ChatGPT, Claude ve Gemini gibi birçok büyük yapay zekâ modeli İngilizcede çok daha akıcı, hızlı ve güçlü çalışırken, aynı modeller farklı dillere geçtiğinde performans kaybı yaşamaktalar; cümleler daha zayıf kuruluyor, muhakeme kalitesi azalıyor ve bağlam hataları artabiliyor. Bunun nedeni İngilizcenin “daha üstün” bir dil olması değil; gerçek neden, dilin kendisinden ziyade yapay zekâ mimarilerinin nasıl inşa edildiğiyle ilgilidir.
Öncelikle şunu bilmeliyiz ki büyük dil modelleri insan gibi düşünemez; bir dilin kültürel derinliğini, tarihini veya estetik gücünü doğrudan kavrayamazlar. Onlar için dil, matematiksel örüntülerden oluşan devasa bir veri akışıdır. Yapay zekâ, girdiyi önce “token” adı verilen küçük parçalara ayırır ve bütün çalışma sistemini bu veri parçacıkları arasındaki ilişki üzerine kurar.
Bir insan cümleyi “anlam” olarak okur, yapay zekâ ise olasılık dizileri olarak işler. Modelin yaptığı şey aslında bir sonraki token’ı tahmin etmektir. Bu yüzden bir dilin yapısı tokenizer sistemleriyle ne kadar uyumluysa, o dil yapay zekâ için o kadar “kolay” hâle gelir.
İşte İngilizce, tam da bu konuda büyük bir avantaja sahip. Diğer dillere kıyasla oldukça sade bir dil yapısına sahip olan İngilizcede kelime sınırları nettir ve çekim sistemi sınırlıdır. Kelimelerin genellikle kısa ve tekrar eden yapılardan oluşması sayesinde, modern tokenizer sistemleri İngilizceyi son derece verimli bir biçimde parçalayabilmektedir.
Örneğin: “Artificial intelligence will transform society.” (Yapay zekâ toplumu kökten değiştirecek.) gibi bir cümle, İngilizcede oldukça düşük bir token maliyetine sahiptir. Çünkü İngilizcede:
- Kelime yapıları stabildir: Kelimeler eklerle aşırı bükülmeye uğramaz, formunu korur.
- Varyasyon sayısı sınırlıdır: Kelimelerin alabileceği farklı biçimler ve türevler azdır.
- Kelimeler sık tekrar eder: Benzersiz (unique) kelime sayısı az, aynı kalıpların kullanım sıklığı yüksektir.
- Model örüntüleri kolay öğrenir: Yapısal sadelik sayesinde yapay zekâ, dilin matematiksel örüntülerini çok daha hızlı ve az veriyle kavrar.
Büyük dil modelleri için asıl maliyet “anlam” değil, token sayısıdır. Aynı fikir daha az token ile ortaya çıkarıldığında model; daha hızlı çalışır, daha az işlem gücü harcar ve bağlam penceresini (hafızasını) çok daha verimli kullanır.
Bu durum, modele şu kritik avantajları sağlar:
- Eğitim maliyeti düşer: Model, aynı bilgiyi daha az veri işleyerek öğrenir.
- Çıkarım (inference) hızlanır: Kullanıcıya cevap üretirken çok daha seri yanıtlar verir.
- Bağlam penceresi (context window) daha verimli kullanılır: Hafızası gereksiz yüklerden kurtulur.
- Muhakeme gücü artar: Model, daha uzun ve derin düşünme zincirleri (chain of thought) kurabilir.
Bu nedenle İngilizce, teknik olarak mevcut LLM mimarilerine kusursuz uyum sağladığı için yapay zekâ dünyasında baskın hâle gelmiştir. Tabii ki tarihsel ve küresel süreç de bu durumu doğrudan desteklemektedir. İngilizce; günümüzde bilim dünyasının, uluslararası iletişimin, küresel finansın ve ticaretin ortak dili olmuştur. Tüm bunların bir sonucu olarak, doğal dil işleme teknolojileri de bu küresel ekosistemin bir parçası olarak Amerikan teknoloji şirketleri bünyesinde gelişti. Öyle ki, bugün dünyadaki dijital verinin ve internet içeriklerinin %50’den fazlası tek başına İngilizceden oluşmaktadır. Kodlama dillerinden bilimsel makalelere kadar her şeyin bu dille inşa edilmesi, bugünkü yapay zekâ altyapısının doğal olarak tamamen İngilizceye göre optimize edilmesini sağladı.
Bugün kullanılan:
- BPE (Bayt Çifti Kodlaması): En sık tekrar eden karakter çiftlerini birleştirerek kelime parçaları oluşturan algoritma.
- WordPiece (Kelime Parçalama): Kelimeleri istatistiksel olasılıklara göre anlamlı alt birimlere ayıran sistem.
- SentencePiece (Cümle Parçalama): Boşluk karakterlerine bağımlı olmadan metni doğrudan alt kelime birimlerine bölen gelişmiş model.
Çok önemli görevleri olan yukarıdaki tokenizer sistemleri, İngilizce örüntülerine göre şekillendi. Bu sistemler dili kelime veya alt kelime parçalarına bölerken İngilizce yapılarında oldukça başarılı çalışmaktadırlar.
Aslında burada çok önemli bir gerçek ortaya çıkıyor: Yapay zekâ dilleri eşit biçimde “anlamıyor”. Bazı diller mevcut mimariler tarafından daha verimli işleniyor ve İngilizce bunun en büyük örneği.
Fakat mesele yalnızca teknik verimlilik değil; İngilizce aynı zamanda dijital dünyanın ortak işletim sistemi hâline geldi. Bugün dünyadaki; yazılım sektörü, internet kültürü, devasa veri setleri, açık kaynaklı projeler ve teknik dokümantasyonlar büyük ölçüde İngilizce üretiliyor. Bu da İngilizce için devasa bir veri üstünlüğü oluşturuyor. Bir LLM; milyonlarca akademik makale, forum yazısı, teknik belge ve internet verisi ile eğitildiğinde İngilizce, doğal olarak modelin ana diline dönüşüyor.
Burada dikkat çekici olan şey şu: Yapay zekâ modelleri aslında dili anlamaktan çok, dilin istatistiksel yapısını öğrenmektedir.
Bir model için; tekrar eden örüntüler, tahmin edilebilir yapılar, düşük belirsizlik ve sık kullanılan kelime dizileri öğrenmeyi kolaylaştırır. İngilizce, internet üzerinde tam da böyle davranıyor ve çok büyük miktarda standartlaştırılmış veri üretiyor. Bu nedenle model, İngilizce düşünmeye daha yatkın hâle geliyor.
Ancak bu durumun sonsuza kadar böyle süreceğine dair bir kural yok. Bugünkü LLM sistemleri büyük ölçüde token tabanlı, yüzeysel parçalama yapan ve istatistiksel örüntü ağırlıklı mimarilere dayanıyor.
Fakat gelecekte; semantic tokenizer (anlamsal parçalama), latent language representation (gizli dil temsili), byte-level reasoning (bayt düzeyinde muhakeme) ve concept-based encoding (kavram tabanlı kodlama) gibi yeni mimariler geliştiğinde, dil işleme süreçleri tamamen değişebilir. İşte o zaman, bugünkü avantaj dağılımı tersine dönecektir. Çünkü bazı diller mevcut istatistiksel sistemlerde “zor ve maliyetli” görünse de aslında çok yüksek bir semantik (anlamsal) yoğunluk taşımaktadır. Bu yapısal özellik, yapay zekânın daha az kelime/token kullanarak çok daha derin ve zengin anlamlar üretmesine imkan tanır. Dolayısıyla semantik derinliği yüksek olan bu diller, geleceğin kavram odaklı yapay zekâ sistemleri için muazzam bir avantaja dönüşebilir.
Burada mesele yalnızca teknoloji değil, aynı zamanda bir güç meselesidir. Çünkü yapay zekâ çağında dil, artık yalnızca bir iletişim aracı değildir. Dil; ekonomik güç, bilişsel altyapı, kültürel temsil ve dijital egemenlik meselesine dönüşmektedir. Bir dil, yapay zekâ sistemlerinde ne kadar güçlü temsil ediliyorsa, geleceğin dijital dünyasında o kadar görünür olur. Yeterince temsil edilmeyen diller ise zamanla dijital periferide (çevrede/kenarda) kalabilir.
Bu yüzden bugün İngilizcenin yapay zekâ üzerindeki üstünlüğü yalnızca dil bilimsel değil; “tarihsel, ekonomik ve teknolojik bir üstünlüktür.”
Ama belki de asıl soru şudur: Yapay zekâ gerçekten İngilizceyi mi daha iyi anlıyor, yoksa biz bütün dijital dünyayı İngilizce düşünmesi için mi inşa ettik?
Çünkü bugünkü modellerin “doğal” gördüğü şey, aslında insanlığın son otuz yılda kendi elleriyle kurduğu dijital düzenin bir sonucudur.
Saygılarımla
Taşkın Koçak