Yapay zeka fotoğraflarını nasıl görüyor? 5 efsane
Yazar Chatday Editorial Team ·
Yapay zekaya bir köpek fotoğrafı göster ve kaç bacağı olduğunu sor. Dört diyecek. Şimdi fotoğrafı düzenleyip köpeğe beşinci bir bacak ekle ve tekrar sor. Yine dört diyecek.
Bu uydurma bir tuzak soru değil. Yapay zeka alanının büyük araştırma konferanslarından biri olan ICLR 2026’ya kabul edilen “Vision Language Models Are Biased” adlı çalışmadaki testlerden biri. Araştırmacılar modellere bir bacağı fazla ya da eksik hayvanlar gösterdiğinde, yapay zekalar yalnızca %2,12 oranında doğru saydı.
Öte yandan aynı türden bir yapay zeka bulanık bir fişi okuyabiliyor, kafa karıştıran bir ayar ekranını açıklayabiliyor ya da pencere kenarındaki bitkinin ne olduğunu söyleyebiliyor. Peki hangisi doğru: Yapay zeka fotoğraflarını gerçekten görüyor mu, görmüyor mu? İnsanların bu konuda inandıklarının çoğu yarı yarıya doğru. İşte beş yaygın inanç, tek tek mercek altında.
Efsane 1: “Yapay zeka fotoğrafa senin gibi bakar”
Yanlış. Sen bir fotoğrafa baktığında orada gerçekten ne olduğunu fark edersin. Görselleri okuyan bir yapay zeka (teknik adıyla görsel dil modeli) daha çok “tanı ve hatırla” yöntemine yakın bir şey yapar. “Köpek” olduğunu anlar, köpeklerin dört bacağı olduğunu hatırlar ve bunu söyler. Araştırmacılar durumu açıkça ifade ediyor: Modeller “saymıyor.”
Aynı şey logolarda da yaşandı. Ünlü üç şeritli Adidas logosuna dördüncü bir şerit eklendiğinde modeller yine üç dedi. Yedi tür düzenlenmiş görselde (hayvanlar, logolar, satranç tahtaları, kutu oyunları, göz yanılsamaları ve desenli ızgaralar) test edilen 2025 modelleri, sayma sorularında ortalama %17,05 aldı. Düzenlenmemiş orijinallerde ise hepsini doğru bildiler.
Düzenlenmiş görsellere verilen tüm cevapların yaklaşık dörtte üçü tam olarak “beklenen” sayıydı: resimdeki değil, modelin zaten bildiği sayı. Daha eski bir çalışma olan “Vision Language Models Are Blind”, çizilmiş şekillerle aynı örüntüyü bulmuştu. Olimpiyat logosu tarzında iç içe geçmiş çemberleri sayması istendiğinde, bir Gemini modeli gerçek sayı ne olursa olsun yanlış cevaplarının yaklaşık %99’unda “5” dedi. Tıpkı Olimpiyatlardaki gibi beş halka.
Kısacası: Yapay zeka tanıdık şeyleri tanımakta çok başarılı, ama tanıdık bir şeyin değiştirildiğini fark etmekte çok daha zayıf.
Efsane 2: “Matematik olimpiyatında başarılı olan bir yapay zeka saati de okur”
Bu biraz zaman aldı. İnsanları en çok şaşırtan konu bu. Eylül 2025’te ClockBench adlı bir test, yapay zeka modellerinden analog saat okumalarını istedi: saatin kaç olduğunu, hangi kolun hangisi olduğunu ve birkaç dakika sonra saatin ne göstereceğini. İnsanlar ortalama %89,1 aldı. Test edilen 11 modelin en iyisi ise %13,3’te kaldı.
Stanford’un 2026 AI Index raporu, araştırmacıların “pürüzlü zeka” (jagged intelligence) dediği durumun en sevdiği örneği olarak bunu kullandı: Uluslararası Matematik Olimpiyatı’nda altın madalya kazanabilen ama saati hâlâ güvenilir şekilde okuyamayan yapay zeka. Saatler şaşırtıcı derecede zorlu. Modelin açıları hassas şekilde değerlendirmesi, birbirine benzeyen iki kolu ayırt etmesi ve ardından biraz hesap yapması gerekiyor. Üstelik internette analog saat kadranları, düz dijital rakamlara göre çok daha nadir.
İyi haber şu ki işler çok hızlı ilerledi:
| Ne zaman | ClockBench’teki en iyi yapay zeka puanı | İnsan ortalaması |
|---|---|---|
| Eylül 2025 (yayınlandığında) | %13,3 | %89,1 |
| Mart 2026 (Stanford AI Index) | %50,6 (GPT-5.4) | yaklaşık %90 |
| Kasım 2026 (herkese açık sıralama) | %87,8 (Claude Fable 5.2) | %90,7 |
Bugün sıralamanın ilk beş sırası Claude Fable 5.2, Gemini 4 Carbon, Gemini 4 Argon, Claude Opus 5.5 ve GPT-6 Astra’ya ait; hepsi en yüksek düşünme ayarlarında çalışıyor. İnsanlar hâlâ az farkla önde. Ama aradaki fark yaklaşık bir yılda “umutsuz”dan “kıl payı”na indi.
Efsane 3: “Daha net, daha büyük bir fotoğraf hataları düzeltir”
Çoğunlukla yanlış. Mantıklı geliyor: Yapay zeka yanlış yaptıysa ona daha iyi bir resim ver. Ama “Blind” çalışmasında renkleri, çizgi kalınlığını ya da görüntü çözünürlüğünü değiştirmek, modellerin iç içe çemberleri sayma başarısını neredeyse hiç etkilemedi. Sorun şekilleri seçememeleri değildi. Bilgi oradaydı. Zor olan, onu doğru kelimelere dökmekti.
Asıl büyük fark yaratan şey kalabalıktı. “Biased” çalışmasında düzenlenmiş görsellerin arka planını kaldırmak doğruluğu neredeyse ikiye katladı; yaklaşık 21 puanlık bir sıçrama. Kalabalık bir arka plan, yapay zekaya önündekine değil de beklentisine yaslanması için daha fazla ipucu veriyor (“burası bir çiftlik, demek ki bu normal bir köpek”).
Efsane 4: “Tekrar bakmasını söylemen yeterli”
Pek işe yaramıyor. “Biased” çalışmasında modelden tekrar kontrol etmesini ya da yalnızca görseldekilere dayanmasını istemek, sayma doğruluğunu ortalama sadece 2 puan artırdı. Daha uzun düşünmesine izin vermek bir noktaya kadar yardımcı oldu, doğruluk %40 civarına çıktı; sonra model fazla kafa yorunca sonuçlar kötüleşti.
Daha iyi işe yarayan şey soruyu değiştirmek. “Kaç tane?” sorusu ezberden bir cevabı davet ediyor. Yapay zekadan önce resmin üzerinden geçmesini istemek, onu gerçek resme odaklanmaya zorluyor:
- “Bu fotoğraftaki herkesi soldan sağa doğru tek tek say, sonra toplam kaç kişi olduğunu söyle.”
- “Akrebin ve yelkovanın nereyi gösterdiğini anlat, sonra saatin kaç olduğunu söyle.”
- “Bu fişteki her satırı bana oku, sonra toplamı hesapla.”
Adım adım açıklama yanlışsa bunu hemen fark edersin; işin özü de bu. Kendinden emin bir sayı almak yerine nerede tökezlediğini görebilirsin.
Efsane 5: “O halde görsel yapay zeka uğraşmaya değmeyecek kadar güvenilmez”
Yanlış, ve asıl bırakılması gereken inanç bu. Yukarıdaki tüm başarısızlıklar kasıtlı olarak zorlayıcı testlerden geliyor: düzenlenmiş logolar, fazladan bacaklar, tuhaf saat kadranları. Bu testler zayıf noktaları bulmak için tasarlanmış ve bu işi iyi yapıyorlar. Aynı zamanda o zayıf noktaların hızla küçüldüğünü de gösteriyorlar. “Biased” çalışmasının ekibi, Ekim 2026’da çıkan GPT-6 Astra’nın, 2025 modellerinin ortalama %17 aldığı aynı testte %84,10 puan aldığını bildiriyor.
Yine de akılda kalan bir ayrıntı var. Araştırmacılara göre Astra yanıldığında, vakaların %92,4’ünde ezberlenmiş cevabı veriyor. Alışkanlık ortadan kalkmış değil. Sadece çok daha seyrek ortaya çıkıyor.
Günlük kullanımda ise tablo çok daha iç açıcı. Bir sahneyi anlatmak, basılı metin okumak, bir ekran görüntüsünü açıklamak, yaygın bir nesneyi tanımak: Bunların hepsi yapay zekanın güçlü yanına, yani tanıdık şeyleri tanımaya denk geliyor. İşte nerede rahat olabileceğine, nerede kontrol etmen gerektiğine dair kabaca bir rehber:
| Ne soruyorsun | Ne kadar güvenebilirsin | Neden |
|---|---|---|
| ”Bu fotoğrafta ne var?” | Yüksek | Tanıdık sahneleri tanımak en güçlü yanı |
| Basılı metin, menü, tabela okumak | Yüksek | Net metinler eğitim verisinde bolca var |
| Bir ekran görüntüsünü ya da hatayı açıklamak | Yüksek | Ekranı okur ve yazılımı tanır |
| Nesneleri saymak, özellikle çok sayıda | Kontrol et | Beklenen sayıyı söyleyebilir |
| Alışılmadık ya da düzenlenmiş her şey | Kontrol et | Tuhaflıkları normale “düzeltme” eğiliminde |
| Analog saatler, göstergeler, kadranlar | Kontrol et | Artık daha iyi ama hâlâ insanların gerisinde |
Bu arada aynı durum kelimeler için de geçerli. Yapay zekanın bir kelimedeki harfleri saymakta neden zorlandığını merak ettiysen, yapay zekanın strawberry’deki R’leri neden sayamadığını anlatan yazımız bunun bu sorunun yakın bir akrabası olduğunu gösteriyor.
Tüm bunları kendi gözünle görmenin en kolay yolu, kendi galerindeki bir fotoğrafla denemek. Önce gündelik bir şey, sonra biraz tuhaf bir şey seç ve yapay zekadan gördüklerini adım adım anlatmasını iste. Neler sorabileceğine dair daha fazla fikir için yapay zekaya her fotoğrafı ve ekran görüntüsünü açıklatma rehberimize göz at.