Dr. Abraham Alvandi
Öz
Yapay zekâ (YZ), sağlık hizmetlerinde çoğu zaman tek, farklılaşmamış bir olgu olarak ele alınmakta; bu yaklaşım, hâlihazırda uygulamada olan ile bazen öngörülen arasındaki önemli farkı gözden kaçırmaktadır. Bu makale, bu ayrımı netleştirmek ve bunun klinik uygulama, yönetişim ve sağlık mesleklerinin geleceği açısından doğurduğu sonuçları incelemek amacıyla Yumuşak YZ (dar, göreve özgü sistemler) ile Sert YZ (varsayımsal yapay genel zekâ, YGZ) arasındaki ayrımı kullanmaktadır.
Tıbbi YZ ve YGZ literatürüne dair anlatısal bir sentez, yakın zamanlı büyük dil modeli tabanlı araçlar da dâhil olmak üzere klinik uygulamada hâlihazırda kullanılan neredeyse tüm YZ’nin dar kapsamlı kaldığını göstermektedir: bu sistemler, insan zekâsıyla ilişkilendirilen genelleme, aktarımlı öğrenme ya da özerk akıl yürütmeyi ortaya koymaksızın, tanımlı görevlerde gelişmiş, hatta bazen insanüstü performans sergilemektedir. Genel zekânın yerleşik bir tanımının bulunmayışından, uzmanlar arasında YGZ zaman çizelgelerine ilişkin geniş görüş ayrılığından, ölçeklendirmenin tek başına yeterli olup olmadığına dair kuşkulardan ve mevcut büyük dil modellerinin talimat izlemenin ötesinde özerk biçimde yeni beceriler kazanmadığına dair kanıtlardan hareketle, bu makale sağlık hizmetlerinde Yumuşak YZ’den Sert YZ’ye geçişin ne kaçınılmaz ne de yakın olduğunu savunmaktadır.
Makale, gerçekçi kısa vadeli önceliğin; spekülatif özerk sistemlere değil, bu gerçekliğe göre ayarlanmış yönetişim çerçeveleriyle birlikte, insan merkezli ve artırılmış zekâ modelleri içinde Yumuşak YZ’nin sorumlu biçimde geliştirilmesi olduğu sonucuna varmaktadır.
Anahtar Kelimeler: yapay dar zekâ; yapay genel zekâ; sağlık YZ’si; artırılmış zekâ; YZ yönetişimi
Giriş
Yapay zekâ (YZ), tanı, klinik karar verme, tıbbi görüntüleme, hasta izleme, tedavi planlaması ve sağlık sistemi yönetimini etkileyerek günümüz sağlık hizmetlerinin giderek daha önemli bir bileşeni hâline gelmiştir. Elektronik sağlık kayıtlarının, tıbbi görüntülemenin, genomik bilginin, giyilebilir cihazların ve diğer dijital sağlık teknolojilerinin hızlı büyümesi, YZ teknikleri kullanılarak analiz edilebilecek büyük ve giderek karmaşıklaşan veri kümeleri ortaya çıkarmıştır.
Örneğin Jiang ve ark. (2017), özellikle onkoloji, nöroloji ve kardiyoloji gibi alanlarda tanı, tedavi ve sonuç tahmini boyunca YZ uygulamalarını tespit etmiştir. Daha yakın tarihli araştırmalar, YZ’nin akıllı sağlık ortamlarına giderek daha fazla gömüldüğünü göstermekle birlikte, hâlihazırda uygulamada olan sistemlerin çoğu gerçek anlamda genel amaçlı değil, uzmanlaşmış kalmaya devam etmektedir.
YGZ ile YZ arasındaki fark: yapay zekânın yaklaşan geleceği (Unnati Gusain, Medium)
YZ, bir sistemin sahip olduğu zekânın kapsamına göre kavramsallaştırılabilir. Bu bakış açısından, zayıf ya da yapay dar zekâya (YDZ) büyük ölçüde karşılık gelen Yumuşak YZ ile güçlü ya da yapay genel zekâya (YGZ) karşılık gelen Sert YZ arasında yararlı bir ayrım yapılabilir. Yumuşak YZ, belirli görevleri veya sınırlı bir görev kümesini yerine getirmek üzere tasarlanırken, Sert YZ insan zekâsının farklı alanlar arasındaki esnekliğini ve genelliğini yeniden üretmeyi amaçlar. Bu ayrım sağlık hizmetlerinde önemlidir; çünkü klinik uygulamada hâlihazırda kullanılan YZ’nin neredeyse tamamı dar YZ kategorisine girerken, YGZ yerleşik bir klinik teknoloji olmaktan ziyade kuramsal bir olasılık olarak kalmaktadır.Bu ayrım aynı zamanda sağlık YZ’sinin geleceğini değerlendirmek için yararlı bir yol da sunar. Mevcut sistemler, dar biçimde tanımlanmış klinik görevler içinde son derece gelişmiş performans elde edebilmekte, ancak insan zekâsıyla ilişkilendirilen geniş bağlamsal anlayışa, özerk akıl yürütmeye ve esnek bilgi aktarımına sahip olmamaktadır.
Bu makale, sağlık hizmetlerinde Yumuşak YZ ve Sert YZ’yi, bunların mevcut ve potansiyel rollerini, sınırlılıklarını ve göreve özgü YZ’den genel yapay zekâya geçişin doğurduğu sonuçları incelemektedir. Hem kamuoyunda hem de bazı akademik tartışmalarda yaygın olan bir varsayıma karşı çıkarak, bu geçişin ne kaçınılmaz ne de yakın olduğunu savunmaktadır: dar YZ, öngörülebilir gelecekte klinisyenlerin yerini almaktan çok onları desteklemeye devam edecektir ve yapay genel zekânın (YGZ) yakın olduğuna ilişkin iddialar, aşağıda tartışılan tanımsal, mimari ve değerlendirmeye dair engeller çözülene kadar kuşkuyla karşılanmalıdır. Bu, sistematik bir derleme değil, anlatısal ve literatüre dayalı bir tartışmadır; kaynaklar, alanı kapsamlı biçimde haritalamak için değil, Yumuşak YZ/Sert YZ ayrımını ve YGZ zaman çizelgelerine ilişkin tartışmayı örneklemek üzere seçilmiştir.
Yumuşak YZ: Zayıf ya da Dar Yapay Zekâ
Yumuşak YZ, yapay dar zekâ ya da zayıf YZ olarak anlaşılabilir. Tanımlı bir alan içinde belirli bir görevi veya görece sınırlı bir görev kümesini yerine getirmek üzere tasarlanmıştır. Performansı son derece gelişmiş olabilir –hatta belirli görevlerde insan performansını dahi aşabilir– ancak bu durum genel, insana benzer bir anlayışı ya da zekâyı ima etmez.
Dolayısıyla dar bir YZ sistemi “zekâsız” değildir. Aksine, zekâsı tasarlandığı ya da eğitildiği görevle sınırlıdır. Günümüz sağlık hizmetleri bunun pek çok örneğini sunmaktadır. Bir YZ sistemi göğüs röntgenlerini analiz edebilir, hastane geri yatışını tahmin edebilir, diyabetik retinopatiyi belirleyebilir, patoloji görüntülerindeki anormallikleri tespit edebilir, klinik kötüleşmeyi öngörebilir veya elektrokardiyogramların yorumlanmasına yardımcı olabilir. Ancak bu görevlerden birinde başarılı olmak, sistemin bilgisini ilişkisiz klinik sorunlara bağımsız biçimde aktarabileceği anlamına gelmez.
Yakın dönem sağlık literatürü, mevcut tıbbi YZ’nin çoğunu açıkça dar YZ olarak tanımlamaktadır. Örneğin Abbas ve ark. (2025), tıbbi görüntülemeyi, elektronik sağlık kaydı tahminini ve sağlık chatbotlarını mevcut dar YZ uygulamaları arasında sınıflandırırken, YGZ’yi gelecekte gerçekleşecek ve hâlâ kuramsal olan bir YZ biçimi olarak tanımlamaktadır.
Sağlık hizmetlerinde Yumuşak YZ’nin temel özellikleri şunları içerir:
● Göreve özgülük: sistem, tanımlı bir klinik veya operasyonel amaç için geliştirilir.
● Veriye bağımlılık: performans genellikle eğitim veya girdi verisinin kalitesine, miktarına ve temsil gücüne bağlıdır.
● Sınırlı genelleme: bir görev için edinilen bilgi, başka bir göreve mutlaka aktarılamaz.
● Genel bilincin yokluğu: sistem, insana benzer bilinç, öz-farkındalık veya genel anlayışa dair yerleşik bir kanıt taşımaz.
● İnsana bağımlılık: sağlık uygulamalarının çoğu, klinisyenlerin yerini bağımsız biçimde almaktan çok onları destekleyen araçlar olarak işlev görür.
Önemle belirtmek gerekir ki, bu bağlamda kullanılan “yumuşak” terimi yumuşak hesaplama (soft computing) ile karıştırılmamalıdır. Yumuşak hesaplama, belirsizlik, yaklaşıklık ve kesinlik taşımayan durumlarla başa çıkmak üzere tasarlanmış hesaplama tekniklerini ifade ederken, mevcut çerçevede Yumuşak YZ, tıpta yumuşak hesaplama tekniklerine ilişkin daha geniş incelemelerle (Das & Sanyal, 2019) tutarlı biçimde, zekânın kapsamına ya da genelliğine işaret etmektedir. Makine öğrenmesi, derin öğrenme, bulanık mantık ve olasılıksal modellerin tümü, dar YZ içinde kullanılan teknikler olabilir.
Sağlık Hizmetlerinde Yumuşak YZ
Yumuşak YZ’nin pratik önemi, yüksek düzeyde uzmanlaşmış bilişsel görevleri büyük ölçekte yerine getirebilme becerisinde yatmaktadır.
Bir doktor ile bir YZ sisteminin bilgisayar başında birlikte çalıştığı, klinik karar vermede insan-YZ iş birliğinin faydalarını vurgulayan bir sahne. (Görsel yapay zekâ tarafından üretilmiştir ve hatalı olabilir.)
Tanı ve tıbbi görüntüleme
En gelişmiş uygulamalardan biri tıbbi görüntü analizidir. Makine öğrenmesi ve derin öğrenme sistemleri, radyolojik, patolojik ve dermatolojik görüntülerdeki örüntüleri tanımlayabilir (Jiang ve ark., 2017). Bir sistem, belirli anormallikleri tanımlamak veya görüntüleri önceden tanımlanmış tanı kategorilerine göre sınıflandırmak üzere eğitilebilir.
Ancak bir görüntü analizi sisteminin genel tıbbi zekâya sahip olduğu düşünülmemelidir. Örneğin, göğüs röntgenlerinde zatürreyi tanımlamak üzere eğitilmiş bir sistem; bu yetiler ayrıca tasarlanıp doğrulanmadıkça, hastanın sosyal koşullarını, ilaç geçmişini, aile durumunu veya rakip tanıları anlamaz.
Klinik risk tahmini
Yumuşak YZ, ayrıca kötüleşme, yeniden yatış, komplikasyon veya ölüm riski artmış hastaları da belirleyebilir. Çok sayıda değişkeni eş zamanlı olarak analiz ederek, makine öğrenmesi modelleri klinisyenlerin tutarlı biçimde fark etmesi güç olabilecek istatistiksel ilişkileri ortaya çıkarabilir. Örneğin bir acil servis YZ modeli, bir hastanın önümüzdeki birkaç saat içinde kötüleşme olasılığını tahmin edebilir ya da yeniden yatış nedenlerine ilişkin bir olasılık sunabilir. Çıktı klinik açıdan yararlı olabilir, ancak bu çıktı genel klinik akıl yürütmeden ziyade tanımlı bir problem uzayı içindeki bir tahmin olarak kalır.
Kişiselleştirilmiş sağlık hizmeti
YZ, bireysel hasta özellikleri ile tedavi sonuçları arasındaki ilişkileri belirleyerek kişiselleştirilmiş tıbbı da destekleyebilir. Genomik, klinik, davranışsal ve fizyolojik bilgiler, bir hastanın belirli bir müdahaleye yanıt verme olasılığını tahmin etmek üzere potansiyel olarak bütünleştirilebilir. Bu da yine dar zekâyı temsil etmektedir. Sistem, hastanın sağlığına veya yaşamına ilişkin genel bir anlayışa sahip olmaksızın, belirli bir sonucu tahmin etmede son derece etkili hâle gelebilir.
Sert YZ: Güçlü YZ ve Yapay Genel Zekâ
Büyük dil modellerinin ortaya çıkışı, modern modellerin pek çok farklı görevi yerine getirebilmesi nedeniyle geleneksel ayrımı karmaşıklaştırmıştır. Bu modeller bilgiyi özetleyebilir, metin üretebilir, sorulara yanıt verebilir, dilleri çevirebilir, bazı çok modlu bilgi biçimlerini yorumlayabilir ve klinik dokümantasyona yardımcı olabilir.
Ancak işlevsel genişlik otomatik olarak YGZ ile eşitlenmemelidir. Bir sistem; sağlam, insana benzer bir anlayışa, özerk fâilliğe, güvenilir akıl yürütmeye veya keyfi gerçek dünya durumlarında bağımsız biçimde çalışabilme yetisine sahip olmaksızın, pek çok görevi yerine getirebilir. Günümüz sağlık literatürü, YGZ’yi gelecekteki bir olasılık olarak ele alırken, uygulamada olan sistemlerin çoğunu dar YZ olarak sınıflandırmaya devam etmektedir.
Başka bir deyişle, Sert YZ kavramı temelden farklı bir hedefi temsil eder. YGZ, geniş bir alan yelpazesinde bilgiyi insan zekâsıyla kıyaslanabilir biçimlerde anlayabilen, öğrenebilen ve uygulayabilen varsayımsal bir sistemi ifade eder.
Yumuşak YZ şu soruyu sorarken:”Bir YZ sistemi bu belirli sağlık görevini yerine getirebilir mi?”Sert YZ çok daha iddialı bir soru sorar:”
Yapay bir sistem, bir insanın gerçekleştirebileceği hemen hemen her entelektüel görevi anlayıp yerine getirebilecek esnek zekâya sahip olabilir mi?”
Mevcut bilginin gelecekteki bilgiye dönüştüğü; destekleyici araçları, veri tabanlarını ve YZ, sorgulama ile klinisyen onayını içeren eylemleri bütünleştiren bir süreci gösteren akış şeması. (Görsel yapay zekâ tarafından üretilmiştir ve hatalı olabilir.)YGZ bu nedenle göreve özgü yeterliliğin ötesine geçmek zorunda kalacaktır.
Genelleme, aktarımlı öğrenme, bağlamsal akıl yürütme, sağduyulu akıl yürütme, sürekli öğrenme ve yeni durumlara esnek uyum sağlama becerilerini ortaya koyması gerekecektir. Sağlık hizmetlerinde bu ayrım özellikle önem kazanır. Dar bir YZ sistemi, bir MR taramasında bir tümörü belirleyebilir. Varsayımsal bir YGZ sistemi ise MR’ı yorumlayabilir, hastanın öyküsünü bütünleştirebilir, hastanın kaygılarını anlayabilir, ayırıcı tanılar oluşturabilir, sosyal ve etik koşulları göz önünde bulundurabilir, yeni kanıtları yorumlayabilir, tedavi alternatifleri hakkında akıl yürütebilir ve durum daha önce karşılaşılan vakalara uymadığında yaklaşımını uyarlayabilir. Böyle bir sistem, hâlihazırda doğrulanmış klinik uygulamada mevcut değildir. Giderek daha yetenekli hâle gelen çok modlu ve temel modellerdeki hızlı ilerlemelere rağmen, günümüz sağlık araştırmaları YGZ’yi kuramsal olarak tanımlamaya devam etmektedir.
Sert YZ’ye Neden Kolayca Ulaşılması Beklenmemektedir.
Sert YZ genellikle mevcut ilerlemenin basitçe bir uzantısıymış gibi tartışılsa da, literatür YGZ’nin mevcut dar sistemlerin ölçeklendirilmesi meselesi olmadığını öne sürmekte ve birbirini destekleyen çeşitli kanıt hatları, buna hızlı ya da kolay biçimde ulaşılamayacağına işaret etmektedir.YGZ’nin ne gerektireceğine dair yerleşik bir tanım yoktur. Temel bir engel, ontolojik ve epistemik nitelikte bir engeldir. Araştırmacılar, bir sistemin genel olarak zeki sayılabilmesi için hangi yetenekleri sergilemesi gerektiği konusunda uzlaşamamıştır; önerilen tanımlar, bir fâilin geniş bir çevre yelpazesinde hedeflere ulaşabilme yetisinden (Legg & Hutter, 2007) insan müdahalesi olmaksızın kendi hedeflerini özerk biçimde belirleyip iyileştirebilme kapasitesine (Roli ve ark., 2022) kadar uzanmakta, diğer etkili formülasyonlar ise bu iki kutup arasında yer almaktadır (Goertzel, 2014; Korteling ve ark., 2021). İstikrarlı, üzerinde uzlaşılmış bir hedef olmaksızın, belirli bir sistemin buna gerçekte ne kadar yakın olduğunu belirlemek, hatta rakip ilerleme iddialarını karşılaştırmak bile güçtür.
Uzmanlar arasında zaman çizelgeleri konusunda geniş görüş ayrılığı vardır. İnsan düzeyinde YZ’nin ne zaman ortaya çıkabileceğine ilişkin tahminler, alanın önde gelen araştırmacıları arasında büyük ölçüde farklılık göstermektedir: Ray Kurzweil, 2029 yılına kadar insan düzeyinde YZ olasılığını %50 olarak öngörmüş (Kurzweil, 2005); Stuart Russell 50-70 yıl, Yann LeCun 50-100 yıl, Rodney Brooks ise yaklaşık 180 yıl tahmininde bulunmuştur (Ford, 2018 tarafından derlendiği şekliyle). Aynı alandaki kıdemli isimler arasındaki bu onlarca yıllık fark, gerçek bir teknik netliğin bir hedef konusundaki uzman görüş ayrılığını genişletmekten çok daraltma eğiliminde olması nedeniyle, altta yatan sorunun iyi anlaşılmadığının bizzat bir kanıtıdır.
Ölçeklendirme tek başına yeterli olmayabilir. Yaygın bir varsayım, YGZ’nin mevcut büyük modellerin büyütülmesi ve giderek daha fazla veriyle eğitilmesinden doğacağı yönündedir. Ancak bazı araştırmacılar bunun temel bir hata olduğunu ve kademeli ölçeklendirme yerine gerçekten yeni mimari ya da kuramsal yaklaşımlara ihtiyaç duyulacağını savunmaktadır (Bender ve ark., 2021).
İlerleme, daha sıradan bir nedenle de duraksayabilir: ileri düzeyde yüksek kaliteli eğitim verisinin sınırlı olması (Mok, 2025).Kıyaslama (benchmark) performansı genelliği kanıtlayamaz. Sistemler genel zekâyı sınamak üzere tasarlanmış testlerde başarılı olsa dahi, bu başarı, altta yatan yöntemin o belirli teste dar biçimde ayarlanmış olmaktan çok gerçekten genel olduğunu göstermez; çünkü bir problemin nasıl çözüldüğünü yalnızca çözülmüş olması gerçeğinden çıkarsamak mantıksal bir hatadır.
Bazı araştırmacılar daha da ileri giderek, mevcut büyük dil modellerinin temelde talimat izlemekle sınırlı kaldığını ve açık bir yönlendirme olmaksızın yeni becerileri özerk biçimde edinebildiklerine dair hiçbir kanıt sunmadıklarını savunmaktadır (Lu ve ark., 2024).
Sağlık hizmetlerine özgü engeller sorunu katmerleştirmektedir. Tam bir YGZ’ye ulaşılmasa dahi, daha geniş klinik akıl yürütmeyi hedefleyen mevcut çok modlu ve etmen tabanlı (agentic) sistemler; olgunlaşmamış araç ekosistemleriyle, sağlık bilgi sistemleri arasındaki sınırlı birlikte çalışabilirlikle ve özerk karar vermedeki çözülmemiş risklerle karşı karşıyadır. Daha geniş anlamda, temel modeller, geleneksel sağlık teknolojilerinin benimsenmeden önce tabi tutulduğu uzun ve titiz testler olmaksızın tıpta uygulamaya konulmaktadır; bu da bu modellerin gerçek dünyadaki davranışlarının ve sonuçlarının henüz yeterince tanımlanmadığı anlamına gelmektedir. Bazı etikçiler, bu nedenle söz konusu modellerin mevcut klinik kullanımını, olgunlaşmış ve doğrulanmış bir teknoloji olmaktan çok kontrolsüz bir toplumsal deney olarak nitelendirmiştir. Hesaplama maliyeti ve enerji talebi gibi pratik kısıtlamalar da, mevcut sistemler ile genel zekâya yaklaşan herhangi bir şey arasında duran süregelen engeller olarak sıklıkla anılmaktadır.
Bir arada değerlendirildiğinde, bu noktalar Yumuşak YZ’den Sert YZ’ye giden yolun basitçe daha fazla veri, daha fazla hesaplama gücü ve daha büyük modeller meselesi olmadığını göstermektedir. Bu yol, birkaçının önünde açık bir çözüm görünmeyen, çözülmemiş kavramsal, mimari, değerlendirmeye dair ve altyapısal sorunları içermektedir.
Bu durum, bu makale boyunca geliştirilen tezi güçlendirmektedir: sağlık hizmetlerinde YGZ, kaçınılmaz veya kısa vadeli bir sonuç olarak değil, gerçek anlamda açık ve uzak bir olasılık olarak ele alınmalı, aksini öne süren iddialar da uygun bir kuşkuculukla değerlendirilmelidir.
Sert YZ ve Sağlık Hizmetlerinin Geleceği
YGZ, yine de gelecekte bir noktada başarıyla geliştirilecek olsaydı, sağlık hizmetleri açısından sonuçları derin olabilirdi — yukarıda ortaya konduğu üzere, bu hâlâ yakın değil, spekülatif bir senaryo olarak kalmaktadır.
İlk olarak, YGZ alanlar arası klinik akıl yürütme sunabilirdi. Radyoloji, patoloji, kardiyoloji ve ilaç yönetimi için ayrı sistemlere sahip olmak yerine, genel bir sistem kuramsal olarak bu alanlar arasındaki bilgiyi bütünleştirebilirdi.
İkinci olarak, YGZ sürekli öğrenmeyi sürdürebilirdi. İnsan klinisyenler, kariyerleri boyunca yeni hastalıklar, kanıtlar, teknolojiler ve hasta koşullarıyla karşılaşarak öğrenirler. Gerçek bir genel zekânın, yeni bilgiyi özümseyip akıl yürütmesini uyarlayabilecek benzer bir kapasiteye ihtiyacı olacaktır.
Üçüncü olarak, YGZ ilke olarak karmaşık, kişiselleştirilmiş karar vermeyi mümkün kılabilirdi. Tek bir klinik sonucu tahmin etmek yerine, tıbbi kanıtları hastanın tercihleri, değerleri, koşulları ve rakip riskleriyle bütünleştirebilirdi.
Dördüncü olarak, YGZ’nin erişimi hastane dışındaki sağlık hizmetlerine de uzanabilirdi. Toplum sağlığına, sağlık politikasına, araştırmaya, halk sağlığı acil durumlarına ve karmaşık sağlık sistemlerinin yönetimine yardımcı olabilirdi.
Ancak bu olasılıklar spekülatif kalmaya devam etmektedir ve yukarıda özetlenen engeller, bunların günümüzde veya kısa vadede mevcut sağlık yetenekleri olarak sunulmaması gerektiğini göstermektedir.
Temel Zorluk: Görev Performansından Genel Anlayışa
Yumuşak YZ ile Sert YZ arasındaki ayrım, sağlık YZ’sindeki temel bir zorluğu ortaya koymaktadır. Mevcut YZ sistemleri, genel bir anlayışa sahip olmaksızın olağanüstü görev performansı sergileyebilmektedir.Örneğin:Yumuşak YZ:Hasta verisi → YZ modeli → “Kötüleşme riski yüksek”Sistem, fizyolojik ölçümler ile klinik sonuçlar arasındaki istatistiksel ilişkileri öğrenmiş olabilir.Sert YZ / YGZ:Hasta verisi + klinik öykü + yeni kanıtlar + hasta tercihleri → genel akıl yürütme → “Bu hastanın durumu, birbiriyle etkileşen şu etkenler nedeniyle değişmektedir; şu tedavi seçenekleri mevcuttur; şu riskler ilgilidir ve bu seçenek klinik ve kişisel bağlama en uygun olanıdır.”Aradaki fark, bu nedenle basitçe daha büyük bir hesaplama gücü veya insan klinik dilini taklit etme kapasitesi değildir. Bu, zekânın genelliği ve esnekliğindeki bir farktır.
Bu ayrım özellikle önemlidir; çünkü bir görevdeki yüksek performans genel zekâyı kanıtlamaz. Satranç oynayan sistemler gibi tarihsel örnekler bu ilkeyi göstermektedir: bir makine, yüksek derecede karmaşık bir alanda insan performansını aşarken, bu yeteneği ilişkisiz görevlere aktaramayabilir. YGZ literatürü de benzer biçimde, farklı alanlar arasında öğrenmeyi ve esnekliği tanımlayıcı zorluklar olarak vurgulamaktadır — yukarıda tartışıldığı gibi büyük ölçüde çözülmemiş kalan zorluklar.
Klinik Zekâ ve İnsan Uzmanlığı
Giderek daha yetenekli hâle gelen YZ’nin ortaya çıkışı, önemli bir soruyu da gündeme getirmektedir: sağlık zekâsını teknik tahminden farklı kılan nedir?Sağlık kararları salt hesaplamaya dayalı değildir. Belirsizlik, değerler, iletişim, etik muhakeme ve bağlamsal anlayış içerirler.
Örneğin, iki hasta aynı tedavi başarısı olasılığına sahip olabilir; ancak koşulları, tercihleri veya risk toleransları farklı olduğu için farklı kararlar alabilir. Salt tahmine dayalı bir model sonuçları öngörebilir, ancak klinik bakım, ne yapılması gerektiğine dair kararlar gerektirir.Bu, artırılmış zekâ kavramının önemini korumasının nedenlerinden biridir. YZ’yi sağlık profesyonellerinin yerini alan bir teknoloji olarak kavramsallaştırmak yerine, insan bilişsel kapasitelerini genişleten bir teknoloji olarak anlamak mümkündür.
Bu durum, sağlık YZ’sinin mevcut durumuyla tutarlıdır. Örneğin Kazzazi (2021) tarafından önerilen ADAM çerçevesi, tıpta dar YZ ile YGZ’yi birbirinden ayırmakta ve şu anda insan doktorlar tarafından üstlenilen klinik rolleri YGZ’nin yerine getirebilmesi için nelerin gerekli olacağını incelemekte; bunun, mevcut bir yetenek değil, ön koşullarla yüklü, henüz gerçekleşmemiş bir olasılık olarak kaldığının altını çizmektedir.Böylece bu ilerleyiş şu şekilde temsil edilebilir:Yumuşak YZ → uzmanlaşmış zekâ → insan-YZ iş birliği → olası YGZ → varsayımsal özerk genel zekâSon aşamalar belirsizliğini korumaktadır ve yukarıda ortaya konan nedenlerden dolayı kaçınılmaz teknolojik sonuçlar olarak ele alınmamalıdır.
Etik ve Yönetişim Açısından Sonuçlar
Yumuşak ve Sert YZ arasındaki ayrım, aynı zamanda farklı yönetişim zorlukları da doğurmaktadır.
Yumuşak YZ için başlıca kaygılar arasında veri kalitesi, önyargı, algoritmik ayrımcılık, model kayması (drift), açıklanabilirlik, gizlilik, siber güvenlik ve uygunsuz klinik güven yer almaktadır. Bir hasta popülasyonu üzerinde eğitilmiş bir model, başka bir popülasyonda farklı performans gösterebilir. Sonuç olarak, geliştirme aşamasındaki teknik doğruluk, dağıtım sonrası güvenliği garanti etmez.Sert YZ için ise bu zorluklar çok daha geniş olacaktır. Bağımsız akıl yürütme ve eyleme sahip, gerçek anlamda özerk bir YGZ; hesap verebilirlik, sorumluluk, özerklik, kontrol ve insan gözetimi konularında temel sorular doğuracaktır.
Dünya Sağlık Örgütü, bu nedenle sağlık için YZ’nin geliştirilmesi ve kullanımında insan özerkliği, güvenlik, şeffaflık, hesap verebilirlik, kapsayıcılık ve hakkaniyet gibi ilkeleri vurgulamıştır.Bu ilkeler, yalnızca özlem düzeyinde kalmak yerine, giderek Yumuşak YZ’ye ilişkin bağlayıcı düzenlemelere de yansımaktadır: Amerika Birleşik Devletleri’nde Gıda ve İlaç Dairesi (FDA), YZ/makine öğrenmesi tabanlı pek çok klinik aracı Tıbbi Cihaz Olarak Yazılım (Software as a Medical Device) kapsamında düzenlemekte; güvenlik ve etkililiğe dair kanıt ile dağıtım sonrası model değişikliklerinin gözetimini şart koşmaktadır.
Avrupa Birliği’nin Yapay Zekâ Yasası ise çoğu tıbbi YZ’yi yüksek riskli olarak sınıflandırmakta ve risk yönetimi, veri yönetişimi ve insan gözetimine ilişkin karşılık gelen yükümlülükler getirmektedir. Bu çerçeveler, tanımlı bir görev ve çıktının değerlendirilmesi üzerine kurulmuştur; bu da Yumuşak YZ için uygundur, ancak gerçek anlamda özerk, alanlar arası bir sistem için önemli ölçüde yeniden düşünülmesi gerekecektir.
Dar ve genel YZ arasındaki ayrımın bu nedenle yönetişim üzerinde doğrudan sonuçları vardır. Dar bir tanı aracı, tanımlı bir klinik görev ve sonuca göre değerlendirilebilir. Genel, özerk bir sistem ise potansiyel eylemleri birden fazla alana yayılabileceğinden çok daha geniş bir değerlendirme gerektirecektir — ve yukarıda özetlenen güçlüklerin de gösterdiği gibi, böyle bir sistem, bu yönetişim mimarisinin hâlihazırda uygulamada olan daha dar YZ biçimlerinin önüne geçecek kadar acil bir öncelik olmasını gerektirecek denli yakın değildir.
Yumuşak Zekâ ve Sağlık Bağlamı
Sağlık hizmetlerinde YZ’yi tartışırken önemli olan bir başka kavramsal ayrım daha vardır. Martin, McKee ve Dixon-Woods (2015), sağlık hizmeti kalitesine ve güvenliğine katkıda bulunabilecek, ancak geleneksel nicel ölçütlerle yeterince temsil edilemeyebilecek bağlamsal ve niteliksel bilgi biçimlerini tanımlamak için “yumuşak zekâ” kavramını kullanmaktadır.Bu kavram, Yumuşak YZ ile karıştırılmamalıdır. Bununla birlikte, YZ destekli sağlık hizmetleri için önemli bir kavrayış sunmaktadır.
Sağlık hizmeti, basitçe ölçülebilir değişkenlerin bir toplamı değildir. Klinik ve örgütsel kararlar, sosyal, mesleki ve kurumsal bağlamlar içine yerleşiktir. Bu nedenle geleceğin akıllı sağlık sisteminin, yalnızca sayısal veriler üzerinde değil, bu verilerin anlam kazandığı daha geniş bağlam içinde de işlev görmesi gerekmektedir.
Bu ayrım, sağlık hizmetlerinde YGZ’yi düşünürken özellikle önemlidir. Büyük miktarda klinik veriyi işleyebilen bir sistemin dahi, bu verilerin bireysel hastalar, sağlık profesyonelleri ve kurumlar bağlamında ne anlama geldiğini anlaması gerekecektir — bu da zaten tartışılan teknik engellerin üzerine eklenen, büyük ölçüde ele alınmamış ek bir zorluk katmanıdır.
Sonuç
Yumuşak YZ ve Sert YZ, yapay zekâ yeteneğinin iki farklı düzeyini temsil etmektedir.Yumuşak YZ, ya da zayıf/dar YZ, sağlık YZ’sinin mevcut gerçekliğini temsil etmektedir. Tıbbi görüntüleme, tanı, risk tahmini, hasta izleme, doğal dil işleme ve kişiselleştirilmiş sağlık hizmeti de dâhil olmak üzere, tanımlı alanlar içinde gelişmiş ve bazen insanüstü görevleri yerine getirebilir. Ancak temelde uzmanlaşmış kalmaya devam etmekte ve insan genel zekâsıyla ilişkilendirilen geniş bilişsel esnekliği ortaya koymamaktadır.
Sert YZ, ya da güçlü YZ/YGZ, kuramsal bir gelecek zekâ biçimini temsil etmektedir. Potansiyel olarak sağlık hizmetlerinin karmaşık ve öngörülemez ortamını da içerecek biçimde, çeşitli alanlar arasında anlama, öğrenme, akıl yürütme ve bilgi aktarma kapasitesini gerektirecektir. Temel modellerde ve çok modlu YZ’de hızlı ilerlemeye rağmen, YGZ henüz klinik olarak doğrulanmış bir teknoloji olarak yerleşmemiştir — ve bu makalenin savunduğu gibi, çözülmemiş tanımsal, mimari, değerlendirmeye dair ve altyapısal engeller, buna kolayca ya da yakın zamanda ulaşılmasını olası kılmamaktadır.
Bu ayrım, dolayısıyla basitçe iki rakip teknoloji arasında değildir. Bu ayrım, göreve özgü yapay zekâdan potansiyel olarak genel yapay zekâya bir geçişi temsil etmektedir — mevcut dar sistemlerin kendi alanları içinde zaten bu denli yetenekli görünmesi nedeniyle, zorluğu hafife almanın kolay olduğu bir geçiş.
Sağlık hizmetleri açısından, önümüzdeki fırsat, Yumuşak YZ’yi sorumlu biçimde geliştirmekte ve onu insan merkezli klinik iş akışlarına yerleştirmekte yatmaktadır. Daha uzun vadeli soru ise, teknolojik ilerlemelerin sonunda gerçek anlamda genel zekâya sahip sistemler üretip üretmeyeceğidir. Bu gerçekleşirse, sonuçları otomasyonun çok ötesine uzanacaktır. Bu sonuçlar, klinik uzmanlık, mesleki sorumluluk, özerklik ve insanlar ile makineler arasındaki ilişkiye dair mevcut varsayımları sorgulayacaktır.
Ancak öngörülebilir gelecek için en gerçekçi model, YZ’nin sağlık profesyonellerinin yerini alması değil, YZ’nin sağlık profesyonellerini güçlendirmesidir. Bu nedenle temel amaç, uygun insan gözetimini ve hesap verebilirliği korurken insan karar vermesini, hasta güvenliğini ve sağlık sonuçlarını iyileştiren YZ geliştirmek olmalıdır.
Kaynakça
Bengio, Y., & Hu, E. J. (2023). Proposed architecture combining large language models, reinforcement learning and minimum-description-length-based abstraction as a possible route beyond narrow scaling toward AGI [Unpublished technical note/preprint, as cited in secondary AGI literature].
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610–623). ACM. https://doi.org/10.1145/3442188.3445922
Das, S., & Sanyal, M. K. (2019). Application of AI and soft computing in healthcare: A review and speculation. International Journal of Scientific & Technology Research, 8(11), 1786–1806.
Ford, M. (2018). Architects of intelligence: The truth about AI from the people building it. Packt Publishing. [Source of the Kurzweil, Russell, LeCun and Brooks timeline estimates cited above.]
Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H., & Wang, Y. (2017). Artificial intelligence in healthcare: Past, present and future. Stroke and Vascular Neurology, 2(4), 230–243. https://doi.org/10.1136/svn-2017-000101.
Kazzazi, F. (2021). The automation of doctors and machines: A classification for AI in medicine (ADAM framework). Future Healthcare Journal, 8(2), e257–e262. https://doi.org/10.7861/fhj.2020-0189.
Kurzweil, R. (2005). The singularity is near. In Ethics and emerging technologies (pp. 393-406). London: Palgrave Macmillan UK.
Lu, S., Bigoulaeva, I., Sachdeva, R., Tayyar Madabushi, H., & Gurevych, I. (2024). Are emergent abilities in large language models just in-context learning? In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 5098–5139). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.acl-long.279
Martin, G. P., McKee, L., & Dixon-Woods, M. (2015). Beyond metrics? Utilizing ‘soft intelligence’ for healthcare quality and safety. Social Science & Medicine, 142, 19–26. https://doi.org/10.1016/j.socscimed.2015.07.027.
Mok, A. (2025, March 20). Data is fueling the AI revolution. What happens when it runs out? California Magazine (Cal Alumni Association, UC Berkeley). https://alumni.berkeley.edu/california-magazine/online/data-is-fueling-the-ai-revolution-what-happens-when-it-runs-out/
World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance. World Health Organization.
