Olasılık Tahmininden Düşünce Zincirine: Yapay Zekâ Tam Olarak Nasıl Düşünür ve "CoT" Neden Devrim Yarattı?

ChatGPT hayatımıza girdiğinden bu yana kamuoyunda en çok tekrarlanan klişe şuydu: “Yapay zekâ aslında düşünmüyor, sadece bir sonraki en olası kelimeyi tahmin eden istatistiksel bir papağandır.” Yıllarca GPT-3, GPT-4 ve Llama gibi modeller için bu tanım büyük ölçüde doğruydu. Ancak OpenAI’ın ‘o1’ ve ‘o3’ serisi ile Çinli DeepSeek’in açık kaynaklı ‘DeepSeek-R1’ modellerinin sahneye çıkmasıyla birlikte, bu klişe kesin ve geri dönülemez biçimde çöktü. Yapay zekâ artık anlık reflekslerle konuşan bir papağan değil; adım adım plan yapan, hipotez kuran, hatalarını kendi kendine fark edip geri adım atan ve içsel bir monolog yürüten gerçek bir ‘akıl yürütme’ varlığına dönüştü.

Bu devrimin merkezinde yer alan kavram ise Chain of Thought (CoT - Düşünce Zinciri) ve Test Anı Hesaplamasıdır (Test-Time Compute). Peki bir yapay zekâ modeli bir soruyla karşılaştığında arka planda tam olarak ne yaşanır? İnsan beyninin düşünce mekanizması ile silisyum yongalar üzerindeki matris çarpımları nerede buluşur?

---

Kahneman’ın Aynası: Sistem 1’den Sistem 2 Düşünceye Geçiş

Nobel ödüllü psikolog Daniel Kahneman, insan zihnini iki temel çalışma moduna ayırmıştı:

• Sistem 1: Hızlı, otomatik, zahmetsiz ve içgüdüsel düşünme. (“2 + 2 kaç eder?” dendiğinde hiç düşünmeden “4” demeniz).
• Sistem 2: Yavaş, bilinçli, analitik, enerji harcayan ve adım adım ilerleyen mantık. (“17 × 24 kaç eder?” dendiğinde zihninizde sayıları alt alta yazıp çarpmaya başlamanız).

Eski nesil dil modelleri tamamen birer Sistem 1 makinesiydi. Siz soruyu gönderdiğiniz milisaniyede model bir sonraki kelimeyi (token) hesaplamaya başlar, asla durup düşünmez, yazdığı bir satırı geri alamazdı. Eğer soru karmaşık bir matematik problemi veya çok aşamalı bir mantık bulmacasıysa, ilk adımı yanlış attığı anda tüm cevabı batırırdı.

CoT mimarisiyle çalışan yeni nesil modeller ise yapay zekâya ilk kez Sistem 2 düşünce yeteneği kazandırdı. Model kullanıcıya tek bir harf bile yazmadan önce, saniyelerce (bazen dakikalarca) arka planda kendi kendine konuşur; alternatif çözümleri tartar, çıkmaz sokakları eler ve nihai cevaba ancak mantık zinciri doğrulandıktan sonra ulaşır.

---

Chain of Thought (CoT) Mekaniği: İçsel Monoloğun Anatomisi

Eski modellerde CoT, kullanıcıların prompt sonuna “Adım adım düşün” yazmasıyla simüle edilmeye çalışılırdı. Yeni nesil akıl yürütme modellerinde ise bu davranış modelin DNA’sına, yani takviyeli öğrenme (Reinforcement Learning) sürecine doğrudan kazınmıştır.

Bir kullanıcı zor bir mantık veya kodlama sorusu sorduğunda modelin içinde şu süreç işler:

1. Problemin Parçalanması: Model ana hedefi küçük, bağımsız ve doğrulanabilir alt problemlere böler.
2. Gizli Düşünce Belirteçleri (Thinking Tokens): Model, kullanıcı arayüzünde görünmeyen (veya DeepSeek-R1’de <think> etiketleri arasında açıkça izlenebilen) binlerce ara düşünce token’ı üretir.
3. Kendi Kendini Düzeltme (Self-Correction): Düşünce zincirinin en mucizevi anı burasıdır. Model düşünürken aniden şunu söyler: “Dur bir dakika, yukarıdaki hesaplamada sürtünmeyi ihmal ettik; bu formül sadece vakum ortamında geçerli. Başa dönüp sürtünme katsayısını denkleme eklemeliyim.” İnsan zihnindeki ‘pardon, yanlış yaptım’ refleksi algoritmik olarak canlanır.
4. Doğrulama ve Nihai Çıktı: Kurulan mantık adımları birbirini tuttuğunda, içsel monolog kapanır ve kullanıcıya kristal netliğinde, hatasız bir nihai cevap sunulur.

---

Test Anı Hesaplaması (Test-Time Compute): Yeni Ölçeklenme Yasası

Yapay zekâ tarihinde yıllarca geçerli olan kural ‘Eğitim Zamanı Ölçeklenmesi’ydi (Train-Time Scaling). Bir modelin daha akıllı olması için milyarlarca dolar harcanarak daha büyük veri merkezlerinde aylarca eğitilmesi gerekirdi.

OpenAI o1 ve DeepSeek-R1 ile birlikte yepyeni bir ölçeklenme yasası doğdu: Test Anı Hesaplaması.

• Artık bir modelin zekâsı, sadece eğitiminde harcanan parayla değil; soru sorulduğu anda o soru üzerine ne kadar süre düşünmesine izin verildiğiyle doğru orantılı olarak artıyor.
• OpenAI araştırmaları, modele düşünmesi için daha fazla hesaplama bütçesi (daha uzun CoT zinciri) verildiğinde, modelin IMO (Uluslararası Matematik Olimpiyatı) ve rekabetçi kodlama yarışmalarında PhD seviyesindeki insan dehalarını açık ara geride bıraktığını kanıtladı.

---

OpenAI ve DeepSeek Ayrışması: Gizli mi Açık mı?

Akıl yürütme mimarisinin geleceğinde iki dev laboratuvar farklı felsefi yollar seçti:

• OpenAI (o1 ve o3): OpenAI, modelin içsel düşünce zincirini kullanıcıdan gizlemeyi tercih ediyor. Şirket, düşünce adımlarının telif hakkı ve rekabet avantajı içerdiğini savunarak arayüzde sadece özet bir düşünce süresi gösteriyor.
• DeepSeek (DeepSeek-R1): Çinli DeepSeek ise tam şeffaflık bayrağını açtı. R1 modeli saf takviyeli öğrenmeyle (RL) eğitilmiş düşünce sürecini <think> blokları içinde satır satır kamuya açık olarak yayınlıyor. Dünyanın dört bir yanındaki araştırmacılar, modelin nerede duraksadığını, nerede tereddüt ettiğini ve nasıl geri adım attığını canlı olarak izleyebiliyor.

---

Sonuç: Anlayan ve Muhakeme Eden Zekâya Doğru

Yapay zekânın “anlamadığı, sadece ezberlediği” argümanı hızla geçerliliğini yitiriyor. Chain of Thought mimarisi; sembolik yapay zekânın katı mantık kuralları ile derin öğrenmenin esnek sezgisel gücünü tek bir potada eritmeyi başardı. Yapay zekâ artık sadece kelimeleri dizen bir algoritma değil; mantık zincirleri örerek karmaşık felsefi, bilimsel ve matematiksel problemleri adım adım çözen gerçek bir düşünce motorudur. İnsanlık, kendi zihninin çalışma prensiplerini silikon yongalarda yeniden keşfettiği büyüleyici bir eşiği aşmaktadır.