Yapay Zeka

yasin66 1 Ağustos 2025

Yapay Zekâ: Tarihsel Gelişimi, Güncel Durumu ve Geleceğe Yönelik Beklentiler

Özet

(YZ) olarak bahsedeceğim yapay zekâ, günümüz teknolojik devrimlerinin merkezinde yer almakta ve bireyden devlete kadar geniş bir yelpazede dönüşüm yaratmaktadır. Bu çalışmada, YZ’nin tarihsel kökenleri, teknik evrimi, mevcut uygulama alanları, etik ve toplumsal etkileri ile geleceğe dair potansiyeli detaylı bir biçimde incelenmektedir. Ayrıca, YZ’nin çevresel etkileri, kuraklık ve su sıkıntısı gibi iklim krizlerine karşı sunduğu çözümler ve orman yangınlarıyla mücadeledeki rolü gibi güncel ekolojik problemlere karşı sunduğu katkılar da ele alınmaktadır.

1. Giriş

Yapay zekâ, makine ve yazılım sistemlerinin insan zekâsına benzer işlevleri yerine getirebilmesini hedefleyen multidisipliner bir araştırma alanıdır. Bilgi işleme, problem çözme, öğrenme, algılama ve doğal dil işleme gibi bilişsel işlevlerin makineler tarafından yürütülmesi bu alanın temel hedefidir.

YZ’nin yalnızca teknik bir konu değil, aynı zamanda etik, sosyolojik, ekonomik ve felsefi bir tartışma alanı haline gelmiş olması, bu teknolojinin ne kadar kapsamlı etkiler doğurduğunun göstergesidir.

2. Yapay Zekânın Tarihsel Gelişimi

2.1. Kavramsal Temeller ve İlk Kuramlar

Alan Turing (1950): “Makineler düşünebilir mi?” sorusu ile yapay zekânın ilk felsefi ve mantıksal temelleri atıldı. Turing Testi, makinelerin insan gibi düşünüp düşünemediğini değerlendirmek için halen temel referanslardan biridir.
Dartmouth Konferansı (1956): John McCarthy’nin öncülüğünde düzenlenen bu konferans, YZ’nin resmî olarak doğuşunu temsil eder. Katılımcılar, “her yönüyle öğrenmeyi ya da zekâyı tanımlayan makineler geliştirmenin mümkün olduğunu” öne sürdü.

2.2. Yükseliş ve Durgunluk Dönemleri

YZ’nin tarihsel gelişimi kesintili bir seyir izlemiştir:

1960–1970’ler: Mantık temelli sembolik YZ sistemleri geliştirildi. Ancak donanım yetersizliği ve sınırlı veri işleme kapasitesi nedeniyle ilerleme sınırlı kaldı.
1980’ler: Uzman sistemler ortaya çıktı. Belirli kurallar çerçevesinde karar verebilen sistemler, medikal tanı ve mühendislikte kullanıldı. Ancak öğrenme kabiliyetleri olmadığından uzun vadeli etkileri sınırlı kaldı.
1990’lar – 2000’ler: İstatistiksel makine öğrenmesi ile birlikte büyük veri kullanımına geçiş başladı. Doğal dil işleme, görsel tanıma ve öneri sistemleri geliştirildi.

3. Günümüzde Yapay Zekâ: Teknolojik Temeller ve Uygulamalar

3.1. Teknolojik Altyapı

Makine Öğrenmesi (Machine Learning): YZ’nin veriden öğrenmesini sağlayan yöntemlerdir. Gözetimli, gözetimsiz ve pekiştirmeli öğrenme gibi türleri vardır.
Derin Öğrenme (Deep Learning): Yapay sinir ağlarının katmanlar halinde modellenmesiyle kompleks veriler üzerinde yüksek doğrulukla işlem yapabilir.
Doğal Dil İşleme (NLP): İnsan diliyle etkileşim kurmak için kullanılan teknikler. ChatGPT, Siri, Google Translate gibi sistemler bu alana örnektir.
Büyük Veri (Big Data): YZ’nin veriden öğrenebilmesi, büyük miktarda ve çeşitli veri kaynaklarına erişimi gerektirir.

3.2. Sektörel Uygulamalar

Alan	Uygulama	Açıklama
Sağlık	Görüntü tanıma, teşhis, ilaç keşfi	Kanser teşhisinde yüksek doğruluk
Finans	Algoritmik ticaret, dolandırıcılık tespiti	Milyonlarca işlemi analiz edebilir
Eğitim	Kişiselleştirilmiş öğrenme	Öğrenciye özel içerik sunumu
Savunma	Otonom silahlar, istihbarat analizleri	Etik tartışmalara açık alan
Ulaşım	Otonom araçlar, trafik yönetimi	Tesla, Waymo gibi şirketler aktif

4. Toplumsal ve Etik Boyutlar

4.1. Veri Mahremiyeti ve Güvenlik

YZ sistemleri büyük ölçüde kullanıcı verisine dayanır. Bu durum kişisel mahremiyetin ihlali riskini beraberinde getirir. GDPR gibi düzenlemeler, bu alanda önemli adımlardır.

4.2. Algoritmik Önyargı (Bias)

YZ, eğitildiği verilerdeki toplumsal önyargıları yeniden üretebilir. Örneğin, işe alım algoritmaları cinsiyet veya ırk temelli ayrımcılık yapabilir.

4.3. İş Gücü ve Otomasyon

YZ’nin tekrara dayalı işleri üstlenmesiyle bazı meslek grupları risk altındadır. Bu dönüşümün yönetimi için yeniden eğitim ve sosyal politikalar önem taşır.

5. Gelecek Perspektifleri

5.1. AGI ve ASI

AGI (Artificial General Intelligence): İnsan gibi çok yönlü düşünebilen yapay zekâ sistemleri henüz geliştirilmemiştir ancak bu alandaki çalışmalar hızla sürmektedir.
ASI (Artificial Super Intelligence): İnsan zekâsını aşan sistemlerin ortaya çıkması durumunda kontrol, etik ve güvenlik konuları hayati hale gelecektir (Bostrom, 2014).

5.2. İnsan-Zekâ Birleşimi

Neuralink gibi girişimler, insan beynine doğrudan dijital arayüzler bağlayarak hem zihinsel engelleri aşmayı hem de bilişsel yetenekleri genişletmeyi hedeflemektedir.

5.3. Küresel Yönetişim ve Regülasyon

YZ’nin küresel etkileri, uluslararası işbirliği gerektirir. Birleşmiş Milletler, OECD gibi kuruluşlar YZ’nin etik kullanımı konusunda çerçeveler geliştirmeye başlamıştır.

6. Sonuç

Yapay zekâ, yalnızca teknoloji alanında değil; toplumsal yapı, etik normlar ve ekonomik sistemler üzerinde de kalıcı etkiler yaratacak güçtedir. Bu nedenle YZ’nin gelişimi teknik ilerleme kadar etik sorumluluk, hukuki düzenleme ve toplumsal bilinç ile paralel yürütülmelidir. Gelecek, bu teknolojiyi nasıl kullandığımızla şekillenecektir.

7. Yapay Zekânın Çevresel Etkileri ve Doğal Kaynaklar Üzerindeki Yükü

7.1. Enerji Tüketimi ve Karbon Ayak İzi

Yapay zekâ sistemlerinin eğitimi, özellikle büyük ölçekli derin öğrenme modellerinde çok yüksek düzeyde hesaplama gücü gerektirir. Bu da önemli miktarda enerji tüketimi anlamına gelir.

Örneğin, OpenAI tarafından geliştirilen GPT-3’ün eğitim süreci sırasında binlerce GPU kullanılmış ve bu süreçte birkaç yüz megavat-saat (MWh) enerji harcandığı tahmin edilmektedir (Strubell et al., 2019).
Bir dil modelinin eğitimi, ortalama bir arabanın tüm ömrü boyunca saldığı karbon emisyonuna denk olabilmektedir.

Bu enerji çoğu zaman fosil yakıt kaynaklı elektrik üretimi ile karşılandığından, yapay zekâ sistemleri ciddi bir karbon ayak izi bırakabilmektedir.

7.2. Donanım Tüketimi ve E-atık (Elektronik Atık)

YZ sistemlerinin çalışması için kullanılan GPU, TPU, işlemciler ve veri merkezi donanımları:

Nadir toprak elementleri (örneğin lityum, kobalt, nikel) gibi doğal kaynaklara dayanır.
Bu elementlerin çıkarılması sırasında ekosistem tahribatı, su kirliliği ve işçi sağlığı gibi sorunlar ortaya çıkmaktadır.

Ayrıca yüksek hızlı donanımların sık sık yenilenmesi nedeniyle oluşan elektronik atık miktarı da yıldan yıla artmaktadır. Bu atıkların yalnızca %20’si geri dönüştürülebilmekte, kalanı doğaya karışmaktadır.

7.3. Veri Merkezleri ve Su Kullanımı

Büyük veri merkezleri yalnızca elektrik değil, aynı zamanda soğutma sistemleri için çok büyük miktarda temiz su tüketmektedir.

Google ve Microsoft gibi şirketlerin veri merkezlerinin bazıları, yılda milyonlarca litre su harcamaktadır.
Su kıtlığı çeken bölgelerde bu durum, yerel toplulukların suya erişimini tehdit edebilir.

7.4. Sürdürülebilirlik ve Çözüm Önerileri

Yapay zekânın çevresel etkilerini azaltmak için bazı çözüm yolları öne çıkmaktadır:

Enerji verimli algoritmalar geliştirmek (“Green AI” yaklaşımı).
Model karmaşıklığını sınırlayan yöntemler (ör. model sıkıştırma, transfer öğrenme).
YZ eğitim süreçlerinde yenilenebilir enerji kaynaklarına geçiş.
Veri merkezlerinin karbon nötr hale getirilmesi (ör. Microsoft 2030’a kadar karbon negatif olmayı taahhüt etti).
Donanım ömrünün uzatılması ve döngüsel ekonomi ilkeleriyle e-atık miktarının azaltılması.

7.5. Kuraklık ve Su Kıtlığı ile Mücadelede Yapay Zekâ’nın Rolü

Kuraklık ve su sıkıntısı, iklim değişikliğinin en ciddi sonuçlarından biri haline gelmiş ve milyarlarca insanı etkileyen küresel bir kriz olarak ortaya çıkmıştır. Yapay zekâ teknolojileri, bu sorunun çözümünde hem öngörü hem de kaynak yönetimi bakımından stratejik avantajlar sunmaktadır:

a) Tahmine Dayalı Kuraklık Modelleri

Yapay zekâ destekli iklim modelleme sistemleri, uydu verileri, toprak nem ölçümleri, yağış kayıtları ve sıcaklık değişimlerini analiz ederek kuraklık risklerini aylar öncesinden tahmin edebilmektedir.
Örnek: IBM ve NASA işbirliğiyle geliştirilen AI modelleri, Afrika’da tarımsal üreticilere yağış tahminleri sağlayarak ürün planlamasını optimize etmektedir.

b) Akıllı Tarım ve Sulama Sistemleri

AI tabanlı sensör sistemleri ve nesnelerin interneti (IoT) sayesinde toprak nemi, hava sıcaklığı, bitki büyüme verisi gibi veriler toplanır.
Bu verilerle optimum sulama zamanı ve miktarı hesaplanarak hem su tasarrufu sağlanır hem de ürün verimliliği artırılır.
İsrail ve Hollanda gibi ülkeler bu teknolojileri su kıtlığına karşı tarımsal başarıyla kullanmaktadır.

c) Su Şebekesi ve Altyapı Yönetimi

Büyük şehirlerde AI, sızıntı tespiti, basınç optimizasyonu ve tüketim tahmini gibi görevlerde kullanılmaktadır.
Bu sistemler sayesinde yüzbinlerce ton suyun kaybolması önlenebilir.
Örnek: İngiltere’deki Thames Water şirketi, AI ile boru patlamalarını önceden tahmin edip müdahale süresini %30 azaltmıştır.

d) Politika Geliştirme ve Kaynak Önceliklendirme

Yapay zekâ, sosyal, çevresel ve ekonomik verileri entegre ederek karar vericilere hangi bölgelerin acil müdahale gerektirdiği konusunda önceliklendirilmiş bilgi sağlayabilir.
Böylece su dağıtımı, yardım programları veya altyapı yatırımları daha verimli planlanabilir.

e) Erken Uyarı Sistemleri ve Kriz Yönetimi

AI destekli erken uyarı sistemleri, kırsal ve savunmasız bölgelerde halkı zamanında bilgilendirerek önleyici önlemlerin alınmasını sağlar.
Bu tür sistemler ayrıca gıda güvenliği risklerine karşı da hızlı yanıt mekanizmaları geliştirir.

7.6. Orman Yangınlarıyla Mücadelede Yapay Zekâ’nın Rolü

Küresel ısınma, ormanların kuruması ve rüzgar gibi faktörlerin etkisiyle orman yangınları hem sıklık hem de şiddet bakımından artmaktadır. Yapay zekâ, yangınların önlenmesi ve yönetilmesinde çok katmanlı bir çözüm aracı olarak öne çıkmaktadır:

a) Erken Uyarı Sistemleri ve Yangın Tespiti

AI destekli uydu görüntüleme ve drone analizleri, duman veya sıcaklık anormalliklerini algılayarak olası yangınları daha oluşmadan tespit edebilir.
NASA ve ESA gibi kuruluşların verileri yapay zekâ modelleri ile işlenerek yüksek riskli bölgeler 7/24 izlenebilir.
Örnek: Kaliforniya eyaletinde AI destekli kamera ağları, yangınların %40’ını insanlardan önce tespit etmektedir.

b) Yangın Yayılım Tahmini

Yapay zekâ, rüzgar hızı, nem oranı, sıcaklık ve topografik yapı gibi verileri analiz ederek yangının nasıl ve nereye yayılacağını dakikalar içinde modelleyebilir.
Bu öngörüler, itfaiye ekiplerinin stratejik şekilde konumlandırılmasını sağlar.

c) Kaynak Planlaması ve Müdahale Optimizasyonu

AI, hangi bölgelerin tahliye edilmesi gerektiğini, hangi yolların güvenli olduğunu ve hangi kaynakların nereye yönlendirileceğini gerçek zamanlı olarak önerebilir.
Örneğin, yapay zekâ ile desteklenen lojistik yönetim, helikopter ve tankerlerin rotalarını optimize eder.

d) Risk Haritalama ve Önleyici Orman Yönetimi

YZ, geçmiş yangın verilerini analiz ederek hangi bölgelerin yangın riski taşıdığını belirler ve bu alanlara önleyici müdahale (örneğin, kuru yaprak temizliği veya kontrollü yakma) planlaması yapılabilir.
Google Earth Engine ve AI tabanlı ormancılık yazılımları bu amaçla kullanılmaktadır.

e) Bilgi Paylaşımı ve Kamu Uyarı Sistemleri

Yapay zekâ destekli sistemler, sosyal medya, SMS ve mobil uygulamalar üzerinden halkı erken uyarılarla bilgilendirebilir.
Böylece can kaybı ve panik azaltılır, halkın hızlı tahliyesi sağlanır.

Kaynakça

Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460.
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.
Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford University Press.
McCarthy, J. et al. (1956). Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
Floridi, L. et al. (2018). AI4People: An Ethical Framework for a Good AI Society. Minds and Machines, 28(4), 689–707.
IEEE Global Initiative. (2019). Ethically Aligned Design: A Vision for Prioritizing Human Well-being with Autonomous and Intelligent Systems.

Kaynakça (Ek)

Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. arXiv:1906.02243.
Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63.
Google Environmental Report (2023). Sustainability in Data Centers. https://sustainability.google/reports/
UN E-waste Monitor (2020). Global E-Waste Statistics Partnership.

Yasin AĞAN

SORGUN DÜŞÜNCE KULÜBÜ