Türetici Yapay Zekâ Nedir? (What is Generative Artificial Intelligence?)

[TR] Bu makale, “generative artificial intelligence” kavramı için “türetici yapay zekâ” karşılığını önermekte ve bu önerinin kavramsal, tarihsel ve felsefi gerekçelerini ortaya koymaktadır. Tarihsel arka plan açısından makale, yapay zekâ araştırmalarının 1943'teki McCulloch-Pitts çalışmasından başlayarak 1956 Dartmouth Konferansı'na, oradan Birinci ve İkinci Yapay Zekâ Kışları'na uzanan sürecini incelemektedir. Sembolik yapay zekânın bilgi gösterimi, çerçeve problemi ve nitelik problemi gibi yapısal güçlükler karşısında yetersiz kalması; uzman sistemlerin çöküşü ve 21. yüzyılda büyük veri, derin öğrenme ve büyük dil modellerinin yükselişi kronolojik bir çerçevede ele alınmaktadır. Makale, doğal zekâ ile türetici yapay zekâyı dört temel eksen üzerinden karşılaştırmaktadır: ortama adaptasyon, akılyürütme, öğrenme ve ustalaşma. Büyük dil modellerinin dilbilgisini ve mantığı kural sistemi olarak içselleştirmeksizin; yalnızca istatistiksel bir yan ürün olarak modellediği ve bu nedenle gerçek anlamda ne düşündüğü, ne anladığı ne de akılyürüttüğü ileri sürülmektedir. Türetici yapay zekânın metin, kod, görüntü ve video türetme gibi pratik olanakları değerlendirildikten sonra, bu teknolojinin beraberinde getirdiği tereddütler ele alınmaktadır. Makale, güçlü yapay zekânın mümkün olup olmadığı sorusuyla kapanmaktadır. Turing makinesinin teorik temelinin değişmediği, akılyürütmenin istatistikle ikame edilemediği ve insanın keşif ile özgün üretim kapasitesinin vektör temelli hesaplamayla karşılanamayacağı savunulmaktadır. Beyin, bilinç ve zekânın henüz yeterince tanımlanmamış kavramlar olduğu vurgulanarak, güçlü yapay zekânın bugün itibarıyla ne teknik ne teorik ne de kavramsal düzeyde gerçekleşmiş bir olgu olmadığı sonucuna ulaşılmaktadır. [EN] This article proposes the term “türetici yapay zekâ” (derivational/generative artificial intelligence) as a Turkish equivalent for “generative artificial intelligence,” and elaborates the conceptual, historical, and philosophical grounds for this proposal. Historically, the article traces the development of artificial intelligence research from the 1943 McCulloch-Pitts paper through the 1956 Dartmouth Conference, the First and Second AI Winters, the rise and fall of expert systems and symbolic AI, and the emergence of big data, deep learning, and large language models in the twenty-first century. The structural failures of symbolic AI — including the frame problem, the qualification problem, and the limitations of knowledge representation projects such as Cyc — are examined in detail. The article compares natural intelligence with generative AI across four dimensions: environmental adaptation, reasoning, learning, and mastery. It argues that large language models model grammar and logic not as internalized rule systems but merely as statistical by-products of training, and that these systems therefore neither think, understand, nor reason in any meaningful sense. The outputs of such systems are determined not by intelligence but by statistics; not by understanding but by computation. After reviewing the practical capabilities of generative AI — text, code, image, and video generation — the article turns to its associated concerns: growing energy and hardware demands, data quality issues, corporate dependency, concentration of power, and the risk of instrumentalizing ethical discourse. The article concludes by examining whether strong AI, or artificial general intelligence, is achievable. It argues that the theoretical foundations of computation have not changed since Turing, that reasoning cannot be substituted by statistics, and that the human capacities for discovery and original creation cannot be replicated through vector-based statistical computation. Given that brain, consciousness, and intelligence remain