Otostopçunun Yapay Zeka Rehberi’nde bu hafta, yapay zekânın belki de en önemli ama gündelik tartışmaların arasında biraz gözden kaçan kullanım alanına, bilimsel keşfin kendisini nasıl değiştirdiğine bakıyoruz. Birkaç yıl önce AlphaFold’un protein yapılarını tahmin etmesini büyük bir kırılma olarak konuşuyorduk, bugün yapay zeka ajanları bilimsel literatürü tarıyor, yeni proteinler ve malzemeler tasarlıyor, ilaç adayları öneriyor, laboratuvar deneylerini planlıyor, başka ajanların hipotezlerini eleştiriyor biz de gelip bugün matematiğin onlarca yıldır açık kalan problemlerin yapay zeka şirketleri tarafından teker teker çözülmesine bakıyoruz.

https://fatihbildirici.com

Kaynaklar:

Yapay Zeka Yarışı Sonunda Yavaşlıyor Mu?

On the Navier–Stokes Millennium Prize Problem

https://openai.com/index/navier-stokes-solution/

BTK Akademi Açıklanabilir Yapay Zeka Eğitimi:

https://www.btkakademi.gov.tr/portal/course/aciklanabilir-yapay-zeka-xai-68807

Kitap Kulübüne Katılmak İçin:

https://chat.whatsapp.com/DGY0NPT3EaRBKVLS3hPKxU

Fularsız Entelliğin podcast önerilerine aşağıda ilişkili bölümler alanından ulaşabilirsiniz.

https://open.spotify.com/episode/0pVNWIIWuX1b6lu76DV2XR

Hangi eğitime, kitaba niçin bakalım:

1. Michael Wooldridge - Bilinçli Makinelere Giden Yol
   Yapay zekânın tarihini, temel fikirlerini ve bugüne nasıl geldiğimizi anlamak için.

2. Fei-Fei Li -The Worlds I See
   ImageNet, bilgisayarlı görü, veri ve modern AI araştırmasının insan ve bilim insanı tarafındaki hikayesini görmek için, üstelik A sınıfı bir bilim insanı.

3. Stuart Russell & Peter Norvig - Artificial Intelligence: A Modern Approach
   Yapay zekayı yalnızca makine öğrenmesine indirgemeden bütün alanı görmek için en iyi giriş seviyesi ders kitabını görmek için.

4. Ian Goodfellow, Yoshua Bengio & Aaron Courville - Deep Learning
   Derin öğrenmenin matematiksel ve teknik temelleri için, biraz teknik tarafa yoğunlaşmak için.

5. Chip Huyen - Makine Öğrenmesi Sistemleri Tasarlamak / Designing Machine Learning Systems
   Bir modeli gerçek dünyada çalışan, izlenebilir ve güvenilir bir AI sistemine dönüştürmeyi anlamak ve teknik tarafa güvenli bir giriş için.

6. Ethan Mollick - Co-Intelligence
   İnsan ile üretken yapay zekanın birlikte nasıl çalışabileceğini görmek için, üstelik sürekli güncel.

7. Kate Crawford - Atlas of AI
   AI’ın veri, emek, enerji, altyapı, çevre ve güç ilişkileri tarafını anlamak için.

8. Brian Christian - The Alignment Problem
   Yapay zekâ sistemlerini insan hedefleri ve değerleriyle hizalama problemini anlamak için.

9. Ajay Agrawal, Joshua Gans & Avi Goldfarb - Prediction Machines
   Yapay zekânın ekonomik etkisini ve “tahmin maliyetinin düşmesi” fikrini anlamak için.

10. Mustafa Suleyman & Michael Bhaskar - The Coming Wave / Yaklaşan Dalga
    AI, biyoteknoloji, yayılma, otonomi, containment, devletler ve teknolojik güç tartışmasını görmek için.

    Dersler

1. Elements of AI - University of Helsinki & Reaktor
   Sıfırdan başlayan biri için en iyi kavramsal AI giriş derslerinden biri, üstelik takibi çok kolay.

2. AI for Everyone - Andrew Ng / DeepLearning.AI
   Teknik olmayanlar, yöneticiler ve iş dünyası için AI’ın ne yapabileceğini ve AI projelerinin nasıl düşünülmesi gerektiğini anlamak için en iyi ders bence hala.

3. Google AI Essentials-Google
   Generative AI, prompting ve günlük işlerde güvenli/pratik AI kullanımı için çok iyi bir giriş dersi.

4. AI Foundations for Everyone - IBM
   Teknik geçmiş gerektirmeden AI, machine learning ve generative AI kavramlarına giriş.

5. Work Smarter with AI - Microsoft Learn
   İş kullanıcıları ve beyaz yakalar, profesyoneller için generative AI, grounding, agent’lar ve AI çıktılarının değerlendirilmesi üzerine giriş dersi diyebiliriz.

6. Machine Learning Specialization - Andrew Ng / Stanford & DeepLearning.AI
   Regression, classification, neural networks, decision trees, clustering ve temel ML mantığını öğrenmek için.

7. CS50’s Introduction to Artificial Intelligence with Python — Harvard
   Search, knowledge representation, uncertainty, optimization, machine learning ve NLP’yi kodlayarak öğrenmek için dünyanın en iyi, en kolay, en keyifli dersi.

8. MIT 6.S191 - Introduction to Deep Learning
   Neural network’ler, deep learning, vision, sequence modelleri ve modern mimarilere daha teknik giriş için bakılabilir, biraz ileri seviye bir derin öğrenme eğitimi, içerik teknik.

9. AI Agents - deeplearning.ai
   Önce çalışan sistemler kurup sonra teorisini anlamak tarafında Agent konusuna giriş için bir eğitim.

10. Hugging Face - LLM Course
    Transformer, tokenizer, embedding, pretrained model, fine-tuning ve günümüz LLM ekosistemini uygulamalı öğrenmek için.

Otostopçunun Yapay Zeka Rehberinde bu hafta, Türkiye’nin yeni 2026–2030 Yapay Zekâ Eylem Planı üzerinden biraz daha büyük bir sorunun peşine düşüyoruz: Bir ülke gerçekten nasıl yapay zeka ülkesi olur? Çünkü mesele yalnızca yerli bir büyük dil modeli geliştirmek, birkaç chatbot yapmak ya da şirketlere üretken yapay zeka araçları dağıtmak değil. İşin altında elektrik ve veri merkezleri, GPU erişimi, nitelikli insan kaynağı, kullanılabilir veri, araştırma finansmanı, kamu alımları, robotik, güvenlik testleri, standartlar ve hatta yapay zekâ diplomasisi var. Türkiye’nin planındaki “Fark Et, İstifade Et, Üret, Yönet” yaklaşımını baştan sona incelerken Avrupa’nın AI Factories hamlesinden İngiltere’nin sovereign compute yaklaşımına bakıyoruz.

Kaynaklar:

https://fatihbildirici.com

Yapay Zeka Eylem Planı: https://www.sanayi.gov.tr/yapayzekaeylemplani

Kitap ve Makale Okuma Kulübü Fikri İçin:

https://otostopcununyzrehberi.substack.com/p/otostopcunun-yapay-zeka-rehberi-kitap

Otostopçunun Yapay Zeka Rehberinin bu haftaki bölümünde biraz şirketlerin son dönemde çok sevdiği AI-Native, AI-First, Agentic Enterprise gibi kavramların arkasına bakıyoruz. Şirkete ChatGPT lisansı dağıtmakla gerçekten AI-Native olmak arasındaki fark ne, hangi işleri AI’a vermek gerekiyor, insanın rolü nasıl değişiyor, neden asıl mesele model değil workflow, context ve öğrenme hızı? Bunu da birkaç keyifli kitap ve raporla yapıyoruz.

• Marco Iansiti & Karim R. Lakhani — Competing in the Age of AI
  AI-native şirketlerde asıl meselenin tek tek AI use case’leri değil, şirketin operating architecture’ının değişmesi olduğunu anlatıyor. Özellikle scale, scope ve learning çerçevesi önemli. 
• Ajay Agrawal, Joshua Gans & Avi Goldfarb — Prediction Machines
  AI’ı ekonomik olarak “prediction maliyetinin düşmesi” üzerinden okuyor. Bir girdinin maliyeti düştüğünde yalnızca o işi ucuzlatmıyor, çevresindeki karar ve iş modellerini de değiştiriyor.

Otostopçunun Yapay Zekâ Rehberi’nde bu hafta biraz San Francisco’ya, Y Combinator’ın Startup School 2026 etkinliğine uzanalım. Jensen Huang, Sam Altman, Boris Cherny, gibi teknoloji dünyasının şu anda en fazla konuşulan isimlerinin iki gün boyunca anlattıklarına beraber bakalım. 

İlk bölümden sonra daha fazla ismin fikirlerini de ele alacağız.

Kişisel Web Sitem:

https://fatihbildirici.com

Substack'de okumak için:

YC Startup School 2026’dan Notlar: Zeka Ucuzlarken Gerçekten Değerli Olan Ne?

https://substack.com/home/post/p-209825307

Otostopçunun Yapay Zeka Rehberi’nde bu hafta, yapay zekaya daha etkileyici komutlar yazmayı değil, onu günlük hayatın içinde nasıl daha doğru kullanabileceğimizi konuşuyoruz. Yapay zekayı açmadan önce neden kendi başlangıç noktamızı oluşturmalıyız? Akıcı ve kendinden emin cümleleri neden doğru bilgiyle karıştırıyoruz? Modele ne kadar bağlam vermeli, hangi bilgileri mutlaka dışarıda bırakmalıyız? Yaratıcı işlerde yapay zekayı neden sürecin başında değil, ortasında kullanmak daha iyi sonuç verebilir? Daniel Kahneman’dan Ethan Mollick’e, Emily Bender’dan güncel Microsoft Research çalışmalarına uzanan bu bölümde, yapay zekayı yalnızca daha hızlı değil; daha eleştirel, güvenli ve gerçekten bize ait bir düşünme süreci içinde kullanmanın yollarına bakıyoruz. Çünkü yapay zekayı masaya davet etmek önemli, fakat hangi sandalyeye oturacağını hâlâ bizim belirlememiz gerekiyor.

Latentshift AI konferansı: https://latentshift.ai/tr/

Fatih Bildirici: https://fatihbildirici.com

Bölümde yararlanılan bazı kaynaklar:

• Ethan Mollick — Co-Intelligence: Living and Working with AI

  ayrıca hocanın Substack kanalı da https://www.oneusefulthing.org

• Daniel Kahneman — Thinking, Fast and Slow

• Emily M. Bender ve Alex Hanna — The AI Con

• Anil R. Doshi ve Oliver P. Hauser — “Generative Artificial Intelligence Enhances Creativity but Reduces the Diversity of Novel Content”

• Microsoft Research ve Carnegie Mellon Araştırması — “The Impact of Generative AI on Critical Thinking”

Yapay zekâ hayatımızı gerçekten dönüştürüyor mu, yoksa sadece iyi pazarlanmış bir gösteriyi mi izliyoruz?

Tam Olarak Öyle Değil'in bu bölümünde konuğumuz Fatih Bildirici. Savunma sanayiinden üretime uzanan deneyimiyle, yapay zekânın bugün geldiği noktayı, şirketlerin AI yarışını, üretkenlik vaatlerini ve gerçek değer yaratmanın ne anlama geldiğini konuşuyoruz.

Belki de yapay zekâ hakkında bildiklerimizin bir kısmı sandığımız kadar doğru değil.

Belki de... tam olarak öyle.

Bölümde Geçen Kaynaklar:

Tom Chivers - Yapay Zeka Senden Nefret Etmiyor (Kitap)

David Fajgenbahum - Every Cure Şirketi ve AI İle İlaç Geliştirmek: https://everycure.org

Judea Pearl - The Book of Why (Kitap)

Latentshift Konferansı Hakkında Bilgi Almak İçin:

https://latentshift.ai/tr/

Kişisel Web Sitem:

https://fatihbildirici.com

Otostopçunun Yapay Zeka Rehberi'nde bu hafta yapay zeka ekosistemini, uzun bir süre devasa veri merkezlerine ve astronomik enerji tüketimine dayanan Büyük Dil Modelleri (LLM) etrafında şekillenmiş akımı, yapay zeka araştırmacısı Andrej Karpathy'nin fiziksel gerçeklikten kopuk, yalnızca internetin puslu bir yansımasını ezberleyen "bedensiz hayaletler" olarak nitelendirdiği bu trilyon parametreli modellerin yerini, günümüzde doğrudan kişisel cihazlarımızda çalışabilen Küçük Dil Modelleri (SLM) konusunu detaylı olarak ele alıyoruz .Dyevasa veri setleriyle kasıtlı olarak "aşırı eğitime" (overtraining) tabi tutulan ve büyük modellerin mantık zincirlerinden bilgi damıtma (knowledge distillation) yöntemiyle faydalanan bu minyatür zihinlerin; bulut altyapılarına ihtiyaç duymaksızın akıllı telefonlarımızda, bilgisayarlarımızda ve otonom sistemlerimizde yüksek mahremiyet ve sıfır gecikmeyle çalışabilmesini ve bireyler, şirketler için önemini anlamaya çalışıyoruz.

Otostopçunun Yapay Zeka Rehberi’nin bu bölümünde; yapay zekanın, blokzincirin ve tokenizasyonun kesiştiği o son derece eğlenceli, kafaları biraz yakan ama bir o kadar da hayati olan "yeni nesil makine ekonomisini" masaya yatırıyoruz. Bir yandan akıllı sözleşmelerle kendi parasını kazanan yapay zeka ajanlarının ve interneti dev şirketlerin elinden geri almaya çalışan Web3 dünyasını, diğer yandan milyarlarca tokenı havaya savuran "tokenmaxxing" çılgınlığının ve Sam Altman'ın hepimizi kendi ekosistemine bağlama planlarını inceliyor, şirketler ve bireyler neler yapabilir düşünüyoruz.

Bölümde Bahsettiğim Kesinlikle Katılabileceğiniz, Latentshift Konferansı Hakkında Bilgi Almak İçin:

https://latentshift.ai/tr/

Konuyla İlgili Akademik Makalemiz: Blockchain based tokenomics architecture for developer incentivization in software development processes

• Sam Altman'ın Ayda 100 Milyar Token Yakan Müşterisi: OpenAI modellerinin ne kadar devasa bir işlem gücü tükettiğini ve "tokenmaxxing" çılgınlığının arkasındaki maliyet krizlerini açıklayan o meşhur haber.

  
  

• Sam Altman’ın Girişimlere "Hisse Karşılığı Token" Yatırımı: Erken aşama girişimleri nakit para yerine OpenAI API kredileriyle fonlayan ve onları kendi ekosistemine kilitleyen yeni nesil yatırım modeli.

  
  

• Chris Dixon - Read Write Own Manifestosu: Blokzincir teknolojisinin internetteki sömürüyü bitirip mülkiyeti nasıl kullanıcılara geri vereceğini anlatan dijital çağ manifestosu.

• Yapay Zeka Ajanları İçin Blokzincir Ödeme Altyapısı: Otonom yapay zeka ajanlarının akıllı sözleşmeler ve dijital cüzdanlar kullanarak birbirleriyle nasıl ticaret yapabileceğini gösteren teknik rehber.

Otostopçunun Yapay Zeka Rehberi’nin bu bölümünde; yapay zekanın iklim sürdürülebilirliği ile olan son derece karmaşık, çelişkili ve iki ucu keskin ilişkisini ele alıyoruz. Bir yandan akıllı şebekeler, hassas tarım ve moleküler düzeyde karbon yakalama teknolojileriyle gezegenimizi kurtarma potansiyeli taşıyan bu dijital imkanı, altyapıyı, fırsatı ele alıyor; diğer yandan devasa veri merkezlerinin doymak bilmez enerji, su, arazi ve atıklarının yarattığı görünmez çevresel maliyetleri masaya yatırıyoruz.

Bilimler Köyü ve Yapay Zeka Etkinlikleri:

https://bilimler.org/etkinlikler/

Kişisel web sitem:

https://fatihbildirici.com

Kaynaklar:

• Strubell ve diğerleri (2019) - NLP Modellerinin Enerji Analizi: Büyük yapay zeka modellerinin eğitim süreçlerindeki devasa enerji tüketimini ve bunun bir binek otomobilin ömür boyu saldığı emisyona eşdeğer karbon ayak izini ilk kez ortaya koyarak bu alandaki küresel tartışmaları başlatan öncü akademik çalışma.

  
  

• Rolnick ve diğerleri (2022) - Makine Öğrenimi ile İklim Kriziyle Mücadele: Akıllı şebekelerden hassas tarıma kadar makine öğreniminin iklim değişikliğinin azaltılması ve adaptasyon süreçlerinde nasıl yüksek kaldıraçlı bir çözüm ortağı olabileceğini gösteren kapsamlı yol haritasını sunan makale, Bengio da araştırmacılar arasında.

  
  

• UNU-INWEH (2026) - Yapay Zekanın Çevresel Maliyeti: Küresel veri merkezlerinin 2030 yılına yönelik elektrik, karbon, su, arazi kullanımı ve elektronik atık projeksiyonlarını detaylandırarak yapay zekanın fiziksel sınırlarını çizen bölümün odağına aldığımız rapor.