Zeka Nedir?
Zeka nedir? Direkt olarak böyle bir soruyla başlayınca bir garip oluyor. Hepimiz aslında zekanın ne olduğunu biliyoruz ancak tam olarak ortak bir tanım bulamıyoruz gibi. Bana göre zeka, bir bireyin sıfırdan bir konuyu anlayıp öğrenebilme yeteneğidir. Nasıl yani diyecek olursanız, bir öğretmen olduğunuzu hayal edin. Öğrencilerinize bir konuyu anlatırken, bazı öğrencilerin hemen anladığını, bazılarının biraz zorlandığını, bazılarının ise hiç anlamadığını görürsünüz. Aynı konu, aynı öğretmen, aynı ortam ancak bazı öğrenciler bahsedilen konuyu daha hızlı öğrenip uygulayabilirler. Bana göre bu farklılıklar zekanın farklı olduğunu gösterir. Tabiki tek bir dersten bu yorumu yapamayız, ders dışı faktörler de etkili olabilir ancak ortalamada aşağı yukarı ben zekayı bu şekilde tanımlarım.
Zeka, önemli olduğunu bildiğimiz bir öğrenme farkıdır ama tam olarak bu entelektüel beygir gücünü açıklayacak bir tanım bulmak zor. Psikologlar yirminci yüzyıldan beri bu yapıyı çözmeye uğraşıyor; üzerine çeşitli teoriler kuruluyor ancak bu teorilerin kanıtlanması çok zor.
Geleneksel olarak IQ testleri kişinin mantıksal ve sözel potansiyelini ölçmek için kullanılır; bir zeka katsayısı verir ve bu, zihinsel yaşın fiziksel yaşa oranının yüzle çarpılmasıyla bulunur. Yani on yaşındakilerin çözdüğü problemleri çözebilen sekiz yaşındaki bir çocuğun IQ’su 125’tir.
Sözelciler için kanıtlayalım: (10 / 8) × 100 = 125
IQ’nun doğuştan itibaren sabit olduğu düşünülürdü ama entelektüel kapasiteye dair bu tür geleneksel fikirlere bugün karşı çıkılıyor. Bir önceki yazımda bahsetmiştim: beynimiz %50 doğuştan gelirken kalan %50 çevreye göre şekilleniyor; bunun adına plastisite deniyor.
Zeka Türleri
Bir önceki paragrafta zekanın ortak bir tanımı olmadığını ifade etmiştim. Zeka türleri için de bilim insanları çeşitli teoriler ortaya koymuştur. Mesela bana en garip gelen teorilerden biri psikolog Howard Gardner’ın zeka teorisidir. Gardner’a göre sekiz farklı zeka türü vardır. Bunları burada tek tek açıklayıp konudan sapmak istemiyorum, isteyenlere link bırakayım: Howard Gardner’s Theory of Multiple Intelligences . Diğer psikologlar da en azından iki farklı zeka türü olduğunda hemfikirdir; bunlar akıcı zeka (yeni problem çözme) ve kristal zeka (birikmiş bilgi). Ancak benim değinmek istediğim zeka tanımlaması Robert Sternberg tarafından geliştirilen teoridir, çünkü zekanın günlük hayatta nasıl iş gördüğünü en somut açıklayan model bana göre budur.
Robert Sternberg’in Zeka Teorisi
Sternberg zekayı tek bir skor olarak değil, bir üçgen olarak modeller. Ona göre üç ayrı boyut var: analitik, yaratıcı ve pratik. Bu üçü zekanın “ne kadar” sorusunu değil, “nasıl” sorusunu yanıtlar, yani aslında hangi tür düşünmede güçlüsün.
Modelin bana çekici gelen tarafı şu: hayatımızda “akıllı” dediğimiz insanlar gerçekten farklı türlerde akıllılar. Birisi karmaşık bir denklemi rahatlıkla çözer ama markete gidince ne alacağını şaşırır. Bir başkası lise diplomasıyla şirket kurup yıllarca yönetir. Tek bir IQ skoru bu farkı açıklayamıyor; Sternberg’in modeli açıklayabiliyor.
Mesela kendim hakkında bir gözlemde bulunayım. Bir sistem gördüğümde onu detaylıca parçalayıp analiz edebiliyorum: hangi bileşen ne işe yarar, girdi çıktı nedir, hepsini rahatlıkla çıkarıyorum. Ama sıfırdan bir şey oluşturmaya sıra gelince zorlanıyorum. Sebebi yüksek ihtimalle yaratıcılık tarafımın eksik olması.
Analitik Zeka
Analitik zeka, klasik anlamda “sınav zekasıdır”. Mantık yürütme, problem çözme, karşılaştırma, değerlendirme. Bir bilgiyi alıp parçalarına ayırabilme, parçaları farklı şekillerde birleştirebilme yeteneği (YKS’de ilk 10 bine girenlerin sahip olduğu zeka).
IQ testlerinin asıl ölçtüğü şey büyük ölçüde budur. Akademik başarı, satranç, matematiksel problem çözme hepsi bu alanın içinde. Bir çocuk denklem çözüyor, mantık bulmacasını birkaç saniyede sökerek atıyorsa, onun analitik zekasının yüksek olduğunu söyleriz.
Bence yazılımcılığın ilk yıllarında en çok bu kasılıyor. Algoritma sorularına bakıyorsun, kod review’da bir bug arıyorsun, karmaşık bir sistemi kafanda parçalara ayırıyorsun hepsi analitik. Ama sadece bu yetmiyor; aşağıda değineceğim.
Yaratıcı Zeka
Yaratıcı zeka, daha önce hiç görmediğin bir problemle karşılaştığında devreye giren parçadır. Bilinen bilgileri yeni şekillerde birleştirmek, sıradışı bağlantılar kurabilmek, henüz var olmayan bir çözümü hayal edebilmek.
Burada anahtar kavram yenilik (novelty). Bilinen yöntemleri uygulamak değil, yeni bir yöntem üretmek. Sternberg buna deneyimsel zeka (experiential intelligence) de der; çünkü genellikle önceki deneyimleri sezgisel biçimde birleştirip yeni bir çıkış üretmektir.
İlginç bir paralel: bir LLM, in-context learning sırasında aslında tam olarak yaratıcı zekanın taklidini yapmaya çalışır; daha önce hiç görmediği bir bağlamda eski örüntüleri yeni şekilde birleştirir. Ama gerçekten orijinal bir şey üretebiliyor mu, hâlâ tartışmalı. Sonuçta LLM’lerin çalışma mantığı sonraki token’ı tahmin etmek üzerine kurulu.
Pratik Zeka
Pratik zeka, halk arasında “sokak zekası” dediğimiz şeydir. Sternberg’e göre üçlünün belki de en eksik bilineni ama günlük hayatta en çok işe yarayanı. Tanım: bilgini ortama uygulayabilme, bağlamı okuyabilme, “ne zaman ne yapılır” sezgisi.
Bir mühendis düşünelim: kâğıt üstünde harika çözümler üretiyor ama takım toplantısında derdini anlatamıyor, müşterinin gerçekten ne istediğini yakalayamıyor. Pratik zeka tam burada eksik. Tersi de var: diploması olmayan bir esnaf, birkaç dakika içinde kimin alıcı, kimin sadece vitrini dolaşan biri olduğunu okuyabiliyor.
Burada altı çizilmesi gereken kavram tacit knowledge, yani yazılı bir kuralda olmayan, ortamdan kapılan bilgi. Kurum içinde “bu konu kime gidersen daha hızlı çözülür” bilgisi pratik zekanın ürünüdür; hiçbir organizasyon şeması bunu söylemez.
Üçü birbirinin yerine geçmez: analitik zeka seni problemleri çözebilir kılar, yaratıcı zeka yeni problemleri tanımlayabilir kılar, pratik zeka da çözümlerini gerçek dünyada işletebilir kılar.
Bilmenin İki Sistemi
Hızlı ve Yavaş Düşünme kitabında Daniel Kahneman iki düşünce sisteminden bahseder. Sistem 1 sezgiseldir; otomatik ve hızlı çalışır, anlık olarak içgüdü ve hislerle kararlar üretir. Bir futbolcunun ayağına gelen pasa göre şutunu ayarlaması gibi: düşünmeden, anında. Sistem 2 ise bilinçli analiz ve muhakemenin sistemidir. Burada seçenekleri değerlendiririz, karar veririz, öz kontrol uygularız. Yavaştır, çaba ister, ama esnektir.
Sistem 2’nin en önemli işlevi Sistem 1’i eğitmektir. Tekrarlanan bir durum yeterince öğrenildikçe, kontrol yavaş yavaş Sistem 2’den Sistem 1’e geçer. Araç kullanmayı öğrenmeyi düşünelim. İlk başlarda her şey Sistem 2’nin kontrolünde: sollama yapma öncesinde dikiz aynasına bak, sinyal ver, direksiyonu kır, gaza bas. Her adım bilinçli, her adım yavaş. Yıllar geçtikçe bu adımlar Sistem 1’e devredilir; deneyimli bir sürücü artık şerit değiştirirken hiçbir şey “düşünmüyor”. Aslında öğrenmenin özü tam olarak budur: bir davranışı Sistem 2’nin kontrolünden Sistem 1’in otomatizmine taşımak.
Bu süreç, bilgisayar bilimlerindeki Reinforcement Learning’in tam karşılığıdır. Zaten RL’in temel ilhamı bu psikolojik prensipten geliyor: ödül-ceza döngüsüyle doğru aksiyonu zamanla pekiştirmek, yanlış yaklaşımları ortadan kaldırmak. Beyin için bu süreç saatler değil yıllar alır (organik programlamanın kötü yanı), ama mantığı aynıdır.
Öğrenme Nasıl Gerçekleşir?
Peki öğrenme nasıl gerçekleşir? Bir bilgiyi öğrendiğimi nasıl anlarım, bunun bir testi var mıdır? Mesela bir konuyu öğrendikten bir hafta sonra hatırlarsam öğrenmiş sayılır mıyım? Tabii ki değil. Çünkü hatırlamak öğrenmek demek değildir. Öğrenmek; bilginin ne anlama geldiğini, nasıl uygulanacağını, ne zaman kullanılacağını bilmek ve gerektiğinde beynin karanlık dehlizlerinden çağırıp kullanabilmektir. Kafamda sürekli bir bilgiyi aktif olarak tutamam; bunun için beynimizde çalışma belleği (working memory) denilen bir alan var, kapasitesi herkeste farklıdır. Bilgisayarlardaki RAM gibi düşünebilirsiniz. Benim bir bilgiyi öğrenmem için önce çalışma belleğinde tutmam, sonrasında kalıcı belleğe gömmem gerekir.
Biyolojik Olarak Öğrenme
Bir bilgiyi öğrenmek için öncelikle o bilginin beynin dikkat filtresinden geçmesi gerekir. Yani sevdiğin, önem verdiğin, dikkate değer bulduğun bir konuyu öğrenebilirsin. Aksi takdirde bilgi bir süre çalışma belleğinde kalır, sonrasında unutulur. Dikkat eksikliği olan arkadaşınız varsa bunu çok rahat gözlemleyebilirsiniz çünkü ilgisini çekmiyorsa yüksek ihtimalle dediklerinizin hiçbirini hatırlamaz ama konu ilgisini çeken bir yere gelirse en ufak detayına kadar o konuyu anlatabilir.
Bir bilgi beynin ilgisini çektiyse, beynin hipokampüs adı verilen bölgesinde işlenir ve bir süre burada durur. Sonrasında eğer beyin bu bilgiyi hatırlamaya ihtiyaç duyarsa gece REM uykusunda hipokampüsten kortekse aktarılır. Bu sırada o bilgiyle ilgili nöron grupları arasında yeni bağlar kurulur, ortak ateşlenen nöronlar arasındaki sinapslar güçlenir. Beyin böylece bilgiyi geçici bir tampondan kalıcı bir ağa taşır.
Ama iş burada bitmiyor. Bir bilgi bir kez kortekse yazıldı diye orada sonsuza kadar durmaz. O nöron grubunun düzenli aralıklarla yeniden ateşlenmesi, yani bilginin tekrar tekrar kullanılması gerekir. Aksi halde aralarındaki bağlar zamanla zayıflar, sonunda kopar. Beyin de boşa kalan o nöronları boşta tutmaz; başka bilgiler için yeniden programlar. Lisede sular seller gibi yazdığımız formülleri bugün hatırlayamamanın sebebi tam olarak bu: bağlar koptu, nöronlar başka işler için devreye sokuldu.
Şu anda lisede atomlardaki elektron dizilimini hatırlamayı deniyorum: 1s2, 2s2, 2p6, 3s2, 3d6 ile başlıyordu. Devamını hatırlamıyorum, belki de hatırladığım kısım da yanlıştır bilmiyorum 😄
Buradan basit ama kritik bir sonuç çıkıyor: öğrenme tek seferlik bir olay değil, sürekli bakım gerektiren bir süreç. Kortekse bir kez yazmak yetmiyor; yazılanın üzerinden geçmen, o yolu sık sık kullanman gerekiyor.
Kodlama
Kodlama, bir bilginin beyne giriş aşamasıdır. Çalışma belleğine alınan veri burada bir “iz” bırakır ve bu izin derinliği, sonradan o bilgiyi geri çağırıp çağıramayacağını belirler. Yani öğrenmenin kalitesi büyük ölçüde bu ilk adımda atılır.
Burada psikolojide klasikleşmiş bir ayrım var: yüzeysel kodlama ve derin kodlama (Craik ve Lockhart, 1972). Yüzeysel kodlama, bilgiyi sadece formuyla almak demek; bir tanımı okumak, bir cümleyi görmek. Derin kodlama ise bilgiyi mevcut bilgi ağına bağlamak; “bu nereye oturuyor, neye benziyor, hangi durumda işe yarar” sorularını sormak. Aynı bilgi, derin kodlandığında çok daha uzun süre kalır.
Bu yüzden bir konuyu sadece okumak iş görmüyor. Kendi cümlelerinle ifade etmek, boş sayfaya yazarak özetlemek, başkasına anlatmak, mevcut bildiklerinle ilişkilendirmek; hepsi derin kodlamanın araçları. Feynman tekniğinin temelinde de aslında bu prensip yatıyor: bir kavramı sadeleştirerek anlatmaya çalıştığında, beynin onu mecburen derin kodluyor.
Pekiştirme
Kodlama bilgiyi beyne sokar, ama orada tutmak başka bir iş. Pekiştirme tam olarak bunun adı: kodlanmış bir izi zaman içinde yeterince sık tekrar ederek o yolu kalıcı hâle getirmek.
Buradaki en kritik kavram aralıklı tekrar (spaced repetition). Hermann Ebbinghaus’un 19. yüzyılda yaptığı unutma eğrisi çalışmaları şunu gösterdi: bir bilgi öğrenildikten sonra hızla unutulur, ama tekrar geri çağrıldığında bir sonraki zayıflama eğrisi yavaşlar. Yani 1 gün, 3 gün, 1 hafta, 1 ay aralıklarla geri dönülen bilgi, 10 saat üst üste çalışılan bilgiden kat kat daha kalıcı olur. Anki ve Quizlet gibi uygulamaların temelinde tam olarak bu mantık var.
Buna karşılık cramming (sınav öncesi gece tıkınma) başarısız olur; çünkü pekiştirmenin ihtiyaç duyduğu zamanı vermez. Beynin bilgiyi kortekse yazabilmesi için arada uyku ve aralıklar gerekiyor, bu süreç fiziksel ve hızlandırılamıyor. Yani son güne bırakılan çalışmanın bir katkısı yoktur ancak vicdanını bir nebze rahatlatırsın.
Modern AI eğitiminde de benzer bir prensip işler: bir model aynı veriyi tek seferde değil, çoklu epoch’larda tekrar tekrar görüyor. Her geçişte ağırlıklar bir miktar daha güncelleniyor. Yani aralıklı tekrarın yapay zekadaki karşılığı bu; tek seferlik değil, kademeli olarak adım adım pekiştirme.
Geri Çağırma
Geri çağırma, kayıtlı bir bilgiyi ihtiyaç anında bilince getirebilmektir. Ama burada şaşırtıcı bir gerçek var: geri çağırma aynı zamanda öğrenmenin bir parçasıdır. Yani sadece bilginin “kullanma” aşaması değil, “güçlendirme” aşamasıdır da.
Buna testing effect denir: bir bilgiyi pasifçe okumak yerine, kapalı kitapla kendi zihninden çekip çıkarmaya çalışmak öğrenmeyi çok daha güçlendiriyor. Çünkü her başarılı geri çağırma ilgili nöron yolunu yeniden ateşliyor ve bağı kalınlaştırıyor. Flash kartlarla yapılan tekrarın, kitabı tekrar okumaktan etkili olmasının sebebi tam olarak bu.
Bir başka önemli nokta: geri çağırma çoğu zaman “bilgi kayboldu mu” sorusu değil, “bilgiye giden yolu bulamadım mı” sorusudur. Beynin karanlık dehlizlerinde bilgi duruyor olabilir, ama o anda doğru ipucu olmadan ulaşılamıyor. “Aklımın ucunda ama hatırlayamıyorum” durumu tam olarak bu. Birisi sana bağlamı verdiğinde “ha evet!” deyip hatırlaman da, kaybolan bilginin değil, kaybolan ipucunun geri gelmesinden ibaret.
İlginç bir paralel: bir RAG sistemi tam olarak bunu yapıyor. Bilgi vektör veritabanında durur, ama ihtiyaç anında doğru sorguyla çağrılması gerekir. Agent Memory yazımda bu mekanizmayı detaylandırmıştım. Beyin de farklı çalışmıyor; saklamak ile çağırmak iki ayrı problem ve ikincisi çoğu zaman daha kritik.
Kullandığım Yöntemler
Bugünlerde bu konuya biraz daha fazla önem vermeye başladım. Sonuçta unutuyorsak öğrenmenin ne anlamı var? O yüzden Peter C. Brown’un Aklında Kalsın kitabını okudum; buradaki çoğu bilgi bu kitaptan geliyor. Bir kitap okurken Anki kartları hazırlamak cidden zor iş, ama bizler yazılımcıyız ve otomasyon işimizin bir parçası. LLM’ler bu tarz işleri kolayca otomatize ediyor.
Okuduğum kitapları Claude’a PDF olarak yüklüyorum ve her gece anahtar noktalarını çıkarmasını ayarladım. Bir scheduled task, Obsidian’da not aldığım kitapları işleyip bana özet bir doküman üretiyor. Ek olarak başka bir scheduled task belirli zamanlarda recall yapmamı sağlayacak hatırlatmalar ve quizler gönderiyor. Bu sayede öğrenme sürecimi daha verimli hâle getirmiş oluyorum.
Bunlara ek olarak notlarımı eski usul kalem ve kâğıt üzerinde tutuyorum. Bu sayede daha derinlemesine düşünüyor, bağlantıları daha kolay kuruyorum. Bilgisayara geçirirken de ikinci bir recall yaparak bilgileri tazelemiş oluyorum.
Bunun gibi taktikler ayrı bir yazının konusu; burada anlatmaya kalkarsam yazı çok dağılır. İlgilenen olursa bana özelden de ulaşabilir.
Sonuçta öğrenme bir olay değil, bir alışkanlık. Tek seferde alıp bir kenara koyabileceğin bir şey değil, sürekli geri dönüp bağlarını sıkılaştırman gereken canlı bir ağ. Bugünkü dil modelleri tam olarak bu döngüyü kuramıyor; pre-train sonrası donup kalıyorlar, parametreleri kilitleniyor. Sürekli geri çağıran, sürekli pekiştiren, kendi bağlarını yeniden ören bir AI, gerçek anlamda “öğrenen” ilk yapay zeka olacak. O zamana kadar elimizdeki şey, son derece etkileyici ama bir kez doldurulduktan sonra kapısı kilitlenmiş bir kütüphane.