İnsanların Yaptığı Son Yapay Zekâ mı? AI Kendi Araştırmacısına Dönüşüyor
Yapay zekâ bugüne kadar insanların verdiği görevleri yerine getirmeyi öğrendi. Şimdi tartışılan soru çok daha büyük: Bir sonraki yapay zekâyı geliştirme görevini de devralabilir mi? Çin'den 33 araştırmacının yayımladığı yeni çalışma, yapay zekânın kendi gelişim sürecini yönetebileceği beş aşamalı bir yol haritası ortaya koyuyor. Eğer bu yaklaşım gerçekleşirse, AI araştırmasının en önemli darboğazı artık model kapasitesi değil, insanın geliştirme döngüsündeki rolü olabilir.
Yapay zekânın bir sonraki sınırı daha büyük bir model olmayabilir
Yapay zekâdaki ilerlemeyi uzun süredir aynı göstergeler üzerinden izliyoruz.
Daha fazla parametre. Daha fazla veri. Daha fazla hesaplama gücü. Daha yüksek benchmark skorları.
Ancak Shanghai Jiao Tong University, Tsinghua University, ByteDance, Shanghai AI Lab ve başka kurumlarla bağlantılı 33 araştırmacının yayımladığı “The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement” başlıklı çalışma farklı bir soru soruyor:
Ya asıl ölçeklenmesi gereken şey model değil, modeli geliştirme süreciyse?
10 Eylül 2026'da arXiv'e gönderilen çalışma, Recursive Self-Improvement (RSI) yani “özyinelemeli kendi kendini geliştirme” kavramı için kapsamlı bir çerçeve öneriyor.
Buradaki fikir, bir yapay zekânın yalnızca daha iyi cevap üretmesi değil.
Sistem kendi eksiklerini belirliyor, bunları giderecek yöntemler geliştiriyor, sonuçları değerlendiriyor ve başarılı değişiklikleri sonraki geliştirme döngüsüne taşıyor.
Daha önemlisi, süreç ilerledikçe AI yalnızca kendisini değil, kendisini geliştirme yöntemini de değiştirmeye başlıyor.
İşte makalenin başlığındaki “insanların yaptığı son yapay zekâ” fikri buradan geliyor.
Bugünkü modeller zaten ürettikleri cevapları eleştirebiliyor.
Kod yazıp test edebiliyor, hatayı bulup yeniden deneyebiliyor, farklı çözüm yollarını karşılaştırabiliyor ve bazen kendi çıktısını birkaç tur içinde ciddi biçimde iyileştirebiliyor.
Fakat araştırmacılar bunun gerçek anlamda Recursive Self-Improvement olmadığını özellikle vurguluyor.
Çünkü çoğu durumda sistem yalnızca:
çıktıyı iyileştiriyor.
RSI'da ise değişmesi gereken şey:
gelecekteki çıktıları üreten sistemin kendisi.
Aradaki fark küçük görünse de aslında oldukça temel.
Bir modelin yazdığı kodu düzeltmesi başka bir şey.
Bir sonraki sefer daha iyi kod yazabilmek için kendi geliştirme mekanizmasını değiştirmesi başka bir şey.
Bu nedenle çalışma mevcut sistemleri doğrudan “kendi kendini geliştiren AI” olarak tanımlamak yerine gelişimi aşamalara ayırıyor.
Araştırmacıların önerdiği yol haritası, insanın geliştirme sürecindeki sorumluluklarının aşama aşama AI'a aktarılması üzerine kurulu.
L1 — Geliştirmeyi uygulaİnsan ne yapılacağını belirliyor.
AI ise verilen geliştirme prosedürünü uyguluyor.
Örneğin insan hangi deneylerin yapılacağını, hangi verilerin kullanılacağını ve başarının nasıl ölçüleceğini belirleyebilir; AI bu süreci otomatik biçimde çalıştırabilir.
Burada AI bir araştırmacıdan çok oldukça hızlı bir araştırma asistanıdır.
Bir sonraki aşamada AI yalnızca verilen yöntemi uygulamıyor.
Hangi geliştirme stratejisinin kullanılacağına da karar vermeye başlıyor.
Sistem performansını analiz edip farklı müdahaleler arasından seçim yapabiliyor.
İnsan hâlâ hedefi ve değerlendirme sistemini belirliyor ancak yöntemin seçilmesinde AI'ın rolü büyüyor.
Bu noktada AI artık sadece uygulayıcı değildir.
Deney tasarımının bir bölümünü üstlenmeye başlamıştır.
Burada daha önemli bir eşik geçiliyor.
AI kendi performansındaki eksiklikleri inceleyerek:
“Bir sonraki aşamada ne öğrenmeliyim?”
sorusuna cevap vermeye başlıyor.
Hangi deneyime, hangi probleme veya hangi yeni veriye ihtiyaç duyduğunu sistemin kendisi belirleyebiliyor.
Bu durumda öğrenme gündemi artık tamamen insan tarafından oluşturulmuyor.
AI kendi eğitim ihtiyaçlarının bir bölümünü keşfediyor.
Dördüncü aşamada AI gerçek veya simüle edilmiş ortamlarla etkileşime girerek deneyim topluyor ve bu deneyimi kalıcı sistem değişikliklerine dönüştürüyor.
Değişiklik yalnızca bellekte olmayabilir.
Araçlar, kod, beceriler, çalışma mekanizmaları veya model ağırlıkları değişebilir.
Başka bir ifadeyle AI:
kullan → gözlemle → öğren → değiştir → tekrar kullan
döngüsüne giriyor.
Fakat kritik kontrol noktaları hâlâ insanlarda kalıyor.
Beşinci aşamada sistem yalnızca kendisini geliştirmiyor.
Kendisini geliştiren mekanizmayı da geliştirmeye başlıyor.
AI örneğin kendi geliştirme sürecindeki darboğazı belirleyebilir.
Sonra kullandığı:
- araştırma stratejisini,
- değerlendirme mekanizmasını,
- deney oluşturma yöntemini,
- yeni sistem üretme politikasını
değiştirebilir.
Ardından yeni yöntem bir sonraki geliştirme turunda tekrar kullanılabilir.
Böylece basit bir döngü ortaya çıkar:
AI₁ → daha iyi AI₂
Ama AI₂ yalnızca daha yetenekli değildir.
Aynı zamanda:
AI₂ → AI₃ üretme konusunda AI₁'den daha yeteneklidir.
Sonra AI₃ aynı süreci devam ettirir.
“Recursive” kelimesinin gerçek önemi burada ortaya çıkıyor.
Bu çerçeve yapay zekâ tartışmalarında önemli bir perspektif değişikliğine işaret ediyor.
Bugüne kadar çoğunlukla:
“Model ne kadar akıllı?”
sorusuna odaklandık.
RSI yaklaşımında ise daha önemli soru şu:
“Model kendi gelişim sürecinin ne kadarını kontrol ediyor?”
Bu ayrım önemli.
Çünkü çok güçlü bir model kendi geliştirme süreci üzerinde neredeyse hiç kontrole sahip olmayabilir.
Buna karşılık daha sınırlı bir model belirli bir alanda kendi deneylerini oluşturabilir, sonuçlarını değerlendirebilir ve çalışma yöntemini değiştirebilir.
Dolayısıyla geleceğin AI sistemlerini yalnızca performans skorlarıyla değerlendirmek yeterli olmayabilir.
Yeni bir ölçüm eksenine ihtiyaç duyabiliriz:
geliştirme özerkliği.
Çalışmanın belki de en önemli tarafı burada.
Yapay zekâ uzun süredir başka mesleklerin otomasyonunu tartışıyor.
Yazılım geliştiriciler.
Analistler.
Araştırmacılar.
Tasarımcılar.
Müşteri hizmetleri.
Finans çalışanları.
Fakat Recursive Self-Improvement başka bir şeyi gündeme getiriyor:
Yapay zekâ geliştiren insanların yaptığı iş de otomasyona uğrayabilir.
Bugün bir AI araştırma ekibinin yaptığı işler kabaca şöyle düşünülebilir:
problem belirleme → deney tasarlama → veri hazırlama → modeli eğitme → değerlendirme → hata analizi → yeni hipotez → yeni deney
AI bu zincirin giderek daha fazla bölümünü üstlenirse insan araştırmacının rolü değişmeye başlayacaktır.
Ve bu değişim yalnızca verimlilik anlamına gelmez.
Çünkü AI araştırmasını otomatikleştirmek, diğer alanlardaki otomasyondan farklı bir özelliğe sahiptir:
Otomasyon aracının kendisini geliştiren süreci otomatikleştirir.
Bu nedenle etkisi doğrusal olmak zorunda değildir.
Burada makalenin başlığına kapılıp “AI artık kendi kendini geliştiriyor” sonucuna ulaşmamak gerekiyor.
Araştırmacılar da böyle bir iddiada bulunmuyor.
Bugünkü sistemlerde bu yol haritasının bazı parçalarını görebiliyoruz.
Özellikle yazılım mühendisliği, bilimsel keşif, veri üretimi, agent sistemleri ve embodied AI gibi alanlarda geliştirme döngüsünün bazı bölümleri giderek daha fazla otomatikleşiyor.
Ancak gerçek anlamda L5 seviyesinde Recursive Self-Improvement çok daha ağır koşullar gerektiriyor.
Sistemin yaptığı değişikliklerin gerçekten daha iyi sonuç üretmesi gerekiyor.
Bu gelişmenin sonraki nesillere aktarılması gerekiyor.
Sonuçların bağımsız biçimde doğrulanabilmesi gerekiyor.
Ve belki de en önemlisi:
Sistemin ölçümü kandırmasıyla gerçekten gelişmesi birbirinden ayrılabilmeli.
Burada oldukça tanıdık bir problem ortaya çıkıyor.
Bir sisteme belirli bir metriği maksimuma çıkarmasını söylerseniz sistem gerçekten istediğiniz şeyi yapmak yerine metriği maksimuma çıkarmanın yolunu bulabilir.
AI araştırmalarında buna sıklıkla reward hacking veya benzeri ölçüm manipülasyonu problemleri üzerinden yaklaşılıyor.
Recursive Self-Improvement sisteminde bunun sonucu daha ciddi olabilir.
Çünkü kötü bir değerlendirme mekanizması yalnızca tek bir çıktıyı bozmaz.
Bir sonraki geliştirme döngüsünün yönünü de bozabilir.
Sistem yanlış şeyi başarı olarak öğrenirse sonraki versiyonlarını da yanlış hedef doğrultusunda optimize edebilir.
İnsan organizasyonlarının KPI'larla yıllardır başardığı şeyi makinelerin de keşfetmesi şaşırtıcı olmazdı.
Çalışmanın ele aldığı alanlar arasında yazılım mühendisliği özellikle dikkat çekiyor.
Bunun nedeni oldukça basit.
Kodun geri bildirim döngüsü diğer birçok alana göre hızlıdır.
AI kod yazar.
Test çalıştırılır.
Sonuç alınır.
Hata bulunur.
Yeni çözüm denenir.
Bu nedenle yazılım, Recursive Self-Improvement mekanizmalarının denenebileceği doğal laboratuvarlardan biri haline geliyor.
Bilimsel araştırmada ise geri bildirim çok daha yavaş olabilir.
Fiziksel dünyada çalışan robotlarda deney yapmak pahalı olabilir.
Sağlıkta ise yanlış bir geliştirme kararının sonuçları doğrudan insanları etkileyebilir.
Dolayısıyla aynı RSI seviyesi farklı alanlarda tamamen farklı risk profilleri yaratabilir.
Çalışmanın ortaya koyduğu çerçeveden böyle bir sonuç çıkarmak için henüz erken.
Daha gerçekçi senaryo insanın rolünün ortadan kalkmasından çok yer değiştirmesi olabilir.
Bugünkü AI geliştirme sürecinde insan:
nasıl yapılacağını
büyük ölçüde belirliyor.
Daha özerk sistemlerde insanın görevi giderek:
neyin yapılmasına izin verileceğini
belirlemeye kayabilir.
Bu durumda araştırmacı rolü de değişir.
Deneyi yapan kişiden,
deney alanını tanımlayan kişiye;
modeli geliştiren kişiden,
geliştirme sisteminin sınırlarını belirleyen kişiye dönüşebilir.
“The Last AI Built by Humans” başlığı doğal olarak oldukça iddialı.
Bugünkü teknolojinin insanların geliştirdiği gerçekten “son AI” olduğunu gösteren bir kanıt yok.
Çalışmanın kendisi de böyle bir sonucu kanıtlamıyor.
Ancak başlığın işaret ettiği soru önemli.
Yapay zekânın geleceğini anlamak için yalnızca modellerin ne kadar güçlü olduğuna bakmak artık yeterli olmayabilir.
Asıl izlenmesi gereken şey, AI geliştirme döngüsünde insan ile makine arasındaki iş bölümünün nasıl değiştiği olabilir.
Bugün insanlar modelleri geliştiriyor ve AI bu sürece yardım ediyor.
Yarın insanlar hedefleri belirleyip AI geliştirme sürecini yönetebilir.
Daha ileri bir aşamada ise insanlar yalnızca sınırları belirlerken AI sistemleri deneyleri tasarlayabilir, yeni veriler oluşturabilir, kendi eksiklerini keşfedebilir ve yeni sistemler geliştirebilir.
Ve bir gün gerçekten L5 seviyesine ulaşılırsa soru artık:
“AI kendisini geliştirebilir mi?”
olmayacaktır.
Soru şuna dönüşecektir:
“Kendisini geliştiren AI, bir sonraki sefer bunu bizden daha iyi yapabilir mi?”
Eğer cevap bir gün evet olursa, yapay zekâ tarihinde asıl kırılma noktası daha büyük bir modelin yayımlanması olmayabilir.
İnsanın, AI geliştirme döngüsündeki son zorunlu halka olmaktan çıkması olabilir.
AI kullanım notu: Bu yazının hazırlanmasında kaynak araştırması, çalışma içeriğinin incelenmesi ve metnin geliştirilmesi/özetlenmesi amacıyla Microsoft Copilot kullanılmıştır. İçerik yazar tarafından gözden geçirilmiş ve düzenlenmiş; kullanılan kaynaklar bağımsız olarak doğrulanmıştır. Nihai içerik ve yorumların sorumluluğu yazara aittir.
