Shana Lynch / 15 Aralık 2025
Yapay zekâya yönelik propaganda dönemi yerini değerlendirme dönemine bırakıyor. Stanford öğretim üyeleri, önümüzdeki yılı titizlik, şeffaflık ve spekülatif vaatlerden ziyade gerçek faydaya odaklanma ile tanımlayacaklarını düşünüyor.
Yıllarca süren hızlı genişleme ve milyar dolarlık yatırımların ardından, 2026 yılı yapay zekanın gerçek faydasıyla yüzleştiği an olabilir. Stanford Üniversitesi’nin bilgisayar bilimi, tıp, hukuk ve ekonomi alanlarındaki öğretim üyeleri, önümüzdeki yıla ilişkin tahminlerinde çarpıcı bir tema üzerinde birleşiyor: Yapay zeka savunuculuğu dönemi, yapay zeka değerlendirme dönemine yerini bırakıyor. Hukuki muhakeme için standartlaştırılmış ölçütler, iş gücü yer değiştirmesini izleyen gerçek zamanlı gösterge panelleri veya tıp alanındaki yapay zeka girişimlerinin selini değerlendirmek için klinik çerçeveler olsun, önümüzdeki yıl abartıdan ziyade titizlik gerektiriyor. Soru artık “Yapay zeka bunu yapabilir mi?” değil, “Ne kadar iyi, hangi maliyetle ve kimin için?”
Stanford HAI öğretim üyelerinin yeni yılda neler beklediği ile ilgili bölüm aşağıdadır:
Yapay Zeka Egemenliği, Küresel Büyüme
James Landay , HAI Eş Direktörü, Bilgisayar Bilimleri Profesörü ve Mühendislik Fakültesi’nde Anand Rajaraman ve Venky Harinarayan Profesörüdür.
Ülkelerin yapay zeka sağlayıcılarından ve ABD siyasi sisteminden bağımsızlıklarını göstermeleriyle birlikte, yapay zeka egemenliği bu yıl büyük bir ivme kazanacak.
En büyük tahminim mi? Bu yıl yapay genel zekâ (AGI) olmayacak.
Ancak ek olarak, ülkeler yapay zeka sağlayıcılarından ve Amerika Birleşik Devletleri’nin siyasi sisteminden bağımsızlıklarını göstermeye çalışırken, yapay zeka egemenliği bu yıl büyük bir ivme kazanacak. Yapay zeka egemenliği nedir? Egemenliğin bir modelinde, bir ülke kendi büyük LLM’sini (Liderlik Düzeyinde Modelleme) kurabilir. Başka bir örnekte ise, bir ülke verilerinin ülke dışına çıkmadığından emin olmak için başkasının LLM’sini kendi GPU’larında çalıştırabilir. “Egemenlik” terimi iyi tanımlanmamıştır ve HAI şu anda insanların bu farklı modelleri anlamalarına ve bazı analizler sunmalarına yardımcı olmak için bir proje üzerinde çalışmaktadır.
Açıkçası, 2025 yılında dünyanın dört bir yanında, Mayıs ayında BAE’de veya sonbaharda Güney Kore’de olduğu gibi, devasa veri merkezlerine yapılan birçok yatırımı gördük. Muhtemelen Nvidia ve OpenAI gibi kuruluşların diğer ülkeleri ziyaret ettiğini göreceğiz; bu da yapay zeka egemenliği ve nasıl avantaj sağlayabilecekleriyle ilgili. 2026’da da bu yapay zeka veri merkezi yatırımlarının devam ettiğini göreceğiz. Ancak bir noktada, dünyanın tüm parasını tek bir şeye bağlayamazsınız. Çok spekülatif bir balon gibi görünüyor.
Ülkelerin yapay zeka sağlayıcılarından ve ABD siyasi sisteminden bağımsızlıklarını göstermeleriyle birlikte, yapay zeka egemenliği bu yıl büyük bir ivme kazanacak.
Ayrıca, 2026’da daha fazla şirketin yapay zekanın programlama ve çağrı merkezleri gibi belirli hedef alanlar dışında henüz verimlilik artışı göstermediğini söylediğini duyacağız. Birçok başarısız yapay zeka projesi hakkında haberler duyacağız. Peki, insanlar bu başarısızlıklardan ders çıkarıp yapay zekayı bu yıl daha başarılı olacak şekilde nerede uygun şekilde uygulayacaklarını bulacaklar mı? Belki de.
Bence yeni özel kullanıcı arayüzü yapay zekaları göreceğiz; sadece sohbet robotu veya OpenAI’nin yayınladığı bu web tarayıcısının ötesinde şeyler. Bence bu yeni yılda, gerçek ürünler olmasa bile, bunların önizlemelerini göreceğiz.
Ayrıca, asimptotik bir durum söz konusu. Çok büyük modellerimiz var, ancak bu büyük modellerden daha küçük, daha iyi modeller gördük. Hem veri yetersizliği hem de verilerin kalitesizliği nedeniyle bir veri zirvesine ulaşmış gibi görünüyoruz. Daha küçük ve gerçekten iyi veri kümeleri oluşturmak ve daha küçük verilerde daha iyi performans gösteren modeller geliştirmek için çok daha fazla çaba harcanacağını düşünüyorum.
Açıkçası, 2025’te yapay zekâ destekli video alanında birçok ilerleme kaydedildi, ancak bunlar pek de iyi değildi. Ancak derslerimden birinde, bir öğrenci ekibi yapay zekâ kullanarak normalde oyuncular ve özel mekanlar gerektiren bir video hazırladı. Bazı sorunları vardı, ama aslında oldukça iyiydi. Bence bu, video araçlarının nihayet gerçek kullanım alanları göreceğimiz ve yeni yılda bunun hızla yayılacağı kadar iyi hale geldiği anlamına geliyor. Bununla bağlantılı olarak, çok daha fazla telif hakkı sorunu göreceğiz.
Kara Kutuyu Açmak Bilimin Bir Sonraki Görevi
Russ Altman HAI Kıdemli Araştırma Görevlisi:
Yüksek performanslı sinir ağlarının arkeolojisine daha fazla odaklanılmasını bekliyorum.
Kara Kutuyu Açmak Bilimin Bir Sonraki Görevi
Bilim ve tıpta keşiflerin ve tahminlerin önünü açacak temel modellerde muazzam bir potansiyel görüyorum. Şu anda bu modelleri oluşturmak için çeşitli yaklaşımlar mevcut. Örneğin, geliştiriciler tüm veri türlerini içeren devasa bir “erken füzyon” modeli oluşturabilir veya her bir modalite için ayrı modeller oluşturup daha sonra bunları entegre ettikleri bir “geç füzyon” modeli oluşturabilirler. Bununla ilgili bazı önemli sorular görüyorum. Ayrı ayrı oluşturulan modeller birlikte iyi çalışacak mı? Bazı veriler hatalı olduğunda ne olacak? Örneğin, DNA, RNA ve proteinleri içeren birkaç modeli birleştirdiğiniz bir geç füzyon modeliniz varsa, diğerlerini yeniden oluşturmaya gerek kalmadan sadece DNA modülünü yeniden oluşturabilirsiniz. Ancak, erken füzyon modelinde, her güncelleme olduğunda her şeyi yeniden oluşturmanız gerekir. Tahminimce, önümüzdeki yıl erken mi yoksa geç füzyonun mu daha iyi bir yaklaşım olduğu konusunda netlik kazanabiliriz.
Yüksek performanslı sinir ağlarının arkeolojisine daha fazla odaklanılmasını bekliyorum.
Ayrıca, insanlar bilimsel araştırmalarda yapay zekanın inanılmaz gücünü keşfediyorlar. Ancak bilimde, doğru bir tahminden daha fazlasına ihtiyacınız var; modelin bu tahmine nasıl ulaştığına dair bir anlayışa sahip olmalısınız. Bilim laboratuvarlarında, modelin çıktısına değil, performansa yol açan içsel sinir ağına, hangi verinin hangi diğer veriye dikkat ettiğine dair dikkat haritasına giderek daha fazla odaklanılıyor.
2026’da, yüksek performanslı sinir ağlarının arkeolojisine daha fazla odaklanılmasını bekliyorum. Bu konuda ” Proteinlerdeki Dikkat Mekanizmasına Dikkat Etmek ” başlıklı bir makale yayınladık. İnsanların, derin ağlarda seyrek otoenkoderler kullanarak verilerdeki performansı yönlendiren özellikleri belirlemeye çalıştıklarını görüyorum. Bilimde, yapay zekanın kara kutusunu açmak mutlak bir zorunluluktur ve bu kutuyu açmaya başladığımızı görüyorum.
Şimdi yapay zekâ ve sağlık sektörüne baktığımızda, geçen yıl tıp alanında yapay zekâ kullanan girişimlere yapılan yatırımlarda büyük bir artış gördük. Tipik bir hastane, X için bir çözüm satmak isteyen girişimlerden gelen yoğun ilgiyle karşı karşıya kalıyor. Bu çözümlerin her biri tek başına mantıklı olsa da, toplu olarak ele alındığında, bir yöneticiye doğru gelen bir gürültü tsunamisi gibi. Bu yıl, bir yapay zekâ sisteminin etkisini, teknik özelliklerini, eğitim popülasyonunu, nasıl uygulanacağını, personel için ne kadar verimli veya yıkıcı olduğunu, hastane iş akışına olan yatırım getirisini, hasta memnuniyetini ve karar kalitesini değerlendirmenin yollarını geliştirmeye başlayacağımızı düşünüyorum. Tüm bunlar, Stanford Hastanesi Baş Veri Bilimcisi Nigam Shah’ın da kısmen önderliğinde, Stanford’da yeni yeni kavramaya çalıştığımız bir süreç. Ancak daha sonra bunu, teknik olarak daha az bilgili veya kaynakları daha kısıtlı pazarlarda da kullanılabilir hale getirmemiz gerekiyor.
Hukuk Alanında Yapay Zeka, Yatırım Getirisi (ROI), Titizlik ve Çoklu Belge Mantığına Yöneliyor
Julian Nyarko , Hukuk Profesörü ve Stanford HAI Müdür Yardımcısı
Hukuk hizmetleri sektöründe yapay zekâ alanında bu yılı tanımlayacak iki tema öngörüyorum. Birincisi, titizlik ve yatırım getirisi (ROI). Firmalar ve mahkemeler “Yazabilir mi?” sorusunu sormak yerine “Ne kadar iyi, hangi konularda ve hangi riskle?” sorusunu sormaya başlayabilirler. Model performansını doğruluk, atıf bütünlüğü, ayrıcalık ihlali ve işlem süresi gibi somut hukuki sonuçlara bağlayarak daha standartlaştırılmış, alana özgü değerlendirmelerin olmazsa olmaz hale geleceğini düşünüyorum. Ayrıca, kontrollü, yapay senaryolardan ziyade gerçek iş akışlarında (belge yönetimi, faturalama ve bilgi sistemleri) verimlilik kazanımlarına daha fazla odaklanılabilir. İkincisi, yapay zekâ daha zorlu işler üstlenecek. Giriş ve ilk taslakların ötesinde, örneğin çoklu belge mantığıyla çalışan sistemlere doğru bir kayma görmeye başladık: gerçekleri sentezleme, argümanları haritalama ve kaynak bilgisiyle karşıt otoriteyi ortaya çıkarma. Bu kayma, karmaşık hukuki görevleri büyük ölçekte değerlendirmek için LLM-hakim ve ikili tercih sıralaması gibi yeni ölçüm çerçeveleri gerektiriyor. Bu fikirler etrafında geliştirilen GDPval gibi yeni ölçütler, geliştirme yol haritalarını daha üst düzey görevlere doğru yönlendirebilir.
Yapay Zeka Balonunu Söndürmek
Angèle Christin , İletişim Doçenti ve Stanford HAI Kıdemli Araştırma Görevlisi.
San Francisco’daki reklam panoları her şeyi anlatıyor: Her yerde yapay zeka!!! Her şey için!!! Her zaman!!! Bu reklamların biraz çılgın tonu, üretken yapay zekaya ve yapay zeka ajanlarına duyulan umutları ve yapılan muazzam yatırımları yansıtıyor.
Şimdiye kadar, finans piyasaları ve büyük teknoloji şirketleri yapay zekaya büyük yatırımlar yaparak, devasa miktarlarda para ve insan sermayesi harcadılar ve yapay zekanın büyümesini ve gelişimini desteklemek için devasa bilgi işlem altyapıları kurdular. Ancak yapay zekanın umduğumuz her şeyi başaramayabileceğine dair işaretler şimdiden mevcut. Ayrıca, yapay zekanın bazı durumlarda insanları yanlış yönlendirebileceğine, becerilerini azaltabileceğine ve onlara zarar verebileceğine dair ipuçları da var. Ve mevcut yapay zeka geliştirme çalışmalarının muazzam çevresel maliyetlere yol açtığını gösteren veriler de mevcut.
Yapay zekâdan ne bekleyebileceğimiz konusunda daha gerçekçi bir bakış açısı göreceğimizi umuyorum. Yapay zekâ bazı görevler ve süreçler için harika bir araçken, diğerleri için sorunlu bir araçtır (örneğin, okumaları yapmadan son ödevlerini hazırlayan öğrenciler!). Birçok durumda, yapay zekânın etkisi muhtemelen orta düzeyde olacaktır: burada biraz verimlilik ve yaratıcılık artışı, orada biraz ekstra iş gücü ve sıkıcılık. Özellikle yapay zekânın ne yaptığı ve ne yapamadığına dair daha ayrıntılı ampirik çalışmalar görmekten heyecan duyuyorum. Bu mutlaka balonun patlaması anlamına gelmiyor, ancak balonun çok daha fazla büyümeyeceği de kesin.
Yapay Zeka için bir “Chat CBT Anı”
Curtis Langlotz, Radyoloji, Tıp ve Biyomedikal Veri Bilimi Profesörü, Araştırmadan Sorumlu Kıdemli Rektör Yardımcısı ve Stanford HAI Kıdemli Araştırma Görevlisi.
Yakın zamana kadar, tıbbi yapay zeka modelleri geliştirmek son derece pahalıydı ve yüksek ücretli tıp uzmanları tarafından etiketlenmiş eğitim verileri gerektiriyordu (örneğin, bir mamografinin iyi huylu veya kötü huylu olarak etiketlenmesi). Ticari sohbet robotlarının geliştiricileri tarafından yaygın olarak kullanılan yeni, kendi kendini denetleyen makine öğrenme yöntemleri, etiket gerektirmiyor ve tıbbi yapay zeka modeli eğitiminin maliyetini önemli ölçüde düşürdü.
Tıbbi yapay zeka araştırmacıları, hasta verilerinin gizliliğini koruma gerekliliği nedeniyle, kendi kendine denetimden yararlanmak için gereken devasa veri kümelerini bir araya getirmekte daha yavaş davrandılar. Ancak nispeten daha küçük veri kümelerinden kendi kendine denetimli öğrenme , radyoloji , patoloji , oftalmoloji , dermatoloji , onkoloji , kardiyoloji ve biyotıpın diğer birçok alanında umut vaat ediyor .
Birçoğumuz, kendi kendine denetimle eğitilmiş sohbet robotlarının inanılmaz yeteneklerini keşfettiğimiz o büyülü anı hatırlayacaktır. Yakında, yapay zeka modellerinin, sohbet robotlarını eğitmek için kullanılan veri ölçeğine rakip, yüksek kaliteli ve büyük ölçekli sağlık verileri üzerinde eğitildiği tıp alanında da benzer bir “ChatGPT anı” göreceğiz. Bu yeni biyomedikal temel modeller, tıbbi yapay zeka sistemlerinin doğruluğunu artıracak ve eğitim veri kümelerinin az olduğu nadir ve yaygın olmayan hastalıkların teşhisinde yeni araçların kullanılmasını sağlayacaktır.
Yapay zekanın ekonomik etkisine dair tartışmalar nihayet yerini dikkatli ölçümlere bırakacak.
Erik Brynjolfsson, HAI Kıdemli Araştırma Görevlisi
Abartıdan gösterge paneline: Yapay Zekayı gerçek zamanlı olarak ölçmek.
2026’da, yapay zekanın ekonomik etkisine dair tartışmalar nihayet yerini dikkatli ölçümlere bırakacak. Yapay zekanın verimliliği artırdığı, iş gücünü azalttığı veya yeni roller yarattığı alanları görev ve meslek düzeyinde izleyen yüksek frekanslı “yapay zeka ekonomik gösterge panelleri” ortaya çıkacak. Bordro, platform ve kullanım verilerini kullanan bu araçlar, gerçek zamanlı ulusal hesaplar gibi işlev görecek. ADP ile yaptığımız ” Kömür Madenindeki Kanaryalar ” çalışmasında, yapay zekaya maruz kalan mesleklerde çalışan gençlerin daha zayıf istihdam ve kazanç sonuçları yaşadığını zaten görüyoruz; 2026’da benzer göstergeler yıllar sonra değil, aylık olarak güncellenecek. Yöneticiler, gelir gösterge panellerinin yanı sıra yapay zeka maruziyeti metriklerini günlük olarak kontrol edecek ve politika yapıcılar bunları eğitim, sosyal güvenlik ağları ve inovasyon politikalarını hedeflemek için kullanacak. Tartışma, yapay zekanın önemli olup olmadığı sorusundan, etkilerinin ne kadar hızlı yayıldığına, kimlerin geride kaldığına ve hangi tamamlayıcı yatırımların yapay zeka yeteneğini geniş tabanlı refaha en iyi şekilde dönüştürdüğüne kayacak.
GenAI, Kurumsal Yapıyı Atlatmaya Çalışıyor.
Nigam Shah , Tıp ve Biyomedikal Veri Bilimi Profesörü ve Stanford Sağlık Hizmetleri Baş Veri Bilimcisi.
GenAI kullanımına yönelik ilgi arttıkça, teknolojilerin yaratıcıları sağlık sistemlerindeki uzun karar alma süreçlerinden dolayı hayal kırıklığına uğrayacak ve son kullanıcılara “ücretsiz” olarak sunulan uygulamalar şeklinde doğrudan kullanıcıya ulaşmaya başlayacaklardır. Örneğin, OpenEvidence tarafından sunulan literatür özetleri ve AtroposHealth tarafından sunulan klinik sorulara anında yanıtlar gibi girişimleri ele alalım .
Teknoloji cephesinde ise, herhangi bir göreve özgü etikete ihtiyaç duymadan teşhisleri, tedaviye yanıtı veya hastalık ilerlemesini tahmin etme potansiyeline sahip üretken transformatörlerin yükselişini göreceğiz.
Mevcut çözümlerin bu artışı göz önüne alındığında, hastaların yapay zekâ “yardımının” hangi temele dayandığını bilme ihtiyacı çok önemli hale gelecektir ( bu konudaki önceki yorumuma bakın ). Araştırmacıların iyi kıyaslama yoluyla teknoloji gelişmelerine ayak uydurma yeteneği, yaygın olarak önemli kabul edilse bile, yetersiz kalacaktır. Ve hastaların kendi bakımlarında söz sahibi olmalarını sağlayan çözümlerde bir artış göreceğiz (örneğin, kanser tedavisiyle ilgili bu örnek ).
Yapay zekadan gerçekten ne istediğimizi düşünmek için önemli bir dönüm noktasındayız.
Diyi Yang , Bilgisayar Bilimleri Yardımcı Doçenti.
Uzun Vadeli faydalar için İnsan-Yapay Zeka etkileşimini geliştirme.
Uzun vadeli faydalar sağlayabilecek yapay zeka sistemleri geliştirme konusunda daha fazla çalışmaya ihtiyaç var. Hukuki öğrenme ortamlarında (LLM) sergilenen artan dalkavukluk, LLM’lerin ruh sağlığı ve arkadaşlık için artan kullanımı ve yapay zekanın eleştirel düşünme ve temel beceriler üzerindeki etkisiyle, yapay zekadan gerçekten ne istediğimizi ve bunu nasıl gerçekleştirebileceğimizi düşünmek için önemli bir dönüm noktasındayız.
Şahsen, sadece teknik olarak yetenekli olmakla kalmayıp, insanların düşünme, etkileşim ve iş birliği biçimleriyle anlamlı bir şekilde bağlantılı olan insan merkezli yapay zeka sistemlerinin tasarımı üzerine daha fazla çalışma görmek isterim. Bu, yapay zeka sistemlerini kısa vadeli katılım veya memnuniyet için optimize etmenin ötesine geçmeyi ve bunun yerine insan-yapay zeka etkileşimlerinin kullanıcıların uzun vadeli gelişimini ve refahını nasıl şekillendirdiğine öncelik vermeyi gerektirir. İnsan yeteneklerini artıran yapay zeka sistemlerine ihtiyacımız var ve bu, yapay zeka geliştirme sürecine baştan itibaren dahil edilmeli, sonradan bir uyum sorunu olarak ele alınmamalıdır.