Arthur Samuel ve Dama Oynayan Program
Samuel'in dama programı ve 'makine öğrenmesi' teriminin doğuşu.
1. Giriş
1956 yılında, CBS televizyonunda yayınlanan bir program sırasında milyonlarca Amerikalı, IBM 704 bilgisayarının bir dama oyununda deneyimli bir insan oyuncuyu yendiğine tanıklık etti. Ekranlardaki bu görüntü, soyut bir akademik kavramı — makinelerin öğrenebileceği fikrini — bir gecede kamusal bilince taşıdı [1]. Bu programın arkasındaki isim, IBM'in kıdemli mühendisi Arthur Lee Samuel'di (1901–1990). Samuel, 1952'den itibaren geliştirdiği dama oynayan programıyla bilgisayar tarihinde benzersiz bir yer edinmiştir: bu program, bir bilgisayarın açıkça programlanmadığı bir görevi deneyimden öğrenerek iyileştirebileceğini ilk kez somut biçimde gösteren yazılımdı [2]. Daha da önemlisi, Samuel bu çalışması vesilesiyle 1959 tarihli makalesinde "makine öğrenmesi" (machine learning) terimini akademik literatüre kazandırmış ve bu kavramı "bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren çalışma alanı" olarak tanımlamıştır [3].
Samuel'in dama programının tarihsel önemi birkaç katmanlı bir analizle kavranabilir. İlk katman tekniktir: program, minimax arama, alfa-beta budama, değerlendirme fonksiyonu öğrenme, ezberleme (rote learning) ve kendi kendine oynama (self-play) gibi teknikleri bir araya getirerek, bugün yapay zekanın temel araç kutusunda yer alan yöntemlerin ilk uygulamalarını gerçekleştirmiştir [4]. İkinci katman kavramsal düzeydedir: Samuel, bilgisayarın "zekice" davranabilmesi için ona her olası durumu tek tek öğretmenin gerekli olmadığını, bunun yerine genel ilkeler ve geri bildirim mekanizmaları yoluyla makinenin kendi deneyiminden çıkarımlar yapabileceğini kanıtlamıştır [5]. Üçüncü katman toplumsal ve kültürel boyuttadır: televizyonda sergilenen dama gösterisi, Soğuk Savaş döneminin "akıllı makineler" söylemini somutlaştırarak hem halkın hayal gücünü ateşlemiş hem de bilgisayar endüstrisinin — özellikle IBM'in — pazarlama stratejisine güçlü bir araç sağlamıştır [6].
1950'lerin başı, yapay zeka alanının henüz adını bile almadığı ama temellerinin hızla döşendiği bir dönemdir. Bir önceki bölümde incelediğimiz Marvin Minsky ve Dean Edmonds'un SNARC projesi (1951), donanımsal bir yapay sinir ağıyla öğrenmenin fiziksel olarak mümkün olduğunu göstermişti [7]. Samuel'in çalışması ise öğrenmenin yazılım tarafından — programlama ve algoritmalar aracılığıyla — gerçekleştirilebileceğini kanıtlayan tamamlayıcı bir öncüdür. SNARC bağlantıcı (connectionist) geleneğin donanım prototipi ise, Samuel'in dama programı sembolik ve sezgisel (heuristic) geleneğin yazılım prototipidir [8]. Bu iki proje birlikte, makine öğrenmesinin hem alt-sembolik hem de sembolik boyutlarının 1950'lerin başında zaten filizlendiğini göstermektedir.
Samuel'in çalışması, bir sonraki bölümde ele alacağımız 1956 Dartmouth Konferansı'nın entelektüel zeminini hazırlayan önemli gelişmelerden biridir. Samuel bizzat Dartmouth'a katılmış ve dama programını sunmuştur [9]. "Yapay zeka" teriminin resmi olarak doğduğu bu konferansta, Samuel'in çalışması makinelerin öğrenebileceğine dair somut bir kanıt olarak tartışılmıştır. Bu bölümde, Samuel'in entelektüel arka planı, dama programının teknik yapısı ve öğrenme mekanizmaları, programın IBM'in kurumsal bağlamındaki yeri, dönemindeki ve sonrasındaki etkisi ile günümüz makine öğrenmesi araştırmalarındaki mirası kapsamlı biçimde ele alınacaktır.
2. Literatür Taraması
Arthur Samuel'in dama programı üzerine oluşan akademik literatür, yapay zeka tarihi, makine öğrenmesi kuramı, oyun teorisi ve bilgisayar mühendisliği alanlarının kesişiminde çok katmanlı bir birikim oluşturmaktadır.
En temel birincil kaynak, Samuel'in 1959 tarihli "Some Studies in Machine Learning Using the Game of Checkers" başlıklı makalesidir [3]. Bu makale, IBM Journal of Research and Development'ta yayımlanmış olup, makine öğrenmesi teriminin akademik literatürde sistematik biçimde kullanıldığı ilk çalışmalardan biri olarak kabul edilmektedir. Samuel bu makalede, programın iki temel öğrenme yöntemini — ezberleme öğrenmesi (rote learning) ve genelleme öğrenmesi (generalization learning) — ayrıntılı biçimde açıklamıştır. Makale, hem teknik derinliği hem de kavramsal çerçeve sunma kapasitesiyle yapay zeka tarihinin kurucu metinleri arasında yer almaktadır.
Samuel'in 1967 tarihli ikinci makalesi, "Some Studies in Machine Learning Using the Game of Checkers. II — Recent Progress," ilk çalışmanın devamı niteliğinde olup, alfa-beta budamanın geliştirilmiş versiyonlarını, imza tablosu (signature table) yöntemini ve programın kendi kendine oynama yoluyla elde ettiği ilerlemeyi belgelemiştir [10]. Bu ikinci makale, ilk çalışmadan sekiz yıl sonra yayımlanması bakımından, makine öğrenmesi araştırmalarının uzun vadeli doğasını ve sabırlı deneysel çalışmanın önemini göstermektedir.
Stuart Russell ve Peter Norvig'in Artificial Intelligence: A Modern Approach (2021) ders kitabı, Samuel'in çalışmasını yapay zekanın "gebelik dönemi" (1943–1955) içinde konumlandırarak, programın "makine öğrenmesi" kavramını popülerleştirmedeki rolünü vurgulamıştır [11]. Russell ve Norvig, Samuel'in değerlendirme fonksiyonu öğrenme yaklaşımının, günümüzde "temporal difference learning" olarak bilinen pekiştirmeli öğrenme yönteminin doğrudan öncüsü olduğunu belirtmişlerdir.
Nils Nilsson'ın The Quest for Artificial Intelligence (2010) kitabı, Samuel'in programını erken dönem yapay zeka araştırmaları bağlamında konumlandırmış ve özellikle programın IBM'in kurumsal desteğiyle olan ilişkisini incelemiştir [12]. Nilsson, Samuel'in dama programının hem bilimsel bir başarı hem de etkili bir kurumsal tanıtım aracı olduğunu — IBM'in bilgisayarların potansiyelini kamuoyuna göstermek için bu programı stratejik biçimde kullandığını — belgelemiştir.
Daniel Crevier'in AI: The Tumultuous History of the Search for Artificial Intelligence (1993) kitabı, Samuel'in çalışmasını yapay zeka tarihinin genel akışı içinde ele almış ve özellikle programın kamuoyundaki etkisini — televizyon gösterisini ve basında yarattığı yankıyı — canlı biçimde aktarmıştır [13]. Crevier, Samuel'in programının yapay zekanın "altın çağı"nın habercisi olduğunu, ancak bu başarının aşırı genellemelere de yol açtığını — kamuoyunun bilgisayarların yakında her alanda insanları geçeceği beklentisine kapılmasına neden olduğunu — vurgulamıştır.
Pamela McCorduck'un Machines Who Think (1979/2004) eseri, Samuel'in kişisel hikayesini ve IBM'deki çalışma koşullarını, doğrudan görüşmelere dayanan zengin anlatımlarla sunmuştur [14]. McCorduck, Samuel'in mütevazı kişiliğini ve akademik tanınırlıktan çok bilimsel merak tarafından güdülenen araştırma yaklaşımını tasvir ederek, erken dönem yapay zeka araştırmacılarının motivasyonlarına ışık tutmuştur.
Richard Sutton ve Andrew Barto'nun Reinforcement Learning: An Introduction (2018) ders kitabı, Samuel'in dama programını pekiştirmeli öğrenmenin tarihsel kökleri arasında incelemiş ve özellikle "temporal difference" (zamansal fark) öğrenme yönteminin Samuel'in çalışmasına kadar izlenebileceğini ayrıntılı biçimde göstermiştir [15]. Sutton ve Barto, Samuel'in değerlendirme fonksiyonunu deneyimle güncellemesinin, modern TD-öğrenme algoritmasının kavramsal öncüsü olduğunu savunmuşlardır.
Jonathan Schaeffer'ın One Jump Ahead: Challenging Human Supremacy in Checkers (1997/2009) kitabı, dama oyununu bilgisayar bilimiyle buluşturan araştırma geleneğini kapsamlı biçimde belgelemiştir [16]. Schaeffer, kendi geliştirdiği Chinook programıyla 1994'te dünya dama şampiyonluğunu kazanmış ve 2007'de damanın tam çözümünü — yani mükemmel oyunla her zaman berabere biten bir oyun olduğunun kanıtını — yayımlamıştır. Schaeffer, Samuel'in öncü çalışmasının Chinook projesinin doğrudan ilham kaynağı olduğunu açıkça belirtmiştir.
John McCarthy'nin Samuel ile ilgili anıları ve değerlendirmeleri, AI Magazine ve çeşitli konferans bildirislerinde yayımlanmıştır [17]. McCarthy, Samuel'in dama programını Dartmouth Konferansı bağlamında değerlendirerek, programın konferanstaki tartışmaları somutlaştıran önemli bir referans noktası olduğunu vurgulamıştır.
Terrence Sejnowski'nin The Deep Learning Revolution (2018) eseri, Samuel'in çalışmasını yapay sinir ağları ve derin öğrenme devriminin tarihsel arka planı içinde konumlandırmıştır [18]. Sejnowski, Samuel'in öğrenme yaklaşımının — özellikle kendi kendine oynama mekanizmasının — DeepMind'ın AlphaGo ve AlphaZero sistemlerinde yeniden canlandırıldığını vurgulamıştır.
Claude Shannon'ın 1950 tarihli "Programming a Computer for Playing Chess" makalesi, Samuel'in dama programının doğrudan entelektüel öncüsü olarak literatürde önemli bir yer tutmaktadır [19]. Shannon, bu makalede oyun ağaçları, minimax değerlendirme ve pozisyon değerlendirme fonksiyonları kavramlarını sistematik biçimde tanıtarak, bilgisayar oyun oynamanın teorik çerçevesini oluşturmuştur.
Ian Goodfellow, Yoshua Bengio ve Aaron Courville'in Deep Learning (2016) ders kitabı, makine öğrenmesinin tarihsel gelişimini izlerken Samuel'in katkısını modern derin öğrenme perspektifinden değerlendirmiştir [20]. Yazarlar, Samuel'in "özellik mühendisliği" (feature engineering) yaklaşımının — yani öğrenilecek özelliklerin insan tarafından tanımlanmasının — derin öğrenmenin "otomatik özellik çıkarımı" paradigmasıyla aşılmasını tartışmışlardır.
Türkçe literatürde, Ethem Alpaydın'ın Yapay Öğrenme (2004/2018) ders kitabı, makine öğrenmesinin kurucu figürü olarak Samuel'i Türk okuyucuya tanıtmış ve "makine öğrenmesi" teriminin tarihsel kökenini açıklamıştır [21]. Nabiyev'in Yapay Zeka (2021) ders kitabı ise Samuel'in programını Türkçe yapay zeka literatürü bağlamında değerlendirmiştir [22].
Son olarak, Murray Campbell, A. Joseph Hoane Jr. ve Feng-hsiung Hsu'nun "Deep Blue" (2002) makalesi, IBM'in satranç oynayan süper bilgisayarının gelişim sürecini anlatırken, Samuel'in dama programını "IBM'in oyun oynayan yapay zeka geleneğinin başlangıç noktası" olarak nitelendirmiştir [23]. Bu çalışma, Samuel'den Deep Blue'ya ve oradan günümüzün AlphaZero'suna uzanan kesintisiz bir araştırma geleneğinin varlığını belgelemektedir.
3. Tarihsel ve Teorik Arka Plan
Samuel'in dama programının ortaya çıkışını anlamak için, 1950'lerin başındaki bilimsel, teknolojik ve kurumsal iklimi birbirine bağlı dört akımda incelemek gerekmektedir: bilgisayar oyun oynama kuramının doğuşu, IBM'in kurumsal vizyonu, pekiştirmeli öğrenme fikrinin entelektüel kökleri ve dama oyununun bir araştırma platformu olarak stratejik seçimi.
Bilgisayar Oyun Oynamanın Entelektüel Soy Ağacı. Bilgisayarların oyun oynayabileceği fikri, modern bilgisayar biliminin kurucu figürlerinden miras kalmıştır. Alan Turing, 1948 tarihli Intelligent Machinery raporunda — Bölüm 12'de ayrıntılı biçimde incelediğimiz belge — satranç oynayan bir "kâğıt makinesi" (paper machine) tasarlamış ve bu makinenin minimax benzeri bir değerlendirme stratejisi kullanarak hamle seçebileceğini göstermişti [24]. Turing, 1950 tarihli ünlü "Computing Machinery and Intelligence" makalesinde ise oyun oynamanın makine zekası için uygun bir test alanı olduğunu savunmuştu [25]. Claude Shannon'ın 1950 tarihli satranç makalesi, bu fikri sistematik bir mühendislik programına dönüştürmüştür: Shannon, "A tipi" (tüm olasılıkları tarayan) ve "B tipi" (sezgisel değerlendirme kullanan) stratejileri tanımlayarak bilgisayar oyun oynamanın kavramsal haritasını çizmiştir [19]. Samuel'in dama programı, Shannon'ın B tipi stratejisinin — yani sezgisel değerlendirme fonksiyonlarıyla seçici arama yapmanın — ilk başarılı uygulamasıdır.
IBM'in Kurumsal Bağlamı. Arthur Samuel, 1949 yılında IBM'e katılmış ve Poughkeepsie, New York'taki araştırma tesislerinde çalışmaya başlamıştır [14]. 1950'lerin başında IBM, bilgisayar endüstrisinin mutlak hakimiydi: 1952'de piyasaya sürülen IBM 701 — şirketin ilk ticari bilimsel bilgisayarı — yalnızca on dokuz adet üretilmiş olmasına karşın, bilgisayar çağının başlangıcını simgeliyordu [26]. IBM'in başkanı Thomas Watson Jr., şirketin imajını "soğuk hesaplama makineleri üreticisi" olmaktan çıkarıp "insan zekasının uzantısı olan akıllı sistemler yaratıcısı" konumuna taşımak istiyordu [6]. Samuel'in dama programı, bu stratejik vizyonun somut bir aracı haline gelmiştir: bir bilgisayarın dama oynayabilmesi ve üstelik öğrenebilmesi, IBM'in teknolojik üstünlüğünün en etkili gösterisiydi.
Ancak Samuel'in motivasyonu kurumsal değil, entelektüeldi. Samuel, Bell Telefon Laboratuvarları'nda elektronik mühendisi olarak kariyerine başlamış, Illinois Üniversitesi'nde elektrik mühendisliği profesörü olarak çalışmış ve İkinci Dünya Savaşı sırasında radar teknolojisi üzerine araştırmalar yapmıştı [27]. IBM'e geçtiğinde elli yaşına yaklaşıyordu — yapay zeka tarihinin genç devrimcileri arasında nadir görülen bir olgunlukla — ve bilgisayarların "düşünme" kapasitesine duyduğu merak, akademik bir tutkudan kaynaklanıyordu [14].
Pekiştirmeli Öğrenme Fikrinin Kökleri. Samuel'in programındaki öğrenme mekanizması, birden fazla entelektüel kaynaktan beslenmiştir. Birincisi, B.F. Skinner'ın operant koşullanma kuramıdır: bir organizmanın davranışının, sonuçlarına (ödül veya ceza) bağlı olarak değiştiği fikri, Samuel'in programında "kazanan hamlelerin değerini artır, kaybeden hamlelerin değerini azalt" ilkesine dönüşmüştür [28]. İkincisi, Donald Hebb'in sinaptik plastisite kuramıdır — Bölüm 13'te incelediğimiz bu kuram, öğrenmenin bağlantı güçlükleri üzerinden gerçekleştiğini önermiştir [29]. Üçüncüsü, Turing'in 1948 raporundaki "haz-acı sistemi" kavramıdır: Turing, bir makinenin ödül ve ceza sinyalleri alarak davranışını düzenleyebileceğini önermiş ve bu fikri Bölüm 12'de incelediğimiz "örgütlenmemiş makineler" bağlamında geliştirmişti [24]. Samuel, bu üç geleneği yazılım düzeyinde sentezlemiştir.
Dama Oyununun Stratejik Seçimi. Samuel'in dama oyununu tercih etmesi bilinçli bir metodolojik karardı. Dama, satranç gibi oyunlara kıyasla daha basit kurallara sahipti — yalnızca çapraz hareket, zorunlu yeme kuralı ve taş-kral ayrımı — ancak yeterli stratejik derinlik barındırıyordu: yaklaşık 5 × 10²⁰ olası oyun pozisyonu vardı [16]. Bu düzey, 1950'lerin bilgisayarlarının sınırlı bellek ve işlem kapasitesiyle başa çıkabileceği kadar küçük, ama öğrenme algoritmalarını test edecek kadar karmaşık bir uzay sunuyordu. Samuel, satranç yerine damayı seçerek, programın başarısızlığının "yeterince güçlü donanım olmamasına" değil, "öğrenme algoritmasının yetersizliğine" atfedilmesini sağlamıştır — bu, bilimsel açıdan daha verimli bir deneysel tasarımdı [3].
4. Ana Konu Analizi
4a. Temel Mekanizma: Programın Teknik Yapısı ve Öğrenme Yöntemleri
Samuel'in dama programı, birbirine bağlı üç temel bileşenden oluşuyordu: arama mekanizması, değerlendirme fonksiyonu ve öğrenme algoritmaları.
Arama Mekanizması: Minimax ve Alfa-Beta Budama. Programın hamle seçimi, oyun ağacı aramasına dayanıyordu. Mevcut tahta pozisyonundan başlayarak, olası hamlelerin ve karşı hamlelerin oluşturduğu bir ağaç yapısı belirli bir derinliğe kadar genişletiliyordu [3]. Bu ağaçta, minimax algoritması uygulanıyordu: program kendi hamlelerinde en yüksek değeri, rakibin hamlelerinde ise en düşük değeri seçiyordu — yani her iki tarafın da optimal oynayacağını varsayıyordu [4]. Ancak tam minimax araması, olası hamle sayısının üstel büyümesi nedeniyle pratikte imkansızdı. Samuel, bu sorunu çözmek için alfa-beta budama tekniğinin erken bir versiyonunu geliştirmiştir: daha önce bulunan bir sonuçtan daha kötü olamayacağı kesin olan dallar erken aşamada kesiliyordu, böylece arama ağacının etkin dallanma faktörü azaltılıyordu [10]. Samuel'in alfa-beta budama uygulaması, bu tekniğin ilk pratik gerçekleşmelerinden biri olarak kabul edilmektedir — tam biçimsel tanımı daha sonra Newell, Shaw ve Simon (1958) ve özellikle Knuth ve Moore (1975) tarafından verilecekti [30].
Değerlendirme Fonksiyonu. Programın arama derinliğinin sınırlı olması, terminal olmayan düğümlerde bir "değerlendirme fonksiyonu" (evaluation function) gerekliliğini doğuruyordu. Samuel, bu fonksiyonu birden fazla "özellik" (feature) üzerinden tanımlamıştır: taş sayısı, kral sayısı, merkez kontrolü, hareketlilik (mobility), taş güvenliği, köşe kontrolü ve benzeri parametreler, ağırlıklı bir toplamla birleştirilerek pozisyonun sayısal değeri hesaplanıyordu [3]. Kritik yenilik şuydu: bu ağırlıklar sabit değildi; program, oyun deneyiminden öğrenerek ağırlıkları güncelliyordu. Bu yaklaşım, günümüzde "parametrik öğrenme" olarak bilinen paradigmanın en erken örneklerinden birini oluşturmaktadır [15].
Öğrenme Mekanizmaları. Samuel, programına iki temel öğrenme yöntemi kazandırmıştır:
Ezberleme Öğrenmesi (Rote Learning). Program, daha önce karşılaştığı tahta pozisyonlarını ve bunlara atanan değerleri bir bellek tablosunda saklıyordu [3]. Aynı pozisyon tekrar karşılaşıldığında, derinlemesine arama yapmak yerine bellekteki değer doğrudan kullanılıyordu. Bu mekanizma, IBM 701'in sınırlı belleğinde yüz binlerce pozisyonu depolamayı gerektiriyordu ve manyetik teyp belleğinin yaratıcı biçimde kullanılmasıyla mümkün kılınmıştı [13]. Ezberleme öğrenmesi, programın aynı hatayı iki kez yapmamasını sağlıyordu — basit ama etkili bir yöntemdi.
Genelleme Öğrenmesi (Generalization Learning). Daha sofistike olan bu yöntemde, program değerlendirme fonksiyonundaki özellik ağırlıklarını deneyimle güncelliyordu [3]. Samuel, burada iki alt yaklaşım denemiştir. İlkinde, programın yaptığı değerlendirme ile birkaç hamle sonra ortaya çıkan gerçek durumun değerlendirmesi karşılaştırılıyor ve aradaki farka göre ağırlıklar ayarlanıyordu. Bu yöntem, Sutton'un 1988'de resmileştireceği "temporal difference" (zamansal fark) öğrenmesinin doğrudan kavramsal öncüsüdür [15]. İkinci alt yaklaşımda ise "kendi kendine oynama" (self-play) kullanılmıştır: programın iki kopyası birbirine karşı oynuyor, kazanan tarafın stratejisi güçlendiriliyordu [10]. Bu kendi kendine oynama mekanizması, altmış yıl sonra DeepMind'ın AlphaZero'sunda muazzam ölçekte yeniden hayata geçirilecekti [31].
4b. Kilit Aktörler ve Katkıları
Arthur Lee Samuel (1901–1990). Samuel, Illinois doğumlu bir elektrik mühendisiydi. MIT'de lisans ve yüksek lisans eğitimi almış, 1930'larda vakum tüpleri üzerine öncü çalışmalar yapmıştı [27]. İkinci Dünya Savaşı sırasında MIT Radyasyon Laboratuvarı'nda radar teknolojisi üzerine çalışan Samuel, savaş sonrasında Illinois Üniversitesi'ne dönmüş ve 1949'da IBM'e geçmiştir [14]. IBM'de Samuel'in asıl görevi, IBM 701 ve sonrasında IBM 704 bilgisayarlarının geliştirilmesine katkı sağlamaktı; dama programı, resmi görevlerinin dışında, kişisel merakla sürdürdüğü bir yan projeydi [6]. Bu durum, erken dönem yapay zeka araştırmalarının pek çoğunun — tam da SNARC gibi — kurumsal destek ile bireysel tutku arasındaki ince dengede hayat bulduğunu göstermektedir.
Samuel'in bilimsel kişiliğinin dikkat çekici bir yönü, popülerlik ve akademik prestijden kaçınan mütevazı tavrıydı. 1959 makalesini yayımladığında elli sekiz yaşındaydı ve akademik kariyerinin zirvesinde değil, olgunluk dönemindeydi [14]. Bu olgunluk, makalesinin tonuna yansımıştır: Samuel, programının başarılarını abartmaktan özenle kaçınmış, sınırlılıklarını açıkça belirtmiş ve "makine düşünebilir mi?" gibi provokatif sorulara girmekten bilinçli biçimde uzak durmuştur [3].
IBM'in Kurumsal Rolü. IBM, Samuel'e doğrudan araştırma görevi vermemiş olsa da, şirketin bilgisayarlarına erişim sağlayarak ve dama gösterisinin televizyonda yayınlanmasını destekleyerek dolaylı ama kritik bir katkı sunmuştur [6]. IBM 701'in 1952'deki teslimatıyla başlayan süreçte, Samuel programını önce IBM 701 üzerinde geliştirmiş, ardından 1955'te IBM 704'e — kayan noktalı aritmetik birimi ve indeks kayıtları sayesinde çok daha güçlü bir makine — taşımıştır [26]. IBM'in pazarlama departmanı, dama programının kamuya açık gösterimlerini düzenleyerek, bilgisayarların "yalnızca hesaplama yapan soğuk makineler" olmadığını, öğrenme ve strateji kapasitesine sahip olduklarını sergilemiştir [13].
Claude Shannon'ın Entelektüel Katkısı. Samuel, dama programının tasarımında Shannon'ın 1950 tarihli satranç makalesinden doğrudan etkilendiğini açıkça belirtmiştir [19]. Shannon'ın "B tipi strateji" kavramı — tam arama yerine sezgisel değerlendirme kullanma fikri — Samuel'in programının temel mimarisini şekillendirmiştir. Ayrıca Shannon'ın Bell Laboratuvarları'nda geliştirdiği Theseus labirent çözücü fare (1950–1951), SNARC ile birlikte Samuel'in çağdaşı olan ve benzer motivasyonlarla — makinelerin deneyimden öğrenebileceğini gösterme — tasarlanmış bir projeydi [32].
4c. Dönem İçindeki Yeri
Samuel'in dama programı, kendi döneminde hem bilimsel hem de kamusal düzeyde önemli bir etki yaratmıştır. Bilimsel düzeyde, program 1952'den itibaren IBM'in dahili gösterimlerinde sergilenmiş ve 1956'da Dartmouth Konferansı'nda tartışılmıştır [9]. McCarthy, Minsky, Rochester ve Shannon'ın 1955'teki Dartmouth teklif metninde, makinelerin "öğrenme" kapasitesinin araştırılması gereken temel konulardan biri olarak listelenmiş olması, Samuel'in çalışmasının bu talebi somutlaştıran en güçlü kanıt olduğunu göstermektedir [33].
Kamusal düzeyde, 1956'daki CBS televizyon gösterisi bir dönüm noktasıydı. Programın deneyimli bir insan oyuncuyu — Connecticut eyalet dama şampiyonunun kendisi Robert Nealey değil, ancak güçlü bir amatör — yenmesi, basında büyük yankı uyandırmıştır [13]. Bu gösterim, "düşünen makineler" kavramını akademik salonlardan çıkararak Amerikan evlerine taşımıştır. Ancak bu kamusal başarı, bazı abartılı iddialara da zemin hazırlamıştır: bazı gazete başlıkları programın "insanlardan daha akıllı" olduğunu ima etmiş, bu da yapay zeka alanının karşılaşacağı "aşırı beklenti" sorunlarının erken bir habercisi olmuştur [6].
Programın bir başka önemli etkisi, IBM içindeki araştırma kültürüne olmuştur. Samuel'in başarısı, IBM'in 1956'da kuracağı IBM Research laboratuvarlarının entelektüel meşruiyetine katkı sağlamıştır: bilgisayar şirketlerinin yalnızca ürün geliştirmekle kalmayıp, temel araştırma da yapabileceğinin kanıtı olmuştur [26].
4d. Genel YZ Tarihindeki Yeri
Samuel'in dama programı, yapay zeka tarihindeki birkaç kritik gelişmenin doğrudan veya dolaylı öncüsüdür.
Birincisi, "makine öğrenmesi" kavramının kurumsallaşması: Samuel'in 1959 makalesindeki tanım, bugün trilyonlarca dolarlık bir endüstriyi tanımlayan terimin tarihsel kökenidir [3]. İkincisi, pekiştirmeli öğrenme paradigması: Samuel'in değerlendirme fonksiyonu öğrenme yaklaşımı, Sutton ve Barto'nun temporal difference öğrenme kuramının doğrudan kavramsal kaynağıdır [15]. Üçüncüsü, kendi kendine oynama (self-play) yöntemi: DeepMind'ın AlphaGo (2016) ve AlphaZero (2017) sistemleri, Samuel'in altmış yıl önce denediği bu yöntemi — devasa ölçekte ve derin sinir ağlarıyla — yeniden hayata geçirmiştir [31]. Dördüncüsü, bilgisayar oyun oynama araştırma geleneği: Samuel'den Schaeffer'ın Chinook'una, oradan Deep Blue'ya ve AlphaZero'ya uzanan çizgi, yapay zeka tarihinin en kesintisiz araştırma geleneklerinden birini oluşturmaktadır [23].
Samuel'in çalışması olmadan, Dartmouth Konferansı'ndaki "öğrenme" tartışmalarının somut bir referans noktası olmazdı ve makine öğrenmesi kavramının bu kadar erken bir dönemde kristalleşmesi gecikebilirdi.
5. Eleştirel Değerlendirme
Samuel'in dama programı, tarihsel önemi tartışılmaz olmakla birlikte, hem kendi döneminde hem de geriye dönük bakıldığında çeşitli eleştirel değerlendirmelere konu olmuştur.
Dönemindeki Eleştiriler. Programın en temel sınırlılığı, "genelleme" kapasitesinin daraltıcılığıydı. Samuel'in değerlendirme fonksiyonu, insan uzmanlar tarafından tanımlanan özelliklere (taş sayısı, hareketlilik, merkez kontrolü vb.) dayanıyordu; program bu özelliklerin ağırlıklarını öğrenebiliyordu, ancak yeni özellikler keşfetme kapasitesine sahip değildi [3]. Bu sınırlılık, günümüzde "özellik mühendisliği" (feature engineering) problemi olarak bilinir ve derin öğrenme devrimiyle — ağların kendi özelliklerini ham veriden otomatik olarak çıkarmasıyla — büyük ölçüde aşılmıştır [20].
İkinci eleştiri, programın performans düzeyine ilişkindir. Samuel'in programı, güçlü bir amatör düzeyine ulaşmış ancak profesyonel dünya şampiyonlarını yenmeyi hiçbir zaman başaramamıştır [16]. 1962'de Robert Nealey ile oynanan ve programın kazandığı ünlü oyun, Samuel tarafından önemli bir başarı olarak sunulmuş olsa da, Nealey'nin o dönemde gerçek dünya şampiyonluğu düzeyinde oynayıp oynamadığı tartışmalıdır — Schaeffer, Nealey'nin o maçta ciddi hatalar yaptığını göstermiştir [16]. Bu durum, yapay zeka tarihinde "başarının abartılması" (hype) probleminin erken bir örneğidir.
Geriye Dönük Değerlendirmeler. Bugünden bakıldığında, Samuel'in çalışmasının en önemli kavramsal sınırlılığı, programın "dar yapay zeka" (narrow AI) paradigmasını somutlaştırmasıdır: dama oynamayı öğrenen program, bu bilgiyi başka hiçbir alana aktaramamıştır [11]. Bu "transfer öğrenme" eksikliği, yapay zekanın altmış yıl boyunca çözmeye çalıştığı temel problemlerden birinin erken bir tezahürüdür.
Öte yandan, bazı araştırmacılar Samuel'in çalışmasının küçümsendiğini savunmışlardır. Sutton (1988), Samuel'in temporal difference öğrenme yönteminin tarihsel öneminin yeterince tanınmadığını ve bu yöntemin modern pekiştirmeli öğrenme kuramının doğrudan öncüsü olduğunu vurgulamıştır [34]. Sejnowski (2018), Samuel'in kendi kendine oynama yaklaşımının, yalnızca altmış yıl sonra — yeterli hesaplama gücü mevcut olduğunda — tam potansiyeline ulaştığını belirtmiştir [18]. Bu perspektiften bakıldığında, Samuel'in fikirleri zamanının teknolojik imkanlarının çok ötesindeydi.
Samuel'in bir diğer dikkat çekici sınırlılığı, çalışmasını yeterince teorik temellere oturtmamış olmasıdır. 1959 makalesinde Samuel, öğrenme mekanizmalarını büyük ölçüde ampirik — deneme-yanılma yoluyla — geliştirdiğini ve matematiksel bir öğrenme kuramından yoksun olduğunu dolaylı biçimde kabul etmiştir [3]. Bu teorik boşluk, ancak Sutton ve Barto'nun 1980'lerdeki çalışmalarıyla — Bellman'ın dinamik programlama kuramını, istatistiksel öğrenme teorisini ve Samuel'in ampirik içgörülerini birleştirerek — doldurulabilmiştir [15].
6. Etik ve Toplumsal Boyutlar
Samuel'in dama programı, yapay zekanın etik ve toplumsal boyutlarını düşünmek için önemli bir erken vaka çalışması sunmaktadır.
Kamuoyu Algısı ve "Hype" Sorunu. CBS televizyonundaki gösterimin ardından basında çıkan haberler, bilgisayarların "düşünebildiği" ve "insanlardan daha akıllı olabileceği" izlenimini yaratmıştır [6]. Bu durum, yapay zeka tarihinin tekrarlayan bir kalıbının — abartılı beklentiler, ardından hayal kırıklığı — ilk örneğidir. Samuel'in kendisi bu abartılardan rahatsız olmuş ve programının "düşünmediğini," yalnızca "etkili bir arama ve değerlendirme" yaptığını vurgulamaya çalışmıştır [14]. Ancak medyanın ve kamuoyunun bu nüansı kavraması güçtü. Günümüzde büyük dil modelleri (LLM'ler) etrafındaki "yapay genel zeka" söylemi, Samuel dönemindeki aşırı beklenti kalıbının çağdaş bir yansımasıdır.
Kurumsal Güç ve Araştırma Yönlendirmesi. Samuel'in IBM bünyesinde çalışması, bilimsel araştırmanın kurumsal bağlamla ilişkisine dair önemli sorular doğurmaktadır. IBM, dama programını kendi pazarlama stratejisine entegre ederek, araştırmanın yönünü ve sunumunu dolaylı biçimde etkilemiştir [6]. Program, bilimsel bir başarı olduğu kadar bir kurumsal reklam aracıydı da. Bu durum, günümüzde Google DeepMind, OpenAI ve Microsoft gibi şirketlerin yapay zeka araştırmalarını finanse ederken hem bilimsel ilerlemeye katkı sağlaması hem de sonuçları kurumsal çıkarlar doğrultusunda çerçevelemesi olgusunun tarihsel öncüsüdür [35].
Otomasyon ve İstihdam Kaygıları. Samuel'in çalışması, bilgisayarların "öğrenebileceğini" göstererek, otomasyon kaygılarının erken bir tetikleyicisi olmuştur. 1950'lerin sonunda, ABD'de "otomasyon" (automation) sözcüğü kamusal tartışmalarda sıkça kullanılmaya başlamış ve sendikalar bilgisayarların işsizliğe yol açacağı konusunda endişelerini dile getirmişlerdir [36]. Samuel'in programı, bu endişelerin somut bir referans noktası haline gelmiştir — "bir bilgisayar dama oynamayı öğrenebiliyorsa, yarın başka neyi öğrenecek?" sorusu, dönemin kamusal söyleminde yankılanmıştır.
Erişim Eşitsizliği. 1950'lerde bilgisayar erişimi, büyük ölçüde askeri kurumlar, büyük şirketler ve seçkin üniversitelerle sınırlıydı [12]. Samuel'in IBM 701 ve 704 gibi milyonlarca dolarlık makinelere erişim sağlayabilmesi, onun araştırmasını mümkün kılan bir ayrıcalıktı. Bu erişim eşitsizliği, yapay zeka araştırmalarının başlangıcından itibaren belirli kurumsal ve coğrafi merkezlerde yoğunlaşmasına katkıda bulunmuş ve bu merkezlerin dışında kalan araştırmacıların — özellikle gelişmekte olan ülkelerin bilim insanlarının — alana katkı sağlama olanaklarını sınırlamıştır.
7. Güncel Uygulamalar ve Miras
Samuel'in dama programının izleri, günümüz yapay zeka teknolojilerinde ve araştırma geleneklerinde birden fazla düzeyde görülmektedir.
Pekiştirmeli Öğrenme ve Temporal Difference Yöntemleri. Samuel'in değerlendirme fonksiyonunu deneyimle güncelleme yaklaşımı, Richard Sutton'un 1988'de resmileştirdiği temporal difference (TD) öğrenme kuramının doğrudan kavramsal öncüsüdür [34]. TD-öğrenme, günümüzde robotik kontrol, otonom araç navigasyonu, enerji yönetimi ve finansal optimizasyon gibi alanlarda yaygın biçimde kullanılmaktadır [15]. Gerald Tesauro'nun 1992'de geliştirdiği TD-Gammon tavla programı — Samuel'in yaklaşımını yapay sinir ağlarıyla birleştiren çalışma — bu geleneğin önemli bir halka olmuştur [37].
Kendi Kendine Oynama (Self-Play). Samuel'in programındaki kendi kendine oynama mekanizması, DeepMind'ın AlphaGo (2016) ve AlphaZero (2017) sistemlerinde devasa ölçekte yeniden hayata geçirilmiştir [31]. AlphaZero, Samuel'in altmış yıl önce denediği temel fikri — bir programın kendi kopyasına karşı oynayarak deneyim biriktirmesini — modern derin sinir ağları ve muazzam hesaplama gücüyle birleştirerek, satranç, Go ve shogi'de insanüstü performans elde etmiştir. Bu doğrudan entelektüel süreklilik, Samuel'in vizyonunun ne denli ileri görüşlü olduğunu göstermektedir.
Bilgisayar Oyun Oynama Geleneği. Samuel'den başlayan bilgisayar oyun oynama araştırma geleneği, yapay zeka tarihinin en verimli kollarından birini oluşturmuştur [23]. Schaeffer'ın Chinook programı 1994'te dünya dama şampiyonluğunu kazanmış ve 2007'de damanın tam matematiksel çözümünü — mükemmel oyunla her zaman berabere bittiğini — kanıtlamıştır [16]. IBM'in Deep Blue'su 1997'de dünya satranç şampiyonu Kasparov'u yenmiş, DeepMind'ın AlphaGo'su 2016'da Go dünya şampiyonu Lee Sedol'u devirmişti [31]. Bu zincirin her halkası, Samuel'in attığı ilk adımın üzerine inşa edilmiştir.
Makine Öğrenmesi Teriminin Mirası. Samuel'in 1959'da tanımladığı "makine öğrenmesi" kavramı, bugün yapay zekanın en büyük alt alanını tanımlamaktadır [3]. Derin öğrenme, doğal dil işleme, bilgisayarlı görü, öneri sistemleri ve daha pek çok uygulama, Samuel'in "bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren alan" tanımının kapsamına girmektedir. Bu terimin kalıcılığı, Samuel'in kavramsal netliğinin bir göstergesidir.
8. Bölüm Özeti
Arthur Samuel'in 1952'den itibaren geliştirdiği dama oynayan program, yapay zeka tarihinde çok boyutlu bir dönüm noktası oluşturmaktadır. Teknik düzeyde, minimax arama, alfa-beta budama, değerlendirme fonksiyonu öğrenme ve kendi kendine oynama gibi yöntemlerin ilk pratik uygulamalarını gerçekleştirmiştir. Kavramsal düzeyde, "makine öğrenmesi" terimini akademik literatüre kazandırmış ve bilgisayarların açıkça programlanmadan deneyimden öğrenebileceğini somut biçimde kanıtlamıştır. Toplumsal düzeyde, televizyon gösterimi yoluyla yapay zeka fikrini kamusal bilince taşımış — hem olumlu bir merak hem de abartılı beklentiler yaratarak.
Bu bölümün kitabın genel argümanına katkısı, yapay zekanın "donanımdan yazılıma" geçiş sürecinin belgelenmesidir. Bölüm 14'te incelediğimiz SNARC, öğrenmenin fiziksel donanımda — vakum tüpleri ve potansiyometrelerle — mümkün olduğunu göstermişti; Samuel'in programı ise aynı fikrin yazılım aracılığıyla — algoritmalar ve veri yapılarıyla — gerçekleştirilebileceğini kanıtlamıştır. Bu iki yaklaşım birlikte, makine öğrenmesinin hem bağlantıcı hem de sembolik temellerinin 1950'lerin başında zaten mevcut olduğunu göstermektedir.
Bir sonraki bölümde, Samuel'in çalışmasının da tartışıldığı ve yapay zekanın bağımsız bir araştırma disiplini olarak resmi doğuşunu simgeleyen 1956 Dartmouth Konferansı'nı ele alacağız. Samuel'in dama programı, bu konferansta "makineler gerçekten öğrenebilir" iddiasının en güçlü kanıtı olarak öne çıkmıştır — ve bu kanıt, bir grup genç bilim insanının "yapay zeka" adını verdikleri yeni bir alanın kuruluşunu meşrulaştırmıştır.
9. Kaynakça
[1] McCarthy, J., Minsky, M. L., Rochester, N. ve Shannon, C. E. (2006). A proposal for the Dartmouth summer research project on artificial intelligence, August 31, 1955. AI Magazine, 27(4), 12–14. (Orijinal 1955 teklif metninin yeniden yayımı.)
[2] Nilsson, N. J. (2010). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press.
[3] Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM Journal of Research and Development, 3(3), 210–229.
[4] Russell, S. J. ve Norvig, P. (2021). Artificial intelligence: A modern approach (4. baskı). Pearson.
[5] Samuel, A. L. (1960). Programming computers to play games. Advances in Computers, 1, 165–192.
[6] McCorduck, P. (2004). Machines who think: A personal inquiry into the history and prospects of artificial intelligence (2. baskı). A K Peters.
[7] Minsky, M. L. (1954). Neural nets and the brain model problem (Doktora tezi). Princeton University.
[8] Sejnowski, T. J. (2018). The deep learning revolution. MIT Press.
[9] Solomonoff, R. J. (1956). Dartmouth Summer Research Project notes. (Kişisel arşiv, yeniden yayımı: Solomonoff, G. (2023). IEEE Spectrum.)
[10] Samuel, A. L. (1967). Some studies in machine learning using the game of checkers. II—Recent progress. IBM Journal of Research and Development, 11(6), 601–617.
[11] Russell, S. J. ve Norvig, P. (2021). Artificial intelligence: A modern approach (4. baskı). Pearson.
[12] Nilsson, N. J. (2010). The quest for artificial intelligence. Cambridge University Press.
[13] Crevier, D. (1993). AI: The tumultuous history of the search for artificial intelligence. Basic Books.
[14] McCorduck, P. (2004). Machines who think (2. baskı). A K Peters.
[15] Sutton, R. S. ve Barto, A. G. (2018). Reinforcement learning: An introduction (2. baskı). MIT Press.
[16] Schaeffer, J. (2009). One jump ahead: Computer perfection at checkers (Gözden geçirilmiş baskı). Springer.
[17] McCarthy, J. (1990). Chess as the drosophila of AI. İçinde T. A. Marsland ve J. Schaeffer (Ed.), Computers, chess, and cognition (ss. 227–237). Springer.
[18] Sejnowski, T. J. (2018). The deep learning revolution. MIT Press.
[19] Shannon, C. E. (1950). Programming a computer for playing chess. Philosophical Magazine, 41(314), 256–275.
[20] Goodfellow, I., Bengio, Y. ve Courville, A. (2016). Deep learning. MIT Press.
[21] Alpaydın, E. (2018). Yapay öğrenme (4. baskı). Boğaziçi Üniversitesi Yayınevi.
[22] Nabiyev, V. V. (2021). Yapay zeka: İnsan-bilgisayar etkileşimi (6. baskı). Seçkin Yayıncılık.
[23] Campbell, M., Hoane, A. J. Jr. ve Hsu, F. (2002). Deep Blue. Artificial Intelligence, 134(1–2), 57–83.
[24] Turing, A. M. (1948). Intelligent machinery. İçinde D. C. Ince (Ed.), Collected works of A. M. Turing: Mechanical intelligence (ss. 107–127). North-Holland, 1992.
[25] Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.
[26] Bashe, C. J., Johnson, L. R., Palmer, J. H. ve Pugh, E. W. (1986). IBM's early computers. MIT Press.
[27] Samuel, A. L. (1983). AI: Where it has been and where it is going. Proceedings of the Eighth International Joint Conference on Artificial Intelligence (IJCAI-83), 1152–1157.
[28] Skinner, B. F. (1953). Science and human behavior. Macmillan.
[29] Hebb, D. O. (1949). The Organization of Behavior: A neuropsychological theory. Wiley.
[30] Knuth, D. E. ve Moore, R. W. (1975). An analysis of alpha-beta pruning. Artificial Intelligence, 6(4), 293–326.
[31] Silver, D., Hubert, T., Schrittwieser, J. vd. (2018). A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362(6419), 1140–1144.
[32] Shannon, C. E. (1952). Presentation of a maze-solving machine. Transactions of the Eighth Conference of the Josiah Macy Jr. Foundation, 173–180.
[33] McCarthy, J., Minsky, M. L., Rochester, N. ve Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. (Orijinal teklif metni.)
[34] Sutton, R. S. (1988). Learning to predict by the methods of temporal differences. Machine Learning, 3(1), 9–44.
[35] Bostrom, N. (2014). Superintelligence: Paths, dangers, strategies. Oxford University Press.
[36] Noble, D. F. (2011). Forces of production: A social history of industrial automation. Transaction Publishers.
[37] Tesauro, G. (1995). Temporal difference learning and TD-Gammon. Communications of the ACM, 38(3), 58–68.
10. Tartışma Soruları
1. Analitik: Samuel'in dama programındaki değerlendirme fonksiyonu, insan uzmanlar tarafından tanımlanan özellikler (taş sayısı, hareketlilik, merkez kontrolü vb.) üzerine inşa edilmiştir. Bu "özellik mühendisliği" yaklaşımı, modern derin öğrenme sistemlerinin "otomatik özellik çıkarımı" paradigmasından ne açıdan farklıdır? Özellik mühendisliğinin hâlâ avantajlı olduğu durumlar var mıdır?
2. Karşılaştırmalı: Samuel'in yazılım tabanlı dama programı ile bir önceki bölümde incelenen Minsky ve Edmonds'un donanım tabanlı SNARC projesi, makine öğrenmesinin iki farklı yaklaşımını — sembolik/sezgisel ve bağlantıcı — temsil etmektedir. Bu iki yaklaşımın 1950'lerdeki güçlü ve zayıf yönlerini karşılaştırınız. Günümüzde bu iki gelenek ne ölçüde birleşmiştir?
3. Spekülatif: Eğer Samuel, IBM yerine bir üniversitede çalışsaydı ve dama programı kurumsal bir pazarlama aracı olarak kullanılmasaydı, programın bilimsel etkisi artardı mı yoksa azalır mıydı? Kurumsal destek ile bilimsel bağımsızlık arasındaki gerilim, yapay zeka araştırmalarının tarihsel gelişimini nasıl şekillendirmiştir?
4. Etik: Samuel'in dama programının CBS televizyonundaki gösterimi, kamuoyunda bilgisayarların "düşünebildiği" izlenimini yaratmıştır. Bu durum, günümüzde büyük dil modellerinin (LLM'ler) kamusal algılanmasıyla nasıl bir paralellik taşımaktadır? Yapay zeka araştırmacılarının, kamuoyunun beklentilerini yönetme konusundaki etik sorumlulukları nelerdir?
5. Güncel: Samuel'in "kendi kendine oynama" (self-play) mekanizması, DeepMind'ın AlphaZero'sunda (2017) devasa ölçekte yeniden hayata geçirilmiştir. Altmış yıl sonra aynı temel fikrin bu denli başarılı olması, yapay zeka araştırmalarında "fikir" ile "hesaplama gücü" arasındaki ilişki hakkında ne söylemektedir? Hangi mevcut fikirler, yeterli hesaplama gücüyle bugün tam potansiyellerine ulaşabilir?
6. Karşılaştırmalı: Samuel'in "makine öğrenmesi" tanımı — "bilgisayarlara açıkça programlanmadan öğrenme yeteneği veren alan" — ile günümüzde pratikte kullanılan makine öğrenmesi yöntemleri (denetimli öğrenme, derin öğrenme, büyük dil modelleri) arasındaki mesafeyi değerlendiriniz. Samuel'in tanımı hâlâ geçerli midir, yoksa güncellenmesi mi gerekmektedir?
7. Analitik: Samuel, 1959 makalesinde programının sınırlılıklarını açıkça belirtmiş ve abartılı iddialardan kaçınmıştır. Bu bilimsel alçakgönüllülük, günümüzün yapay zeka araştırma kültürüyle — özellikle büyük teknoloji şirketlerinin yaptığı duyurularla — nasıl karşılaştırılabilir? Bilimsel alçakgönüllülük ile kamuoyunun ilgisini çekme ihtiyacı arasındaki gerilim nasıl dengelenmelidir?
8. Spekülatif: Samuel'in programı, dama oyununu öğrenmiş ancak bu bilgiyi başka hiçbir alana aktaramamıştır. Günümüzde "transfer öğrenme" (transfer learning) bu sorunu kısmen çözmeye çalışmaktadır. Eğer Samuel 1950'lerde transfer öğrenme kavramını geliştirmiş olsaydı, yapay zeka araştırmalarının seyri nasıl değişirdi? Transfer öğrenme, yapay genel zeka (AGI) hedefine giden yolda ne ölçüde kritiktir?
9. Etik: Samuel'in çalışması, 1950'lerde ABD'deki "otomasyon" kaygılarının somut bir tetikleyicisi olmuştur. Günümüzde yapay zekanın istihdama etkisine dair tartışmalar, Samuel dönemindeki kaygılarla ne ölçüde örtüşmektedir? Yetmiş yıllık deneyim, bu kaygıların ne kadarının haklı çıktığını ve ne kadarının abartılı olduğunu göstermektedir?
10. Güncel: Jonathan Schaeffer'ın 2007'de damanın tam matematiksel çözümünü kanıtlaması — mükemmel oyunla her zaman berabere biten bir oyun olduğunun gösterilmesi — Samuel'in başlattığı araştırma geleneğinin zirvesidir. Bu "çözülmüş oyun" kavramı, yapay zekanın doğasına ilişkin ne söylemektedir? Bir problemi "çözmek" ile bir problemi "anlamak" arasındaki fark, yapay zeka felsefesi açısından nasıl değerlendirilmelidir?