İnsan gibi düşünebilen ve karar verebilen bir makine yaratma düşüncesi modern bilgisayarların ortaya çıkışıyla başlamamış; kökleri binlerce yıl öncesine dayanmaktadır. İnsanlık tarihi boyunca birçok filozof, düşünür ve bilim insanı "Zekânın doğası nedir?" ve "Zekâ yapay olarak üretilebilir mi?" sorularını anlamlandırmaya çalışmıştır. Bu teorik sorular, zamanla Yapay Zekânın (AI) bağımsız bir bilim dalı olarak ortaya çıkmasını sağlayan fikirlerin temelini oluşturmuştur.

Antik Yunan'da Platon (Plato) ve Aristoteles (Aristotle) gibi filozoflar mantığa, sistemli düşünceye ve bilgiye ulaşma yöntemlerine büyük önem vermişlerdir. Aristoteles, özellikle tümdenelimsel mantık (Syllogism) kurallarını belirleyen ilk formal mantık sistemini geliştirmiştir. Bu ilk çalışmalar doğrudan yapay zekâ yaratmamış olsa da, insan düşüncesinin belirlenmiş kural ve ilkeler aracılığıyla sembolik olarak tanımlanabileceği ilkesinin temelini atmıştır.

Orta Çağ ve Yeni Çağ'ın başlarında matematikçiler ve filozoflar, mantık ve matematiğin entegrasyonunu sistematik olarak geliştirmeye çalıştılar. 17. yüzyılda Gottfried Wilhelm Leibniz, mantık ve kavramların ifadesi için evrensel bir sembolik dil önerdi. Leibniz, tüm düşüncelerin matematiksel kurallara dönüştürülebileceği takdirde gelecekteki hesaplama aygıtlarının karmaşık sorunları matematiksel olarak çözebileceğine inanıyordu. O dönemde uygulanabilir olmasa da bu düşünce, yapay zekâ için önemli bir rasyonel temel sağladı.

yüzyılda hesaplama ve otomasyon mühendisliğinde önemli teknolojik gelişmeler yaşandı. Charles Babbage, modern bilgisayarların bellek (Memory), işlem birimi (ALU) ve programlanabilirlik gibi birçok temel özelliğini barındıran "Analitik Motor"u (Analytical Engine) tasarladı. Bu makine tamamen inşa edilememiş olsa da bilim tarihçileri bunu ilk genel amaçlı bilgisayar tasarımı olarak kabul eder.

Aynı dönemde, dünyanın ilk bilgisayar programcısı olarak kabul edilen Ada Lovelace çok önemli ve vizyoner bir tespitte bulundu. Lovelace, gelecekteki hesaplama aygıtlarının yalnızca sayıları hesaplamakla kalmayıp müzik, görsel ve çeşitli yapılandırılmamış veri formatlarını da işleyebileceğini öngördü. Bu düşünce o dönem için son derece devrimseldi ve daha sonra yapay zekânın ufkunu genişletmede büyük önem taşıdı.

yüzyılın başlarında formal mantık ve matematiksel temellerin gelişimi hız kazandı. George Boole'un Boole cebiri üzerindeki çalışmaları, ardından Gottlob Frege, Bertrand Russell ve Alfred North Whitehead'in araştırmaları matematiksel mantık için sağlam bir yapı oluşturdu. Bu matematiksel katkılar, insan düşüncesinin bazı kalıplarının formal kurallarla ifade edilebileceğini ve otomatik bir makine tarafından yürütülebileceğini kanıtladı.

Bu aşamadaki en büyük paradigmatik kırılma Alan Turing'in köklü katkılarıyla gerçekleşti. 1936'da yayımladığı On Computable Numbers, with an Application to the Entscheidungsproblem başlıklı tarihi makalesinde Turing, "Turing Makinesi" (Turing Machine) teorik modelini tanıttı. Turing, herhangi bir mantıksal sürecin, bir algoritma aracılığıyla kesin olarak tanımlanabildiği takdirde evrensel bir Turing makinesi tarafından yürütülebileceğini matematiksel olarak kanıtladı. Bu teorik kavram, bilgisayar biliminin ve yapay zekânın temelini oluşturdu.

İkinci Dünya Savaşı'ndan sonra elektronik bilgisayarların ortaya çıkışı, bu teorileri pratik olarak uygulamak için yeni bir fırsat doğurdu. 1950'de Turing, Mind dergisinde Computing Machinery and Intelligence başlıklı milat niteliğindeki makalesini yayımladı ve tarihi soruyu sordu: "Makineler düşünebilir mi?" ("Can machines think?"). Bununla birlikte, bir bilgisayar sisteminin insan benzeri davranışını değerlendirmek için pratik bir test önerdi—günümüzde "Turing Testi" (Turing Test) olarak bilinen değerlendirme yöntemi.

Tüm bu gelişmeler—Antik Yunan mantığından Leibniz'in matematiksel felsefesine, Babbage'ın Analitik Motoru'ndan Lovelace'ın hesaplama vizyonuna ve Turing'in hesaplama teorilerine kadar—yapay zekânın doğuşu için sağlam bir bilimsel ve entelektüel zemin hazırladı. Bu süreç, 1956 yılındaki Dartmouth Konferansı (Dartmouth Conference) ile yapay zekânın resmi olarak bağımsız bir bilim dalı ilan edilmesiyle sonuçlandı.

El-Cezeri ve Erken Otomat Mühendisliği (Al-Jazari and Automata)
Yapay zekânın resmi doğumundan yüzyıllar önce, otomatik cihazlar ve kendi kendine çalışan sistemler yapma çabaları robotik ve mekanik mühendisliği için derin bir pratik altyapı oluşturdu. Bu alanın en önemli öncülerinden biri 1136–1206 yılları arasında yaşayan Bediüzzaman Ebul İz İsmail bin er-Razzaz el-Cezeri'dir (Ismail al-Jazari). Cezeri, Kuzey Kürdistan'ın Amed (günümüz Diyarbakır) şehrinde yaşamış ve yaklaşık elli yıl boyunca Artuklu (Artuqid) hükümdarlarının sarayında başmühendis olarak görev yapmıştır.

1206 yılında Cezeri, ünlü mühendislik el yazması The Book of Knowledge of Ingenious Mechanical Devices (Kitab-ül Hiyel) eserini tamamladı. Bu eser, hassas açıklamalar ve detaylı çizimlerle birlikte yaklaşık 50 otomatik mekanik cihazı içeren mekanik mühendisliği tarihinin en önemli kaynaklarından biridir. İcatları arasında karmaşık su saatleri, çift etkili hidrolik pompalar (Double-acting Pump), otomatik hizmetçiler, otomatik abdest alma mekanizmaları ve otomatik müzik grupları yer alıyordu—bunların tümü akışkanlar dinamiği, yerçekimi ve kam mekanizmaları (Cam Mechanism) aracılığıyla insan müdahalesi olmadan otomatik çalışıyordu.

Birçok teknoloji tarihçisi Cezeri'yi "Mekanik Mühendisliği ve Otomasyon Kontrol Teorisinin Kurucuları"ndan biri olarak kabul eder. Cezeri'nin makineleri modern anlamda yapay zekâya—öğrenme, karar verme veya bağımsız hareket etme yeteneğine—sahip olmasa da, onun yaratıcı çalışmaları insansı otomatlar ve kendi kendine çalışan makineler inşa etme tarihinde son derece hayati bir kırılma noktasıdır.

Alan Turing ve Turing Testi (Alan Turing and the Turing Test)
Alan Mathison Turing (1912–1954), bilgisayar bilimi ve yapay zekânın en temel kurucularından biri kabul edilir. Onun araştırmaları yalnızca bilgisayar bilimi için teorik bir çerçeve sağlamakla kalmadı, aynı zamanda makinelerin insan zekâsını taklit etme yeteneğini değerlendirmede yeni bir paradigma oluşturdu. Buna ek olarak Turing, İkinci Dünya Savaşı sırasında Alman 'Enigma' kodunu kırmada hayati bir rol oynadı ve bu Müttefiklerin zaferini ve modern bilgisayarların gelişimini derinden etkiledi.

Turing Makinesi Modeli ve Hesaplama Biliminin Temelleri
1936'da Turing, On Computable Numbers, with an Application to the Entscheidungsproblem başlıklı tarihi makalesini yayımladı ve "Turing Makinesi" adı verilen teorik matematiksel modeli tanıttı.

Bu fiziksel bir cihaz değil, herhangi bir mantıksal sürecin adım adım talimatlar aracılığıyla nasıl yürütülebileceğini gösteren matematiksel bir yapıydı. Bunun önemi, bir algoritma tarafından tanımlanan her sorunun çözülebilirliğini kanıtlamasında yatıyordu: Yani bir algoritma ile ifade edilebilen her sorun, teorik olarak evrensel bir Turing makinesi tarafından çözülebilir. Bu fikir modern bilgisayar biliminin temelini oluşturdu.

"Makineler düşünebilir mi?"
1950'de Turing, Mind dergisinde Computing Machinery and Intelligence başlıklı bir makale yayımladı ve şu soruyu sordu:

"Can machines think?" ("Makineler düşünebilir mi?")

Turing, "düşünmek" kelimesinin felsefi açıdan son derece muğlak olduğunu savundu. Bu nedenle, bu soyut soru yerine bilgisayar sistemlerinin davranışsal performansını değerlendirmek için pratik bir test önerdi.

Turing Testi (The Turing Test)
Orijinal olarak "Taklit Oyunu" (Imitation Game) olarak adlandırılan bu testte üç ana katılımcı yer alır:

Bir insan katılımcı (referans olarak);

Bir bilgisayar veya AI sistemi (insan davranışını taklit etmeye çalışan);

Ayrı bir odada oturan bir insan değerlendirici (Hakim) (kör test koşulları altında karar veren).

Değerlendirici yalnızca metin mesajları aracılığıyla her ikisiyle de iletişim kurar. Sürecin sonunda değerlendirici makine ile insanı ayırt edemezse, makinenin testi geçtiği kabul edilir.

Akademik Not: Bu testin amacı makinenin "bilince" veya "duygulara" sahip olduğunu kanıtlamak değil, yalnızca dilsel davranışının insanla eşdeğer bir zekâ sergileyip sergilemediğini ölçmektir.

Yapay Zekânın Gelişimine Etkisi
Turing Testi, yapay zekâ tarihinin en etkili standartlarından biri haline geldi. Akıllı sistemlerin yeteneklerini değerlendirmek için ilk kez pratik bir çerçeve sağladı. Bu yaklaşım 1950 sonrası araştırmaları derinden etkiledi; sohbet robotlarının (Chatbots), soru-cevap sistemlerinin ve modern büyük dil modellerinin (LLMs) gelişimini teşvik etti.

yüzyılda büyük dil modellerinin ortaya çıkışıyla Turing Testi üzerindeki tartışmalar yeniden önem kazandı. Bazı modern sistemler diyalog düzeyinde insan benzeri yetenekler sergilese de, akademik topluluk yalnızca Turing Testini geçmenin Genel Yapay Zekânın (AGI) veya bilincin varlığının kanıtı olmadığı konusunda hemfikirdir; çünkü bir sistem gerçek bir kavrayış olmadan da örüntü eşleme yoluyla insan benzeri davranışlar üretebilir.

Eleştiriler ve Sınırlılıklar
Tarihsel önemine rağmen Turing Testi eleştirilere de maruz kalmıştır. Filozof John Searle, ünlü "Çin Odası" (Chinese Room) düşünce deneyi ile bir sistemin gerçek anlamı (Semantik) kavramadan yalnızca kurallara (Sentaks) uyarak yanıt üretebileceğini gösterdi. Ayrıca bilişsel bilim, insan zekâsının yalnızca dilden ibaret olmadığını, çevreyi algılama, karar verme ve gerçek dünyayla etkileşime girme ile derin bir bağı olduğunu kabul eder.

Dartmouth Konferansı ve Yapay Zekânın Resmi Doğuşu (The Dartmouth Conference and the Formal Birth of AI)
Çoğu bilgisayar tarihçisi ve akademik topluluk tarafından 1956 yılı, Yapay Zekânın (Artificial Intelligence, AI) bağımsız bir bilim dalı olarak resmi doğuş yılı kabul edilir. Bu yılın yazında, ABD'nin New Hampshire eyaletinde bulunan Dartmouth College'da tarihi bir araştırma sempozyumu düzenlendi. Bu toplantı daha sonra "Dartmouth Yapay Zekâ Yaz Araştırma Projesi" (Dartmouth Summer Research Project on Artificial Intelligence) olarak adlandırıldı.

Bu konferans, akıllı davranış sergileyen sistemlerin nasıl inşa edileceğini incelemeye adanmış bağımsız bir bilimsel disiplin oluşturmaya yönelik ilk sistemli girişimdi.

Projenin Kaynağı ve Öncüleri (Origins and Pioneers)
Konferans fikri ilk olarak daha sonra "Yapay Zekânın Babası" olarak anılacak olan John McCarthy tarafından önerildi. McCarthy ile birlikte proje teklifini kaleme alan diğer öncüler arasında Marvin Minsky, IBM'den Nathaniel Rochester ve Bilgi Teorisinin (Information Theory) kurucusu Claude Shannon yer alıyordu.

Proje teklif metninde şu temel akademik hipotez yer almaktaydı:

"Öğrenmenin her yönü veya zekânın herhangi bir başka özelliği ilke olarak o kadar kesin tanımlanabilir ki, bir makine bunun hassas bir simülasyonunu yapabilir."

Bu ifade, dönemin araştırmacıları için sağlam bir entelektüel temel oluşturdu; çünkü insan zekâsının kurallar, algoritmalar ve hesaplama gücü aracılığıyla tanımlanabileceğine ve ardından bilgisayarlar tarafından yürütülebileceğine inançları tamdı.

"Artificial Intelligence" Teriminin Doğuşu (Birth of the Term "Artificial Intelligence")
Dartmouth Konferansı'nın en önemli ve tarihi sonuçlarından biri, John McCarthy'nin ilk kez resmi akademik düzeyde "Artificial Intelligence" (Yapay Zekâ) terimini kullanmış olmasıydı. Bu tarihten önce bu alandaki araştırmalar Sibernetik (Cybernetics), Otomat Teorisi (Automata Theory) veya Karmaşık Bilgi İşleme (Complex Information Processing) gibi farklı isimler altında yürütülüyordu.

Bu yeni ismin seçilmesinin stratejik bir nedeni vardı: McCarthy bu alanı diğer bilim dallarından ayırmak ve bağımsız bir akademik kimlik kazandırmak istiyordu. Bu açıdan 1956, yalnızca bir konferansın düzenlendiği yıl değil, aynı zamanda yeni bir bilimsel disiplinin resmi doğuş yılıydı.

Konferansın Temel Hedefleri (Primary Objectives of the Conference)
Dartmouth'a katılan araştırmacılar, birkaç yıl içinde insan zekâsının temel sorunlarını çözebilecekleri yönünde yüksek bir iyimserlik taşıyorlardı. Belirledikleri temel hedefler şunlardı:

Otomatik makine öğrenimi (Machine Learning) sistemlerinin geliştirilmesi;

Doğal dil işleme (Natural Language Processing, NLP);

Problem çözme ve karar verme mekanizmalarının formalleştirilmesi;

Soyut mantıksal düşüncenin analizi;

Görüntü ve nesne tanıma yeteneğinin geliştirilmesi;

İnsanla eşdeğer davranış sergileyebilen kapsamlı bir makine inşası.

O dönemde araştırmacılar bu hedeflerin yakın gelecekte gerçekleşeceğini düşünmüş olsalar da, sonraki gelişmeler insan zekâsının başlangıçtaki teorik modellerden çok daha karmaşık ve derin olduğunu kanıtladı.

Akademik Etki ve Kurumsal Destek (Academic Impact and Institutional Support)
Dartmouth Konferansı doğrudan büyük bir mühendislik atılımı üretmemiş olsa da, bilgisayar biliminin yönünü belirlemedeki etkisi anıtsaldı. Bu etkinliğin ardından dünyanın önde gelen üniversiteleri özel yapay zekâ laboratuvarları kurmaya başladı; bunlar arasında Massachusetts Institute of Technology (MIT), Stanford University ve Carnegie Mellon University yer alıyordu.

Eş zamanlı olarak ABD hükümeti ve DARPA gibi federal kurumlar, bu yeni alandaki araştırmalara muazzam miktarda finansal destek sağladı. Bu finansal destek, ilk akıllı programların geliştirilmesinde ve makine öğrenimi biliminin ilerlemesinde ana itici güç oldu.

Erken Dönem Atılımları: 1950–1960'lı Yıllar (Early Breakthroughs: 1950s–1960s)
1950'lerin ikinci yarısı ve 1960'ların başında, alanın temelini atan birçok çığır açıcı proje ortaya çıktı:

Logic Theorist (1956): Allen Newell ve Herbert A. Simon tarafından geliştirilen bu sistem, tarihteki ilk yapay zekâ programı olarak kabul edilir ve sembolik mantık teoremlerini kanıtlama yeteneğine sahipti.

General Problem Solver (GPS): Mantıksal problemleri çözmek amacıyla evrensel bir sistem oluşturmaya yönelik öncü bir girişim.

LISP Programlama Dili (1958): John McCarthy tarafından icat edilen ve onlarca yıl boyunca dünya çapındaki yapay zekâ araştırmalarının temel dili olarak kullanılan yapı.

Bu başarılar, sınırlı olmalarına rağmen, bilgisayarların sembolik mantık yürütme görevlerini başarıyla gerçekleştirebileceğini kanıtladı.

Yapay Zekâ Kışları (AI Winters)
1950'lerin sonu ve 1960'ların başındaki güçlü başlangıcın ardından, araştırmacılar ve destekleyici kurumlar birkaç yıl içinde bilgisayarların insan zekâsına dayalı görevlerin çoğunu üstlenebileceği konusunda son derece iyimserdiler. Ancak bu yüksek beklentiler, dönemin gerçek mühendislik ve donanım kapasitesiyle uyuşmuyordu.

Beklentiler ile gerçeklik arasındaki bu büyük uçurum; finansal desteğin, kamuoyu güveninin ve araştırma faaliyetlerinin periyodik olarak çökmesine neden oldu. Teknoloji tarihinde bu duraklama dönemleri "Yapay Zekâ Kışları" (AI Winters) olarak adlandırılır.

"Yapay Zekâ Kışı" terimi, pratik sonuçların araştırmacılar ve şirketler tarafından vaat edilen büyük öngörülere ulaşamaması nedeniyle finansal desteğin ve kamuoyu güveninin sert bir şekilde düştüğü tarihsel döngüleri ifade eder. Bu kışlar, yapay zekâ tarihinin en önemli dönüm noktaları arasındaydı; çünkü disiplini kendi teorik yaklaşımlarını ve metodolojilerini yeniden değerlendirmeye zorladı.

Birinci Yapay Zekâ Kışı: 1970'li Yıllar (The First AI Winter: 1970s)
Alanın ilk kışı 1960'ların sonu ve 1970'lerin başında başladı. O dönemde Logic Theorist, GPS ve ELIZA gibi ilk akıllı programlar medyanın ve bilim dünyasının ilgisini çekmiş olsa da yetenekleri son derece sınırlıydı. Bu sistemlerin çoğu yalnızca özelleştirilmiş laboratuvar ortamlarında çalışıyor, gerçek dünyanın karmaşık sorunlarıyla karşılaştığında başarısız oluyordu.

Perceptrons Kitabı (1969): Marvin Minsky ve Seymour Papert, yayımladıkları Perceptrons adlı ünlü kitapta tek katmanlı yapay sinir ağlarının matematiksel sınırlarını ortaya koydular. Eleştirileri bilimsel olarak tamamen doğru olsa da, birçok finansör bunu sinir ağlarının hiçbir geleceği olmadığı şeklinde yorumladı ve bu alandaki araştırmaların yaklaşık yirmi yıl boyunca durmasına neden oldu.

Lighthill Raporu (1973): İngiliz hükümeti, matematikçi Sir James Lighthill tarafından hazırlanan Lighthill Report adlı stratejik bir değerlendirme raporu yayımladı. Rapor, yapay zekânın sınırlarını ve pratik başarılarının eksikliğini sert bir şekilde eleştiriyordu. Bu raporun ardından İngiltere'deki çoğu yapay zekâ projesinin finansmanı kesildi ve bu durum uluslararası düzeyde de olumsuz bir dalgalanma yarattı.

Umutların Yeniden Doğuşu: 1980'li Yıllar (The Revival of Hope: 1980s)
1980'lerde yapay zekâ, özellikle Uzman Sistemlerin (Expert Systems) ticari başarısı sayesinde şirketlerin ve hükümetlerin ilgisini yeniden çekti. Bu sistemler, belirli bir alandaki uzmanların bilgi ve deneyimini derleyerek karar verme ve problem çözme süreçlerinde kullanıyordu. Digital Equipment Corporation (DEC) ve IBM gibi dev şirketler bu alana büyük sermaye aktardı.

Aynı dönemde Japon hükümeti, son derece karmaşık sorunları çözebilecek akıllı bilgisayarlar inşa etmeyi amaçlayan "Beşinci Nesil Bilgisayar Sistemleri" (Fifth Generation Computer Systems, FGCS) adlı dev ulusal projesini başlattı. Bu adımlar, yapay zekânın geleceğine dair yeni ve güçlü bir iyimserlik dalgası yarattı.

İkinci Yapay Zekâ Kışı: 1980'lerin Sonu ve 1990'ların Başı (The Second AI Winter: Late 1980s–Early 1990s)
1980'lerin başındaki yüksek iyimserliğe rağmen, dönemin sonunda yapay zekâ bir kez daha sert bir teknik ve mühendislik engeline çarptı. Uzman Sistemlerin (Expert Systems) inşa ve bakım maliyetlerinin son derece yüksek olduğu, bilgi tabanlarını (Knowledge Base) güncellemenin aşırı karmaşık olduğu ve dinamik, sürekli değişen çevre koşullarında uyum yeteneklerinin son derece sınırlı olduğu ortaya çıktı.

Bu durumla eş zamanlı olarak, Kişisel Bilgisayar (PC) pazarı olağanüstü bir hızla büyüdü. Birçok kurum ve şirket, pahalı ve özel yapay zekâ donanımlarına ihtiyaç duymayan daha ucuz, genel amaçlı donanım ve yazılım çözümlerine yöneldi. Sonuç olarak, bu alandaki birçok ticari şirket iflas etti ve araştırmalara sağlanan finansal destek bir kez daha çöktü. Teknoloji tarihinde bu dönem "İkinci Yapay Zekâ Kışı" olarak kaydedildi.

AI Kışlarının Ortaya Çıkmasındaki Temel Nedenler (Key Causes of AI Winters)
Derinlemesine bakıldığında, birbiriyle bağlantılı bir dizi yapısal faktör bu duraklama dönemlerini tetiklemiştir:

Aşırı Gerçek Dışı Beklentiler: İnsan düzeyinde Genel Yapay Zekâya (AGI) çok kısa sürede ulaşılacağına dair abartılı öngörüler.

Hesaplama Kapasitesinin Fiziksel Sınırları: O dönemin bilgisayarlarının işlem hızı ve bellek kapasitesinin karmaşık bilişsel görevlerin gereksinimlerini karşılayamaması.

Yeterli Veri Setlerinin Eksikliği: Modelleri eğitmek ve genelleştirme yeteneği kazandırmak için gereken ölçekte ve kalitede verinin bulunmaması.

Erken Dönem Algoritmalarının Teorik Sınırları: Modern modeller gibi yüksek düzeyli özellikleri otomatik olarak çıkarabilen gelişmiş algoritmaların yokluğu.

Laboratuvar Ortamı ile Gerçeklik Arasındaki Uçurum: Kontrollü deney ortamlarında başarılı olan sistemlerin, gerçek dünyanın belirsizlikleri ve gürültüsü karşısında başarısız olması.

Sermaye ve Yatırımcıların Güven Kaybı: Büyük vaatlerin gerçekleşmemesi üzerine hükümetlerin ve özel sektörün araştırma bütçelerini kesmesi.

Makine Öğreniminin Yükselişi (The Rise of Machine Learning)
Yaşanan AI Kışlarının ardından araştırmacılar, alanın erken dönemine egemen olan klasik yaklaşımın—yani büyük ölçüde insan tarafından yazılmış Kural Tabanlı Sistemlerin (Rule-Based Systems)—teorik sınırları olduğunu kavradılar. Gerçek dünyanın karmaşık sorunlarında, tüm olasılıkları ve kuralları insan eliyle kodlamak imkânsızdı; çünkü çevre, bağlam ve veri akışları sürekli değişim halindeydi.

Bu paradigma değişimi doğrultusunda, araştırmalarda Makine Öğrenimi (Machine Learning, ML) olarak adlandırılan yeni ve devrim niteliğinde bir yönelim ortaya çıktı. Bu yeni yaklaşımda bilgisayarlar artık önceden tanımlanmış katı talimatları beklemiyor, doğrudan veri üzerinden kalıpları ve ilişkileri öğrenerek görevleri yürütüyordu.

Donanım Mimarisi ve Hesaplama Gücündeki Sıçrama (Hardware Advances and Computational Growth)
Makine öğreniminin gelişimi yalnızca yeni algoritmaların keşfine dayanmıyordu; bilgisayar donanımındaki teknolojik sıçrama da ana katalizör rolünü oynadı. 1990'larda ve 2000'lerin başında, Intel ve AMD gibi yarı iletken devlerinin Merkezi İşlem Birimlerinde (CPU) gerçekleştirdiği mimari geliştirmeler, bilgisayarların veri işleme hızını katlanarak artırdı. Bu teknolojik sıçrama, daha karmaşık istatistiksel modellerin test edilmesine ve daha büyük veri setlerinin analiz edilmesine zemin hazırladı.

Makine Öğreniminin Kavramsal Tanımı (Concept and Definition of Machine Learning)
Makine öğrenimi, yapay zekânın temel bir alt dalı olup; veri üzerinden otomatik olarak öğrenen, gizli kalıpları ve karmaşık ilişkileri tespit eden, açıkça programlanmaya ihtiyaç duymadan doğru tahminler ve kararlar üretebilen yazılım ve sistemlerin inşasını hedefler.

Alanın öncülerinden Arthur Samuel, 1959 yılında bu disiplin için en klasik ve kabul gören tanımı yapmıştır:

"Makine öğrenimi, bilgisayarlara açıkça programlanmadan öğrenme yeteneği kazandıran çalışma alanıdır."

Makine Öğreniminin Yükselişini Tetikleyen Temel Faktörler (Drivers of Machine Learning Adoption)
1980'lerin sonunda ve özellikle 1990'lar boyunca, çok boyutlu dönüşümler makine öğreniminin hızla yaygınlaşmasını sağladı:

Dijital Bilgi Patlaması: İlk büyük ölçekli standart Veri Setlerinin (Datasets) oluşturulması.

Donanım Kapasitesinin Güçlenmesi: İşlem hızlarının artması ve veri depolama maliyetlerinin düşmesi.

Temel Bilimlerdeki İlerlemeler: Olasılık teorisi, istatistiksel matematik ve optimizasyon kuramlarının bilgisayar bilimiyle entegrasyonu.

Pazar ve Endüstrinin Güçlü Talebi: Şirketlerin tahminleme, veri sınıflandırma, görüntü ve ses tanıma sistemlerine yönelik ticari ihtiyaçları.

Bu faktörler, araştırmacıları binlerce satır katı kural yazmak yerine, verinin kendi içindeki optimizasyonu bulan esnek istatistiksel modeller inşa etmeye yöneltti.

Makine Öğreniminin Temel Öğrenme Paradigmaları (Major Paradigms of Machine Learning)
Makine öğrenimi teknikleri akademik ve mühendislik düzeyinde temel olarak üç ana öğrenme paradigmasına ayrılır:

Gözetimli Öğrenme (Supervised Learning): Bu yaklaşımda model, açık hedef etiketlerine (Labels) sahip bir veri seti üzerinde eğitilir. Temel amaç, girdi özellikleri ile çıktı etiketleri arasındaki eşleme fonksiyonunu öğrenerek henüz görülmemiş yeni veriler üzerinde doğru tahminler yapmaktır.

Tipik Uygulamalar: Gayrimenkul fiyat tahmini, e-posta spam filtreleme, tıbbi görüntülerden hastalık teşhisi.

Gözetimsiz Öğrenme (Unsupervised Learning): Modele sunulan eğitim verisinde herhangi bir önceden tanımlanmış etiket veya hedef yanıt bulunmaz. Algoritma, verinin kendi içindeki gizli yapıları, kümelenmeleri (Clusters) ve boyut indirgeme ilişkilerini otonom olarak keşfetmeye çalışır.

Tipik Uygulamalar: Müşteri davranış segmentasyonu, anomali ve dolandırıcılık tespiti (Anomaly Detection), yüksek boyutlu veri indirgeme (Dimensionality Reduction).

Pekiştirmeli Öğrenme (Reinforcement Learning): Bu teknikte sistem (Ajan / Agent olarak adlandırılır), dinamik bir çevre içinde deneme-yanılma (Trial and Error) yoluyla öğrenir. Doğru eylemler için Ödül (Reward), hatalar için Ceza (Penalty) alır. Zaman içinde ajan, toplam birikimli ödülü en üst düzeye çıkaracak en uygun davranış stratejisini inşa eder.

Tipik Uygulamalar: Karmaşık oyun kararları (Satranç, Go), robotik kontrol mimarileri, otonom araç sürüş sistemleri, otomatik ağ yönetimi.


Algoritmik Gelişim ve Yapay Sinir Ağlarının Yeniden Doğuşu (Algorithmic Evolution and Resurgence of Neural Networks)
1990'lar ve 2000'lerde, modern istatistiksel makine öğreniminin temelini oluşturan bir dizi gelişmiş algoritma olgunlaştı; bunlar arasında Karar Ağaçları (Decision Trees), Rastgele Ormanlar (Random Forests), Destek Vektör Makineleri (Support Vector Machines, SVM), Naïve Bayes ve k-En Yakın Komşu (k-Nearest Neighbors, k-NN) algoritmaları yer alıyordu. Bu yöntemler finans, tıp ve doğal dil işleme alanlarında büyük pratik başarılar elde etti.

Eş zamanlı olarak, yapay sinir ağları Birinci Yapay Zekâ Kışından sonra gözden düşmüş olsa da; Geoffrey Hinton, David Rumelhart ve Ronald Williams gibi bilim insanlarının 1980'ler ve 1990'larda Geri Yayılım Algoritması (Backpropagation) üzerine sürdürdüğü araştırmalar, akademik dünyanın dikkatini yeniden sinir ağlarına çekti. Geri yayılım algoritması, çok katmanlı yapay sinir ağlarını eğitmek için matematiksel olarak son derece etkili bir yöntem sağladı ve daha sonra Derin Öğrenme (Deep Learning) devriminin temel taşı haline geldi.

"Big Data" Kavramı ve GPU Çiplerinin Yükselişi (Big Data and GPU Acceleration)
yüzyılın başında; internetin yaygınlaşması, sosyal medya platformları, akıllı telefonlar ve dijital servislerin patlamasıyla dünyada üretilen veri miktarı eşi benzeri görülmemiş bir seviyeye ulaştı ve Büyük Veri (Big Data) olarak adlandırıldı.

Makine öğrenimi modellerinin doğruluğu ve kapasitesi yüksek kaliteli veriyle beslenmeye doğrudan bağımlı olduğundan, Büyük Veri'nin ortaya çıkışı bu alanın başarısındaki ana yakıt oldu. Buna paralel olarak, hesaplama yükünün Merkezi İşlem Birimlerinden (CPU) Grafik İşlem Birimlerine (GPU) kaydırılması ve paralel hesaplama (Parallel Computing) tekniklerinin geliştirilmesi, devasa modellerin eğitim süresini aylardan günlere hatta saatlere indirdi.

Makine Öğreniminin Teknolojinin Geleceğine Stratejik Etkisi (Strategic Impact of ML)
Makine öğreniminin yükselişi, yapay zekâ araştırmalarının vizyonunu ve felsefesini kökten değiştirdi. Bu teorik ve pratik dönüşüm, bugün günlük hayatımızda kullandığımız birçok teknolojinin başarısını sağladı; örneğin:

Kişiselleştirilmiş Öneri Sistemleri: Netflix ve Spotify gibi platformlardaki kullanıcı ilgi algoritmaları.

Gerçek Zamanlı Dil Çevirisi: Çok dilli doğal dil işleme sistemleri.

Ses ve Görüntü Tanıma: Bilgisayarlı görü ve biyometrik doğrulama teknolojileri.

Dijital Sağlık ve Tıp: Hastalıkların erken teşhisinde kullanılan klinik analizler.

İş Zekası ve Siber Güvenlik: Otomatik risk analizi ve spam filtreleme sistemleri.

En önemlisi, makine öğrenimi köprü görevi görerek bugün küresel teknolojinin zirvesinde yer alan Derin Öğrenme (Deep Learning) ve Üretken Yapay Zekâ (Generative AI) teknolojilerinin doğuşuna zemin hazırladı.

Derin Öğrenme Devrimi: Yapay Zekânın En Büyük Paradigma Değişimi (The Deep Learning Revolution)
Derin Öğrenme (Deep Learning), yapay zekâ tarihinin en önemli ve dönüştürücü kırılma noktalarından biri olarak kabul edilir. Yapay Sinir Ağlarının (ANNs) teorik temelleri 1940'lar ve 1950'lerde atılmış olmasına rağmen; onlarca yıl boyunca hesaplama donanımlarının yetersizliği, veri eksikliği ve derin ağları eğitmenin matematiksel karmaşıklığı bu alanın ilerlemesini engelledi.

yüzyılın başında üç temel unsur tarihsel bir kesişim yaşadı: Dijital verideki eşi görülmemiş patlama (Big Data), grafik çiplerinin (GPUs) paralel hesaplama gücü ve yeni öğrenme algoritmalarının geliştirilmesi. Bu üçünün birleşimi, derin öğrenmeyi küresel yapay zekâ ilerlemesinin ana motoru haline getirdi.

Donanım Felsefesinde Mimari Kayma: CPU'dan GPU'ya Geçiş
Derin öğrenme devriminin en kritik mühendislik anahtarlarından biri, modellerin hesaplama yükünün Merkezi İşlem Birimlerinden (CPU) Grafik İşlem Birimlerine (GPU) aktarılmasıydı. GPU çipleri başlangıçta 3D bilgisayar oyunları ve grafik render işlemleri için tasarlanmıştı; ancak araştırmacılar bu çiplerin binlerce matematiksel matris işlemini aynı anda ve paralel olarak yürütebildiğini keşfettiler—ki bu durum tam da derin sinir ağlarının ihtiyaç duyduğu şeydi.

NVIDIA firması 2006 yılında CUDA mimarisini kullanıma sunarak devrim niteliğinde bir adım attı. Bu platform, araştırmacıların GPU çiplerinin gücünü doğrudan bilimsel hesaplamalar ve yapay زەکâ modelleri için kullanmalarına olanak tanıdı. Bu donanımsal kırılma, 2012 yılında AlexNet modelinin tarihi başarısına ve derin öğrenme devriminin resmi olarak başlamasına zemin hazırladı.

Derin Öğrenmenin Temel İlkeleri ve Mimarisi (Principles and Architecture of Deep Learning)
Derin öğrenme, Derin Sinir Ağlarına (Deep Neural Networks, DNNs) dayanan makine öğreniminin gelişmiş bir alt dalıdır. Bu ağlar, her bir katmanın veriden soyut özelliklerin yeni bir düzeyini öğrendiği çok sayıda gizli katmandan (Hidden Layers) oluşur.

Örneğin, bir bilgisayarlı görü nesne tanıma sisteminde:

İlk Katmanlar: Yalnızca kenarları, çizgileri ve temel geometrik şekilleri algılar.

Orta Katmanlar: Karmaşık biçimleri ve dokuları birleştirir.

Üst Katmanlar: Nesnelerin bütünsel temsilini (insan yüzü veya araç gibi) gerçekleştirir.

Klasik makine öğrenimi ile derin öğrenme arasındaki temel yöntemsel fark şudur:

Klasik Yaklaşım: İnsan uzmanların verinin özelliklerini (Features) manuel olarak tanımlamasını gerektiriyordu.

Derin Öğrenme Yaklaşımı: Uçtan Uca (End-to-End) öğrenme ilkesiyle çalışır; yani model, işlenmemiş ham veriden (Raw Data) kendi özelliklerini tamamen otonom olarak öğrenir ve çıkarır.

İşte bu üstün temsil öğrenme yeteneği, derin öğrenmenin bilgisayarlı görü, ses tanıma ve doğal dil işleme gibi son derece karmaşık alanlarda benzersiz pratik başarılar elde etmesini sağladı.

Yapay Sinir Ağlarının Güçlü Dönüşü (Resurgence of Neural Networks)
1980'lerde Geoffrey Hinton, David Rumelhart ve Ronald Williams gibi bilim insanları Geri Yayılım (Backpropagation) algoritmasını geliştirip yaygınlaştırdılar. Bu yöntem, çok katmanlı sinir ağlarını eğitmek için matematiksel olarak son derece etkili bir yöntemdi. Ancak o dönemde bilgisayarların işlem hızı ve mevcut veri miktarı, devasa ağları pratik olarak çalıştırmaya henüz yeterli değildi.

2000'lerde GPU çiplerinin artan hesaplama kapasitesi ve internet genelinde büyük Veri Setlerinin erişilebilir hale gelmesiyle, araştırmacılar yeniden bu yaklaşıma yöneldiler. Böylece derin sinir ağlarının parametreleri başarılı bir şekilde eğitildi ve bu durum Derin Öğrenme (Deep Learning) devriminin güçlü temellerini attı.

ImageNet Projesi: 2012 Yılının Tarihi Patlaması (The ImageNet Landmark: 2012)
Yapay zekâ tarihçilerinin çoğu 2012 yılını derin öğrenme devriminin resmi başlangıç yılı olarak kabul eder. Bu yılda Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton, AlexNet adlı bir derin evrişimli sinir ağı geliştirerek uluslararası ImageNet yarışmasına katıldılar.

AlexNet, Evrişimli Sinir Ağı (Convolutional Neural Network - CNN) mimarisini ve GPU çiplerinin paralel işlem gücünü kullanarak görsel tanımadaki hata oranını muazzam bir şekilde düşürdü. Model, geleneksel yöntemlere dayanan tüm rakiplerini ezici bir farkla geride bıraktı. Bu tarihi başarı, derin öğrenmenin karmaşık gerçek dünya sorunlarında klasik yaklaşımlardan çok daha üstün olduğunu kanıtladı; sonuç olarak küresel üniversiteler, teknoloji devleri ve yatırımcılar bu alana devasa miktarda sermaye aktardı.

Derin Öğrenme Modellerinin Mimarisi ve Gelişimi (Evolution of Deep Learning Architectures)
AlexNet'in büyük başarısının ardından, farklı alanlarda devrim yaratan çeşitli sinir ağı mimarileri olgunlaştı:

Evrişimli Sinir Ağları (CNNs): Özellikle bilgisayarlı görü, nesne tanıma, video analizi ve tıbbi görüntüleme için geliştirildi.

Yinelemeli Sinir Ağları (RNNs): Metin, konuşma ve zaman serileri gibi sıralı (Sequential) verileri işlemek için kullanıldı.

LSTM (Long Short-Term Memory) Ağları: Uzun bilgi dizilerini ve cümleleri, başlangıç bağlamını unutmadan anlamak için geliştirildi.

Transformer Ağları (Transformer Networks): 2017 yılında Google tarafından sunuldu ve Öz-Dikkat (Self-Attention) mekanizmasını tanıttı. Bu mimari, günümüzün Büyük Dil Modellerinin (LLMs) ve Üretken Yapay Zekânın (Generative AI) temel taşını oluşturdu.

Derin Öğrenmenin Pratik ve Toplumsal Etkileri (Practical Impact of Deep Learning)
Derin öğrenme, kritik ve hassas alanlarda köklü dönüşümler yaratmıştır:

Bilgisayarlı Görü: Akıllı telefonlarda yüz tanıma, tıbbi X-ray/MR analizi ve otonom araçların yönlendirilmesi.

Doğal Dil İşleme: Gerçek zamanlı çok dilli çeviri, uzun metin özetleme ve akıllı sohbet robotları (ChatGPT gibi).

Ses Tanıma: Akıllı sesli asistanların çalışması ve anlık konuşmayı metne dönüştürmه teknolojileri.

Sağlık ve Biyotıp: Kanserin erken teşhisi, genetik (DNA) veri analizi ve yeni ilaç moleküllerinin keşfi.

Endüstri ve Ticaret: Pazar talebi tahmini, otomatik kalite kontrolü ve kişiselleştirilmiş ürün önerileri.

Derin Öğrenmenin Sınırlılıkları ve Zorlukları (Limitations and Challenges)
Tüm bu büyük başarılara rağmen derin öğrenme kritik sınırlandırmalara sahiptir:

Yüksek Veri Bağımlılığı ve Hesaplama Maliyeti: Bu modelleri eğitmek devasa boyutta veriye ve son derece pahalı, yüksek enerji tüketen donanım altyapılarına ihtiyaç duyar.

Kara Kutu Problemi (Black Box Problem): Derin modellerin çoğu, son derece karmaşık iç yapılara sahip oldukları için şeffaf değildir. Model doğru bir yanıt verir, ancak bu kararın arkasındaki içsel mantığı açıklamak son derece zordur. Bu durum; tıp, hukuk ve finans gibi hayati alanlarda güven ve hesap verilebilirlik sorunları yaratmaktadır.

Üretken Yapay Zekâ (Generative AI) ve ChatGPT: Yeni İçerik Çağı
2010'ların sonu ve 2020'lerin başında yapay zekâ, Üretken Yapay Zekâ (Generative AI) olarak bilinen tamamen yeni bir evreye girdi. Bu dönemin önceki dönemlerden temel farkı, sistemlerin artık yalnızca veriyi analiz eden veya sınıflandıran araçlar olmaması; aksine metin, görsel, ses, video ve kod gibi tamamen yeni ve özgün içerikler üretebilmesidir.

Üretken Yapay Zekâ Nedir? (What is Generative AI?)
Üretken Yapay Zekâ, modellerin devasa veri setleri içerisindeki kalıpları, olasılık dağılımlarını ve gizli ilişkileri öğrenmek üzere eğitildiği ileri bir alandır. Öğrendiklerine dayanarak, girdi komutlarına (Prompts) yanıt olarak orijinal içerik üretirler.

Donanım Altyapısı ve Büyük Dil Modellerinin (LLMs) Sıçraması
Büyük dil modellerinin ve üretken yapay zekânın gelişimi, bilgisayar donanımındaki devrim niteliğindeki ilerlemeler olmadan mümkün olamazdı. Devasa modelleri eğitmek, paralel olarak birlikte çalışan binlerce yüksek performanslı GPU çipine ihtiyaç duyar.

Günümüzde NVIDIA şirketinin gelişmiş çipleri (A100 ve H100 gibi) küresel yapay zekâ altyapısının omurgası kabul edilir. Şirketin CUDA mimarisi, araştırmacıların GPU gücünü bilimsel hesaplamalar ve AI modelleri için kullanmalarına olanak tanımıştır.

Büyük Dil Modellerinin Yükselişi ve Yetenekleri (Large Language Models - LLMs)
Transformer mimarisine dayanan Büyük Dil Modelleri (LLMs), yüz milyarlarca kelime ve metin üzerinde eğitilerek doğal dilin karmaşık bağlamlarını ve insan düşüncelerini kavrama yeteneği kazandı.

Büyük Dil Modelleri şu görevleri başarıyla gerçekleştirebilir:

Karmaşık sorulara mantıksal yanıtlar verme;

Yeni metin yazma ve uzun belgeleri özetleme;

Farklı diller arasında akıcı otomatik çeviri;

Yazılım kodu yazma, hata ayıklama (Debugging) ve açıklama;

Dilbilgisi ve anlamsal hataları düzeltme;

Bilimsel araştırmalarda ve problem çözmede insanlara yardımcı olma.

ChatGPT Modeli: İnsan-Makine Diyaloğunda Yeni Dönem
ChatGPT, üretken yapay زەکânın dünyadaki en bilinen uygulamasıdır. OpenAI tarafından geliştirilen bu sistem, GPT (Generative Pre-trained Transformer) model serisine dayanmaktadır.

ChatGPT'nin ilk sürümü 30 Kasım 2022'de kamuoyuna sunulduğunda, birkaç gün içinde dünya çapında milyonlarca kullanıcıya ulaştı. Bu başarı, insanlığın yapay zekâyı öğrenme, yazma, kodlama ve çeviri için günlük bir araç olarak benimsemeye hazır olduğunu gösterdi.

ChatGPT'nin Başarı Sırrı: Devasa veri üzerinde ön eğitimin (Pre-training) yanı sıra, model İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme (Reinforcement Learning from Human Feedback - RLHF) tekniğini kullanır. Bu teknik, yanıtların insan diyalog tarzıyla son derece uyumlu, düzenli ve insan niyetine uygun olmasını sağlamıştır.

Üretken Yapay Zekânın Çok Boyutlu Uygulamaları (Applications of Generative AI)
Üretken yapay zekâ temel sektörlerde devrim yaratmıştır:

Eğitim: Ders özetleri hazırlama, karmaşık bilimsel kavramları açıklama ve kişiselleştirilmiş öğretmen olarak hizmet verme.

Sağlık: Doktorlara tıbbi raporları yazmada yardımcı olma ve hasta verilerini analiz etme.

Yazılım Mühendisliği: Geliştiricilere kod yazma, hata ayıklama ve kod yapısını açıklamada destek olma.

Dijital Medya: Hızlı haber taslakları oluşturma, içerik üretimi ve dijital sanat.

İş Dünyası ve Pazarlama: Reklam metinleri oluşturma, otomatik müşteri hizmetleri ve pazar stratejilerini analiz etme.

Sanat ve Tasarım: Yaratıcı görseller, müzik, video ve görsel tasarımlar üretme.

Kaynakça (Academic Bibliography)
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.

Turing, A. M. (1936). On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 2(42), 230–265.

Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460.

McCorduck, P. (2004). Machines Who Think: A Personal Inquiry into the History and Prospects of Artificial Intelligence (2nd ed.). A K Peters.

Nilsson, N. J. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press.

al-Jazarī, I. (1974). The Book of Knowledge of Ingenious Mechanical Devices (D. R. Hill, Trans.). D. Reidel Publishing Company.

Hill, D. R. (1998). Mechanical Engineering in the Medieval Near East. Scientific American, 264(5), 100–105.

Hill, D. R. (1991). Islamic Science and Engineering. Edinburgh University Press.

Encyclopaedia Britannica. al-Jazari.

Ceccarelli, M. (2004). Distinguished Figures in Mechanism and Machine Science. Springer.