Yapay Zekâ Nedir? 2026'da Büyük Dil Modellerinin Durumu
Güncellik notu. Bu ders Temmuz 2026 itibarıyla yazılmıştır. Yapay zekâ alanında ürün
adları, model sürümleri ve fiyatlar aylar içinde eskir. Bu yüzden burada tek tek ürünler değil,
yıllarca geçerli kalan yapısal ilkeler anlatılır. Bir ürün adı geçiyorsa örnek amaçlıdır;
karar verirken güncel durumu kendiniz doğrulayın.
1. İki Uçtan da Uzak Durmak
Yapay zekâ hakkında bugün duyduğunuz cümlelerin çoğu iki uçtan birine düşer:
- Abartı ucu: "Yapay zekâ artık her şeyi yapabiliyor, meslekler bitiyor, düşünen bir varlık doğdu."
- İnkâr ucu: "Bunlar sadece kelime tahmin ediyor, hiçbir işe yaramaz, sadece balon."
Her iki uç da yanlıştır — ve ikisi de aynı sebepten yanlıştır: aracın gerçekte ne yaptığını bilmemek. Bu kursun tamamı, o boşluğu doldurmak üzerine kuruludur. Bir aracı doğru kullanmanın ön koşulu, onun ne yapabildiğini ve neyi yapısal olarak yapamadığını bilmektir.
Bu derste ne olduğunu anlatacağız. Sonraki derslerde ne işe yaradığını, ve en sonunda nerede durmanız gerektiğini.
2. Çekirdek Fikir: Olasılıksal Devam Tahmini
Bugün "yapay zekâ" dediğimizde günlük hayatta karşılaştığımız şey, büyük ölçüde büyük dil modelleridir (Large Language Model, LLM).
Bir LLM'in yaptığı işi tek cümleyle özetlemek mümkündür: Verilen metnin devamında hangi parçanın gelme olasılığının en yüksek olduğunu tahmin etmek.
Model, metni kelimelere değil token denen parçalara böler (bir token bazen bir kelime, bazen bir hece, bazen bir noktalama işaretidir). Sonra, o ana kadarki tüm bağlama bakarak bir sonraki token için bir olasılık dağılımı hesaplar, bir tane seçer, onu metne ekler ve işlemi tekrarlar.
``mermaid
flowchart LR
A[Girdi metni] --> B[Token'lara böl]
B --> C[Bağlama göre<br/>sonraki token olasılıkları]
C --> D[Bir token seç]
D --> E[Metne ekle]
E --> C
``
Bu kadar basit bir mekanizmanın makale özetleyebilmesi, kod yazabilmesi ve mantık yürütür gibi görünmesi şaşırtıcıdır. Ama işleyişin özü budur ve bunu bilmek, aracı doğru kullanmanın anahtarıdır.
Kritik sonuç: Model bir cevabı, gerçeği kontrol ederek üretmez. En olası kelime örüntüsünü üreterek üretir. Doğru cevaplar da bu şekilde çıkar, yanlış cevaplar da. Model, ikisi arasındaki farkı kendi içinde ayırt etmez. Bu, sonraki derslerde ayrıntısıyla ele alacağımız "halüsinasyon" olgusunun kaynağıdır.
3. Mimari: Transformer ve Dikkat
Bu yeteneğin altındaki mimari, 2017'de Vaswani ve arkadaşlarının "Attention Is All You Need" makalesiyle tanıtılan Transformer mimarisidir.
Transformer'ın getirdiği temel yenilik dikkat mekanizmasıdır (attention). Bu mekanizma, modelin bir tokeni işlerken metindeki diğer tüm tokenlere farklı ağırlıklarla bakabilmesini sağlar.
Bir örnekle: "Ahmet kitabı Mehmet'e verdi çünkü o bitirmişti" cümlesinde "o" kimdir? Ahmet. Bunu anlamak için modelin "o" kelimesini işlerken "Ahmet" ve "bitirmişti" kelimelerine yüksek ağırlık vermesi gerekir. Dikkat mekanizması tam olarak bunu yapar.
Transformer öncesi mimariler metni sırayla işliyor ve uzun bağımlılıkları kaybediyordu. Dikkat, uzak ilişkileri korur ve — belki daha önemlisi — hesaplamanın paralelleştirilebilmesini sağlar. Bu, çok daha büyük modellerin eğitilebilmesinin önünü açtı ve bugünkü tabloyu doğurdu.
4. İki Eğitim Katmanı
Bir modelin işe yarar hâle gelmesi iki aşamalıdır.
Katman 1 — Ön eğitim (pretraining). Model, devasa miktarda metin üzerinde yalnızca "sonraki tokeni tahmin et" görevini yapar. Bu aşamada dilbilgisini, olgusal örüntüleri, yazım biçimlerini, kod yapılarını öğrenir. Bommasani ve arkadaşlarının "temel modeller" (foundation models) derlemesinin vurguladığı gibi, bu tek ve genel eğitimden sonra model çok farklı görevlere uyarlanabilir hâle gelir — bu, alanın en önemli yapısal değişimidir.
Katman 2 — İnsan geri bildirimiyle hizalama. Ön eğitim sonrası model "yardımcı" değildir; sadece metin devam ettirir. Ouyang ve arkadaşlarının InstructGPT çalışmasında gösterdiği gibi, insan tercihlerinden öğrenen bir ikinci aşama (RLHF — insan geri bildirimiyle pekiştirmeli öğrenme) modeli talimat izleyen, yardımcı ve zararsız olmaya yönlendirir.
Bu ikinci katman, modelin kişiliğini ve sınırlarını belirler — ve aynı zamanda kimin tercihlerinin kodlandığı sorusunu doğurur. Bender ve arkadaşlarının 2021'deki eleştirisi burada devreye girer: eğitim verisi ve hizalama tercihleri belirli grupları temsil eder; model, o temsilin dışında kalanlara karşı sistematik biçimde daha zayıf ya da önyargılı olabilir. Bu, teknik bir kusur değil yapısal bir sınırdır ve Bölüm 3'te ayrıntısıyla ele alınacaktır.
5. 2026'da Ne Değişti? — Dört Yapısal Eğilim
2022-2023'ün "sohbet kutusu" dönemine kıyasla 2026'da manzara dört noktada yapısal olarak farklıdır. Bu dördü, ürün adlarından bağımsız olarak kalıcı eğilimlerdir.
1. Çok kiplilik (multimodality). Modeller artık yalnızca metinle değil; görüntü, ses, ekran görüntüsü, belge ve video ile birlikte çalışır. Pratik karşılığı: bir faturayı fotoğraflayıp özetletmek, bir grafiği yorumlatmak, bir sesli notu yazıya çevirtip düzenletmek artık standart kullanım hâlindedir.
2. Uzun bağlam. Modellerin tek seferde işleyebildiği metin miktarı, ilk sürümlere göre kat kat artmıştır. Pratik karşılığı: bir sözleşmenin tamamını, bir kitabı ya da uzun bir e-posta zincirini tek seferde verip üzerinde çalıştırabilirsiniz. Uyarı: uzun bağlam "her şeyi hatırlıyor" demek değildir; metnin ortasında kalan bilgiler çoğu zaman baş ve son kadar güvenilir işlenmez.
3. Adım adım akıl yürütme (reasoning) modları. Wei ve arkadaşlarının 2022'de gösterdiği düşünce zinciri (chain-of-thought) etkisi — modelden "adım adım düşün" istemek performansı artırır — bugün ayrı bir çalışma moduna dönüşmüştür. Modeller cevap vermeden önce daha uzun bir iç hesaplama yapabilir. Bu, matematik ve çok adımlı mantık görevlerinde gözle görülür fark yaratır; ama maliyeti ve süreyi artırır ve halüsinasyonu ortadan kaldırmaz.
4. Araç kullanımı ve ajanlar. Model artık yalnızca metin üretmekle kalmaz; arama yapabilir, kod çalıştırabilir, dosya okuyabilir, bir takvime kayıt ekleyebilir. Bu, tek soru-tek cevap kalıbını çok adımlı görev yürütmeye dönüştürür. Faydası büyüktür; riski de: modelin yaptığı hata artık sadece bir cümlede değil, gerçek bir eylemde ortaya çıkar.
6. Modelin Yapısal Olarak Yapamadıkları
Bu bölüm, kursun en pratik bölümüdür. Aşağıdakiler geçici kusurlar değil, çalışma biçiminin doğrudan sonuçlarıdır:
| Yapamaz | Neden | Sizin yapmanız gereken |
|---|---|---|
| Bildiğini bilmek | Olasılık üretir; doğruluk kontrolü içermez | Kritik her bilgiyi kaynağından doğrula |
| Kendi emin olmadığını güvenilir biçimde bildirmek | Kendinden emin ton, doğrulukla ilişkili değildir | Tona değil, kanıta bak |
| Eğitim verisinde olmayanı bilmek | Bilgi bir kesim tarihine kadardır | Güncel konularda arama/kaynak ver |
| Senin bağlamını okumak | Yalnızca yazdığını görür | Bağlamı açıkça yaz |
| Sorumluluk almak | Hukuken ve fiilen sorumlu olan sensin | Son kararı ve denetimi elde tut |
Bu tabloyu bir cümlede özetleyelim: Yapay zekâ hızlı ve üretken bir stajyerdir; deneyimli ama denetlenmesi gereken. Ne bir kâhindir, ne de işe yaramaz bir oyuncak.
7. Türkiye Bağlamı ve Vaka
Türkiye'de yapay zekâ kullanımı hızla yaygınlaşırken iki yaygın hata görülüyor. Birincisi aşırı güven: model çıktısının doğrudan, kontrolsüz biçimde resmî yazışmaya, ödeve ya da müşteri belgesine aktarılması. İkincisi Türkçe performansına dair yanlış beklenti: modeller Türkçede İngilizceye kıyasla genellikle daha az veriyle eğitilmiştir; hukuki, tıbbi ve teknik Türkçe terminolojide hata oranı daha yüksek olabilir, ayrıca Türkçenin sondan eklemeli yapısı token verimliliğini düşürür (aynı metin daha çok token harcar).
Vaka. Kayseri'de küçük bir muhasebe bürosunda çalışan 31 yaşındaki Burak, müşterilere gönderilen bilgilendirme yazılarını hazırlarken yapay zekâ kullanmaya başladı. İlk ay verimliliği belirgin biçimde arttı. Üçüncü ayda bir sorun çıktı: modelin, artık yürürlükte olmayan bir uygulamaya atıf yaptığı bir metin, kontrol edilmeden dokuz müşteriye gönderildi.
Burak'ın çıkardığı ders, aracı bırakmak olmadı — iş akışını değiştirmek oldu:
1. Model yalnızca taslak üretir, asla son metin üretmez.
2. Her mevzuat atfı, resmî kaynaktan (ilgili kurumun sitesi) tek tek doğrulanır.
3. Gönderim öncesi kontrol listesi: tarih, tutar, mevzuat adı, müşteri adı.
Sonuç: hız kazancı korundu, hata riski büyük ölçüde ortadan kalktı. Bu, kursun temel önerisidir — aracı kullan, ama iş akışına doğrulama adımı ekle.
İkinci vaka. Trabzon'da lise öğrencisi Ceren, ödevlerini yapay zekâya yaptırmaya başladıktan sonra notlarının kısa vadede yükseldiğini, ama sınav başarısının düştüğünü fark etti. Kullanımını tersine çevirdi: cevabı yazdırmak yerine kendi cevabını yazıp modele eleştirtmeye başladı. Bu ayrımı bölüm 2'de ayrıntısıyla ele alacağız.
8. Anahtar Çıkarımlar
- LLM, bağlama göre en olası devamı tahmin eder. Gerçeği doğrulamaz; doğru ve yanlış aynı mekanizmayla üretilir.
- Transformer + dikkat (Vaswani 2017) mimarinin temeli; RLHF (Ouyang 2022) modeli yardımcı hâle getiren ikinci katman.
- 2026'nın dört yapısal eğilimi: çok kiplilik, uzun bağlam, akıl yürütme modları, araç kullanan ajanlar.
- Yapısal sınırlar geçici kusur değildir: bildiğini bilmez, emin olmadığını güvenilir bildirmez, senin bağlamını okumaz.
- İki uçtan da kaçın. Ne "her şeyi yapar", ne "işe yaramaz". Denetlenmesi gereken güçlü bir araç.
9. Derinleşme: Bağlam Penceresi, Bellek ve "Hatırlıyor" Yanılsaması
Kullanıcıların en sık yanıldığı noktalardan biri, modelin sizi hatırladığını sanmasıdır.
Gerçekte olan şudur: Model, her yanıt üretiminde o anda kendisine verilen metnin tamamına bakar. Bir sohbette önceki mesajlarınız "hatırlanmaz"; her turda yeniden modele gönderilir. Buna bağlam penceresi denir.
Bunun üç pratik sonucu vardır:
1. Pencere dolduğunda baştan bilgi düşer. Uzun bir sohbette, en başta verdiğiniz talimatlar bir noktadan sonra pencereye sığmaz ve model onları "unutur". Çözüm: kritik talimatı periyodik olarak tekrarlayın ya da uzun işi yeni bir sohbette özetle başlatın.
2. Ortadaki bilgi en zayıf işlenir. Uzun metinlerde modelin baş ve son kısımlara, ortadaki bölümlerden daha güvenilir biçimde eriştiği gözlenmiştir. Kritik talimatı metnin ortasına gömmeyin.
3. Kalıcı "hafıza" özellikleri farklı bir şeydir. Bazı ürünler sizinle ilgili notları ayrı bir yerde saklayıp her sohbete ekler. Bu, modelin hatırlaması değil, sistemin size ait bir dosyayı her seferinde yeniden yapıştırmasıdır. Mahremiyet açısından bu ayrım önemlidir: orada ne yazdığını bilmek ve gerektiğinde silmek sizin sorumluluğunuzdadır.
10. Türkçe ve Model Performansı: Dürüst Bir Not
Türkçe konuşan kullanıcıların bilmesi gereken üç yapısal gerçek var:
Token verimliliği. Türkçe sondan eklemeli bir dildir ve modellerin sözcük parçalama sistemleri ağırlıklı olarak İngilizce üzerinden optimize edilmiştir. Sonuç: aynı anlamı taşıyan bir metin, Türkçede İngilizceye göre daha fazla token harcar. Bu hem maliyeti hem bağlam penceresi kullanımını etkiler.
Veri hacmi. Eğitim verisinde Türkçe metin miktarı, İngilizceye kıyasla kat kat azdır. Bunun sonucu, genel sohbette çoğu zaman fark edilmez; ama niş, teknik, hukuki ve tıbbi Türkçe terminolojide hata oranı yükselir.
Kültürel bağlam. Modeller, ağırlıklı olarak Batı kaynaklı metinlerle eğitilmiştir. Yerel mevzuat, kurum yapısı, dinî kavramlar ve toplumsal pratikler konusunda eksik ya da yanlış çerçeveler üretebilirler.
Pratik sonuç: Türkçe kullanmayı bırakmanız gerekmiyor. Ama kritik bir işte model çıktısını iki dilde karşılaştırmak (aynı soruyu İngilizce sorup sonuçları kıyaslamak) ucuz ve etkili bir kontrol yöntemidir.
11. Sık Sorulan Sorular
"Model beni tanıyor mu, verilerimi öğreniyor mu?" Sohbet sırasında yazdıklarınız o anki bağlama girer. Sağlayıcının politikasına göre bu veriler saklanabilir ve model eğitiminde kullanılabilir. Ayrıntılı çerçeve Bölüm 3'te.
"Aynı soruya neden farklı cevaplar veriyor?" Çünkü üretim olasılıksaldır: model her adımda bir olasılık dağılımından seçim yapar. Bu bir hata değil, tasarımın parçasıdır. Tutarlılık gerekiyorsa istemde biçimi ve ölçütleri netleştirin.
"Daha büyük model her zaman daha mı iyi?" Hayır. Büyük modeller genel yeteneklerde üstündür ama maliyet, hız ve mahremiyet açısından her iş için doğru seçim değildir. Görev basitse küçük ya da yerel bir model daha uygun olabilir.