Dr. Mohamed AbuTaleb, Kenan Alkiek, Sh. Suleiman Hani, Dr. Mohammed Ansari, Sh. Umer Khan / Yaqeen Institute
Çeviri: Barış Hoyraz – Haksöz Haber
Yapay zekâ konusunda İslami etik ve fıkıh yaklaşımı -1
Yapay zekâ konusunda İslami etik ve fıkıh yaklaşımı -2
Yapay zekâ konusunda İslami etik ve fıkıh yaklaşımı -3
Yapay zeka konusunda İslami etik ve fıkıh yaklaşımı -4
Yapay zekâ konusunda İslami etik ve fıkıh yaklaşımı -5
6. BÖLÜM
Ek: Üretken Yapay Zekânın Gizemini Ortadan Kaldırmak58
Bu makalede ele alınan çerçeveleri bağlamına oturtmaya yardımcı olmak amacıyla, bu ek, üretken yapay zekânın gizemini ortadan kaldırmak üzere tasarlanmış, kolay anlaşılır bir teknik giriş sunmaktadır. Üretken yapay zekânın temel özelliklerini, gelişim tarihçesini, etkisini ve işleyiş gerçekliğini ayrıntılı bir şekilde inceleyerek, okuyuculara yapay zekâ kullanımını değerlendirmeye başlamak için gerekli temelleri kazandırmayı umuyoruz.
Günümüzün yapay zekâsı, bu alanın dışında kalanlara genellikle gizemli, hatta sihirli gibi görünür.59 Daha önceki teknolojilerde olduğu gibi, bu gizem duygusu yersiz bir güven ya da abartılı bir korku oluşturabilir; her ikisi de istenmeyen sonuçlara yol açar. Yakın tarihten bir örnek, yirminci yüzyılın başlarında Orta Doğu’da radyonun, daha genel bir ifadeyle kablosuz telgrafın ortaya çıkışıyla ilgilidir. Radyo ilk kez ortaya çıktığında, bazı nüfuzlu din âlimleri, bunun bir büyücülük aracı ya da şeytanın aleti olduğundan korkarak karşı çıkmışlardı: Onlar, bunu mümkün kılan teknolojiyi kavrayamadan, bedensiz/görüntüsüz sesler duyuyorlardı. Kral Abdulaziz ibn Saud, pragmatik bir gösteri düzenletti: Mekke’deki hafızlara radyo üzerinden Kur’an ayetleri okutturdu; alimler, 500 mil (850 km) uzaktaki Riyad’da bu sesleri net bir şekilde duyabildiler. Bu, onları teknolojinin iyilik için kullanılabilecek bir araç olduğuna ikna etmeyi başardı ve nihayetinde teknolojinin resmi olarak onaylanıp benimsenmesine yol açtı.60
Yapay zekânın ürünlerinin bu açıdan benzer olduğunu savunuyoruz: Çıktıları tuhaf ya da hatta insana benzer gelebilir, ancak bunlar tanımlanabilir sistemlerin ve yöntemlerin sonucudur. Bu makalede açıklandığı gibi, bunlar tamamen değer açısından tarafsız değildir. Yapay zekâyı etik ve sorumlu bir şekilde kullanmak için, öncelikle bu gizemli havayı ortadan kaldırmalı ve içinde gerçekte neler olup bittiğini anlamalıyız.
Bu algının en büyük nedeni, insan dilini işlemek ve üretmek üzere tasarlanmış sistemler olan büyük dil modellerinin (LLM’ler) yükselişidir. On yıllar boyunca, bilgisayarların insan dilini etkili bir şekilde anlayabileceği ve üretebileceği fikri, gerçeklikten çok bilim kurguya yakın görünüyordu. Yirminci yüzyılın ortalarına kadar uzanan hesaplamalı dilbilim alanındaki ilk girişimler,61 basit gramer cümleleriyle bile zorlanıyordu ve bu da yaygın bir şüpheciliğe yol açıyordu. 1990’ların sonu ve 2000’li yıllarda ortaya çıkan, halka açık uygulamalar ise izole ve modüler nitelikteydi; örneğin müşteri hizmetleri uygulamalarındaki ses tanıma sistemleri ve Amazon ile Netflix’te her izleme deneyimini kişiselleştiren öneri sistemleri gibi.
Ancak son on yılda, makine öğrenimi ve hesaplama kapasitelerindeki hızlı gelişmeler, dil modellemeyi yapay zekânın en şaşırtıcı başarı öykülerinden biri haline getirmiştir. Günümüzde, tahmine dayalı algoritmayla desteklenen yapay zekâ odaklı dil modelleri, tutarlı ve bağlamsal olarak uygun hikâyeler üretmekte, belgeleri özetlemekte, soruları yanıtlamakta, belgeleri diller arasında sorunsuz bir şekilde çevirmekte, kod yazmakta ve anlamlı sohbetler yürüten akıllı asistanlara güç sağlamaktadır. Bu uygulamalar, adım fonksiyonu niteliğinde bir değişimi temsil etmektedir. Artık kullanıcı deneyimlerine kapsamlı bir şekilde entegre olmuş durumdadırlar; Uber sürücü eşleştirmelerini belirlemekte, iş adaylarını değerlendirmekte,62 ve dolandırıcılık amaçlı işlemleri tespit ediyor. En büyük modeller, Uluslararası Olimpiyat düzeyindeki problemleri çözebiliyor,63 avukatlık sınavlarını ikna edici bir şekilde geçebiliyor,64 uzmanlardan daha yüksek doğrulukla kanseri tespit edebiliyor, 65 seyahat planları ve yemek tarifleri hazırlayabiliyor ve Gazze ile Ukrayna’da insan hedeflerini belirlemek gibi zalimane niyetli amaçlar için kullanılabiliyor.66
Dil modelleri: Tarihçe ve gelişmeler
Bir dil modeli, temelde belirli bir metin göz önüne alındığında, bir sonraki kelimenin veya kelime grubunun ne olacağını tahmin etmek üzere tasarlanmış istatistiksel bir araçtır.67 Kavram basit olmakla birlikte, sonuçları oldukça derindir. Aşağıdaki örneği ele alalım. “Namaz kılmadan önce Ahmed _______” cümlesi verildiğinde, dil modeli, daha önce maruz kaldığı kapsamlı yazılı dil bilgisine dayanarak çeşitli tamamlama seçeneklerine olasılık değerleri atar:
- “abdest aldı” (%22,3)
- “zikir çekti” (%8,7)
- “sünnetleri yerine getirdi” (%5,5)
Bu tahmin yeteneği önemsiz görünebilir, ancak modelin muazzam gücünün temelini tam da bu basitlik oluşturmaktadır. İnternetin tamamı, dijital kitaplar, araştırma makaleleri ve konuşma metinleri eğitim örnekleri olarak kullanılabildiğinden, dijitalleştirilmiş her bir metin parçası potansiyel bir öğrenme kaynağı haline gelir. Mevcut eğitim verilerinin muazzam ölçeği, bu modellerin gramer, bağlam, anlambilim, kültürel referanslar ve genel dünya bilgisi hakkında muazzam miktarda bilgiyi özümsemesine olanak tanır. Hesaplama gücündeki çarpıcı artışlarla, özellikle de Grafik İşlem Birimleri (GPU’lar) ve Algoritma İşlem Birimleri (TPU’lar) gibi özel donanımlardaki gelişmelerle birleştiğinde, devasa veri kümeleri ile yoğun hesaplamanın bu benzeri görülmemiş birleşimi, olağanüstü geniş ve çok yönlü bir görev yelpazesini yerine getirebilen yapay zekâ sistemlerinin oluşturulmasını mümkün kılmıştır. Böylece, bir dil modeli sadece bir sonraki kelimeyi tahmin etmekten çok daha fazlasını öğrenir: İnsan diline ve düşüncesine derinlemesine yerleşmiş kalıpları, yapıları ve anlamları öğrenir.
Erken dönem hesaplamalı dilbilimi, her kelimeyi yalnızca önceki kelimeye dayanarak tahmin eden Markov zincirleri gibi basit istatistiksel yöntemlere dayanıyordu. Bu yaklaşımlar hantal ve mekanik sonuçlar ortaya çıkardı ve bilgisayarların doğal dili etkili bir şekilde işleyebileceğine dair şüpheleri pekiştirdi. Ardından, istatistiksel makine öğreniminin güçlü bir yöntemi olan yapay sinir ağları, tercih edilen yaklaşım olarak ortaya çıktı. Katı, elle kodlanmış kurallara dayanmak yerine, muazzam miktardaki veriler içindeki karmaşık dilbilimsel kalıpları özerk bir şekilde keşfederek, bu derin öğrenme sistemleri önceki darboğazları aştı ve kısa sürede hem araştırma hem de endüstri alanlarında günlük teknolojinin merkezinde yer aldı. Bu alan, 2010’ların başında, daha incelikli dilbilimsel bağlamları yakalayan tekrarlayan sinir ağları ve uzun kısa vadeli bellek ağları gibi derin öğrenme yöntemleriyle ilerleme kaydetti.
2017 yılında, transformatör mimarisinin ortaya çıkmasıyla belirleyici bir atılım gerçekleşti.68 Metni sırayla işleyen önceki modellerin aksine, transformers “kendi kendine dikkat” (self-attention) adı verilen yeni bir mekanizma uyguladı. Bu yeniliğin önemini kavramak için şu cümleyi ele alalım: “Kupa çok büyük olduğu için valize sığmıyor.” Bu cümleyi anlamak için, “it” zamirinin “kupa”yı mı yoksa “valiz”i mi ifade ettiğini belirlemek gerekir. Transformatörün kendi kendine dikkat mekanizması, cümledeki her kelimenin diğer tüm kelimelerle olan ilişkisini doğrudan değerlendirmesine olanak tanır; böylece bağlamsal ipuçları sayesinde “it”in muhtemelen “kupa”yı işaret ettiği hızlı bir şekilde belirlenir. Karmaşık dilbilimsel ilişkileri verimli bir şekilde ele alma yeteneği, transformatörlerin büyük metin bloklarını işlemesine ve önceki modellere kıyasla daha derin anlamsal ve bağlamsal bilgileri yakalamasına olanak sağladı.
Transformers, basit komutlara yanıt olarak yapay zekâya muazzam miktarda bilgi üretme imkânı sağlayarak kısa sürede sektör standardı haline geldi. OpenAI’nin GPT-2’si (2019), 1,5 milyar parametre içeren en büyük varyantıyla büyük ölçekli metin üretiminin potansiyelini ortaya koyarken, GPT-3 (2020) ise 175 milyar parametreye çarpıcı bir şekilde ölçeklendi ve benzeri görülmemiş bir akıcılık sergiledi. Bu parametreler, modelin bilgileri nasıl işlediğini ve çıktıyı nasıl ürettiğini tanımlayan, eğitim sırasında öğrenilen dâhili, eğitilebilir sayısal değerlerdir (özellikle ağırlıklar ve önyargılar). 2022’de ChatGPT’nin halka açık olarak piyasaya sürülmesi, konuşma tabanlı yapay zekâyı yaygın kullanıma soktu; 1,8 trilyon parametreye sahip olduğu söylenen GPT-4 (2023) ise69 insan mantığını ikna edici bir şekilde simüle eden ve profesyonel düzeyde performans sergileyen son derece sofistike bir örüntü eşleştirme yeteneği sergiledi. Bu dönemde, Anthropic’in Claude’u ve Google’ın Gemini’sinin piyasaya sürülmesiyle rekabetin yoğunlaştığı görüldü; ayrıca Başkan Biden’ın yürütme emri ve ilk Küresel Yapay Zekâ Güvenliği Zirvesi de dâhil olmak üzere düzenleyici denetimler de arttı.
2024 yılına gelindiğinde, üretken yapay zekâ alanı daha da çeşitlendi. OpenAI, Sora ile çok modlu yetenekleri piyasaya sürdü, Apple, Apple Intelligence ile bu alana girdi ve Çinli DeepSeek şirketi, görünüşe göre önceki maliyetin çok altında bir maliyetle eğitilmiş olan güçlü bir akıl yürütme modeli olan70 DeepSeek R1’i piyasaya sürerek yapay zekâ geliştirme bütçeleriyle ilgili varsayımları sorguladı.71
Devam edecek >>>
Dipnotlar:
54. Kate Crawford, Yapay Zekâ Atlası: Güç, Siyaset ve Yapay Zekânın Küresel Maliyetleri (Yale Üniversitesi Yayınları, 2021), 30–34.
55. Cooper Elsworth, Keguo Huang, David Patterson ve diğerleri, “Google Ölçeğinde Yapay Zekâ Uygulamasının Çevresel Etkisinin Ölçülmesi,” arXiv, 21 Ağustos 2025, https://arxiv.org/abs/2508.15734.
56. Shakir Mohamed, Marie-Therese Png ve William Isaac, “Sömürgecilikten Kurtulmuş Yapay Zekâ: Yapay Zekâda Sosyoteknik Öngörü Olarak Sömürgecilikten Kurtulma Teorisi,” Philosophy & Technology 33, no. 4 (2020): 659–84.
57. Brown, Hadith, 70–75.
58. Bu teknik açıklama, hızlı yükselişleri ve derin etkileri göz önüne alındığında büyük ölçüde LLM’lere odaklanmaktadır. Sıralama, optimizasyon, sınıflandırma ve bilgisayar görme sistemleri dahil olmak üzere üretken olmayan yapay zekâ uygulamaları, LLM’lere kıyasla başka etik sorunlara ve farklı arıza türlerine yatkın olabilir. Kapsamımızı, üretken yapay zekâya odaklanmak üzere sınırlandırdık.
59. Bu arada, bu alandaki kıdemli araştırmacılardan Kate Crawford, yapay zekânın mevcut halinin ne yapay ne de zeki olduğunu, çünkü doğal kaynaklara ve insan emeğinin çıktısına büyük ölçüde bağımlı olduğunu esprili bir şekilde belirtmektedir. Zoë Corbyn, “Microsoft’tan Kate Crawford: ‘AI Ne Yapay Ne de Akıllı’,” The Guardian, 6 Haziran 2021, https://www.theguardian.com/technology/2021/jun/06/microsofts-kate-crawford-ai-is-neither-artificial-nor-intelligent.
60. Robert Lacey, The Kingdom: Arabia and the House of Sa'ud (Harcourt Brace Jovanovich, 1981); Khayr al-Dīn al-Ziriklī, Shibh al-jazīra fī ʿahd al-malik ʿAbd al-ʿAzīz, 2. baskı (Dār al-ʿIlm li-l-Malāyīn, 1985).
61. “Makine Çevirisinin İlk Halka Açık Gösterimi Gerçekleşti,” History of Information, https://www.historyofinformation.com/detail.php?id=666.
62. Örneğin, bkz. Russell Reynolds Associates, https://www.russellreynolds.com/en/.
63. Himanshi Lohchab, “OpenAI’nin o1’i, Bizim Gibi Akıl Yürütme Yeteneğine Sahip Modeliyle Büyük Bir Adım Attı,” The Economic Times, 16 Eylül 2024, 63. ^ Himanshi Lohchab, “OpenAI’nin o1’i, Bizim Gibi Akıl Yürütme Yeteneğine Sahip Modeliyle Büyük Bir Adım Attı,” The Economic Times, 16 Eylül 2024, https://economictimes.indiatimes.com/tech/technology/openais-o1-takes-a-leap-with-model-that-reason-like-us/articleshow/113373259.cms?from=mdr.
64. Pablo Arredondo, “GPT-4 Baro Sınavını Geçti: Bu, Hukuk Mesleğinde Yapay Zekâ Araçları İçin Ne Anlama Geliyor?”, Stanford Hukuk Fakültesi, 19 Nisan 2023, https://law.stanford.edu/2023/04/19/gpt-4-passes-the-bar-exam-what-that-means-for-artificial-intelligence-tools-in-the-legal-industry/.
65. Radboud Üniversitesi Tıp Merkezi, “Yapay Zekâ, MRG’de Prostat Kanserini Radyologlardan Daha İyi Tespit Ediyor,” Science Daily, 12 Haziran 2024, https://www.sciencedaily.com/releases/2024/06/240612113341.htm
66. Yasmeen Serhan, “İsrail Gazze’de Yapay Zekâyı Nasıl Kullanıyor—Ve Bu Savaşın Geleceği İçin Ne Anlama Gelebilir?”, Time, 18 Aralık 2024, https://time.com/7202584/gaza-ukraine-ai-warfare/.
67. “Büyük Dil Modellerine Giriş”, Makine Öğrenimi kursu, Google Geliştirici Programı, https://developers.google.com/machine-learning/crash-course/llm.
68. Ashish Vaswani, Noam Shazeer, Niki Parmar ve diğerleri, “Dikkat, İhtiyacınız Olan Tek Şey,” arXiv, 2 Ağustos 2023, https://arxiv.org/abs/1706.03762.
69. Maximilian Schreiner, “GPT-4 Mimarisi, Veri Kümeleri, Maliyetler ve Daha Fazlası Sızdırıldı,” The Decoder, 11 Temmuz 2023, https://the-decoder.com/gpt-4-architecture-datasets-costs-and-more-leaked/.
70. “DeepSeek-R1 Sürümü,” DeepSeek, 20 Ocak 2025, https://api-docs.deepseek.com/news/news250120.
71. John Werner, “DeepSeek Duyurusu Amerikan Teknoloji Piyasasını Sarsıyor,” Forbes, 27 Ocak 2025, https://www.forbes.com/sites/johnwerner/2025/01/27/deepseek-announcement-sinks-the-american-tech-market/.