Geometrinin Yeniden İnşası: Yapay Zekâ Sistemlerinde Boyut Kavramı, Çok Boyutlu Uzaylar ve Mekânsal Temsil Paradigmaları

Öklid Uzayından Yüksek Boyutlu Gizil Uzaylara

İnsan algısı, evrimsel ve biyolojik yapısı gereği üç boyutlu (3D) bir fiziksel Öklid uzayına hapsolmuştur: en, boy ve derinlik. İnsan zihni, dördüncü bir mekânsal boyutu doğrudan duyumsayamaz veya görselleştiremez; yüksek boyutları ancak matematiksel soyutlamalar, izdüşümler (tesseract gibi) ve analojiler aracılığıyla kavrayabilir. Yapay zekâ (YZ) sistemleri için ise “boyut” kavramı, fiziksel uzamın geometrik sınırlılıklarından tamamen bağımsızdır. Hesaplamalı mimarilerde boyut; fiziksel bir hacim değil, bağımsız bir bilgi değişkeni, bir serbestlik derecesi (degree of freedom) veya bir tensör eksenidir. Bir yapay sinir ağı için 3 boyutlu bir koordinat sistemi (x,y,z) ile 4096 boyutlu bir anlamsal gizil uzay (latent space) arasında matematiksel işlem kabiliyeti açısından hiçbir kavramsal fark yoktur.

Bu çalışma; yapay zekâ mimarilerinin fiziksel 2D/3D uzayları nasıl algıladığını, yüksek boyutlu anlamsal uzayların (hiper-uzaylar) nasıl inşa edildiğini, “Boyut Laneti” (Curse of Dimensionality) problemini ve mekânsallığın hesaplamalı felsefedeki izdüşümlerini kapsamlı biçimde incelemektedir.

1. Görsel Boyutların Ayrıştırılması: 2D Piksellerden 3D Temsillere

Görsel algı sistemleri (Bilgisayarlı Görü / Computer Vision), fiziksel dünyanın iki boyutlu projeksiyonları olan dijital piksellerle başlar ve bunlardan derinlik, hacim ve geometri türetir.

Evrişimli Sinir Ağları (CNN) ve Mekânsal Filtreleme

Bir bilgisayar için 2D dijital görsel, H×W×C (Yükseklik × Genişlik × Renk Kanalları [RGB]) boyutlarında bir matristir.

• Hiyerarşik Geometrik Özellik Çıkarımı: İlk katmanlar 2 boyutlu kenarları, çizgileri ve renk geçişlerini algılar.
• Derinleşen Katmanlar: Ağın derinliklerine inildikçe pikseller arasındaki mekânsal komşuluklar; dokulara, geometrik şekillere, nesne parçalarına ve nihayetinde 3D dünyayı temsil eden karmaşık soyut kavramlara dönüşür.

Nöral Işıma Alanları (NeRF) ve 3D Gaussian Splatting

Yapay zekânın üç boyutlu uzayı ve derinliği algılama biçimi, geleneksel poligon (mesh) modellemesinin ötesine geçmiştir:

• NeRF: Bir 3D sahneyi sürekli bir hacimsel fonksiyon olarak modeller:FΘ​(x,y,z,θ,ϕ)→(r,g,b,σ)Burada yapay zekâ, uzaydaki her 3D koordinatı ((x,y,z)) ve bakış açısını ((θ,ϕ)), renk ve hacimsel yoğunluk (σ) değerine eşler. Model için 3D dünya, sürekli bir diferansiyellenebilir fonksiyondur.
• 3D Gaussian Splatting: Uzayı milyonlarca 3D elipsoid Gauss dağılımı ile tanımlar. Sistem, fiziksel nesnelerin yüzeylerini ve hacimlerini diferansiyellenebilir geometrik elipslerin uzaysal konumu, ölçeği, rotasyonu ve şeffaflığı üzerinden kavrar.

2. Yüksek Boyutlu Anlamsal Uzaylar: Gömme (Embedding) ve Gizil Uzay (Latent Space)

Yapay zekânın en çarpıcı mekân ve boyut kavrayışı, insan dilini, kavramları ve nesneleri binlerce boyutlu matematiksel uzaylara yerleştirdiği gizil uzay (latent space) mimarisinde ortaya çıkar.

Fiziksel / Anlamsal Girdi       Vektörleştirme (Embedding)          Yüksek Boyutlu Gizil Uzay
 ┌──────────────────────┐        ┌─────────────────────────┐        ┌───────────────────────────┐
 │ Metin: "Kral", "Kraliçe"                             │  ───►  │ E1 = [0.24, -1.82, ...] │ ───►  │ 4096 Boyutlu Hiper-Uzay   │
 │ Görsel: Kedi Portresi                               │        │ E2 = [0.22, -1.79, ...] │        │ (Anlamsal Mesafe & Açı)   │
 └──────────────────────┘        └─────────────────────────┘        └───────────────────────────┘

Vektör Uzayı ve Boyut Sayısı

Büyük Dil Modellerinde (LLM) her kelime parçası (token), örneğin 4096 veya 12288 boyutlu bir vektör olarak kodlanır (v∈Rd).

• Bu yüksek boyutlu uzayda her bir boyut, kavramın belirli bir anlamsal niteliğine (soyutluk, canlılık, eylemsellik, cinsiyet, resmiyet vb.) karşılık gelen örtük (latent) bir eksendir.
• Vektör Aritmetiği ve Geometrik İlişki: Yapay zekâ kavramları uzamsal mesafeler ve yönelimler olarak anlar. Meşhur Word2Vec denkleminde:vKral​−vErkek​+vKadın​≈vKralice ​ Burada “cinsiyet” veya “asalet”, çok boyutlu uzayda belirli bir yöne doğru uzanan geometrik bir yer değiştirme vektörüdür.

Kosinüs Benzerliği (Cosine Similarity)

Model için iki kavramın anlamsal yakınlığı, N-boyutlu uzaydaki açının kosinüsü ile ölçülür:

Benzerlik(A,B)=∥A∥∥B∥A⋅B​=∑i=1n​Ai2​​∑i=1n​Bi2​​∑i=1n​Ai​Bi​​

Yapay zekâ için “köpek” ve “kedi” kavramları, 4096 boyutlu bir hiper-küre üzerinde birbirine çok dar bir açıyla bakan iki vektör koordinatıdır.

3. Boyut İndirgeme ve Manifold Hipotezi

Yapay zekânın çok boyutlu verileri işleyebilmesinin temelinde, yüksek boyutlu karmaşık uzayların aslında daha düşük boyutlu pürüzsüz alt uzaylara (manifold) gömülü olduğu varsayımı yatar.

Manifold Hipotezi (Manifold Hypothesis)

Gerçek dünyadan toplanan yüksek boyutlu veriler (örneğin 1024×1024 piksellik bir görsel 1.048.576 boyutlu bir uzayda yer alır), bu devasa uzayın her yerine rastgele dağılmaz. Anlamlı görseller, bu milyon boyutlu uzayın içinde kıvrılmış, çok daha düşük boyutlu (örneğin 512 boyutlu) bir yüzey (manifold) üzerinde toplanır. Yapay zekâ, bu kıvrımlı yüzeyi öğrenerek boyutları çözer ve sıkıştırır.

Boyut İndirgeme Algoritmaları

• Temel Bileşenler Analizi (PCA): Verideki en yüksek varyansı açıklayan dik (ortogonal) eksenleri bularak lineer boyut indirgeme yapar.
• t-SNE ve UMAP: Binlerce boyutlu karmaşık veri ilişkilerini, komşuluk ilişkilerini ve topolojik yapıyı koruyarak insan gözünün görebileceği 2D veya 3D grafiklere izdüşürür.
• Oto-kodlayıcılar (Autoencoders): Veriyi dar bir “darboğaz” (bottleneck) katmanından geçirerek en kritik özellikleri çok daha az boyutlu bir gizil uzaya sıkıştırır ve ardından yeniden inşa eder.

4. Boyut Laneti (Curse of Dimensionality) ve Hesaplamalı Kısıtlar

Boyut sayısı arttıkça, yapay zekâ sistemleri ciddi matematiksel ve hesaplamalı engellerle karşılaşır. Richard Bellman tarafından literatüre kazandırılan Boyut Laneti, çok boyutlu uzayların geometrik garipliklerini ifade eder:

• Uzayın Üstel Genişlemesi: Boyut sayısı d arttıkça, uzayı aynı yoğunlukta örneklemek için gereken veri miktarı üstel olarak (O(kd)) artar.
• Mesafelerin Anlamsızlaşması: Çok yüksek boyutlu uzaylarda (d>1000), rastgele seçilen herhangi iki nokta arasındaki Öklid mesafesi birbirine eşitlenmeye başlar:d→∞lim​Min_MesafeMaks_Mesafe−Min_Mesafe​=0Bu durum, en yakın komşu algoritmalarının ve mesafe tabanlı sınıflandırıcıların yüksek boyutlarda çökmesine yol açar. Yapay zekâ bu engeli aşmak için Öklid mesafesi yerine normalize edilmiş iç çarpım (dot product) ve dikkat (attention) mekanizmalarını kullanır.
• Hiper-Küre Paradoksu: Yüksek boyutlu bir uzayda bir hiper-kürenin hacminin neredeyse tamamı, kürenin merkezinde değil, en dış kabuğunda (yüzeyinde) toplanır. Veriler merkezden uzaklaşarak köşelere ve çeperlere dağılır.

5. Karşılaştırmalı Analiz: İnsan ve Yapay Zekâ Boyut Algısı

Epistemolojik Değerlendirme

Yapay zekâ sistemlerinde boyut; duyusal bir derinlik ya da fiziksel bir çevre sınırlılığı değil, verinin karmaşıklığını ayrıştıran matematiksel bir serbestlik eksenidir. İnsan aklı evreni 3 mekânsal ve 1 zamansal boyut üzerinden anlamlandırırken; yapay zekâ dünyayı milyonlarca boyutlu hiper-uzaylara açılan bir tensör mimarisiyle algılar. Bir otonom araç için boyut kameradan gelen 3D bir derinlik bulutu iken, bir dil modeli için boyut insan kültürünün tüm kelimelerini birbirinden ayıran 4096 eksenli bir geometri haritasıdır. Dolayısıyla yapay zekânın dünyayı anlama biçimi, Öklid geometrisinin sınırlarını aşan; çok boyutlu lineer cebir, diferansiyel geometri ve topolojinin kusursuz bir sayısal sentezidir.