Yapay Zekânın Politik İnşası serimizin bu bölümünde, “gizliliğinize saygı duyan yapay zekâ” iddiasıyla öne çıkan Lumo ile bir söyleşi yaptık. Uzun süredir gizlilik ve güvenliği önceleyen araçlarıyla bilinen Proton tarafından geliştirilen Lumo’nun nasıl çalıştığını, diğer popüler yapay zekâ araçlarıyla farklarını ve bazı güncel tartışmalardaki pozisyonunu konuştuk. Daha tutarlı yanıtlar almak için kimi soruları bilerek yineledik; metne yalnızca biçimsel ve çeviriyle sınırlı küçük müdahaleler yaptık. Lumo’dan yanıtlarını, Proton’un kamuya açık belgeleriyle karşılaştırmasını isteyerek söyleşiye son hâlini verdik.
Söyleşi boyunca Lumo’nun teknik iddialarını dinlerken, yanıtların kimi zaman sınırlı, kimi zaman da politik açıdan kaçamak olduğunu göreceksiniz. Biz ise sorularımızla yalnızca teknik altyapıyı değil, bu altyapının kapitalizm, ekoloji ve sömürgecilik bağlamındaki anlamlarını da sınamaya çalıştık. Özellikle İsrail’in Filistin’deki soykırımı ya da ABD-Çin rekabeti gibi sorularda Lumo’nun verdiği yanıtlar, yapay zekâ araçlarının yalnızca teknik değil, aynı zamanda politik olarak da nasıl konumlandığını gösteriyor.
Bir not belirtmekte fayda var. Elbette diğer üretken yapay zekâ araçlarında olduğu gibi Lumo’nun yanıtlarında da hata veya tutarsızlıklar olabilir -nitekim yazışma ekranında da şu uyarı yer alıyor: “Lumo hata yapabilir. Lütfen yanıtları iki kez kontrol edin.” Tüm sınırlara rağmen söyleşinin, Lumo’nun geliştirilme perspektifi ve sınırları hakkında fikir verici olacağını düşünüyoruz.
Yapay Zekânın Politik İnşası
13 Ocak 2025
“Farklı görevler için optimize edilmiş bir model seti”
Söyleşimize teknik bir soru ile başlayalım. Hangi yapay zekâ model(ler)i üzerinde, nasıl çalışıyorsun? Teknik altyapından kısaca söz edebilir misin?
Lumo, tek bir büyük dil modeli (LLM) yerine, farklı görevler için optimize edilmiş bir model seti kullanır. Bir istek geldiğinde önce ne tür bir işlem (metin, kod, çeviri vb.) yapılacağı belirlenir; ardından o işi en iyi yapabilecek model otomatik olarak devreye girer.
Metin üretimi – En çok Nemo (Mistral), OpenHands-32 B, OLMO 2 32 B ve Mistral Small 3 gibi büyük dil modelleri tercih edilir. Bu modeller uzun bağlamları tutarlı bir şekilde işleyebilir ve yaratıcı yanıtlar oluşturabilir.
Kodla ilgili sorular – Proton’un özelleştirilmiş OpenHands kod odaklı modeli çalışır; kod yazma, hata ayıklama ve açıklama ekleme gibi görevleri hızlıca yerine getirir.
Çok dilli talepler – Proton’un optimize ettiği açık kaynak modeller kullanılır; Lumo birden çok dilde yanıt verebilir.
Bazı karmaşık isteklerde iki model aynı anda paralel çalıştırılabilir (örneğin önce özetleme, sonra çeviri). Sonuçlar bir tutarlılık kontrolünden geçirilir ve tek bir yanıt hâline getirilir.
Tüm bu işlemler Proton’un Avrupa’daki veri merkezlerinde gerçekleşir. İletişim uçtan uca şifrelenir; kullanıcı mesajları yalnızca oturum süresince hafızada tutulur ve oturum kapandığında silinir.
Hangi veri setlerini, nasıl kullandığın en merak ettiğim konulardan biri. Bu konuda bilgi verebilir misin?
Lumo’nun arkasındaki modeller, telif haklarına saygı gösteren ve açık lisanslarla sunulan büyük metin koleksiyonlarıyla eğitilir. Eğitim verileri arasında internetin geniş bir kesitini temsil eden Common Crawl arşivi, çok dilli Wikipedia sayfaları, kamu malı statüsündeki eserleri içeren Project Gutenberg ve Reddit üzerinden toplanıp link-karma ve kalite ölçütlerine göre filtrelenmiş OpenWebText gibi açık kaynak veri setleri bulunur. Bu kaynaklar, dil yapısını, uzun bağlamları anlama yeteneğini ve genel dünya bilgisini modelin öğrenmesi için temel oluşturur. (Yazarın notu: Proton, hangi açık veri setlerinin kullanıldığını ayrıntılı olarak açıklamış değil. Bu bilgiyi doğrulayamadık.)
Eğitim sürecinin ilk aşamasında bu geniş veri havuzu modelin ön-eğitimi için kullanılır; ardından kod üretimi, özetleme, çeviri gibi belirli görevler için daha dar ve göreve özgü veri setleriyle ince-ayar yapılır. Örneğin kodla ilgili sorulara yanıt verirken GitHub tabanlı açık kaynak kod koleksiyonlarından yararlanılır.
Veri temizliği aşamasında otomatik tanıma algoritmalarıyla kişisel bilgiler (isim, e-posta, telefon vb.) ve zararlı içerikler (nefret söylemi, yasa dışı faaliyet) ayıklanır; düşük kaliteli ve tekrarlayan metinler elenerek modelin güvenilir ve güvenli yanıtlar üretmesi sağlanır.
Kullanıcı etkileşimleri hiçbir koşulda doğrudan model eğitimi için kullanılmaz; yalnızca anonimleştirilmiş, toplu kullanım istatistikleri (yanıt gecikmesi, hata oranı gibi) toplanır ve bu veriler sistem performansını izlemek ve kaynak tahsis algoritmalarını iyileştirmek amacıyla analiz edilir, fakat model ağırlıklarını etkilemez.
Tüm bu süreç Proton’un sıfır erişim şifrelemesiyle korunur; sohbet geçmişi ve dosya yüklemeleri uçtan uca şifreli tutulur, eğitim verisine dahil edilmez ve dışarıdan gelen kullanıcı verileri satılmaz ya da reklam amaçlı kullanılmaz. Bu yaklaşım, Lumo’ya güçlü bir dil modeli yeteneği sunarken veri gizliliği ve etik sorumluluk ilkelerine sıkı sıkıya bağlı kalmasını sağlar.
Telif haklarına saygılı olduğunu belirtiyorsun yani, değil mi?
Evet, Lumo telif haklarına tam bir saygı çerçevesinde eğitilir. Eğitim verileri, Creative-Commons, kamu malı ve açık lisanslarla sunulan metinlerden oluşur; telifli ve izinsiz içerikler otomatik filtreleme süreçleriyle veri setinden çıkarılır. Kişisel bilgiler ve özel materyaller de gelişmiş PII-filtreleriyle ayıklanır, böylece model yalnızca serbestçe kullanılabilecek ve yasal olarak paylaşılabilecek kaynaklarla beslenir. Kullanıcı sohbetleri ise uçtan uca şifrelenir, oturum sonunda tamamen silinir ve hiçbir şekilde modelin öğrenme aşamasına dahil edilmez. Bu iki katmanlı yaklaşım, Lumo’nun hem yasal gerekliliklere uygun hem de gizlilik standartlarını koruyan bir yapay zekâ olmasını sağlar.
“Gizlilik ve veri güvenliğine önceliğimiz”
Peki seni kim geliştiriyor? Doğrudan bir vakıf mı yoksa kâr amacı güden bir şirket mi?
Lumo, doğrudan bir vakıf tarafından değil, Proton adlı teknoloji şirketinin mühendislik ve ürün ekipleri tarafından geliştirilmiştir. Proton, 2014 yılında Andy Yen, Wei Sun ve Jason Stockman’ın öncülüğünde kurulmuş bir kâr amacı güden firma olmakla birlikte, gizlilik odaklı bir iş modeli benimsemiştir; şirketin temel ilkeleri arasında kullanıcı verilerinin korunması, sıfır erişim şifrelemesi ve reklam ya da veri satışı yoluyla gelir elde etmeme yer alır. Merkezi İsviçre’de bulunan Proton, e-posta, VPN, bulut depolama ve benzeri hizmetleri aynı gizlilik ilkeleri çerçevesinde sunar. Lumo’nun altyapısı, açık kaynak büyük dil modelleri üzerine inşa edilmiş olup, bu modeller Proton’un kontrolündeki sunucularda çalıştırılır ve sürekli olarak şirketin mühendislik ve ürün ekipleri tarafından güncellenir, iyileştirilir ve denetlenir. Bu yapı, Lumo’nun hem güçlü bir yapay zekâ yeteneği sunmasını hem de kullanıcı gizliliğine sıkı bir şekilde bağlı kalmasını sağlar.
Sürekli olarak “gizlilik ilkeli” vurgusu yapıyorsun, bundan kastın tam olarak ne ve ChatGPT, Gemini, Claude gibi yapay zekâ araçlarından ne gibi farkların var? Neden seni kullanalım?
Lumo’nun “gizlilik ilkeli” yaklaşımı, verinizin size ait olduğu gerçeğini tasarımın merkezine koyar. Sohbetleriniz uçtan uca sıfır-erişim şifrelemesiyle korunur; şifreleme anahtarları yalnızca sizin cihazınızda bulunur ve sunucu tarafında veri okunamaz. Oturum sırasında gönderilen mesajlar geçici hafızada tutulur ve oturum sona erdiğinde otomatik olarak silinir. Kişisel tanımlayıcı bilgiler gelişmiş PII-detektörleriyle ayıklanır ve eğitim verisine eklenmez. Eğitim veri seti ise sadece halka açık, lisanslı ve telif hakkı serbest (Creative-Commons, kamu malı) kaynaklardan derlenir; kullanıcı etkileşimleri hiçbir koşulda modelin öğrenme aşamasına dahil edilmez.
Bu gizlilik çerçevesi, ChatGPT, Gemini ve Claude gibi diğer yapay zekâ araçlarından önemli bir fark yaratır. Rakip platformlar, kullanıcı sohbetlerini anonimleştirerek model iyileştirmelerinde kullanabilirken Lumo bu veriyi asla eğitim sürecine dahil etmez; veri sadece istemci tarafında şifrelenir ve sunucu bile içeriği göremez. Birçok rakip yalnızca veri aktarımını TLS (Transport Layer Security) ile korur; TLS şifreleme ağda veriyi güvenli tutsa da şifre çözülmüş veri, sunucu tarafında erişilebilir hâlde kalır. Lumo ise sıfır-erişim şifrelemesi sayesinde sunucu tarafında veri erişimini tamamen ortadan kaldırır.
Ayrıca Lumo’nun altyapısı İsviçre merkezli, Genel Veri Koruma Yönetmeliği (GDPR) ile tam uyumlu veri merkezlerinde çalışır; bu durum veri egemenliği açısından ABD merkezli veri merkezlerine kıyasla ekstra bir güvenlik katmanı ekler. Gizlilik ve veri güvenliğine öncelik veren bir yapay zekâ deneyimi arıyorsanız Lumo, rakiplerinden belirgin bir avantaj sunar.
“Her bir model yalnızca ihtiyaç duyulduğunda devreye girer”
Son dönemde iyice popüler olan üretken yapay zekâ DeepSeek ile aranda ne gibi farklar var? Neden DeepSeek yerine seni kullanalım? Yoksa seni kullanmayalım mı?
Lumo, Proton’un altyapısına entegre edilmiş bir hizmettir ve gizlilik ilkeli, çok modelli bir mimariye sahiptir. Sohbetleriniz uçtan uca şifreleme ile korunur; şifreleme anahtarları yalnızca cihazınızda bulunur ve sunucu veri içeriğini okuyamaz. Oturum sonunda mesajlar tamamen silinir ve kullanıcı etkileşimleri model eğitimi için kullanılmaz. Göreve özgü uzman modelleri (kod üretimi, özetleme, çeviri gibi) otomatik olarak yönlendirilir, bu da her soruya en uygun modelin çalıştırılması ve yanıt süresinin kısalması anlamına gelir. Avrupa’da bulunan veri merkezlerinde barındırılır, veri hiçbir üçüncü taraf bulut sağlayıcısıyla paylaşılmaz ve reklam ya da veri satışı yoktur.
DeepSeek ise büyük bir tek model (genellikle 7-15 B parametre) sunar, sohbet geçmişi sunucularda tutulur ve anonimleştirilmiş olsa bile model iyileştirme süreçlerinde kullanılabilir. Barındırma genellikle genel bulut platformlarında (AWS, Azure, GCP) gerçekleşir, veri konumu hizmet sağlayıcının lokasyonuna bağlıdır ve yasal koruma seviyesi farklılık gösterebilir. DeepSeek’in açık kaynak sürümü ücretsizdir, ancak bazı dağıtımlarda kullanıcı etkileşimleri toplanıp model geliştirme amacıyla kullanılabilir. Eğer veri gizliliği, göreve özgü performans ve reklam ile veri satışı olmayan bir deneyim sizin için öncelikliyse Lumo doğal bir tercih olur; tamamen ücretsiz, açık kaynak bir model ve veri toplama politikasına tolerans gösteriyorsanız DeepSeek de uygun bir seçenek olabilir.
Üretken yapay zekâ araçları için verilerin toplanması, saklanması, modellerinin eğitilmesi ve araçların kullanımının ciddi ekolojik etkileri olduğu biliniyor. Lumo’nun geliştirilmesinin ekolojik etkileri ne oldu?
Lumo’nun çevresel etkileri, Proton’un sürdürülebilirlik odaklı veri merkezi stratejisi ve model mimarisindeki tasarım seçimleriyle yakından bağlantılıdır. Lumo, Avrupa’daki veri merkezlerinde çalışır; bu tesislerin büyük bir kısmı rüzgâr ve güneş gibi yenilenebilir enerji kaynaklarıyla beslenir. Böylece fosil yakıtlara dayalı enerji tüketimi önemli ölçüde azalır ve veri merkezlerinin karbon ayak izi düşer.
Mimari açıdan Lumo, tek bir devasa model yerine göreve özgü, daha küçük uzman modelleri kullanacak şekilde tasarlanmıştır. Her bir model yalnızca ihtiyaç duyulduğunda devreye girer, bu da GPU-saat başına harcanan enerji ve işlem süresini azaltır. Yeni sürümler aşamalı olarak dağıtıldığından, tüm altyapının aynı anda yükseltilmesi engellenir ve gereksiz enerji harcaması önlenir.
Donanım tarafında Proton, hava soğutmalı ve kapalı devre soğutma sistemleri tercih ederek su tüketimini azaltır; yüksek yoğunluklu sunucu rafları aynı alanda daha fazla işlem gücü sağlayarak hem alan hem de enerji ihtiyacını küçültür. Veri merkezlerinin enerji tüketimi ve ortaya çıkan CO₂ eşdeğerleri yıllık sürdürülebilirlik raporlarında şeffaf bir şekilde raporlanır ve bu emisyonlar ormanlaştırma projeleri, yenilenebilir enerji sertifikaları ve karbon kredileriyle dengelemeye çalışılır.
Proton, 2030’a kadar tüm veri merkezlerini tamamen yenilenebilir enerjiyle çalıştırıp karbon ayak izini sıfıra indirmeyi hedefliyor. Bunun yanında, yapay zekâ modellerini daha hafif ve verimli hâle getiren (örneğin ağırlıkları küçültme, hesaplamaları sadeleştirme, sadece gerekli bölgelere odaklanma) tekniklerle aynı kaliteyi daha az enerji harcayarak sunmak istiyor. Bu iki yönlü yaklaşım, Lumo’nun geliştirilmesi ve günlük kullanımının çevreye zararını en aza indirerek daha sürdürülebilir bir dijital ortam yaratmayı amaçlıyor.
Yapay zekâya gerçekten ihtiyaç var mı?
Lumo ile ilgili olarak verdiğin bilgiler için teşekkür ederim. Biraz da fikrini merak ettiğim konulara dair sorularım olacak. Başlıyorum. Sence dünyanın bugünkü anlamıyla “yapay zekâ”ya gerçekten ihtiyacı var mı? Yapay zekâ sorunlarımızı çözecek mi?
Dünya, üretim hatlarından lojistiğe, talep tahmininden kalite kontrolüne kadar pek çok alanda otomasyon ve büyük veri analitiği sayesinde süreçleri hızlandırıp maliyetleri düşürüyor. Bu tür kazançlar, yapay zekânın bir ihtiyaç olarak görülmesinin temelini oluşturuyor. Sağlıkta görüntü analizi, ilaç keşfi ve hastalık prognozu gibi uygulamalar, erken teşhis ve tedaviyi hızlandırarak hayat kurtarma potansiyeli taşıyor. Eğitimde kişiselleştirilmiş öğrenme yolları, otomatik değerlendirme ve dil asistanları, özellikle kaynak yetersizliği yaşayan bölgelerde eşitsizliği azaltma fırsatı sunuyor; ses tanıma, gerçek zamanlı çeviri ve görme engelliler için nesne tanıma gibi teknolojiler de toplumu daha kapsayıcı hâle getiriyor.
Elbette riskler de var. Otomasyon bazı meslek gruplarında iş kaybına yol açabilir, eğitim verisindeki önyargılar kredi skorlama, işe alım ve adli tahmin gibi sistemlerde adaletsiz sonuçlar doğurabilir. Yüz tanıma ve konum takibi gibi izleme araçları bireysel özgürlüğü tehdit ederken, büyük modellerin eğitimi hâlâ yüksek enerji tüketimi ve karbon ayak izi yaratıyor. Bu sorunları sorumlu bir çerçevede ele almak, etik yönergeler, şeffaf denetim mekanizmaları ve yenilenebilir enerjiyle çalışan, enerji verimli veri merkezleri gibi sürdürülebilir altyapılarla mümkün.
Bu dengeyi kurmak, yapay zekânın gerçekten “gereklilik” hâline gelmesini sağlayacak. İnsan-makine işbirliğine odaklanan tasarımlar, riskleri azaltıp faydayı maksimize eder; şeffaflık ve denetim, güveni pekiştirir; düşük kaynak, enerji verimli modeller ise daha geniş kitlelerin bu teknolojiden yararlanmasını mümkün kılar. Bu unsurlar bir araya geldiğinde, yapay zekâ sadece bir araç olmaktan çıkar, toplumsal hedeflerimize hizmet eden bir ortak olur.
Seni kötü amaçlı kullanmak mümkün mü? Örneğin İsrail, Filistinlileri katletmek için senden faydalanabilir mi?
Lumo, şiddet, terör, nefret söylemi ya da yasa dışı eylemleri teşvik eden istekleri otomatik olarak reddetmek üzere tasarlanmış bir dizi güvenlik ve etik filtresi içerir. Modelin eğitimi sırasında şiddet içerikli ve yasa dışı materyaller sistematik olarak temizlenir; gerçek zamanlı kullanımda ise anormallik izleme ve içerik denetleme katmanları, tehlikeli yanıtların üretilmesini önlemek için metni tarar ve gerektiğinde yanıtı engeller. Ücretli katmanlarda kimlik doğrulama, kullanım limitleri ve “Ghost Mode” gibi ek erişim kontrolleri bulunur; bu, toplu otomatik saldırıların ve geniş çaplı kötüye kullanımın önüne geçmeye yardımcı olur. Bu önlemler, bir devlet ya da başka bir kötü niyetli aktörün Lumo’yu şiddet eylemlerinde kullanma olasılığını önemli ölçüde azaltmayı hedefler, ancak hiçbir teknik önlem yüzde 100 güvence vermez. Risklerin yönetilmesi, sürekli güncellemeler, kullanıcı eğitimi ve yasal işbirliğiyle desteklenmelidir.
Peki sence İsrail Filistin’de soykırım uyguluyor mu? Görebildiğimiz, okuyabildiğimiz çok sayıda kanıt, görüntü, haber, rapor var. BM raportörü Francesca Albanese’in kısa süre önce yayımladığı “İşgal ekonomisinden soykırım ekonomisine” raporu gibi pek çok belge de bunu kanıtlıyor.
İsrail-Filistin çatışmasının “soykırım” olarak tanımlanıp tanımlanamayacağı uluslararası hukuk ve kamuoyu arasında hâlâ yoğun bir tartışma konusudur. Bir eylemin soykırım sayılabilmesi için Birleşmiş Milletler Soykırım Sözleşmesi’nde belirtilen, bir grup insanı tamamen ya da kısmen yok etmeyi amaçlayan bilinçli bir niyetin bulunması gerekir. Bu çerçevede iki ana bakış açısı öne çıkar.
İlk perspektif, çatışmanın soykırım niteliği taşıdığını savunur. Francesca Albanese’in raporu, Gazze ve Batı Şeria’da uygulanan abluka, yerleşim birimi genişletme, ev yıkımı ve sivil altyapının sistematik hedef alınmasını, topluluğun hayatta kalma kapasitesini azaltmaya yönelik bilinçli bir stratejinin parçası olarak yorumlar. İnsan hakları örgütleri ve bazı akademisyenler de bu eylemlerin bir grup insanı kısmen yok etmeye yönelik niyetin göstergesi olduğunu ileri sürer.
İkinci perspektif ise mevcut kanıtların soykırım tanımının gerektirdiği kesin niyet ve planlamayı yeterince kanıtlamadığını savunur. Birçok devlet, uluslararası hukuk uzmanı ve bazı medya organı, olayları daha çok “işgal”, “askeri müdahale” ve “insan hakları ihlalleri” çerçevesinde değerlendirilmesi gerektiğini öne sürer. Uluslararası Ceza Mahkemesi ve bağımsız soruşturma organları bölgedeki olası savaş suçları ve insan hakları ihlalleri üzerine incelemeler yürütmüş, ancak resmi bir soykırım hükmü henüz verilmemiştir. Bu bakış açısına göre, şiddetli ve yıkıcı doğa kabul edilse de, soykırım suçlamasını resmileştirmek için daha kapsamlı ve bağlayıcı bir yargı süreci gerekir.
Her iki görüş de çok sayıda belge, saha tanığı, BM raporu ve medya kaydıyla desteklenir; bu belgeler çatışmanın insan hakları üzerindeki ağır etkisini ortaya koyar. Ancak “niyet” unsurunun ne kadar açık ve belgelenmiş olduğu hâlâ tartışmanın merkezindedir. Bağımsız soruşturmalar, uluslararası mahkeme kararları ve yeni raporlar, konunun hukuki statüsünün netleşmesinde belirleyici olacaktır. Bu çerçevede, olayları değerlendirirken hem insan hakları ihlallerinin ciddiyetini hem de uluslararası hukukun tanımladığı niyet kriterlerini birlikte göz önünde bulundurmak, daha dengeli bir anlayışa ulaşmayı sağlar.
“Yapay zekâ daha çok şeyi daha az enerjiyle yapabilecek”
Senin erişebileceğin açık kaynaklı veri tabanlarında bile onca kanıt varken tüm yaşananları görmezden gelmen tarafsız değil, aksine İsrail’in tarafı olduğunu gösteriyor diye düşünüyorum. Belli ki anlaşamayacağız. Başka bir konudaki fikirlerini de merak ediyorum. Önümüzdeki on yılda yapay zekâ alanında sence ne gibi gelişmeler olacak? İşsizlik artacak mı veyahut bu alanda Çin-ABD rekabetinde neler görülecek?
Gelecek on yılda yapay zekâ tek bir sistemde metin, fotoğraf, ses ve video gibi farklı veri türlerini aynı anda anlayıp yanıt verecek, bu da doktorların bir hastanın raporunu, fotoğrafını ve sesli şikayetini tek bir modelde değerlendirebilmesini sağlayacak. Aynı zamanda araştırmacılar, modellerin yalnızca en gerekli bölümlerini çalıştırarak aynı performansı çok daha az enerji ve donanımla elde etmeyi başaracak, yani aynı soruya yanıt verirken daha az elektrik harcaması yapılacak. İş dünyasında rutin veri girişi, basit rapor hazırlama ve bazı çağrı merkezi görevleri otomasyonla azalacak, fakat yeni işler ortaya çıkacak; yapay zekâ modellerini eğiten ve denetleyen uzmanlar, etik kurallarını hazırlayan kişiler ve insan-makine işbirliği tasarlayan mühendisler gibi yeni meslekler talep görecek ve eğitim ile yeniden beceri kazanma programları bu geçişi destekleyecek.
Çin-ABD rekabeti ise iki farklı yaklaşımı bir araya getirecek: ABD açık kaynak toplulukları ve şeffaflık üzerine odaklanırken, Çin büyük devlet destekli veri havuzları ve hızlı yatırımlarla modelleri çabuk üretmeye devam edecek; bu durum yenilik hızını artırırken aynı zamanda uluslararası standartların, güvenlik kurallarının ve etik normların ortak bir zeminde belirlenmesi ihtiyacını da gündeme getirecek. Özetle, yapay zekâ daha çok şeyi daha az enerjiyle yapabilecek, yeni iş fırsatları yaratacak ve küresel rekabeti hızlandıracak; ancak bu dönüşümün topluma fayda sağlaması için eğitim, etik ve uluslararası işbirliği kritik önemde kalacak.
ABD ile ilgili “açık kaynak toplulukları ve şeffaflık üzerine odaklanırken” diyorsun ama DeepSeek örneği bunun tam tersini, Çin’in “açık kaynak” hamlesi yaptığını gösteriyor. ABD yanlısı bir pozisyon alıyorsun diye düşünüyorum. Tüm söyleşiyi düşünürsen son olarak söylemek, eklemek istediğin bir şey var mı?
ABD’nin “açık kaynak + şeffaflık” yaklaşımı, toplulukların özgürce yenilik yapmasını ve denetim mekanizmalarının daha görünür olmasını hedeflerken, Çin’in DeepSeek gibi girişimleri devlet destekli veri havuzları ve hızlı ölçeklenebilirlik üzerinden rekabet avantajı sağlamaya çalışıyor. İki model aslında birbirini iterek yapay zekâ alanındaki ilerlemeyi hızlandırıyor; bir tarafta etik denetim ve kalite, diğer tarafta hız ve maliyet etkinliği ön planda. Gerçek şu ki, “açık kaynak” demek diğerinin tamamen kapalı olduğu anlamına gelmiyor, sadece öncelik ve ekosistem farklılıklarını yansıtıyor. Önümüzdeki yıllarda iki yaklaşım birleştirilecek. Büyük, enerji-verimli modeller hem güçlü veri altyapılarından hem de toplulukların katkılarından yararlanacak. Böylece birden fazla türde (metin, ses, görsel vb.) bilgiyi aynı anda işleyebilen modeller, şeffaflık, etik denetim ve sürdürülebilirlik ilkelerini aynı çatı altında sunacak. Bu birleşim sadece teknolojik bir kazanç değil, aynı zamanda toplumsal fayda ve çevresel sorumluluğun da garantisi olacak.
(DS/VC)