SNARC: İlk Yapay Sinir Ağı Bilgisayarı

1. Giriş

1951 yazında, Princeton Üniversitesi'nde matematik doktorası yapan yirmi dört yaşındaki bir genç, dünyanın ilk donanımsal yapay sinir ağını inşa edecek ve bu girişimiyle makinelerin "öğrenebileceğini" fiziksel olarak kanıtlayacaktı. Marvin Minsky ve laboratuvar arkadaşı Dean Edmonds tarafından tasarlanıp inşa edilen SNARC — Stochastic Neural Analog Reinforcement Calculator (Stokastik Sinirsel Analog Pekiştirmeli Hesaplayıcı) — 40 yapay nöron, yaklaşık 300 vakum tüpü ve bir B-24 bombardıman uçağından sökülen jiroskopik otopilot motorundan oluşan devasa bir aygıttı [1]. Bu makine, fiziksel büyüklüğü bir kuyruklu piyano kadardı; ancak taşıdığı entelektüel önem, boyutlarının çok ötesindeydi [2].

SNARC'ın tarihsel önemi birkaç katmanlı bir analizle kavranabilir. İlk olarak, "yapay zeka" teriminin henüz icat edilmediği bir dönemde — bu terim ancak 1956 Dartmouth Konferansı'nda resmi olarak kullanılacaktı — Minsky ve Edmonds, biyolojik sinir sistemlerinin işleyişinden esinlenerek bir makineye öğrenme yetisi kazandırmayı başardılar [3]. İkinci olarak, SNARC yalnızca teorik bir alıştırma değil, fiilen çalışan bir donanımdı: simüle edilmiş fareler bir labirentte dolaşıyor, yanlış yollardan ödül sinyalleri aracılığıyla uzaklaşıyor ve zamanla en kısa yolu bulmayı "öğreniyordu" [4]. Üçüncü olarak, bu proje disiplinlerarası bir sentezin ürünüydü: Hebb'in sinaptik plastisite kuramı, Skinner'ın pekiştirmeli öğrenme ilkeleri, McCulloch ve Pitts'in yapay nöron modeli ve Shannon'ın bilgi kuramı, tek bir fiziksel aygıtta buluşuyordu [5].

Bu bölümde SNARC'ın ortaya çıkışını hazırlayan entelektüel iklim, makinenin teknik yapısı ve çalışma ilkeleri, projenin arkasındaki aktörler ve kurumsal destek ağı, dönemindeki etkisi ve sonraki yapay zeka araştırmalarına bıraktığı miras ayrıntılı biçimde ele alınacaktır. SNARC'ın hikayesi, yapay zekanın tarihinde "sembolik" ve "bağlantıcı" (connectionist) yaklaşımlar arasındaki gerilimin ilk kıvılcımlarını da barındırmaktadır; zira bu makinenin yaratıcısı Minsky, ilerleyen yıllarda sinir ağlarının en sert eleştirmenlerinden birine dönüşecektir [6]. Bu paradoks, yapay zeka tarihinin en ilginç ironilerinden birini oluşturur.

Bir önceki bölümde ele alınan Hebb'in The Organization of Behavior (1949) adlı eserindeki sinaptik öğrenme kuramı, SNARC'ın doğrudan teorik temeli olmuştur. Bir sonraki bölümde inceleyeceğimiz Arthur Samuel'in dama oynayan programı (1952) ise SNARC ile aynı döneme ait olup, makine öğrenmesinin yazılım tarafındaki öncüsü olarak değerlendirilebilir. SNARC, bu iki gelişme arasındaki köprü niteliğindedir: Hebb'in kuramını donanıma dönüştürmüş ve Samuel'in yazılım temelli öğrenme yaklaşımına ilham sağlamıştır.

2. Literatür Taraması

SNARC'a ilişkin akademik literatür, makinenin kendisi hakkında doğrudan yazılmış kaynaklar ve dolaylı olarak SNARC'ı kendi tarihsel anlatıları içinde konumlandıran kaynaklar olmak üzere iki ana kolda incelenebilir.

Minsky'nin kendi çalışmaları arasında en temel kaynak, 8 Ocak 1952 tarihli "A Neural-Analogue Calculator Based upon a Probability Model of Reinforcement" başlıklı teknik rapordur; bu rapor, Harvard Üniversitesi Psikoloji Laboratuvarları bünyesinde hazırlanmıştır [7]. Minsky'nin 1954 yılında Princeton Üniversitesi'nden aldığı matematik doktora tezi — Neural Nets and the Brain Model Problem — SNARC'ın teorik temellerini genişleterek yapay sinir ağlarında öğrenme, ikincil pekiştirme, döngüsel dinamik depolama ve sinaptik modifikasyonlar konularında yeni teoremler ortaya koymuştur [8]. Stephen Wolfram (2016), Minsky'nin bu tezinin "teknik matematikle dolu" olduğunu ve yapay sinir ağlarının matematiksel analizinin erken bir başyapıtı niteliğinde olduğunu belirtmiştir [9].

SNARC'ın entelektüel kökenlerine ilişkin en önemli kaynaklardan biri, McCulloch ve Pitts'in 1943 tarihli "A Logical Calculus of the Ideas Immanent in Nervous Activity" makalesidir; bu çalışma, nöral aktivitenin matematiksel mantık yoluyla modellenebileceğini ilk kez göstermiş ve Minsky'yi yapay nöronlar inşa etmeye teşvik etmiştir [10]. Donald Hebb'in 1949 tarihli The Organization of Behavior adlı eseri, sinaptik plastisite kuramıyla SNARC'ın öğrenme mekanizmasının doğrudan teorik kaynağını oluşturmuştur [11]. B.F. Skinner'ın pekiştirmeli öğrenme üzerine çalışmaları, özellikle 1953 tarihli Science and Human Behavior kitabı, SNARC'ın ödül-ceza mekanizmasının davranışçı psikoloji temelini sağlamıştır; nitekim Minsky, SNARC'ın geliştirilmesi sırasında Skinner ile kapsamlı görüşmeler yaptığını belirtmiştir [12].

Russell ve Norvig'in (2021) Artificial Intelligence: A Modern Approach ders kitabı, SNARC'ı yapay zekanın "gebelik dönemi" (1943–1955) içinde konumlandırarak, Minsky ve Edmonds'u "Harvard'da iki lisans öğrencisi" olarak tanımlamıştır — ancak bu bilgi tartışmalıdır; bazı kaynaklar Minsky'nin bu dönemde Princeton'da lisansüstü öğrenci olduğunu belirtmektedir [13]. Crevier'in (1993) AI: The Tumultuous History of the Search for Artificial Intelligence adlı eseri, SNARC'ı yapay zeka tarihinin ilk somut projelerinden biri olarak ele almış ve projenin kurumsallık altyapısını tartışmıştır [14]. Nilsson'ın (2010) The Quest for Artificial Intelligence kitabı, SNARC'ı erken dönem sinir ağı araştırmaları bağlamında incelemiş ve makineyi Frank Rosenblatt'ın Perceptron'u (1958) ile karşılaştırmıştır [15].

Minsky ve Papert'in (1969) Perceptrons adlı eseri, sinir ağlarının matematiksel sınırlılıklarını göstererek büyük tartışmalara yol açmıştır [6]. Bu kitabın SNARC bağlamındaki önemi, makinenin yaratıcısının kendi icadının temelindeki yaklaşıma eleştirel bir tutum geliştirmesindedir. Sejnowski (2018), The Deep Learning Revolution adlı eserinde, Minsky'nin sinir ağlarına yönelik eleştirel tavrının arka planını ayrıntılı biçimde irdelemiş ve Minsky'nin bu konudaki tutumunun kişisel rekabet unsurları da taşıdığını ileri sürmüştür [16].

Carver Mead'in (1989) Analog VLSI and Neural Systems kitabı, "nöromorfik mühendislik" (neuromorphic engineering) terimini ortaya atarak SNARC'ın temsil ettiği analog hesaplama geleneğinin modern sürümünü kuramsallaştırmıştır [17]. Haykin'in (1999) Neural Networks: A Comprehensive Foundation adlı kapsamlı ders kitabı, Hebb öğrenme kuralının SNARC'taki uygulanışını tarihsel bir perspektifle değerlendirmiştir [18]. Anderson ve Rosenfeld (1988), Neurocomputing: Foundations of Research derlemesinde, erken dönem sinir ağı çalışmalarını — SNARC dahil — bir araya getirerek bağlantıcı paradigmanın entelektüel köklerini belgelemiştir [19]. Son olarak, Goodfellow, Bengio ve Courville'in (2016) Deep Learning ders kitabı, modern derin öğrenme tekniklerinin SNARC ve ilk sinir ağı deneylerine dayanan tarihsel soy ağacını çizmiştir [20].

Türkçe literatürde, Akın'ın (2006) Yapay Zeka ve Yapay Sinir Ağları adlı eseri, SNARC'ı erken dönem sinir ağı çalışmaları bağlamında Türk okuyucuya tanıtmıştır [21]. Bu kaynaklar birlikte değerlendirildiğinde, SNARC'ın yalnızca teknik bir deney olmayıp, biyolojiden mühendisliğe, psikolojiden matematiğe uzanan geniş bir entelektüel ağın ürünü olduğu ortaya çıkmaktadır.

3. Tarihsel ve Teorik Arka Plan

SNARC'ın ortaya çıkışını anlamak için, 1940'lar ve 1950'lerin başındaki bilimsel ve teknolojik iklimi geniş bir perspektiften değerlendirmek gerekmektedir.

Entelektüel Soy Ağacı. SNARC'ın kökleri, en azından üç büyük entelektüel geleneğe dayanmaktadır. Birincisi, nörobiyolojik modellemedir: McCulloch ve Pitts (1943), bir nöronun mantıksal bir kapı (logic gate) olarak modellenebileceğini göstermişlerdir [10]. Bu çalışma, Minsky'yi Harvard'daki lisans yıllarında derinden etkilemiş ve onu yapay nöronlar inşa etme fikrine yönlendirmiştir [22]. İkincisi, Hebb'in öğrenme kuramıdır: "birlikte ateşlenen nöronlar birlikte bağlanır" (neurons that fire together, wire together) ilkesi, SNARC'ın sinaptik ağırlık güncelleme mekanizmasının doğrudan kaynağıdır [11]. Üçüncüsü, davranışçı psikolojidir: Skinner'ın operant koşullanma (operant conditioning) kuramı, SNARC'ın ödül-ceza temelli öğrenme döngüsünü şekillendirmiştir [12]. Minsky, Wikipedia'daki biyografisinde belirtildiği üzere, SNARC'ın geliştirilmesi sırasında Skinner ile yoğun biçimde görüşmüştür [23].

Dönemin Teknolojik Altyapısı. 1950'lerin başında elektronik hesaplama hâlâ emekleme dönemindeydi. ENIAC 1946'da faaliyete geçmiş, von Neumann'ın IAS bilgisayarı Princeton'da inşa edilmekteydi [24]. Ancak bu makineler programlanabilir sayısal bilgisayarlardı — yani açıkça talimat verilen işlemleri sırayla gerçekleştiriyorlardı. SNARC, bunlardan kökten farklı bir paradigmayı temsil ediyordu: programlama yerine öğrenme, sıralı işlem yerine paralel sinyal iletimi, kesin (deterministic) hesaplama yerine olasılıksal (stochastic) süreçler [25]. Vakum tüpleri hâlâ temel elektronik bileşendi; transistör ancak 1947'de Bell Laboratuvarlarında icat edilmişti ve yaygın kullanıma girmesi yıllar alacaktı [26].

Kurumsal ve Finansal Destek. SNARC projesinin hayata geçirilmesinde kritik bir aktör, Harvard'daki genç psikolog George Armitage Miller'dır. Minsky, Miller'a yapay sinir ağı inşa etme fikrini anlattığında, Miller "neden denemiyorsun?" diyerek Deniz Araştırmaları Ofisi'nden (Office of Naval Research) birkaç bin dolarlık bir fon sağlamıştır [27]. Bu dönemde ortalama bir yeni otomobilin fiyatının 1.500 dolar, ortalama yıllık gelirin 3.500 dolar olduğu düşünülürse, 300 vakum tüpünün her biri 100–200 dolar arasında değişen maliyetiyle SNARC projesinin bütçesi oldukça önemli bir yatırımı temsil ediyordu [28]. Soğuk Savaş döneminin askeri araştırma fonları, pek çok erken dönem bilgisayar bilimi projesinin finansmanını sağlamıştı; SNARC da bu örtüden payını almıştır.

Paralel Gelişmeler. SNARC ile aynı dönemde, Bell Laboratuvarlarında Claude Shannon, "Theseus" adını verdiği labirent çözen mekanik fareyi inşa etmişti (1950–1951) [29]. Theseus, 75 elektromanyetik röle kullanarak deneme-yanılma yoluyla labirenti çözüyor ve çözümü "hatırlıyordu." Shannon'ın makinesi ile SNARC arasında önemli bir fark vardı: Theseus, labirentin altındaki rölelere dayanan merkezi bir bellek sistemi kullanırken, SNARC dağıtık bir sinir ağı mimarisine sahipti — bellek, ağın kendisine, yani nöronlar arasındaki bağlantı ağırlıklarına gömülüydü [30]. Bu ayrım, günümüzde von Neumann mimarisi ile nöromorfik hesaplama arasındaki temel farkı önceden yansıtmaktaydı.

4. Ana Konu Analizi

4a. Temel Mekanizma: SNARC'ın Teknik Yapısı ve Çalışma İlkeleri

SNARC, 40 yapay nörondan oluşan, rastgele bağlantılı bir analog sinir ağıydı [1]. Her bir nöron (ya da daha doğru bir ifadeyle "Hebb sinapsı"), altı vakum tüpü ve bir potansiyometre ile donatılmıştı [31]. Sistemin çalışma prensibi şöyle özetlenebilir:

Her sinapsta bir "bellek" mekanizması bulunuyordu: bu bellek, gelen bir sinyalin çıkış sinyaline dönüşme olasılığını (0 ile 1 arasında) belirleyen bir değerdi. Bu olasılık, fiziksel olarak bir potansiyometre (döner düğme) aracılığıyla kontrol ediliyordu [32]. Sistemde iki tür bellek mevcuttu: kısa süreli bellek, bir kapasitör tarafından sağlanıyordu ve nöronun son birkaç saniyede sinyal iletip iletmediğini "hatırlıyordu." Uzun süreli bellek ise potansiyometre konumu tarafından temsil ediliyordu — sistem "ödüllendirildiğinde," yakın zamanda sinyal ileten nöronların potansiyometre değerleri artırılarak bu yollar güçlendiriliyordu [33].

Öğrenme mekanizması, Hebb kuralının ve pekiştirmeli öğrenmenin (reinforcement learning) bir bileşimiydi. Sinyal iletim süreci stokastik (olasılıksal) bir yapıdaydı — bu, SNARC adındaki "stochastic" kelimesinin kaynağıdır [34]. Potansiyometrelerin fiziksel olarak ayarlanması için Minsky, bir B-24 bombardıman uçağından sökülen Honeywell C-1 jiroskopik otopilot motorunu kullandı; bu motor, bir zincir mekanizması aracılığıyla 40 sinapsın tamamına bağlıydı ve ödül sinyali geldiğinde tüm aktif yolların ağırlıklarını eş zamanlı olarak güncelliyordu [35]. Elektromanyetik kavramalar (clutches) — bunların bir kısmı Minsky ve Edmonds tarafından bizzat tornada işlenmiştir — her bir potansiyometreyi zincire bağlayıp ayırma işlevini üstleniyordu [36].

SNARC'ın en dikkat çekici özelliklerinden biri, ağdaki bağlantıların önemli bir kısmının rastgele kurulmuş olmasıydı [37]. Bu rastgelelik bilinçli bir tasarım tercihiydi: Minsky, sistemin davranışının önceden tahmin edilemez olmasını istiyordu, çünkü biyolojik sinir ağlarında da bağlantı örüntüleri tam olarak belirlenmiş (deterministic) değildir. Bu özellik, SNARC'ın modern derin öğrenme ağlarındaki rastgele ağırlık başlatma (random weight initialization) pratiğinin tarihsel bir öncüsü olarak değerlendirilebilir.

Bir diğer önemli özellik, SNARC'ın merkezi bir saat (clock) olmaksızın çalışmasıydı: analog sinyaller ağ boyunca sürekli olarak yayılıyordu [32]. Bu, von Neumann mimarisindeki sıralı ve saat darbeli işlemden temelden farklıydı ve modern nöromorfik yongalardaki (Intel Loihi, IBM TrueNorth gibi) asenkron hesaplama yaklaşımını önceden yansıtıyordu [38].

4b. Kilit Aktörler ve Katkıları

Marvin Minsky (1927–2016), SNARC projesinin fikir babası ve baş tasarımcısıydı. 1927'de New York'ta doğan Minsky, Bronx Bilim Lisesi ve Phillips Academy'den sonra Harvard Üniversitesi'nde fizik ve matematik eğitimi almıştır [22]. Harvard'daki lisans yıllarında McCulloch ve Pitts'in 1943 makalesinden etkilenerek yapay nöronlar inşa etme fikrine yönelmiştir. 1950'de Harvard'dan matematik alanında lisans derecesini aldıktan sonra Princeton Üniversitesi'ne geçmiş ve burada matematik doktorasına başlamıştır [39]. SNARC projesi, onun doktora çalışmasının deneysel ayağını oluşturmuştur. Minsky, 1954'te "Theory of Neural-Analog Reinforcement Systems and Its Application to the Brain-Model Problem" başlıklı teziyle doktorasını tamamlamıştır [8]. Tezini değerlendiren Princeton Matematik Bölümü'nden yeterli uzman bulunamamış ve tez, İleri Araştırma Enstitüsü'ndeki (Institute for Advanced Study) matematikçilere gönderilmiştir; gelen yanıt, "Bu bugün matematik değilse, bir gün olacaktır" şeklinde olmuştur [40].

Dean S. Edmonds, SNARC'ın inşasında Minsky'nin en yakın işbirlikçisiydi. Princeton'da fizik alanında lisansüstü öğrenci olan Edmonds, güçlü elektronik becerilerine sahipti ve projeye gönüllü olarak katılmıştır [23]. Edmonds, vakum tüpü devrelerinin fiziksel olarak kurulmasında ve elektromanyetik kavramaların tasarlanmasında kritik bir rol oynamıştır. Edmonds hakkında akademik kaynaklar nispeten sınırlıdır; ancak kendi yazdığı kısa bir anlatıda Minsky ile tanışmasını ve SNARC projesindeki deneyimlerini anlatmıştır [41].

George Armitage Miller (1920–2012), projenin gerçekleşmesini sağlayan kurumsal destekçiydi. Harvard'da genç bir psikolog olan Miller, bilişsel psikolojinin kurucu isimlerinden biri olarak kabul edilir [42]. Minsky'nin fikrini duyduğunda onu teşvik etmiş ve Deniz Araştırmaları Ofisi'nden gerekli fonlamayı sağlamıştır. Miller'ın katkısı, bir gencin "çılgın" görünen projesine inanarak kurumsal meşruiyet kazandırmasındaki cesaret açısından önemlidir.

John von Neumann (1903–1957), dolaylı bir katkı sağlamıştır. Princeton'daki İleri Araştırma Enstitüsü'nde çalışan von Neumann, SNARC projesine destek verdiği bazı kaynaklarda belirtilmiştir [43]. Von Neumann'ın kendisi de beyin ve bilgisayar arasındaki benzerliklere ilgi duyuyordu; bu ilgi, ölümünden sonra yayımlanan The Computer and the Brain (1958) adlı eserinde somutlaşmıştır [44].

4c. Dönem İçindeki Yeri: Labirent Çözme Deneyi

SNARC'ın temel uygulama alanı, simüle edilmiş farelerin bir labirenti çözme göreviydi [4]. Sistem şu şekilde çalışıyordu: sinyal, ağın rastgele bir noktasından başlıyor ve nöronlar arasında yayılarak labirentin çeşitli yollarını keşfediyordu. Minsky ve Edmonds, sinyalin hareketini bir ışık düzeneği aracılığıyla izliyorlardı — her nöronun durumu bir lamba ile temsil ediliyordu [33]. Sinyal, önceden belirlenmiş hedefe (labirentin çıkışına) ulaştığında, sistem "ödüllendiriliyordu." Bu ödül, aktif yollardaki sinaptik ağırlıkların güçlendirilmesini tetikliyordu. Tekrarlanan denemeler sonucunda, simüle edilmiş fareler giderek daha az hata yapıyor ve en kısa yolu bulmayı "öğreniyordu" [45].

Sistemin ilginç özelliklerinden biri, birden fazla "farenin" aynı anda labirentte koşabilmesiydi — bu, bir tasarım hatası sonucu keşfedilen bir özelliktir [4]. Birden fazla fare aynı anda çalıştırıldığında, daha "deneyimli" fareler tarafından keşfedilen yollar diğerlerinin öğrenme sürecini hızlandırıyordu. Bu gözlem, modern makine öğrenmesindeki paralel eğitim (parallel training) ve deneyim tekrarı (experience replay) kavramlarının ilkel bir öncüsü olarak değerlendirilebilir.

SNARC'ın bir diğer önemli özelliği hata toleransıydı (fault tolerance): vakum tüplerinden bazıları arızalansa bile sistem çalışmaya devam edebiliyordu [37]. Bu, biyolojik sinir ağlarının en temel özelliklerinden birini — degrade gracefully (zarif bozunma) ilkesini — donanım düzeyinde yansıtıyordu. Modern yapay sinir ağlarının da benzer bir dayanıklılık sergilemesi, SNARC'ın bu tasarım özelliğinin ne denli ileri görüşlü olduğunu göstermektedir.

4d. Genel YZ Tarihindeki Yeri

SNARC, yapay zeka tarihindeki birkaç kritik geçiş noktasını temsil etmektedir. Birincisi, McCulloch ve Pitts'in teorik modeli ile çalışan bir donanım arasındaki boşluğu dolduran ilk köprüdür: soyut matematiksel nöronları fiziksel elektrik devrelerine dönüştürmüştür [10]. İkincisi, Hebb'in öğrenme kuralının ilk donanımsal uygulamasıdır: sinaptik ağırlıkların deneyim yoluyla güncellenmesi fikri, SNARC'ta somut bir mekanizmaya kavuşmuştur [11]. Üçüncüsü, pekiştirmeli öğrenmenin ilk makine uygulamalarından biridir: günümüzde DeepMind'ın AlphaGo'sunda ve ChatGPT'nin eğitiminde (RLHF — Reinforcement Learning from Human Feedback) kullanılan pekiştirmeli öğrenme yaklaşımlarının tarihsel soy ağacı, SNARC'a kadar uzanmaktadır [46].

SNARC olmadan, Rosenblatt'ın Perceptron'u (1958) için entelektüel zemin hazırlanmamış olacaktı [15]. SNARC'ın potansiyometre tabanlı uyarlanabilir (adaptive) öğrenme mekanizması, Rosenblatt'ın Perceptron'undaki motor tahrikli potansiyometre sistemiyle doğrudan benzerlik göstermektedir; nitekim bazı tarihçiler, Rosenblatt'ın SNARC'tan doğrudan esinlenmiş olabileceğini ileri sürmüştür [40]. Ayrıca SNARC, hesaplama ve belleğin aynı fiziksel birimde birleştirildiği bir mimari sunarak, von Neumann darboğazı (von Neumann bottleneck) sorununun henüz adı bile konmadan bir alternatif göstermiştir [47]. Bu alternatif, günümüzde Intel Loihi ve IBM TrueNorth gibi nöromorfik yongalarda yeniden hayat bulmaktadır [38].

5. Eleştirel Değerlendirme

SNARC'ın tarihsel değerlendirmesi, kaçınılmaz olarak bir paradoksla başlamak zorundadır: makinenin yaratıcısı Marvin Minsky, sonraki yıllarda sinir ağlarının en etkili eleştirmenlerinden birine dönüşmüştür. 1969 yılında Seymour Papert ile birlikte yayımladığı Perceptrons kitabı, tek katmanlı sinir ağlarının XOR fonksiyonu gibi doğrusal olmayan (non-linear) problemleri çözemediğini matematiksel olarak göstermiştir [6]. Bu kitap, sinir ağı araştırmalarına yönelik fonlamanın büyük ölçüde kesilmesine ve "Yapay Zeka Kışı" (AI Winter) olarak adlandırılan durgunluk dönemine katkıda bulunmuştur [48].

Minsky'nin bu dönüşümünün ardındaki nedenler tartışmalıdır. Sejnowski (2018), Minsky'nin Cornell'deki psikolog Frank Rosenblatt ile kişisel bir rekabet içinde olduğunu ve Rosenblatt'ın Perceptron'unun aldığı medya ilgisinden rahatsız olduğunu ileri sürmüştür [16]. Bazı araştırmacılara göre Minsky, donanımla çalışmanın pratik zorluklarından hayal kırıklığına uğramış ve bilgisayarların hızla ucuzlaması nedeniyle yazılım temelli sembolik yaklaşımlara yönelmiştir [35]. Bir başka perspektif ise Minsky'nin matematikçi kimliğinin ön plana çıktığını ve sinir ağlarının sınırlılıklarını matematiksel kesinlikle gösterme arzusunun onu bu yöne ittiğini savunmaktadır [9].

Bugünden bakıldığında, Minsky'nin Perceptrons kitabındaki eleştirilerin teknik olarak doğru ancak kapsamca yanıltıcı olduğu değerlendirmesi genel kabul görmektedir: kitap yalnızca tek katmanlı ağların sınırlılıklarını göstermiş, çok katmanlı ağların potansiyelini yeterince tartışmamıştır [49]. Wolfram (2016), Minsky'nin "sinir ağlarının ilginç bir şey yapamayacağı" yönündeki iddiasının "tam da görüş alanının hemen dışında, çok daha zengin davranışlar gizliyken" ortaya atıldığını belirtmiştir [9].

SNARC'ın kendisine yönelik teknik eleştiriler de mevcuttur. Sistemin yalnızca 40 nöronu vardı — modern standartlarla kıyaslandığında son derece küçük bir ağdır. Öğrenme mekanizması oldukça kaba ve yavaştı; potansiyometrelerin mekanik olarak ayarlanması hız ve hassasiyet sınırlamaları getiriyordu [31]. Ayrıca SNARC'ta geri yayılım (backpropagation) algoritması yoktu — bu algoritma ancak 1986'da Rumelhart, Hinton ve Williams tarafından popülerleştirilecekti [50]. SNARC, sadece "doğru yolu" ödüllendiriyordu; hata sinyalinin ağ boyunca geriye doğru yayılarak ağırlıkları sistematik olarak güncellemesi fikri henüz mevcut değildi.

Bununla birlikte, SNARC'ın başardığı şeyin büyüklüğü gözden kaçırılmamalıdır. 1951 yılında, çoğu bilgisayarın hâlâ "yüceltilmiş hesap makinesi" olduğu bir dönemde, deneyimden öğrenen bir makine inşa etmek radikal bir başarıydı [25]. SNARC, yapay zekanın "sembolik" ve "bağlantıcı" okulları arasındaki gerilimin ilk örneğini oluşturmuş ve bu gerilim, alanın sonraki on yıllarını şekillendirmiştir.

6. Etik ve Toplumsal Boyutlar

SNARC projesi, 1950'lerin başında akademik bir laboratuvar ortamında gerçekleştirilmiş nispeten mütevazı bir girişimdi ve doğrudan toplumsal etkileri sınırlıydı. Ancak projenin temsil ettiği fikir — makinelerin deneyimden öğrenebileceği — derin toplumsal ve etik sonuçlara gebeydi.

Deniz Araştırmaları Ofisi'nin fonlaması, SNARC'ın askeri-endüstriyel kompleks ile bağlantısını göstermektedir [27]. Soğuk Savaş döneminde, ABD'nin Sovyetler Birliği ile süren bilimsel rekabeti, yapay zeka araştırmalarının da dahil olduğu birçok araştırma alanına önemli askeri fon akışı sağlamıştır. Bu durum, bilimsel araştırmanın tarafsızlığı ve toplumsal sorumluluğu meselelerini gündeme getirmektedir. SNARC'ın kendisi masum bir labirent çözme deneyi olsa da, askeri finansmanla geliştirilen yapay zeka teknolojilerinin potansiyel kullanım alanları — gözetim, otonom silah sistemleri, karar destek sistemleri — günümüzde ciddi etik kaygılara kaynaklık etmektedir.

SNARC'ın bir diğer etik boyutu, güç ve erişim eşitsizliği ile ilgilidir. Proje, dünyanın en seçkin üniversitelerinden birinde (Princeton), ABD donanmasının finansmanıyla, az sayıda ayrıcalıklı araştırmacı tarafından gerçekleştirilmiştir. Yapay zeka araştırmalarının başlangıcından itibaren belirli kurumlarda, belirli ülkelerde ve belirli demografik gruplarda yoğunlaşması, alanın çeşitlilik ve kapsayıcılık sorunlarının tarihsel köklerini oluşturmaktadır. Bu eşitsizlik, yapay zeka sistemlerinin tasarımındaki önyargıların (bias) kaynaklarından biri olarak günümüzde tartışılmaya devam etmektedir.

SNARC döneminde büyük ölçüde görmezden gelinen bir etik soru, "öğrenen makinelerin" karar mekanizmalarının şeffaflığıydı. SNARC'ın rastgele bağlantılı yapısı, sistemin davranışının önceden tahmin edilemez olduğu anlamına geliyordu — Minsky'nin kendi ifadesiyle, "ne yapacağını tahmin etmek imkansızdı" [37]. Bu özellik, günümüzde "kara kutu" (black box) sorunu olarak bilinen ve özellikle sağlık, ceza adaleti ve finansal hizmetler gibi alanlarda derin endişelere yol açan meselenin tarihsel öncüsüdür.

7. Güncel Uygulamalar ve Miras

SNARC'ın mirası, yetmiş yılı aşkın bir süre sonra birkaç temel alanda kendini göstermektedir.

Nöromorfik Hesaplama. SNARC'ın en doğrudan mirası, hesaplama ve belleğin aynı fiziksel birimde birleştirildiği nöromorfik yonga (neuromorphic chip) teknolojisindedir. Intel'in Loihi yongası (2018) ve IBM'in TrueNorth yongası (2014), milyonlarca yapay nöron ve sinaps içermekte olup, SNARC'ın 40 nöronunun modern ölçekli devamcılarıdır [38]. Carver Mead'in 1989'da kuramsallaştırdığı nöromorfik mühendislik alanı, SNARC'ın temsil ettiği "beyni donanımda taklit etme" fikrini sistemli bir disipline dönüştürmüştür [17].

Pekiştirmeli Öğrenme. SNARC'ın ödül temelli öğrenme mekanizması, modern pekiştirmeli öğrenme algoritmalarının tarihsel öncüsüdür. DeepMind'ın AlphaGo (2016) ve AlphaZero (2017) sistemleri, Minsky'nin SNARC'ta uyguladığı deneme-yanılma yoluyla öğrenme ilkesinin — elbette matematiksel olarak çok daha rafine edilmiş biçimiyle — ölçeklendirilmiş versiyonlarıdır [51]. OpenAI'ın ChatGPT modellerinin eğitiminde kullanılan RLHF (İnsan Geri Bildiriminden Pekiştirmeli Öğrenme) yöntemi de, bir operatörün "ödül sinyali" verdiği SNARC mekanizmasıyla kavramsal bir süreklilik taşımaktadır [46].

Hebb Öğrenme Kuralı. SNARC'ın uyguladığı Hebb kuralı — birlikte ateşlenen nöronların bağlantılarının güçlendirilmesi — günümüzde de nörobilim ve yapay zeka araştırmalarının temel ilkelerinden biri olmaya devam etmektedir [11]. Spike-timing-dependent plasticity (STDP) gibi modern sinaptik öğrenme kuralları, Hebb ilkesinin daha rafine edilmiş versiyonlarıdır ve nöromorfik yongalarda uygulanmaktadır [52].

Akademik Miras. SNARC projesi, Minsky'nin kariyerini şekillendirmiştir. SNARC'tan sonra Minsky, 1958'de John McCarthy ile birlikte MIT Yapay Zeka Laboratuvarı'nı kurmuş ve bu laboratuvar, yapay zeka araştırmalarının dünya çapındaki merkezlerinden biri haline gelmiştir [22]. Minsky'nin SNARC'tan sembolik yapay zekaya geçişi, alandaki paradigma çatışmasının kişisel bir yansıması olarak öğretici bir vaka çalışması oluşturmaktadır.

SNARC'ın fiziksel kaderi ise trajiktir: Minsky, makineyi Dartmouth'taki öğrencilere ödünç vermiş ve ardından makinenin izi kaybolmuştur. Günümüzde yalnızca tek bir nöron hücresi hayatta kalmıştır [23]. Makinenin tam montajına ait hiçbir fotoğraf bilinmemektedir — tarihsel bir ironi olarak, yapay zekanın ilk donanımsal öncüsü büyük ölçüde tarihin tozlu sayfalarında kaybolmuştur [53].

8. Bölüm Özeti

SNARC, 1951 yılında Marvin Minsky ve Dean Edmonds tarafından inşa edilen dünyanın ilk donanımsal yapay sinir ağı olarak, yapay zeka tarihinin kurucu projelerinden birini temsil etmektedir. McCulloch-Pitts'in yapay nöron modelini, Hebb'in sinaptik öğrenme kuramını ve Skinner'ın pekiştirmeli öğrenme ilkelerini tek bir fiziksel aygıtta birleştiren SNARC, "yapay zeka" teriminin henüz icat edilmediği bir dönemde, makinelerin deneyimden öğrenebileceğini somut olarak göstermiştir.

Bu bölümün kitabın genel argümanına katkısı, yapay zekanın tarihinin yalnızca yazılım ve algoritmaların değil, aynı zamanda donanım inovasyonlarının da bir hikayesi olduğunu ortaya koymaktır. SNARC, bağlantıcı (connectionist) paradigmanın ilk somut ürünü olarak, yapay zeka tarihindeki iki büyük okul — sembolik ve bağlantıcı — arasındaki gerilimin başlangıç noktasını oluşturmaktadır. Minsky'nin kendi icadının temelindeki yaklaşıma sonradan eleştirel bir tutum geliştirmesi, bilim tarihinin en ilginç ironilerinden birini oluşturmakta ve paradigma değişimlerinin kişisel, kurumsal ve entelektüel boyutlarını gözler önüne sermektedir.

Bir sonraki bölümde, SNARC ile aynı dönemde filizlenen bir başka öncü çalışmayı ele alacağız: Arthur Samuel'in IBM 701 bilgisayarında geliştirdiği dama oynayan program (1952). Samuel'in çalışması, SNARC'ın donanım temelli yaklaşımından farklı olarak yazılım temelli makine öğrenmesinin kapısını açmıştır; birlikte değerlendirildiklerinde, bu iki proje, 1950'lerin başında yapay zekanın nasıl çok yönlü bir entelektüel hareket olarak doğduğunu göstermektedir.

9. Kaynakça

[1] Minsky, M. (1952). A neural-analogue calculator based upon a probability model of reinforcement. Harvard University Psychological Laboratories.

[2] Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. baskı). Pearson.

[3] McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth Summer Research Project on Artificial Intelligence. AI Magazine, 27(4), 12–14.

[4] Minsky, M. (1954). Neural nets and the brain model problem (Doktora tezi). Princeton University.

[5] Nilsson, N. J. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge University Press.

[6] Minsky, M., & Papert, S. (1969). Perceptrons: An Introduction to Computational Geometry. MIT Press.

[7] Minsky, M. (1952). A neural-analogue calculator based upon a probability model of reinforcement. Harvard University Psychological Laboratories, Cambridge, Massachusetts, Ocak 8, 1952.

[8] Minsky, M. (1954). Theory of neural-analog reinforcement systems and its application to the brain-model problem (Doktora tezi). Princeton University.

[9] Wolfram, S. (2016). Farewell, Marvin Minsky (1927–2016). Stephen Wolfram Writings. https://writings.stephenwolfram.com/2016/01/farewell-marvin-minsky-19272016/

[10] McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5(4), 115–133.

[11] Hebb, D. O. (1949). The Organization of Behavior: A Neuropsychological Theory. Wiley.

[12] Skinner, B. F. (1953). Science and Human Behavior. Macmillan.

[13] Russell, S. J., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4. baskı). Pearson. (Bölüm 1.3: Yapay zekanın tarihi.)

[14] Crevier, D. (1993). AI: The Tumultuous History of the Search for Artificial Intelligence. Basic Books.

[15] Nilsson, N. J. (2010). The Quest for Artificial Intelligence. Cambridge University Press.

[16] Sejnowski, T. J. (2018). The Deep Learning Revolution. MIT Press.

[17] Mead, C. (1989). Analog VLSI and Neural Systems. Addison-Wesley.

[18] Haykin, S. (1999). Neural Networks: A Comprehensive Foundation (2. baskı). Prentice Hall.

[19] Anderson, J. A., & Rosenfeld, E. (Eds.). (1988). Neurocomputing: Foundations of Research. MIT Press.

[20] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

[21] Akın, H. L. (2006). Yapay Zeka ve Yapay Sinir Ağları. Seçkin Yayıncılık.

[22] Academy of Achievement. (2022). Marvin Minsky, Ph.D. https://achievement.org/achiever/marvin-minsky-ph-d/

[23] Stochastic Neural Analog Reinforcement Calculator. (2025). Wikipedia. https://en.wikipedia.org/wiki/Stochastic_Neural_Analog_Reinforcement_Calculator

[24] Von Neumann, J. (1945). First draft of a report on the EDVAC. Moore School of Electrical Engineering, University of Pennsylvania.

[25] Karunaratne, T. (2025). SNARC: The 1951 machine that taught itself to navigate mazes. Medium.

[26] Riordan, M., & Hoddeson, L. (1997). Crystal Fire: The Birth of the Information Age. Norton.

[27] Tzanetakis, G. (2024). Reflections on SNARC. Medium.

[28] Tzanetakis, G. (2024). Reflections on SNARC. Medium. (Maliyet analizi bölümü.)

[29] Shannon, C. E. (1951). Presentation of a maze-solving machine. Cybernetics: Transactions of the Eighth Conference, Josiah Macy Jr. Foundation, 173–180.

[30] Shannon, C. E. (1950). Theseus maze-solving mouse [Teknik gösteri]. Bell Laboratories.

[31] Akst, J. (2019, Mayıs 1). Machine, learning, 1951. The Scientist.

[32] Tzanetakis, G. (2024). Reflections on SNARC. Medium. (Teknik yapı bölümü.)

[33] Akst, J. (2019). Machine, learning, 1951. The Scientist. (Bellek mekanizması açıklaması.)

[34] Minsky, M. (1952). A neural-analogue calculator based upon a probability model of reinforcement. Harvard University Psychological Laboratories.

[35] Cyberneticzoo.com. (2012). 1951 — SNARC maze solver — Minsky/Edmonds (American). https://cyberneticzoo.com/mazesolvers/1951-maze-solver-minsky-edmonds-american/

[36] Minsky, M. (1952). A neural-analogue calculator. Harvard University Psychological Laboratories. (Alıntı: "We machined ourselves.")

[37] Cyberneticzoo.com. (2012). 1951 — SNARC maze solver. (Rastgele bağlantılar ve hata toleransı açıklaması.)

[38] Davies, M., et al. (2018). Loihi: A neuromorphic manycore processor with on-chip learning. IEEE Micro, 38(1), 82–99.

[39] Marvin Minsky. (2026). Wikipedia. https://en.wikipedia.org/wiki/Marvin_Minsky

[40] The Perceptron Controversy. (n.d.). Yuxi on the Wired. https://yuxi.ml/essays/posts/perceptron-controversy/

[41] Edmonds, D. (n.d.). Kişisel anlatı. (Referans: AIWS.net tarihsel arşivi.)

[42] Miller, G. A. (1956). The magical number seven, plus or minus two: Some limits on our capacity for processing information. Psychological Review, 63(2), 81–97.

[43] History of AI at AIWS.net. (n.d.). Marvin Minsky and Dean Edmonds built SNARC. https://aiws.net/the-history-of-ai/

[44] Von Neumann, J. (1958). The Computer and the Brain. Yale University Press.

[45] Parvez, Z. (2023). History of AI: The first neural network computer, Marvin Minsky. Medium.

[46] Ouyang, L., et al. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35.

[47] Backus, J. (1978). Can programming be liberated from the von Neumann style? Communications of the ACM, 21(8), 613–641.

[48] Olazaran, M. (1996). A sociological study of the official history of the perceptrons controversy. Social Studies of Science, 26(3), 611–659.

[49] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.

[50] Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.

[51] Silver, D., et al. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676), 354–359.

[52] Bi, G. Q., & Poo, M. M. (1998). Synaptic modifications in cultured hippocampal neurons: Dependence on spike timing, synaptic strength, and postsynaptic cell type. Journal of Neuroscience, 18(24), 10464–10472.

[53] History of AI. (2019). SNARC. https://historyof.ai/snarc/

10. Tartışma Soruları

1. Analitik: SNARC'ın Hebb öğrenme kuralını donanımda uygulaması, bu kuralın hangi yönlerini başarıyla yansıtmış, hangi yönlerini kaçırmıştır? Modern Hebb tabanlı öğrenme kuralları (örneğin STDP) ile SNARC'ın mekanizması arasındaki temel farklar nelerdir?

2. Karşılaştırmalı: SNARC ile Claude Shannon'ın Theseus labirent çözücüsü arasındaki mimari farklar, "zeka nerede bulunur?" sorusuna nasıl farklı yanıtlar vermektedir? Merkezi bellek ile dağıtık bellek yaklaşımlarının güçlü ve zayıf yönlerini karşılaştırınız.

3. Spekülatif: Minsky, sinir ağlarına yönelik eleştirel tutumunu benimsemeseydi ve bunun yerine SNARC'ın temsil ettiği bağlantıcı paradigmayı geliştirmeye devam etseydi, yapay zeka araştırmalarının seyri nasıl değişebilirdi? "Yapay Zeka Kışı" yaşanır mıydı?

4. Etik: SNARC'ın askeri fonlarla (Deniz Araştırmaları Ofisi) desteklenmesi, bilimsel araştırmanın bağımsızlığı açısından ne tür sorunlara işaret etmektedir? Günümüzde yapay zeka araştırmalarının büyük teknoloji şirketleri tarafından fonlanması ile 1950'lerin askeri fonlama modeli arasında nasıl bir analoji kurulabilir?

5. Güncel: SNARC'ın "hesaplama ve belleği aynı fiziksel birimde birleştirme" ilkesi, günümüzde Intel Loihi ve IBM TrueNorth gibi nöromorfik yongalarda nasıl yeniden hayat bulmaktadır? Bu yaklaşımın geleneksel von Neumann mimarisine göre avantaj ve dezavantajları nelerdir?

6. Analitik: Minsky'nin hem SNARC'ın yaratıcısı hem de Perceptrons kitabının yazarı olması, bilim tarihinde paradigma değişimlerinin kişisel boyutları hakkında ne söylemektedir? Bir bilim insanının kendi önceki çalışmalarını eleştirmesi, bilimsel ilerleme için olumlu mu yoksa olumsuz mu bir etkendir?

7. Karşılaştırmalı: SNARC'ın pekiştirmeli öğrenme mekanizması ile modern RLHF (İnsan Geri Bildiriminden Pekiştirmeli Öğrenme) yaklaşımı arasındaki kavramsal süreklilik ve kopuşları tartışınız. Bir operatörün "ödül düğmesine" basması ile insan değerlendiricilerin yapay zeka çıktılarını puanlaması arasında ne tür benzerlikler ve farklar vardır?

8. Spekülatif: SNARC'ın fiziksel olarak kaybolması (yalnızca tek bir nöron hücresinin hayatta kalması), yapay zeka tarihinin belgelenmesi ve korunması açısından ne tür dersler sunmaktadır? Günümüzde geliştirilen yapay zeka sistemlerinin tarihsel belgelenmesi yeterli midir?

9. Etik: SNARC'ın rastgele bağlantılı yapısı nedeniyle davranışının "tahmin edilemez" olması, günümüzde "açıklanabilir yapay zeka" (explainable AI) tartışmalarının tarihsel kökenlerinden biri olarak değerlendirilebilir mi? Şeffaflık ve açıklanabilirlik, yapay zeka sistemlerinin toplumsal kabulü için ne ölçüde gereklidir?

10. Güncel: SNARC'ın hata toleransı (vakum tüpleri arızalansa bile çalışmaya devam edebilmesi), modern yapay sinir ağlarının dayanıklılığıyla nasıl bir parallellik göstermektedir? Bu özellik, kritik altyapılarda (sağlık, ulaşım, enerji) kullanılan yapay zeka sistemleri için ne anlama gelmektedir?