David Hume ve Tümevarım Problemi
Hume'un tümevarım problemi ve makine öğrenmesinin epistemolojik temelleri.
1. Giriş
Bir makine öğrenmesi algoritması, milyonlarca veri noktasından "öğrenerek" henüz görmediği bir görüntüyü sınıflandırırken, bir otonom araç geçmiş sürüş verilerine dayanarak bir sonraki saniyedeki trafik akışını tahmin ederken ya da bir büyük dil modeli milyarlarca cümleden çıkardığı örüntülere dayanarak bir sonraki kelimeyi üretirken — bu sistemlerin tamamı, farkında olsun ya da olmasın, 1739 yılında İskoç filozof David Hume'un A Treatise of Human Nature adlı eserinde ortaya koyduğu temel epistemolojik sorunla yüz yüzedir [1]. Hume'un tümevarım problemi (the problem of induction), basit ama yıkıcı bir soruyla formüle edilir: Geçmişte gözlemlediğimiz düzenlilikler, gelecekte de devam edecek midir — ve bu inancımızın rasyonel bir temeli var mıdır?
Bu soru, 18. yüzyılın entelektüel atmosferinde, Isaac Newton'un Principia Mathematica (1687) ile doğa yasalarının kesinliğine duyulan güvenin doruk noktasına ulaştığı bir dönemde sorulmuştur [2]. Avrupa'da Aydınlanma düşüncesi bilimsel aklı ve deneysel yöntemi yüceltirken, Hume bu yöntemin mantıksal temellerini sorgulamış ve bilimsel bilginin epistemolojik güvencesinin sanıldığı kadar sağlam olmadığını göstermiştir [3]. Hume'un bu müdahalesi, yalnızca felsefe tarihinde değil, yapay zeka tarihinde de derin izler bırakmıştır — zira modern yapay öğrenme sistemlerinin tamamı, özünde tümevarımsal çıkarım makineleridir [4].
1739 yılı, Avrupa'da entelektüel bir hareketliliğin yaşandığı bir dönemdir. Voltaire İngiltere'den dönerek Newton fiziğini Fransa'ya tanıtmakta, Linnaeus Systema Naturae'yi genişletmekte, Frederick Büyük Prusya tahtına çıkmaya hazırlanmaktadır [5]. İskoçya'da ise David Hume, henüz yirmi sekiz yaşında, La Flèche'de (Fransa) kaleme aldığı Treatise'i yayımlamıştır [1]. Hume'un bu erken dönem eseri, yayımlandığı anda pek ilgi görmemiş — Hume'un kendi deyişiyle "matbaadan ölü doğmuştur" — ancak zamanla felsefe tarihinin en etkili metinlerinden biri haline gelmiştir [6].
Bu bölümde, Hume'un tümevarım probleminin felsefi içeriği ve argüman yapısı derinlemesine ele alınacak; bu problemin Hume sonrası felsefe ve bilim felsefesindeki yankıları incelenecek; tümevarım probleminin makine öğrenmesi, istatistiksel çıkarım ve yapay zeka epistemolojisi açısından ne anlama geldiği analiz edilecek; ve Hume'un mirasının günümüz yapay zeka sistemlerinin güvenilirlik, genelleme ve açıklanabilirlik tartışmalarına nasıl bağlandığı gösterilecektir. Bölüm 4'te incelediğimiz Bernoulli'nin fayda kavramı, "ne hesaplanmalı?" sorusunu yanıtlamıştı; Hume ise bir adım geri çekilerek "hesaplama için kullandığımız deneyimsel bilgi, güvenilir midir?" sorusunu sorarak yapay zekanın epistemolojik temellerini sarsmıştır.
2. Literatür Taraması
David Hume'un tümevarım problemi üzerine akademik literatür, felsefe tarihinin en zengin tartışma alanlarından birini oluşturmaktadır. Bu tartışma, 18. yüzyıldan günümüze kadar kesintisiz biçimde sürmüş ve 20. yüzyılın ikinci yarısından itibaren yapay zeka, makine öğrenmesi ve bilgi felsefesi alanlarıyla doğrudan bağlantılandırılmıştır.
Hume'un 1739 tarihli A Treatise of Human Nature adlı eseri, tümevarım probleminin sistematik biçimde ortaya konduğu kurucu metindir [1]. Hume, bu eserin Birinci Kitabı'nın ("Of the Understanding") üçüncü bölümünde, nedensellik (causation) ve tümevarımsal çıkarım (inductive inference) kavramlarını analiz etmiştir. Hume daha sonra aynı argümanları daha erişilebilir biçimde An Enquiry Concerning Human Understanding (1748) adlı eserinde yeniden sunmuştur [7]. Bu iki metin birlikte, tümevarım tartışmasının temel referans noktalarını oluşturmaktadır.
Bertrand Russell, The Problems of Philosophy (1912) adlı eserinde Hume'un tümevarım problemini 20. yüzyıl analitik felsefesine taşımıştır [8]. Russell, tümevarımın haklılaştırılmasının bir "doğanın düzenliliği ilkesi"ne (principle of the uniformity of nature) dayandığını, ancak bu ilkenin kendisinin de tümevarımla haklılaştırılmaya çalışılmasının mantıksal bir döngü oluşturduğunu açıkça göstermiştir. Russell'ın "tavuk problemi" — her gün beslenen bir tavuğun, bir gün boynunun kesileceğini öngörememesi — tümevarım probleminin en bilinen popüler formülasyonlarından biri olmuştur [8].
Karl Popper, The Logic of Scientific Discovery (1934/1959) adlı eserinde tümevarım problemine radikal bir çözüm önermiştir: Bilimsel bilgi tümevarımla elde edilmez; aksine, bilim yanlışlanabilir hipotezler öne sürer ve bunları test eder [9]. Popper'ın yanlışlamacılığı (falsificationism), Hume'un tümevarım eleştirisini kabul ederek onu bir bilim felsefesi programına dönüştürmüştür. Bu yaklaşım, yapay zeka araştırmalarında "hipotez testi" ve "model doğrulama" kavramlarının felsefi arka planını oluşturmuştur [10].
Nelson Goodman, Fact, Fiction, and Forecast (1955) adlı eserinde tümevarım problemine "yeni tümevarım bilmecesi" (new riddle of induction) adını verdiği ek bir boyut eklemiştir [11]. Goodman'ın ünlü "grue" paradoksu — "grue" yükleminin (2025'ten önce incelenmiş ve yeşil olan, ya da 2025'ten sonra incelenmiş ve mavi olan) mantıksal olarak "yeşil" yükleminden ayırt edilemezliği — tümevarım probleminin yalnızca mantıksal haklılaştırma değil, aynı zamanda kavram seçimi ve projeksiyon problemi olduğunu göstermiştir. Bu paradoks, makine öğrenmesindeki "özellik seçimi" (feature selection) ve "tümevarımsal önyargı" (inductive bias) kavramlarıyla doğrudan ilişkilidir [4].
Willard Van Orman Quine, "Natural Kinds" (1969) başlıklı makalesinde Goodman'ın problemini evrimsel ve doğalcı bir perspektiften ele almıştır [12]. Quine, tümevarımın başarısının doğal türler (natural kinds) ile açıklanabileceğini ve bu türlerin evrimsel süreçte şekillenmiş bilişsel yapılarımızla uyumlu olduğunu savunmuştur. Bu yaklaşım, yapay zeka araştırmalarında "transfer öğrenme" (transfer learning) ve "alan bilgisi" (domain knowledge) tartışmalarının felsefi kökenlerinden birini oluşturmaktadır.
Tom Mitchell'ın Machine Learning (1997) adlı ders kitabı, tümevarımsal önyargının (inductive bias) makine öğrenmesindeki merkezi rolünü sistematik biçimde ele almıştır [4]. Mitchell, herhangi bir öğrenme algoritmasının veri kümesinin ötesinde genelleme yapabilmesi için zorunlu olarak belirli önyargılar taşıması gerektiğini göstermiş ve bunu "önyargısız öğrenme imkânsızlığı" (futility of bias-free learning) olarak adlandırmıştır. Bu teorem, Hume'un tümevarım probleminin algoritmik bir formülasyonudur.
Stuart Russell ve Peter Norvig, Artificial Intelligence: A Modern Approach (2020) adlı standart yapay zeka ders kitabında, Hume'un tümevarım problemini yapay zeka epistemolojisinin temel sorunlarından biri olarak tartışmışlardır [13]. Russell ve Norvig, istatistiksel öğrenme algoritmalarının Hume'un problemine pragmatik — ancak felsefi olarak tam anlamıyla tatmin edici olmayan — bir yanıt verdiğini belirtmişlerdir.
David Wolpert ve William Macready'nin "No Free Lunch Theorems for Optimization" (1997) başlıklı makalesi, Hume'un tümevarım probleminin modern bir matematiksel formülasyonunu sunmuştur [14]. "Bedava öğle yemeği yoktur" (no free lunch) teoremleri, hiçbir öğrenme algoritmasının tüm olası problemler üzerinde diğerlerinden sistematik olarak üstün olamayacağını kanıtlamıştır. Bu sonuç, tümevarımsal önyargının yalnızca pratik bir tercih değil, matematiksel bir zorunluluk olduğunu göstermiştir.
Pedro Domingos'un "The Role of Occam's Razor in Knowledge Discovery" (1999) başlıklı makalesi, basitlik ilkesinin (Occam'ın usturası) makine öğrenmesindeki rolünü Hume'un tümevarım problemiyle ilişkilendirmiştir [15]. Domingos, basitlik tercihinin bir tümevarımsal önyargı olduğunu ve bu önyargının ampirik başarısının felsefi olarak garanti edilemediğini tartışmıştır.
Judea Pearl, Causality: Models, Reasoning, and Inference (2000/2009) adlı eserinde, Hume'un nedensellik analizini modern nedensel çıkarım teorisiyle bağlantılandırmıştır [16]. Pearl, Hume'un nedenselliği gözlemlenen düzenliliklerden (constant conjunction) ibaret gören yaklaşımının önemli sınırlılıklar taşıdığını ve nedensel modellerin (causal models) korelasyonun ötesine geçmesi gerektiğini savunmuştur. Bu perspektif, yapay zeka sistemlerinin "korelasyondan nedenselliğe" geçiş tartışmasının felsefi temelini oluşturmaktadır.
Peter Millican'ın "Hume's Argument Concerning Induction: Structure and Interpretation" (2002) başlıklı makalesi, Hume'un tümevarım argümanının yapısını titiz biçimde analiz etmiştir [17]. Millican, Hume'un argümanının farklı yorumlarını karşılaştırarak, problemin mantıksal gücünü ve kapsamını netleştirmiştir. Bu analitik çalışma, Hume'un argümanının yapay zeka bağlamındaki doğru yorumlanması için vazgeçilmezdir.
Türkçe literatürde, Cemal Yıldırım'ın Bilim Felsefesi (1979) adlı eseri, tümevarım problemini ve Hume'un katkılarını Türk düşünce dünyasına sistematik biçimde tanıtmıştır [18]. Yıldırım, Hume'un eleştirisinin bilim felsefesindeki merkezi konumunu açıkça ortaya koymuştur. Ayrıca İlhan İnan'ın Knowledge, Language and Logic: Questions for Quine (2003) adlı derlemesindeki çalışmalar, Hume'dan Quine'a uzanan epistemolojik geleneği Türk felsefe araştırmaları bağlamında ele almıştır [19].
Bu literatür genel olarak değerlendirildiğinde, Hume'un tümevarım problemiyle ilgili üç temel yaklaşım belirginleşmektedir: Birincisi, çözücü yaklaşımlar (Reichenbach'ın pragmatik haklılaştırması, Bayesçi epistemoloji) tümevarımı rasyonel olarak temellendirmeye çalışır. İkincisi, çözümsüzlüğü kabul eden yaklaşımlar (Popper'ın yanlışlamacılığı, Goodman'ın projeksiyon problemi) Hume'un eleştirisini kabul ederek alternatif epistemolojik çerçeveler önerir. Üçüncüsü, doğalcı yaklaşımlar (Quine'ın doğallaştırılmış epistemolojisi, evrimsel epistemoloji) tümevarımı felsefi haklılaştırma yerine doğal bir süreç olarak ele alır. Yapay zeka araştırmalarındaki tümevarımsal önyargı, genelleme ve model seçimi tartışmaları, bu üç yaklaşımın kesişiminde konumlanmaktadır.
3. Tarihsel ve Teorik Arka Plan
David Hume'un tümevarım problemini anlamak için, 18. yüzyılın ilk yarısındaki epistemolojik tartışmaları, bilimsel devrim sonrası entelektüel iklimi ve nedensellik kavramının felsefi tarihini kavramak gerekmektedir. Hume'un müdahalesi, belirli bir entelektüel bağlamda ortaya çıkmış ve bu bağlamı köklü biçimde dönüştürmüştür.
Hume'un epistemolojik projesinin en önemli entelektüel öncüsü, 17. yüzyılda John Locke'un An Essay Concerning Human Understanding (1690) adlı eseriyle başlayan İngiliz ampirisizm geleneğidir [20]. Locke, tüm bilginin duyusal deneyimden kaynaklandığını savunarak, doğuştan fikirlere (innate ideas) karşı çıkmıştır. George Berkeley, Locke'un ampirisizmini daha da ileri götürerek maddenin bağımsız varlığını bile sorgulamıştır [3]. Hume, bu ampirist geleneğin en radikal temsilcisi olarak, deneyimden elde edilen bilginin kendisinin mantıksal temellerini sorgulamıştır. Bu bakımdan Hume, ampirist epistemolojinin kendi içindeki gerilimi en uç noktasına taşımıştır.
Bilimsel devrim, Hume'un düşüncesinin ikinci kritik arka planıdır. Isaac Newton'un Philosophiæ Naturalis Principia Mathematica (1687) eseri, doğa yasalarının matematiksel kesinlikle ifade edilebileceği fikrini zamanın entelektüel ikliminin merkezine yerleştirmiştir [2]. Newton'un yerçekimi yasası, gezegenlerin hareketlerinden düşen elmalara kadar geniş bir fenomen yelpazesini tek bir formülle açıklamıştı. Bu başarı, tümevarımsal çıkarımın — belirli gözlemlerden genel yasalara ulaşmanın — bilimsel bilginin temel yöntemi olduğu inancını pekiştirmiştir. Hume'un müdahalesi, tam da bu güvenin doruk noktasında, tümevarımın mantıksal temellerini sorgulamıştır [6].
David Hume (1711–1776), Edinburgh'da doğmuş, İskoç Aydınlanması'nın merkezi figürlerinden biri olmuştur [5]. Hume, Edinburgh Üniversitesi'nde kısa bir süre öğrenim gördükten sonra, bağımsız biçimde felsefi çalışmalarına devam etmiştir. 1734–1737 yılları arasında Fransa'da, özellikle La Flèche'de bulunmuş ve burada Treatise'in büyük bölümünü kaleme almıştır [1]. La Flèche, Descartes'ın eğitim gördüğü Cizvit kolejinin bulunduğu şehir olarak, Avrupa felsefe geleneğinin sembolik mekânlarından biridir — Hume'un rasyonalist geleneğin kalbinde ampirist eleştirisini yazması, felsefi bir ironi taşımaktadır.
Hume'un tümevarım problemi, daha geniş bir entelektüel bağlamda, Bölüm 1'de incelediğimiz Hobbes'un mekanik düşünce teorisi ve Bölüm 2'de ele aldığımız Leibniz'in rasyonalist vizyonuyla doğrudan ilişkilidir. Hobbes, düşüncenin hesaplama olduğunu savunmuştu; Leibniz, bu hesaplamanın evrensel bir mantık diliyle mekanikleştirilebileceğini hayal etmişti [13]. Hume, bu rasyonalist iyimserliğe karşı bir uyarı niteliğinde bir soru sormuştur: Hesaplama ve mantık, deneyimsel bilgimizin güvenilirliğini garanti edebilir mi? Hume'un yanıtı açık ve rahatsız edicidir: Hayır, edemez [1].
Bölüm 4'te incelediğimiz Bernoulli'nin fayda kavramıyla da doğrudan bir bağlantı bulunmaktadır. Bernoulli, 1738'de belirsizlik altında karar vermenin matematiksel çerçevesini oluşturmuştu. Ancak Hume, bir yıl sonra yayımlanan Treatise'de, bu belirsizliğin yalnızca pratik bir sorun değil, epistemolojik bir kriz olduğunu göstermiştir [1]. Bernoulli'nin fayda hesabı, geçmiş deneyimlerden çıkarılan olasılıklara dayanmaktadır — ancak Hume'a göre, bu olasılıkların gelecekte geçerli olacağına dair rasyonel bir güvencemiz yoktur.
Nedensellik kavramı, Hume'un tümevarım analizinin merkezindedir. Hume öncesi felsefe geleneğinde, nedensellik genellikle bir "zorunlu bağlantı" (necessary connection) olarak anlaşılmaktaydı: Neden, sonucunu zorunlu kılmaktadır [7]. Aristoteles'in "dört neden" teorisinden Descartes'ın mekanik nedensellik anlayışına kadar, Batı düşünce geleneği nedensel ilişkilerde bir tür mantıksal zorunluluk görmüştür [3]. Hume, bu varsayımı kökten sorgulamış ve nedenselliğin deneyimde gözlemlenen şeyin ötesinde bir "zorunluluk" içermediğini savunmuştur.
4. Ana Konu Analizi
4a. Temel Mekanizma: Hume'un Tümevarım Argümanı
Hume'un tümevarım argümanı, görünüşteki basitliğine rağmen, felsefe tarihinin en güçlü ve en dirençli argümanlarından biridir. Argüman, birkaç adımda ilerler ve her adımı kendi içinde sağlam görünmektedir [1].
Hume, ilk olarak tüm akıl yürütmeleri (reasonings) iki kategoriye ayırır: fikir ilişkileri (relations of ideas) ve olgu meseleleri (matters of fact) [7]. Fikir ilişkileri, mantık ve matematik gibi alanlardaki zorunlu doğrulardır — "üçgenin iç açıları toplamı 180 derecedir" gibi. Bu tür doğrular, deneyime başvurmadan, salt düşünce yoluyla bilinebilir. Olgu meseleleri ise deneyime dayanan bilgilerdir — "güneş yarın doğacaktır" gibi. Hume'un tümevarım problemi, olgu meselelerine ilişkin bilgimizin temelini sorgular.
İkinci adımda, Hume tüm olgu meselelerine ilişkin akıl yürütmelerin nedensellik ilişkisine dayandığını belirler [1]. Bir taşın suya atıldığında batacağını, ateşin yakacağını, güneşin yarın doğacağını biliyoruz — çünkü geçmiş deneyimlerimizde bu neden-sonuç ilişkilerini gözlemledik. Tümevarımsal çıkarım, özünde nedensel çıkarımdır.
Üçüncü ve kritik adımda Hume sorar: Nedensellik bilgimizin kendisi neye dayanmaktadır [7]? Hume, nedensel çıkarımın ne mantıksal zorunluluktan (demonstrative reasoning) ne de doğrudan deneyimden çıkarılabileceğini gösterir. Mantıksal zorunluluk açısından, bir nedenin sonucunu mantıksal olarak gerektirdiği söylenemez — ateşin yakmadığı bir dünya mantıksal olarak çelişki içermez [1]. Deneyim açısından ise, geçmiş gözlemlerimiz yalnızca geçmişi kapsar; gelecekteki olaylar hakkında mantıksal bir garanti sunmaz.
Hume'un argümanının kilit noktası, tümevarımın haklılaştırılması için başvurulabilecek tek ilkenin — doğanın düzenliliği ilkesi (the uniformity of nature), yani gelecekteki olayların geçmiştekine benzeyeceği varsayımı — kendisinin de ancak tümevarımla haklılaştırılabileceği gözlemidir [7]. Bu, mantıksal bir döngü (petitio principii) oluşturur: Tümevarımı haklılaştırmak için doğanın düzenliliğine başvuruyoruz; doğanın düzenli olduğunu ise tümevarımla biliyoruz. Dolayısıyla tümevarım, rasyonel olarak temellendirilemez [8].
Hume'un kendi "çözümü" — eğer çözüm denebilirse — psikolojik niteliktedir: Tümevarımsal çıkarım, mantıksal bir süreç değil, alışkanlık (custom, habit) sonucu ortaya çıkan doğal bir eğilimdir [1]. İnsan zihni, tekrarlanan deneyimlerle belirli beklentiler oluşturur; bu beklentiler rasyonel bir haklılaştırmaya değil, insan doğasının temel bir özelliğine dayanır. Hume, bu durumu bir sorun olarak değil, insan bilişinin doğal bir özelliği olarak kabul etmiştir [6].
Bu argümanın yapay zeka açısından önemi açıktır: Makine öğrenmesi algoritmaları, eğitim verilerinden öğrendikleri örüntüleri yeni verilere genelleme yaparak tahmin üretir — bu, tam anlamıyla tümevarımsal çıkarımdır [4]. Hume'un argümanı, bu genellemenin mantıksal bir garantisi olmadığını gösterir. Bir sinir ağının eğitim setinde %99 doğruluk elde etmesi, test setinde de aynı performansı göstereceğini mantıksal olarak garanti etmez [13].
4b. Kilit Aktörler ve Katkıları
David Hume (1711–1776): Tümevarım probleminin sistematik formülasyonunun yaratıcısı olarak Hume, İskoç Aydınlanması'nın merkezi figürlerinden biridir [5]. Hume yalnızca bir epistemolog değil, aynı zamanda ahlak filozofu, tarihçi ve edebiyatçıdır. The History of England (1754–1762) adlı altı ciltlik eseri, döneminin en çok okunan tarih çalışmalarından biri olmuştur. Ancak Hume'un kalıcı felsefi mirası, Treatise ve Enquiry'deki epistemolojik analizleridir [1][7].
Immanuel Kant (1724–1804): Hume'un tümevarım problemine verilen en etkili felsefi yanıtlardan birini Kant oluşturmuştur. Kant, Critique of Pure Reason (1781) adlı eserinde, Hume'un onu "dogmatik uykusundan uyandırdığını" belirtmiş ve transandantal idealizm çerçevesinde nedenselliğin deneyimden değil, zihnin a priori yapılarından kaynaklandığını savunmuştur [21]. Kant'ın çözümü, Hume'un problemini ortadan kaldırmamış, ancak ona alternatif bir yanıt sunarak felsefe tarihini kalıcı biçimde şekillendirmiştir.
Karl Popper (1902–1994): Hume'un tümevarım eleştirisini en ciddiye alan 20. yüzyıl filozofu Popper, tümevarımın bilimsel yöntemde hiçbir rol oynamadığını savunmuştur [9]. Popper'a göre bilim, gözlemden genellemeye (tümevarım) değil, hipotezden teste (tümdengelimsel yanlışlama) ilerler. Bu yaklaşım, yapay zeka araştırmalarında "hipotez-sınama" (hypothesis testing) paradigmasının felsefi arka planını oluşturmuştur.
Nelson Goodman (1906–1998): "Yeni tümevarım bilmecesi"ni formüle ederek, tümevarım probleminin kapsamını genişletmiştir [11]. Goodman'ın katkısı, problemin yalnızca haklılaştırma değil, aynı zamanda projeksiyon — hangi yüklemlerin genellenebilir olduğunun belirlenmesi — sorunu olduğunu göstermiştir. Bu, makine öğrenmesindeki özellik mühendisliği (feature engineering) ve temsil öğrenme (representation learning) problemlerinin felsefi kökenini oluşturmaktadır [4].
Hans Reichenbach (1891–1953): Tümevarıma pragmatik bir haklılaştırma sunmuştur [22]. Reichenbach'a göre, tümevarımın başarılı olacağını kanıtlayamasak da, eğer herhangi bir yöntem başarılı olabilecekse, tümevarımın da başarılı olacağını gösterebiliriz. Bu "en iyi bahis" argümanı, yapay zeka sistemlerinin pragmatik epistemolojisinin öncüsüdür.
4c. Dönem İçindeki Yeri
Hume'un Treatise'i, yayımlandığı 1739 yılında beklendiği ilgiyi görememiştir [6]. Bunun birkaç nedeni vardır: Eserin üslubu karmaşık ve yoğundur; Hume, o sırada henüz tanınmayan genç bir filozoftur; ve eserin sonuçları, dönemin entelektüel iklimi için rahatsız edici derecede radikaldir. Bilimsel devrimin başarıları, tümevarımsal bilgiye duyulan güveni pekiştirmişken, Hume bu güvenin temelsiz olduğunu söylemektedir [3].
Ancak Hume'un fikirleri, 18. yüzyılın ikinci yarısında giderek artan bir etki göstermiştir. Kant'ın Hume'dan aldığı ilhamla transandantal felsefesini kurması, Hume'un probleminin ciddiyetinin en güçlü kanıtıdır [21]. Thomas Reid, Hume'a karşı "sağduyu felsefesi" (common sense philosophy) geleneğini kurmuş ve tümevarımsal çıkarımın rasyonel temelini sağduyuya dayandırmaya çalışmıştır [23]. Bu tartışma, İskoç Aydınlanması'nın en verimli entelektüel çatışmalarından birini oluşturmuştur.
Hume'un döneminde çözdüğü sorun, paradoksal biçimde, bir sorunun "çözülemezliğinin" gösterilmesidir. Hume, tümevarımın rasyonel haklılaştırmasının imkânsız olduğunu göstererek, bilgi teorisinde kalıcı bir yarık açmıştır [6]. Bu yarık, sonraki yüzyıllarda kapanmamış, aksine derinleşmiştir.
Dönemin diğer gelişmeleriyle etkileşim açısından, Hume'un çalışması Bölüm 4'te incelediğimiz Bernoulli'nin olasılık ve fayda kuramıyla ilginç bir gerilim içindedir. Bernoulli, belirsizlik altında rasyonel karar vermenin matematiksel bir çerçevesini kurmuştur. Hume ise bu çerçevenin epistemolojik temelini sorgulamıştır: Olasılık hesaplarımız geçmiş verilere dayanıyorsa ve geçmiş verilerin geleceği yansıtacağına dair rasyonel bir güvencemiz yoksa, Bernoulli'nin fayda hesabının temeli nedir? Bu soru, günümüz yapay zeka sistemlerinin güvenilirlik tartışmalarında hâlâ yanıt beklemektedir.
4d. Genel YZ Tarihindeki Yeri
Hume'un tümevarım problemi, yapay zeka tarihindeki yeri açısından benzersiz bir konumdadır: Doğrudan bir teknik katkı olmaktan ziyade, yapay zekanın epistemolojik sınırlarını tanımlayan kurucu bir felsefi problemdir [13].
Modern makine öğrenmesi, özünde bir tümevarımsal çıkarım makinesidir. Bir denetimli öğrenme (supervised learning) algoritması, eğitim verilerinden öğrendiği örüntüleri yeni verilere genelleyerek tahmin üretir — bu, tümevarımın algoritmik ifadesidir [4]. Hume'un problemi, bu genellemenin mantıksal bir garantisi olmadığını gösterir. Bu nedenle, makine öğrenmesinin teorik temellerinde "genelleme hatası" (generalization error) ve "aşırı uyum" (overfitting) kavramları merkezi bir yer tutar [13].
Tom Mitchell'ın formüle ettiği "önyargısız öğrenme imkânsızlığı" teoremi, Hume'un argümanının algoritmik bir versiyonudur [4]. Bu teorem, herhangi bir öğrenme algoritmasının eğitim verisinin ötesinde genelleme yapabilmesi için zorunlu olarak belirli tümevarımsal önyargılar (inductive biases) taşıması gerektiğini gösterir. Bir sinir ağının mimarisi, bir karar ağacının derinlik sınırı, bir destek vektör makinesinin çekirdek fonksiyonu — bunların tamamı tümevarımsal önyargılardır. Hume'un terimleriyle, bunlar "doğanın düzenliliği" hakkındaki varsayımlarımızın algoritmik ifadeleridir.
Wolpert ve Macready'nin "Bedava Öğle Yemeği Yoktur" (No Free Lunch) teoremleri, Hume'un problemini matematiksel kesinlikle ifade etmiştir [14]. Bu teoremlere göre, tüm olası problem dağılımları üzerinde ortalandığında, hiçbir optimizasyon ya da öğrenme algoritması diğerlerinden sistematik olarak üstün değildir. Bir algoritmanın belirli problemlerde başarılı olması, zorunlu olarak başka problemlerde başarısız olmasını gerektirir. Bu, Hume'un "geçmiş başarı gelecek başarıyı garanti etmez" argümanının formel bir kanıtıdır.
Hume'un tümevarım problemi, aynı zamanda Bayesçi yapay zeka yaklaşımının felsefi temellerini sorgular [16]. Bayesçi çerçevede, bir hipotezin olasılığı yeni kanıtlarla güncellenir — ancak başlangıç olasılığı (prior probability) nereden gelir? Bayesçi yaklaşımın Hume'un problemine verdiği yanıt, tümevarımı formel olarak ele almak ve önyargıları açıkça kodlamaktır. Ancak bu yanıt, önyargıların kendisinin haklılaştırılması sorununu çözmez [13].
Hume'un problemi olmadan, yapay zeka araştırmalarındaki şu gelişmeler kavramsal çerçevelerinden yoksun kalırdı: İstatistiksel öğrenme teorisi (Vapnik-Chervonenkis teorisi), düzenlileştirme (regularization) teknikleri, çapraz doğrulama (cross-validation) yöntemleri ve model seçim kriterleri (Akaike bilgi kriteri, Bayesçi bilgi kriteri) — bunların tamamı, tümevarımsal çıkarımın sınırlarını yönetme girişimleridir [13].
5. Eleştirel Değerlendirme
Hume'un tümevarım argümanı, yayımlandığından bu yana çeşitli ve güçlü eleştirilerle karşılaşmıştır. Bu eleştiriler, argümanın gücünü azaltmasa da, kapsamını ve yorumunu önemli ölçüde zenginleştirmiştir.
Kant'ın transandantal eleştirisi, Hume'un ampirist çerçevesini kabul etmeyerek alternatif bir temel sunmuştur [21]. Kant'a göre nedensellik, deneyimden çıkarılan bir genelleme değil, deneyimin kendisini mümkün kılan a priori bir kategoridir. Ancak Kant'ın çözümü, yapay zeka bağlamında sınırlı bir açıklayıcı güce sahiptir — bir makine öğrenmesi algoritmasının "a priori kategorileri" olduğunu söylemek, ancak metaforik düzeyde anlamlıdır.
Popper'ın yanlışlamacılığı, tümevarımı bilimsel yöntemden tamamen dışlamaya çalışmıştır [9]. Ancak bu yaklaşım, bilimsel pratiğin gerçekliğiyle tam olarak uyuşmamaktadır: Bilim insanları, verilere dayanarak genellemeler yapar, tahminlerde bulunur ve bu tahminlerin güvenilirliğini değerlendirir — bunların tamamı tümevarımsal süreçlerdir [10]. Yapay zeka araştırmalarında da durum benzerdir: Bir sinir ağının eğitim sürecini "yanlışlama" olarak tanımlamak, sürecin doğasını tam olarak yansıtmaz.
Pragmatist yaklaşım, tümevarımın felsefi haklılaştırmasının gereksiz olduğunu ve ampirik başarısının yeterli olduğunu savunmuştur [22]. Bu yaklaşım, yapay zeka endüstrisinin fiili tutumunu yansıtmaktadır: Derin öğrenme modelleri "çalışıyor" ve pratik sonuçlar üretiyor — felsefi haklılaştırma arayanlar akademik fildişi kulede kalabilir. Ancak bu pragmatist tutum, modellerin beklenmedik biçimlerde başarısız olduğu durumlarda — örneğin, dağılım kayması (distribution shift) ya da rakip örnekler (adversarial examples) karşısında — yetersiz kalmaktadır [13].
Bugünden bakıldığında, Hume'un argümanının gücü azalmamış, aksine artmıştır. Yapay zeka sistemlerinin artan karmaşıklığı ve yaygınlığı, tümevarımsal çıkarımın sınırlarını daha görünür kılmıştır. Büyük dil modellerinin "halüsinasyonları" — gerçek olmayan bilgileri güvenle üretmeleri — Hume'un uyarısının algoritmik bir tezahürüdür: Geçmiş verilerdeki örüntüler, her zaman gerçekliği yansıtmaz [13]. Ayrıca, yapay zeka güvenliği alanındaki "dağılım kayması" problemi — bir modelin eğitildiği veri dağılımından farklı bir dağılımla karşılaştığında başarısız olması — Hume'un "doğanın düzenliliği garanti edilemez" argümanının doğrudan bir yansımasıdır.
Farklı disiplinlerden bakıldığında, Hume'un problemi çok katmanlı bir anlam taşımaktadır. Bilgi sosyolojisi perspektifinden, tümevarımsal güven toplumsal olarak inşa edilir ve güç ilişkileriyle şekillenir [3]. Bilişsel bilim perspektifinden, insan tümevarımsal çıkarımı evrimsel süreçte şekillenmiş sezgisel kısayollar (heuristics) aracılığıyla gerçekleştirir [11]. Ekonomi perspektifinden, tümevarımsal çıkarımın maliyeti ve faydası hesaplanabilir — Herbert Simon'ın sınırlı rasyonalite kavramı bu hesabı temel almıştır [24].
6. Etik ve Toplumsal Boyutlar
Hume'un tümevarım problemi, ilk bakışta soyut bir epistemolojik sorun gibi görünse de, yapay zeka çağında derin etik ve toplumsal sonuçlar doğurmaktadır.
Yapay zeka sistemlerinin tümevarımsal önyargıları, toplumsal önyargıları yeniden üretme ve pekiştirme potansiyeli taşımaktadır [25]. Bir işe alım algoritması, geçmiş verilerden öğrendiği örüntülere dayanarak gelecekteki adayları değerlendirirken, geçmişteki ayrımcılık kalıplarını genelleyebilir. Bu, Hume'un probleminin etik bir boyutudur: Geçmişteki düzenliliklerin geleceğe genellenmesi, yalnızca epistemolojik değil, aynı zamanda etik bir risktir.
Tümevarımsal çıkarımın sınırları, yapay zeka güvenliği tartışmalarının merkezindedir [13]. Bir otonom aracın, eğitim verilerinde hiç karşılaşmadığı bir trafik durumunda nasıl davranacağı, doğrudan tümevarımın genelleme sınırlarıyla ilgili bir sorundur. Hume'un uyarısı, bu sistemlerin tasarımcılarına ve düzenleyicilerine hitap etmektedir: Geçmiş verilerdeki başarı, gelecekteki güvenliği garanti etmez.
Algoritmik adalet (algorithmic fairness) tartışmaları, Hume'un probleminin toplumsal yansımasıdır [25]. Bir adalet algoritmasının "adil" çıktı üretebilmesi için, adaletin tümevarımsal olarak öğrenilemeyeceğinin — çünkü geçmiş verilerin "adil" bir dağılımı yansıtmadığının — kabul edilmesi gerekmektedir. Bu, Hume'un "olandan olması gerekene çıkarım yapılamaz" (is-ought problem) argümanının yapay zeka bağlamındaki bir uzantısıdır [7].
Açıklanabilirlik (explainability) ve şeffaflık talepleri de Hume'un mirasıyla ilişkilidir. Bir "kara kutu" (black box) yapay zeka sisteminin kararlarının açıklanması talebi, temelde tümevarımsal çıkarımın nedensel bir açıklamayla desteklenmesi talebidir [16]. Hume'un gösterdiği gibi, korelasyon nedensellik değildir — ve yapay zeka sistemlerinin büyük çoğunluğu korelasyonlar üzerine inşa edilmiştir.
Döneminde öngörülemeyen ancak günümüzde belirginleşen bir etik boyut, büyük ölçekli yapay zeka sistemlerinin toplumsal güven üzerindeki etkisidir. Hume'un tümevarım problemi, bireysel bilgi edinme süreçleri bağlamında formüle edilmişti. Günümüzde ise bu problem, milyarlarca insanın karar alma süreçlerini etkileyen algoritmik sistemler bağlamında yeniden yorumlanmaktadır.
7. Güncel Uygulamalar ve Miras
Hume'un tümevarım probleminin günümüzdeki mirası, yapay zeka araştırmalarının birçok alanında somut biçimde kendini göstermektedir.
İstatistiksel öğrenme teorisi, Hume'un probleminin en doğrudan matematiksel karşılığıdır. Vladimir Vapnik'in geliştirdiği VC (Vapnik-Chervonenkis) boyutu teorisi, bir öğrenme algoritmasının genelleme kapasitesini — yani eğitim verisinin ötesinde doğru tahminler yapma yeteneğini — matematiksel olarak sınırlandırmaktadır [26]. Bu teori, Hume'un "geçmiş geleceği garanti etmez" argümanının, belirli koşullar altında ne ölçüde hafifletilebileceğinin formel bir ifadesidir.
Derin öğrenme (deep learning) alanında, tümevarımsal önyargı kavramı pratik bir mühendislik prensibi haline gelmiştir. Evrişimli sinir ağlarının (convolutional neural networks) translasyon değişmezliği, tekrarlayan sinir ağlarının (recurrent neural networks) zamansal yapı varsayımı — bunların tamamı, belirli veri türleri hakkındaki tümevarımsal önyargıların mimari düzeyde kodlanmasıdır [13]. Bu önyargılar, Hume'un terimleriyle, "doğanın belirli bir biçimde düzenli olduğu" varsayımlarıdır.
Transfer öğrenme (transfer learning) ve alan uyarlama (domain adaptation) araştırmaları, Hume'un probleminin modern bir tezahürüdür [13]. Bir alanda eğitilen modelin başka bir alanda ne ölçüde genellenebileceği sorusu, Hume'un "bir bağlamdaki düzenlilikler başka bağlamlarda da geçerli midir?" sorusunun teknik karşılığıdır.
Nedensel yapay zeka (causal AI) araştırmaları, Hume'un nedensellik analizinin doğrudan bir uzantısıdır. Judea Pearl'ün do-kalkülüsü (do-calculus) ve yapısal nedensel modelleri, korelasyonun ötesinde nedensel ilişkileri modellemeyi amaçlamaktadır [16]. Bu araştırma programı, Hume'un "düzenli ardışıklık nedensellik değildir" uyarısının ciddiye alınmasının sonucudur.
Büyük dil modelleri (large language models) bağlamında, Hume'un problemi yeni bir aciliyetle gündeme gelmiştir. Bu modellerin "halüsinasyonları" — gerçek olmayan bilgileri güvenle üretmeleri — tümevarımsal çıkarımın sınırlarının dramatik bir göstergesidir [13]. Bir büyük dil modeli, eğitim verisindeki istatistiksel örüntüleri genelleyerek çalışır; ancak bu örüntüler her zaman gerçekliği yansıtmaz. Hume'un "alışkanlık" kavramı, bu bağlamda ironik bir şekilde algoritmik bir anlam kazanmaktadır.
Akademik miras açısından, Hume'un tümevarım problemi birden fazla araştırma geleneğini doğrudan beslemiştir: Bilim felsefesinde yanlışlamacılık ve Bayesçi epistemoloji, bilişsel bilimde sezgisel yargılama araştırmaları, yapay zeka araştırmalarında öğrenme teorisi ve genelleme analizi, istatistikte model seçimi ve düzenlileştirme teorisi — bunların tamamı Hume'un 1739'da ortaya koyduğu sorunun çeşitli disiplinlerdeki yankılarıdır.
8. Bölüm Özeti
David Hume'un 1739'da A Treatise of Human Nature'da ortaya koyduğu tümevarım problemi, yapay zeka tarihinin en derin ve en kalıcı felsefi meydan okumalarından birini temsil etmektedir. Hume, geçmiş gözlemlerden genel sonuçlara ulaşmanın — tümevarımsal çıkarımın — rasyonel bir temelinin bulunmadığını göstermiş ve bu inancımızın mantıksal zorunluluktan değil, alışkanlıktan kaynaklandığını savunmuştur. Bu argüman, modern makine öğrenmesi sistemlerinin epistemolojik temellerini doğrudan sorgulamaktadır: Eğitim verisinden genelleme yapmanın felsefi güvencesi nedir?
Bu bölümün kitabın genel argümanına katkısı şudur: Önceki bölümlerde Hobbes düşüncenin hesaplama olduğunu iddia etmiş (Bölüm 1), Leibniz bu hesaplamayı mekanikleştirmeyi hayal etmiş (Bölüm 2), kalkülüs değişimin matematik dilini kurmuş (Bölüm 3) ve Bernoulli belirsizlik altında karar vermenin matematiksel çerçevesini oluşturmuştu (Bölüm 4). Hume ise bu yapının epistemolojik temelini sorgulamış ve deneyimsel bilginin mantıksal güvencesinin sınırlarını göstermiştir. Bu uyarı, yapay zeka sistemlerinin güvenilirlik, genelleme ve güvenlik tartışmalarının felsefi omurgasını oluşturmaktadır.
Bir sonraki bölümde ele alınacak olan Thomas Bayes'in olasılık teorisi, Hume'un tümevarım problemine matematiksel bir yanıt arayışının en etkili girişimlerinden birini temsil edecektir. Bayesçi çerçeve, belirsizlik altındaki inançları olasılıklarla ifade ederek ve yeni kanıtlarla güncelleyerek, tümevarımsal çıkarıma formel bir yapı kazandırmıştır — ancak Hume'un temel sorusunu tamamen çözmeden.
9. Kaynakça
1. Hume, D. (1739). A Treatise of Human Nature. John Noon.
2. Newton, I. (1687). Philosophiæ Naturalis Principia Mathematica. Royal Society.
3. Garrett, D. (2015). Hume. Routledge.
4. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill.
5. Mossner, E. C. (1980). The Life of David Hume (2. baskı). Oxford University Press.
6. Beauchamp, T. L., & Rosenberg, A. (1981). Hume and the Problem of Causation. Oxford University Press.
7. Hume, D. (1748). An Enquiry Concerning Human Understanding. A. Millar.
8. Russell, B. (1912). The Problems of Philosophy. Williams and Norgate.
9. Popper, K. R. (1959). The Logic of Scientific Discovery. Hutchinson. (Orijinal Almanca baskı: Logik der Forschung, 1934.)
10. Thornton, S. (2023). Karl Popper. Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/popper/
11. Goodman, N. (1955). Fact, Fiction, and Forecast. Harvard University Press.
12. Quine, W. V. O. (1969). Natural kinds. Ontological Relativity and Other Essays (ss. 114–138). Columbia University Press.
13. Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4. baskı). Pearson.
14. Wolpert, D. H., & Macready, W. G. (1997). No free lunch theorems for optimization. IEEE Transactions on Evolutionary Computation, 1(1), 67–82.
15. Domingos, P. (1999). The role of Occam's razor in knowledge discovery. Data Mining and Knowledge Discovery, 3(4), 409–425.
16. Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2. baskı). Cambridge University Press.
17. Millican, P. (2002). Hume's argument concerning induction: Structure and interpretation. D. Coleman (Ed.), Hume's Epistemology içinde (ss. 106–145). Oxford University Press.
18. Yıldırım, C. (1979). Bilim Felsefesi. Remzi Kitabevi.
19. İnan, İ. (Ed.). (2003). Knowledge, Language and Logic: Questions for Quine. Kluwer Academic Publishers.
20. Locke, J. (1690). An Essay Concerning Human Understanding. Thomas Basset.
21. Kant, I. (1781). Kritik der reinen Vernunft. Johann Friedrich Hartknoch.
22. Reichenbach, H. (1938). Experience and Prediction: An Analysis of the Foundations and the Structure of Knowledge. University of Chicago Press.
23. Reid, T. (1764). An Inquiry into the Human Mind on the Principles of Common Sense. A. Millar.
24. Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118.
25. Barocas, S., & Selbst, A. D. (2016). Big data's disparate impact. California Law Review, 104(3), 671–732.
26. Vapnik, V. N. (1998). Statistical Learning Theory. John Wiley & Sons.
10. Tartışma Soruları
1. Analitik: Hume'un tümevarım argümanındaki mantıksal döngü (tümevarımı haklılaştırmak için doğanın düzenliliğine başvurmak, doğanın düzenliliğini ise tümevarımla haklılaştırmak) tam olarak neden çözülemez bir sorun oluşturmaktadır? Bu döngünün mantıksal yapısını adım adım analiz ediniz.
2. Karşılaştırmalı: Hume'un "alışkanlık" çözümü ile modern yapay zeka sistemlerindeki "tümevarımsal önyargı" kavramı arasında ne tür yapısal benzerlikler ve farklılıklar bulunmaktadır? Bu benzerlik, insan bilişi ile makine öğrenmesi arasındaki ilişki hakkında ne söyler?
3. Spekülatif: Eğer Hume tümevarım problemini formüle etmemiş olsaydı, yapay zeka araştırmalarında "genelleme hatası", "aşırı uyum" ve "model seçimi" kavramları nasıl gelişirdi? Bu kavramların felsefi bir temelden yoksun kalması, pratikte ne tür sonuçlar doğurabilirdi?
4. Etik: Yapay zeka sistemlerinin geçmiş verilerden öğrenerek toplumsal önyargıları yeniden üretmesi, Hume'un tümevarım probleminin hangi boyutunu somutlaştırmaktadır? Bu soruna "teknik" bir çözüm yeterli midir, yoksa felsefi bir müdahale de gerekli midir?
5. Karşılaştırmalı: Popper'ın yanlışlamacılığı ile Bayesçi yaklaşım, Hume'un tümevarım problemine farklı yanıtlar sunar. Bu iki yaklaşımın yapay zeka sistem tasarımındaki pratik sonuçları nelerdir? Hangisi daha etkili bir tasarım felsefesi sunmaktadır?
6. Güncel: Büyük dil modellerinin "halüsinasyonları" (gerçek olmayan bilgileri güvenle üretmeleri), Hume'un tümevarım problemiyle nasıl ilişkilidir? Bu sorun, Hume'un 1739'daki uyarısının 21. yüzyıldaki bir doğrulaması mıdır?
7. Analitik: Wolpert ve Macready'nin "Bedava Öğle Yemeği Yoktur" teoremleri, Hume'un tümevarım argümanının matematiksel bir kanıtı olarak yorumlanabilir mi? Bu yorum hangi açılardan geçerli, hangi açılardan sınırlıdır?
8. Etik: Bir otonom aracın, eğitim verilerinde hiç karşılaşmadığı bir trafik durumunda başarısız olması, Hume'un tümevarım probleminin yaşam-ölüm boyutuna taşınması anlamına mı gelmektedir? Bu tür durumlar için tasarım ilkeleri nasıl belirlenmelidir?
9. Spekülatif: Hume'un nedensellik analizi, Judea Pearl'ün nedensel çıkarım kuramıyla nasıl bir diyalog içindedir? Pearl'ün yaklaşımı, Hume'un problemini çözmekte midir, yoksa yalnızca yeniden formüle mi etmektedir?
10. Güncel: Hume'un tümevarım problemi ışığında, bir yapay zeka sisteminin "bildiğini bilmesi" (epistemic self-awareness) mümkün müdür? Bu soru, yapay genel zeka (AGI) tartışmalarını nasıl şekillendirmektedir?