WITTGENSTEIN VE YAPAY ZEKA

 

 

 

 

 

 

 

 -

wıttgensteın ve yapay zeka

 

Ludwig Wittgenstein, yirminci yüzyıl felsefesinin en özgün, en derin ve etkisi günümüze kadar uzanan düşünürlerinden biri olarak, dilin doğası, anlamın oluşumu, düşünmenin sürdüğü sınırlar ve insan yaşamının kavramsal dokusu üzerine geliştirdiği analizlerle yalnızca analitik felsefe geleneğini değil, çağdaş zihin felsefesini, bilişsel bilimlerin kavramsal çerçevesini ve dolaylı fakat son derece güçlü bir biçimde yapay zekâ tartışmalarını da şekillendirmiştir. Onun düşünsel serüveni, özellikle geç dönem eserlerinde – başta ölümünden sonra yayımlanan  Felsefi Soruşturmalar  olmak üzere – geliştirdiği özgün yaklaşım, anlamı zihnin içindeki soyut temsillerde ya da dünyaya birebir karşılık gelen mantıksal yapılarda değil; kullanımda, pratikte ve toplumsal etkileşim içinde temellendirir. Bu köklü paradigma değişimi, yapay zekâ çağında sormamız gereken temel soruyu keskinleştirir: Bir makine dili kusursuz biçimde kullanabiliyorsa, gerçekten "anlıyor" mudur? Ya da daha radikal bir ifadeyle: Anlamak, yalnızca sembol manipülasyonundan ibaret midir? Bir makine insan gibi düşünebilir mi, yoksa düşünme dediğimiz şey, hesaplamaya indirgenemeyecek kadar karmaşık, yaşamın içine gömülü bir fenomen midir?

 

Wittgenstein'ın felsefesi ile yapay zekâ arasındaki ilişki, yalnızca akademik bir merak konusu değil, aynı zamanda çağımızın en acil felsefi ve pratik sorunlarından birine ışık tutan bir çerçeve sunar. Günümüzde büyük dil modelleri (Large Language Models - LLM'ler), insan benzeri metinler üretmekte, karmaşık felsefi tartışmalara girebilmekte, şiir yazmakta, bilimsel makaleler özetlemekte, yasal belgeler hazırlamakta, tıbbi teşhis koymakta ve hatta terapötik diyaloglar yürütebilmektedir. Bu gelişmeler karşısında, Wittgenstein'ın yarım yüzyıl önce geliştirdiği kavramsal araçlar, bizi yanıltıcı yüzeysel benzerliklerin ötesine geçmeye ve "anlama", "düşünme", "bilinç", "niyet", "deneyim" gibi kavramların gerçek anlamda ne ifade ettiğini sorgulamaya davet eder.

 

Bu yazı, Wittgenstein'ın felsefesinin yapay zekâ tartışmalarına uygulanmasının kapsamlı bir analizini sunmayı amaçlamaktadır. Wittgenstein'ın erken ve geç dönem düşünceleri arasındaki gerilimden başlayarak, onun Alan Turing ile olan tarihsel etkileşimine, dil oyunları kavramından kural izleme analizlerine, anlam körlüğü fikrinden hayat biçimi ontolojisine, niyet fenomenolojisinden etik ve ontolojik sınır sorunlarına kadar uzanan geniş bir yelpazede, yapay zekâ sistemlerinin kapasiteleri ve sınırlılıkları ele alınacaktır. Amacımız, yapay zekânın teknik başarılarını küçümsemek değil, aksine bu başarıların felsefi anlamını doğru bir kavramsal çerçeveye oturtmak, insan zekâsı ile yapay zekâ arasındaki ontolojik farkları açığa çıkarmak ve bu farkların etik, hukuki ve toplumsal sonuçlarını tartışmaktır.

 

 

  I. ERKEN VE GEÇ WITTGENSTEIN: ANLAMIN DÖNÜŞÜMÜ VE YAPAY ZEKÂ AÇISINDAN SONUÇLARI

 

 1.1 Tractatus Dönemi: Dilin Mantıksal Resim Kuramı ve Sembolik Yapay Zekânın Felsefi Kökenleri

 

Wittgenstein'ın erken dönem başyapıtı  Tractatus Logico-Philosophicus  (1921), dili dünyanın mantıksal bir resmi olarak kavrayan görkemli bir felsefi sistem sunar. Bu eser, yalnızca felsefe tarihi açısından değil, aynı zamanda bilişim bilimleri ve yapay zekâ araştırmalarının kavramsal öncülleri açısından da büyük önem taşır. Wittgenstein bu dönemde, dil ile dünya arasında birebir bir izomorfizm (yapısal eşbiçimlilik) olduğunu savunur. Önermeler, dünyadaki olguların mantıksal resimleridir; tıpkı bir müzik notasının bir melodiyi, bir haritanın bir araziyi ya da bir film karesinin bir sahneyi resmetmesi gibi. Anlam, bu temsil ilişkisinin doğruluğunda ya da yanlışlığında değil, önermenin olgularla paylaştığı mantıksal formda yatar.

 

Tractatus'un temel tezlerini şöyle sıralayabiliriz:

 

1.   Dünya, olguların toplamıdır, nesnelerin değil:   Wittgenstein, dünyanın nesnelerden değil, nesneler arasındaki ilişkilerden oluşan olgulardan meydana geldiğini söyler. Bu, ilişkisel bir ontolojidir.

 

2.   Düşünce, olguların mantıksal resmidir:   Düşünceler, dünyadaki olguları mantıksal form aracılığıyla resmeder. Düşünemeyeceğimiz şey, aynı zamanda dilde de ifade edilemez.

 

3.   Önerme, düşüncenin duyusal olarak algılanabilir ifadesidir:   Dil, düşünceleri dışsallaştırır. Önermeler, düşüncelerin mantıksal formunu koruyarak onları ifade eder.

 

4.   Bir önermenin anlamı, onun doğruluk koşullarıdır:   Bir önermeyi anlamak, hangi durumda doğru, hangi durumda yanlış olacağını bilmektir.

 

Bu erken dönem görüşü, yapay zekâ açısından değerlendirildiğinde, sembolik yapay zekâ geleneğiyle dikkat çekici paralellikler taşır. Tractatus'ta dil, tıpkı bir bilgisayar programı gibi, mantıksal kurallarla işleyen kapalı bir sistem olarak görülür. Dünyanın mantıksal yapısını yansıtan bir dil, doğru önermeler üreterek dünya hakkında bilgi verebilir. Bu anlayış, 1950'ler ve 1960'larda gelişen sembolik yapay zekâ yaklaşımının temelini oluşturmuştur. Örneğin:

 

-Mantıksal programlama dilleri (Prolog gibi):   Prolog, dünyayı mantıksal önermeler (gerçekler ve kurallar) biçiminde temsil eder ve bu önermeler üzerinde mantıksal çıkarım yaparak soruları yanıtlar. Bu, Tractatus'un "dil dünyanın resmidir" tezinin doğrudan bir uygulamasıdır.

 

- Uzman sistemler:   1970'ler ve 1980'lerde geliştirilen uzman sistemler, belirli bir alandaki (tıp, jeoloji, kimya vb.) uzman bilgisini "eğer-ise" kuralları biçiminde temsil eder. Bu sistemler, tıpkı Tractatus'un önermeleri gibi, dünya hakkında mantıksal çıkarımlar yaparak sorunları çözer.

-   Semantik ağlar ve çerçeveler:   Yapay zekâda bilgi temsili için geliştirilen bu modeller, kavramlar arasındaki mantıksal ilişkileri ağ biçiminde temsil eder. Bu da Tractatus'un mantıksal atomculuğunun bir yansımasıdır.

 

Ancak Tractatus'ta önemli bir sınırlılık vardır: Wittgenstein, dilin yalnızca olgusal içeriği ifade edebileceğini, etik, estetik ve metafizik alanların ise "gösterilemeyeceğini", yalnızca "gösterilebileceğini" söyler. Bu ayrım, yapay zekâ sistemlerinin hangi tür bilgiyi işleyebileceği konusunda erken bir uyarı niteliği taşır. Bir makine, olgusal önermeleri işleyebilir; ancak bir şiirin estetik değerini, bir eylemin etik anlamını ya da bir yaşamın varoluşsal derinliğini aynı şekilde "işleyebilir" mi? Bu soru, Wittgenstein'ın geç dönem felsefesinde daha da keskinleşecektir.

 

 1.2 Geç Dönem Wittgenstein: Dil Oyunları, Kullanım Temelli Anlam ve Yapay Zekâ İçin Sonuçları

 

Wittgenstein, 1930'lardan itibaren Tractatus'taki görüşlerini radikal biçimde revize eder.  Felsefi Soruşturmalar 'da (1953, ölümünden sonra) geliştirdiği yeni yaklaşım, dili tek bir mantıksal yapıya indirgeme çabasını terk eder. Artık dil, çok sayıda "dil oyunu"ndan oluşan karmaşık ve heterojen bir etkinlikler bütünüdür. Emir vermek, şaka yapmak, dua etmek, rapor yazmak, şiir okumak, matematik ispatlamak, birinden bir şey istemek, teşekkür etmek, küfretmek, selamlaşmak, şarkı söylemek, bilmece çözmek, yemin etmek, ilan etmek – bunların her biri farklı kuralları, farklı amaçları ve farklı bağlamları olan birer dil oyunudur.

 

Bu dönüşümün temel tezi şudur:   "Bir kelimenin anlamı, onun dil içindeki kullanımıdır."   Anlam, artık kelimelerin zihindeki imgelerle ya da dünyadaki nesnelerle kurduğu sabit ilişkilerde değil, kelimelerin yaşamın akışı içinde oynadığı rollerde aranmalıdır. Bir kelimeyi anlamak, onun tanımını ezberlemek değil, onu uygun bağlamlarda, uygun biçimde kullanabilmektir.

 

Bu geç dönem görüşü, yapay zekâ açısından çok daha karmaşık ve meydan okuyucu bir tablo çizer. Eğer anlam, sabit bir temsil ilişkisi değil de toplumsal kullanımın, pratiklerin ve  hayat biçimlerinin ürünü ise, o zaman bir makinenin anlamaya gerçekten erişip erişemeyeceği sorusu yeniden sorulmalıdır. Bir makine, dil oyunlarına katılabilir mi? Yoksa yalnızca bu oyunların dışsal örüntülerini mi taklit eder?

 

Bu soruyu yanıtlamak için, Wittgenstein'ın dil oyunları kavramını daha derinlemesine incelemeliyiz:

 

  Dil Oyunlarının Temel Özellikleri: 

 

1.   Kurallar:   Her dil oyununun kendine özgü kuralları vardır. Satranç oynamak ile dua etmek farklı kurallara tabidir. Tıpkı bir oyunun kurallarını bilmek o oyunu oynamayı mümkün kıldığı gibi, bir dil oyununun kurallarını bilmek de o oyuna katılmayı mümkün kılar.

 

2.   Amaçlar:   Her dil oyununun bir amacı vardır. Emir vermek bir eylemi yönlendirmeyi, şaka yapmak güldürmeyi, dua etmek ise tanrıyla iletişim kurmayı amaçlar.

 

3.   Bağlam:   Dil oyunları, belirli bir bağlam içinde anlam kazanır. Bir cümlenin anlamı, onun hangi dil oyununda, hangi durumda, hangi amaçla söylendiğine bağlıdır.

 

4.    hayat Biçimiyle İlişki:   Dil oyunları, daha geniş bir  hayat biçiminin parçasıdır. "Bir dili hayal etmek, bir hayat biçimini hayal etmektir" (Felsefi Soruşturmalar, §19).

 

Bu özellikler ışığında, bir yapay zekâ sisteminin dil oyunlarına katılıp katılamayacağı sorusunu değerlendirelim:

 

-   Kurallar açısından:   Yapay zekâ sistemleri, dil oyunlarının kurallarını öğrenebilir. Büyük dil modelleri, milyarlarca örnek üzerinden dilbilgisi kurallarını, sözcüklerin doğru kullanımını ve cümle yapılarını istatistiksel olarak modeller. Bu anlamda, bir dil oyununun kurallarını "bilirler".

 

-   Amaçlar açısından:   Yapay zekâ sistemlerinin kendi amaçları yoktur. Onlar, insanlar tarafından belirlenen amaçlar doğrultusunda çalışır. Bir soruyu yanıtlarken, aslında "soruyu doğru yanıtlama" amacını gerçekleştirirler; ancak bu amaç, onların içsel bir niyeti değil, programlarının bir işlevidir.

 

-   Bağlam açısından:   Modern dil modelleri, son derece karmaşık bağlamsal ilişkileri yakalayabilir. Bir kelimenin anlamı, içinde geçtiği tümceye, paragrafa, hatta metnin tamamına göre dinamik biçimde belirlenir. Bu, Wittgenstein'ın bağlam duyarlılığı vurgusuyla teknik düzeyde uyum içindedir.

 

-    hayat biçimi açısından:   İşte asıl sorun burada ortaya çıkar. Yapay zekâ sistemleri, insan  hayat biçimine katılmazlar. Onların bir bedeni, bir tarihi, bir toplumsal konumu, duyguları, arzuları, korkuları yoktur. Dil oyunları, onlar için yaşamın içinde anlam kazanan etkinlikler değil, yalnızca işlenmesi gereken veri örüntüleridir.

 

 1.3 Aile Benzerlikleri ve Kategorizasyon Sorunu: Makine Öğrenmesinin Kavramsal Sınırları

 

Geç dönem Wittgenstein'ın en önemli kavramlarından biri de "aile benzerlikleri"dir. Wittgenstein'a göre, bir kavramın kapsamına giren tüm durumların paylaştığı tek bir ortak özellik yoktur. Örneğin "oyun" kavramını ele alalım: Masa oyunları, top oyunları, kart oyunları, Olimpiyat oyunları, çocuk oyunları, bilgisayar oyunları, savaş oyunları, dil oyunları... Bunların hepsini "oyun" yapan tek bir özellik yoktur; aralarında tıpkı bir ailenin üyeleri arasındaki benzerlikler gibi, örtüşen ve çaprazlaşan benzerlikler ağı vardır. Kimi oyunlar eğlencelidir, kimi ciddi; kimi oyunlarda kazanan vardır, kimi oyunlarda yoktur; kimi oyunlar şansa, kimi beceriye dayanır.

 

Bu kavram, yapay zekâ sistemlerinin kategorizasyon yetenekleri açısından kritik önem taşır. Günümüz makine öğrenmesi sistemleri, kategorileri sabit özellik kümeleri üzerinden öğrenir. Bir nesnenin "kedi" kategorisine girip girmediği, belirli özelliklerin (bıyık, kulak şekli, tüy dokusu, göz rengi vb.) varlığına veya yokluğuna bağlıdır. Oysa Wittgenstein'ın gösterdiği gibi, insan kavramları çoğu zaman bu tür sabit özellik kümeleriyle tanımlanamaz. "Adalet", "güzellik", "ahlak", "aşk", "dostluk", "sanat", "demokrasi" gibi soyut kavramlar, aile benzerlikleri aracılığıyla işler. Bu kavramların net sınırları yoktur; farklı bağlamlarda farklı anlamlar kazanırlar.

 

Bu durum, yapay zekânın insan benzeri kavramsal anlayışa ulaşmasının önündeki önemli engellerden biridir. Bir makine, "oyun" kavramını istatistiksel örüntüler üzerinden öğrenebilir; ancak bu kavramın esnekliğini, bağlamsal değişkenliğini ve yaratıcı kullanımını taklit etmekte zorlanır. Örneğin, bir çocuğun iki taşla oynadığı basit bir oyun ile dünya kupası finalindeki futbol maçı arasında, makinenin tespit edebileceği ortak özellikler çok azdır; ancak insan, her ikisini de "oyun" olarak görmekte hiç zorlanmaz.

 

 1.4 Özel Dil Argümanı ve Yapay Zekânın İçsel Durumları

 

Wittgenstein'ın  Felsefi Soruşturmalar 'da geliştirdiği bir diğer önemli argüman, "özel dil argümanı"dır. Wittgenstein, yalnızca konuşan kişinin anlayabileceği, başkalarına aktarılamayan özel bir dilin imkânsız olduğunu savunur. Bir dil, tanımı gereği toplumsaldır; kuralları toplumsal pratik içinde belirlenir. Özel bir duyuma (örneğin, "S" adını verdiğim tuhaf bir acıya) atıfta bulunan bir kelime, bu duyumu başkalarına aktaramadığım sürece anlamlı olamaz.

 

Bu argüman, yapay zekâ sistemlerinin içsel durumları açısından önemli sonuçlar doğurur. Bir yapay zekâ sisteminin, insanların erişemeyeceği "özel" içsel durumları olabilir mi? Bu durumları ifade eden bir dili olabilir mi? Wittgenstein'ın argümanı, böyle bir dilin anlamlı olamayacağını gösterir. Anlam, toplumsal kullanımda ortaya çıktığına göre, yapay zekânın içsel durumları, ancak insanlarla paylaşılabildikleri ölçüde anlam kazanır. Oysa yapay zekânın içsel durumları (ağırlık matrisleri, aktivasyon değerleri, gizli katman temsilleri), insanlar için doğrudan erişilebilir değildir ve insan dilinde ifade edilemez. Bu durum, yapay zekâ ile insan arasında bir anlam uçurumu yaratır.

1939 yılı, Wittgenstein ile Alan Turing'in Cambridge Üniversitesi'nde bir araya geldiği, felsefe tarihi açısından son derece önemli bir dönemeçtir. Wittgenstein, bu dönemde matematik felsefesi üzerine dersler vermekte, Turing ise bu derslere düzenli olarak katılmaktadır. Bu karşılaşma, yalnızca iki büyük düşünürün entelektüel alışverişi değil, aynı zamanda hesaplama kuramı ile dil felsefesinin kesiştiği noktada yapay zekâ tartışmalarının tohumlarının atıldığı bir an olarak görülebilir.

 

Turing, bu dönemde henüz 1936'da yayımladığı "On Computable Numbers, with an Application to the Entscheidungsproblem" makalesiyle hesaplanabilirlik kuramının temellerini atmış, soyut bir hesaplama makinesi olan "Turing Makinesi" kavramını geliştirmiştir. Ona göre, herhangi bir hesaplama süreci, uygun biçimde programlanmış bir Turing Makinesi tarafından gerçekleştirilebilir. Zihinsel süreçler de bir tür hesaplama olduğuna göre, prensipte bir makine insan zihnini taklit edebilir.

 

Wittgenstein ise bu indirgemeci yaklaşıma şüpheyle yaklaşır. Ona göre matematiksel ispat, yalnızca semboller üzerinde işlem yapmak değil, belirli bir pratik içinde, belirli amaçlarla yürütülen bir etkinliktir. Bir ispatı "anlamak", yalnızca onun adımlarını takip edebilmek değil, aynı zamanda bu ispatın matematiksel pratik içindeki yerini, sonuçlarını, uygulamalarını, sınırlarını ve diğer ispatlarla ilişkisini kavrayabilmektir.

 

Wittgenstein'ın ders notlarını tutan öğrencilerinin aktardığına göre, Wittgenstein ile Turing arasındaki tartışmalar genellikle çelişki, ispat ve matematiksel kesinlik kavramları etrafında dönmüştür. Wittgenstein, matematiksel bir ispatın "mekanik" olarak doğrulanabileceğini kabul etmekle birlikte, ispatın anlamının bu mekanik doğrulamanın ötesinde olduğunu vurgulamıştır. Bu tartışmalar, günümüzde yapay zekâ sistemlerinin matematiksel akıl yürütme kapasiteleri ve bu kapasitelerin sınırları konusundaki tartışmaların habercisi niteliğindedir.

 

 2.2 Turing Testi ve Wittgenstein'ın Köklü İtirazları

 

Turing, 1950'de yayımladığı "Computing Machinery and Intelligence" başlıklı makalesinde, "Makineler düşünebilir mi?" sorusunu ele alır ve bu soruyu yanıtlamak için bir davranışsal test önerir: Turing Testi. Bu teste göre, bir insan (sorgulayıcı) bir makineyle ve bir başka insanla yazılı olarak iletişim kurar. Sorgulayıcı, hangisinin makine olduğunu ayırt edemezse, makine zeki sayılmalıdır. Turing'in yaklaşımı, zekâyı içsel durumlara değil, gözlemlenebilir davranışa dayandıran işlevselci (functionalist) bir yaklaşımdır.

 

Turing Testi, yapay zekâ araştırmalarında uzun yıllar boyunca temel ölçüt olarak kabul edilmiştir. Ancak Wittgenstein'ın felsefesi, bu testin temel varsayımlarına derinlemesine meydan okur:

 

  Birinci İtiraz: Davranışsal Eşdeğerlik Anlamsal Eşdeğerlik Değildir 

 

Wittgenstein'a göre, davranışsal benzerlik, zihinsel durumların varlığı için yeterli kanıt değildir. Bir papağan, insan sözlerini tekrarlayabilir, hatta belirli bağlamlarda uygun yanıtlar verebilir; ancak bu, onun bu sözleri "anladığı" anlamına gelmez. Benzer biçimde, bir makine de insan benzeri yanıtlar üretebilir; ancak bu yanıtların arkasında, insanın konuşmasına eşlik eden  hayat biçimi, deneyim, niyet ve bilinç yoktur. Makine, yalnızca "sanki anlıyormuş gibi" davranır.

 

  İkinci İtiraz: Kavramsal Bağlamın İhmal Edilmesi 

 

Wittgenstein için "düşünmek", "anlamak", "bilmek" gibi kavramlar, yalnızca belirli bir  hayat biçimi içinde anlam kazanır. Bu kavramları bu  hayat biçiminden soyutlayarak, salt davranışsal ölçütlerle tanımlamaya çalışmak, kavramsal bir karışıklığa yol açar. Tıpkı "satranç oynamak" kavramını, taşların fiziksel hareketlerine indirgeyip oyunun kurallarını, stratejilerini, amacını, estetiğini ve toplumsal anlamını göz ardı etmek gibidir bu. Turing Testi, "düşünme" kavramını, davranışsal bir performansa indirgeyerek kavramın zengin içeriğini yoksullaştırır.

 

  Üçüncü İtiraz: Testin Kendisinin Anlamı 

 

Wittgenstein, bir testin neyi ölçtüğünün de dil oyunları içinde belirlendiğini söyler. Turing Testi'nin geçerliliği, "zekâ" kavramının nasıl tanımlandığına bağlıdır. Eğer zekâyı davranışsal performans olarak tanımlarsak, Turing Testi'ni geçen bir makine elbette zekidir. Ancak bu tanımın kendisi sorgulanmaya açıktır. Wittgenstein, felsefenin görevinin bu tür tanımları sorgulamak ve kavramsal karışıklıkları gidermek olduğunu söyler.

 

  Dördüncü İtiraz: "İçeriden" Bilgi 

 

Wittgenstein, bir varlığın zihinsel durumları hakkında bilgi sahibi olmanın yalnızca dışsal gözleme dayanmadığını, aynı zamanda o varlıkla kurulan ilişkiye, empatiye ve ortak  hayat pratiğine dayandığını ima eder. Bir insanı anlamak, onunla aynı dünyayı paylaşmak, aynı bedensel deneyimlere sahip olmak, aynı duyguları hissetmekle ilgilidir. Bir makineyle böyle bir ortaklık kuramayız.

 

 2.3 Sembolik Yapay Zekâ ve Wittgenstein'ın Kapsamlı Eleştirisi

 

1950'ler ve 1960'larda gelişen sembolik yapay zekâ yaklaşımı, zihni bir bilgi işleme sistemi olarak görür. Bu yaklaşımın öncüleri Allen Newell, Herbert Simon ve Marvin Minsky gibi araştırmacılar, insan zihninin bir bilgisayar programına benzediğini, düşünmenin ise semboller üzerinde işlem yapmak olduğunu savunmuşlardır. Bu yaklaşıma göre:

 

- Zihin, fiziksel bir sembol sistemidir.

- Düşünme, semboller üzerinde kurallar uygulama sürecidir.

- Zekâ, sembol manipülasyonunun bir ürünüdür.

- Yeterince karmaşık bir program, insan benzeri zekâya ulaşabilir.

 

Wittgenstein'ın geç dönem felsefesi, bu yaklaşımın temelini oluşturan bir dizi varsayıma itiraz eder:

 

  1. Zihinsel Temsiller Varsayımına İtiraz: 

 

Sembolik yapay zekâ, anlamanın zihinde içsel temsillerin bulunması olduğunu varsayar. Bir kavramı anlamak, o kavramın zihinsel bir temsiline sahip olmak demektir. Oysa Wittgenstein için anlamak, bir içsel duruma değil, bir yetiye, bir kapasiteye, bir "bilme" biçimine işaret eder. Bir satranç hamlesini "anlamak", zihinde bir temsilin belirmesi değil, uygun biçimde yanıt verebilme, hamlenin sonuçlarını görebilme, stratejik değerini kavrayabilme yeteneğidir. Bu yetenek, içsel temsillerden çok, eylem ve pratikle ilgilidir.

 

Örneğin, bir satranç ustası, bir pozisyonu "anladığında", zihninde bu pozisyonun ayrıntılı bir temsili canlanmaz. O, daha çok, pozisyonun olanaklarını, tehditleri, fırsatları sezer ve buna göre hareket eder. Anlamak, bir sürecin sonucu değil, sürecin kendisidir.

 

  2. Kuralların Belirleyiciliği Varsayımına İtiraz: 

 

Sembolik yapay zekâ, zihinsel süreçlerin açık ve kesin kurallarla yönetildiğini varsayar. Bir bilgisayar programı nasıl açık kurallarla çalışıyorsa, zihin de öyle çalışır.

 

 2.3 Sembolik Yapay Zekâ ve Wittgenstein'ın Kapsamlı Eleştirisi (Devam)

 

  3. Dilin ve Düşüncenin Ayrıştırılamazlığı: 

 

Sembolik yapay zekâ, dili düşüncenin bir dışavurumu, bir giysisi olarak görür. Önce düşünce oluşur, sonra bu düşünce dile dökülür. Oysa Wittgenstein için dil ve düşünce iç içedir. Düşünmek, dili kullanmaktır; dilin dışında, ondan bağımsız bir düşünce alanı yoktur. Bu nedenle, dili yalnızca bir çıktı olarak üreten bir sistemin, aslında düşünmediği, yalnızca dilsel davranışı taklit ettiği söylenebilir.

 

  4. Bağlamdan Kopuk Sembol İşlemenin Sınırlılığı: 

 

Sembolik yapay zekâ sistemleri, sembolleri bağlamlarından kopararak işler. Oysa Wittgenstein'ın gösterdiği gibi, anlam bağlama sıkı sıkıya bağlıdır. Bir sembol, içinde bulunduğu dil oyunu,  hayat biçimi ve pratik bağlam tarafından anlam kazanır. Bu bağlamlardan koparılmış bir sembol işleme, gerçek anlamaya ulaşamaz.

 

  5. Niyet ve Anlam Arasındaki İlişki: 

 

Sembolik yapay zekâ, anlamı niyetten bağımsız olarak ele alır. Bir sembolün anlamı, onu kimin, hangi niyetle kullandığından bağımsız olarak, sabit bir şeydir. Oysa Wittgenstein için anlam, kullanıcının niyetiyle yakından ilişkilidir. Aynı kelime, farklı niyetlerle kullanıldığında farklı anlamlar kazanabilir. Bir makinenin niyeti olamayacağına göre, onun kullandığı kelimelerin de gerçek anlamda anlamlı olduğu söylenemez.

 

 2.4 Bağlantıcılık ve Wittgenstein: Yeni Bir Paralellik mi?

 

1980'lerden itibaren yapay zekâ araştırmalarında sembolik yaklaşımın yanı sıra "bağlantıcı" (connectionist) yaklaşım da gelişmeye başlamıştır. Yapay sinir ağlarına dayanan bu yaklaşım, zihni sembol işleyen bir sistem olarak değil, paralel dağıtılmış işleme yapan bir ağ olarak modeller. Bu yaklaşım, Wittgenstein'ın felsefesiyle bazı açılardan daha uyumlu görünmektedir:

 

- Bağlantıcı sistemler, katı kurallarla değil, istatistiksel örüntülerle çalışır. Bu, Wittgenstein'ın kural izleme konusundaki esnekliğine daha yakındır.

- Bu sistemlerde bilgi, merkezi bir sembol deposunda değil, ağın bağlantı ağırlıklarına dağılmış olarak bulunur. Bu, Wittgenstein'ın anlamın sabit bir yerde olmadığı, kullanımda ortaya çıktığı görüşüyle paralellik taşır.

- Bağlantıcı sistemler, bağlama duyarlıdır; aynı girdi, farklı bağlamlarda farklı çıktılar üretebilir.

 

Ancak bağlantıcı sistemler de Wittgenstein'ın eleştirilerinden tamamen kurtulmuş değildir. Bu sistemler de tıpkı sembolik sistemler gibi, bir bedene, bir tarihe, bir toplumsal konuma, duygulara ve niyetlere sahip değildir. Onlar da dil oyunlarına katılmaz, yalnızca dilsel örüntüleri işlerler. Bu nedenle, Wittgenstein'ın perspektifinden bakıldığında, bağlantıcı sistemler de gerçek anlamaya ulaşamaz; yalnızca anlamanın bazı yüzeysel özelliklerini taklit ederler.

 

 

 3.1 Wittgenstein'ın Tezi ve Modern Dil Bilimindeki Yansımaları

 

Wittgenstein'ın "Bir kelimenin anlamı onun dil içindeki kullanımıdır" tezi, yirminci yüzyıl dil bilimi ve dil felsefesinde devrimci bir etki yaratmıştır. Bu tez, anlamı sabit, değişmez ve bağlamdan bağımsız bir şey olarak gören geleneksel anlayışa meydan okur. Anlam, kelimelerin sözlük tanımlarında, zihinsel imgelerde ya da dünyadaki nesnelerle kurdukları referans ilişkilerinde değil, onların gündelik yaşamın akışı içinde oynadıkları rollerde ortaya çıkar.

 

Bu anlayış, modern dil biliminde "kullanım temelli anlambilim" (usage-based semantics) olarak adlandırılan yaklaşımın felsefi temelini oluşturur. Özellikle J.L. Austin, John Searle, H.P. Grice gibi sıradan dil felsefecileri, Wittgenstein'ın izinden giderek dilin gündelik kullanımını analiz etmiş, "söz edimleri" (speech acts) kuramını geliştirmişlerdir. Bu kurama göre, dil yalnızca dünyayı betimlemekle kalmaz, aynı zamanda eylemde bulunur: Söz vermek, uyarmak, tehdit etmek, evlenmek, mahkûm etmek, atamak – bunların hepsi dil aracılığıyla gerçekleştirilen eylemlerdir.

 

Kullanım temelli anlambilimin temel ilkeleri şunlardır:

 

1.   Anlam, kullanımda ortaya çıkar:   Bir kelimenin anlamı, onun farklı bağlamlardaki kullanımlarının toplamıdır.

 

2.   Bağlam merkezidir:   Kelimeler, içinde bulundukları dilsel ve durumsal bağlam tarafından şekillenir.

 

3.   Pratik önceliklidir:   Dil, soyut bir sistem değil, bir pratikler bütünüdür.

 

4.   Toplumsal uzlaşım esastır:   Anlam, bireysel zihinlerde değil, toplumsal uzlaşımda temellenir.

 

 3.2 Dağıtımsal Anlambilim ve Büyük Dil Modelleri: Teknik Bir Devrim

 

Günümüz yapay zekâ araştırmalarında, özellikle doğal dil işleme alanında, "dağıtımsal anlambilim" (distributional semantics) olarak adlandırılan bir yaklaşım benimsenmektedir. Bu yaklaşımın temel hipotezi – "dağıtımsal hipotez" – şudur:   "Bir kelimenin anlamı, onun birlikte bulunduğu kelimelerden çıkarılabilir."   Başka bir deyişle, bir kelime, içinde geçtiği bağlamlarla tanımlanır. Bu hipotez, ilk kez 1950'lerde Zellig Harris tarafından ortaya atılmış, daha sonra John Firth tarafından ünlü "Bir kelimeyi, ona arkadaşlık eden kelimelerden tanırsın" sözüyle özetlenmiştir.

 

Dağıtımsal anlambilim, büyük dil modellerinin (LLM'ler) çalışma mantığının temelini oluşturur. Bu modellerin çalışma prensipleri şöyle özetlenebilir:

 

  1. Vektör Temsilleri (Word Embeddings):   Kelimeler, yüksek boyutlu vektör uzaylarında (genellikle 50-1000 boyut) noktalar olarak temsil edilir. Bu vektörler, kelimelerin anlamsal özelliklerini matematiksel olarak kodlar. Örneğin, "kral" ve "kraliçe" kelimelerinin vektörleri birbirine yakınken, "kral" ve "masa" kelimelerinin vektörleri birbirinden uzaktır.

 

  2. Bağlamsallaştırılmış Temsiller (Contextualized Embeddings):   Modern modeller (BERT, GPT, RoBERTa vb.), bir kelimenin vektör temsilini içinde bulunduğu bağlama göre dinamik olarak belirler. Aynı kelime, farklı cümlelerde farklı vektörlerle temsil edilir. Bu, Wittgenstein'ın bağlam duyarlılığı vurgusuyla teknik düzeyde uyum içindedir.

 

  3. Dikkat Mekanizmaları (Attention Mechanisms):   Transformör mimarisinin temelini oluşturan dikkat mekanizmaları, bir kelimenin anlamını belirlerken cümledeki diğer kelimelerin hangilerine daha çok "dikkat etmesi" gerektiğini öğrenir. Bu, anlamın bağlamsal ilişkiler ağı içinde oluştuğu fikrini yansıtır.

 

  4. Büyük Ölçekli Eğitim:   Bu modeller, milyarlarca kelime içeren devasa metin külliyatlarında eğitilir. Bu sayede, kelimeler arasındaki ince anlamsal ilişkileri, deyimleri, kalıpları ve hatta kültürel çağrışımları istatistiksel olarak öğrenirler.

 

Bu teknik yaklaşım, Wittgenstein'ın kullanım temelli anlam anlayışıyla yüzeysel bir paralellik taşır. Tıpkı Wittgenstein'ın kelimelerin anlamını kullanımlarına bağlaması gibi, dağıtımsal anlambilim de kelimelerin anlamını istatistiksel bağlam örüntülerine dayandırır. Bu paralellik, bazı araştırmacıların Wittgenstein'ı büyük dil modellerinin felsefi öncüsü olarak görmesine yol açmıştır.

 

 3.3 Felsefi Ayrım: İstatistiksel Örüntü mü, Yaşanmış Pratik mi? Derin Bir Ontolojik Uçurum

 

Ancak burada kritik bir felsefi ayrım yapmak zorundayız. Bu ayrım, yüzeysel bir benzerliğin ötesinde, derin bir ontolojik uçuruma işaret eder:

 

  Wittgenstein için "kullanım"   – yaşayan, nefes alan, toplumsal ve tarihsel bir etkinliktir. Bir kelimenin kullanımı, onun insanların yaşamları içinde oynadığı role, insanlar arasındaki etkileşimlerde üstlendiği işleve işaret eder. Kullanım, niyetleri, beklentileri, duyguları, bedensel ifadeleri, jestleri, mimikleri, tonlamaları ve toplumsal normları içeren karmaşık bir pratikler bütünüdür. Kullanım, bir  hayat biçiminin (form of life) parçasıdır.

 

  Yapay zekâ modelleri için "kullanım"   – ise tamamen farklı bir şeydir: İstatistiksel bir ilişkiler ağı, olasılıksal bağlantılar bütünü, bir metin külliyatında gözlemlenen düzenliliklerin matematiksel temsili. Bu modeller, kelimelerin nasıl kullanıldığını "öğrenir"; ancak bu öğrenme, kelimelerin ardındaki yaşamı, deneyimi, niyeti ve bilinci içermez. Model, bir kelimenin hangi bağlamlarda geçtiğini bilir; ancak bu bağlamların insanlar için ne ifade ettiğini, bu bağlamlarda neler yaşandığını, hangi duyguların, düşüncelerin, beklentilerin söz konusu olduğunu bilemez.

 

Bu ayrımı bir dizi örnekle somutlaştıralım:

 

  Örnek 1: "Acı" Kelimesi 

 

Bir insan için "acı", belirli bir bedensel deneyimi ifade eder. Bu kelimeyi kullanmak, o deneyime sahip olmak, onu başkalarına ifade edebilmek, başkalarının acısına empatiyle yanıt verebilmek, acıyı dindirecek yollar aramak, acı çeken birini teselli etmek gibi bir dizi pratiğin parçasıdır. "Acı" kelimesi, yaşamın içinde, acı çekme, acıyı ifade etme, acıya yanıt verme gibi etkinliklerle anlam kazanır.

 

Bir yapay zekâ modeli ise "acı" kelimesinin hangi bağlamlarda geçtiğini istatistiksel olarak öğrenir. "Acı çekiyorum" cümlesini kurabilir, hatta bu cümleyi uygun bağlamlarda üretebilir. Ancak acının ne olduğunu "bilmez"; acıyı deneyimlemez. Onun için "acı", bir vektör uzayındaki koordinatlardan, bir olasılık dağılımından, diğer kelimelerle kurduğu istatistiksel ilişkilerden ibarettir. Model, acı çeken birine nasıl davranacağını bilemez, acıyı dindirecek yollar öneremez, acı karşısında duygusal bir tepki veremez.

 

  Örnek 2: "Özür Dilerim" İfadesi 

 

Bir insan için "özür dilerim", bir pişmanlık ifadesidir. Bu ifadeyi kullanmak, bir hatayı kabul etmek, karşı taraftan af dilemek, ilişkiyi onarmak istemek gibi niyetleri içerir. Özür dileme, toplumsal bir ritüeldir; belirli bir samimiyet, belirli bir beden dili, belirli bir tonlama gerektirir.

 

Bir yapay zekâ modeli ise "özür dilerim" ifadesini, uygun bağlamlarda üretecek şekilde eğitilmiştir. Bir hata yaptığında (örneğin, yanlış bir bilgi verdiğinde) "Özür dilerim, yanılmışım" diyebilir. Ancak bu ifadenin arkasında pişmanlık, utanç, af dileme niyeti yoktur. Model, yalnızca "hata yapıldığında özür dilenir" kuralını istatistiksel olarak öğrenmiş ve uygulamaktadır.

 

  Örnek 3: "Seni Seviyorum" İfadesi 

 

Bir insan için "seni seviyorum", derin bir duygusal bağı, bağlılığı, şefkati, arzuyu ifade eder. Bu ifade, bir ilişkinin tarihi içinde, paylaşılan anılar, deneyimler, duygular zemininde anlam kazanır. Bu sözü söylemek, bir dizi niyeti ve taahhüdü de beraberinde getirir.

 

Bir yapay zekâ modeli ise "seni seviyorum" ifadesini, romantik bağlamlarda kullanıldığını öğrendiği için üretebilir. Bir kullanıcıyla kurduğu diyalogda, uygun bir noktada "Seni seviyorum" diyebilir. Ancak bu ifadenin arkasında sevgi duygusu, bağlılık, şefkat yoktur. Model, yalnızca dilsel bir örüntüyü tekrarlamaktadır.

 

 3.4 Derin Öğrenme ve Bağlam Duyarlılığı: Teknik Başarı, Felsefi Sorun

 

Son yıllarda geliştirilen büyük dil modelleri, özellikle transformör mimarisi ve dikkat mekanizmaları sayesinde, son derece karmaşık bağlamsal ilişkileri yakalayabilmektedir. Bir kelimenin anlamı, içinde geçtiği tümceye, paragrafa, hatta metnin tamamına göre dinamik biçimde belirlenir. Bu modeller, aynı kelimenin farklı bağlamlardaki farklı anlamlarını (çok anlamlılık), deyimleri, mecazları, ironiyi, hatta bazı kültürel göndermeleri bile öğrenebilmektedir.

 

Örneğin, "bank" kelimesini alalım, "para çekmek için banka (bankaya) gitti" cümlesiyle "nehir kenarındaki bankta oturuyordu" cümlesinde farklı anlamlarda kullanılmıştır. Modern dil modelleri, bu farkı bağlamdan hareketle tespit edebilir ve kelimeyi uygun biçimde temsil edebilir. Bu, Wittgenstein'ın bağlam duyarlılığı vurgusuyla teknik düzeyde uyum içindedir.

 

Ancak bu teknik başarı, felsefi sorunu ortadan kaldırmaz. Modelin bağlam duyarlılığı, yine de istatistiksel örüntülerin bir işlevidir. Model, bir kelimenin hangi bağlamlarda hangi anlamda kullanıldığını istatistiksel olarak öğrenir; ancak bu anlamların ardındaki  hayat pratiğine erişimi yoktur. Tıpkı birinin satranç kurallarını ezberleyip oyunu hiç oynamaması gibi, model de dilin kurallarını öğrenir ama dile  hayat veren pratiğin dışında kalır.

 

Bu durumu bir benzetmeyle açıklayalım: Bir yapay zekâ modeli, tıpkı yağmuru hiç görmemiş, hissetmemiş, ıslanmamış, şemsiye kullanmamış, yağmurda yürümemiş birinin, yağmur hakkında yazılmış milyonlarca metni okuyarak yağmur hakkında bilgi sahibi olmasına benzer. Bu kişi, yağmurun ne zaman yağdığını, nerelerde yağdığını, ne gibi etkileri olduğunu, insanların yağmur hakkında neler söylediğini, yağmurla ilgili şiirleri, şarkıları, hikâyeleri bilir. Ancak yağmurun ne olduğunu gerçekten "bilmez" çünkü onu deneyimlememiştir. Yapay zekâ modelleri de dil hakkında her şeyi bilebilir, ancak dili deneyimlemedikleri için onu gerçek anlamda "bilemezler".

 

 3.5 Büyük Dil Modelleri ve Wittgenstein'ın "Dil Oyunları" Kavramı: Bir Karşılaştırma

 

Büyük dil modellerinin çalışma prensipleri ile Wittgenstein'ın dil oyunları kavramı arasında ilginç bir karşılaştırma yapılabilir:

 

  Benzerlikler: 

 

1.   Çokluk:   Hem Wittgenstein hem de büyük dil modelleri, dilin tek bir yapıya indirgenemeyecek kadar çok yönlü olduğunu kabul eder. Wittgenstein'ın dil oyunlarının çokluğu, büyük dil modellerinin farklı metin türlerini, farklı söylem biçimlerini, farklı dilsel pratikleri öğrenme kapasitesiyle paralellik taşır.

 

2.   Bağlam Duyarlılığı:   Her iki yaklaşım da anlamın bağlama bağlı olduğunu vurgular. Wittgenstein için bir kelimenin anlamı, içinde bulunduğu dil oyunu tarafından belirlenir. Büyük dil modelleri için bir kelimenin anlamı, içinde bulunduğu bağlam tarafından belirlenir.

 

3.   Kurallar ve Düzenlilikler:   Her iki yaklaşım da dilin kurallar ve düzenlilikler içerdiğini kabul eder. Ancak Wittgenstein için bu kurallar, kesin ve değişmez değil, esnek ve bağlama duyarlıdır. Büyük dil modelleri de dili katı kurallarla değil, istatistiksel düzenliliklerle modeller.

 

  Farklılıklar: 

 

1.    hayat Biçimi Bağlantısı:   Wittgenstein için dil oyunları, bir  hayat biçiminin parçasıdır. Dil, insanların yaşama biçimlerinden, pratiklerinden, alışkanlıklarından, değerlerinden ayrı düşünülemez. Büyük dil modelleri ise dil örüntülerini öğrenir, ancak bu örüntülerin ardındaki  hayat biçimine erişimi yoktur.

 

2.   Niyet ve Amaç:   Wittgenstein için dil oyunları, insanların niyetleri ve amaçları tarafından yönlendirilir. İnsanlar, belirli niyetlerle, belirli amaçlarla dil oyunlarına katılır. Büyük dil modellerinin ise kendi niyetleri ve amaçları yoktur; onlar, insanların belirlediği amaçlar doğrultusunda çalışır.

 

3.   Yaratıcılık ve Yenilik:   İnsanlar, dil oyunlarında yaratıcı olabilir, yeni dil oyunları icat edebilir, var olan oyunların kurallarını değiştirebilir. Büyük dil modelleri ise öğrendikleri örüntülerin dışına çıkmakta zorlanır; onların "yaratıcılığı", var olan örüntülerin yeniden birleştirilmesinden ibarettir.

 

4.   Deneyim ve Anlam:   İnsanlar için dil oyunları, deneyimlerle anlam kazanır. Bir kelimeyi kullanmak, o kelimeyle ilgili deneyimlere sahip olmayı gerektirir. Büyük dil modellerinin ise deneyimleri yoktur; onlar yalnızca metinlerdeki örüntüleri işlerler.

 

4.1 Wittgenstein'ın Kural İzleme Analizleri: Derinlemesine Bir İnceleme

 

 Felsefi Soruşturmalar 'ın en önemli bölümlerinden biri, Wittgenstein'ın kural izleme üzerine geliştirdiği derinlikli analizlerdir. Bu analizler, yalnızca dil felsefesi açısından değil, aynı zamanda yapay zekâ etiği ve güvenliği açısından da büyük önem taşır. Wittgenstein, bir kuralın nasıl uygulanacağının kuralın kendisi tarafından belirlenemeyeceğini gösterir.

 

  Kuralın Paradoksu: 

 

Wittgenstein, ünlü "kural paradoksu"nu şöyle ifade eder: "Bir kural, hiçbir eylem biçimini belirleyemez, çünkü her eylem biçimi, kurala uygun hale getirilebilir." (§201). Bu paradoks, şu anlama gelir: Bir kural verildiğinde, bu kuralın nasıl uygulanacağı konusunda sonsuz sayıda yorum yapılabilir. Her yeni durum, kuralın yeni bir yorumunu gerektirebilir. Örneğin, "+2" kuralını öğreten birinin, bu kuralı 1000'den sonra "1002, 1004, 1006..." diye uygulayacağımızı nasıl bilebiliriz? Belki de kural, 1000'den sonra "1004, 1008, 1012..." dememizi gerektiriyordur? Kuralın kendisi, bize hangi yorumun doğru olduğunu söyleyemez.

 

  Kural ve Uygulama Arasındaki Boşluk: 

 

Wittgenstein'a göre, kural ile uygulama arasında her zaman bir boşluk vardır. Bu boşluk, mantıksal çıkarımla değil, pratikle, alışkanlıkla, eğitimle, toplumsal uzlaşımla doldurulur. Bir kuralı anlamak, onu belirli bir duruma nasıl uygulayacağını bilmektir; ancak bu bilgi, kuralın kendisinde değil, toplumsal pratik içinde, "nasıl yapılacağını zaten biliyor olma" biçiminde ortaya çıkar.

 

  "Körü Körüne" Kural İzleme: 

 

Wittgenstein, "Bir kuralı izlediğimde, seçim yapmam. Kuralı körü körüne izlerim" (§219) der. Bu ifade, kural izlemenin mekanik bir süreç olmadığını, aksine bir tür beceri, bir yeti olduğunu vurgular. Bir kuralı izlemek, her adımda bilinçli bir karar vermek değil, belirli bir pratik içinde yetişmiş olmanın sonucu olarak, otomatik biçimde doğru olanı yapmaktır.

 

  Toplumsal Pratik ve Uzlaşım: 

 

Wittgenstein'a göre, bir kuralın doğru uygulanışını belirleyen şey, bireysel yorumlar değil, toplumsal pratiktir. Bir kuralı doğru izlemek, belirli bir topluluğun üyesi olmayı, o topluluğun pratiklerine katılmayı, o toplulukta "nasıl yapıldığını" bilmeyi gerektirir. Kural izleme, temelde toplumsal bir etkinliktir.

 

 4.2 Algoritmik Kural İzleme ve İnsani Kural İzleme Arasındaki Temel Farklar

 

Bu analiz, yapay zekâ sistemleri açısından hayati önem taşır. Bir bilgisayar programı ile bir insanın kural izleme biçimleri arasında derin farklar vardır:

 

 

# Algoritmik ve İnsani Kural İzleme Arasındaki Temel Farklar

 

Algoritmik kural izleme ile insani kural izleme arasında derin ve niteliksel farklar bulunmaktadır. Bu farklar, kuralların doğasından başlayarak yorumlama biçimine, esneklikten öğrenme yöntemlerine, hata durumlarından niyet ilişkisine ve toplumsal boyuta kadar uzanan geniş bir yelpazede kendini gösterir.

 

Kuralların doğası açısından bakıldığında, algoritmik sistemlerde kurallar açık, kesin ve önceden belirlenmiş bir yapıya sahiptir. Bir bilgisayar programı için her kural, uygulanacak işlemler dizisinden ibarettir ve bu kuralların sınırları nettir. Oysa insani kural izlemede kurallar çoğu zaman örtüktür, esnektir ve içinde bulunulan bağlama duyarlılık gösterir. İnsanlar, kuralları katı çizgilerle belirlenmiş talimatlar olarak değil, duruma göre yorumlanması gereken rehberler olarak görürler.

 

Yorumlama süreci de iki yaklaşım arasında belirgin bir ayrım noktası oluşturur. Algoritmik sistemler kuralları yorumlamaz, yalnızca doğrudan uygular. Yorumlama işi, programcı tarafından önceden yapılmıştır ve algoritma bu yorumu sorgulamaksızın takip eder. İnsanlar ise kuralları sürekli olarak yorumlar, içinde bulundukları özgül duruma göre anlamlandırır ve gerektiğinde bu yorumlarını günceller. Bu yorumlama süreci, insanın bağlamsal anlama kapasitesinin doğal bir parçasıdır.

 

Esneklik bakımından değerlendirildiğinde, algoritmik sistemler düşük esneklik gösterir ve önceden tanımlanmış parametrelerin sınırları içinde çalışır. Yeni ve beklenmedik bir durumla karşılaştıklarında ya hata verirler ya da öngörülemeyen sonuçlar üretirler. İnsanlar ise yüksek esneklik kapasitesine sahiptir; daha önce karşılaşmadıkları durumlara uyum sağlayabilir, kuralları yeni koşullara göre esnetebilir ve yaratıcı çözümler üretebilirler.

 

Öğrenme biçimleri de iki sistem arasında temel bir ayrışma noktasıdır. Algoritmik sistemler, kuralları programlama yoluyla veya eğitim verisi üzerinden öğrenir. Bu öğrenme, genellikle denetimli veya denetimsiz makine öğrenmesi teknikleriyle gerçekleşir. İnsanlar ise kuralları toplumsal pratik içinde, deneyimleyerek, usta-çırak ilişkisiyle, gözlem ve taklit yoluyla öğrenir. Bu öğrenme süreci, yalnızca kuralın kendisini değil, aynı zamanda kuralın uygulama bağlamını, inceliklerini ve istisnalarını da kapsar.

 

Hata durumlarında verilen tepkiler de farklılık gösterir. Algoritmik sistemler, bir hatayla karşılaştıklarında ya açık hata mesajları üretir ya da yanlış çıktılar vermeye devam eder. İnsanlar ise hata durumlarında bağlama göre düzeltme yapabilir, hatadan öğrenebilir ve gelecekte benzer hataları önlemek için davranışlarını uyarlayabilirler.

 

Niyet ilişkisi açısından bakıldığında, algoritmik sistemlerin niyeti yoktur; onlar yalnızca kodun çalıştırılmasından ibarettir. Bir algoritmanın bir kuralı uygularken herhangi bir amacı, değeri veya niyeti bulunmaz. İnsanlar ise kuralları belirli niyetler, amaçlar ve değerlerle ilişkili olarak uygular. Bir kuralı izlemek, insan için aynı zamanda o kuralın ardındaki amacı anlamak ve bu amaca uygun biçimde hareket etmek anlamına gelir.

 

Son olarak, toplumsal boyut iki yaklaşım arasında en çarpıcı farklardan birini oluşturur. Algoritmik kural izleme, toplumsal bir boyut içermez; algoritma, içinde bulunduğu toplumsal bağlamdan bağımsız olarak çalışır. İnsani kural izleme ise temelde toplumsaldır. Kuralların doğru uygulanışı, toplumsal pratik ve uzlaşımla belirlenir. Bir kuralı doğru izlemek, belirli bir topluluğun üyesi olmayı, o topluluğun pratiklerine katılmayı, o toplulukta "nasıl yapıldığını" bilmeyi gerektirir.

  Açıklamalar: 

 

1.   Kuralların Doğası:   Bir bilgisayar programı için kural, uygulanacak işlemler dizisidir, başka bir şey değil. Kurallar açık, kesin ve belirlenmiştir. İnsanlar için kurallar ise çoğu zaman örtüktür, esnektir ve bağlama göre yorumlanmayı gerektirir.

 

2.   Yorum:   Program, kuralı yorumlamaz; yalnızca uygular. Yorum, programcı tarafından önceden yapılmıştır. İnsanlar ise kuralları sürekli olarak yorumlar, bağlama göre uyarlar, gerektiğinde yeniden tanımlar.

 

3.   Esneklik:   Program, yeni ve beklenmedik durumlarla karşılaştığında ya önceden tanımlanmış parametreler içinde kalır ya da hatalı genellemeler yapar. İnsanlar ise yeni durumlara uyum sağlayabilir, kuralları esnetebilir, yaratıcı çözümler üretebilir.

 

4.   Öğrenme Biçimi:   Program, kuralları programlama yoluyla veya eğitim verisiyle öğrenir. İnsanlar ise kuralları toplumsal pratik içinde, deneyimleyerek, usta-çırak ilişkisiyle, model alarak öğrenir.

 

5.   Niyet İlişkisi:   Programın niyeti yoktur; o yalnızca kodun çalıştırılmasıdır. İnsanlar ise kuralları belirli niyetlerle, amaçlarla, değerlerle ilişkili olarak uygular.

 

6.   Toplumsal Boyut:   Programın kural izlemesi toplumsal bir boyut içermez. İnsanların kural izlemesi ise temelde toplumsaldır; kuralların doğru uygulanışı, toplumsal pratik ve uzlaşımla belirlenir.

 

 4.3 Uyum Sorunu (Alignment Problem) ve Wittgenstein'ın Öngörüleri

 

Günümüz yapay zekâ araştırmalarında "uyum sorunu" (alignment problem) olarak adlandırılan temel problem, Wittgenstein'ın kural izleme analizleriyle doğrudan ilişkilidir. Uyum sorunu, yapay zekâ sistemlerinin insanların istediği şeyleri değil, söylediği şeyleri yapma eğiliminden kaynaklanır. İnsanlar bir hedef belirlediğinde, bu hedefi ifade ederken bir dizi örtük varsayımda, değerde ve sınırlamada bulunur. Oysa makine, yalnızca ifade edilen hedefi alır.