Daniel Bernoulli ve Fayda Kavramı
Bernoulli'nin beklenen fayda teorisi ve bunun yapay zeka karar mekanizmalarına etkisi.
1. Giriş
Bir yapay zeka sistemi, otonom bir aracı frenleyip frenlememek arasında "karar verirken", bir öneri algoritması kullanıcıya hangi filmi "önerirken" ya da bir satranç motoru hangi hamleyi "seçerken", arka planda çalışan mantıksal çerçevenin kökeni 1738 yılına, İsviçreli matematikçi Daniel Bernoulli'nin Specimen Theoriae Novae de Mensura Sortis başlıklı makalesine uzanmaktadır [1]. Bernoulli bu çalışmasında, insanların belirsizlik altında karar verirken parasal değerin (beklenen değer) değil, öznel faydanın (utilitas) maksimizasyonunu temel aldığını öne sürmüştür. Bu deceptif ölçüde basit görünen fikir, modern karar teorisinin (decision theory), oyun teorisinin (game theory), davranışsal ekonominin (behavioral economics) ve nihayetinde yapay zeka sistemlerindeki rasyonel ajan paradigmasının (rational agent paradigm) kurucu kavramlarından birini oluşturmuştur [2].
1738 yılı, Avrupa Aydınlanması'nın olgunlaşma dönemine denk gelmektedir. Voltaire Fransa'da felsefi düşünceyi dönüştürmekte, Linnaeus canlıları sınıflandırmakta, John Harrison ise denizde boylam hesabı için kronometresini geliştirmektedir [3]. Bilim, artık yalnızca doğanın yasalarını keşfetmeye değil, bu yasaları insan davranışına ve toplumsal düzenlemeye uygulamaya yönelmiştir. Bernoulli'nin fayda kavramı, tam da bu entelektüel iklimde, matematiğin insan karar alma süreçlerini modelleme iddiasının en erken ve en etkili ifadelerinden biri olarak ortaya çıkmıştır [4].
Bernoulli'nin çözmeye çalıştığı problem, görünüşte basit bir kumar sorusudur: St. Petersburg Paradoksu olarak bilinen bu düşünce deneyi, bir oyunun beklenen değerinin sonsuz olmasına rağmen hiçbir rasyonel insanın bu oyuna sınırsız para ödemeye istekli olmadığı gözlemine dayanmaktadır [1]. Ancak Bernoulli'nin önerdiği çözüm — logaritmik fayda fonksiyonu ve azalan marjinal fayda ilkesi — yalnızca bir matematik problemi çözmemiş, aynı zamanda "rasyonel karar verme nedir?" sorusuna yepyeni bir yanıt vermiştir. Bu yanıt, yapay zeka araştırmacılarının yüzyıllar sonra "bir yapay ajan nasıl karar vermeli?" sorusuna aradıkları cevabın kavramsal şablonunu oluşturacaktır [5].
Bu bölümde, Bernoulli'nin fayda kavramının matematiksel içeriği, felsefi temelleri ve tarihsel bağlamı derinlemesine ele alınacak; St. Petersburg Paradoksu'ndan modern yapay zeka sistemlerine uzanan entelektüel soy ağacı çizilecek; von Neumann-Morgenstern fayda teorisi, Savage'ın öznel olasılık kuramı ve Kahneman-Tversky'nin beklenti teorisi gibi sonraki gelişmeler Bernoulli'nin mirasıyla ilişkilendirilecek; ve fayda maksimizasyonunun yapay zeka tasarımındaki hem gücü hem de sınırlılıkları eleştirel biçimde değerlendirilecektir. Bölüm 3'te incelediğimiz Leibniz'in kalkülüs keşfi, değişimin matematiksel analizini mümkün kılmıştı; Bernoulli ise bu matematiksel araçları insan tercihlerinin ve belirsizlik altında karar vermenin analizine uygulamış, böylece yapay zekanın "nasıl hesaplanır?" sorusundan "ne hesaplanmalı?" sorusuna geçişin kavramsal temelini atmıştır.
2. Literatür Taraması
Daniel Bernoulli'nin fayda teorisi üzerine akademik literatür, matematik tarihi, ekonomi, karar teorisi, felsefe ve yapay zeka araştırmaları gibi birbirini kesen birçok disiplinde derin bir birikim oluşturmuştur.
Bernoulli'nin 1738 tarihli orijinal makalesi, Latincedan İngilizceye ilk kez 1954 yılında Louise Sommer tarafından Econometrica dergisinde çevrilmiştir [1]. Bu çeviri, Bernoulli'nin fikirlerinin 20. yüzyıl ekonomi ve karar teorisi araştırmacıları tarafından yeniden keşfedilmesinde belirleyici bir rol oynamıştır. Bernoulli'nin orijinal metni, fayda kavramını matematiksel bir kesinlikle ortaya koyarken, aynı zamanda insan psikolojisine dair sezgisel gözlemler de içermektedir.
Ian Hacking'in The Emergence of Probability (1975) adlı eseri, olasılık kavramının 17. ve 18. yüzyıllarda nasıl şekillendiğini tarihsel bir perspektiften incelemektedir [6]. Hacking, Bernoulli ailesinin — özellikle Daniel'in amcası Jakob Bernoulli'nin Ars Conjectandi (1713) eserinin — olasılık teorisinin gelişimindeki merkezi rolünü vurgulamış ve Daniel Bernoulli'nin fayda kavramını bu ailenin entelektüel mirasının bir uzantısı olarak konumlandırmıştır.
Lorraine Daston'ın Classical Probability in the Enlightenment (1988) adlı çalışması, Aydınlanma döneminde olasılık kavramının bilimsel, hukuki ve toplumsal bağlamlarda nasıl kullanıldığını kapsamlı biçimde ele almıştır [7]. Daston, Bernoulli'nin fayda teorisinin yalnızca bir matematik problemi çözümü olmadığını, aynı zamanda "rasyonellik" kavramının Aydınlanma döneminde yeniden tanımlanmasının bir parçası olduğunu savunmuştur. Bu yorum, Bernoulli'nin yapay zeka tarihi açısından önemini doğru biçimde kavramamız için kritiktir.
John von Neumann ve Oskar Morgenstern'in Theory of Games and Economic Behavior (1944) adlı eseri, Bernoulli'nin sezgisel fayda kavramını aksiyomatik bir temele oturtmuştur [8]. Von Neumann ve Morgenstern, rasyonel tercihlerin belirli aksiyomları sağlaması durumunda, bir fayda fonksiyonunun var olacağını matematiksel olarak kanıtlamışlardır. Bu çalışma, Bernoulli'nin orijinal önerisini modern matematiksel standartlara yükselten kurucu eserdir.
Leonard Savage'ın The Foundations of Statistics (1954) adlı çalışması, Bernoulli'nin ve von Neumann-Morgenstern'in yaklaşımlarını genişleterek öznel beklenen fayda teorisini (subjective expected utility theory) geliştirmiştir [9]. Savage, olasılıkların da nesnel değil öznel olabileceğini savunarak, karar teorisinin kapsamını önemli ölçüde genişletmiştir. Bu yaklaşım, yapay zeka sistemlerinde Bayesçi karar verme modellerinin kavramsal temelini oluşturmuştur.
Daniel Kahneman ve Amos Tversky'nin "Prospect Theory: An Analysis of Decision Under Risk" (1979) başlıklı makalesi, Bernoulli'nin fayda teorisine yöneltilen en etkili eleştiriyi sunmuştur [10]. Kahneman ve Tversky, insanların gerçek karar verme davranışlarının sistematik olarak beklenen fayda teorisinden saptığını deneysel olarak göstermişlerdir. Kayıptan kaçınma (loss aversion), referans noktası bağımlılığı (reference dependence) ve olasılık ağırlıklandırması (probability weighting) gibi kavramlar, Bernoulli'nin modelinin insan psikolojisini tam olarak yansıtmadığını ortaya koymuştur.
Peter Bernstein'ın Against the Gods: The Remarkable Story of Risk (1996) adlı eseri, risk ve olasılık kavramlarının tarihsel gelişimini geniş bir okuyucu kitlesine erişilebilir biçimde anlatmıştır [11]. Bernstein, Daniel Bernoulli'nin fayda kavramını risk yönetimi tarihinin dönüm noktalarından biri olarak sunmuş ve bu kavramın modern finans, sigorta ve karar bilimlerine olan etkisini detaylandırmıştır.
Stuart Russell ve Peter Norvig'in Artificial Intelligence: A Modern Approach (2020) adlı standart yapay zeka ders kitabı, fayda teorisini rasyonel ajan tasarımının temel bileşenlerinden biri olarak ele almıştır [5]. Russell ve Norvig, maksimum beklenen fayda ilkesini (Maximum Expected Utility — MEU) yapay zeka sistemlerinin karar verme mekanizmasının çekirdeği olarak tanımlamış ve bu ilkenin tarihsel köklerini açıkça Bernoulli'ye bağlamışlardır.
Amartya Sen'in "Rational Fools: A Critique of the Behavioral Foundations of Economic Theory" (1977) başlıklı makalesi, fayda maksimizasyonuna dayalı rasyonellik kavramının etik ve toplumsal boyutlarını eleştirel biçimde sorgulamıştır [12]. Sen, salt fayda maksimizasyonunun, bağlılık (commitment), adalet duygusu ve toplumsal normlar gibi insan motivasyonlarını göz ardı ettiğini savunmuştur. Bu eleştiri, yapay zeka etiği tartışmalarında "bir yapay ajanın fayda fonksiyonu neyi optimize etmelidir?" sorusuyla doğrudan ilişkilidir.
Margaret Boden'ın Mind as Machine: A History of Cognitive Science (2006) adlı eserinde, fayda teorisinin bilişsel bilim ve yapay zeka araştırmaları üzerindeki etkisi geniş bir tarihsel çerçevede incelenmiştir [13]. Boden, Bernoulli'den başlayarak Herbert Simon'ın sınırlı rasyonalite (bounded rationality) kavramına uzanan düşünce hattını izlemiş ve fayda maksimizasyonu ile sınırlı rasyonalite arasındaki gerilimin yapay zeka araştırmalarını nasıl şekillendirdiğini tartışmıştır.
Herbert Simon'ın "A Behavioral Model of Rational Choice" (1955) başlıklı makalesi, Bernoulli'nin başlattığı fayda maksimizasyonu geleneğine alternatif bir paradigma sunmuştur [14]. Simon, gerçek karar alıcıların bilgi işleme kapasitelerinin sınırlı olduğunu ve bu nedenle "optimize etme" yerine "yeterince iyi" çözümler aradığını (satisficing) ileri sürmüştür. Bu kavram, yapay zeka sistemlerinin tasarımında pratik bir alternatif olarak büyük etki yaratmıştır.
Türkçe literatürde, Erhan Erkut'un Karar Verme (2019) adlı eseri, fayda teorisini ve karar analizini Türkçe okuyucuya sistematik biçimde sunmaktadır [15]. Ayrıca Cemal Yıldırım'ın Bilim Felsefesi (1979) adlı klasik eseri, tümevarım ve olasılık kavramlarının felsefi temellerini ele alarak Bernoulli'nin katkılarını Türk düşünce dünyasına tanıtmıştır [16].
Bu literatür genel olarak değerlendirildiğinde, Bernoulli'nin fayda kavramının üç farklı perspektiften ele alındığı görülmektedir: Birincisi, normatif perspektif, fayda maksimizasyonunu rasyonel karar vermenin ideal standardı olarak benimser (von Neumann-Morgenstern, Savage). İkincisi, betimleyici perspektif, insanların gerçekte bu standarttan nasıl saptığını araştırır (Kahneman-Tversky, Simon). Üçüncüsü, eleştirel perspektif, fayda maksimizasyonunun insan deneyimini ve etik boyutları ne ölçüde yansıtabildiğini sorgular (Sen). Bu üç perspektifin kesişimi, yapay zeka tasarımında "rasyonel ajan" kavramının hem gücünü hem de sınırlarını anlamamız için vazgeçilmezdir.
3. Tarihsel ve Teorik Arka Plan
Daniel Bernoulli'nin fayda kavramını anlamak için, 18. yüzyılın ilk yarısındaki entelektüel iklimi ve olasılık düşüncesinin gelişim sürecini kavramak gerekmektedir. Bu kavramın ortaya çıkışı, Bernoulli ailesinin matematiksel geleneği, Aydınlanma'nın rasyonellik ideali ve olasılık teorisinin erken tarihinin kesişiminde konumlanmaktadır.
Olasılık kavramının matematiksel temelleri, 1654 yılında Blaise Pascal ile Pierre de Fermat arasındaki ünlü mektuplaşmayla atılmıştır [6]. Pascal ve Fermat, "bölüşme problemi" (problem of points) olarak bilinen bir kumar sorusunu çözmeye çalışırken, olasılığın matematiksel çerçevesini oluşturmuşlardır. Bu çerçeve, bir olayın beklenen değerinin (expected value), o olayın olası sonuçlarının olasılıklarıyla ağırlıklandırılmış ortalaması olarak hesaplanabileceği fikrini ortaya koymuştur. Christiaan Huygens, 1657'de De Ratiociniis in Ludo Aleae adlı eserinde bu fikri sistematikleştirmiş ve beklenen değer kavramını matematiksel bir teori olarak formüle etmiştir [17].
Bernoulli ailesinin olasılık teorisine katkısı, Daniel'in amcası Jakob Bernoulli'nin ölümünden sonra 1713'te yayımlanan Ars Conjectandi adlı eseriyle zirveye ulaşmıştır [18]. Jakob Bernoulli, büyük sayılar yasasını (law of large numbers) kanıtlamış ve olasılık teorisinin yalnızca kumar oyunlarına değil, hukuk, ticaret ve gündelik hayattaki karar verme süreçlerine de uygulanabileceğini savunmuştur. Daniel Bernoulli, amcasının bu entelektüel mirasını doğrudan devralmış ve beklenen değer teorisinin sınırlarını keşfederek onu aşmaya çalışmıştır [4].
18. yüzyılın ilk yarısı, Aydınlanma düşüncesinin Avrupa'da yaygınlaştığı bir dönemdir. Bu dönemin temel inancı, aklın ve matematiğin yalnızca doğanın değil, insan davranışının ve toplumsal düzenin de anlaşılmasında rehber olabileceğidir [7]. Bernoulli'nin fayda kavramı, bu inancın somut bir ifadesidir: İnsan tercihlerini ve karar verme süreçlerini matematiksel bir fonksiyon aracılığıyla modellemek, Aydınlanma rasyonalizminin en iddialı projelerinden birinin erken bir adımıdır.
Daniel Bernoulli (1700–1782), Basel'de doğmuş, dönemin en seçkin bilim ailelerinden birine mensuptur [4]. Babası Johann Bernoulli ve amcası Jakob Bernoulli, 17. ve 18. yüzyılın önde gelen matematikçilerindendi. Daniel, tıp eğitimi almış, ancak matematiğe ve fizik bilimine yönelmiştir. 1725'te St. Petersburg Bilimler Akademisi'ne (İmparatorluk Bilimler Akademisi) davet edilmiş ve burada sekiz yıl boyunca çalışmıştır. Specimen Theoriae Novae de Mensura Sortis makalesi, bu dönemde kaleme alınmış ve St. Petersburg Akademisi'nin dergisi olan Commentarii Academiae Scientiarum Imperialis Petropolitanae'de yayımlanmıştır [1].
Teorik arka plan açısından, Bernoulli'nin fayda kavramı, Bölüm 1'de incelediğimiz Hobbes'un mekanik düşünce teorisi ve Bölüm 2'de ele aldığımız Leibniz'in hesaplamalı düşünce vizyonuyla dolaylı ama önemli bağlantılar taşımaktadır. Hobbes, düşüncenin hesaplama olduğunu; Leibniz, bu hesaplamanın mekanikleştirilebileceğini savunmuştu. Bernoulli ise bir adım daha ileri giderek, insan tercihlerinin — yani neyin hesaplanmaya değer olduğunun — kendisinin de matematiksel bir fonksiyonla ifade edilebileceğini göstermiştir [5]. Bu kavramsal zincir, yapay zekanın "hesapla" buyruğundan "neyi hesapla" sorusuna geçişinin entelektüel arkeolojisini oluşturmaktadır.
Bernoulli'nin entelektüel bağlamını tamamlamak için, 18. yüzyılın başlarındaki bilimsel kurumsallaşma sürecine de değinmek gerekir. St. Petersburg'daki İmparatorluk Bilimler Akademisi, Çar I. Petro tarafından 1724'te kurulmuş ve Batı Avrupa'nın en yetenekli bilim insanlarını cömert maaşlarla davet etmiştir [3]. Leonhard Euler, Daniel Bernoulli ve diğer önde gelen matematikçiler, bu kurumda çalışarak 18. yüzyılın matematiksel bilgi üretiminin önemli bir bölümünü gerçekleştirmişlerdir. Bernoulli'nin fayda teorisi makalesi, bu kurumsal altyapı sayesinde yayımlanmış ve bilim camiasına ulaşmıştır. Bilimsel bilgi üretiminin bireysel dahiden kurumsal yapıya dönüşümü, yapay zeka tarihinin sonraki dönemlerinde de tekrarlanan bir örüntüdür.
4. Ana Konu Analizi
4a. Temel Mekanizma: St. Petersburg Paradoksu ve Logaritmik Fayda Fonksiyonu
Bernoulli'nin fayda kavramının doğuş noktası, kuzeni Nicolas Bernoulli tarafından 1713 yılında formüle edilen ve "St. Petersburg Paradoksu" olarak adlandırılan problem olmuştur [1]. Paradoks şu şekilde ifade edilir: Bir madeni para atılır. Tura gelirse oyuncu 2 dukat kazanır ve oyun biter. Yazı gelirse madeni para tekrar atılır. İkinci atışta tura gelirse 4 dukat, üçüncü atışta tura gelirse 8 dukat kazanılır; bu böyle devam eder. Oyunun beklenen değeri, her aşamadaki kazancın olasılıkla çarpımının toplamıdır: (1/2 × 2) + (1/4 × 4) + (1/8 × 8) + ... = 1 + 1 + 1 + ... = ∞ (sonsuz) [11].
Beklenen değer teorisine göre, rasyonel bir kişi bu oyuna katılmak için sonsuz miktarda para ödemeye razı olmalıdır. Ancak hiçbir makul insan böyle yapmaz; çoğu kişi bu oyun için yalnızca küçük bir miktar ödemeye isteklidir [1]. İşte bu çelişki — sonsuz beklenen değere sahip bir oyunun sınırlı çekiciliği — St. Petersburg Paradoksu'nun özüdür.
Bernoulli'nin çözümü zarif ve devrimcidir: İnsanlar parasal değerin kendisini değil, parasal değerin sağladığı faydayı (utilitas) maksimize ederler [1]. Bernoulli, faydanın parasal değerle doğrusal değil, logaritmik bir ilişki içinde olduğunu önermiştir. Matematiksel olarak: U(x) = k × log(x), burada U fayda fonksiyonu, x servet düzeyi, k ise bir sabittir [4]. Bu formülasyon, azalan marjinal fayda (diminishing marginal utility) ilkesini içermektedir: Ek bir dukatın sağladığı fayda, kişinin mevcut servet düzeyine bağlıdır. Yoksul bir kişi için 100 dukat, zengin bir kişi için 100 dukattan çok daha fazla fayda sağlar [1].
Bu çözüm, St. Petersburg Paradoksu'nu çözmektedir: Beklenen fayda (beklenen değer yerine) hesaplandığında, oyunun değeri sonlu bir sayıya yakınsar [11]. Ancak Bernoulli'nin katkısı bu teknik çözümün çok ötesindedir. O, insanların karar verme süreçlerini nesnel değerler değil, öznel değerlendirmeler temelinde modellemek gerektiğini göstermiştir. Bu paradigma kayması, yapay zeka tarihindeki "rasyonel ajan" kavramının entelektüel tohumunu oluşturmaktadır [5].
4b. Kilit Aktörler ve Katkıları
Bernoulli'nin fayda kavramının gelişiminde ve sonraki dönüşümünde birkaç kilit aktör belirleyici rol oynamıştır.
Daniel Bernoulli (1700–1782): Fayda kavramının yaratıcısı olarak, Bernoulli hem matematikçi hem de doğa bilimciydi [4]. Hydrodynamica (1738) adlı eseriyle akışkanlar dinamiğinin temellerini de atan Bernoulli, çok yönlü bir bilim insanıydı. Fayda teorisi, onun entelektüel projesinin yalnızca bir boyutunu temsil etmektedir, ancak entelektüel mirası açısından en kalıcı katkılarından biri olmuştur.
Nicolas Bernoulli (1687–1759): Daniel'in kuzeni Nicolas, St. Petersburg Paradoksu'nu ilk formüle eden kişidir [6]. Nicolas'ın problemi, Pierre Rémond de Montmort ile mektuplaşması sırasında ortaya çıkmış ve dönemin matematikçileri arasında yoğun bir tartışma başlatmıştır. Bu tartışma, Daniel Bernoulli'nin çözümü için motivasyon kaynağı olmuştur.
Gabriel Cramer (1704–1752): Cenevreli matematikçi Cramer, Bernoulli'den bağımsız olarak benzer bir çözüm önermiş ve fayda fonksiyonunun karekök formunda (U(x) = √x) olabileceğini ileri sürmüştür [4]. Cramer'in çözümü, Bernoulli'nin logaritmik formülünden farklı olmakla birlikte, azalan marjinal fayda ilkesini paylaşmaktadır. Bu bağımsız keşif, fayda kavramının dönemin entelektüel ikliminde "havada" olduğunu göstermektedir.
John von Neumann ve Oskar Morgenstern: 1944 yılında yayımlanan Theory of Games and Economic Behavior adlı eserlerinde, Bernoulli'nin sezgisel fayda kavramını aksiyomatik bir temele oturtmuşlardır [8]. Von Neumann-Morgenstern fayda teoremi, rasyonel tercihlerin dört temel aksiyomu — tamlık (completeness), geçişlilik (transitivity), süreklilik (continuity) ve bağımsızlık (independence) — sağlaması durumunda, bu tercihlerin bir fayda fonksiyonuyla temsil edilebileceğini kanıtlamıştır. Bu aksiyomatik yaklaşım, Bernoulli'nin sezgisel önerisini modern matematik standartlarına taşımıştır.
4c. Dönem İçindeki Yeri
Bernoulli'nin fayda kavramı, kendi döneminde hemen geniş bir kabul görmemiştir. 18. yüzyılın matematikçi ve filozofları, beklenen değer teorisinin sınırlılıklarını kabul etmekle birlikte, Bernoulli'nin logaritmik fayda fonksiyonunun keyfi (arbitrary) olduğunu eleştirmişlerdir [7]. Neden logaritmik fonksiyon? Neden karekök değil? Bu soru, fayda fonksiyonunun biçiminin a priori mi yoksa ampirik olarak mı belirlenebileceği tartışmasını başlatmıştır.
Bununla birlikte, Bernoulli'nin temel kavramsal yeniliği — nesnel değer yerine öznel fayda — zamanla ekonomi teorisinin merkezine yerleşmiştir. Jeremy Bentham'ın faydacılık (utilitarianism) felsefesi, 18. yüzyılın sonlarında fayda kavramını etik ve siyaset teorisine taşımıştır [19]. Bentham, "en fazla sayıda insana en fazla mutluluk" ilkesiyle, Bernoulli'nin bireysel fayda kavramını toplumsal düzeye taşımış ve bu kavramı bir yönetim felsefesine dönüştürmüştür. 19. yüzyılda marjinalist devrim — William Stanley Jevons, Carl Menger ve Léon Walras'ın bağımsız çalışmaları — azalan marjinal fayda ilkesini modern ekonominin temel taşlarından biri haline getirmiştir [20]. Bu uzun tarihsel süreç, Bernoulli'nin 1738'deki sezgisinin ne denli öngörücü olduğunu göstermektedir.
Bernoulli'nin çağdaşları arasında fayda kavramına ilgi gösteren başka düşünürler de bulunmaktadır. Georges-Louis Leclerc de Buffon, 1777'de yayımladığı Essai d'arithmétique morale adlı eserinde, Bernoulli'nin fayda kavramını ahlaki karar verme bağlamında ele almış ve "ahlaki kesinlik" (moral certainty) kavramını geliştirmiştir [7]. Bu etkileşim, fayda kavramının yalnızca matematik ve ekonomi alanında değil, aynı zamanda ahlak felsefesi ve toplum bilimlerinde de yankı bulduğunu göstermektedir.
4d. Genel YZ Tarihindeki Yeri
Bernoulli'nin fayda kavramı, yapay zeka tarihindeki yeri açısından kritik bir kavramsal köprü oluşturmaktadır. Stuart Russell ve Peter Norvig'in formülasyonuyla, modern yapay zeka araştırmalarının temel çerçevesi "rasyonel ajan" paradigmasıdır: Bir ajan, verili bilgi ve inançları (beliefs) çerçevesinde beklenen faydayı (expected utility) maksimize eden eylemi seçmelidir [5]. Bu formülasyon, doğrudan Bernoulli'nin beklenen fayda kavramına dayanmaktadır.
Maksimum Beklenen Fayda (MEU) ilkesi, yapay zeka sistemlerinin karar verme mekanizmasının omurgasını oluşturmaktadır [5]. Bir yapay ajanın eylem seçimi, şu formüle dayanır: a = argmax_a Σ P(s'|a) × U(s'), burada a optimal eylem, P(s'|a) eylemin olası sonuçlarının olasılıkları ve U(s') bu sonuçların fayda değerleridir. Bu formül, Bernoulli'nin 1738'de önerdiği çerçevenin doğrudan bir genellemesidir.
Bernoulli'nin fayda kavramı olmadan, yapay zeka tarihindeki birçok kritik gelişme mümkün olmazdı: Oyun teorisi ve çok ajanlı sistemler (multi-agent systems), Bayesçi karar ağları (Bayesian decision networks), Markov karar süreçleri (Markov decision processes) ve pekiştirmeli öğrenme (reinforcement learning) algoritmaları, tümü fayda fonksiyonu kavramına dayanmaktadır [2]. Pekiştirmeli öğrenmedeki "ödül fonksiyonu" (reward function), Bernoulli'nin fayda fonksiyonunun modern bir türevidir.
Bu bağlantıyı daha somut hale getirmek için, Richard Bellman'ın 1957'de geliştirdiği dinamik programlama (dynamic programming) çerçevesini ele almak yararlıdır [24]. Bellman'ın optimallık ilkesi (principle of optimality), bir karar vericinin gelecekteki toplam faydayı (ya da ödülü) maksimize eden eylem dizisini seçmesi gerektiğini belirtir. Bu ilke, Bernoulli'nin beklenen fayda maksimizasyonunun zamana yayılmış, çok aşamalı versiyonudur. Günümüzün pekiştirmeli öğrenme algoritmalarının — Q-öğrenmeden (Q-learning) politika gradyanı (policy gradient) yöntemlerine — tamamı, Bellman denklemi aracılığıyla Bernoulli'nin fayda kavramıyla doğrudan bağlantılıdır.
5. Eleştirel Değerlendirme
Bernoulli'nin fayda kavramı, tarihsel önemi tartışılmaz olmakla birlikte, önemli eleştirilere maruz kalmıştır. Bu eleştiriler hem kavramın iç tutarlılığına hem de insan davranışını temsil etme kapasitesine yöneliktir.
Birincisi, logaritmik fayda fonksiyonunun biçimi tartışmalıdır. Bernoulli, bu fonksiyonu ampirik bir temele değil, sezgisel bir gerekçeye dayandırmıştır [1]. Karl Menger, 1934'te yayımladığı bir makalede, Bernoulli'nin logaritmik fonksiyonunun bile St. Petersburg Paradoksu'nun genelleştirilmiş versiyonlarını çözemediğini göstermiştir — ödüller yeterince hızlı artırılırsa, logaritmik fayda fonksiyonuyla hesaplanan beklenen fayda da sonsuza ıraksayabilir [21]. Bu "süper-St. Petersburg paradoksu", fayda fonksiyonunun sınırlı (bounded) olması gerektiği tartışmasını başlatmıştır.
İkincisi, Kahneman ve Tversky'nin beklenti teorisi (prospect theory), Bernoulli'nin modelinin insanların gerçek karar verme davranışlarını sistematik olarak yanlış tahmin ettiğini deneysel verilerle göstermiştir [10]. Kahneman, 2011'de yayımlanan Thinking, Fast and Slow adlı eserinde, Bernoulli'nin en büyük hatasının "referans noktası körlüğü" olduğunu vurgulamıştır [22]: Bernoulli'nin modeli, faydayı toplam servet düzeyinin bir fonksiyonu olarak tanımlarken, insanlar gerçekte kazanç ve kayıpları bir referans noktasına göre değerlendirmektedir. Bu fark, yapay zeka sistemlerinin insan tercihlerini modellemede karşılaştığı temel zorluklardan birini açıklamaktadır.
Üçüncüsü, Herbert Simon'ın sınırlı rasyonalite (bounded rationality) kavramı, Bernoulli'nin fayda maksimizasyonu idealinin pratikte uygulanabilirliğini sorgulamıştır [14]. Simon, gerçek karar alıcıların — ister insan ister yapay ajan olsun — bilgi işleme kapasitelerinin sınırlı olduğunu ve bu nedenle "optimize etme" yerine "yetinme" (satisficing) stratejisi izlediklerini savunmuştur. Bu eleştiri, yapay zeka araştırmalarında hesaplama karmaşıklığı (computational complexity) ve sezgisel yöntemler (heuristics) alanlarının gelişmesine öncülük etmiştir.
Dördüncüsü, fayda fonksiyonunun tek boyutlu (unidimensional) yapısı, insan tercihlerinin çok boyutlu ve bağlama bağımlı (context-dependent) doğasını tam olarak yansıtamamaktadır [12]. Sen'in "rasyonel ahmaklar" eleştirisi, fayda maksimizasyonuna dayalı modellerin bağlılık, adalet ve toplumsal normlar gibi motivasyonları göz ardı ettiğini göstermiştir. Bu eleştiri, yapay zeka etiği alanında "değer hizalama problemi" (value alignment problem) olarak yeniden güncellik kazanmıştır.
Bununla birlikte, bu eleştirilerin Bernoulli'nin katkısını geçersiz kılmadığını belirtmek gerekir. Bernoulli'nin asıl başarısı, belirli bir fayda fonksiyonu önermek değil, karar verme süreçlerini matematiksel bir fonksiyon aracılığıyla modelleme fikrini ortaya koymaktır [4]. Bu kavramsal çerçeve, sonraki tüm gelişmelerin — von Neumann-Morgenstern aksiyomları, beklenti teorisi, sınırlı rasyonalite ve değer hizalama tartışmaları dahil — temelini oluşturmaktadır.
Beşincisi, Bernoulli'nin modelinin kültürler arası geçerliliği sorgulanmıştır. Batı rasyonalitesi geleneğinden doğan fayda maksimizasyonu kavramı, bireyci olmayan toplumsal yapılarda farklı biçimler alabilmektedir [7]. Kolektif karar verme mekanizmalarının, aile veya topluluk bağlarının ya da ruhani değerlerin ağır bastığı kültürel bağlamlarda, bireysel fayda maksimizasyonu modeli yetersiz kalabilir. Bu kültürel boyut, küresel ölçekte dağıtılan yapay zeka sistemlerinin tasarımında önemli bir sorun oluşturmaktadır.
6. Etik ve Toplumsal Boyutlar
Bernoulli'nin fayda kavramı, başlangıçta yalnızca bir matematiksel çözüm olarak ortaya çıkmış olsa da, zaman içinde derin etik ve toplumsal sonuçlar doğurmuştur. Bu sonuçlar, günümüz yapay zeka sistemlerinin tasarımı ve toplumsal etkileri açısından doğrudan ilişkilidir.
Birincisi, fayda kavramı "rasyonellik" tanımını daraltmıştır. Bernoulli'den sonra, rasyonel olmak giderek artan biçimde "fayda maksimize etmek" ile özdeşleştirilmiş; bu tanımın dışında kalan motivasyonlar — fedakârlık, toplumsal sorumluluk, estetik değerler — "irrasyonel" olarak nitelendirilme riskiyle karşı karşıya kalmıştır [12]. Yapay zeka sistemlerinin fayda fonksiyonlarıyla tasarlanması, bu dar rasyonellik tanımını teknolojik bir gerçekliğe dönüştürmektedir. Bir öneri sisteminin kullanıcı etkileşimini maksimize etmesi "rasyonel" olabilir, ancak bu rasyonellik bağımlılık yapıcı davranışları teşvik edebilir [23].
İkincisi, azalan marjinal fayda ilkesi, gelir eşitsizliği ve yeniden dağıtım politikaları için güçlü bir argüman sunmaktadır [19]. Eğer paranın sağladığı fayda azalan ise, toplam faydayı artırmanın yolu serveti daha eşit dağıtmaktır. Bu mantık, yapay zeka sistemlerinin toplumsal kaynak dağılımına etkisi tartışmalarında — örneğin algoritmik kredi puanlama, istihdam kararları ve sağlık hizmetlerinde önceliklendirme — doğrudan kullanılmaktadır.
Üçüncüsü, "kimin faydası?" sorusu, yapay zeka etiğinin en temel sorularından birini oluşturmaktadır. Bernoulli'nin orijinal modeli bireysel karar vericiyi merkeze almaktadır, ancak yapay zeka sistemleri genellikle birden fazla paydaşın faydasını etkilemektedir [23]. Bir otonom aracın bir kaza senaryosundaki kararı — hangi sonucun "en yüksek faydayı" sağladığını belirlemek — fayda kavramının etik sınırlarını dramatik biçimde ortaya koymaktadır. MIT'nin "Moral Machine" projesi, farklı kültürlerdeki insanların bu tür ikilemler karşısında birbirleriyle çelişen fayda değerlendirmeleri yaptığını göstermiştir [26]. Bu bulgu, tek bir evrensel fayda fonksiyonunun tüm insanlık için geçerli olamayacağını düşündürmektedir.
Dördüncüsü, fayda kavramının ölçülebilirlik varsayımı, insan deneyiminin indirgenemez çoğulculuğu ile gerilim içindedir. Bernoulli'nin modeli, tüm tercihlerin tek boyutlu bir fayda ölçeğinde sıralanabileceğini varsaymaktadır. Ancak Martha Nussbaum ve Amartya Sen'in "yapabilirlikler yaklaşımı" (capabilities approach), insan refahının tek bir sayıya indirgenemeyecek birden fazla boyutu olduğunu savunmuştur [27]. Bu eleştiri, yapay zeka sistemlerinin çok boyutlu değer çatışmalarını — örneğin verimlilik ile adalet, bireysel özgürlük ile toplumsal güvenlik arasındaki gerilimi — nasıl ele alacağı sorusuna dönüşmektedir.
7. Güncel Uygulamalar ve Miras
Bernoulli'nin fayda kavramının günümüzdeki mirası, hem teorik hem de pratik düzeyde derin ve yaygındır.
Yapay zeka sistemlerinin karar verme mekanizmalarında fayda fonksiyonları merkezi bir rol oynamaktadır. Pekiştirmeli öğrenme (reinforcement learning) algoritmaları, bir ajanın çevresiyle etkileşimde kümülatif ödülü (cumulative reward) — yani bir tür fayda fonksiyonunu — maksimize etmesini öğretmektedir [24]. DeepMind'ın AlphaGo ve AlphaZero sistemleri, oyun durumlarını değerlendiren fayda benzeri fonksiyonlar aracılığıyla insanüstü performans sergilemiştir [25].
Bayesçi karar ağları (Bayesian decision networks) ve Markov karar süreçleri (Markov decision processes), Bernoulli'nin beklenen fayda çerçevesinin formel genellemeleridir [5]. Bu modeller, otonom araç navigasyonundan tıbbi teşhis sistemlerine, finansal risk yönetiminden robotik planlamaya kadar geniş bir uygulama alanında kullanılmaktadır.
Değer hizalama problemi (value alignment problem), Bernoulli'nin fayda kavramının en güncel yansımasıdır [23]. Yapay zeka güvenliği araştırmacıları, güçlü yapay zeka sistemlerinin fayda fonksiyonlarının insan değerleriyle nasıl hizalanacağı sorusuyla yoğun biçimde ilgilenmektedir. Stuart Russell, Human Compatible (2019) adlı eserinde, bu problemi çağımızın en acil teknolojik sorunlarından biri olarak tanımlamıştır [23]. Russell'ın önerdiği çözüm — yapay ajanların kendi fayda fonksiyonları hakkında belirsiz olması ve insan tercihlerini gözlemleyerek öğrenmesi — doğrudan Bernoulli'nin başlattığı "öznel fayda" geleneğinin 21. yüzyıldaki bir uzantısıdır.
Akademik miras açısından, Bernoulli'nin fayda kavramı birden fazla araştırma geleneğini başlatmıştır: Normatif karar teorisi, davranışsal ekonomi, oyun teorisi, mekanizma tasarımı (mechanism design) ve yapay zeka etiği, tümü Bernoulli'nin 1738'de attığı kavramsal temelden beslenmektedir [2].
Davranışsal ekonomi alanında, Richard Thaler'in "dürtme" (nudge) kavramı, fayda teorisinin pratik uygulamalarının en güncel örneklerinden birini sunmaktadır [28]. Thaler, insanların fayda maksimizasyonundan sistematik olarak sapmasının, karar mimarisi (choice architecture) aracılığıyla yönlendirilebileceğini göstermiştir. Yapay zeka destekli öneri sistemleri ve kişiselleştirilmiş arayüzler, bu dürtme mekanizmalarını otomatikleştirmekte ve ölçeklendirmektedir — bu durum, Bernoulli'nin fayda kavramının beklenmedik bir toplumsal sonucudur.
Büyük dil modelleri (large language models) ve üretken yapay zeka (generative AI) alanında da fayda kavramının izleri belirgindir. İnsan geri bildirimiyle pekiştirmeli öğrenme (Reinforcement Learning from Human Feedback — RLHF) yöntemi, bir modelin çıktılarını insan tercihlerine dayalı bir ödül fonksiyonuyla optimize etmektedir [29]. Bu ödül fonksiyonu, esasen Bernoulli'nin öznel fayda kavramının algoritmik bir uygulamasıdır: Nesnel bir "doğruluk" ölçütü yerine, insanların öznel değerlendirmelerine dayalı bir fayda fonksiyonu kullanılmaktadır.
8. Bölüm Özeti
Daniel Bernoulli'nin 1738'de ortaya koyduğu fayda kavramı, yapay zeka tarihinin kritik entelektüel dönüm noktalarından birini temsil etmektedir. St. Petersburg Paradoksu'na getirdiği logaritmik fayda çözümü, yalnızca bir matematik problemi çözmemiş; insan karar alma süreçlerinin matematiksel olarak modellenmesinin kavramsal çerçevesini oluşturmuştur. Bu çerçeve, von Neumann-Morgenstern aksiyomatik fayda teorisi, Savage'ın öznel beklenen fayda kuramı ve nihayetinde modern yapay zeka sistemlerinin rasyonel ajan paradigması aracılığıyla, 21. yüzyılın en güçlü teknolojilerinin temel tasarım ilkelerinden biri haline gelmiştir.
Bernoulli'nin katkısı, kitabımızın genel argümanı açısından önemli bir geçiş noktasına işaret etmektedir: Bölüm 1'de Hobbes düşüncenin hesaplama olduğunu iddia etmiş, Bölüm 2'de Leibniz bu hesaplamayı mekanikleştirmeyi hayal etmiş, Bölüm 3'te kalkülüsün keşfi değişimin matematiksel analizini mümkün kılmıştır. Bernoulli ile birlikte, "ne hesaplanmalı?" sorusu — yani bir karar vericinin optimize etmesi gereken amaç fonksiyonu — matematiksel bir cevaba kavuşmuştur. Bir sonraki bölümde ele alınacak olan David Hume'un tümevarım analizi, bu hesaplama geleneğinin epistemolojik temellerini sorgulayarak, yapay zeka tarihinin felsefi boyutuna yeni ve derin bir katman ekleyecektir.
9. Kaynakça
1. Bernoulli, D. (1738/1954). Exposition of a new theory on the measurement of risk (L. Sommer, Çev.). Econometrica, 22(1), 23–36. (Orijinal yayın: Specimen Theoriae Novae de Mensura Sortis, Commentarii Academiae Scientiarum Imperialis Petropolitanae, 5, 175–192.)
2. Peterson, M. (2009). An Introduction to Decision Theory. Cambridge University Press.
3. Israel, J. I. (2001). Radical Enlightenment: Philosophy and the Making of Modernity 1650–1750. Oxford University Press.
4. Stearns, S. C. (2000). Daniel Bernoulli (1738): Evolution and economics under risk. Journal of Biosciences, 25(3), 221–228.
5. Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4. baskı). Pearson.
6. Hacking, I. (1975). The Emergence of Probability: A Philosophical Study of Early Ideas About Probability, Induction and Statistical Inference. Cambridge University Press.
7. Daston, L. (1988). Classical Probability in the Enlightenment. Princeton University Press.
8. Von Neumann, J., & Morgenstern, O. (1944). Theory of Games and Economic Behavior. Princeton University Press.
9. Savage, L. J. (1954). The Foundations of Statistics. John Wiley & Sons.
10. Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291.
11. Bernstein, P. L. (1996). Against the Gods: The Remarkable Story of Risk. John Wiley & Sons.
12. Sen, A. (1977). Rational fools: A critique of the behavioral foundations of economic theory. Philosophy & Public Affairs, 6(4), 317–344.
13. Boden, M. A. (2006). Mind as Machine: A History of Cognitive Science. Oxford University Press.
14. Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118.
15. Erkut, E. (2019). Karar Verme. Optimist Yayınları.
16. Yıldırım, C. (1979). Bilim Felsefesi. Remzi Kitabevi.
17. Huygens, C. (1657). De Ratiociniis in Ludo Aleae. Elzevir.
18. Bernoulli, J. (1713). Ars Conjectandi. Thurnisiorum Fratrum.
19. Bentham, J. (1789). An Introduction to the Principles of Morals and Legislation. T. Payne and Son.
20. Blaug, M. (1997). Economic Theory in Retrospect (5. baskı). Cambridge University Press.
21. Menger, K. (1934). Das Unsicherheitsmoment in der Wertlehre. Zeitschrift für Nationalökonomie, 5(4), 459–485.
22. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
23. Russell, S. (2019). Human Compatible: Artificial Intelligence and the Problem of Control. Viking.
24. Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2. baskı). MIT Press.
25. Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., Hubert, T., Baker, L., Lai, M., Bolton, A., Chen, Y., Lillicrap, T., Hui, F., Sifre, L., van den Driessche, G., Graepel, T., & Hassabis, D. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676), 354–359.
26. Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J.-F., & Rahwan, I. (2018). The moral machine experiment. Nature, 563(7729), 59–64.
27. Nussbaum, M. C. (2011). Creating Capabilities: The Human Development Approach. Harvard University Press.
28. Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press.
29. Ouyang, L., Wu, J., Jiang, X., Almeida, D., Wainwright, C. L., Mishkin, P., Zhang, C., Agarwal, S., Slama, K., Ray, A., Schulman, J., Hilton, J., Kelton, F., Miller, L., Simens, M., Askell, A., Welinder, P., Christiano, P., Leike, J., & Lowe, R. (2022). Training language models to follow instructions with human feedback. Advances in Neural Information Processing Systems, 35, 27730–27744.
10. Tartışma Soruları
1. Analitik: St. Petersburg Paradoksu, beklenen değer teorisinin hangi temel varsayımlarının yetersizliğini ortaya koymaktadır? Bernoulli'nin logaritmik fayda fonksiyonu bu varsayımları nasıl aşmaktadır?
2. Karşılaştırmalı: Bernoulli'nin fayda teorisi ile Kahneman-Tversky'nin beklenti teorisi arasındaki temel farklar nelerdir? Bu farklar, yapay zeka sistemlerinin insan tercihlerini modellemesi açısından ne anlama gelmektedir?
3. Spekülatif: Eğer Bernoulli fayda kavramını ortaya koymasaydı, yapay zeka araştırmalarında "rasyonel ajan" paradigması nasıl şekillenirdi? Alternatif bir kavramsal çerçeve mümkün olabilir miydi?
4. Etik: Yapay zeka sistemlerinin fayda fonksiyonlarıyla tasarlanması, "rasyonellik" kavramını dar bir optimizasyon problemine indirgeme riski taşır mı? Bu riskin toplumsal sonuçları neler olabilir?
5. Karşılaştırmalı: Herbert Simon'ın sınırlı rasyonalite kavramı ile Bernoulli'nin fayda maksimizasyonu ideali arasındaki gerilim, yapay zeka sistem tasarımında nasıl yansımaktadır?
6. Güncel: Pekiştirmeli öğrenmedeki "ödül fonksiyonu" kavramı ile Bernoulli'nin "fayda fonksiyonu" arasındaki kavramsal benzerlikler ve farklılıklar nelerdir? Bu benzerlik rastlantısal mıdır yoksa doğrudan bir entelektüel miras mıdır?
7. Etik: "Kimin faydası?" sorusu, yapay zeka etiğinde neden merkezi bir öneme sahiptir? Bir otonom aracın kaza senaryosundaki karar mekanizması, bu sorunun aciliyetini nasıl göstermektedir?
8. Analitik: Bernoulli'nin fayda kavramı, Hobbes'un "düşünce hesaplamadır" tezinden ve Leibniz'in hesaplamalı düşünce vizyonundan kavramsal olarak nasıl ayrışmaktadır? Bu üç düşünür arasındaki entelektüel süreklilik ve kopuşlar nelerdir?
9. Spekülatif: Değer hizalama problemi (value alignment problem), Bernoulli'nin 1738'de öngöremeyeceği bir sorun mudur, yoksa fayda kavramının mantıksal bir sonucu olarak kaçınılmaz mıydı?