Kolektif Zekâ

Mahmut Boyuneğmez

Yapay Zekâ (YZ), insanlığın geleceğini şekillendirmede güçlü bir araçtır, ancak bir “sihirli değnek” değildir. Teknolojinin insanlık lehine kullanılması, toplumsal ilişkilerin akılcı, planlı ve eşitlikçi bir şekilde düzenlenmesine bağlıdır. YZ, insan zekâsıyla iş birliği yaparak, kolektif refahı ve mutluluğu artırma potansiyeline sahiptir. Bu potansiyelin realize edilmesi, insanlığın kendi geleceğini bilinçli bir şekilde inşa etme iradesine ve eylemine bağlıdır.

Özet

Yapay zekâ (YZ), insan zekâsını taklit eden veya belirli görevlerde insan performansını aşan sistemler olarak modern teknolojinin en dönüştürücü alanlarından biridir. 1950’lerde Alan Turing’in “Makine düşünebilir mi?” sorusuyla başlayan YZ yolculuğu, günümüzde otonom araçlardan tıbbi teşhise kadar geniş bir yelpazede kullanıma kadar ulaşmıştır. Bu makale, YZ’nin teknik temellerini, uygulama alanlarını, etik ve toplumsal etkilerini ve gelecekteki potansiyelini çok boyutlu bir perspektiften incelemektedir. YZ’nin gelişimi, makine öğrenimi, derin öğrenme ve doğal dil işleme gibi teknolojilerle hız kazanırken, bu teknolojilerin ekonomik, toplumsal ve etik sonuçları tartışma konusudur. Makale, YZ’nin kapitalist sistem içindeki sınırlamalarını eleştirerek, eşitlikçi ve özgürlükçü bir toplumsal düzenin YZ’nin potansiyelini insanlık lehine gerçekleştirebileceğini savunmaktadır.

1. Giriş

Yapay zekâ (YZ), insan zekâsının problem çözme, öğrenme ve karar verme gibi özelliklerini taklit eden veya belirli görevlerde insan performansını aşan sistemlerin geliştirilmesini ifade eder. 1950’lerde Alan Turing’in etkileyici makalesinde sorduğu “Makine düşünebilir mi?” sorusu, YZ’nin felsefi ve teknik temellerini atmıştır [1]. Turing’in bu sorusu, yalnızca teknolojik bir merakı değil, aynı zamanda insan doğası ve zekânın sınırları üzerine derin bir sorgulamayı tetiklemiştir. Günümüzde YZ, sağlık, finans, ulaşım, eğitim ve güvenlik gibi alanlarda önemli etkiler yaratmaktadır. Ancak, bu teknolojinin kapitalist toplumsal ilişkiler içindeki kullanımı, onun potansiyelini sınırlamakta ve etik sorunları gündeme getirmektedir. Bu makale, YZ’nin teknik altyapısını, uygulama alanlarını, etik ve toplumsal etkilerini ve gelecekteki potansiyelini ayrıntılı bir şekilde ele alarak, teknolojinin insanlığın kolektif refahı için nasıl kullanılabileceğini tartışmaktadır.

2. Yapay Zekânın Teknik Altyapısı

YZ, bilgisayar bilimlerinin bir alt dalı olarak, algoritmalar, veri işleme ve hesaplama gücü üzerine inşa edilmiştir. Temel bileşenleri şunlardır:

• Makine Öğrenimi (ML): Makine öğrenimi, veri setlerinden örüntü çıkararak tahmin modelleri oluşturan bir yöntemdir. Denetimli öğrenme (örneğin, lineer regresyon), denetimsiz öğrenme (örneğin, kümeleme) ve pekiştirmeli öğrenme (örneğin, oyun oynayan algoritmalar) gibi yaklaşımlar, YZ’nin temel taşlarını oluşturur [2]. Örneğin, bir makine öğrenimi modeli, bir firmanın geçmiş satış verilerine dayanarak gelecekteki talebi tahmin edebilir.
• Derin Öğrenme (DL): Yapay sinir ağları, özellikle konvolüsyonel sinir ağları (CNN) ve tekrarlayan sinir ağları (RNN), karmaşık görevlerde atılım yaratmıştır. CNN’ler, görüntü tanıma görevlerinde (örneğin, tıbbi görüntüleme) üstün performans gösterirken, RNN’ler doğal dil işleme ve zaman serisi analizinde etkilidir [3]. Derin öğrenme, büyük miktarda veri ve yüksek hesaplama gücü gerektirir, bu da GPU’ların ve bulut bilişimin önemini artırmaktadır.
• Doğal Dil İşleme (NLP): NLP, metin ve konuşma analizi yoluyla insan-makine iletişimini kolaylaştırır. Transformer tabanlı modeller (örneğin, GPT ve BERT), metin üretimi, çeviri ve duygu analizi gibi görevlerde çığır açmıştır [4]. Örneğin, bir sohbet botu, kullanıcı sorularını anlayarak doğal ve akıcı yanıtlar verebilir.
• Robotik ve Bilgisayarlı Görü: Sensörler ve görüntü işleme algoritmaları, otonom sistemlerin çevresel farkındalığını artırır. Bilgisayarlı görü, otonom araçların yol işaretlerini tanımasından, endüstriyel robotların hassas montaj görevlerini gerçekleştirmesine kadar geniş bir uygulama alanına sahiptir [5].

YZ’nin bu bileşenleri, büyük veri, bulut bilişim ve güçlü işlemcilerle desteklenerek ölçeklenebilir hale gelmiştir. Ancak, yüksek hesaplama gücü ihtiyacı, enerji tüketimini artırarak çevresel sorunlara yol açmaktadır. Ayrıca, veri gizliliği ve güvenliği, YZ sistemlerinin güvenilirliğini tehdit eden önemli teknik zorluklardır. Örneğin, bir YZ modelinin eğitimi için kullanılan verilerin kötü niyetli kişilerce ele geçirilmesi, ciddi mahremiyet ihlallerine neden olabilir.

3. Yapay Zekânın Uygulama Alanları

YZ, çeşitli sektörlerde önemli etkiler oluşturmaktadır. Aşağıda, YZ’nin temel uygulama alanları ve bu alanlardaki örnekler sunulmuştur:

• Sağlık: YZ, tıbbi görüntüleme, teşhis ve kişiselleştirilmiş tedavi planlarında doktorların doğruluğunu artırır. Örneğin, IBM Watson Health, kanser teşhisinde onkologlara destek sağlamak için kullanılmaktadır [6]. Derin öğrenme modelleri, röntgen, ultrason, BT ve MR görüntülerinden anormallikleri tespit ederek teşhis oranlarını iyileştirebilir. Ayrıca, YZ tabanlı giyilebilir cihazlar, kalp ritmi gibi sağlık göstergelerini gerçek zamanlı izleyerek önleyici tıbbı destekler. Ancak, bu teknolojilere erişim, yüksek maliyetler nedeniyle emekçileri dışarıda bırakacak şekilde kapitalist sınıftan ayrıcalıklı gruplarla sınırlıdır. Türkiye’de YZ’nin sağlık alanındaki uygulamaları ise emekleme dönemindedir. Örneğin, bazı hastanelerde YZ tabanlı görüntüleme sistemleri, akciğer kanseri gibi hastalıkların erken teşhisinde kullanılmaya başlanmıştır. Ancak, Türkiye’de sağlık altyapısındaki bölgesel eşitsizlikler ve yüksek maliyetler, bu teknolojinin yaygınlaşmasını sınırlamaktadır. Bu durum, YZ’nin eşitlikçi bir sağlık sistemi içinde daha etkin kullanılabileceğini göstermektedir.
• Finans: YZ, dolandırıcılık tespiti, algoritmik ticaret ve risk analizi gibi alanlarda yaygın olarak kullanılır. Makine öğrenimi modelleri, kredi kartı işlemlerindeki anormallikleri tespit ederek dolandırıcılığı önler [7]. Algoritmik ticaret sistemleri, piyasa verilerini analiz ederek saniyeler içinde yatırım kararları alabilir. Ancak, bu sistemlerin aşırı optimizasyonu, finansal piyasalarda istikrarsızlığa yol açabilmektedir. Geleceğin toplumundaysa finansal alanda kullanmak yerine, YZ’nin iktisadi süreçlerin planlanmasında, ürünlerin arzının ihtiyaçları doyurmasının sağlanmasında ve israfın önlenmesinde işlevsel kılınacağı söylenebilir.
• Ulaşım: Otonom araçlar, Tesla ve Waymo gibi şirketlerin YZ odaklı yenilikleriyle ticarileşmektedir [8]. Bu araçlar, sensörler, kameralar ve YZ algoritmaları kullanarak çevreyi algılar ve trafik kurallarına uygun kararlar alır. Ancak, otonom araçların güvenilirliği, özellikle karmaşık şehir ortamlarında, hala geliştirilmektedir. Komünist dünya toplumunda otomobil kullanımı tümüyle lağvedilmeden, diğer ulaşım yollarını ve araçlarını destekleyecek şekilde belirli sınırlar dahilinde kalacak, otonom taşıtlar bu kapsamda yaygınlaşacaktır.
• Eğitim: YZ tabanlı kişiselleştirilmiş öğrenme platformları, öğrencilerin ihtiyaçlarına göre uyarlanmış içerik sunar. Örneğin, adaptif öğrenme sistemleri, bir öğrencinin zayıf yönlerini tespit ederek özel alıştırmalar önerir [9]. Bu sistemler, eğitimde fırsat eşitliğini artırma potansiyeline sahip olsa da kapitalist toplumsal ilişkiler dahilinde dijital altyapıya erişimdeki eşitsizlikler bu potansiyeli sınırlamaktadır. Türkiye’de, YZ tabanlı eğitim platformları, özellikle pandemi döneminde uzaktan eğitimde kullanılmıştır. Örneğin, Eğitim Bilişim Ağı (EBA) gibi platformlar, YZ destekli içerik öneri sistemleriyle öğrencilerin öğrenme süreçlerini desteklemeye çalışmıştır. Ancak, öğrencilerin kentsel ve kırsal bölgelerde paralı olan internete erişim eksikliği ve cihaz yokluğu, bu teknolojinin kapsayıcılığını belirgin biçimde kısıtlamaktadır. Bu, YZ’nin eğitimde eşitlikçi bir şekilde uygulanması için kamusal altyapı yatırımlarının önemini ortaya koymaktadır.
• Savunma ve Güvenlik: YZ, siber güvenlik tehditlerini tespit etmek ve otonom dronlar gibi teknolojiler geliştirmek için kullanılmaktadır [10]. Örneğin, YZ tabanlı sistemler, ağ trafiğini analiz ederek siber saldırıları gerçek zamanlı olarak engelleyebilir. YZ’nin askeri uygulamaları ve otonom silahlarsa, insanlığın gündeminden geri gelmemek üzere silinip gitmelidir.

YZ’nin bu uygulamaları, kapitalist sistem dahilinde ekonomik büyümeye katkıda bulunurken, teknolojinin toplumsal faydaları kâr odaklı bir çerçevede sınırlanmaktadır. Örneğin, sağlıkta YZ’nin kullanımı, yüksek maliyetli teknolojilere erişimi olmayan topluluklar ve toplumsal sınıflar için kısıtlıdır. Türkiye bağlamında, bölgesel ve sınıfsal eşitsizlikler ile dijital uçurum, YZ’nin sağlık ve eğitim gibi alanlarda yaygınlaşmasını zorlaştırmaktadır. Bu durum, YZ’nin potansiyelinin ancak eşitlikçi bir toplumsal düzende tam anlamıyla realize edilebileceğini göstermektedir.

4. Etik ve Toplumsal Etkiler

YZ’nin hızlı gelişimi, bir dizi etik ve toplumsal soruyu gündeme getirmiştir. Bu sorunlar, teknolojinin tasarımı, kullanımı ve toplumsal etkileriyle ilgilidir.

• Önyargı ve Ayrımcılık: YZ sistemleri, eğitim verilerindeki önyargıları yansıtabilir. Örneğin, yüz tanıma sistemlerinin ırksal ve cinsiyet temelli önyargıları, yanlış teşhisler ve ayrımcılıkla sonuçlanmıştır [11]. Bu sorun, veri setlerinin çeşitlendirilmesi ve algoritmaların düzenli olarak denetlenmesiyle kısmen çözülebilir. Ancak, önyargının kökeni, genellikle verilerin toplandığı toplumsal yapının eşitsizliklerinde yatmaktadır. Bu nedenle, YZ’nin etik kullanımı, toplumsal adaletsizliklerin ele alınmasını gerektirir.
• İş Gücü ve Otomasyon: YZ, rutin işleri otomatikleştirerek iş kayıplarına yol açabilir. Dünya Ekonomik Forumu, 2025’e kadar 85 milyon işin otomasyon nedeniyle kaybolabileceğini, ancak aynı dönemde 97 milyon yeni işin ortaya çıkabileceğini öngörmüştür [12]. Bu değişim, işçilerin yeniden beceri kazanmasını gerektirir. Ancak, otomasyonu bir tehdit olarak görmek yerine, insanlığın rutin ve yabancılaştırıcı işlerden kurtularak yaratıcı potansiyelini gerçekleştirmesi için bir fırsat olarak değerlendirmelidir. Otomasyon, sosyalist toplumsal ilişkiler kurulduğunda sanat, bilim ve sosyal projeler gibi alanlara daha fazla zaman ayrılmasını sağlayacaktır.
• Gizlilik: Büyük veri kullanımı, bireysel gizliliği tehdit edebilir. Cambridge Analytica (CA) skandalı, kişisel verilerin siyasi manipülasyon için nasıl kullanılabileceğini göstermiştir [13]. Bu sorun, sıkı veri koruma yasaları ve şeffaf veri toplama süreçleriyle hafifletilebilir. Ancak, küresel ölçekte veri etiği standartlarının oluşturulması gerekmektedir.
• Sorumluluk: Otonom sistemlerin karar alma süreçlerinde kimin sorumlu olacağı belirsizdir. Örneğin, bir otonom araç kazasında sorumluluk sürücüye, üreticiye mi yoksa algoritma tasarımcısına mı aittir? [14] Bu soruya yanıt olarak, YZ’nin insan gözetimi altında kullanılmasını önermekteyiz. YZ, karar alma süreçlerinde doğruluğu ve kesinliği artırmak için bir araç olarak hizmet etmeli, ancak nihai sorumluluk ve karar yetkisi onu kullanan insanlara ait olmalıdır.

YZ’nin kapitalist sistem içindeki kullanımı, teknolojinin potansiyelini kâr odaklı bir çerçeveye hapsetmektedir. Örneğin, Amazon’un YZ tabanlı iş gücü izleme sistemleri, çalışanların her hareketini (tuvalet molaları dahil) takip ederek üretkenliği maksimize etmeyi amaçlamıştır, ancak bu, işçilerin mahremiyetini ihlal etmekte ve çalışma koşullarını insanlık dışı hale getirmektedir [15]. Benzer şekilde, sosyal medya platformları (örneğin, Meta ve X), kullanıcı verilerini analiz ederek YZ algoritmalarını hedefli reklamlar sunmak ve kullanıcı davranışlarını manipüle etmek için kullanmaktadır. Cambridge Analytica (CA) skandalı, bu tür veri manipülasyonunun tipik bir örneği olmuştur.

CA, Facebook üzerinden bir kişilik testi uygulaması (“This Is Your Digital Life”) aracılığıyla yaklaşık 87 milyon kullanıcının kişisel verilerini toplamış, sadece testi yapan kullanıcıların değil, onların Facebook arkadaşlarının da verilerini (profil bilgileri, beğeniler, paylaşımlar vb.) kullanıcıların bilgisi veya rızası olmadan elde etmiştir. CA, topladığı verileri kullanarak kullanıcıların psikolojik profillerini (psikografik analiz) oluşturmuş, bu profiller, bireylerin siyasi eğilimlerini, korkularını ve motivasyonlarını anlamak için kullanılmıştır. Firma, bu verilere dayanarak seçmenleri mikro hedefleme (microtargeting) yöntemiyle manipüle eden kişiselleştirilmiş siyasi reklamlar ve propaganda kampanyaları tasarlamıştır. Örneğin, belirli seçmen gruplarına korku veya öfke uyandıran içerikler gösterilmiştir. CA, 2016 ABD başkanlık seçimlerinde Donald Trump’ın kampanyası için çalışmış, seçmen davranışlarını etkilemek için YZ tabanlı algoritmalar kullanmıştır. Ayrıca, Birleşik Krallık’taki Brexit referandumunda “Leave” kampanyasını desteklemek için de benzer yöntemler uygulamıştır. Skandal, 2018’de eski CA çalışanı Christopher Wylie’nin ifşalarıyla The Guardian ve The New York Times tarafından kamuoyuna duyurulmuştur [13].

Bu örnekler, YZ’nin kapitalist sistemde bireylerin denetimi ve sömürüsü için bir araca dönüştüğünü ortaya koymaktadır. Tarihsel bir bağlamda, bu durum, Endüstriyel Devrim sırasında makinelerin emeği yoğunlaştırmak ve kârı artırmak için kullanılmasıyla paralellik gösterir. 19. yüzyılda, buharlı makineler işçilerin çalışma saatlerini ya uzatmış ya da emek verimliliğini artırmış, böylelikle fabrika sistemini güçlendirmiştir; günümüzde ise YZ, dijital gözetim ve otomasyon yoluyla benzer bir rol oynamaktadır. Endüstriyel Devrim’in teknolojik ilerlemelerinin toplumsal mücadelelerle birleşerek işçi haklarında iyileştirmelerle sonuçlanması gibi, YZ’nin de eşitlikçi bir toplumsal düzende insanlığın refahı için kullanılabileceği açıktır.

5. Gelecek Perspektifleri

YZ’nin geleceği, kapitalist üretimin ihtiyaçları, teknolojik yenilikler, toplumsal düzenlemeler ve felsefi tartışmalar tarafından şekillendirilecektir. Öne çıkan eğilimler şunlardır:

• Genel Yapay Zekâ (AGI): Mevcut dar YZ sistemleri, belirli görevlerde uzmanlaşmıştır (örneğin, satranç oynama veya görüntü tanıma). Ancak, genel yapay zekâ (AGI), insan düzeyinde çok yönlü zekâya sahip sistemler geliştirmeyi hedefler [16]. AGI’nin gerçekleşmesi, bilimsel keşifleri hızlandırabilir, ancak aynı zamanda kapitalizm koşullarında kalındığı müddetçe etik ve güvenlik risklerini artırabilir.
• Kuantum Bilişim: Kuantum bilgisayarlar, klasik bilgisayarlara kıyasla çok daha hızlı hesaplama kapasitesine sahiptir. Bu teknoloji, YZ algoritmalarını hızlandırarak karmaşık problemlerin çözümünü mümkün kılabilir [17]. Örneğin, kuantum destekli YZ, ilaç geliştirme süreçlerini dramatik bir şekilde kısaltabilir.
• Sürdürülebilir YZ: YZ’nin çevresel etkisi, özellikle enerji tüketimi, önemli bir tartışma konusudur. Örneğin, büyük dil modellerinin eğitimi, tonlarca karbon emisyonu üretmektedir [18]. Yeşil YZ girişimleri şimdiden, enerji verimli algoritmalar ve yenilenebilir enerji kaynakları kullanarak bu sorunu ele almayı amaçlamaktadır.

YZ’nin güvenli ve adil bir şekilde yaygınlaşması, kapitalist toplumsal ilişkilerin yerini eşitlikçi, özgürlükçü ve insan kardeşliğini temel alan bir toplumsal sisteme bırakmasıyla mümkündür. Eşitlikçi bir toplumsal düzende YZ’nin yönetimi, kamusal YZ platformlarıyla sağlanabilir. Örneğin sosyalist bir toplumda kamusal YZ platformları, sağlık ve eğitim gibi temel hizmetlerde ücretsiz ve eşit erişim sunarlar. Toplumcu bir düzende mühendisler, işçiler ve toplumun diğer kesimlerinin YZ projelerine kolektif katılımı teşvik edilerek teknolojinin demokratik bir şekilde tasarlanması sağlanır.

6. Sonuç ve Öneriler

Yapay zekâ, insanlığın karşılaştığı en dönüştürücü teknolojilerden biridir. Teknik başarıları, ekonomik ve toplumsal faydaları kadar etik ve düzenleyici zorlukları da beraberinde getirmiştir. Ancak, tarihte sorunlar belirdiğinde, çözümler için potansiyel olanaklar da filizlenir. YZ’nin potansiyelinden tam anlamıyla yararlanmak için şu öneriler dikkate alınmalıdır:

• Etik ve Yasal Çerçeveler: YZ’nin geliştirilmesi ve kullanımında evrensel etik ilkeler benimsenmelidir. Kapitalist devletlerin ve tekellerin YZ’yi savaşlarda, bireylerin sömürülmesinde ve denetiminde, ayrıca eşitsizlikleri derinleştirmek için kullanmasının önüne geçilmelidir.
• Çalışma Saatlerini Minimum Düzeye İndirme: Otomasyon ve YZ, rutin işleri ortadan kaldırarak çalışma saatlerini dramatik bir şekilde azaltabilir, bireylerin yaratıcı ve anlamlı faaliyetlere odaklanmasını sağlayabilir.
• Şeffaflık ve Sorumluluk: YZ sistemlerinin karar alma süreçleri şeffaf olmalı ve kritik kararlar insan denetimine tabi tutulmalıdır.
• Dünya Çapında Standartlar ve Düzenlemeler: YZ’nin toplumsal ilişkiler içindeki yeri, küresel ölçekte standartlar ve düzenlemelerle yönetilmelidir.

YZ, insanlığın geleceğini şekillendirmede güçlü bir araçtır, ancak bir “sihirli değnek” değildir. Teknolojinin insanlık lehine kullanılması, toplumsal ilişkilerin akılcı, planlı ve eşitlikçi bir şekilde düzenlenmesine bağlıdır. YZ, insan zekâsıyla iş birliği yaparak, kolektif refahı ve mutluluğu artırma potansiyeline sahiptir. Bu potansiyelin realize edilmesi, insanlığın kendi geleceğini bilinçli bir şekilde inşa etme iradesine ve eylemine bağlıdır.

Not: Bu makalenin yazımında insanlığın “kolektif zekâsı” olan YZ’nin toparladığı bilgilerden ve görüşlerden yararlanılmış, kendi perspektifimiz ve değerlendirmelerimiz işlenmiş ve böylelikle oluşturduğumuz ürünle ortak mirasa katkı sunulmaya çalışılmıştır.

Kaynaklar

[1] Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433-460.

[2] Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.

[3] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

[4] Vaswani, A., et al. (2017). Attention is All You Need. Advances in Neural Information Processing Systems, 30.

[5] Siciliano, B., & Khatib, O. (2008). Springer Handbook of Robotics. Springer.

[6] Somashekhar, S. P., et al. (2018). Watson for Oncology and Breast Cancer Treatment Recommendations. Journal of Clinical Oncology, 36(15).

[7] Heaton, J. B., Polson, N. G., & Witte, J. H. (2017). Deep Learning for Finance. Quantitative Finance, 17(9).

[8] Litman, T. (2020). Autonomous Vehicle Implementation Predictions. Victoria Transport Policy Institute.

[9] Woolf, B. P., et al. (2013). AI and Education: Celebrating 30 Years of Marriage. AI Magazine, 34(4).

[10] Allen, G., & Chan, T. (2017). Artificial Intelligence and National Security. Belfer Center for Science and International Affairs.

[11] Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, 81.

[12] World Economic Forum. (2020). The Future of Jobs Report 2020.

[13] Cadwalladr, C., & Graham-Harrison, E. (2018). Revealed: 50 Million Facebook Profiles Harvested for Cambridge Analytica. The Guardian.

[14] Lin, P. (2016). Why Ethics Matters for Autonomous Cars. In Autonomous Driving (pp. 69-85). Springer.

[15] Kantor, J., & Streitfeld, D. (2021). Inside Amazon: Wrestling Big Ideas in a Bruising Workplace. The New York Times.

[16] Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

[17] Biamonte, J., et al. (2017). Quantum Machine Learning. Nature, 549(7671).

[18] Schwartz, R., et al. (2020). Green AI. Communications of the ACM, 63(12).