1943. Dünya savaştaydı. Chicago’da iki adam, nörolog Warren McCulloch ile yirmi yaşındaki matematikçi Walter Pitts, beynin en küçük parçasını kâğıda dökmeye çalışıyordu. Fikirleri basitti. Bir sinir hücresi, gelen sinyalleri toplayan küçük bir anahtar gibi düşünülebilirdi. Toplam yeterince büyüyünce anahtar “ateşlerdi”.
1950’de İngiliz matematikçi Alan Turing herkesin aklındaki soruyu açıkça sordu: Makineler düşünebilir mi? 1956 yazında bir grup bilim insanı Dartmouth’ta toplandı. Bu yeni alana bir ad verdiler: yapay zekâ. Dikkatle seçilmiş bir ekibin bir yaz boyunca çalışarak büyük ilerleme kaydedebileceğine inanıyorlardı.
1943Yapay nöronun ilk matematiksel modeliBir nöronu, girdileri toplayıp bir eşiği aşınca "ateşleyen" basit bir mantık birimi olarak tarif ettiler.
Neden önemli Bugünkü her yapay sinir ağının atası bu tek sayfalık fikirdir.
1949Hebb kuralı: birlikte ateşleyenler birlikte bağlanırÖğrenmenin, birlikte etkinleşen nöronlar arasındaki bağlantıların güçlenmesiyle gerçekleştiğini öne sürdü.
Neden önemli Bir ağın "öğrenmesi" fikrine ilk biyolojik dayanak; ağırlık güncelleme kurallarının ilham kaynağı.
Fikir · Donald Hebb
1950Makineler düşünebilir mi?Soruyu "taklit oyunu" ile değiştirdi: bir makine, yazışmada kendini insandan ayırt edilemez kılabilir mi?
Neden önemli Yapay zekânın felsefi başlangıç noktası; bugün hâlâ tartışılan Turing testi.
1956Dartmouth yaz çalıştayı: "yapay zekâ" adı konur1955’te yazılan önerge, "öğrenmenin her yönü ilke olarak bir makineyle taklit edilebilecek kadar kesin tarif edilebilir" varsayımıyla bir yaz çalışması önerdi.
Neden önemli Alanın adını ve iddiasını koyan toplantı.
Olay · John McCarthy, Marvin Minsky, Nathaniel Rochester, Claude Shannon
1956Logic TheoristPrincipia Mathematica’daki teoremleri kendi kendine kanıtlayan program.
Neden önemli Sembolik yapay zekânın ilk çalışan örneği: düşünmeyi kural ve arama olarak modellemek.
Makine · Allen Newell, Herbert Simon, Cliff Shaw
Büyük vaatler, soğuk bir kış
Altın çağ ve ilk kış · 1957–1979
1958’de Frank Rosenblatt örneklerden öğrenen bir makine tanıttı. Adı algılayıcıydı. Gazeteler, yakında yürüyüp konuşacak ve kendi varlığının farkına varacak makinelerden söz etti. 1966’da ELIZA adlı basit bir program bir psikoterapisti taklit etti. Onu deneyen bazı insanlar programla dertleşmeye başladı.
Ama vaatler tutmadı. 1969’da Minsky ve Papert, tek katmanlı ağların neleri asla yapamayacağını bir kitapla gösterdi. 1973’te İngiltere’deki Lighthill Raporu alanı sert biçimde eleştirdi ve destekler kesildi. Yapay zekâ ilk “kışına” girdi.
1958Algılayıcı (perceptron)Örneklerden öğrenen ilk yapay nöron. Ağırlıklarını hatasına göre kendisi ayarlıyordu; Mark I Perceptron adıyla donanım olarak da yapıldı.
Neden önemli Öğrenmenin, programlamak yerine örnek göstermekle olabileceğini kanıtladı.
1969Perceptrons kitabıTek katmanlı algılayıcının XOR gibi basit problemleri çözemeyeceğini matematiksel olarak gösterdiler.
Neden önemli Sinir ağı araştırmalarına olan ilgiyi yaklaşık on beş yıl soğuttu.
Fikir · Marvin Minsky, Seymour Papert
1973Lighthill Raporu ve ilk yapay zekâ kışıBirleşik Krallık hükümeti için yazılan rapor, yapay zekânın vaatlerini yerine getirmediği sonucuna vardı.
Neden önemli Fonların kesildiği, alanın uzun süre durgunlaştığı dönemi başlattı.
Olay · James Lighthill
Kuralları biz mi yazalım, makine mi öğrensin?
Uzman sistemler ve sinir ağlarının dönüşü · 1980–2005
1980’lerde şirketler yeni bir fikre para yatırdı. Uzmanların bilgisini binlerce “eğer… ise…” kuralına dökeceklerdi. XCON gibi uzman sistemler bilgisayar siparişlerini doğru hazırlayarak gerçekten para kazandırdı. Ama her yeni durum yeni bir kural istiyordu. Sistemler büyüdükçe kırılganlaştı.
Küçük bir grup araştırmacı ise eski bir fikirden vazgeçmedi. Onlara göre makine, kuralları örneklerden kendi kendine öğrenmeliydi. 1986’da geri yayılım yöntemi yaygınlaştı. 1990’larda Yann LeCun’un ağları banka çeklerindeki el yazısı rakamları okumaya başladı. 1997’de IBM’in Deep Blue’su dünya satranç şampiyonu Kasparov’u yendi.
1980Uzman sistemler sahaya iniyor: XCONBilgisayar siparişlerini binlerce kuralla yapılandıran sistem, şirkete ciddi tasarruf sağladı.
Neden önemli Yapay zekânın ilk büyük ticari başarısı; ama kuralları yazmanın ve güncellemenin ne kadar pahalı olduğunu da gösterdi.
Makine · John McDermott, Digital Equipment Corporation
1982Hopfield ağıAnıları bir enerji yüzeyinin çukurları olarak saklayan, eksik bir girdiden tam anıyı geri çağıran ağ.
Neden önemli Fizikten gelen fikirleri sinir ağlarına taşıdı; 2024 Nobel Fizik Ödülü’nün gerekçelerinden biri.
2000’lerin sonunda üç şey bir araya geldi: internette biriken milyonlarca fotoğraf, oyunlar için yapılmış güçlü ekran kartları ve sabırla geliştirilmiş birkaç fikir. 2009’da hazırlanan ImageNet, makinelere devasa bir resim albümü verdi. Albümdeki her fotoğrafın üstünde ne gösterdiğini söyleyen bir etiket vardı.
2012’de AlexNet adlı bir ağ, ImageNet yarışmasında rakiplerini açık farkla geçti. Birkaç yıl içinde makineler fotoğraf tanımada, konuşmayı yazıya dökmede ve oyunlarda insan düzeyine yaklaştı. 2016’da AlphaGo, Go oyununda dünyanın en iyi oyuncularından Lee Sedol’u yendi. Bu oyunda bilgisayarların uzun yıllar kazanamayacağı düşünülüyordu.
2006Derin inanç ağlarıÇok katmanlı ağları katman katman ön eğitimle başlatmanın bir yolunu gösterdiler.
Neden önemli "Derin öğrenme" adının ve ilgisinin yeniden doğuşu.
Fikir · Geoffrey Hinton, Simon Osindero, Yee-Whye Teh
2016AlphaGo, Lee Sedol’u yenerDerin ağlar, ağaç araması ve kendine karşı oynayarak öğrenmeyi birleştiren sistem, Go’da dünyanın en iyilerinden birini 4–1 yendi.
Neden önemli Uzmanların on yıl daha uzakta olduğunu düşündüğü bir eşik aşıldı.
2017’de Google’daki bir ekip kısa ve iddialı başlıklı bir makale yayımladı: “Attention Is All You Need”. Türkçesi “İhtiyacın olan tek şey dikkat”. Anlattıkları Transformer, bir cümledeki her kelimenin diğer bütün kelimelere aynı anda bakabilmesini sağlıyordu.
Fikir kısa sürede dilin ötesine taştı. Aynı yapı görüntüleri, sesi, hatta proteinlerin şeklini anlamakta kullanıldı. Araştırmacılar bir şey daha fark etti. Model ve veri büyüdükçe modeller öngörülebilir biçimde iyileşiyordu. 2020’de GPT-3, yalnızca birkaç örnek görerek yeni işler yapabildiğini gösterdi.
2017Attention Is All You NeedYinelemeyi tamamen bırakıp yalnızca dikkat mekanizmasıyla çalışan Transformer mimarisi.
Neden önemli Bugünkü bütün büyük dil modellerinin temeli. Paralel eğitilebildiği için ölçeklenmeyi mümkün kıldı.
2021CLIP: görüntü ve dili aynı uzaydaİnternetten toplanan görüntü-açıklama çiftleriyle görüntüleri ve metinleri ortak bir vektör uzayına yerleştiren model.
Neden önemli Metinden görüntü üretimini ve çok kipli modelleri mümkün kılan parçalardan biri.
2022’nin sonunda ChatGPT yayımlandı. Kısa sürede milyonlarca insanın tanıştığı ilk yapay zekâ oldu. Arkasındaki fikir yeni değildi. Sıradaki kelimeyi tahmin eden bir dil modeli, insanların hangi cevapları daha yararlı bulduğuna göre yeniden eğitilmişti.
Bugün modeller resim çiziyor ve kod yazıyor. Cevap vermeden önce adım adım düşünüyor, araç kullanarak işleri kendi başına yürütüyor. Hikâyenin bu bölümü hâlâ yazılıyor ve sen de onun içindesin.
2022Düşünce zinciriModelden cevaptan önce adımlarını yazmasını istemenin akıl yürütme başarısını belirgin biçimde artırdığını gösterdiler.
Neden önemli Akıl yürüten modellerin öncüsü olan basit bir istem fikri.
2022İnsan geri bildirimiyle hizalama (InstructGPT)İnsanların tercih ettiği cevapları ödüllendiren bir ödül modeliyle dil modelini pekiştirmeli öğrenmeyle ayarlama (RLHF).
Neden önemli Ham bir metin tamamlayıcıyı, talimat izleyen bir asistana dönüştüren adım.
2025Akıl yürüten modellerCevap vermeden önce uzun bir iç düşünce süreci yürüten modeller; DeepSeek-R1 bu yeteneğin yalnızca pekiştirmeli öğrenmeyle de geliştirilebildiğini açıkça yayımladı.
Neden önemli Matematik, kod ve çok adımlı problemlerde büyük sıçrama; ajanların temeli.
Model · OpenAI, DeepSeek, Anthropic, Google ve diğerleri
Her kelimenin, cümledeki bütün kelimelere aynı anda bakıp hangilerinin önemli olduğuna karar vermesi. Dikkat (attention), tek bir mimariyle dilden görüntüye her şeyi işler.
Metin token’lara bölünür; her token bir vektöre ve konum bilgisine dönüşür.
Öz-dikkat katmanında her token sorgu, anahtar ve değer vektörleri üretir; hangi token’lara bakacağını hesaplar.
Her blokta bir çok katmanlı ağ, artık bağlantı ve normalizasyon vardır; bu blok onlarca kez üst üste konur.
Son katman bir sonraki token için olasılık dağılımı üretir.
Nerede kullanılır Bütün büyük dil modelleri (GPT, Claude, Gemini, Llama), çeviri, kod üretimi, görüntü ve ses modelleri.
Sınırı Dikkatin maliyeti bağlam uzunluğunun karesiyle büyür; çok veri ve hesap ister.
Mark I Perceptron: ABD Donanma Müzesi (National Museum of the U.S. Navy). Kamu malı, Wikimedia Commons.
Deep Blue: Erik Pitti, CC BY 2.0, Wikimedia Commons. İki renkli baskı bu sitede uygulandı.
Başar Keklik’in şarkıları YouTube oynatıcısıyla çalar; YouTube çerez kullanabilir.
Çerez ve saklama tercihleri
Bu site çerez kullanmaz. Tema ve ders ilerlemen gibi gerekli ayarlar yalnızca tarayıcında saklanır. İzin verirsen müzik çalar ve YouTube oynatıcıları yüklenir; YouTube kendi çerezlerini kullanabilir.