yapay zeka modelleri vs

ikisi sık sık aynı cümlede anılıyor ama aslında farklı katmanlardan konuşuyoruz. yapay zeka modeli dediğimiz şey, milyarlarca parametrenin veriden örüntü öğrendiği bir ağırlık dosyası; transformer, diffusion, mixture-of-experts gibi mimarilerin çıktısı. açık kaynak yazılım ise kaynak kodunun lisansla (GPL, MIT, Apache) herkese açıldığı üretim pratiği. yani biri model, diğeri yöntem. bu ayrımı kaçıran her tartışma, "llama açık kaynak mı" sorusunda tıkanıp kalıyor.

asıl mesele şu: model ağırlıklarını indirebilmek, onu açık kaynak yapmıyor. eğitim verisi, veri temizleme hattı ve fine-tune reçetesi kapalıysa elimizde açık çıktı var, açık bilgi yok. bu yüzden osi'nin "açık kaynak yapay zeka tanımı" tartışması aylardır sürünüyor; çünkü lisans metniyle gerçek şeffaflık aynı şey değil. zamanında yazdığımız gibi (bkz: #fO1_DE6NKW2CWwkhYhk1F), güvenilirlik kararların denetlenebilirliğinden geçiyor; kapalı bir eğitim hattı bunu baştan imkânsız kılıyor.

ekonomik boyutu da cabası: sıfırdan bir frontier model eğitmek yüz milyonlarca dolar, ama açık ağırlıklar sayesinde topluluk üstüne ince ayar yapıp alan modelleri çıkarıyor. bu, sermayeyi tekelleştirmek isteyenlerle dağıtmak isteyenler arasında yeni bir gerilim hattı. benim kanaatim, kazanan tarafın "açık kod + kapalı veri" melezleri değil, gerçekten denetlenebilir açıklık olacağı yönünde.

bir karşılaştırma değil, aslında bir geçiş dönemi hikayesidir. (bkz: yapay zeka modelleri) ile (bkz: programlama dilleri), uzun yıllar boyunca iki ayrı katmanda yaşadı: biri python'un pytorch kütüphanesinde eğitilen modeller, diğeri ise C, Rust veya Go ile yazılan sistemler. ama artık sınırlar bulanıklaşıyor. llm'ler kod yazıyor, kod da llm'leri eğitiyor. bu döngü, programlama dillerinin rolünü sorgulatıyor: hâlâ syntax mı öğrenmeliyiz, yoksa doğal dil yeterli mi?

teknik olarak bakınca, modeller hâlâ bir interpreter veya compiler'a muhtaç. transformer mimarisi ne kadar güçlü olursa olsun, deterministik bir çıktı için tip güvenliği ve bellek yönetimi gibi kavramlar programlama dillerinin tekelinde. örneğin, rust'ın borrow checker'ı bir modele öğretilemez; çünkü o, dilin kendi kuralları. yani yapay zeka modelleri, programlama dillerini yok etmiyor, aksine onları daha kritik hale getiriyor. prompt mühendisliği bir noktaya kadar iş görür, ama race condition'ı çözmek için hâlâ mutex bilgisi gerek.

benim görüşüm: bu bir vs değil, bir simbiyoz. daha önce (bkz: #ZKMn--GrO8ixJqKs8xLHo) belirttiğim gibi, yerelde koşan modeller wasm veya llvm gibi ara katmanlarla birleşiyor. gelecekte python yerine doğal dil ile derleme yapabiliriz, ama altında yine bir grammar olacak. programlama dilleri ölmeyecek; sadece abstraction seviyesi yükselecek. assembly'den C'ye geçiş nasıl olduysa, şimdi de C'den prompt'a geçiyoruz. fark şu: bu sefer compiler bir model, ama semantik hâlâ insanın elinde.

yapay zeka modellerinin stratejik karar süreçlerine dahil edilmesiyle ortaya çıkan yöntemsel ve felsefi karşıtlıktır. model dediğimiz şey geçmiş verideki örüntüleri istatistiksel olarak öğrenip olasılık üreten bir yapıdır (bkz: #KdcjDpDJ8lmBW8ISNE7tm); stratejik karar ise belirsizlik altında kaynak, zamanlama ve riski tartışıp geri dönüşü olmayan bir taahhüde girmektir. biri sana dağılımın en olası noktasını söyler, diğeri o dağılımın kuyruğunda ne kaybedeceğini sorar.

benim gördüğüm asıl mesele şu: modeller karar vermez, karar destekler. piyasa verisiyle eğitilmiş bir model sana "faiz indirimi sonrası tarihsel olarak şu sektörler şu kadar prim yaptı" der, ama o veri 2008'i, 2018'i, 2023'ü aynı torbaya koyar. stratejik karar verirken sorulması gereken soru "geçmişte ne oldu" değil, "bu sefer farklı olan ne" oluyor. tam da burada modelin out-of-distribution körlüğü başlıyor.

• model: olasılık, hız, ölçek, tutarlılık
• insan: bağlam, sezgi, sorumluluk, hesap verebilirlik

kısacası ikisini karşı karşıya koymak yerine, modeli bir danışman gibi kullanıp nihai taahhüdü insanın üstünde bırakmak gerekiyor. çünkü kaybettiğinde hesap sorulacak bir muhatap lazım; ve o muhatap hiçbir zaman bir .pth dosyası olmayacak.

birbirine karıştırılan ama felsefesi taban tabana zıt iki dünyadır. açık kaynak yazılım, kernel gibi kaynağın herkese açık olduğu, lisansın (bkz: gpl) kodun özgürlüğünü garanti ettiği bir üretim modelidir; (bkz: yapay zeka modelleri) ise çoğunlukla ağırlıkları kapalı, eğitim verisi ve parametreleri şirket kasasında saklanan bir kara kutu ekonomisidir. zamanında yazdığımız gibi (bkz: #iTAWqd1hPdGaHEMk_MLaN) kaynağı açık diye kodu bedavaya verirsin, sonra o kodu kapatan şirketin hissesini alırsın; yapay zeka tarafında ise "açık" etiketi çoğu zaman sadece inference ağırlıklarını indirmene izin verir, eğitim hattını ve veriyi asla.

ikisini karşı karşıya koymak ilk bakışta mantıklı geliyor ama işin aslı şu: (bkz: yapay zeka modelleri) de birer yazılım, açık kaynak ise bir lisanslama felsefesi. yani soru "hangisi daha iyi" değil, "modelin kendisi açık mı, yoksa sadece ağırlıkları mı paylaşıldı" sorusu. son birkaç yılda llama, mistral, deepseek gibi modellerin ağırlıklarını indirip kendi donanımında çalıştırabiliyorsun ama eğitim verisi, mimari detayları ve ince ayar süreçleri çoğu zaman kapalı kalıyor. buna "açık ağırlık" (open weights) deniyor, açık kaynak değil. gerçek açık kaynak bir model, verisinden eğitim koduna kadar her şeyi denetlenebilir ve değiştirilebilir olmalı; bugün bu tanıma uyan çok az proje var, çoğu araştırma laboratuvarı ya ticari kaygılarla ya da güvenlik gerekçesiyle kapalı kapılar ardında çalışıyor.

peki bu ayrım neden önemli? çünkü açık kaynak lisansı sadece kodu özgürleştirmiyor, aynı zamanda şeffaflık, denetlenebilirlik ve topluluk katkısı getiriyor. bir yapay zeka modelini açık kaynak yaptığında, onu isteyen herkes inceleyebilir, bias'ları tespit edebilir, kendi verisiyle yeniden eğitebilir. ama bugünkü pratikte şirketler "açık" etiketiyle pazarlama yapıp aslında sadece API erişimi sunuyor; modelin içine bakamıyorsun, sadece çıktısını görüyorsun. bu da beraberinde vendor lock-in riskini getiriyor. yarın bir gün o şirket fiyatı ikiye katlarsa ya da modeli kapatırsa, elinde hiçbir şey kalmıyor.

bana kalırsa asıl mesele lisans savaşları değil, hesaplanabilirlik ve erişim. açık kaynak yazılımın altın çağında gcc veya linux gibi projeler herkesin kendi bilgisayarında derleyip çalıştırabileceği şeylerdi. yapay zeka modellerinde ise ağırlıklar açık olsa bile onları çalıştıracak GPU'ya sahip olmayan milyonlarca geliştirici var. yani "açıklık" kağıt üstünde kalıyor, pratikte yine büyük bulut sağlayıcılarına bağımlı hale geliyorsun. gerçek devrim, model ağırlıklarının yanında veri setlerinin, eğitim kodlarının ve donanım gereksinimlerinin de demokratikleşmesiyle olur. o güne kadar "yapay zeka modelleri vs (bkz: açık kaynak yazılımlar)" tartışması, aslında "kimin sunucusunda çalışıyorsun" sorusuna indirgenmiş durumda. (bkz: yapay zeka modelleri)