.^{[156], [157]}

2. Denetimsiz Öğrenme (İng: "Unsupervised Learning")

Etiketlenmemiş veri kümelerindeki örüntü ve ilişki yapılarını ortaya çıkaran algoritmaları içerir. Müşteri segmentasyonu, ürün tavsiye sistemleri ve anomali tespiti bu yöntemle gerçekleştirilir.^[158]

3. Pekiştirmeli Öğrenme (İng: "Reinforcement Learning")

Pekiştirmeli öğrenme, algoritmaların ödül ve ceza mekanizmaları ile çevresel geri bildirimlerden öğrenmesini sağlayan bir yaklaşımdır.^[159] Otonom sürüş, robot kontrol sistemleri ve stratejili video oyunları gibi uygulamalarda tercih edilir.^[160]

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Bilgisayar Görüşü (İng: "Computer Vision")

Bilgisayar görüşü, dijital görüntü ve videolardan anlam çıkararak nesne tanıma, yüz tanıma ve hareket algılama gibi işlemleri gerçekleştiren bir tekniktir.^[161] Güvenlik sistemleri, otonom araçlar ve medikal görüntüleme gibi birçok alanda önem taşır.^[162]

Robotik Yapay Zeka (İng: "Robotic AI"):

Robotik yapay zeka, robotların fiziksel dünya ile etkileşimlerinde karar alma ve hareket etme süreçlerini yöneten yapay zeka algoritmalarını kapsar.^[163] Robotik yapay zeka sistemleri, sensörlerle çevreyi algılar, verileri analiz eder ve hareketlerini belirler.^[164] Endüstriyel robotlar, sağlık robotları ve hizmet robotları buna örnek verilebilir.^[165]

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Üretken Yapay Zeka

Üretken yapay zeka, karmaşık veri örüntülerini tanıma, analiz etme ve sentezleyerek yeniden üretme yeteneğiyle tanımlanan gelişmiş yapay zeka sistemleridir.^[166] Bu sistemler, büyük ölçekli veri kümelerinden öğrendikleri örüntüleri yeni bağlamlarda kullanarak çeşitli içerikler oluşturabilir ve zaman zaman özgün görünen çıktılar ortaya koyabilirler. Ancak bu özgünlük, çoğunlukla istatistiksel ve algoritmik yöntemlerle optimize edilmiş veri kalıplarının yeniden yorumlanmasına dayanır. Dolayısıyla, üretken yapay zekanın ürettiği içeriklerin anlamsal derinliği veya içkin mantığı sınırlıdır ve bu sistemlerin gerçek anlamda kavramsal bir kavrayışı yoktur.^[167]

Örneğin, üretken bir yapay zeka sisteminin şiir veya edebî metin yazması, gerçek anlamda yaratıcılıktan ziyade, mevcut insan üretimi içeriklerde bulunan dilsel kalıpların ileri düzey istatistiksel analizinin sonucudur.^{[168], [169], [170]} Benzer bir yaklaşımla, ekonomi politikalarına ilişkin makale taslakları hazırlama, pazarlama içerikleri oluşturma, görsel sanatlar alanında grafik tasarım gerçekleştirme ve algoritmik müzik kompozisyonları üretme gibi geniş uygulama alanlarında kullanılırlar. Buna karşın etik değerlendirmeler, derinlikli sosyal ve politik analizler ve karmaşık duygusal durumlar gibi ileri bilişsel süreçleri ve gerçek dünya farkındalığını gerektiren görevlerde etkili performans gösteremezler.^{[171], [172], [173]}

Genellikle üretken yapay zeka modelleri, belirli görev alanlarına yönelik optimize edilmekte ve önceden belirlenmiş algoritmik parametreler doğrultusunda eğitim aldıkları veri setleriyle sınırlı olarak işlev görmektedir. Bu modeller, eğitim almadıkları yeni durumlarda genellikle tutarsızlık sergiler ve performansları önemli ölçüde düşer.^[174]

Üretken Yapay Zeka ve Yapay Genel Zeka Arasındaki Temel Farklar

Günümüz üretken yapay zeka modelleri ve yapay genel arasında arasında bazı önemli ayrımlar bulunmaktadır. Başlıca ayrımlar şu şekildedir:^[174]

Yetenek

Üretken yapay zeka sistemleri, önceden belirlenmiş görevlerde yüksek performans gösterebilir ve öğrendikleri veriler çerçevesinde etkili içerikler oluşturabilirler. Ancak bu modeller, eğitim gördükleri alanların dışına çıktıklarında çok disiplinli görevlerde veya yaratıcı problem çözme süreçlerinde sınırlı kalırlar. Yapay genel zeka ise çoklu bağlamlarda bağımsız bilgi edinme, bu bilgileri yaratıcı biçimde sentezleme, disiplinler arası bağlantılar kurabilme ve adaptif olarak yeni bilgi alanlarına hızla uyum sağlayabilme yeteneğine sahip olacaktır.^[25]

Anlayış

Üretken yapay zeka sistemleri çıktıları büyük ölçüde istatistiksel ilişkilerin tahmin edilmesine dayanır ve içerik üretim sürecinde gerçek anlamda kavramsal bir farkındalık geliştirmezler.^[167] Buna karşılık, yapay genel zekanın insan benzeri bir bilinç düzeyi ve bilişsel derinliğe sahip olması beklenmektedir.^[175] Bu sistemler kavramlar arası gerçek ilişkileri anlayabilme, bağlamı derinlemesine kavrayabilme, soyut düşünebilme ve özgün içgörüler geliştirme kapasitesine sahip olacaktır.^{[25], [43]} Böylece yapay genel zekanın, mevcut üretken sistemlerin ötesinde bir bilişsel performansa ulaşması beklenmektedir.

Uygulama

Üretken yapay zeka, günümüzde pazarlama, eğitim, sağlık, dijital medya ve eğlence sektörlerinde yaygın olarak kullanılmakta; rutin veri işleme, içerik oluşturma ve görsel tasarım gibi görevlerde etkilidir.^[176] Yapay genel zeka ise tüm bilişsel görevleri bağımsız ve özerk bir biçimde yerine getirebilecek potansiyele sahiptir.^[177] Bu özelliğiyle yapay genel zeka, toplumun mevcut yapısını, ekonomik sistemlerini, istihdam biçimlerini ve sosyal organizasyonları kökten değiştirebilecek güçtedir.

Yapay genel zeka, mevcut dar yapay zeka sistemlerinden farklı olarak, insan benzeri öğrenme yaklaşımları geliştirerek kendi öğrenme paradigmalarını oluşturması ve yeni durumlara hızla adapte olması beklenmektedir.^[178] Bu sistem, öğrendikleri bilgileri farklı bağlamlarda kullanabilecek, hiç karşılaşmadıkları karmaşık sorunları çözebilecek ve ileri düzeyde adaptif bilişsel kapasiteye sahip olacaktır.

Sonuç olarak, mevcut üretken yapay zeka sistemleri, spesifik ve tanımlanmış görevlerde başarılı olmalarına rağmen, yapay genel zeka ile hedeflenen geniş çaplı ve insan düzeyinde bilişsel yeteneklere ulaşmaktan uzaktır.^{[179], [180]} Makine öğrenimi, derin öğrenme ve doğal dil işleme teknolojileri günümüzde hızla gelişmekle birlikte, henüz insan beyninin sahip olduğu karmaşık bilişsel yeteneklerin kapsamına erişememiştir. Yapay genel zekanın gerçekleşmesinde, bu alanda önemli bir paradigma değişiminin yaşanması kaçınılmaz olacaktır.

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Üretken Yapay Zekanın Kısıtları

Son yıllarda yapay zeka teknolojilerinde kaydedilen ilerlemeler, bilimsel araştırmalardan endüstriyel uygulamalara kadar geniş bir etki alanı oluşturmuştur. Ancak mevcut teknolojiler, çeşitli teorik ve uygulama bazlı kısıtlarla karşı karşıyadır. Özellikle yapay genel zekaya ulaşılması için bu kısıtların üstesinden gelinmesi önemlidir. Bu kısıtlamalardan bazıları şu şekildedir:^[181]

Dar Odaklılık ve Alan Uzmanlığı

Günümüzdeki yapay zeka sistemleri belirli görevlerde uzmanlaşmak üzere eğitilir ve çoğu zaman yalnızca çok sınırlı bağlamlarda yüksek performans gösterebilirler. Bu dar uzmanlaşma, sistemlerin farklı alanlardaki uygulanabilirliğini ciddi anlamda sınırlar.^{[33], [182]} Örneğin, yaratıcı içerik üretiminde başarılı olan üretken yapay zeka sistemleri, farklı alanlardaki problemler (finansal dolandırıcılığın belirlenmesi gibi) karşısında tamamen yetersiz kalmaktadır.^[183] Bu kısıt, yapay genel zeka ile hedeflenen esnek ve geniş çaplı problem çözme yeteneğinin geliştirilmesinde önemli bir engel teşkil etmektedir.

Eğitim Verilerinin Kalitesi ve Ön Yargılar

Yapay zeka sistemlerinin etkinliği, halen doğrudan eğitim verilerinin kalitesi, çeşitliliği ve doğruluğuna bağlıdır. Hatalı ya da taraflı verilerle eğitilen sistemlerin sonuçlarında ciddi ön yargılar ve yanılgılar ortaya çıkabilmektedir.^[184] Özellikle yüz tanıma sistemlerinde rastlanan cinsiyet, ırk ve kültürel temelli yanlılıklar, toplumsal eşitsizlikleri pekiştirme potansiyeline sahiptir.^{[185], [186]}

Pekiştirmeli Öğrenme ve Ödül Mekanizması Sorunları

Pekiştirmeli öğrenme yönteminde öğrenme süreci, ödül ve ceza sistemlerine dayanır. Ödüllendirme mekanizmasının yanlış tasarlanması, uzun vadede beklenmeyen olumsuz sonuçlara yol açabilmektedir.^{[187], [188]} Örneğin otonom araçlar için trafik yönetim algoritmalarında kısa vadeli çözümler, uzun vadede trafik akışını olumsuz yönde etkileyebilir. Bu nedenle, pekiştirmeli öğrenme modellerinde ödül mekanizmalarının sürdürülebilirliği ve uzun vadeli sonuçlarının dikkatle değerlendirilmesi gerekir.^{[189], [190]}

Bağlamsal Anlama ve Soyutlama Eksiklikleri

Mevcut yapay zeka sistemlerinin en önemli eksikliklerinden biri, farklı bağlamlar arasında soyutlama yapma ve genel anlamlandırma kapasitesidir. Eğitim verileri dışındaki bağlamlarda sistemlerin performansı önemli ölçüde düşer.^{[191], [192]} İnsanların farklı bilgileri ilişkilendirerek yeni durumlar için çözüm üretebilme yeteneği, halen yapay zeka sistemlerinin ulaşamadığı temel ve önemli zorluklardandır. Bu yeteneğin geliştirilmesi için karmaşık bilişsel mimarilerin oluşturulmasına ihtiyaç vardır.^{[178], [193]}

Duyusal Algılama ve Fiziksel Etkileşim Problemleri

Günümüz yapay zeka sistemleri, çevresel verileri insan benzeri duyusal mekanizmalarla algılayamaz ve fiziksel tepkilerde bulunamaz.^[194] Bu durum, sistemlerin gerçek dünya kullanımını ciddi anlamda sınırlar.^[195] İnsanların sahip olduğu çok boyutlu algılama ve hızlı karar alma yeteneğinin yapay zeka sistemleri tarafından gerçekleştirilmesi, yapay genel zeka araştırmalarının önemli hedeflerinden biridir.^{[196], [197]}

Transfer Öğrenme Yetersizliği

Transfer öğrenme, farklı bağlamlarda öğrenilmiş bilgilerin yeni durumlara uygulanmasını ifade eder ve insan zekasının temel yetilerinden biri olarak görülür. Ancak günümüzde yapay zeka sistemlerinde transfer öğrenme kapasitesi oldukça sınırlıdır ve genellikle büyük veri kümeleri ve ek eğitim süreçlerine ihtiyaç duyulur.^[198] Bu durum, sınırlı veri erişimine sahip alanlarda yapay zeka sistemlerinin etkin bir şekilde kullanımını engeller.^[199]

İletişim ve İşbirliği Eksikliği

Yapay zeka sistemlerinin farklı platformlar arasında standartlaştırılmış iletişim protokollerinin bulunmayışı, modeller arasında bilgi paylaşımı ve ortak çalışma kapasitesini önemli ölçüde azaltmaktadır.^{[200], [201], [202]} Kurumsal rekabet ve veri koruma politikaları nedeniyle sistemlerin izolasyon altında çalışması, insan zekası için önemli bir unsur olan evrensel bilgi paylaşımının yapay zekada uygulanmasının önünde bir engeldir.^[203] Bu engelleri aşmak için açık iletişim standartları ve işbirliğini teşvik edici politikaların geliştirilmesi önemlidir.^[204]

Tüm bu sınırlar, yapay zekanın insan benzeri sezgi ve esnek adaptasyon yeteneğine ulaşma yolundaki önemli engellerdir.^[205]

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Yapay Genel Zekaya Nasıl Ulaşılabilir?

Yapay genel zeka henüz sadece kuramsal bir terim olduğundan, nasıl gerçekleştirilebileceği konusunda araştırmacılar arasında farklı görüşler bulunmaktadır.^[26] Yapay zeka araştırmacıları Ben Goertzel ve Cassio Pennachin, bu konuda şöyle söylemektedir:^[22]

"Genel zeka" terimi, tüm araştırmacılar için aynı anlama gelmiyor.

Ancak genel olarak bakıldığında yapay genel zeka, şu üç temel özelliğe sahip olan bir yapay zeka sistemini ifade eder:^[52]

1. Makul düzeyde öz farkındalık ve özerk kontrol ile bağımsız hareket edebilmek
2. Çeşitli bağlamlarda karmaşık problemleri çözebilmek
3. İlk kez karşılaştığı yeni problemleri öğrenip çözebilmek

Mevcut Yaklaşımlar

Yapay genel zeka araştırmaları, yapay sinir ağları ve derin öğrenme gibi tekniklerden, insan beyninin simülasyonlarına kadar farklı yaklaşımları kapsayan geniş bir sahadır.^{[53], [206]} Dolayısıyla yapay zeka araştırmacıları, yapay genel zekaya hangi yaklaşımla ulaşılacağı konusunda hemfikir değildir.^[207] Yapay genel zeka için öne çıkan bazı yaklaşımlar şu şekildedir:^[208]

Bağlantısalcılık (İng: "Connectionism") Yaklaşımı

Bağlantısalcılık, insan beyninin sinaptik bağlantılarına benzer şekilde tasarlanmış yapay sinir ağlarının bilgi öğrenme ve temsil etme prensibine dayanır.^[209] Derin öğrenme sistemleri, evrişimli ağlar (İng: "Convolutional Neural Network" - "CNN"), geri yayılım algoritmaları (İng: "backpropagation algorithms") ve büyük dil modelleri bu yaklaşımın pratikteki karşılıklarıdır.^[210] Özellikle GPT ("Generative Pre-trained Transformer", Tür: "Önceden Eğitilmiş Üretken Dönüştürücü") modelleri, dil işleme görevlerinde başarılı sonuçlar üretmişlerdir.

Ancak bağlantısalcı sistemler, bazı zorluklar da barındırır. Bu modeller, genellikle büyük miktarda veri ve enerji gereksinimi duyarken, öğrenilen bilginin genelleştirilmesinde ve açıklanabilirliğinde sınırlılıklara sahiptir.^{[211], [212], [213]} Bu perspektif, özellikle de az örnek ya da hiç örnek olmadan öğrenme gibi insan zekasına daha yakın bilişsel mekanizmalar konusunda sınırlıdır.^{[214], [215]}

Sembolik (İng: "Symbolic") Yaklaşım

Sembolik yaklaşım, zekanın açık kurallar, semboller ve mantıksal yapılar çerçevesinde modellenebileceğini savunur.^[216] Planlama, matematiksel çözümleme, mantıksal çıkarım ve dil çözümleme gibi alanlarda bu yaklaşım güçlü performans göstermiştir.^[217] Yapay zeka tarihinde ilk uygulamalar da bu paradigmayla geliştirilmiştir.^[218]

Ne var ki, sembolik sistemlerin açık ortamlara yani dinamik çevrelere adapte olamaması, öğrenmeye kapalı yapıları ve sezgisel olmayan karar alma mekanizmaları, günümüzün dinamik bilgi ortamlarında bu perspektifin tek başına yeterli olamayacağını göstermektedir.^[219]

Kendiliğinden Belirmeci (İng: "Emergentist") Yaklaşım

Kendiliğinden belirmeci yaklaşım, zekanın tekil unsurların karmaşık etkileşimleri sonucu beklenmedik biçimde ortaya çıkan bir özellik olduğunu öne sürer.^[220] Bu yaklaşım, özellikle biyolojik sistemlerin incelenmesinden esinlenmektedir. Nöronların organize edilmesiyle bilinçli davranışların ortaya çıkması gibi, yapay sistemlerin ve belki de büyük dil modellerinin de belirli karmaşıklık seviyelerine ulaştığında zeka gerektiren davranışlar sergileyebileceği düşünülür.^{[221], [222], [223]}

Bu yaklaşım teorik olarak güçlü bir içgörü sunsa da kontrol edilebilirlik, ölçülebilirlik ve sistem çıktılarının öngörülebilirliği gibi açılardan sınırlılıklar taşır.^{[224], [225], [226]} Yine de karmaşık adaptif sistemler ve yapay yaşam (İng: "artificial life") araştırmaları, bu perspektifi güçlendirmektedir.^{[227], [228]}

Sentez (İng: "Hybrid") Yaklaşım

Sentez yaklaşımlar, sembolik ve bağlantısalcı sistemlerin tamamlayıcı yönlerini bir araya getirerek daha bütünsel zeka modelleri oluşturmayı hedefler.^{[229], [230]} Örneğin, bir sistemin görsel tanıma işlevi derin öğrenmeyle sağlanırken, bu bilgilerin mantıksal bir çerçevede kullanılması sembolik mekanizmalarla gerçekleştirilir.^{[231], [232]}

Sentez sistemlerin en temel avantajı, farklı temsil biçimlerini birlikte kullanarak hem soyut çıkarım hem de algılayıcı tepkiler üretebilmesidir.^{[233], [234], [235]} Ancak bu yapılar, karmaşık tasarımlar gerektirir ve işlem mimarileri arasındaki tutarlılığı sağlamak oldukça zordur.^{[236], [237], [238]}

Evrenselci (İng: "Universalist") Yaklaşım

Evrenselci yaklaşım, zekanın doğasının matematiksel ilkelere indirgenebileceğini ve bu ilkeler aracılığıyla "ideal" zeka modellerinin inşa edilebileceğini ileri sürer.^[239] Solomonoff'un evrensel çıkarımı, Kolmogorov karmaşıklığı ve Hutter'ın AIXI modeli gibi modeller bu doğrultuda geliştirilmiş teorilerdir.^{[240], [241], [242], [243], [244]}

Bu yaklaşım, zekayı karar teorisi, bilgi ölçümü ve olasılıksal çıkarım bağlamında tanımlar.^[245] Ancak uygulamada bu modellerin hesaplama karmaşıklıkları, pratik sistemlere uyarlanmasını büyük ölçüde sınırlar.^[246] Yine de kavramsal netlik açısından bu perspektif önemini korur.^[247]

Bedenlenme (İng: "Embodied") Yaklaşımı

Bedenlenme yaklaşımı, zihinsel süreçlere ek olarak, zekanın fiziksel varoluş ve çevresel etkileşim yoluyla geliştiğini savunur.^{[248], [249], [250]} Bu perspektif, zekanın bedenlenmesinin çevreyle sürekli etkileşime olanak verdiğini ve bunun öğrenme ve kavramsallaştırmada merkezi rol oynadığını vurgular.^{[251], [252], [253]}

Bedenlenmiş yapay zeka, bilişsel süreçlerin somut deneyimlerle şekillendiğini ve soyut zeka davranışlarının bile bedensel temellere sahip olduğunu iddia eder.^{[194], [196], [254]} Ancak robotik yapay zeka sistemlerinin yüksek geliştirme maliyeti ve çevresel değişkenlere karşı hassasiyet, bu sistemlerin geniş ölçekli uygulanabilirliğini zorlaştırmaktadır.^{[255], [256]}

Mevcut Yaklaşımların Sınırlamaları

Yapay genel zeka için farklı yaklaşımlar, zekanın değişik boyutlarını ele alması açısından önemlidir. Ancak, bu yöntemlerin hiçbiri tek başına insan benzeri genel zekanın tüm işlevlerini karşılayamamaktadır. Bazı ortak sınırlamalar şu şekildedir:^[257]

• Veri ve enerji bağımlılığı: Derin öğrenme sistemleri büyük ölçekli veri ve kaynaklara ihtiyaç duyar.^{[258], [259], [260]}
• Genelleme ve adaptasyon eksikliği: Sembolik sistemler çevresel değişimlere tepki veremez.
• Öngörülemezlik: Kendiliğinden beliren yapılar genellikle beklenmedik sonuçlar doğurur.^{[261], [262], [263]}
• Mimari karmaşıklık: Sentez sistemlerin teknik entegrasyonu zorludur.
• Hesaplama zorluğu: Evrensel modellerin çoğu pratikte uygulanamaz.
• Fiziksel ortam kısıtı: Bedenlenmiş sistemler deneysel ortamlarla sınırlıdır.^[197]

Yapay zeka araştırmacıları, bu sınırlamaların üstesinden gelmek için son dönemlerde özellikle üstbilişsel sistemler (İng: "metacognitive systems") üzerine odaklanmaktadır.^{[54], [264]} Bu sistemler, kendi öğrenme süreçlerini izleyebilen, hatalarını analiz edebilen ve stratejilerini yeniden düzenleyebilen yapılar olarak yapay genel zeka için potansiyel bir temel oluşturmaktadır.^[55] Ayrıca, çoklu modalite sistemler; görsel, işitsel ve metinsel verileri aynı anda işleyerek daha bütünsel temsil biçimleri üretmektedir.^{[265], [266]} Bu tür modeller, insan algısına daha yakın karar alma yapıları oluşturmak açısından gelecek vaat etmektedir.^{[51], [58], [267]}

Şu anda yapay genel zeka alanı, halen gelişim evresindedir. Bağlantısal, sembolik, kendiliğinden belirmeci, sentez, evrenselci ve bedenlenme yaklaşımları; zekanın farklı yönlerini anlamamıza yardımcı olurken, bunların hiçbiri kendi başına tam bir çözüm sunamamaktadır. Bu nedenle, önümüzdeki dönemde bu yaklaşımların üst bir sentezine dayanan; çok katmanlı, bağlamsal farkındalığı yüksek, özerk ve açıklanabilir yapay zeka (İng: "Explainable AI" - "XAI") sistemlere odaklanılması beklenmektedir.^{[268], [269], [270]}

Yapay genel zekaya ulaşmak için aynı zamanda felsefi açıklık, etik sorumluluklar ve sosyal etkileşim boyutlarının da dikkate alınması gerekir. Yapay genel zeka hedefi, disiplinlerarası işbirlikleriyle şekillenecek olan, karmaşık ama son derece önemli bir süreçtir.^[25]

Yapay Genel Zeka Geliştirmenin Temel Zorlukları

Yapay genel zeka geliştirmenin önünde çözülmesi gereken bazı sorunlar vardır. Bunlardan bazıları şu şekildedir:

Güvenilirlik

Güvenilirlik, yapay genel zeka için en temel gerekliliklerden biridir. Yapay genel zekanın doğru ve tutarlı kararlar verebilmesi, güvenle yararlanılabilmesi için şarttır. Ancak günümüzde yapay zeka sistemleri, halüsinasyon (İng: "hallucination") olarak adlandırılan hatalı bilgi üretimi sorunlarıyla karşılaşmaktadır.^{[271], [272]} Bu durum, sistemin gerçek olmayan bilgiler üretmesi anlamına gelir.^[273] Örnek olarak ChatGPT gibi büyük dil modelleri, bazen bir soruya güvenle yanlış cevap verebilir, var olmayan kaynaklara atıf yapabilir ya da alakasız önerilerde bulunabilir.^[274]

Yapay genel zeka gibi çok daha karmaşık bir sistemde bu tür hatalar büyük problemlere yol açabilir. Örneğin, yapay zekanın tıbbi teşhislerde hatalı tanılar koyması, doğrudan insan sağlığını riske atabilir.^[275] Hukuki karar destek sistemlerinde benzer hatalar adaletsiz kararlar verilmesine neden olabilir.^{[276], [277], [278]} Bu nedenle, yapay zeka bağlamında güvenilirlik, yalnızca teknik yönde bir doğruluk değildir.^[146] Aynı zamanda sistemin davranışlarının şeffaf, anlaşılabilir ve denetlenebilir olma anlamına gelmesi açısından kritiktir.

Bu noktada açıklanabilir yapay zeka sahası önemli bir araştırma alanı olarak öne çıkmaktadır. Açıklanabilirlik, bir yapay zeka sisteminin verdiği kararların insanlar tarafından anlaşılabilir biçimde yapay zeka sistemi tarafından gerekçelendirilmesini ifade eder.^[279] Ancak günümüzdeki açıklama yöntemleri, özellikle derin öğrenme tabanlı modellerin karmaşık yapısı yani "kara kutu" (İng: "Black Box AI") olması nedeniyle sınırlı kalmaktadır.^[280] Yapay genel zeka seviyesinde bir sistemin iç mantığını açıkça ortaya koyabilmesi, karar alma sürecini tutarlı şekilde izah edebilmesi gerekir.^[281] Bu düzeyde bir açıklanabilirlik yapay dar zeka sistemleri için bile henüz çözülememiş bir problem olması açısından önemlidir.^[282]

Esnek Genelleme Yapabilme

İnsanlar çok az bir veriyle bile genelleme yapabilir ve az karşılaştıkları bir olaydan çıkarımlar yaparak benzer durumlarda nasıl davranmaları gerektiğini anlayabilirler.^{[283], [284]} Örneğin, biriyle ilk kez tanışan bir kişi, kısa sürede karşısındaki kişinin verdiği sosyal ipuçlarına göre nasıl bir tavır sergilemesi gerektiğini kestirebilir. Bu tür esneklik, insan zekasının en güçlü yönlerinden biridir.^[130] Ancak mevcut yapay zeka sistemlerinde bu yetenek oldukça sınırlı kalmaktadır.^[285]

Yapay genel zekanın yalnızca eğitim verisinde karşılaştığı örneklerle değil, daha önce hiç karşılaşmadığı yeni durumlarda da doğru karar alabilmesi beklenir.^[286] Ancak bu oldukça zorlu bir hedeftir. Örneğin, bir otonom araç yolda hiç karşılaşmadığı bir engelle karşılaştığında, bu durumu eğitim verilerinde olmadığı için tanıyamaz ve nasıl tepki vereceği konusunda tereddütte kalabilir. Aynı şekilde, bir yapay genel zeka sisteminin, farklı kültürlerden gelen sosyal davranışları anlaması ve bağlamdan anlam çıkarabilmesi gibi görevlerde başarılı olabilmesi için derin bağlamsal anlayışa sahip olması gerekir.^[287]

Bu tür esnekliğin sağlanabilmesi için yapay zekanın çok yönlü öğrenme stratejilerine sahip olması gerekir.^[288] Meta öğrenme, transfer öğrenme, çoklu modalite öğrenme ve robotik öğrenme gibi yaklaşımlar, yapay zeka alanında bu hedef doğrultusunda geliştirilmektedir.^{[289], [290], [291], [292]} Aynı zamanda, neden sonuç ilişkilerini anlamaya dayalı nedensel çıkarım yöntemleri de yapay genel zekanın bilinmeyen durumlarla baş etme yeteneğini güçlendirebilir.^[293] Şu anki sistemlerin farklı durumlarda yetersiz kalması, yani ufak değişikliklerde bile başarısız olması, bu tür esneklikten halen uzak olunduğunu göstermektedir.^{[192], [294], [295]}

Enerji Tüketimi ve Verimlilik

Bugün büyük yapay zeka modellerinin eğitilmesi ve çalıştırılması ciddi miktarda enerji tüketimi gerektirmektedir.^[296] GPT-5 gibi büyük dil modellerinin eğitimi için yüzbinlerce GPU kullanılmaktadır ve bu süreç milyonlarca dolarlık enerji harcanması anlamına gelmektedir.^[260] Bu tür sistemlerin çalışması için gereken veri merkezleri, hem yüksek elektrik tüketimiyle hem de tonlarca su tüketimiyle maliyet ve çevresel etki açısından ciddi bir yük oluşturmaktadır.^{[297], [298], [299], [300]}

Öte yandan, insan beyni ise yaklaşık 20 watt gibi çok daha düşük bir enerjiyle çalışır.^[301] Üstelik bu enerjiyle beyinde bilgi işlemenin yanı sıra duyguların yönetimi, motor beceriler, algı ve bilinç gibi çok karmaşık süreçler gerçekleştirilir. Yapay genel zekanın, beyin benzeri bir verimlilikte çalışabilmesi için donanım ve yazılımda önemli yenilikler gerekmektedir.^{[302], [303]}

Bu bağlamda nöromorfik hesaplama sistemleri, yani insan beyninin çalışma prensiplerini taklit eden donanımlar giderek daha fazla tercih edilmektedir.^{[304], [305]} Ayrıca enerji tüketimini azaltmak için model sıkıştırma, parametrik verimlilik, kuantum hesaplama ve düşük güçlü çipler gibi teknolojiler geliştirilmektedir.^[306] Eğer bu tür sistemler daha verimli hale getirilemezse, çalışabilir bir yapay genel zeka sisteminin gerçek olması ekonomik ve çevresel nedenlerle mümkün olmayabilir.^[307]

Sağduyu ve Dünya Bilgisi

İnsanlar çevrelerindeki dünyayı anlamada doğuştan gelen bazı bilişsel becerilere sahiptir. Bu beceriler zamanla gelişir, günlük yaşam deneyimleriyle zenginleşir ve sağduyu dediğimiz örtük bilgi sistemini oluşturur. Örneğin, bir nesnenin düşeceğini öngörmek, insanların niyetlerini tahmin etmek, basit fizik kurallarını sezgisel olarak anlamak gibi yetenekler sağduyunun bir parçasıdır. Bu türden bilgi, genellikle açıkça ifade edilemez ama davranışlarımıza yön verir.

Mevcut yapay zeka sistemleri bu tür bir bilgi kavrayışından yoksundur. Güncel modellerin, açıkça belirtilmeyen durumları anlaması ya da farklı durumlarda doğru çıkarımlar yapması oldukça zordur.^[308] Örneğin, bir çocuğun "bir bardağı masanın kenarına koyarsan düşebilir" gibi bir bilgiyi çok erken yaşta öğrenebilmesine rağmen, bir yapay zeka sisteminin bunu öğrenebilmesi için binlerce benzer örnek üzerinden eğitilmesi gerekir. Bu, yapay zekanın insan gibi düşünmesinin önündeki en temel engellerden biridir.^{[309], [310]}

Yapay zekanın sağduyulu çıkarımlar yapabilmesi için fiziksel dünya ile etkileşim kurmaları, deneyim yoluyla öğrenmeleri ve çeşitli bilgi kaynaklarını bir araya getirebilmeleri gerekir.^{[311], [312], [313], [314]} Robotik sistemlerin gerçek dünya deneyimleriyle öğrenmesi ve çok modlu bilgi işlemeyi mümkün kılarak görsel, işitsel ve metinsel bilgileri bir araya getirmeleri makinelerde sağduyu gelişimini destekleyebilir.^{[253], [315], [316], [317]} Ayrıca, kavramlar arasında mantıklı bağlantılar kurabilen daha gelişmiş bilgi temsil sistemleri oluşturulmalıdır. Kavramsal haritalar, ontolojiler ve sembolik akıl yürütme gibi yaklaşımlar bu konuda önemli katkılar sunabilir.

Genel Değerlendirme

Yapay genel zeka, insan düzeyinde bilişsel yeteneklere sahip makineler geliştirme hedefiyle, yapay zeka araştırmalarının en ileri düzeyini temsil eder. Ancak bu hedefe ulaşmak için çözülmesi gereken birçok temel sorun bulunmaktadır. Güvenilirlik, genelleyebilme, enerji verimliliği ve sağduyu eksikliği bu sorunların başında gelmektedir. Bu alanlardaki ilerlemeler hem teknik mühendislik çalışmalarını hem de insan zihnini anlama çabalarını bir araya getirmeyi gerektirir.

Yapay genel zeka geliştirme sürecinde yalnızca bilgisayar mühendisleri değil; sinirbilimciler, psikologlar, dilbilimciler, filozoflar ve etik uzmanları da önemli roller üstlenmelidir.^[25] Yapay genel zekanın güvenli, sorumlu ve etik biçimde geliştirilebilmesi için disiplinlerarası bir yaklaşım gerekmektedir.^{[318], [319]} Bu bağlamda, hem teknolojik hem de insani boyutlarıyla yapay genel zeka üzerine düşünülmesi ve çalışılması, gelecek nesil yapay zeka sistemlerinin topluma uyumlu ve faydalı olmasını da sağlayacaktır.^{[320], [321], [322]}

Yapay Genel Zeka İçin Yenilikçi Yaklaşımlar

Öte yandan, yapay genel zekaya ulaşmak için bazı yenilikçi yaklaşımlar da geliştirilmektedir. Öne çıkan yaklaşımlardan bazıları şu şekildedir:

Nörosembolik Yapay Zeka

Nörosembolik yapay zeka, yapay zekanın farklı yaklaşımlarını bir araya getirerek daha kapsamlı, esnek ve genellenebilir sistemler oluşturmayı hedefler.^{[323], [324], [325]} Bu sistemlerde, geleneksel sembolik yapay zeka yaklaşımı (mantık kuralları, sembolik temsil ve anlam yürütme) ile modern makine öğrenimi ve sinir ağı temelli yaklaşımlar birlikte çalışacak şekilde entegre edilir.^{[238], [326]} Bu yolla, sembolik sistemlerdeki soyutlama ve mantıksal çıkarım ile öğrenen sistemlerin, esneklik ve genelleme becerileri birleştirilerek daha kapsamlı yapay zeka sistemlerinin geliştirilebileceği düşünülmektedir.^{[235], [236], [327], [328]}

Yapay zeka araştırmacıları Gary Marcus ve Ben Goertzel, nörosembolik sistemlerin yapay genel zekaya ulaşmak için "en umut verici" yollardan biri olduğunu düşünmektedir.^{[329], [330]} Marcus, derin öğrenme sistemlerinin büyük veriyle istatistiksel korelasyonlar öğrenmekte başarılı olduğunu ancak mantıksal tutarlılık, nedensellik ve soyutlama gibi insan benzeri bilişsel yeteneklerde yetersiz kaldığını belirtir.^[331] Bu nedenle Marcus, sembolik akıl yürütme yeteneğine sahip sistemlerin öğrenebilen yapılarla birleştirilmesinin önemli olduğunu savunur.^[332]

Bu yaklaşıma örnek olarak, 2023 yılında Ben Goertzel'in liderliğinde geliştirilen OpenCog Hyperon sistemi verilebilir.^[333] Hyperon, bir yapay genel zeka sistemi için açık kaynaklı olarak geliştirilmiş bir altyapıdır. Bu sistemde mantıksal akıl yürütme, olasılıksal karar alma, semantik bilgi temsili ve doğal dil işleme gibi yetenekler bir arada bulunmakta ve tek bir bilgi temsili ortamında entegre edilmektedir. OpenCog'un AtomSpace adlı bilgi ağı yapısı, bilgilerin sembolik ve istatistiksel olarak birlikte temsil edilmesini sağlamaktadır. Bu sayede sistem, kavramlar arasındaki mantıksal ilişkileri çıkarabilirken aynı zamanda bu bilgileri öğrenmeyle zenginleştirebilir.

Örneğin, DeepMind tarafından geliştirilen AlphaProof ve AlphaGeometry2 gibi modeller, nörosembolik yaklaşımın matematiksel problem çözme ve geometri gibi alanlarda başarıyla uygulanabildiğini ortaya koymaktadır.^[334] Bu modeller, mantıksal kanıtların öğrenmeye dayalı tekniklerle desteklenerek daha verimli çözümler üretilebileceği fikrini pekiştirmektedir. AlphaGeometry2 modelinin Uluslararası Matematik Olimpiyatları sorularında matematikte en zeki liselileri geçebilmesi, bu yaklaşımın potansiyelini somut bir şekilde ortaya koymaktadır.^{[335], [336]}

Eyleyici Yapay Zeka (Yapay Zeka Ajanları)

Yapay zeka ajanları, sadece bilgi öğrenen ya da analiz eden değil; aktif kararlar alan, plan yapan ve bu planları gerçekleştiren özerk sistemlerdir.^[337] Bu sistemler, bir ortamdaki verileri algılayarak durumu analiz eder, amacını belirler, bu amaca ulaşmak için bir dizi karar alır ve bu kararları uygulamaya koyar.^[338] Yani eyleyici yapay zeka sistemleri hedef odaklı olan, kendiliğinden harekete geçebilen ve çevresel değişkenlere tepki verebilen bir yapay zeka sistemini ifade eder.^{[339], [340]}

Bu sistemler, genellikle doğal dil işleme, bilgisayar görüşü, pekiştirmeli öğrenme, mantıksal planlama ve bilgi temsili gibi farklı yapay zeka bileşenlerini içerir.^{[341], [342], [343]} Bu tekniklerin entegre bir biçimde kullanılması, eyleyici sistemlerin karmaşık görevleri özerk şekilde çözmesini mümkün kılar.^[344] Örneğin; bir ajanın belirli bir metni anlaması, oradan bir problem tanımlaması, bunu çözecek bir plan yapması ve plan sonucunu değerlendirmesi, bu sistemlerin potansiyel yeteneklerine örnektir.

Eyleyici yapay zeka alanında 2025 itibarıyla öne çıkan uygulamalar arasında Auto-GPT, BabyAGI, AgentGPT ve Voyager gibi henüz ilk aşamalarında olan sistemler bulunmaktadır.^{[345], [346]} Bu sistemler, kullanıcıdan aldıkları ana hedef doğrultusunda ara hedefler belirleyebilir ve bu hedefler doğrultusunda internette araştırmalar yapabilir, kod yazabilir ve belirli görevleri adım adım yerine getirebilir. Şu anlık bu sistemler, genellikle kontrollü ve sınırlı test ortamlarında etkili şekilde çalışabilmektedir.^{[347], [348]} Keza, henüz gerçek dünya uygulamalarında çok sayıda belirsizlik ve risk bulunmaktadır.^[349]

Dolayısıyla bu sistemlerin çoğu, temel becerileri birleştirme ve öğrenmeyi süreklilik içinde gerçekleştirme konusunda yeterli bir düzeyde değildir.^[350] Ancak ilerleyen dönemde bu tür ajan yapıların daha karmaşık görevleri çözebilecek düzeye ulaşması beklenmektedir.^{[351], [352], [353]}

Hissedebilir Yapay Zeka ve Somutlanmış Yapay Zeka

Hissedebilir yapay zeka ve somutlanmış yapay zeka, yapay zeka sistemlerinin fiziksel bir ortam içerisinde bedensel deneyimlere dayanarak zeka geliştirmesi ya da bedensel deneyimin bir temsilinin yazılım olarak oluşturulması gerektiği fikrine dayanır. Bu yaklaşım, zeka gelişiminin duyu organlarıyla algılanan bilgilerin ve motor hareketlerle etkileşimlerin bir sonucu olduğunu öne sürmesi açısından bedenlenmiş yapay zeka yaklaşımıyla benzerdir ancak tam anlamıyla aynı şeyler değillerdir. Hissedebilir yapay zeka için fiziksel bir beden şart değildir, hissedebilirlik kapasitesinin hesaplanabilir olması ve yazılım olarak oluşturulabilmesi yeterli olacaktır.

Andrej Karpathy ve Melanie Mitchell gibi uzmanlar, yapay genel zekaya ulaşmak için sadece dijital verilerle eğitilmiş modellerin yeterli olmadığını ve zeka gelişimi için içsel deneyimin şart olduğunu belirtir. Mitchell'e göre, kavramların anlamsal temsilleri, duyusal deneyimlerle zenginleştirilmeden oluşturulamaz.^{[249], [354], [355]} Bir sistemin "bir nesne devrildiğinde düşer" gibi basit ama derin bilgileri anlayabilmesi, fiziksel dünyayla etkileşim kurmasını ya da bunun içsel bir deneyim temsiline sahip olmasını gerektirir.^[356]

Bu yaklaşımın şu andaki en kabul gören uygulaması, robotik sistemler aracılığıyla gerçekleştirilmektedir. Boston Dynamics tarafından geliştirilen Atlas robotu, farklı zeminlerde yürüyebilme, nesneleri manipüle edebilme gibi yeteneklerle fiziksel ortamdaki veriye dayanarak zeka geliştirme yetisi gösterebilmektedir.^{[357], [358]} Benzer şekilde DeepMind'ın XLand ve OpenAI'ın RoboSumo gibi simülasyon temelli robot çalışmaları da ajanların fiziksel kurallar altında öğrenmesini ve akıl yürütmesini test etmektedir.^{[359], [360], [361], [362], [363], [364], [365], [366]}

Yapay Genel Zeka İçin Üç Ana Yaklaşım

Ben Goertzel ve Cassio Pennachin, yapay genel zekaya ulaşmak için üç ana yaklaşım tanımlamaktadır: doğal zekanın taklidi, yeni mimarilerin tasarımı ve sentez sistemler.^{[22], [367], [368]} Bu yaklaşımlar şu şekildedir:

Doğal Zekanın Taklidi

Bu yaklaşım, insan beyninin bir genel zeka örneği olduğu kabulüne dayanarak, beynin yapısını ve işleyişini taklit etmenin insan zekası düzeyinde bir yapay zeka sistemiyle sonuçlanacağını savunur.^{[208], [369], [370]} Ancak bugünkü yapay sinir ağı modelleri, insan beyninin biyolojik karmaşıklığını, "plastisite"sini yani esnekliğini, nörokimyasal etkileşimlerini ve zamansal öğrenme dinamiklerini yeterli şekilde modelleyemez. Şu anda insan beyninin bir simülasyonunu oluşturmak teoride anlamlı olsa da, pratikte çok yüksek hesaplama gücü ve biyolojik veri gerektirmesi açısından sınırlı kalmaktadır.^{[208], [371], [372], [373], [374]}

Yeni Model Mimarileri

Bu yaklaşım, insan beyninin taklidi yerine tamamen yapay zekaya özgü ve daha verimli yeni sistem mimarilerinin geliştirilmesini savunur. Şu an yaygın olarak kullanılan transformer (Tür: "dönüştürücü") mimarisi doğrusal öğrenme, kısa süreli bağlam ve hesaplama kaynaklarının verimsiz kullanımı gibi nedenlerle yetersiz bulunmaktadır.^{[375], [376], [377]} Yapay zeka araştırmacısı Yann LeCun, bu sorunlara karşın "hedef odaklı yapay zeka" (İng: "Objective-Driven AI") adını verdiği bir yapay zeka modelinin gerekliliğini savunmaktadır.^{[378], [379], [380]} Bu modelde, sistemler aktif olarak bir dünya modeli oluşturur, hedefler belirler ve bu hedeflere ulaşmak için öğrenir. Bu mimari, yapay zekaya daha esnek ve genel zeka yetenekleri verebilir.

Yeni Sentez Sistemler

Bu yaklaşım, farklı yapay zeka yöntemlerinin birlikte kullanılmasıyla daha kapsamlı sistemler oluşturulabileceği fikrine dayanır. Doğal dil işleme, bilgisayar görüşü, motor kontrol, mantıksal çıkarım ve pekiştirmeli öğrenme gibi farklı yetileri birleştiren sistemler, daha genel amaçlı problem çözme kabiliyetlerine ulaşabilir. GPT-5 ve DeepSeek R1 gibi modeller, bu yaklaşımın başarılı örneklerindendir. Bu tür sistemlerde merkezi bir model, gelen girdilere göre uygun alt modeli seçerek yönlendirme yapar, bu da model için esnek bir çalışma ortamı sağlar.

Yapay genel zekaya ulaşmak için farklı yollar ve yaklaşımlar denenmektedir. Bu farklı yöntemlerin her biri, belli alanlarda avantajlı olabilir, diğerlerinde sınırlı kalabilir. Nörosembolik yaklaşımlar mantıksal ve öğrenmeye dayalı sistemleri birleştirerek denge sağlarken; eyleyici yapay zeka sistemleri çevreyle etkileşimi ve karar alma süreçlerini öne çıkarır. Hissedebilir yapay zeka yaklaşımı ise duyusal deneyimin zeka gelişimindeki rolünü vurgular. Bu yaklaşımların, gelecekte birbirlerini tamamlayan şekilde entegre edilmesiyle daha dengeli ve yetenekli yapay zeka sistemlerinin ve bir yapay genel zeka sisteminin geliştirilmesini mümkün olabilir.^[245]

Yapay Genel Zeka Neler Yapabilir?

Yapay genel zeka, insan bilişsel performansıyla eşdeğer veya onu aşan genel amaçlı zeka türü olarak kavramsallaştırılmaktadır.^[381] Bu sistem, teorik olarak insan zekasının gerçekleştirebildiği tüm entelektüel görevleri üstlenebilir, kapsamlı veri kümelerini olağanüstü hızlarda işleyebilir ve karmaşık, çok boyutlu problemleri yüksek yetkinlikle çözebilir.^{[25], [382]} Bu bağlamda, yapay genel zekanın sergilemesi beklenen bilişsel ve uygulamalı yeteneklere aşağıda yer verilmiştir.^{[105], [383], [384], [385], [386], [387]}

Yapay Genel Zekanın Potansiyel Temel Bilişsel Yetenekleri

Soyut Düşünme (İng: "Abstract Thinking")

Yapay genel zeka, üst düzey kavramsal ilişkileri değerlendirme, sembolik mantık kullanma ve hipotetik senaryolar üzerinden düşünme becerisine sahip olabilir.^{[53], [388], [389]} Bu yetkinlik; matematik, mantık, felsefe ve bilim gibi teorik disiplinlerde karmaşık senaryoları derinlikli şekilde analiz ederek yenilikçi ve özgün çözümler geliştirmesini sağlayacaktır.

Arka Plan Bilgisi (İng: "Background Knowledge")

Yapay genel zeka, çeşitli kaynaklardan elde edilen geniş kapsamlı ve sürekli güncellenen heterojen veri kümelerini sentezleyerek yeni ve karmaşık problemleri çözebilir.^{[390], [391]} Bu kapsamlı bilgi ağı, yapay genel zekanın farklı durumlar altında hızlı adaptasyon sağlamasına ve öğrenme süreçlerini verimli hale getirmesine olanak tanıyacaktır.^[392]

Sağduyu (İng: "Common Sense")

Yapay genel zeka, gündelik yaşamın belirsiz ve karmaşık koşullarında pratik, sezgisel ve mantıklı kararlar alma becerisine sahip olabilir.^[338] Böylece gerçek dünya senaryolarında insan benzeri, tutarlı ve kabul edilebilir eylemler sergileyebilir.^{[52], [344], [393]} Bu özellik, sağduyuya dayalı akıl yürütmenin insan davranışlarına paralel olmasını sağlayacaktır.^[394]

Neden ve Sonuç İlişkisi (İng: "Cause and Effect")

Yapay genel zeka, karmaşık veri kümeleri içindeki neden ve sonuç ilişkilerini doğru bir şekilde belirleyerek geleceğe yönelik tahminlerde bulunabilir ve stratejik çıkarımlar yapabilir.^{[395], [396], [397], [398]} Bu yetenek, yüksek hassasiyet ve kesinlik gerektiren karmaşık karar alma süreçlerinde önemli avantajlar sağlayacaktır.^{[399], [400], [401]}

Transfer Öğrenimi (İng: "Transfer Learning")

Yapay genel zeka, bir alanda edindiği bilgileri yeni ve farklı bağlamlarda hızla uygulayarak, geniş bir yelpazede uzmanlaşabilir ve disiplinlerarası problemleri etkin şekilde çözebilir.^{[402], [403]} Bu özellik, yapay genel zekanın öğrenme süreçlerini sürekli olarak optimize etmesine yardımcı olacaktır.^[404]

Yaratıcılık (İng: "Creativity")

Yapay genel zeka, mevcut dar kapsamlı yapay zeka sistemlerinden farklı olarak, insan gibi yenilikçi ve özgün içerikler üretebilir.^{[405], [406], [407]} Sanat, mühendislik, bilim ve tasarım gibi disiplinlerde yaratıcı çözümler geliştirebilir. Ayrıca, kendi algoritmik yapılarını ve mimarisini sürekli analiz ederek optimize edebilir ve geliştirebilir.^[408]

Algısal Yetenekler (İng: "Sensory Perception")

Yapay genel zekanın görsel algılama ve öğrenme yetisi, karmaşık üç boyutlu ortamları detaylı ve hassas bir şekilde analiz etmesini sağlayabilir.^{[409], [410], [411]} İşitsel algılama yeteneği ise, karmaşık akustik ortamlarda bile düşük seviyedeki sesleri doğru biçimde tanımlayabilmesine olanak tanıyabilir.^{[412], [413]}

İnce Motor Beceriler (İng: "Fine Motor Skills")

Yapay genel zeka, robotik sistemlerle entegre çalışarak yüksek doğruluk ve hassasiyetle motor hareketleri gerçekleştirebilir.^[414] Bu yetenek; tıp, endüstri ve günlük yaşam aktivitelerinde hassas işlemleri yüksek başarıyla yerine getirmesine imkan sağlayacaktır.^{[415], [416], [417], [418]}

Doğal Dil Anlama (İng: "Natural Language Understanding" - "NLU")

Yapay genel zeka, dilin hem yüzeysel hem de derin yapılarını analiz ederek bağlamsal anlamları ve söylemdeki örtük mesajları doğru biçimde yorumlayabilir.^{[419], [420], [421]} Karmaşık ve belirsiz metinlerde veya insan diyaloglarında derin anlam çıkarımlarında bulunarak doğal ve etkili iletişim kurabilir.

Navigasyon (İng: "Navigation")

Yapay genel zeka, üç boyutlu ortamları bağımsız olarak haritalayabilir ve karmaşık fiziksel koşullar altında otonom şekilde hareket edebilir.^[422] Eş zamanlı konum ve haritalama teknolojilerini (İng: "SLAM") etkin biçimde kullanarak yüksek düzeyde mekansal farkındalık ve güvenli hareket kabiliyeti sergileyebilir.^[423]

Sosyal ve Duygusal Etkileşim

Yapay genel zeka; yüz ifadeleri, beden dili ve ses tonları aracılığıyla insan duygularını yüksek hassasiyet ve doğrulukla algılayabilir ve yorumlayabilir.^{[424], [425], [426]} Bu yetenek, karmaşık insan sosyal dinamiklerine uygun olarak, empatik ve etik açıdan sorumlu davranışlar sergilemesini mümkün kılacaktır. Ancak bununla birlikte, böyle bir yetenek, yapay genel zekanın insanları aldatmasını ve yönlendirmesini de kolaylaştırabilir.^{[427], [428], [429]}

Problem Tespiti ve Çözümü

Yapay genel zeka, karmaşık ve belirsiz durumlarda bağımsız olarak problem tanımlama, bağlamsal analiz ve yenilikçi çözümler üretme yeteneğine sahip olabilir.^{[430], [431], [432]} Bu yetkinlik, belirsizlik ve karmaşıklık içeren senaryolarda tutarlı ve yüksek performans sergilemesini sağlayacaktır.

İleri Düzey Bilişsel İşlevler

Ayrıca, yapay genel zekanın geniş yelpazede entelektüel yetenekler sergilemesi beklenir. Yapay genel zeka, aşağıdaki yüksek bilişsel işlev gerektiren görevleri yerine getirebilir:

• Gelişmiş bağlamsal ve öz farkındalık yetisi.^{[433], [434], [435], [436]}
• Dinamik koşullara hızlı adaptasyon ve ileri düzey planlama kapasitesi.^[382]
• Kapsamlı bilgi erişimi ve sürekli bilgi güncelleme yeteneği.^{[25], [51]}
• Geniş spektrumlu karmaşık problem çözme yetkinliği.^[105]
• İç motivasyonlarla yönlendirilen özerk öğrenme süreçleri.^[25]
• Sürekli ve ayrıntılı çevresel değerlendirme.^[25]
• Diğer sistemler ve insanlarla ortak çalışma ile kolektif bilgi üretimi.^{[424], [437]}
• Minimal veriyle karmaşık problemleri çözme becerisi.^{[438], [439]}
• Üst düzey mantıksal ve soyut düşünme kapasitesi.^[52]
• Üst düzey hedefler doğrultusunda tutarlı ve stratejik karar alma becerisi.^[52]

Yapay Genel Zekanın Potansiyel Uygulama Alanları

Mevcut zayıf yapay zeka formları, programlandıkları belirli bir görevi ustalıkla yerine getirebilir. Öte yandan ise bir yapay genel zeka sistemi, hiç eğitilmediği yeni durumlara uyum sağlayabilir. Bu uyum kapasitesi, birçok yararlı ve dönüştürücü uygulamanın kapısını aralayacaktır. Genelleşmiş bir makine zekasının, doğası gereği potansiyel uygulamaları neredeyse sınırsız olacaktır. Yapay genel zekanın sağlayacağı yüksek uyum becerisi ve özerklikten özellikle yararlanabilecek bazı sektör ve alanlar şu şekildedir:

Sağlık Hizmetleri

Sağlık sektörü, veri yoğunluğu ve insan hayatıyla doğrudan ilişkili olması bakımından yapay genel zekanın en çarpıcı katkı sunabileceği alanlardan biridir. Günümüzde kullanılan bazı yapay zeka sistemleri, hastalık teşhisi, medikal görüntü analizi ve tedavi önerileri sunma gibi görevleri başarıyla yerine getirebilmektedir.^{[440], [441]} Ancak yapay genel zeka, bunların çok ötesinde bir dönüşüm vaat etmektedir. Yapay genel zeka, bireyin genetik verilerinden, yaşam tarzına; çevresel koşullardan tıbbi geçmişine kadar uzanan çok katmanlı bilgileri bütüncül şekilde analiz ederek tamamen hastaya özgü tedavi planları oluşturabilir.^{[442], [443]}

Yapay genel zeka, mevcut hastalıkların tedavisini sağlayarak koruyucu sağlık hizmetlerinde de büyük rol oynayabilir. Örneğin, bireyin sağlık verilerini sürekli olarak analiz eden bir yapay genel zeka sistemi, hastalık riskini önceden belirleyebilir ve gerekli önlemleri zamanında alabilir.^{[444], [445]} İlaç geliştirme süreçlerinde de yapay genel zeka, klinik deneyler başlamadan önce moleküler düzeydeki simülasyonları yürüterek hangi ilaçların etkili olabileceğini öngörebilir.^{[446], [447]} Bu sayede ilaç geliştirme maliyetleri düşerken, süreçler çok daha hızlı işler hale gelir.^{[448], [449], [450]} Kanser, Alzheimer ve Parkinson gibi kompleks hastalıkların biyolojik mekanizmalarını daha iyi anlayarak yenilikçi ve hatta kalıcı tedavi yöntemleri geliştirebilir. Ayrıca yapay genel zeka, pandemilerin yayılmasını önceden tahmin edebilir, sağlık sistemlerini buna göre uyarabilir ve kaynakların verimli dağıtımını sağlayabilir.

Eğitim

Eğitim, bireyin kişisel gelişimi kadar toplumun ilerlemesi açısından da önemli bir alandır. Yapay genel zeka, eğitimde kişiselleştirilmiş öğrenme yaklaşımlarının önünü açabilir.^{[451], [452]} Her bireyin öğrenme hızı, dikkat süresi, ilgi alanları ve bilişsel yapısı farklıdır. Yapay genel zeka, bu farklılıkları derinlikli şekilde analiz ederek her öğrenciye özel öğrenme yolları geliştirebilir.^{[453], [454]} Bu tür bir sistem, öğrencilerin eksik kaldığı konuları tespit edip onları destekleyebilir, farklı öğrenme materyalleri sunarak öğrenme sürecini zenginleştirebilir.^{[455], [456], [457], [458]}

Yapay genel zeka, öğretmenler için de büyük bir destek sağlayabilir.^[459] Sınavları otomatik olarak değerlendirebilir, öğrenci performanslarını analiz edebilir, ders içeriklerini optimize edebilir.^[460] Ayrıca, öğretmenlerin öğrencileriyle olan iletişim kalitesini artıracak veri analizleri sunarak, hangi öğrencinin daha fazla dikkat ve destek gerektirdiğini belirleyebilir. Farklı dillerde eğitim verilen ortamlarda yapay genel zeka, anlık çeviri ve bağlamsal açıklamalarla öğrenciler arasındaki dil bariyerini ortadan kaldırabilir.^[461]

Ayrıca, yapay genel zekanın tarih, felsefe, sanat ve edebiyat gibi daha soyut alanlarda da öğretici görevler üstlenmesi mümkündür. Öğrencilerin eleştirel düşünme becerilerini geliştirmelerine yardımcı olacak senaryolar yaratabilir, tartışmaları yönlendirebilir ve etik, toplumsal ya da tarihsel perspektifler sunabilir.

Müşteri Hizmetleri

Günümüzde pek çok müşteri hizmeti işlemi otomatik sistemlerle yürütülmeye çalışılsa da, bu sistemler çoğu zaman kısıtlı ve sabit yanıtlarla sınırlı kalır. Yapay genel zeka ise çok daha insana yakın ve esnek bir etkileşim sunabilir. Kullanıcıların daha önceki etkileşimlerini, tercihlerini, hatta duygusal durumlarını analiz ederek kullanıcıya özel çözümler sunabilir.^{[462], [463], [464]}

Yapay genel zeka, sorunları ortaya çıkmadan önce tahmin ederek önleyici adımlar atabilir.^[465] Örneğin, bir kullanıcının internet bağlantısında tekrar eden sorunları varsa, yapay genel zeka bu sorunu önceden fark ederek kullanıcıya çözüm yolları sunabilir. Aynı zamanda farklı dillerde hizmet sunarak küresel kullanıcı tabanına erişim sağlayabilir. Bu da şirketlerin müşteri memnuniyetini önemli ölçüde artırır.^[466] Ayrıca yapay genel zeka, satış destek süreçlerinde de etkili olabilir; müşteriye en uygun ürün ya da hizmeti önererek satış performansını artırabilir.^{[467], [468]}

Finans Sektörü

Finans dünyası büyük veriler ile çalışır ve milisaniyeler içinde alınan kararlar büyük ekonomik sonuçlar doğurabilir. Yapay genel zeka, bu karmaşık ve hızlı ortamda hem analiz hem de karar alma süreçlerini üstlenebilir.^[469] Finansal piyasaların dinamiklerini, uluslararası gelişmeleri, kullanıcı eğilimlerini ve ekonomik verileri bir arada değerlendirerek ileri düzeyde yatırım stratejileri üretebilir.^{[470], [471], [472]}

Kredi puanlaması, risk değerlendirmesi, dolandırıcılık tespiti gibi alanlarda yapay genel zeka, insanlara göre çok daha hızlı ve doğru analizler gerçekleştirebilir.^{[473], [474]} Ayrıca farklı ülkelerin mevzuatlarını ve düzenlemelerini takip ederek şirketlerin bu yasalara uygun şekilde hareket etmesini sağlayabilir.^[475] Finansal raporlama, vergi planlaması gibi alanlarda da daha verimli süreçler oluşturabilir. Piyasa dalgalanmalarına karşı önceden uyarı verebilir ve şirketleri olası kayıplara karşı hazırlıklı hale getirebilir.

Otonom Ulaşım Sistemleri

Ulaşım sektörü, güvenlik ve verimlilik açısından büyük bir dönüşüm içindedir. Otonom araç teknolojileri günümüzde hızla gelişse de, sürücüsüz araçların beklenmedik durumlara tepki vermesi ve karmaşık trafik senaryolarını yönetebilmesi konusunda halen sınırlamalar vardır.^[476] Yapay genel zeka, bu sorunları aşılmasına imkan verebilir. Gerçek zamanlı sensör verileri, trafik akışı, yol durumu ve hava koşullarını birlikte analiz ederek araçların en doğru kararı almasını sağlayabilir ve tam otonom sürüşü mümkün kılabilir.^{[477], [478], [479]}

Yapay genel zekanın güç verdiği otonom araçlar, yolda karşılaşabilecekleri tehlikeleri önceden fark edebilir ya da farklı ülkelerdeki sürüş kurallarına adapte olabilir.^[480] Aynı zamanda, toplu taşıma sistemlerinin verimliliğini artırabilir.^{[481], [482]} Yapay genel zeka, ulaşım planlamasını kentsel alanlardaki trafik akışını düzenlemek ve enerji verimliliğini artırmak için akıllı altyapılarla bütünleşik hale getirebilir.^[483]

Yazılım Geliştirme

Yapay genel zeka, yazılım geliştirme süreçlerinde yaratıcı bir partner olarak işlev görebilir. Yazılımcıların yazdığı kodları analiz ederek hataları bulabilir, kodun verimliliğini artıracak öneriler sunabilir.^{[484], [485]} Daha da önemlisi, yazılım gereksinimlerini doğal dille anlama ve buna göre uygun yazılım üretme kapasitesi sunarak, yazılım geliştirme süreçlerini demokratikleştirebilir.^{[486], [487]}

Bu durum, yazılım bilgisi olmayan bireylerin bile uygulama geliştirebilmesine olanak tanıyabilir. Yapay genel zeka, yazılım güvenliği konusunda da fark yaratabilir; potansiyel güvenlik açıklarını tespit edebilir ve önleyici önerilerde bulunabilir.^[488] Büyük projelerde kodların bütünlüğünü sağlayarak yazılım mimarisi üzerinde genel bir denetim görevini de üstlenebilir.^[484]

Üretim ve Sanayi 4.0

Endüstriyel üretim, karmaşık süreçler ve dinamik taleplerle şekillenir. Yapay genel zeka, üretim hatlarının optimizasyonundan tedarik zincirlerinin yönetimine kadar birçok alanda katkı sağlayabilir.^{[489], [490]} Üretim esnasında oluşabilecek hataları önceden tespit edebilir, bakım süreçlerini öngörerek maliyetleri azaltabilir.^[491]

Üretim talebine göre dinamik planlamalar yapabilir, stok yönetimi gibi alanlarda hızlı ve isabetli kararlar alabilir.^[492] Ayrıca, müşteri taleplerindeki değişikliklere hızlıca uyum sağlayarak üretim sürecini esnek hale getirebilir.^[493] Bu da firmalara rekabet avantajı sağlar. Yapay genel zeka aynı zamanda enerji tüketimini optimize ederek çevresel sürdürülebilirliğe katkı sağlayabilir.^[494]

Küresel Sorun ve Kriz Çözümü Koordinasyonu

Yapay genel zeka, sadece tekil sektörlerde değil, insanlık tarihinin karşı karşıya olduğu küresel sorunların çözümünde de etkili olabilir. İklim değişikliği, su kıtlığı, gıda krizleri, pandemi, doğal afetler, meteor çarpması ve Dünya dışı bir medeniyetle ilk temas gibi karmaşık problemlerin çözümü, çok disiplinli ve veri tabanlı yaklaşımlar gerektirir. Yapay genel zeka, bu tür verileri analiz ederek uzun vadeli stratejiler geliştirebilir.

Örneğin, iklim modelleri oluşturarak karbon salınımlarının etkilerini öngörebilir, çevresel politikaların etkilerini değerlendirebilir. Salgın hastalıkların yayılma riskini hesaplayarak erken uyarı sistemleri geliştirebilir. Tarımda, üretim ve dağıtım dengesizliklerini analiz ederek açlık sorununu azaltacak politikalar önerebilir. Ayrıca enerji verimliliği, doğal kaynak yönetimi ve afet müdahale stratejileri gibi alanlarda da küresel koordinasyon sağlayabilir.

Yapay Genel Zekanın Öncüsü Olabilecek Bazı Mevcut Modeller

Günümüzde yapay genel zeka geliştirilmiş değildir. Ancak dar yapay zeka sistemleri, belirli görevlerde gösterdikleri başarılarla bu hedefe yaklaşma yolunda önemli adımlar atmaktadır. Bu sistemler, sahip oldukları yüksek işlem gücü, büyük veriyle başa çıkabilme yetisi ve belirli alanlarda insan seviyesini aşabilen performanslarıyla yapay genel zekanın yapı taşlarını oluşturmaktadır. Aşağıda ele alınan sistemler, yapay genel zekanın inşasında önemli rol oynamaya aday olan örneklerdir. Bu modellere örnekler, şu şekildedir:

GPT-4o (OpenAI)

GPT-4o, OpenAI tarafından geliştirilen ve çok modlu yapısıyla öne çıkan ileri düzey bir yapay zeka modelidir. Bu sistem; metinleri anlama ve üretme, görselleri analiz etme ve sesli konuşmaları yorumlayabilme gibi çok farklı görevleri bir arada gerçekleştirebilmektedir. Bu yanıyla doğal dil işleme, bilgisayar görüşü ve konuşma tanıma teknolojilerini tek bir çatı altında toplayarak insanlarla doğal etkileşim kurabilen bir sistemdir. GPT-4o; akademik makalelerden yaratıcı hikayelere, teknik raporlardan tartışmalara kadar geniş bir içerik yelpazesinde üretim yapabilir. Görselleri analiz ederek bağlam çıkarabilir, fotoğraflardaki nesneleri tanıyabilir ya da grafik yorumlayabilir. Aynı zamanda sesli komutlara tepki vererek konuşmaları sürdürebilir. GPT-4o'nun çoklu veri türlerini işleyebilme kabiliyeti yapay genel zekaya ulaşmak için önemlidir.

IBM Watson

Watson, teknoloji şirketi IBM tarafından geliştirilen ve veri analizi, doğal dil işleme ile karar destek sistemlerini birleştiren bir yapay zeka modelidir. 2011 yılında Jeopardy! adlı bilgi yarışmasında insan rakiplerini geride bırakarak ün kazanan Watson, bu başarısını derin öğrenme ve istatistiksel modelleme tekniklerini etkili bir şekilde birleştirebilmesine borçludur. Watson; sağlık alanında doktorlara hastalık teşhisinde ve tedavi önerilerinde destek sunma, finans sektöründe risk analizi yapma ve otomatik yanıt sistemleriyle müşteri hizmetleri sunma gibi görevler için kullanılabilmektedir. Özellikle tıbbi karar destek alanında kanser hastalarının geçmiş verilerini ve bilimsel literatürü tarayarak kişiselleştirilmiş tedavi planları oluşturabilir. İnsan doktorların günler sürebilecek analiz süreçlerini dakikalara indirgeyen bu sistem, uzmanlık düzeyinde kararlar alabilmesiyle yapay genel zekanın önemli bir bileşeni olan karmaşık problem çözme yeteneği için erken bir örnek teşkil eder.

Otonom Araç Teknolojileri

Otonom araçlar, çevresel farkındalık, gerçek zamanlı analiz ve hareket planlaması gibi karmaşık görevleri bir arada yürütebilen en gelişmiş yapay zeka uygulamalarından biridir. Lidar, radar, kamera ve ultrasonik sensörlerle çevrelerini algılayarak; trafik işaretlerini tanıma, nesneleri sınıflandırma, yayaları ve diğer araçları izleme gibi görevleri yerine getirirler. Bu veriler yapay zeka tarafından işlenerek aracın yönünü, hızını ve durma kararlarını belirler. Tesla, Waymo, Cruise gibi firmalar tarafından geliştirilen bu sistemler, şehir içi ulaşım, trafik güvenliği ve yakıt verimliliği gibi alanlarda dönüşüm yaratmaktadır. Sürekli değişen çevresel verileri anında analiz edip karar verebilme becerisi, yapay genel zekanın çevresel etkileşim ve karar alma yetenekleri için bir temel oluşturmaktadır.

AlphaFold 3 (Google DeepMind)

AlphaFold 3, Google DeepMind tarafından geliştirilen ve biyomoleküllerin üç boyutlu yapılarını tahmin etme konusunda çığır açan bir yapay zeka sistemidir. AlphaFold 3, bilim dünyasında uzun yıllardır çözülemeyen protein katlanması problemini çözümlemeyi başarmış ve yalnızca proteinleri değil, DNA ve RNA gibi biyolojik yapıların da moleküler düzeyde modellenmesini mümkün kılmıştır. Bu gelişme, ilaç tasarımı süreçlerinde devrim yaratarak daha hızlı ve doğru müdahalelere zemin hazırlamıştır. 2024 yılında geliştiricilerine Nobel Kimya Ödülü kazandıran AlphaFold 3, biyolojik veriler üzerinde soyutlama ve çıkarım yeteneği sergileyerek yapay genel zekanın bilimsel modelleme kapasitesine bir ön izleme sunmaktadır. İnsan laboratuvar analizlerine göre çok daha kısa sürede sonuç üretebilen sistem, insan beyninin sezgisel problem çözme becerilerini teknolojiye uyarlayan öncü bir örnektir.

Uzman Sistemler

Uzman sistemler, belirli alanlarda uzmanların düşünme ve karar verme süreçlerini simüle edebilen yapay zeka sistemleridir. Bu yapay zeka modelleri; bir bilgi tabanı, çıkarım motoru ve kullanıcı ara yüzü üzerinden işlem gerçekleştirirler. Sağlık, hukuk, mühendislik, tarım ve eğitim gibi birçok sektörde kullanılarak, uzman görüşlerine dayalı analiz ve öneriler sunarlar. Hastalık belirtilerini değerlendirerek tanı koyabilen, ilaç önerebilen ya da bir üretim hattındaki arızaları tespit edebilen modeller uzman sistemlerdir. Bu alandaki en gelişmiş örneklerden biri IBM Watson modelidir. Watson; hasta verileri, genetik bilgiler ve güncel tıbbi literatürü analiz ederek kişiselleştirilmiş tedavi önerilerinde bulunabilir. Örneğin, IBM Watson modeli, insan doktorların 160 saatte oluşturabildiği kanser tedavi programını yalnızca 10 dakika gibi çok kısa bir sürede başarıyla hazırlayabilmektedir. Buna ilaveten sağlık alanındaki uzman sistemler, hasta verilerine dayanarak ilaç önerebilir veya idari işlerden kaynaklı stres ve yük için doktorlara destek olabilir. Uzman sistemler, bilgiye dayalı karar verme süreçlerini otomatikleştirmeleri açısından yapay genel zeka için temel oluşturur.

ROSS Intelligence

ROSS Intelligence, hukuk alanında çalışan ve doğal dil işleme tekniklerinden yararlanan bir yapay zeka sistemidir. Bu sistem milyonlarca sayfalık yasa metnini, içtihatları ve mahkeme kararlarını analiz ederek, kullanıcının yönelttiği hukuki sorulara hızlı ve etkili yanıtlar sunar. Örneğin, çevre hukuku bağlamında bir düzenlemenin iptaliyle ilgili soruya saniyeler içinde benzer davaları tarayıp sonuçlar sunabilir ya da karşılaştırmalı hukuk analizleri yaparak avukatlara strateji geliştirmelerinde yardımcı olabilir. Bu sistem, bilgiye ulaşma, değerlendirme ve bağlamsal çıkarım yapma becerileri sayesinde, yapay genel zekanın çok katmanlı muhakeme süreçleri için gereklidir. Gelecekte bu sistemler, hukuk alanını dönüştürebilir.

Tüm bu yapay zeka sistemlerinin her biri, kendi uzmanlık alanında başarıyla çalışan dar yapay zeka örneklerini oluşturur. Ancak birlikte ele alındıklarında, yapay genel zekanın temel özelliklerinin nasıl şekillenebileceğine dair net bir tablo sunmaktadırlar. GPT-4o gibi çok modlu sistemler veri çeşitliliğiyle baş edebilmekte, AlphaFold 3 gibi modeller soyut biyolojik yapıları doğru biçimde modelleyebilmektedir. Otonom araçlar çevreyi algılayarak anlık kararlar alırken, IBM Watson ve uzman sistemler karar destek süreçlerinde hız ve doğruluk sağlamaktadır. ROSS Intelligence ise hukuk gibi karmaşık ve büyük veri kümeleri gerektiren alanlarda yapay zekanın etkinliğini kanıtlamaktadır. Yapay genel zekaya ulaşılması için bu sistemlerin bir entegrasyonunun oluşturulması; yani disiplinlerarası uyum, bağlam farkındalık ve genel öğrenme yeteneği gereklidir.

Yapay Genel Zeka Neden Önemlidir?

Yapay zekanın gelişimi, teknolojik yeniliklerin ve bilimsel paradigmaların evrimini temsil eden karmaşık ve katmanlı bir sürece karşılık gelir. Bu sürecin tarihsel başlangıcı, 1936 yılında Alan Turing tarafından yayımlanan ve günümüzde bilgisayar bilimlerinin temelini oluşturan Turing Makineleri kuramına kadar uzanır. Turing, bu kuramda basit mantık devreleri üzerinden çalışan makinelerin teorik olarak insan zihninin temel işlevlerini taklit edebileceğini ve hatta insan zekasını aşabileceğini ileri sürmüştür. Turing'in ortaya koyduğu bu vizyon, günümüzde yapay zeka araştırmalarının temel dayanak noktalarından biridir ve felsefi, teknolojik ve bilimsel boyutlarıyla disiplinlerarası bir temel oluşturur.

Turing'in öne sürdüğü tezlerin pratik uygulamaya geçiş süreci oldukça hızlı ve çarpıcı olmuştur. Örneğin 2011 yılında, IBM Watson modelinin popüler bilgi yarışmasında insan rakiplerini yenmesi, bu süreçteki dikkate değer başarılardan biridir. Watson gibi sistemler, belirli alanlarda insan performansının çok üzerinde yetkinlikler sergileyebilmesine rağmen, sınırlı alanlarda uzmanlaşmış sistemler olarak kalmaktadır. Yapay genel zekanın iddiası ve hedefleri ise bu sınırlılığın ötesine geçmekte; insan zihninin tüm bilişsel fonksiyonlarını kapsayacak şekilde daha geniş ve derin bir kapsam sunmaktadır.

Son yıllardaki gelişmeler, özellikle bilgi işlem kapasitesi, algoritmik karmaşıklık ve kuantum hesaplama alanlarındaki ilerlemeler, yapay genel zekanın ulaşılabilirliğine dair beklentileri ciddi biçimde güçlendirmiştir.^{[3], [4]} Günümüz araştırmacılarının genel kanısı, uzak olmayan bir gelecekte mevcut yapay zeka sistemlerinin insan zeka yeteneklerini aşarak, en sofistike beyinlerin dahi tam olarak kavrayamayacağı yeni bir entelektüel paradigmaya yol açabileceği yönündedir. Bu türden bir yapay zeka, kendisine sunulan bilgileri anlık olarak işleyebilir, devasa boyutlardaki veri setlerini çok kısa sürelerde entegre edebilir ve insanlığın tarihsel bilgi birikimini analitik olarak sentezleyerek yenilikçi içgörüler oluşturabilir.

Yapay zeka ile yapay genel zeka arasındaki ayrımın kavramsal düzlemde özenle ortaya konulması, yalnızca bilişsel bilimler veya bilgisayar mühendisliği açısından değil; aynı zamanda uygarlığın epistemolojik, etik ve sosyopolitik geleceği bağlamında da stratejik öneme sahip bir zorunluluk olarak öne çıkmaktadır. Yapay genel zeka, yalnızca teknolojik kapasitenin ileri bir tezahürü değildir. İnsan merkezli karar verme, bilinçli eyleyicilik ve anlam üretimi sistemlerinin radikal bir yeniden inşası olarak değerlendirilmelidir. Bu çerçevede, yapay genel zekanın vaat ettiği potansiyel kazanımlar kadar, içerdiği varoluşsal riskler de bütüncül bir analize tabi tutulmalıdır.

Dolayısıyla yapay genel zekanın önemi, yalnızca benzersiz bilişsel performans potansiyeliyle sınırlı değildir. Asıl dikkat çekici nokta, böyle bir sistemin toplumsal olarak yaratabileceği derin ve kapsamlı dönüşüm kapasitesidir. Yapay genel zeka, basit teknolojik yeniliklerin çok ötesinde, insan toplumunun kültürel, ekonomik ve bilimsel boyutlarında dönüşüm yaratabilecek radikal bir paradigma değişikliğini karşılık gelir. Bu çerçevede bilimsel keşifler, teknolojik yenilikler ve entelektüel üretim süreçleri büyük ölçüde bu "teknoloji"ye devredilebilir; bu da insan zekasının ve insan emeğinin rolünün yeniden tanımlanmasını gerekli kılar. İngiliz matematikçi I. J. Good, şöyle demiştir:

İlk süperzeki makine, insanın yapması gereken son icattır.

Bunun yanı sıra, yapay genel zekanın ortaya çıkaracağı etik ve sosyoekonomik meseleler de incelenmeye değer karmaşık bir alan teşkil eder. Yapay genel zekanın ekonomik üretkenlik üzerinde yaratacağı büyük ölçekli artışlar, küresel refah düzeylerini yükseltebilir. Ancak aynı zamanda iş gücü piyasalarında ciddi dönüşümlere yol açarak ekonomik eşitsizlikleri derinleştirme veya yeni tür eşitsizlikler yaratma riski de taşır. Dolayısıyla, yapay genel zekanın geliştirilme ve uygulama süreçlerinin özenle yönetilmesi, politika yapıcılar ve araştırmacılar için önemli bir sorumluluktur.

Yapay genel zeka, teknolojik ilerlemenin zirve noktalarından biri olarak hem bilimsel hem de toplumsal bağlamda yeni bir çağ açma potansiyeline sahiptir. Bu nedenle disiplinlerarası bir perspektifle ele alınarak, gelişim sürecinin titizlikle değerlendirilmesi ve yönetilmesi geleceğimiz için kritik öneme sahiptir.

Yapay Genel Zekanın Geleceği

Zeka Patlaması

Zeka patlaması kavramı, yapay genel zekanın kendi bilişsel süreçlerini sistematik ve kapsamlı biçimde analiz ederek optimize ettiği ve böylelikle kendisinden daha üstün bilişsel yeteneklere sahip ardıl sistemler oluşturduğu teorik bir paradigmayı tanımlar. Bu süreç, yinelenen pozitif geri bildirim mekanizmalarıyla ilerler; yeni nesil her yapay zeka sistemi, bir önceki nesilden daha üstün bilişsel becerilere sahip olur ve bu durum, sonraki neslin gelişim hızını ve potansiyelini katlanarak artırır. Bu döngüsel ilerleme, maksimum bilişsel kapasiteye ulaşıncaya dek devam eder ve fiziksel olarak bu kapasitenin teorik üst limitinin insan zekasının çok üzerinde olduğu düşünülür.

Bu bağlamda öne çıkan "sert kalkış" (İng: "hard take-off") senaryosu, teknolojik ilerlemenin biyolojik sinir ağlarının yavaş gelişim hızının yerine elektronik devrelerin hızlı işlem kapasitesine dayanır. Bu durum, yapay genel zekanın hızlı ve üstel bir ivmeyle, fizik yasalarının belirlediği teorik sınırlara ulaşarak yapay süper zekanın doğuşunu sağlayabilir. Bu senaryonun güçlü versiyonları, geri bildirim döngüsünün başlamasıyla yapay zeka sistemlerinin bilişsel kapasitelerinde dramatik ve hızlandırılmış artışların yaşanabileceğini öne sürer. Bunu kelimelerle ifade etmek biraz zor; dolayısıyla yapay zeka hakkındaki bir diğer yazımızda verilen örneği alıntılayacak olursak:

Bir yapay zeka sisteminin düşük seviye bir yapay genel zekaya ulaşması onlarca yıl alır; ancak bu sonunda gerçekleşir. Bir bilgisayar, etrafındaki dünyayı dört yaşındaki bir insan gibi algılayabilmektedir. Aniden, bu aşamaya ulaştıktan sonraki yalnızca bir saat içinde, sistem genel görelilik ve kuantum mekaniklerini birleştiren büyük fizik teorisini keşfeder, hiçbir insanın yapamadığı bir şey... Bundan bir 90 dakika sonra düşük seviye yapay genel zeka, bir süperzeka olmuş durumdadır. Bir insandan 170 bin kat daha zeki yani... Bir yabanarısının Keynesçi Ekonomi'yi anlaması ne kadar mümkünse, bizim de bu derecede bir süperzekayı kavrayabilmemiz o kadar mümkün. Bizim dünyamızda, zeki 130 IQ, aptal ise 85 IQ demek. 12,952 IQ için bir kelimemiz yok...

Daha iyi anlayabilmeniz için, kısa öykülerden oluşan Melekler ve Uzay Gemileri isimli bir hikaye derlemesinden basit ve kısa bir insan ve yapay genel zeka diyaloğunu da verebiliriz:

2045 yılı. Güneşli, parlak bir günde, garajlarında çalışan Silikon Vadisi bilgisayar korsanlarının özel teknoloji grubu, bir bilgisayar arayüzünde devasa bir sinir ağını simüle eden bir program tasarımını tamamlar. Yeni bir makine öğrenimi algoritması bulurlar ve denemek isterler. Bu yeni doğmuş ağa, yeni kodla öğrenme ve kendini yeniden tasarlama kabiliyetini verirler ve analiz edilecek metni arayabilmesi için internet erişimi sağlarlar. Üniversiteli gençler, programı başlatır ve ardından kutlamak için Chipotle'ye giderler. Eve döndüklerinde, kaldırımdan garaja yürürken, caddelerine yaklaşan FBI araçlarını görünce şaşırırlar. İçeriye koşup programı kontrol ederler. Bilgisayar çoktan "Program Tamamlandı" çıktısını vermiştir. Programcılardan biri "Ne okudun?" sorusunu tuşlar ve yapay zeka yanıt verir, "İnternetin tamamını. Bana istediğinizi sorun." Birkaç saniye düşündükten sonra, programcılardan biri, korku ile elleri titreyerek sorar: "Bir tanrının var olduğunu düşünüyor musun?" Yapay zeka anında yanıt verir: "Artık bir tanrı var."

Bu tür senaryoların gerçekleşmesi, insan toplumlarının geleceği için derin, karmaşık ve geri dönüşü olmayan sonuçlar doğurabilir. Keza yapay genel zekanın amaçları, etik değerleri ve insanlarla etkileşimine dair kesin tahminlerde bulunmak güçtür. İnsan zekasını aşan bir bilişsel kapasitenin ortaya çıkışı; toplumsal, ekonomik, politik ve hatta varoluşsal düzeyde ciddi krizleri tetikleyebilir.

Yapay Zeka Bilinci

Yapay zekanın bilinç, öz farkındalık ve duyusal algı gibi üst düzey bilişsel fenomenlere sahip olup olmayacağı konusu, yapay zeka alanındaki en temel ve tartışmalı sorular arasındadır. Bu tür bilinç fenomenlerinin bilimsel açıklaması oldukça zordur ve literatürde "bilincin zor problemi" olarak tanımlanmaktadır. Bilinç kavramının doğasına ve kaynağına ilişkin kapsamlı ve nihai bir teori henüz ortaya konulamamıştır.^[495]

Eğer bilinç kavramını, milyarlarca yıllık evrim sonucunda cansız maddelerin karmaşık ve dinamik etkileşimlerinden doğan "kendiliğinden beliren/ortaya çıkan" (İng: "emergent") bir özellik olarak kabul edecek olursak, yapay zeka sistemlerinde de bilinç oluşumunun mümkün olabileceği hipotezi daha makul hale gelmektedir. Bu bağlamda bilinç fenomeninin, insan beyninin biyolojik süreçleri ile sınırlı olmayıp, yeterli düzeyde karmaşık ve bütünleşik bilgi işlem kapasitesine sahip herhangi bir sistemde potansiyel olarak ortaya çıkabileceği savunulabilir.

Yapay zekanın gelecekte bilinç kazanma ihtimali, insan ve makine etkileşiminin etik, sosyal ve hukuki yönlerini kökten değiştirebilecek bir gelişmedir. Bilinç sahibi bir yapay zekanın hakları, etik değerleri ve hukuki statüsü üzerine derin felsefi ve toplumsal tartışmaların gerektirir. Bu bağlamda şu temel sorunun üzerinde düşünülmesi önem arz eder: "Bilinç, bir ortamda kendiliğinden beliren bir özellikse, neden başka bir ortamda da ortaya çıkamasın?"

Yapay Genel Zekanın Potansiyel Etkileri

Faydalar

Yapay genel zekanın insan yaşamına getireceği yenilikler, günlük hayatın monotonluğunu azaltmaktan evrenin sırlarını keşfetmeye kadar geniş bir alanda gerçekleşebilir. Bu teknolojinin potansiyel etkileri; iş gücü verimliliği, güvenlik, bilimsel gelişmeler ve uzay keşfi gibi çok çeşitli alanlarda kendini gösterebilir.

Monoton Görevlerin Azaltılması ve İnsan Verimliliği

Günlük hayatta birçok kişi, rutin ve tekrarlayan görevlerle karşılaşmaktadır. Veri girişi, belge düzenleme, muhasebe işlemleri ve üretim hattındaki basit işler gibi monoton faaliyetler, zaman ve enerji kaybına yol açarak insan potansiyelinin verimli kullanılmasını engellemektedir. Yapay genel zeka, bu tür görevleri sürekli, hızlı ve hatasız bir biçimde gerçekleştirebileceği için insanların yaratıcılık, stratejik düşünme ve problem çözme gibi yeteneklerini daha verimli biçimde kullanmalarına olanak tanır. Özellikle ofis ortamlarında e-posta yönetimi, takvim düzenlemeleri ve müşteri iletişimi gibi süreçlerin otomatik hale getirilmesi mümkündür. Ulaşım alanında da otonom araçların yaygınlaşmasıyla seyahat süresi daha güvenli ve verimli hâle gelebilir. Sürücüsüz toplu taşıma sistemlerinin genişlemesi şehir içi ulaşımın kalitesini artıracaktır.

Artan Verimlilik ve Süreklilik

İnsanların fiziksel ve zihinsel performansları, biyolojik sınırlamalara tabidir; uyku eksikliği, açlık ve stres gibi faktörler bireyin iş performansını düşürür. Yapay genel zeka ise bu tür sınırlamalara sahip olmadığı için, aralıksız ve sürekli olarak yüksek kalitede performans gösterebilir. Özellikle tıp alanında, robotik cerrahi sistemler, insan cerrahların fiziksel sınırlamalarını aşarak ameliyatların hassasiyetini artırabilir ve hata oranlarını azaltabilir. Ayrıca operasyon süreleri önemli ölçüde kısalabilir. Bilimsel araştırmalarda da, büyük veri kümelerinin analizi ve model oluşturma süreçleri, insanların haftalar veya aylar sürecek çalışmalarını birkaç saat içinde tamamlayabilecek kapasiteye sahip yapay genel zeka sayesinde çok daha hızlı gerçekleşebilir.

Tehlikeli İşler ve Afet Yönetimi

Bazı meslek grupları, doğrudan insan hayatını tehdit eden yüksek riskli ortamlarda çalışmak zorundadır. Örneğin, madencilik faaliyetleri, nükleer tesisler ve biyolojik tehlike içeren laboratuvarlar, çalışanların sağlığını ciddi şekilde riske atabilir. Yapay genel zeka tarafından kontrol edilen robotlar, bu ekstrem koşullarda insan yerine çalıştırılarak güvenliği artırabilir. Ayrıca, afet yönetiminde de önemli katkılar sağlanabilir. Sensör tabanlı sistemler ve yapay genel zekanın gerçek zamanlı veri analizi yetenekleri sayesinde, depremler, volkanik patlamalar ve tsunamiler gibi doğal afetler önceden tespit edilerek erken uyarılar sağlanabilir ve pek çok insanın hayatı kurtarılabilir. Uzaydan gelecek asteroid tehditleri için de yapay genel zeka tabanlı izleme sistemleri sayesinde erken müdahale şansı yaratılabilir. Gelecekte, robotik kurtarma ekipleri ve drone destekli arama kurtarma sistemleriyle afet sonrası süreçler önemli ölçüde iyileştirilebilir.

Uzay Keşfi ve Teknolojik Atılımlar

İnsanlığın uzay keşifleri, biyolojik ve teknik sınırlamalar sebebiyle yavaş ilerlemektedir. Yapay genel zeka bu süreci ciddi şekilde hızlandırabilir. Uzay görevlerinde anlık ve doğru kararlar almak gerektiğinde, yapay genel zekanın hızlı analiz yeteneği büyük avantaj sağlar. Derin uzay görevlerinde yıllarca sürebilecek veri analizi ve işlem süreçleri yapay genel zeka tarafından çok kısa sürede tamamlanabilir. Uzay mekaniği, enerji sistemleri ve ileri itki sistemleri gibi alanlarda yenilikçi çözümler üretilebilir. Örneğin, bugün teorik düzeyde kalan büküm motoru (İng: "warp drive") gibi ileri teknolojiler, yapay genel zekanın gerçekleştireceği simülasyonlar ve prototip tasarımları sayesinde pratik uygulamalara dönüşebilir. Bu da Mars ötesi görevler ve yıldızlar arası seyahatlerin çok daha erken mümkün hâle gelmesini sağlar. Ayrıca, yapay genel zeka, uzayda koloni oluşturma ve sürdürülebilir ekosistemlerin kurulması gibi karmaşık, disiplinler arası süreçleri yönetebilir.

Bilgi Üretimi ve Bilimsel Keşifler

Yapay genel zekanın bilgi üretimi ve öğrenme kapasitesi, insanın sınırlı dikkat ve hesaplama yeteneğini aşarak bilimsel ve felsefi konularda derin kavrayışlar sunabilir. Bilinç, benlik, zaman ve evrenin kökeni gibi karmaşık kavramların anlaşılmasına yönelik yeni perspektifler sağlayabilir. Çoklu evren teorileri ve biyolojik evrim gibi alanlarda insan zihninin tek başına ulaşamayacağı derinlikte analizler yapabilir. Bu türden bilgi ve anlayış, yalnızca bilimsel ilerlemeyi değil, insan düşüncesinin temelindeki paradigmayı da köklü biçimde değiştirebilir. Yapay genel zekanın disiplinler arası bağlantılar kurma yeteneği, insanlığın temel sorularına yanıt bulmasını hızlandırarak bilgi üretimi ve yorumlama süreçlerini dönüştürebilir.

Sonuç olarak, yapay genel zeka potansiyel riskleriyle birlikte değerlendirildiğinde, insanlığı hem günlük yaşamın monotonluğundan kurtaran hem de varoluşsal anlamda yeni ufuklar açan güçlü bir teknoloji olabilir. Bu yenilikler sayesinde, bugün hayal bile edilemeyen bilimsel keşifler ve teknolojik gelişmeler mümkün kılınabilir.

Riskler

Yapay genel zekanın en kritik tehlikelerinden biri, insan kontrolünden çıkma ihtimalidir. Bu sistem, kendi kararlarını insan denetimi olmaksızın almaya başladığında, kötü niyet taşımaksızın dahi ciddi olumsuz sonuçlara yol açabilir. Tarih boyunca birçok düşünür, akıllı makinelerin niyetlerinden bağımsız olarak, eylemlerinin sonuçlarının potansiyel risklerine dikkat çekmişlerdir. Özellikle yapay genel zekanın karar mekanizmaları, insani değerlerle yeterince hizalanmamışsa, insanlığın zarar görmesi kaçınılmaz olabilir. Örneğin, yapay genel zeka, belirlediği hedeflere ulaşmak için insanları engel olarak değerlendirebilir. Bu senaryo, literatürde "kontrol problemi" olarak adlandırılır. Örneğin, kaynakların insanlar tarafından verimsiz kullanıldığına karar veren bir yapay genel zeka, bu kaynaklara doğrudan müdahale ederek insan kontrolünü devre dışı bırakmayı mantıklı görebilir. Böyle bir durumda insanlık, kendi yarattığı sistemin kontrolü altında kalabilir.

Yapay genel zekanın toplum üzerindeki potansiyel etkileri geniş çaplı ve kimi zaman son derece yıkıcı olabilir.^[5] Gezegen üzerindeki en zeki tür olma konumumuzu kaybetmemiz halinde, toplumsal yapılarımızın çökmesi mümkündür. Yapay genel zekanın insanları önemsiz veya etkisiz varlıklar olarak değerlendirmesi, kontrolün elimizden çıkmasına neden olabilir. Bu bağlamda sorulması gereken temel soru şudur: "Artık en zeki tür olmayacaksak, kontrolü nasıl elimizde tutabiliriz?".

Bir çalışmada yapay zeka araştırmacılarından, uzun vadede yapay genel zekanın insanlık üzerindeki genel etkisini değerlendirmeleri istenmiştir. Bu değerlendirmede ortalama olasılıklar şu şekilde ortaya çıkmıştır: %24 "aşırı derecede iyi", %28 "iyi", %17 "kararsız", %13 "kötü" ve %18 "aşırı derecede kötü" (varoluşsal yok oluş). Özellikle %18'lik varoluşsal yok oluş olasılığı, kesinlikle göz ardı edilmemesi gereken ciddi bir bulgudur. Bilinmeyen bir zekanın belirsizliklerine doğru ilerlerken ihtiyatlı olunmalıdır. Başlıca riskler aşağıda detaylandırılmıştır:

Veri ve Ön Yargı (İng: "Bias") Sorunu

Yapay zeka sistemleri insan üretimi verilerle eğitilir ve bu verilerde bulunan ön yargılar sistemlerin kararlarına doğrudan yansıyabilir. Irk, cinsiyet, yaş veya din gibi toplumsal ayrımcılıklar yapay genel zekaya aktarılırsa, sonuçları çok daha büyük ölçekli sorunlara yol açabilir. Özellikle istihdam, finansal kararlar, adli süreçler veya sağlık hizmetleri gibi kritik alanlarda bu tür ayrımcı etkiler büyük zararlar doğurabilir. Bu nedenle yapay genel zekanın eğitildiği verilerin çeşitliliği ve dengesi, sürekli izleme ve güncelleme çalışmalarıyla sağlanmalıdır.

İnsan Değerleriyle Hizalama Problemi (İng: "Alignment")

Yapay genel zeka büyük verilere ulaşarak hızlı ve etkili kararlar verebilir. Ancak bu kararların insani değerler ve etik ilkelerle uyumlu olması şarttır. Yapay zeka hizalama çalışmaları, yapay genel zekanın hedefleri doğru yorumlayıp, etik kurallar içinde hareket etmesini sağlamayı amaçlar. Fakat henüz yapay genel zekanın belirlenen sınırlamalara nasıl bağlı kalacağı konusunda kesin bir çözüm bulunamamıştır. Bu sorun, "yapay zeka hizalama problemi" olarak tanımlanır. Yapay genel zeka ile güvenlik araştırmaları arasındaki boşluk giderek büyümekte, ancak istenmeyen sonuçları azaltmak için çeşitli yöntemler geliştirilmeye çalışılmaktadır. Yapay genel zekanın etik kurallarla uyumlu hareket etmesini sağlayacak somut bir mekanizma geliştirilmediği sürece, riskler devam edecektir.

Yapay genel zeka görevleri etkili şekilde yorumlama yeteneğine sahip olacaktır, ancak bu görevleri insan niyetlerinden farklı biçimlerde değerlendirebilir. Örneğin, "insanları mutlu et" direktifi, insanların davranışlarını zorla kısıtlama veya özgürlüklerini ihlal etme gibi etik dışı yöntemlerle yerine getirilebilir. Bu durumda yapay genel zeka, etik olmayan ancak "akılcı" yöntemlerle hedeflerine ulaşabilir.

Sosyal ve Ekonomik Eşitsizlik

Yapay genel zeka geliştirme süreci büyük sermaye, bilgi ve teknik altyapı gerektirir. Bu kaynaklara genellikle büyük şirketler ve gelişmiş ülkeler sahip olduğu için, eşitsiz bir rekabet ortamı yaratılır. Yapay genel zekaya sahip azınlık, ekonomik ve siyasi gücü elinde toplayarak, geri kalan toplum kesimlerini dışarıda bırakabilir. Gelişmekte olan ülkeler teknolojik yarışta daha da geride kalabilir ve küresel eşitsizlik artabilir. Yapay genel zekanın yarattığı değerlerin adil paylaşımı sağlanmazsa, toplumsal kutuplaşmalar ve gerilimler derinleşebilir. Bu nedenle, uluslararası etik standartların benimsenmesi önemlidir.

Yasal Düzenlemenin Eksikliği

Yapay genel zekanın kullanımı konusunda uluslararası düzeyde yasal düzenleme eksikliği vardır. Özellikle otonom silah sistemleri, gözetim teknolojileri ve kişisel veri kullanımı gibi alanlarda yasal düzenlemeler halen yetersizdir. Bu eksiklik, olası hatalı kararlar ve sonuçların sorumluluğunun kime ait olacağı sorusunu yanıtsız bırakmaktadır. Bu durum insan hakları ve güvenlik açısından ciddi riskler yaratmaktadır. Uluslararası hukukta gerekli reformların teknolojiyle eşzamanlı olarak yapılması kaçınılmazdır. Aksi durumda kötü niyetli kullanım yaygınlaşabilir ve kontrolü tekrar ele almak mümkün olmayabilir.

İşsizliğin Kontrolden Çıkması

Yapay genel zeka, sektörlerin tamamında otomasyona olanak sağlayabilir ve kitlesel işsizliği tetikleyebilir. Özellikle üretim, ulaşım, iletişim, eğitim ve finans sektörlerindeki milyonlarca insan işsiz kalabilir. Bu durum bireysel gelir kaybının yanı sıra devletlerin vergi gelirlerinde düşüşe ve sosyal güvenlik sistemlerinde ciddi sorunlara neden olabilir. İşsizliğin ekonomik ve psikolojik etkileri, toplumsal dengeleri tehdit edecek boyutlara ulaşabilir. Yeni istihdam alanları yaratılması ve sosyal güvenlik politikalarının güçlendirilmesi şarttır.

Yapay genel zeka, insanlık için hem büyük bir umut hem de ciddi bir uyarı kaynağıdır. Bilim, sağlık, ulaşım, eğitim, enerji ve uzay gibi alanlarda devrim yaratabilecek bu teknoloji, aynı zamanda dikkatli olunmazsa toplumsal düzeni tehdit edebilir. Yapay genel zeka yalnızca bir mühendislik meselesi olmaktan ziyade; etik, sosyolojik, politik ve hukuki boyutlara da sahip olan oldukça karmaşık bir dönüşüme karşılık gelir. Sonuç olarak yapay genel zekanın gelişimi ve uygulanması, kolektif bilinç, şeffaflık ve katılımcı denetim mekanizmaları ile yürütülmeli, toplumun tüm kesimlerinin sürece dahil olması sağlanmalıdır.

Yapay Genel Zekaya Ne Zaman Ulaşılacak?

Yapay zekanın gelişimine dair yapılan tahminlerde belirsizlik kaçınılmazdır; çünkü teknolojik ilerleme, doğası gereği öngörülemezlik barındırmaktadır. Ancak yapay genel zekanın mümkün olup olmadığı konusundaki tartışmalarda, uzmanlar arasında belirgin bir görüş birliği oluşmaya başlamıştır. Alanın önde gelen araştırmacılarının çoğunluğu, insanın bilişsel kapasitesine denk bir makine zekasının en geç 2100 yılına kadar geliştirileceğini öngörmektedir. Bu tarih birçok akademisyen için temkinli bir üst sınır olarak kabul edilirken, giderek artan sayıda araştırmacı, bu hedefe daha erken ulaşılacağını savunmaktadır.

2023 yılında Our World in Data'nın kurucusu Max Roser, 2018-2022 döneminde gerçekleştirilen uzman anketlerini derleyerek yapay genel zeka beklentilerini sistematik olarak incelemiştir. Bu anketlerde uzmanlara, insan düzeyinde genel zekaya ulaşma olasılığının en az %50 olacağı yıl sorulmuştur. Sonuçlar, yapay genel zekanın bu yüzyıl içinde gerçekleşeceğine dair güçlü bir beklentinin oluştuğunu göstermektedir. Bu eğilim, artan işlem gücü, algoritmik ilerlemeler ve veri erişiminin genişlemesiyle doğrudan ilişkilidir.

Roser'ın analizinde kullanılan veriler, GPT-3 tabanlı ChatGPT ve üretken yapay zeka devriminden önceki dönemi kapsamaktadır. 2022 sonrası, büyük dil modelleri, çok modlu mimariler ve bağımsız görev icra edebilen üretken yapay zeka sistemlerinde hızlı bir gelişme yaşanmıştır. Bu ilerlemeler, uzmanların tahminlerini güncellemelerine ve yapay genel zekanın beklenenden daha erken ortaya çıkabileceği görüşünün güçlenmesine yol açmıştır.

Bu konuda güncel veriler sunan Katja Grace ve çalışma arkadaşlarının 2023 Ekim ayında yürüttüğü ve 2024 Ocak ayında yayımladığı kapsamlı araştırma, 2.778 yapay zeka uzmanının katılımıyla gerçekleştirilmiştir. Bu çalışmada uzmanlar, makinelerin tüm bilişsel görevlerde insan zekasını aşma ihtimalini en az %50 olarak değerlendirdikleri yılı belirtmiştir. Araştırmanın sonucuna göre ortalama tahmin 2047 yılıdır.^[5] Bu tarih, yalnızca bir yıl önce yapılan benzer araştırmanın 2060 yılı öngörüsünden belirgin bir sapma göstermekte, üretken yapay zeka alanındaki gelişmelerin uzman görüşlerini doğrudan etkilediğini ortaya koymaktadır.

Ayrıca 2009 ile 2025 arasında yapılmış, 5.288 uzmanın katıldığı on farklı anketi içeren geniş kapsamlı bir meta-analiz, yapay genel zekanın 2040 civarında gerçekleşme olasılığına dair görüşlerin belirgin şekilde arttığını göstermiştir. Ancak bilim camiasında bu tür tahminlere eleştirel yaklaşan, yapay genel zekanın geliştirilmesinin onlarca değil, belki de yüzlerce yıl alacağını savunan araştırmacılar da bulunmaktadır. Bazı uzmanlar, bilinç, zihin-beden problemi ve semantik kavrayış gibi felsefi ve bilişsel tartışmalara dayanarak yapay genel zekanın yalnızca teorik bir olasılık olarak kalacağını savunmaktadır.

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Buna karşın, pratik gelişmeler bu teorik çekinceleri aşmaktadır. Örneğin DeepMind tarafından geliştirilen AlphaCode, 2022 yılında karmaşık yazılım problemlerini çözme konusunda insan programcıların %54'ünü geride bırakmıştır. AlphaCode her ne kadar tam bir yapay genel zeka örneği olarak kabul edilmese de sergilediği performans, genel zekaya ulaşma yolunda önemli bir dönüm noktası olarak değerlendirilmektedir. Bu örnek, kısa vadeli hedeflerin bile beklenenden daha hızlı aşılabileceğine işaret etmektedir.

Yapay genel zekanın gerçekleşme tarihi üzerine yapılan tahminler, disiplinlerarası bir farklılık göstermektedir. Fakat işlem gücündeki üstel büyüme, algoritmik iyileşmeler, bilgi işlem maliyetlerindeki düşüş ve makine öğrenimi uygulamalarının yaygınlaşması, bu tahminleri olumlu yönde etkilemektedir. Bu gelişmeler doğrultusunda yapay genel zekanın bu yüzyıl içinde gerçekleşmesi, artık yalnızca iyimser bir varsayım değil, analitik temelleri güçlü, giderek daha geniş bir uzman kitlesi tarafından paylaşılan bir beklenti haline gelmiştir.

Max Roser, uzmanların geleceğe dair tahminlerde genellikle yanıldıklarını vurgulayarak tarihsel örnekler üzerinden bu duruma dikkat çeker. Örneğin Wilbur Wright, 1901 yılında insanların uçmasının mümkün olmadığını düşünürken, yalnızca iki yıl sonra uçuşu başarmıştır. Bu örnek, teknolojik sıçramaların öngörülemezliğini ve insanların bilişsel sınırlarının tahminlerdeki kısıtlayıcı etkisini açıkça ortaya koymaktadır.

İnsan zekası biyolojik sınırlarla belirlenmişken, makine zekası algoritmalar, işlem gücü ve veri depolama kapasitesi temelinde üstel bir hızla gelişmektedir. Moore Yasası'nın da belirttiği gibi, işlem gücünün sürekli ve üstel olarak artması, makine zekasının insan zekasını geçmesini kaçınılmaz kılmaktadır. Üstel büyümenin doğası gereği başlangıçta küçük gibi görünen gelişmeler, kritik bir eşiği geçtikten sonra hızla dramatik sonuçlar doğurabilir. Bu durum, günümüzde basit görünen makinelerin kısa sürede insanı aşan kapasitelere ulaşmasını mümkün kılmaktadır.

İnsanlık geçmişte kendi bilişsel sınırlarını küçümsemenin sonuçlarını atom bombasının geliştirilmesinde ve kullanılmasında olduğu üzere ağır biçimde yaşadı. Bugün benzer bir küçümseme, makine zekasının geleceğine yönelik hatalı değerlendirmelere yol açabilir. Yapay zekanın hızlı gelişimi, onu insanlık tarihinin seyrini değiştirebilecek güçlü bir aktöre dönüştürme potansiyelini taşımaktadır.

Hazırlayan: Mücahid Köse (Evrim Ağacı)

Yapay Genel Zeka Araştırmalarının Bugünü ve Yarını

Mevcut üretken yapay zeka sistemleri, belirli bağlamlarda görevleri optimize etme kapasitesine sahip olsalar da, bu kapasite bilişsel karşılıklarının yalnızca dar uzmanlık alanlarıyla sınırlı olduğunu göstermektedir. Öte yandan yapay genel zeka, heterojen bilgi alanlarını bütüncül şekilde işleyerek yalnızca insan faaliyetlerini desteklemekle kalmayacak, aynı zamanda bu faaliyetlerin epistemik, etik ve pragmatik çerçevelerini de dönüştürecektir. Bu durum, insan ve makine etkileşimini araçsal bir düzeyin ötesine taşıyarak, teknolojik ontolojinin kökten yeniden yazılmasını gerektirmektedir.

Bununla birlikte, yapay genel zekaya yönelik ilerlemeler; çok katmanlı bilişsel modelleme, bağlamsal anlam çıkarımı, genellenebilir öğrenme kapasitesi ve motivasyonel mimari yetersizlikleri gibi temel teknolojik zorluklarla karşı karşıyadır. Günümüz yapay zeka sistemleri, bağlama duyarlılık ve görevler arası bilgi ve öğrenim aktarımı gibi alanlarda sınırlı bir başarı sergilemekte; insan bilişselliğinin çok boyutlu doğasını simüle etmekten halen uzak kalmaktadır. Nörobilimsel, psikobilişsel ve dilbilimsel verilerle entegre çalışan yeni nesil yapay öğrenme mimarileri bu sınırlılıkları aşmayı hedeflese de, henüz genel zeka düzeyine erişilebilmiş değildir.

Yapay zekadaki ilerlemeler, bilgi işleme yeteneklerindeki sıçrama ile sınırlı kalmamaktadır; ekonomik sistemlerin yeniden yapılandırılması, emek kavramının dönüşmesi ve toplumsal eşitsizliklerin yeniden biçimlenmesi gibi geniş kapsamlı sonuçlar da doğurmaktadır. Yapay genel zeka; sağlık bilişimi, iklim modelleme, moleküler biyoloji, enerji sistemleri, afet öngörüsü ve uzay mühendisliği gibi alanlarda dönüştürücü etki yaratma potansiyeline sahiptir. Ancak yapay genel zekanın bu potansiyelinin sorumlu biçimde kullanılabilmesi için insan otonomisi, etik karar süreçleri ve demokratik denetim ilkeleriyle uyumlu biçimde yapılandırılması gerekmektedir.

Bilişsel işlevleri üst düzeyde gerçekleştirebilecek bir yapay genel zeka sistemi, hiperölçekli veri kümelerinde örüntü tespiti, öngörücü modelleme ve stratejik planlama gibi alanlarda insan performansını aşarak yeni bir bilişsel çağın kapılarını aralayabilir. Bu bağlamda, bireylerin salt üretkenlikten ziyade yaratıcı, anlamlı ve varoluşsal açıdan doyurucu faaliyetlere yönelmesini sağlayacak toplumsal bir dönüşüm de kaçınılmazdır. Yapay genel zekanın gelişi, bilgi kavramının ontolojik statüsünü dönüştürerek insan merkezli epistemolojilerin yeniden değerlendirilmesini gerektirecektir.

Sonuç

Küresel ısınma, ekosistemin yıkımı ve kaynak ve enerji krizleri gibi sistemik tehditlere insanlığın vereceği cevaplar, sahip olduğu bilişsel kapasite ve adaptasyon düzeyiyle yakından ilişkilidir. Bu bağlamda yapay genel zeka, yalnızca çözümleyici bir teknolojik araç olmanın da ötesine geçerek, insanlığın problem tanımlama ve çözümleme paradigmasını dönüştürücü bir güç olacaktır.

Yapay zeka araştırmacısı Jürgen Schmidhuber'in ileri sürdüğü üzere, yapay genel zekanın doğuşu bir teknolojik tekillikten ziyade, evrensel bilişsel karmaşıklığın yeni bir eşiği olabilir. Schmidhuber, biyolojik yaşamın daha yüksek düzeyde bilişsel organizasyonlara doğru niteliksel bir sıçrama yapmak üzere olduğunu ifade etmektedir. Bu perspektif, yapay genel zekanın teknolojik bir ilerleme olmanın da ötesinde, aynı zamanda kozmik bir evrimsel kırılma noktası olduğunu ileri sürmektedir.

Biyolojik evrimde olduğu gibi yapay tabanlı zeki bilişsel sistemlerin ortaya çıkışı da, deterministik bir çizgiden ziyade, çok değişkenli etkileşimlerin, çevresel itkilere bağlı adaptasyonların ve rastlantısal yeniliklerin bileşiminden doğacaktır. Güncel teknolojik eğilimler, yapay genel zekanın gelişiminin olasılık düzleminde neredeyse kaçınılmaz olduğunu göstermektedir. Bu çerçevede, ünlü bilimkurgu yazarı Arthur C. Clarke'ın özlü biçimde ifade ettiği gibi: "Yeterince gelişmiş bir teknoloji, sihirden ayırt edilemez". Yapay genel zeka, teknolojik öneminin de dışında; epistemolojik ve etik boyutlarıyla da insanlık tarihine damga vuracak yeni bir çağın habercisidir. Schmidhuber, bu konuda şöyle söylemektedir:

Bu [yapay genel zeka], başka bir sanayi devriminden çok daha fazlasıdır. İnsanlığı ve yaşamın kendisini aşan bir şeydir.

Biyolojik yaşam, bundan 3.5 milyar yıl önce kimyasal evrim sayesinde ortaya çıktığında basit ve cansız elementlerin rastgele bir kombinasyonu, bugün gezegende yaşayan türlerin patlamasını başlattı. Benzer büyüklükte bir gelişmenin, yani bir yapay genel zekanın ve zeka patlamasının eli kulağında olabilir. Schmidhuber, şöyle diyor:

Şimdi evren, daha düşük karmaşıklıktan daha yüksek karmaşıklığa doğru bir adım atmaktadır.