Yapay Zekanın Kısa Tarihi

Her şeyi başlatan soru (1950)

1950 yılında İngiliz matematikçi Alan Turing, Computing Machinery and Intelligence adlı bir makale yayımladı. Tanımlaması zor olan bir makine düşünebilir mi sorusu yerine pratik bir test önerdi: bir kişi yazışarak sohbet ederken karşısındakinin insan mı yoksa makine mi olduğunu güvenilir biçimde ayırt edemiyorsa, o makinenin düşündüğünü söyleyebiliriz. Bu fikir bugün Turing testi olarak biliniyor.

Turing bunu, alanın adı bile yokken yazdı. O dönemin oda büyüklüğündeki bilgisayarları, modern bir telefonun belleğinin çok küçük bir kısmına sahipti. Makalenin en dikkat çekici yanı, makine zekasına yöneltilebilecek pek çok itirazı önceden öngörmesi; bunların birçoğu bugün hala dile getiriliyor.

Bir isim ve bir alan (1956)

Alan adını 1956 yılında Amerika Birleşik Devletleri'ndeki Dartmouth College'da düzenlenen bir yaz toplantısında aldı. Öneriyi John McCarthy, Marvin Minsky, Nathaniel Rochester ve Claude Shannon hazırladı; yapay zeka terimi McCarthy'ye atfedilir. Bu buluşma, onlarca yıllık araştırmanın gündemini belirledi.

İlk sonuçlar umut vericiydi. Allen Newell ve Herbert Simon tarafından 1955 ve 1956 dolaylarında geliştirilen Logic Theorist, matematik teoremlerini kanıtlayabiliyordu. Birkaç yıl sonra, 1959'da Arthur Samuel deneyimle gelişen bir dama oynama programını anlattı; bu, bugün makine öğrenmesi dediğimiz yaklaşımın erken bir örneğiydi. İyimserlik yüksekti ve bazı araştırmacılar bir kuşak içinde insan düzeyinde zeka öngörüyordu.

Yapay zeka kışları

Erken tahminler gerçekleşmedi. Sorunlar beklenenden çok daha zor çıktı ve dönemin bilgisayarları çok yavaş ve çok küçüktü. 1973 yılında matematikçi James Lighthill'in hazırladığı bir rapor ilerleme eksikliğini eleştirdi ve hem Birleşik Krallık'ta hem de Amerika'da fonlar büyük ölçüde kesildi. İlgi ve paranın azaldığı bu döneme birinci yapay zeka kışı denir.

İlgi 1980'lerde uzman sistemlerle yeniden canlandı; bu programlar uzman kişilerin bilgisini uzun eğer-ise kuralları biçiminde kodluyordu. Şirketler yoğun yatırım yaptı ve yapay zeka sektörü on yılın başındaki birkaç milyon dolardan 1988'e gelindiğinde milyarlarca dolara büyüdü. Ancak bu sistemlerin bakımı pahalıydı ve dar alanlarının dışında kırılgandı; 1990'ların başında ikinci bir yavaşlama yaşandı.

Kurallar yerine verilerden öğrenmek

Kalıcı değişim, yaklaşımdaki bir dönüşümdü. Kuralları elle kodlamak yerine araştırmacılar, bir sistemin büyük miktarda veride örüntü bulduğu makine öğrenmesine yöneldi. Bu sessizce güçlü bir yöntemdi ama 2000'li yıllarda gelen iki şeye ihtiyaç duyuyordu: internetten gelen devasa veri kümeleri ve ağır matematiği ucuza yapabilen hızlı grafik işlemcileri.

Dönüm noktası 2012'de geldi. Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton tarafından geliştirilen AlexNet adlı bir sinir ağı, ImageNet görüntü tanıma yarışmasını yüzde 15,3'lük ilk-5 hata oranıyla kazandı; bu, ikinciye göre yaklaşık yüzde 26 olan orana kıyasla açık ara öndeydi. Yeterli veri ve işlem gücü verildiğinde derin sinir ağlarının eski yöntemleri büyük farkla geçebileceğini gösterdi. Modern derin öğrenme çağı başlamıştı.

Transformer mimarisi ve üretken dalga (2017 ve sonrası)

2017 yılında Google'da bir araştırmacı ekibi, transformer mimarisini tanıtan Attention Is All You Need başlıklı bir makale yayımladı. Transformer mimarisi, girdinin her parçasının diğer her parçayla ne kadar ilişkili olduğunu tartan bir dikkat mekanizmasıyla tüm diziyi aynı anda işler. Bu, modellerin büyük ölçekte eğitilmesini çok daha kolay hale getirdi.

Transformer mimarisi, büyük dil modellerinin ve görüntü üreticilerinin temeli oldu; 2022'nin sonundan itibaren genis kitlelere ulaşan üretken yapay zeka araçlarının arkasındaki teknoloji budur. Perspektifi korumakta fayda var: bu sistemler, devasa veri kümeleriyle eğitilmiş çok yetenekli örüntü öğrenicileridir, bilinçli zihinler değil. Nereden geldiklerini anlamak, neyi güvenilir biçimde yapıp yapamayacaklarını değerlendirmenize yardımcı olur.

Aynı görüntü modeli ailesi bugün pratik, günlük araçlara da güç veriyor. Örneğin Renderivo, çevrimiçi satıcılar için ürün fotoğraflarını düzenlemek üzere görsel yapay zeka kullanır; karmaşık arka planları temizler ve düzenli, beyaz arka planlı, kare görüntüler üretir. Bu, bir matematikçinin makine düşünebilir mi diye sormasıyla başlayan yetmiş yıllık bir yolculuğun küçük ve somut bir sonucudur.