Yapay Zekâ’da yaratıcılık ve algının ötesindeki teknoloji tehlikesi

Yapay Zekâ’dan yoksun bir insanlık hiç de doğru bir yaklaşım değildir. Ancak mevcut tehlikelerin değerlendirilerek önlem alınması da insanı bir sorumluluk olarak kabul edilmelidir.

Son dönemlerde gündemden düşmeyen Yapay Zekâ uygulamaları, insana has yaratıcılık olgusunun teknolojik araçlar tarafından taklit edilip edilemeyeceği konusundaki tartışmaları iyiden iyiye artırmıştır. Bilindiği üzere, Dall-E ve ChatGPT gibi uygulamaların başı çektiği Yapay Zekâ tabanlı, devrim niteliğindeki gelişmeler, yaratıcılığın taklidi yanında insanın yerine geçebilecek zeki sistemlerin mümkün olabileceği yönündeki görüşlere de katkıda bulunmuştur. Neticede Yapay Zekâ’da yaratıcılık günümüz ve gelecek düzleminde kendine cevap arayan önemli bir soru olmakla beraber, ivmesi artan teknoloji odaklı geliştirmeler de insan algısının ötesine geçen teknoloji tehlikesini göz önünde bulundurmamızı gerekli kılmaktadır. Bu tehlikenin merkezinde kuşkusuz ki Yapay Zekâ faktörü yer almaktadır.

1. Yapay Zekâ’nın yaratıcılık yönünde ilerleyişi

Algının ötesine geçen teknoloji tehlikesi, insanî bağlamda sahip olduğumuz farkına varma, analiz etme ve muhakemede bulunma gibi yeterliklerin biyolojik sınırlar içerisinde olmasıyla ilintilidir. Dolayısıyla teknolojik gelişmeler neticesinde karmaşıklık seviyeleri ve kapsamları giderek artan teknolojik çözümlerin algı sınırlarımız ötesinde olması, Yapay Zekâ gibi kendi özerk problem çözümlerini tasarlama mekanizmalarını işletebilecek bir aracın söz konusu sorunun odak noktası haline gelmesine sebep olmaktadır. Dolayısıyla tehlikeyi anlamak için Yapay Zekâ’nın yaratıcılık yönündeki ilerleyişini de irdelemek gerekmektedir.

Yapay Zekâ temelde basit algoritmaların, çeşitli matematiksel ve mantıksal eklemelerle geliştirilmeleri sonucunda, problemlere karşı daha esnek ve kapsayıcı çözümler tasarlayabilen ileri düzey algoritma yapılarının geliştirilmesine dayanmaktadır (Köse, 2022). Hem bir bilim alanı, hem de bir çözüm aracı olarak bilinen Yapay Zekâ, farklı karakteristik özelliklere sahip yüzlerce algoritmaya ev sahipliği yapmaktadır. Bu algoritmaların bazıları doğrudan ileri düzey matematiksel formüller üzerinde optimizasyon yapabilirken, bazıları da sebep-sonuç ilişkisi kurallarına dayandırılabilen problemlere anlık sonuçlar verebilmektedir (bir bina tasarımında yüzlerce sayısal değeri tahmin ederek en uygun tasarımı sunan bir algoritmayı ya da karmaşık risk faktörleri üzerinden bir müşteriye kredi verilip verilemeyeceğini tespit eden algoritma yapılanmasını düşünün). Ancak Yapay Zekâ’nın insan hayatında daha fazla rol oynamasını sağlayan algoritmalar kuşkusuz ki Makine Öğrenmesi adı altında toplanan; hedef problemle bağlantılı veriler üzerinden problemi öğrenerek çözümler tasarlama yetisine ulaşan algoritmalardır (Mueller, & Massaron, 2021; Rebala vd., 2019).

1.1. Makine Öğrenmesi ve Derin Öğrenme

Makine Öğrenmesi algoritmalarının ilk ortaya çıkışında insan düşünce mantığının akışı ve insan beynindeki sinir hücreleri arası etkileşimler önemli esin kaynakları olmuş; zamanla karar akışlarını inşa eden Karar Ağaçları, olasılıkları ön plana çıkaran Bayes algoritmaları ya da sinir hücrelerini sayısal ağ çözümleri temsillerine dönüştüren Yapay Sinir Ağları gibi çözüm araçları bilimsel literatüre kazandırılmıştır. Günümüzde, 21. Yüzyılda yaşanan donanımsal gelişmeler ve veri işlemedeki ilerlemeler, veriyi daha detaylı (derinlemesine) irdeleyerek, başarımı çok daha iyi çözümler ortaya koyabilen Derin Öğrenme algoritmalarının (modellerinin) oluşmasını da sağlamış; Makine Öğrenmesi ailesi artık Derin Öğrenme adı altında incelenir hâle gelmiştir (Dong vd., 2021; Goodfellow vd., 2016). Tipik bir Derin Öğrenme süreci, geleneksel Makine Öğrenmesi’ne göre eldeki veriyi ilmik ilmik analiz ederek, problemi daha net algılamayı sağlayan gelişmiş veri analizi ve işleme adımlarıyla bağlantılıdır. İşte bu Derin Öğrenme süreci, daha önce görülmemiş başarımdaki Yapay Zekâ uygulamalarının önünü açmış, bu başarımlar, Yapay Zekâ’ya yaratıcılık olgusunun aktarılması sorunsalıyla da bağlantılı olmaya başlamıştır.

1.2. Yaratıcılık yolunda Yapay Sinir Ağları

Yapay Zekâ’da yaratıcılığı anlamak en basit haliyle Yapay Sinir Ağları’nın evrimini anlamak ile bağlantılıdır. Yapay Sinir Ağları tasarımını sağlayan en ilkel sayısal işleme aracı olan algılayıcı (perceptron), ağırlıklı değişkenler üzerinden hesaplar yapan bir aracın, örnek giriş değerlerine karşılık hangi çıkış değerlerinin elde edildiğine bakarak, bütün verileri kapsayan uygun ağırlıkları tespit edebilen bir sisteme tekabül etmektedir (Kanal, 2003; Rosenblatt, 1958). Algılayıcı zaman içerisinde daha gelişmiş problemlere karşı yeterli olmamış, bu noktada Yapay Sinir Ağları adı altında birbirleriyle bağlantılı çok sayıda algılayıcının işe koşulduğu bir yapı tasarımı elde edilmiştir (Krogh, 2008; Sing, & Banerjee, 2019). Bu yapı, insan beyninin sayısal bir temsili gibi; öğrenerek gelişen ve problem çözen sistem tasarımını mümkün kılmasıyla beraber insansı makineler ve algoritmalarda yaratıcılık gibi olasılıkların ilk kıvılcımlarını ateşlemiştir. Bu kıvılcımlar daha fazla veriyle başedebilen, daha karmaşık ancak daha görev odaklı Yapay Sinir Ağları modellerini de mümkün kılmıştır. Standart Yapay Sinir Ağları’nın faaliyet alanı nispeten daha geniş iken, Derin Öğrenme altında inceleyebileceğimiz Evrişimsel Sinir Ağları (CNN) modeli ise daha çok görsel algılamayla (gözün ayırt etme mekanizmaları gibi) bağlantılı problemlere odaklanarak başarımı üst seviyelere ulaştırmıştır. Yine LSTM adı verilen sinir ağları model uzun dönem ve kısa dönem hafızadan esinlenerek daha etkin öğrenebilen Derin Öğrenme modellerini mümkün kılmış, Otokodlayıcı (Autoencoder) adlı sinir ağları modelleri ise aynı bilginin dönüşmüş temsillerini elde etmeyi otomatikleştirmiştir (Örneğin, fotoğrafınızda renklendirme, çizgi film efektleri oluşturma ya da yaşlandırma etkileri genelde Otokodlayıcı ile bağlantılıdır). Söz konusu Derin Öğrenme modellerine ek olarak çeşitli farklı yapılanmalar da Yapay Sinir Ağları’nın spesifik problem çözme yönelimini destekler şekilde literatürde yer almaktadır (Mathew vd., 2021). Bütün bu ilerlemelerin yaratıcılık olgusuna daha fazla dayanmasını sağlayan sinir ağları modeli ise Yaratıcı (Üretici) Çekişmeli Ağlar (GAN) olarak isimlendirilen Derin Öğrenme modeli olmuştur.

2. Yapay Zekâ nasıl yaratıcı olabiliyor?

Yapay Zekâ’nın nasıl yaratıcı olabildiği sorusunu Yaratıcı (Üretici) Çekişmeli Ağlar (GAN) üzerinden anlamak daha kolaydır (Kaynaklarda üreticilik kavramı daha çok ön plana çıkıyor olsa da aslında yaratıcılık ve üreticilik aynı yönde, aynı konuyu işaret etmektedir). GAN modeli özünde iki sinir ağları yapısının çalıştırıldığı bir Derin Öğrenme’yi içermektedir. Buna göre, basit veri üretimlerine başlayan ‘üretici’ bir ağın çıktıları, orijinal verilere bakarak üretilen çıktının orijinal gibi mi yoksa sahte mi olduğunu ayırt eden bir ağa giriş verisi olarak verilmektedir. Söz konusu ‘ayırt edici ağ’ tarafından oluşturulan dönütler üretici ağa verilerek, üretici ağın kendini geliştirmesi ve neticede ayırt edici ağı kandırabilecek seviyeye gelmesi sağlanmaktadır (Creswell vd., 2018). Bu eğitim (öğrenme) süreci tıpkı bir çırağın ustası tarafından eğitilmesi neticesinde ‘boynuzun kulağa geçmesi’ gibidir. Bu sayede orijinal görsel veriler üzerinden bu verilere benzeyen ama aynısı olmayan (orijinalden / gerçekten ayırt edilemeyen) görseller üreten bir GAN tabanlı Derin Öğrenme, yaratıcı Yapay Zekâ haline gelmektedir. Aynı mekanizmayı görsel veriler yerine edebi metinler üzerinde uygulamadığımızda ise yeni senaryolar, düz yazılar ya da şiirler türetebilen bir sistem elde edilebilmekte, hatta medikal veriler üzerinde ilaç türevleri (keşifleri) oluşturabilen zeki sistemler bile etkin bir biçimde geliştirilebilmektedir. Sonuç olarak sanatsal bir yaratıcılığın yanında, insansı üretim süreçlerini taklit edebilen gelişmiş algoritma yapılanmaları bu sayede elde edilebilmektedir.

2.1. Yaratıcılık Neticesinde Yapay Zekâ Etkisi

Yapay Zekâ ve yaratıcılık ilişkisi 2000’li yılların başlarında bile bir tür bilim-kurgu konusu olarak kabul edilir durumdaydı. Ancak teknolojide yaşanan; Moore yaklaşımını (Shalf, 2020) bile aşan hızlı ilerlemeler, Yapay Zekâ’nın yaratıcılık eksenli ürünler ortaya çıkartacak bir hale gelmesini sağlamıştır. Yaratıcılık neticesindeki Yapay Zekâ etkisi, halen yaygın bir şekilde tartıştığımız ChatGPT gibi ürünlerde kendini göstermektedir. Bunun dışında Yapay Zekâ sayesinde oluşturulan dijital ya da gerçekçi görseller de sosyal medya mecralarında yoğun bir şekilde paylaşılmaktadır. Anlaşılacağı üzere bu tür Yapay Zekâ çıktıları, bilgi depolama ve işleme kapasitelerinin geliştirilmesinden çok daha öte etkileri işaret etmekte, insanların makineler karşısındaki faklılıkları arasında yer alan; duyguları, düşünceleri ve imgelemler kullanma yeteneklerinin insan ürünü teknolojilere aktarılması neticesinde varoluşsal bir risk potansiyeli ortaya çıkmaktadır. Kısacası Yapay Zekâ ile yaratıcılık uygulamaları, insan entelektüel birikiminin ve becerilerinin dijital araçlara aktarılması neticesinde insanlığı âtıl duruma düşürebilecek bir distopik gelecek algısını tetiklemektedir. Bu durumda emeğin dijital araçlar tarafından harcanması, telif haklarının ucu açık bir konu haline gelmesi, yoğun zeki sistem kullanımı sonucunda ileri düzey Yapay Zekâ aşamalarının insanlığı köleleştirdiği bir senaryoyu teoriden pratiğe yönlendirmektedir. Köleleşme ifadesi henüz ağır bir tanım gibi görünüyor olsa da, günümüz koşullarında aynı ortamda yer alan insanların sosyal medya ve mobil araçlar sayesinde saatler boyunca birbirleriyle konuşmadan vakit geçirebilmeleri bu duruma dair erken bir işaret olarak değerlendirilebilmektedir.

Yapay Zekâ sadece yaratıcılık itibariyle olmasa da, hayatı pratikleştiren çözümleri sayesinde insanları kolaya kaçan ve körelen bir nesle doğru yönlendirmişken, yaratıcılık durumun vahametini artırmaktadır. Elbette teknolojinin sorumlu kullanımı, hatta Sorumlu Yapay Zekâ çözümleri (Dignum, 2019; Koç, & Köse, 2023) insan-makine etkileşimi açısından önemli bir çözümü işaret etmekte; dolayısıyla insanlığın teknolojik gelişimini doğru yönde sürdürmesi açısından söz konusu kavram çerçevesinde araştırmaları da cesaretlendirmektedir. Kuşkusuz ki teknolojiden ve Yapay Zekâ’dan yoksun bir insanlık hiç de doğru bir yaklaşım değildir. Ancak mevcut tehlikelerin değerlendirilerek önlem alınması da insanı bir sorumluluk olarak kabul edilmelidir. Bu konuda Yapay Zekâ’nın çoktan beri katkıda bulunduğu önemli bir risk faktörünü de ‘algının ötesine geçen teknoloji’ tanımı altında yorumlamak mümkündür.

3. Algının ötesinde teknoloji ve Yapay Zekâ

Algının ötesinde teknoloji kavramı, yoğun gelişmeler neticesinde detayları anlamlandıramadığımız bir teknoloji evresini işaret etmektedir. Her ne kadar teknoloji geliştiricileri ortaya konulan çözümlerin detaylarına hâkim görünüyor olsalar da, karma yapıda oluşturulan teknolojiler; yani farklı geliştiricilerin birbirleriyle haberleşecek şekilde oluşturdukları teknolojilerin oluşturduğu yapılanmalar veri odaklı uygulamalara geçtiği andan itibaren zaman ve süreç anlamında insanî algı düzeyimizin ötesine geçebilecek seviyelere erişebilmektedir. En basitinden kolumuzda taşıdığımız akıllı saat ile verilerin depolanıp analiz edildiği bulut ortamları arasında gerçekleşen paslaşmalar ve bu sırada sosyal medya ortamındaki dijital izlerimiz sayesinde yönlendirilen zeki algoritmaların tekrar akıllı saatimize düşecek yönde meydana getireceği dönütlerin pratik bir resmini çizmek hiç de kolay değildir. Hatta 2020’li yıllarda iyiden iyide gerçek-zamanlı çalışma ilkesine dayanan küresel bilişim teknolojileri içerisinde söz konusu algıyı yakalamak neredeyse imkânsız hale gelmiş durumdadır. Bridle (2008) bu duruma yönelik olarak ‘bulanıklaşan teknolojiler’ neticesinde insanlığın dâhil olduğu ‘yeni karanlık çağ’ evresini bir risk faktörü olarak gözler önüne sermektedir. Bu durumun oluşmasına sebep olan en önemli teknoloji araçlarından biri de elbette Yapay Zekâ olmaktadır.

Algının ötesindeki teknoloji Yapay Zekâ ile yaratıcılık yönünde düşünüldüğünde insani yaratıcılığın kontrolümüz dışında olduğu bir gelecekten de söz etmek oldukça olası bir senaryoya dönüşmekte; gelecek distopik bir karaktere bürünmektedir. Yine de algının ötesine geçme durumuna karşı çeşitli çabalar da dikkat çekicidir. Özellikle son yıllarda Makine Öğrenmesi / Derin Öğrenme tabanlı geliştirilen zeki sistemlerin çıktıları meydana getirirken girdi verileri üzerinden nasıl bir analiz süreci geçirdiklerini anlamak adına Açıklanabilir Yapay Zekâ (XAI) adı altında araştırmalar gerçekleştirilmektedir (Arrieta vd., 2020). Bu tür araştırmalar güvenilir Yapay Zekâ sistemleri için önemli olsa da, Yapay Zekâ sayesinde üretilen yeni teknolojik araçların insan algısı sınırlarının ötesine hızla geçmesi durumu, teknoloji üretiminin yavaşlatılması yönündeki görüşleri ya da insan yeterliklerinin makine senteziyle artırılması bağlamındaki -fütüristik- araştırmaları da gün yüzüne çıkarmaktadır. Geçtiğimiz haftalarda Yapay Zekâ geliştirmelerinin altı aylık bir süre kadar durdurulması / yavaşlatılması yönündeki çağrılar (Future of Life Institution, 2023) ve tıpkı Elon Musk’ın NeuraLink projesinde (Kulshreshth vd., 2019) olduğu gibi insan yeterliklerini artıran teknoloji araştırmaları söz konusu eğilimlere en güzel örnekler arasındadır.

4. Algının ötesindeki yaratıcılığa karşı çözüm senaryoları

Algının ötesindeki teknoloji tehlikesiyle birlikte Yapay Zekâ’da yaratıcılık olasılıklarını dikkate aldığımızda, çeşitli çözüm senaryolarından da bahsedebiliriz. Bu senaryolar algının ötesinde teknolojilere karşı insanlığımızı varoluşsal bir riske dönüştürmeme noktasında işe koşabileceğimiz sorumluluklar içerisinde de kabul edilebilecektir. Genel olarak değerlendirildiğinde çözümler teknik müdahaleler yanında genel kapsamdaki (sosyal, politik, ekonomik…vs.) düzenlemeler içerisinde incelenebilecektir.

4.1. Teknik çözümler

Olası teknik çözümler daha çok Yapay Zekâ ve teknoloji mekanizmalarında oluşturulacak düzenlemeler ile ilişkili olabilecektir. Bu kapsamdaki bazı çözüm önerilerini şöyle ifade etmemiz mümkündür:

• Açıklanabilir Yapay Zekâ (XAI) geliştirmelerinin sürdürülmesi ve zeki sistemler içerisinde zorunlu düzenlemeler olarak uygulanması yerinde olacaktır. Bu konuda XAI kullanımı özellikle insan nezdinde etkili kullanılabilirlik oluşturmak için önemli bir role sahiptir.
• Yapay Zekâ tabanlı sistemler ya da Yapay Zekâ içeren teknolojiler tasarlanıp geliştirilirken detaylı bakım talimatlarının sıradan kullanıcılardan ileri düzey kullanıcılara kadar farklı kategoriler altında tasarlanması insan algı seviyesinin en karmaşık sistemleri bile denetleyebilme düzeyinde olmasını sağlayacaktır.
• Algının ötesinde yaratıcılığa karşı insan kontrolünü sağlamak adına ilgili Yapay Zekâ geliştirmelerinde kullanılan verilerin belli standartları sağlayan teknik özelliklere göre seçilmesi dikkate değer bir çözüm yoludur. Ayrıca bu tür yaratıcı zeki sistemlerin ürettiği çıktıların bazı özel algoritmalar ile insan katkısı haricinde olduklarını gösteren işaretle damgalanması insan ve makine yaratıcılığı arası ayrımın sürdürülmesine katkıda bulunacaktır.
• İnsan yaratıcılığının zeki sistemlerde belli bir düzeye kadar yansıtılması yönünde kurallar konulması radikal bir karar da olsa insani bir düzenleme olacaktır. Bu bağlamda, ilgili düzey kısıtlarını oluşturacak Yapay Zekâ geliştirme yollarının teknik değerler nezdinde yansıtıldığı kılavuzların oluşturulması düşünülebilir.

4.2. Genel Çözümler

Teknik çözümlerden ziyade daha genel senaryolar içeren diğer çözüm yollarını da kısaca şöyle açıklayabiliriz:

• Halihazırda Yapay Zekâ’nın yönetimi ve organizasyonu konularında küresel çapta çok çeşitli düzenlemeler / kurallar ortaya konulmuş durumdadır. Bu düzenlemelerin bütün ülkelerdeki Yapay Zekâ ve teknoloji geliştirmelerini kapsayacak, algı ötesine geçme durumunu frenleyecek, yaratıcılık gibi tartışma konusu olguları daha detaylı takip edecek zorunlu direktiflerin oluşturulması oldukça kritik bir çözümdür.
• Ülkeler nezdinde düşünüldüğünde ülke teknoloji ve Yapay Zekâ geliştirmelerinin ulusal ve uluslararası politikalar içerisinde kontrol altına alınması, insanlığın ön planda tutulduğu geliştirmeleri teşvik edici planlamalar yapılabilecektir.
• İnsanî olguları taklit edebilecek ya da insan varoluşuna tehdit oluşturabilecek zeki sistem / teknoloji geliştirmelerine karşı ekonomik yaptırımlar, ambargolar oluşturulması; aksi yönde sorumlu ve insan uyumlu geliştirmelere karşı da üst seviye ekonomik desteklerin oluşturulması, söz konusu tehlikelerin kontrollü bir şekilde ortadan kaldırılmasını (ya da kontrol altında tutulmasını) sağlayabilecektir.
• Dünya vatandaşlarının teknoloji ve Yapay Zekâ okuryazarlığı yönünde sürekli eğitilmesi, bu konuda küresel çapta dengeli bir toplumsal yapının oluşturulması açısından önemli bir çözüm yoludur.
• İnsan-makine arası etkileşimin sadece teknik normlar içerisinde kalmadan; sosyal, bireysel, kültürel ve toplumsal kabuller eşliğinde, uyumlu bir biçimde değerlendirilmesi, bu konuda gerekli uyumun sağlanması yönünde tedbirlerin alınması oldukça yerinde bir yaklaşım olacaktır.  

Kaynakça

Arrieta, A. B., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., … & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82-115.

Bridle, J. (2018). New dark age: Technology and the end of the future. Verso Books.

Creswell, A., White, T., Dumoulin, V., Arulkumaran, K., Sengupta, B., & Bharath, A. A. (2018). Generative adversarial networks: An overview. IEEE Signal Processing Magazine, 35(1), 53-65.

Dignum, V. (2019). Responsible artificial intelligence: how to develop and use AI in a responsible way (p. 59). Cham: Springer.

Dong, S., Wang, P., & Abbas, K. (2021). A survey on deep learning and its applications. Computer Science Review, 40, 100379.

Future of Life Institution. (2023). Pause giant AI experiments: An open letter. Future of Life Institution. Çevrimiçi: https://futureoflife.org/open-letter/pause-giant-ai-experiments/ (Erişim 28 Nisan 2023).

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

Kanal, L. N. (2003). Perceptron. In Encyclopedia of Computer Science (pp. 1383-1385).

Koç, P., & Köse, U. (2023). İklim Krizine Karşı Yapay Zekâ. İklim Krizi: Kavramsal Çerçeve ve Teknolojik Gelişmeler. Doğu Kitabevi.

Köse, U. (2022). Yapay Zekâ Felsefesi. İstanbul: Doğu Kitabevi.

Krogh, A. (2008). What are artificial neural networks?. Nature Biotechnology, 26(2), 195-197.

Kulshreshth, A., Anand, A., & Lakanpal, A. (2019). Neuralink-an Elon Musk start-up achieve symbiosis with artificial intelligence. In 2019 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS) (pp. 105-109). IEEE.

Mathew, A., Amudha, P., & Sivakumari, S. (2021). Deep learning techniques: An overview. Advanced Machine Learning Technologies and Applications: Proceedings of AMLTA 2020, 599-608.

Mueller, J. P., & Massaron, L. (2021). Machine learning for dummies. John Wiley & Sons.

Rebala, G., Ravi, A., & Churiwala, S. (2019). An introduction to machine learning. Springer.

Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386.

Shalf, J. (2020). The future of computing beyond Moore’s law. Philosophical Transactions of the Royal Society A, 378(2166), 20190061.

Singh, J., & Banerjee, R. (2019). A study on single and multi-layer perceptron neural network. In 2019 3rd International Conference on Computing Methodologies and Communication (ICCMC) (pp. 35-40). IEEE.