Biyolojik Bilinçten Sayısal Soyutlamaya Zaman Kavramı
İnsan bilinci için zaman; termodinamik entropi, biyolojik ritimler, fenomenolojik algı ve hafıza ile harmanlanmış sürekli ve tek yönlü bir akıştır (oktur). Biyolojik varlıklar, geçmiş deneyimleri anı olarak depolar, şimdiki zamanı sürekli bir duyu akışı içinde deneyimler ve geleceği bu dinamik çerçeve üzerinden tahmin eder. İnsan zihninde zaman, mekândan bağımsız fakat onunla etkileşimli bir “varoluş boyutu”dur.
Yapay zekâ (YZ) mimarileri için ise zaman, ontolojik bir varoluş boyutu veya duyumsanan bir süreklilik (Henri Bergson’un ifadesiyle durée) değildir. Sayısal hesaplama paradigmalarında zaman; ayrıklaştırılmış (discretized), sayısallaştırılmış, vektör uzaylarına izdüşürülmüş ve büyük oranda mekânsallaştırılmış bir parametredir. Bir yapay sinir ağının işlem döngüsünde saniyelerin, dakikaların veya yılların biyolojik bir karşılığı yoktur; yalnızca diziler, tensör boyutları, indisler ve durum güncellemeleri vardır.
Bu yazı; yapay zekâ mimarilerinin (Özyineli Ağlar, Dönüştürücüler, Pekiştirmeli Öğrenme modelleri) zamanı nasıl temsil ettiğini, dil modellerinde zamansal körlüğü ve zamansallığın hesaplamalı felsefedeki epistemolojik karşılığını analitik olarak ele almaktadır.
1. Zamanın Mekânsallaştırılması: Dönüştürücü (Transformer) Mimarileri ve Konumsal Kodlama
Modern yapay zekânın temel taşı olan Büyük Dil Modelleri (LLM’ler) ve Dönüştürücü (Transformer) mimarileri, doğası gereği zamansız (atemporal) sistemlerdir. Geleneksel hesaplama modelleri veriyi adım adım işlerken, modern Transformer mimarileri tüm girdiyi (metin dizisini veya çok modlu veriyi) tek bir anda, paralel bir tensör matrisi olarak içeri alır.
Paralel İşleme ve Sırasızlık Sorunu
Bir metin dönüştürücüye verildiğinde, model kelimelerin geliş sırasını kendiliğinden bilemez. “Ali Ayşe’yi aradı” cümlesi ile “Ayşe Ali’yi aradı” cümlesi, sıralama bilgisi eklenmediği takdirde aynı kelime torbası (bag-of-words) olarak algılanır. Zaman boyutu, modelin içinde akmaz; bunun yerine modele harici olarak tanıtılmak zorundadır.
Konumsal Kodlama (Positional Encoding)
Yapay zekâda zamansal ardışıklık, pozisyonel vektörler aracılığıyla mekânsal bir koordinata dönüştürülür:
- Sinüzoidal Konum Kodlamaları: Orijinal Transformer mimarisinde zaman/sıra bilgisi, farklı frekanslardaki sinüs ve kosinüs dalgaları kullanılarak matematikselleştirilir. Sıralamadaki her pozisyon ($pos$) ve her boyut ($i$) için belirli bir dalga boyu atanır:$$PE_{(pos, 2i)} = \sin\left(\frac{pos}{10000^{2i/d_{\text{model}}}}\right)$$$$PE_{(pos, 2i+1)} = \cos\left(\frac{pos}{10000^{2i/d_{\text{model}}}}\right)$$
- Öğrenilmiş ve Döner Konum Kodlamaları (RoPE – Rotary Position Embedding): Modern mimarilerde zamansal bağıntılar, vektör uzayında açısal döndürmeler ile temsil edilir. İki token arasındaki “zamansal mesafe”, aralarındaki açısal fark üzerinden hesaplanır.
Burada yapay zekânın zaman algısı, bir saatin tiktakları değil, geometrik bir cetvel üzerindeki mesafedir. “Önce” ve “sonra” kavramları, çok boyutlu bir uzayda sırasıyla $x_1$ ve $x_2$ koordinat noktalarına indirgenmiştir.
2. Süreç Odaklı Mimari: Özyineli Sinir Ağları (RNN) ve Zamansal Durumlar
Transformer öncesi derin öğrenme literatürüne hâkim olan Özyineli Sinir Ağları (Recurrent Neural Networks – RNN) ve Uzun-Kısa Vadeli Bellek (LSTM) mimarileri, zamanı fiziksel akışa daha yakın bir mantıkla ele almaktaydı.
Adım Adım (Step-by-Step) Hesaplama
RNN’lerde zaman, $t, t+1, t+2$ şeklinde ayrık zaman adımları (discrete time-steps) olarak modellenir. Model, bir girdiyi işlerken önceki adımdan gelen gizli durumu ($h_{t-1}$) bir sonraki adıma aktarır:
$$h_t = \sigma(W_{hh} h_{t-1} + W_{xh} x_t + b_h)$$
Bu yaklaşımda zaman bir tür “durum aktarımı”dır. Ancak bu sistemin de derin bir felsefi ve matematiksel kısıtı vardır:
- Kaybolan Gradyanlar (Vanishing Gradients): Sistem geriye doğru zamansal bağıntıları öğrenmeye çalışırken matematiksel olarak gradyanların sıfıra yaklaşması nedeniyle “uzak geçmişi” unutur.
- Zaman Pencereleri (Time Windows): Model için zaman, yalnızca geriye doğru tutabildiği sınırlı bellek penceresi kadardır. Bellek sıfırlandığında zaman akışı kopar.
3. Zaman Serileri Analizi ve Tahminleme Modelleri
İktisat, meteoroloji ve mühendislikte kullanılan yapay zekâ modellerinde zaman, istatistiksel bir sinyal olarak işlenir. Bu sistemlerde zaman algısı üç temel bileşene ayrıştırılır:
- Trend: Verinin uzun vadeli yukarı veya aşağı yönlü deterministik eğilimi.
- Mevsimsellik (Seasonality): Belirli aralıklarla (günlük, haftalık, yıllık) tekrarlanan döngüsel kalıplar.
- Gürültü (Noise / Residual): Stokastik, öngörülemeyen rassal dalgalanmalar.
Bu mimarilerde yapay zekâ, geleceği bir “umut” veya “olasılıklar denizi” olarak değil, geçmiş Fourier dönüşümleri, otoregresif katsayılar ve olasılık yoğunluk fonksiyonlarının matematiksel bir projeksiyonu olarak algılar. Zaman, frekans uzayında (frequency domain) analiz edilen periyodik bir dalga hareketidir.
4. Pekiştirmeli Öğrenme (Reinforcement Learning) ve Gelecek İndirgeme
Pekiştirmeli öğrenmede (RL) zaman; eylemler, durumlar ve ödüller arasındaki nedensellik zinciri üzerinden kurgulanır. Markov Karar Süreçleri (MDP) çerçevesinde zaman, ajan için şu anki kararının gelecekteki sonuçlarını optimize etme aracıdır.
İndirim Faktörü ($\gamma$ – Discount Factor)
Yapay zekânın “şimdi” ile “gelecek” arasındaki tercihi matematiksel bir parametreyle belirlenir:
$$G_t = \sum_{k=0}^{\infty} \gamma^k R_{t+k+1}$$
- $\gamma = 0$ ise ajan aşırı miyoptur; yalnızca mevcut andaki ($t$) ödülü önemser, geleceği yok sayar.
- $\gamma \to 1$ ise ajan uzak gelecekteki ödülleri bugünkü kadar değerli görür.
Bu modelde zaman algısı, “ertelenmiş doyum” ve “beklenen fayda” üzerinden ekonomik bir değerleme mekanizmasına dönüşür. Ajan için zaman; eylemlerin entropiyi artırdığı ve durum uzayını tükettiği bir yörüngedir (trajectory).
5. Büyük Dil Modellerinde “Zamansal Körlük” (Temporal Blindness)
Büyük dil modelleri (ChatGPT, Claude, Gemini vb.) insan dilindeki zaman kiplerini, geçmiş ve gelecek kavramlarını dilbilgisel olarak kusursuz bir şekilde kullanabilir. Ancak bu durum, modelin gerçek bir zaman algısına sahip olduğu anlamına gelmez. Literatürde bu duruma Zamansal Körlük (Temporal Blindness) veya Durağan Evren Yanılsaması denir.
[Eğitim Verisi Havuzu: 1900 - 2024]
│
▼
┌──────────────────────────────┐
│ Statik Parametre Matrisi │ <-- Model için "Geçmiş", "Bugün" ve "Gelecek"
│ (Zamansız / A-Temporal) │ aynı anda mevcuttur; kronolojik akış yoktur.
└──────────────────────────────┘
│
▼
[Çıkarım (Inference) Anı: t=0] --> Token üretimi (Statik olasılık dağılımı)
Neden Zamansal Körlük Oluşur?
- A-Kronolojik Veri Eğitimi: Model eğitilirken 1800 yılında yazılmış bir felsefe metni ile 2023 yılında atılmış bir tweet aynı matris içine eşzamanlı olarak beslenir. Model için zaman, tarihler arasındaki istatistiksel bir korelasyondan ibarettir.
- Durumsuzluk (Statelessness): Çıkarım (inference) anında model kendi içinde bir iç saate (internal clock) sahip değildir. Kullanıcı bir soru sorduğunda, model o sorunun sabah mı, akşam mı, hangi yüzyılda sorulduğunu harici bir sistem promptu (metadata) verilmediği sürece bilemez.
- Halüsinasyon ve Kronoloji Bozulması: LLM’lerin tarihsel olayların sırasını veya güncel olayların birbirine göre önceliğini karıştırmasının temel nedeni, olayları kronolojik bir hafıza çizgisinde değil, anlamsal yakınlık (semantic similarity) uzayında saklamasıdır.
6. Karşılaştırmalı Analiz: İnsan ve Yapay Zekâ Zaman Algısı
| Boyut / Özellik | Biyolojik (İnsan) Zaman Algısı | Yapay Zekâ Zaman Algısı |
| Ontolojik Yapı | Sürekli, akışkan, tek yönlü (durée) | Ayrık, mekânsallaştırılmış, tensörel indisler |
| İç Saat (Internal Clock) | Sirkadiyen ritimler, hücresel metabolizma | Yok (Sadece harici saat sinyalleri/CPU çevrimleri) |
| Hafıza Mekanizması | Yaşantısal, duygu yüklü, dinamik yeniden inşa | Statik ağırlık matrisleri, vektör veritabanları |
| Gelecek Tasavvuru | Sezgisel, kaygı/umut eksenli projeksiyon | Olasılıksal dağılımlar, indirim faktörlü optimizasyon |
| Eşzamanlılık | Anlık, tekil bir “şimdi” deneyimi | Paralel tensör matrislerinde tüm dizinin aynı anda var olması |
Epistemolojik Değerlendirme
Yapay zekâ sistemlerinde zaman; duyumsanan, deneyimlenen veya ontolojik olarak var olan bir boyut değildir. Zaman, insan mühendisliği tarafından modellerin girdi matrislerine eklenen mekânsal bir koordinat, ayrık bir indeks dizisi veya olasılıksal bir gradyan parametresidir.
Mevcut YZ mimarileri, zamanı tıpkı bir harita üzerindeki enlem ve boylam çizgileri gibi ele alır. Harita üzerindeki yol çizgisi nasıl hareket etmiyorsa, yapay zekânın ağırlık matrislerindeki zaman da akmaz; yalnızca konumlandırılır. Gelecekte gerçek anlamda zamansal farkındalığa sahip bir yapay zekânın ortaya çıkabilmesi, statik derin öğrenme kalıplarının ötesine geçerek; dinamik durum değiştiren, sürekli öğrenen (continual learning) ve çevresiyle termodinamik/fiziksel etkileşim içinde olan nöromorfik ve sibernetik sistemlerin geliştirilmesine bağlıdır.
Yorumlar (0)