Doğal dillerde anlam çoğu zaman bağlam üzerinden keşfetmeyi gerektirirken, formel dillerde bağlamın bir bölümü daha iletişim başlamadan önce tanımlanmıştır.
Hakan Emre Kartal*
Bağımsız Araştırmacı
Görünürdeki çelişki
Büyük dil modelleri (LLM’ler), doğal dil işleme konusunda tarihte görülmemiş bir başarı sergiliyor. Sorulara yanıt verebiliyor, metin yazabiliyor, çeviri yapabiliyor, değerlendirme yapabiliyor ve hatta insan benzeri sohbetler kurabiliyor.
Ancak ilginç bir durum var.
Bu sistemler insan için oldukça basit olan mantık problemlerinde hata yapabiliyorken, yüzlerce satırlık bilgisayar kodu üretebiliyor ve karmaşık matematiksel ifadelerle yüksek doğrulukla çalışabiliyor. Hatta olası hataları önceden fark ederek düzeltici önerilerde dahi bulunabiliyor.
Peki bu çelişkili durumu nasıl açıklayabiliriz?
Bu yazıda, büyük dil modellerinin doğal dillerdeki “anlam belirsizliği” ile formel dillerdeki “kural kesinliği” karşısında neden farklı davrandığını ve bunun “anlama” iddiası için ne ifade ettiğini değerlendireceğiz.
Formel dil nedir?
Günlük yaşamımızda kullandığımız dillere (Türkçe, İngilizce vb.) doğal dil adı verilir. Doğal diller insanın varoluşundan bugüne etkileşimlerden, kültürlerden, inançlardan ve toplumlardan etkilenerek gelişen, evrimleşen dinamik bir yapıdır. Bu nedenle doğal diller için zaman zaman “canlı” nitelemesi de yapılır.
Ancak insanlar her ihtiyaçları için yalnızca doğal dilleri kullanmazlar.
Öyle gereksinimler vardır ki; yanlış anlaşılmaları azaltacak, yorum farklılıklarını sınırlandıracak veya ortadan kaldıracak ve daha kesin ifade gücü sağlayacak sistemlere ihtiyaç duyulur. Özellikle, matematik, mantık, mühendislik ve bilişim gibi alanlarda belirsizlik çoğu zaman istenmeyen bir durumdur.
Bu gereksinimlerden dolayı insanlık, doğal dil gibi esnek ama daha kesin ve tutarlı başka bir dil türü daha geliştirmiştir: “formel diller”.
Formel dillerin doğal dillerden temel farkı, insanlar tarafından bilinçli olarak tasarlanmış ve kurallarının, sınırlarının, kullanım biçimlerinin ve amaçlarının önceden belirlenmiş olmasıdır.
Önceden belirlenmiş olmak; formel diller için yalnızca kuralları değil, anlamın ortaya çıkacağı bağlamsal çerçeveyi de büyük ölçüde tanımlamak ve sınırlandırmak anlamına gelir. Yani; doğal dillerde anlamı etkileyen çok sayıdaki değişkenin önemli bir bölümü formel sistemlerde açık kuralların içine gömülmüş durumdadır. Bu ise bağlamı ortadan kaldırmaz; aksine önceden belirlenmiş, daraltılmış ve daha öngörülebilir bir yapıya dönüştürür.
Örneğin; matematiksel gösterimler, mantık sistemleri ve programlama dilleri bu nitelikteki en bilinen formel dillerdir.
Formel dillerde tasarım öyle belirleyicidir ki, bir programlama dilinde tek bir karakterin eksik olması bile tüm programın çalışmamasına neden olabilir. Benzer şekilde matematiksel bir ifadede bir sembolün yerini değiştirmek çoğu zaman sonucu tamamen değiştirebilir.
Doğal diller, bu tip değişimlere çok daha toleranslıdır. İnsanlar, eksik, bozuk ve hatalı cümleleri bile çoğu zaman bağlamın içine yayılmış bilgi üzerinden doğru şekilde yorumlayabilirler. Hatta bazı sesli harfler eksik yazıldığında veya bazı kelimeler cümleden çıkarıldığında bile anlam büyük ölçüde korunabilir. Yeter ki bağlam tamamen kaybolmasın.
Şimdi bu iki duruma örnek verelim:
- İlk örnğimz bdur ve eksk sesli hrfler olmdğnı fark etmden srtünmesiz olrak bir sonrki tümcye geçtniz bile.
- İkinci örneğimizde ise bağlam içindeki bir konu, birkaç kişi arasında konuşuluyor olsun. İçlerinden birinin: “Onunla konuştuk.” demesi çoğu zaman diğerlerinin durumu anlaması için yeterli olacaktır.
Bu başarı elbette yalnızca doğal dillerin toleranslı yapısından ileri gelmemektedir. Bununla birlikte insan beyninin doğal dil işleme kapasitesi de bunda büyük rol oynamaktadır.
Dahası, insanlar bazen dil kurallarını bilinçli olarak bozarlar. Şiirde, edebiyatta veya günlük konuşmada kısaltılmış, dönüştürülmüş ya da alışılmışın dışında kullanılan ifadeler yeni anlamlar ve estetik etkiler üretebilir.
Örneğin:
“Tamam öyle olsun.”
aynı kelimelerden oluşmasına rağmen bir tartışmanın sonunda kırgınlık, bir şaka sırasında alay, bir uzlaşma anında ise kabul anlamına gelebilir.
Bu nedenle doğal dilde anlam sadece sözdizilimi haricinde bağlamdan da doğar.
Bağlam ise niyet, deneyim, ilişki biçimi, kültürel kodlar ve içinde bulunulan durum vb. gibi çok katmanlı değişkenlerin oluşturduğu ilişkisel bir çerçevedir.
Formel dilde bağlam da sınırlandırılmıştır
Formel diller denildiğinde akla gelen ilk örnekler programlama dilleri ve matematiksel sistemlerdir. Bu sistemlerde anlam, büyük ölçüde önceden tanımlanmış kurallar ve sınırlandırılmış bağlamlar üzerinden taşınır. Bir sembolün neyi temsil ettiği, hangi koşullar altında kullanılacağı ve hangi sonuçları üreteceği önceden belirlenmiştir. Bu durum belirsizliği azaltır ve alternatif yorum alanını da büyük ölçüde sınırlandırır.
İşte burada önemli bir nokta vardır: Formel dillerde yalnızca kurallar değil, anlamın ortaya çıkacağı bağlam da önceden tanımlanmış ve sınırlandırılmıştır.
Bu yaklaşım mühendisliğin temel çalışma biçimlerinden biridir. Gerçek dünyadaki problemler çoğu zaman karmaşık, çok boyutlu ve belirsizlikler içerir. Bu nedenle mühendisler bir problemi çözmeden önce onun sınırlarını belirler, varsayımlarını tanımlar ve hangi koşullar altında ele alınacağını açıkça ortaya koyarlar. Bir anlamda, problem ile birlikte bağlamı da kontrol altına alınır ve böylelikle daha çözülebilir hale getirilir.
Formel diller de bu benzer anlayışın ürünüdür. Doğal dillerde anlam; niyet, deneyim, kültür, ilişki biçimleri ve içinde bulunulan durum gibi çok sayıda değişkenden etkilenirken, formel dillerde bu değişkenlerin önemli bir kısmı açık kuralların ve tanımların içine gömülmüştür. Bu nedenle formel dillerde bağlam ortadan kalkmaz ama daha dar, daha belirli ve daha öngörülebilir bir yapıya dönüşür.
Kısacası; doğal dillerde anlam çoğu zaman bağlam üzerinden keşfetmeyi gerektirirken, formel dillerde bağlamın bir bölümü daha iletişim başlamadan önce tanımlanmıştır. Yani yorumlanması gereken olası anlam alanı çok daha dardır ve belirgindir. İşte büyük dil modellerinin formel dillerdeki başarısının temeli de budur.
Formel dillerin tarihsel gelişimi
Doğal diller insanlığın varoluşundan bugüne binlerce yıl boyunca evrimleşerek gelişirken, formel diller insan aklının bilinçli tasarımıyla ortaya çıktı. Bu tasarımın temel amacı yalnızca iletişim kurmaktan öte düşünceleri mümkün olduğunca açık, tutarlı ve hesaplanabilir hâle getirmekti.
1843 yılında Ada Lovelace, Charles Babbage’in “Analitik Makinesi” üzerine yazdığı notlarda makinelerin yalnızca sayıları değil, sembolleri de işleyebileceğini öngördü. Bu fikir, programlama kavramının ilk önemli adımlarından biri olarak kabul edilir.
20. yüzyılda Alan Turing ve Alonzo Church, hangi problemlerin hesaplanabilir olduğunu araştırarak modern bilgisayar biliminin teorik temellerini oluşturdular. Kısa süre sonra geliştirilen programlama dilleri, bu teorik çerçevenin birer pratik uygulamaları hâline geldi.
1956’da Noam Chomsky’nin geliştirdiği dil sınıflandırması ise formel dillerin yapısal özelliklerini daha iyi anlamamızı sağladı. Bugün kullandığımız derleyicilerden programlama dillerine kadar pek çok teknoloji bu kuramsal çerçeve üzerine inşa edilmiştir.
Bu tarihsel gelişimin tek bir ortak amacı vardı: “Belirsizliği azaltmak”.
Büyük dil modelleri neden farklı davranıyor
Aşağıdaki mini senaryolar, LLM’lerin doğal ve formel diller karşısındaki performansını sezgisel düzeyde anlamamıza yardımcı olabilir:
| Senaryo | Doğal Dil (LLM Zorlanabilir) | Formel Dil (LLM Başarılı) |
| Mantık | “Ali, Mehmet’ten uzun; Mehmet, Veli’den kısa. En uzun kim?” → Öncüller eksiktir; LLM’ler mantıksal boşluğu istatistiksel yakınlık varsayımıyla doldurmaya çalışarak hatalı sonuç üretebilir. | if x > y and y > z: return x → Kural net, çıktı deterministik. |
| Belirsizlik | “Bu işi hallederiz.” → Kim, ne, ne zaman, nasıl? Bağlama bağlıdır. | def resolve( task ): return task.complete() → İşlev tanımı açık. |
| Hata Toleransı | “Yarın gelmezsem, ararsın belki. → İnsan anlar. | prnt( “Merhaba” ) → Tek karakter hatası, çalışmaz. |
Bu farklar, yapay zekânın “anlama” yeteneğinden ziyade, istatistiksel örüntü eşleştirme kapasitesiyle açıklanabilir.
Bağlam örüntüsü ile bağlam aynı şey değildir
Önceki yazımızda değindiğimiz “bağlam örüntüsü” kavramı, bu konuyu derinleştirmek için kilit bir noktadır.
LLM’ler, doğal dilde bağlamın kendisini değil, metinde tekrar eden anlam örüntülerini öğrenir. Yani bir ifadenin hangi durumlarda, hangi kelimelerle birlikte, hangi istatistiksel yakınlıkta ortaya çıktığını haritalandırır. Oysa formel dillerde “bağlam” da sınırlandırılmıştır.
Bu da istatistiksel modelin, formel alanda daha “tutarlı” ve “güvenilir” görünmesini sağlar. Ancak bu, modelin “anladığı”nı göstermez; yalnızca kuralların belirsizlik alanını daralttığı bir ortamda örüntü eşleştirmesinin daha az hata payıyla gerçekleştiği anlamına gelir.
Kısacası; yapay zekâ sistemleri kelimelerin dansını, ritmini ve koreagrafisini öğrenmiştir; ancak o dansın yoğunluğunu, müziğin duygusunu veya ortamın sıcaklığını hissetmez.
Karşıt görüşlere kısa bir temas
Bazı araştırmacılar, düşünce zinciri (chain-of-thought) veya mekanik yorumlanabilirlik (mechanistic interpretability) gibi tekniklerle LLM’lerin mantık problemlerinde de başarılı olabildiğini öne sürmektedir. Bu gözlem büyük ölçüde doğrudur. Ancak bu tür başarılar, modelin gerçekten anladığını göstermeyebilir; bunun yerine “daha karmaşık örüntü eşleştirmeleri” ve “ara durumlar” üretebildiğine işaret ediyor olabilir.
Formel dillerde bu eşleştirmeler daha az belirsizlik içerdiğinden, başarı oranı da doğal olarak yükselir. Doğal dillerde ise bağlamın çok katmanlı yapısı, istatistiksel modelin “en olası diziyi tamamlama” stratejisini sıklıkla yanıltabilir.
Mühendislik başarısı mı, kavrayış mı?
Zincirleme düşünme veya yapılandırılmış çıktı formatları gibi mühendislik yaklaşımlarının, modelin formel ve yarı-formel görevlerdeki performansını belirgin biçimde artırdığı bilinmektedir. Bu tür iyileştirmeler, örüntü eşleştirmesinin daha karmaşık ara katmanlara doğru yayıldığını gösterse de “anlayışın” ortaya çıktığını göstermez. Çünkü model “Neden?” sorusuna yanıt aramamakta; “Bu bağlamda hangi dizilim istatistiksel olarak daha tutarlıdır?” sorusuna yanıt üretmektedir. Formel dillerde bu sorunun cevabı çok daha nettir; oysa doğal dillerde insan deneyiminin belirsizliğine dağılmıştır.
Büyük dil modellerinin doğal ve formel dillerdeki performans farkı, bir “anlama” hiyerarşisinden ziyade daha çok “yapısal uyum” meselesidir. Formel diller, insan aklının “belirsizliği” kontrol etme çabasının bir ürünüdür ve kuralları sabittir, bağlamı büyük ölçüde daraltır ve anlam bu katı yapı üzerinden oluşturulur. Doğal diller ise insan etkileşiminin çok boyutlu çok katmanlı canlı bir kaydıdır ve anlam, bağlamın içine yayılmıştır.
Yapay zekâ her ikisinde de aynı temel mekanizmayla çalışır: istatistiksel tamamlama. Bu mekanizma kuralların belirleyici olduğu alanlarda tutarlı; bağlamın belirleyici olduğu alanlarda ise dikkatli denetlenmesi gerekebilen “kırılgan” sonuçlar üretir.
Sonuç
Kısacası; büyük dil modellerinin doğal ve formel dillerdeki performans farkı; bir “anlama” hiyerarşisinden daha çok bir “yapısal uyum” meselesidir.
Bu ayrımı yalnızca yapay zekânın sınırlarını anlamak açısından değil, onu nasıl kullanacağımızı belirlemek için de önemlidir. Bu fark gözden kaçırıldığında, yapay zekâdan beklediklerimiz ile yapabilecekleri arasındaki mesafe de büyüyebilir.
Gelecekteki araştırmalar, sadece daha büyük modeller üretmekle değil; anlamı ve bağlamı ve ikisi arasındaki ilişkisel yapıları temsil edebilen yeni yaklaşımlar geliştirmekle ilerleyecektir.
Belki de yapay zekâyı “anlayan bir varlık” olarak görmek yerine; formel dillerde güvenilir, doğal dillerde ise dikkatle denetlenmesi gereken istatistiksel bir “ortak” olarak konumlandırmak, hem teknolojiyi doğru kullanmanın hem de insanî anlamı korumanın anahtarı olabilir.
* ORCID: 0000-0002-3952-7235
hek@nula.com.tr ● hakanekartal@yahoo.com
Kaynaklar ve İleri Okumalar
- Noam Chomsky, Three Models for the Description of Language, IRE Transactions on Information Theory, Vol:2, Number:3, Pages:113–124, 1956, DOI:10.1109/TIT.1956.1056813
- John E. Hopcroft and Rajeev Motwani and Jeffrey D. Ullman, Introduction to Automata Theory, Languages, and Computation, Pearson, Ed:3, 2006-06-29, ISBN:9780321455369
- Gerhard Jäger and James Rogers, Formal Language Theory: Refining the Chomsky Hierarchy, Philosophical Transactions of the Royal Society B, Vol:367, Number:1598, Pages:1956–1970, 2012, DOI:10.1098/rstb.2012.0077
- Jason Wei and Xuezhi Wang and Dale Schuurmans and Maarten Bosma and Brian Ichter and Fei Xia and Ed Chi and Quoc Le and Denny Zhou, Chain—of—Thought Prompting Elicits Reasoning in Large Language Models, Vol:35, Pages:24824–24837, 2022, DOI:10.48550/arXiv.2201.11903
- William Merrill, Formal Language Theory Meets Modern NLP, July 28, 2021, DOI:10.48550/arXiv.2102.10094
- Michael Y. Hu, Jackson Petty, Chuan Shi, William Merrill, Tal Linzen, Between Circuits and Chomsky: Pre-pretraining on Formal Languages Imparts Linguistic Biases, May 27, 2025, DOI:10.48550/arXiv.2502.19249
- Jon Barwise, John Perry, Situations and Attitudes, The Journal of Philosophy, Vol:78, Issue:11, Pages:668–691, November 1981, DOI:10.2307/2026578
- Hilary Putnam, Mind, Language and Reality, Philosophical Papers,Vol:2, Cambridge University Press, London, Library of Congress Cat.Number:75-8316, ISBN:0 521 20668 5, First Published 1975
- Hakan Emre KARTAL, Yapay Zekâ Anlıyor Mu, Yoksa Sadece Hesaplıyor Mu?, GazeteBilim, 2026, URL:https://gazetebilim.com.tr/yapay-zeka-anliyor-mu-yoksa-hesapliyor-mu/
