Geçtiğimiz aylarda genel olarak teknoloji dünyasında, spesifik olarak ise yapay zeka alanında kimilerince akılalmaz, kimilerince korkutucu, kimilerince ilham verici, kimilerinceyse rahatsız edici birtakım gelişmeler yaşandı. Teknoloji dünyasında son dönemde gözlemlenen bu hareketlilik, duyurdukları yeni yapay zeka modelleriyle birbirilerine nazire yapan teknoloji şirketleri arasındaki rekabetin biraz daha hızlandığına işaret ediyordu. Örneğin, 2023 yılında Elon Musk’ın xAI şirketi, Grok isimli yapay zeka modelini tanıttı. Öte yandan, aynı dönemde Google şirketi, Gemini olarak adlandırdığı ve ChatGPT-4’ü neredeyse tüm ölçütlerde geride bırakan “en yetenekli ve genel” yapay zeka modelini duyurdu. 2024 yılına gelindiğinde ise her yıl düzenli olarak Las Vegas’ta gerçekleştirilen Tüketici Elektroniği Fuarı’nda (Consumer Electronics Show - CES) birbirinden farklı ve ilgi çekici yapay zeka teknolojileri sergilendi. 2024’ün Şubat ayında Google şirketi yeni geliştirdiği Gemini 1.5 versiyonuyla tüm dikkatleri üzerine çekecekken, OpenAI şirketi metin üzerinden video oluşturan Sora isimli yeni yapay zeka modelini tanıttı. Bu gelişmenin üzerinden çok geçmeden OpenAI’ın insansı robotlar geliştiren Figure şirketiyle işbirliği yaptığına ilişkin haberler gündeme geldi. Bundan kısa bir süre sonra ise OpenAI-Figure işbirliğinin bir ürünü olan OpenAI destekli Figure 01 insansı robotu duyuruldu. Gelişmeler bununla da sınırlı kalmadı. Yakın bir tarihte NVIDIA CEO'su Jensen Huang’ın kodlamanın ortadan kalkacağına dair öngörüleri gündemdeyken, bu öngörüyü kısmen doğrular nitelikte bir gelişme yaşandı: ilk yapay zeka yazılım mühendisi olarak tanımlanan ve yazılımcılar arasında tedirginliğe neden olan Devin insanlara tanıtıldı.
Peki, tüm bunlar ne anlama geliyor? Aslında, toplum ve teknoloji arasındaki ilişkiye dair benimsediğimiz kavramsal çerçeve bu teknolojik gelişmeleri nasıl yorumlayacağımızı, yani teknolojiye yönelik bakış açımızı önemli ölçüde belirliyor. Görünen o ki şu an için dünyadaki hakim bakış açısı, teknolojiyi toplumsal ilişkilerden kopararak ona belirleyici bir önem atfeden teknolojik determinist görüştür. Gerçekliğe dair böylesi bir görüşün yaygınlık kazanmasında dünya devi teknoloji şirketlerinin yönetim kademesinde bulunan CEO’ların önemli bir rolü var. Bu yöneticilerden kimileri, Sam Altman örneğinde olduğu gibi, teknolojik gelişimi en doğru şekilde kullanmanın avantajlarından bahsederken, kimileri de, Elon Musk örneğinde olduğu gibi, varoluşsal tehlikelerden yakınıyor. Fakat etkisini hissettiğimiz gruplar sadece büyük şirket CEO’ları değil. Teknolojik determinizm bataklığının tüm dünyayı içine çekmesine katkı yapanlar arasında teknolojiyle iç içe olan meslek grupları da yer almaktadır. Bunlar, yazılım işiyle uğraşan meslek grupları olabileceği gibi, herhangi bir üniversitede ya da teknoloji firmasında çalışan bilim insanları da olabilmektedir.
Teknolojik gelişmelerin teknik boyutuna olan hakimiyetle teknolojinin toplumsal düzen üzerindeki etkisini anlamanın doğru orantılı olduğunu düşünenler için teknoloji ve toplum ilişkisine dair zihnimizi kurcalayan sorular karşısında kimin entelektüel temsilci olarak seçilmesi gerektiği apaçık ortadadır. Fakat bu seçim, toplumsal bilgi üretimine ilişkin çelişkilerin farkında olmamak gibi bir sorunu içinde barındırıyor. Entelektüel temsilciler aracılığıyla üretilen ve ortakça paylaşılmış öznellik olarak tanımlanan toplumsal bilgi, belirli bir grubun gerçekliğe dair görüşünü diğer gruplar üzerine empoze etmeye çalıştığı kesintisiz bir süreçtir (bkz. Carchedi, 2012: 205). Bu süreçte bir grubun üyeleri entelektüel temsilcinin ürettiği bilgiyi kabul ettiğinde onun sınıf içeriğini de kabul etmiş olur (bkz. Carchedi, 2012: 205). Burada anlatmaya çalıştığımız şeyin ne olduğunu tahmin etmek zor değil. Tek bir cümleyle özetlemek gerekirse bir üretim aracı olarak teknoloji, kapitalist üretim biçiminde üretim araçlarının mülkiyetini elinde bulunduran sermaye sınıfı için üretkenliği arttıran bir vasıtadan fazlası değildir. Fakat bu açıklamanın ayrıntılı hale getirilmesi gerekiyor. Zira yapay zeka söz konusu olunca teknolojik gelişime dair niteliksel bir farklılığın veya daha gelişkin teknolojik becerilerin bir gerçek olarak karşımızda durduğunu görüyoruz. O halde, bu farklılıkları nasıl ortaklaştırabiliriz? İşte Larry Lohmann’ın (2021) “INTERPRETATION MACHINES: Contradictions of ‘Artificial Intelligence’ in 21st-Century Capitalism” isimli makalesi bu soruya ayrıntılı bir cevap veriyor. Bizim bu yazıdaki amacımız, Lohmann’ın “interpretative machines” olarak isimlendirdiği yapay zeka aracına yönelik tespitlerine dikkat çekerek yapay zeka özelindeki teknolojik gelişmeleri doğru bir bağlama yerleştirmektir.
En başta belirtilmesi gereken şu ki Larry Lohmann için “yapay zeka” bir kavram olarak açıklayıcılıktan uzak, gizemli ve hatta kafa karıştırıcıdır. Bilindiği üzere, 1950’lerde insanın öğrenme yetisinin tüm yönlerini taklit edecek ve insan zekasıyla karşılaştırılabilir bir düzeye ulaşacak makineler yapma amacı güden bilgisayar bilimcileri için “yapay zeka” ismi dışında farklı seçenekler yok değildi; fakat nihai kertede John McCarthy’nin isteği çoğunluk tarafından kabul görmüştü (Crevier, 1993: 50). Yapay zeka gibi çarpıcı bir ismin kullanılması, bir bakıma, teknoloji şirketleri örneğinde sıkça rastladığımız dikkat (veya mali destek) çekme amacıyla da bağdaştırılabilir. Fakat Lohmann, bu kavramın seçilmesinin altında yatan mantığın çok daha eskilere dayandığını ifade etmektedir. Sermayenin, canlı emeği görünmez kılma stratejisi olarak değerlendirilen bu girişim – özellikle Simon Schaffer’in yazılarında (bkz. Schaffer, 1994; Schaffer (-)) – Charles Babbage örneği üzerinden sıkça vurgulanmaktadır. Dolayısıyla Lohmann, bu konuda sermayenin ekmeğine yağ sürmenin doğru olmadığını ve emeğin sermaye karşısında yürüttüğü mücadelede yapay zeka kavramı yerine “anlamlandırma makineleri” (interpretative machines) kullanımının daha uygun olduğunu ifade etmektedir.
Lohmann’a göre, “anlamlandırma” – herhangi başka türdeki işte olduğu gibi – kapitalist işin her zaman ayrılmaz bir parçası olmuştur. Her ne kadar bilişsel, simgesel veya duygulanımsal emek gibi çeşitli kategoriler ortaya çıksa da, en vasıfsız emeğin söz konusu olduğu durumlarda bile, aslında bir “anlamlandırma” eyleminden bahsediyoruz. Günümüzde isimlerini sıkça duyduğumuz vasıflı emek, zihinsel emek, bilgi emeği, simgesel analiz veya gayri-maddi emek, Lohmann’a göre, belirli bir yaşın üzerindeki tüm insanların kullandığı “günlük anlamlandırma kapasiteleri”nin oluşturduğu büyük bir “pastanın üzerindeki ince bir krema tabakasıdır”. Lohmann, sermayenin durmadan bu büyük pastanın diğer bölümlerini de ele geçirmeye çalıştığını ifade etmektedir.
Söz konusu “genel anlamlandırma becerileri”ne dahil olan sayısız eylem mevcuttur: tanımak; tercüme yapmak; yol bulmak; bilgiyi algılamak, bilgiyi aramak ve bilgi edinmek; hatırlamak; hesaplamak; esnek bir biçimde kurallara nasıl uyulacağını bilmek; hangi soruları soracağını anlamak; önceden tahmin edip bu tahmine göre davranmak; çevreyle kurduğumuz etkileşimde nasıl davranacağımız öğrenmek, bu ilişkilerde güven inşa etmek; oyun oynamak, şakalaşmak, benzetmeler yapmak vs. Lohmann, saydığı becerilerin son 500 yılda bir iş veya mesleğe tekabül etmediğini ve fakat bu becerilerin insanların uğraştığı meslek kollarının önemli bir parçasını oluşturduğunu ifade etmektedir.
Bilindiği üzere, Sanayi Devrimi’yle birlikte hızlanan mekanikleşme dalgası; bazı mesleklerin ortadan kalkması, vasıflı işçilerin vasıfsız hale gelmesi ve yeni meslek kollarının oluşması gibi çeşitli süreçleri beraberinde getirmişti. Fakat 21. yüzyıla gelindiğinde önümüze çıkan tabloda sadece mesleklerin değil, “canlı emeğin özünün çeşitli yönlerinin” de mekanikleşme sürecinden geçtiği bir manzara yer alıyor. Dolayısıyla Lohmann, tüm insanlara özgü olan bu “anlamlandırma” becerilerinin neredeyse bütünüyle otomatlaştırılmasının, 21. yüzyılı daha önceki mekanikleşme dalgasından farklılaştırdığını söylemektedir. Bu yeni mekanikleşme dalgasının nasıl hayata geçtiğini görmek için yukarıda sayılan becerilerin her birinin – yapay zeka başta olmak üzere – günümüz teknolojilerinde somutluk kazandığını akla getirmek yeterli olacaktır (örneğin, yüz, ses veya karakter tanıma yazılımları; tercüme yapan Google Translate uygulaması; yol tanıma işlevi gören Google Maps, GPS sistemleri ve sürücüsüz taşıtlar; bilgiyi arayıp bulan arama motorları; doğru sorular sorarak iletişimi sürdüren Alexa ve Siri gibi yapay zeka destekli sanal asistanlar vs.).
Fakat Lohmann için daha önemli olan, farklılıklardan ziyade benzerliklere dikkat çekmektir. Bunun için, ilk olarak, “anlamlandırma” becerisinin mekanikleştirilmesinin yeni bir süreç olmadığını belirtmek gerekiyor. Yeni olan, mekanikleşme sürecinin kapsamının genişletilmesidir. Somut bir örnek, 18. yüzyılın ortalarında bulunan mekanik buhar makinesi “regülatörleri”dir. Lohmann, bu “regülatörler”in buhar akış hızını tanımak ve düzenlemek için kullanıldığını ifade ediyor. Buhar gücü ise, tekstil makineleri başta olmak üzere, diğer makinelerin insanüstü bir hızla girdilerdeki değişimlere cevap vermesini, onları kategorize etmesini ve ölçmesini mümkün kılmaktaydı. Termostatlar, sıcaklık ölçümünü insandan daha kesin bir şekilde algılamakla birlikte bulguları endüstriyel fırınlara veya buhar kazanlarına iletebiliyordu. İpek dokumacılarının el becerisini mekanikleştirmek için delikli kartları (punched cards) kullanan Jakarlı dokuma tezgahı desenlerin üretimi için gereken bilgileri çok hızlı bir şekilde taşıyabilmekteydi. “Anlamlandırma becerileri”nin otomatikleştirilmesi sonraki yüzyıllarda çizelgeleme makinelerine, topçu hedefleme sistemlerine, imalat makinelerine, kelime işlemcilerine vs. yayılacaktı.
Günümüzdeki “anlamlandırma makineleri” ile 19. yüzyılın endüstriyel makineleri arasındaki diğer bir benzerlik ise insan becerilerinin tümünün değil belirli bir kesiminin mekanik hale getirilmesiyle ilgilidir. Lohmann’a göre, söz konusu olan insan becerilerinin birebir kopyalanması değildir. Makinelerden beklenen, insan eyleminin spesifik bölümlerini saptaması, soyutlaması ve etkinleştirmesidir. Gerçekte makinelerin çalışma mantığı, yığın halinde tek tip çıktı üretimi için insan eyleminin belirli bölümlerinin çok büyük hızlarda tekrar tekrar yeniden üretilmesine dayanmaktadır. Bu süreçte insanlar makinelerin devamlılığını (örneğin, bakım veya temizlik) sağlayan işgücüne dönüşmektedir. Lohmann bu benzerliği örneklendirmek için iki farklı döneme ait makine örneklerini karşılaştırıyor: bir tarafta 19. yüzyıldaki iplik eğirme makinesi, diğer tarafta 21. yüzyıldaki Google Translate ve Facebook algoritmaları.
19. yüzyılın iplik eğirme makinesi, iplik eğirme işini yapan insanların tüm faaliyetlerini birebir kopyalamak için tasarlanmamıştır. İplik eğirme makinesinin yerine getirdiği, çok daha sınırlı ve tekrara dayalı işlerdi. Daha da önemlisi bu makineler büyük miktarlardaki kuvvetle harekete geçirildiği ölçüde, fiziksel olarak daha tehlikeli işleri yerine getirmekteydi. Burada kastedilen insanüstü bir beceridir. İplik eğirme makinesi insanın fiziksel sınırlarını aşan becerilere sahiptir. Zira Lohmann’ın belirttiği gibi, makinelerin maruz kaldığı kuvvet insanın başa çıkabileceği düzeyin üzerinde bir kuvvettir. Dolayısıyla burada tümüyle insanın yerini alan bir makineden ziyade insanüstü becerilerle üretkenliği artıracak bir araçtan söz edilmektedir. Bu koşullar altında, iplik eğirme makinelerinin üretime katıldığı süreçte ise insanların yapması gereken şey üretim sürecinin devamlılığını işler kılmaktı.
Google Translate örneğine gelince ise bu uygulama aracılığıyla cümle üretiminin biçimsel olarak insanların kurduğu cümlelerle aynı olduğunu; fakat uygulamanın çalışma mantığının farklı olduğunu belirtmek gerekmektedir. Zira Google Translate, milyarlarca dijital veri dizisine bağlı bir şekilde çalışmaktadır. Google Translate uygulaması, kullanıcıları için hangi cümlelerin daha kullanışlı olduğuyla ilgili yığın halinde – dilsel değil, olasılıksal – öngörüler üretmek amacıyla toplanan dijital veriyi bilgisayar işlemcileri aracılığıyla tekrar tekrar işlemektedir. Ayrıca bu uygulama sürekli olarak dijital dünyada yapılan paylaşımları kullanarak kendisini geliştirmektedir. Facebook örneğinde ise, benzer şekilde, tahmin yapan sistemlerin hergün trilyonlarca veri göstergesini işlediği, verilerden binlerce modelin eğitildiği ve bu modellerin tahmin yapmak için sunuculara yerleştirildiği bir çalışma mekanizmasından bahsedilmektedir. Lohmann, Facebook’un saniyede 6 milyondan fazla “öngörü ürünü” ya da bir mali yıl için 189 trilyonun üzerinde satılabilir emtia ürettiğini ifade etmektedir.
Lohmann’ın çalışmasında yer almayan ve fakat makinelerin insanüstü hızına ve kapsamına denk düşen başka bir örnek ise insan beynindeki nöronların çalışma mekanizmasını temel alan yapay sinir ağlarıdır (artificial neural networks – ANN). Makine öğrenimi (machine learning – ML) için geçerli olan yapay sinir ağlarının temel birimi olan algılayıcılar (perceptron) her ne kadar insan beynindeki nöronları taklit ediyor gibi görünse de algılayıcılar arasında kurulan yapay bağlantıların nöronlar arasındaki bağlantılardan katbekat hızlı (yani, insanüstü) olduğu bilinmektedir. Dolayısıyla bu anlamlandırma makinelerinin karakteristik özelliği insan gibi veya insandan daha iyi olması değil, insanüstü olmasıdır.
İki farklı dönem arasındaki benzerliğin sürebilmesi için canlı emeğin yeni teknolojiler karşısındaki konumu da açıklanmalıdır. Lohmann, canlı emeğin yerini alacağı söylenen makinelerin kullanımında tam otomasyon stratejisi yerine bilgisayar bilimcisi Hamid R. Ekbia ve antropolog Bonnie Nardi’nin kullandığı heteromasyon (heteromation) stratejisinin benimsendiğini vurguluyor. Heteromasyon kavramıyla, ekonomik değerin bilgisayar aracılı ağlardaki düşük maliyetli veya ücretsiz emekten (free labor) elde edilmesi kastedilmektedir. Lohmann’a göre bu stratejinin, dijitalleşme döneminde yaygınlık kazanması ve fazlasıyla anonimleşmesi bu alandaki çalışanlara yok hükmünde sayılan insanlar (nonperson) gibi davranılabilmesini mümkün kılmaktadır. Dolayısıyla biz çeşitli uygulamaların arkasında hayalet gibi dolaşan işçi havusunu göremesek bile canlı emek sömürüsü daha geniş kapsamlı olarak tüm hızıyla sürdürülüyor. Lohmann, örneğin, Facebook veya Uber gibi uygulamaları işler kılan 21. yüzyıl yapay zeka sistemlerinin her zaman çevrimiçi olması gereken emek havuzuna dayandığını; bu emek havuzunun ise metinleri sansürlemek, görüntü veritabanlarını güncellemek, fotoğraf kimliklerini tekrar kontrol etmek vb. görevler için çalıştırılan insanların yer aldığı kitlekaynak (crowdsourcing) platformlarından sağlandığını söylüyor. Başka bir örnek, Clearview yüz tanıma makinesinin çalışır durumda kalması için internet üzerinden belirli imtiyazlar karşılığında milyarlarca görsel etiketleyen insanların karşılığı ödenmeyen emeğidir. Veya tam otomatik olduğu varsayılan blokzinciri tabanlı “akıllı kontratlar”ın (smart contracts) insanların yerine getirdiği yaratıcı gözlem ve yasal yorumlama işine dayanması gerektiği belirtilmektedir. Diğer bir örnek, görünüş olarak bebek Arp fokuna benzeyen refakatçi Paro robotlarıdır. Bu robotların, bakım işini otomatik bir şekilde yapabilmesi için düzenli olarak hem çalışanlardan hem de hastalardan yardım alması gerektiği ifade ediliyor. Satılabilir öngörüler üretmek için kullanılan Facebook algoritmaları da örnekler arasındadır. Şirketin resmi çalışanlarına ek olarak sayıları milyarları bulan kullanıcılar olmadan Facebook algoritmalarının üzerine temellendiği çalışma mekanizması işler kılınamaz. Uygulama; beğeni, yorum, durum güncellemesi vs. gibi kullanıcılar tarafından yapılan milyarlarca saatlik anlamlandırma işleri olmadan durma noktasına gelebilir.
Özetle, karşımızda biçimsel olarak kendisinden öncekilerden farklılaşan, öz olarak aynı kalan teknolojiler var. Fakat teknolojik determinist bakış açısı tümüyle yüzeyde görünen farklılıklara odaklanıyor; bilim ve tekniğin sınıfsal boyutu tümüyle geri plana itiliyor. Bilim ve tekniğin sınıfsal boyutu dikkate alındığında belirli bir toplumsal üretim biçiminin sınırları içerisinde gelişen teknolojinin ne anlama geldiğine dair tatmin edici bir cevap bulmak kolaylaşıyor. Elbette, sınıfsal bir perspektiften yola çıkarak bulunan cevabın özünde bir çelişkinin yattığı görülmektedir. Fakat bu, teknoloji ve toplum arasındaki bir çelişkiden ziyade üretici olmayanların rasyonalitesiyle üretenlerin rasyonalitesi arasında beliren çelişkidir; yani, kapitalizmin çelişkili toplumsal içeriğidir (bkz. Carchedi, 2012: 11).
Peki, tüm bunlar ne anlama geliyor? Aslında, toplum ve teknoloji arasındaki ilişkiye dair benimsediğimiz kavramsal çerçeve bu teknolojik gelişmeleri nasıl yorumlayacağımızı, yani teknolojiye yönelik bakış açımızı önemli ölçüde belirliyor. Görünen o ki şu an için dünyadaki hakim bakış açısı, teknolojiyi toplumsal ilişkilerden kopararak ona belirleyici bir önem atfeden teknolojik determinist görüştür. Gerçekliğe dair böylesi bir görüşün yaygınlık kazanmasında dünya devi teknoloji şirketlerinin yönetim kademesinde bulunan CEO’ların önemli bir rolü var. Bu yöneticilerden kimileri, Sam Altman örneğinde olduğu gibi, teknolojik gelişimi en doğru şekilde kullanmanın avantajlarından bahsederken, kimileri de, Elon Musk örneğinde olduğu gibi, varoluşsal tehlikelerden yakınıyor. Fakat etkisini hissettiğimiz gruplar sadece büyük şirket CEO’ları değil. Teknolojik determinizm bataklığının tüm dünyayı içine çekmesine katkı yapanlar arasında teknolojiyle iç içe olan meslek grupları da yer almaktadır. Bunlar, yazılım işiyle uğraşan meslek grupları olabileceği gibi, herhangi bir üniversitede ya da teknoloji firmasında çalışan bilim insanları da olabilmektedir.
Teknolojik gelişmelerin teknik boyutuna olan hakimiyetle teknolojinin toplumsal düzen üzerindeki etkisini anlamanın doğru orantılı olduğunu düşünenler için teknoloji ve toplum ilişkisine dair zihnimizi kurcalayan sorular karşısında kimin entelektüel temsilci olarak seçilmesi gerektiği apaçık ortadadır. Fakat bu seçim, toplumsal bilgi üretimine ilişkin çelişkilerin farkında olmamak gibi bir sorunu içinde barındırıyor. Entelektüel temsilciler aracılığıyla üretilen ve ortakça paylaşılmış öznellik olarak tanımlanan toplumsal bilgi, belirli bir grubun gerçekliğe dair görüşünü diğer gruplar üzerine empoze etmeye çalıştığı kesintisiz bir süreçtir (bkz. Carchedi, 2012: 205). Bu süreçte bir grubun üyeleri entelektüel temsilcinin ürettiği bilgiyi kabul ettiğinde onun sınıf içeriğini de kabul etmiş olur (bkz. Carchedi, 2012: 205). Burada anlatmaya çalıştığımız şeyin ne olduğunu tahmin etmek zor değil. Tek bir cümleyle özetlemek gerekirse bir üretim aracı olarak teknoloji, kapitalist üretim biçiminde üretim araçlarının mülkiyetini elinde bulunduran sermaye sınıfı için üretkenliği arttıran bir vasıtadan fazlası değildir. Fakat bu açıklamanın ayrıntılı hale getirilmesi gerekiyor. Zira yapay zeka söz konusu olunca teknolojik gelişime dair niteliksel bir farklılığın veya daha gelişkin teknolojik becerilerin bir gerçek olarak karşımızda durduğunu görüyoruz. O halde, bu farklılıkları nasıl ortaklaştırabiliriz? İşte Larry Lohmann’ın (2021) “INTERPRETATION MACHINES: Contradictions of ‘Artificial Intelligence’ in 21st-Century Capitalism” isimli makalesi bu soruya ayrıntılı bir cevap veriyor. Bizim bu yazıdaki amacımız, Lohmann’ın “interpretative machines” olarak isimlendirdiği yapay zeka aracına yönelik tespitlerine dikkat çekerek yapay zeka özelindeki teknolojik gelişmeleri doğru bir bağlama yerleştirmektir.
En başta belirtilmesi gereken şu ki Larry Lohmann için “yapay zeka” bir kavram olarak açıklayıcılıktan uzak, gizemli ve hatta kafa karıştırıcıdır. Bilindiği üzere, 1950’lerde insanın öğrenme yetisinin tüm yönlerini taklit edecek ve insan zekasıyla karşılaştırılabilir bir düzeye ulaşacak makineler yapma amacı güden bilgisayar bilimcileri için “yapay zeka” ismi dışında farklı seçenekler yok değildi; fakat nihai kertede John McCarthy’nin isteği çoğunluk tarafından kabul görmüştü (Crevier, 1993: 50). Yapay zeka gibi çarpıcı bir ismin kullanılması, bir bakıma, teknoloji şirketleri örneğinde sıkça rastladığımız dikkat (veya mali destek) çekme amacıyla da bağdaştırılabilir. Fakat Lohmann, bu kavramın seçilmesinin altında yatan mantığın çok daha eskilere dayandığını ifade etmektedir. Sermayenin, canlı emeği görünmez kılma stratejisi olarak değerlendirilen bu girişim – özellikle Simon Schaffer’in yazılarında (bkz. Schaffer, 1994; Schaffer (-)) – Charles Babbage örneği üzerinden sıkça vurgulanmaktadır. Dolayısıyla Lohmann, bu konuda sermayenin ekmeğine yağ sürmenin doğru olmadığını ve emeğin sermaye karşısında yürüttüğü mücadelede yapay zeka kavramı yerine “anlamlandırma makineleri” (interpretative machines) kullanımının daha uygun olduğunu ifade etmektedir.
Lohmann’a göre, “anlamlandırma” – herhangi başka türdeki işte olduğu gibi – kapitalist işin her zaman ayrılmaz bir parçası olmuştur. Her ne kadar bilişsel, simgesel veya duygulanımsal emek gibi çeşitli kategoriler ortaya çıksa da, en vasıfsız emeğin söz konusu olduğu durumlarda bile, aslında bir “anlamlandırma” eyleminden bahsediyoruz. Günümüzde isimlerini sıkça duyduğumuz vasıflı emek, zihinsel emek, bilgi emeği, simgesel analiz veya gayri-maddi emek, Lohmann’a göre, belirli bir yaşın üzerindeki tüm insanların kullandığı “günlük anlamlandırma kapasiteleri”nin oluşturduğu büyük bir “pastanın üzerindeki ince bir krema tabakasıdır”. Lohmann, sermayenin durmadan bu büyük pastanın diğer bölümlerini de ele geçirmeye çalıştığını ifade etmektedir.
Söz konusu “genel anlamlandırma becerileri”ne dahil olan sayısız eylem mevcuttur: tanımak; tercüme yapmak; yol bulmak; bilgiyi algılamak, bilgiyi aramak ve bilgi edinmek; hatırlamak; hesaplamak; esnek bir biçimde kurallara nasıl uyulacağını bilmek; hangi soruları soracağını anlamak; önceden tahmin edip bu tahmine göre davranmak; çevreyle kurduğumuz etkileşimde nasıl davranacağımız öğrenmek, bu ilişkilerde güven inşa etmek; oyun oynamak, şakalaşmak, benzetmeler yapmak vs. Lohmann, saydığı becerilerin son 500 yılda bir iş veya mesleğe tekabül etmediğini ve fakat bu becerilerin insanların uğraştığı meslek kollarının önemli bir parçasını oluşturduğunu ifade etmektedir.
Bilindiği üzere, Sanayi Devrimi’yle birlikte hızlanan mekanikleşme dalgası; bazı mesleklerin ortadan kalkması, vasıflı işçilerin vasıfsız hale gelmesi ve yeni meslek kollarının oluşması gibi çeşitli süreçleri beraberinde getirmişti. Fakat 21. yüzyıla gelindiğinde önümüze çıkan tabloda sadece mesleklerin değil, “canlı emeğin özünün çeşitli yönlerinin” de mekanikleşme sürecinden geçtiği bir manzara yer alıyor. Dolayısıyla Lohmann, tüm insanlara özgü olan bu “anlamlandırma” becerilerinin neredeyse bütünüyle otomatlaştırılmasının, 21. yüzyılı daha önceki mekanikleşme dalgasından farklılaştırdığını söylemektedir. Bu yeni mekanikleşme dalgasının nasıl hayata geçtiğini görmek için yukarıda sayılan becerilerin her birinin – yapay zeka başta olmak üzere – günümüz teknolojilerinde somutluk kazandığını akla getirmek yeterli olacaktır (örneğin, yüz, ses veya karakter tanıma yazılımları; tercüme yapan Google Translate uygulaması; yol tanıma işlevi gören Google Maps, GPS sistemleri ve sürücüsüz taşıtlar; bilgiyi arayıp bulan arama motorları; doğru sorular sorarak iletişimi sürdüren Alexa ve Siri gibi yapay zeka destekli sanal asistanlar vs.).
Fakat Lohmann için daha önemli olan, farklılıklardan ziyade benzerliklere dikkat çekmektir. Bunun için, ilk olarak, “anlamlandırma” becerisinin mekanikleştirilmesinin yeni bir süreç olmadığını belirtmek gerekiyor. Yeni olan, mekanikleşme sürecinin kapsamının genişletilmesidir. Somut bir örnek, 18. yüzyılın ortalarında bulunan mekanik buhar makinesi “regülatörleri”dir. Lohmann, bu “regülatörler”in buhar akış hızını tanımak ve düzenlemek için kullanıldığını ifade ediyor. Buhar gücü ise, tekstil makineleri başta olmak üzere, diğer makinelerin insanüstü bir hızla girdilerdeki değişimlere cevap vermesini, onları kategorize etmesini ve ölçmesini mümkün kılmaktaydı. Termostatlar, sıcaklık ölçümünü insandan daha kesin bir şekilde algılamakla birlikte bulguları endüstriyel fırınlara veya buhar kazanlarına iletebiliyordu. İpek dokumacılarının el becerisini mekanikleştirmek için delikli kartları (punched cards) kullanan Jakarlı dokuma tezgahı desenlerin üretimi için gereken bilgileri çok hızlı bir şekilde taşıyabilmekteydi. “Anlamlandırma becerileri”nin otomatikleştirilmesi sonraki yüzyıllarda çizelgeleme makinelerine, topçu hedefleme sistemlerine, imalat makinelerine, kelime işlemcilerine vs. yayılacaktı.
Günümüzdeki “anlamlandırma makineleri” ile 19. yüzyılın endüstriyel makineleri arasındaki diğer bir benzerlik ise insan becerilerinin tümünün değil belirli bir kesiminin mekanik hale getirilmesiyle ilgilidir. Lohmann’a göre, söz konusu olan insan becerilerinin birebir kopyalanması değildir. Makinelerden beklenen, insan eyleminin spesifik bölümlerini saptaması, soyutlaması ve etkinleştirmesidir. Gerçekte makinelerin çalışma mantığı, yığın halinde tek tip çıktı üretimi için insan eyleminin belirli bölümlerinin çok büyük hızlarda tekrar tekrar yeniden üretilmesine dayanmaktadır. Bu süreçte insanlar makinelerin devamlılığını (örneğin, bakım veya temizlik) sağlayan işgücüne dönüşmektedir. Lohmann bu benzerliği örneklendirmek için iki farklı döneme ait makine örneklerini karşılaştırıyor: bir tarafta 19. yüzyıldaki iplik eğirme makinesi, diğer tarafta 21. yüzyıldaki Google Translate ve Facebook algoritmaları.
19. yüzyılın iplik eğirme makinesi, iplik eğirme işini yapan insanların tüm faaliyetlerini birebir kopyalamak için tasarlanmamıştır. İplik eğirme makinesinin yerine getirdiği, çok daha sınırlı ve tekrara dayalı işlerdi. Daha da önemlisi bu makineler büyük miktarlardaki kuvvetle harekete geçirildiği ölçüde, fiziksel olarak daha tehlikeli işleri yerine getirmekteydi. Burada kastedilen insanüstü bir beceridir. İplik eğirme makinesi insanın fiziksel sınırlarını aşan becerilere sahiptir. Zira Lohmann’ın belirttiği gibi, makinelerin maruz kaldığı kuvvet insanın başa çıkabileceği düzeyin üzerinde bir kuvvettir. Dolayısıyla burada tümüyle insanın yerini alan bir makineden ziyade insanüstü becerilerle üretkenliği artıracak bir araçtan söz edilmektedir. Bu koşullar altında, iplik eğirme makinelerinin üretime katıldığı süreçte ise insanların yapması gereken şey üretim sürecinin devamlılığını işler kılmaktı.
Google Translate örneğine gelince ise bu uygulama aracılığıyla cümle üretiminin biçimsel olarak insanların kurduğu cümlelerle aynı olduğunu; fakat uygulamanın çalışma mantığının farklı olduğunu belirtmek gerekmektedir. Zira Google Translate, milyarlarca dijital veri dizisine bağlı bir şekilde çalışmaktadır. Google Translate uygulaması, kullanıcıları için hangi cümlelerin daha kullanışlı olduğuyla ilgili yığın halinde – dilsel değil, olasılıksal – öngörüler üretmek amacıyla toplanan dijital veriyi bilgisayar işlemcileri aracılığıyla tekrar tekrar işlemektedir. Ayrıca bu uygulama sürekli olarak dijital dünyada yapılan paylaşımları kullanarak kendisini geliştirmektedir. Facebook örneğinde ise, benzer şekilde, tahmin yapan sistemlerin hergün trilyonlarca veri göstergesini işlediği, verilerden binlerce modelin eğitildiği ve bu modellerin tahmin yapmak için sunuculara yerleştirildiği bir çalışma mekanizmasından bahsedilmektedir. Lohmann, Facebook’un saniyede 6 milyondan fazla “öngörü ürünü” ya da bir mali yıl için 189 trilyonun üzerinde satılabilir emtia ürettiğini ifade etmektedir.
Lohmann’ın çalışmasında yer almayan ve fakat makinelerin insanüstü hızına ve kapsamına denk düşen başka bir örnek ise insan beynindeki nöronların çalışma mekanizmasını temel alan yapay sinir ağlarıdır (artificial neural networks – ANN). Makine öğrenimi (machine learning – ML) için geçerli olan yapay sinir ağlarının temel birimi olan algılayıcılar (perceptron) her ne kadar insan beynindeki nöronları taklit ediyor gibi görünse de algılayıcılar arasında kurulan yapay bağlantıların nöronlar arasındaki bağlantılardan katbekat hızlı (yani, insanüstü) olduğu bilinmektedir. Dolayısıyla bu anlamlandırma makinelerinin karakteristik özelliği insan gibi veya insandan daha iyi olması değil, insanüstü olmasıdır.
İki farklı dönem arasındaki benzerliğin sürebilmesi için canlı emeğin yeni teknolojiler karşısındaki konumu da açıklanmalıdır. Lohmann, canlı emeğin yerini alacağı söylenen makinelerin kullanımında tam otomasyon stratejisi yerine bilgisayar bilimcisi Hamid R. Ekbia ve antropolog Bonnie Nardi’nin kullandığı heteromasyon (heteromation) stratejisinin benimsendiğini vurguluyor. Heteromasyon kavramıyla, ekonomik değerin bilgisayar aracılı ağlardaki düşük maliyetli veya ücretsiz emekten (free labor) elde edilmesi kastedilmektedir. Lohmann’a göre bu stratejinin, dijitalleşme döneminde yaygınlık kazanması ve fazlasıyla anonimleşmesi bu alandaki çalışanlara yok hükmünde sayılan insanlar (nonperson) gibi davranılabilmesini mümkün kılmaktadır. Dolayısıyla biz çeşitli uygulamaların arkasında hayalet gibi dolaşan işçi havusunu göremesek bile canlı emek sömürüsü daha geniş kapsamlı olarak tüm hızıyla sürdürülüyor. Lohmann, örneğin, Facebook veya Uber gibi uygulamaları işler kılan 21. yüzyıl yapay zeka sistemlerinin her zaman çevrimiçi olması gereken emek havuzuna dayandığını; bu emek havuzunun ise metinleri sansürlemek, görüntü veritabanlarını güncellemek, fotoğraf kimliklerini tekrar kontrol etmek vb. görevler için çalıştırılan insanların yer aldığı kitlekaynak (crowdsourcing) platformlarından sağlandığını söylüyor. Başka bir örnek, Clearview yüz tanıma makinesinin çalışır durumda kalması için internet üzerinden belirli imtiyazlar karşılığında milyarlarca görsel etiketleyen insanların karşılığı ödenmeyen emeğidir. Veya tam otomatik olduğu varsayılan blokzinciri tabanlı “akıllı kontratlar”ın (smart contracts) insanların yerine getirdiği yaratıcı gözlem ve yasal yorumlama işine dayanması gerektiği belirtilmektedir. Diğer bir örnek, görünüş olarak bebek Arp fokuna benzeyen refakatçi Paro robotlarıdır. Bu robotların, bakım işini otomatik bir şekilde yapabilmesi için düzenli olarak hem çalışanlardan hem de hastalardan yardım alması gerektiği ifade ediliyor. Satılabilir öngörüler üretmek için kullanılan Facebook algoritmaları da örnekler arasındadır. Şirketin resmi çalışanlarına ek olarak sayıları milyarları bulan kullanıcılar olmadan Facebook algoritmalarının üzerine temellendiği çalışma mekanizması işler kılınamaz. Uygulama; beğeni, yorum, durum güncellemesi vs. gibi kullanıcılar tarafından yapılan milyarlarca saatlik anlamlandırma işleri olmadan durma noktasına gelebilir.
Özetle, karşımızda biçimsel olarak kendisinden öncekilerden farklılaşan, öz olarak aynı kalan teknolojiler var. Fakat teknolojik determinist bakış açısı tümüyle yüzeyde görünen farklılıklara odaklanıyor; bilim ve tekniğin sınıfsal boyutu tümüyle geri plana itiliyor. Bilim ve tekniğin sınıfsal boyutu dikkate alındığında belirli bir toplumsal üretim biçiminin sınırları içerisinde gelişen teknolojinin ne anlama geldiğine dair tatmin edici bir cevap bulmak kolaylaşıyor. Elbette, sınıfsal bir perspektiften yola çıkarak bulunan cevabın özünde bir çelişkinin yattığı görülmektedir. Fakat bu, teknoloji ve toplum arasındaki bir çelişkiden ziyade üretici olmayanların rasyonalitesiyle üretenlerin rasyonalitesi arasında beliren çelişkidir; yani, kapitalizmin çelişkili toplumsal içeriğidir (bkz. Carchedi, 2012: 11).
Muhammed Alizade
Carchedi, G. (2012). Behind the Crisis. Chicago, IL: Haymarket.
Crevier, D. (1993). AI: Tumultuous History of the Search for Artificial Intelligence, New York, BasicBooks.
Lohmann, L. (2021). Interpretation Machines: Contradictions of ‘Artificial Intelligence’ in 21st -Century Capitalism. Socialist Register 2021: Beyond Digital Capitalism içinde (50-78), L. Panitch and G. Albo (der.), New York: Monthly Review Press.
Schaffer, S. (1994). Babbage’s Intelligence: Calculating Engines and the Factory System, Critical Inquiry, 21(1), s. 203–27.
Schaffer, S. (-). Babbage’s Dancer, The HRC Archive, https://l24.im/cqtkX.
Yorumlar
Yorum Gönder