Yapay Zekâ Sanatının Kapsamlı Tarihi: AARON’dan Midjourney’e (1973–2025)

Son Güncelleme: 2025-12-25 10:25:33

Yapay zekânın akademik bir meraktan sanatsal bir devrime nasıl dönüştüğü ve neden önemli olduğu

Bu rehber, kural tabanlı ilk sistemlerden günümüzün difüzyon modellerine uzanan YZ sanatı tarihini adım adım ele alır; böylece her dönüm noktasının sanatçıların üretim biçimlerini nasıl dönüştürdüğünü net bir şekilde görebilirsiniz.

Bir Robotun Sanat Eseri Neredeyse Yarım Milyon Dolara Satıldığında

Ekim 2018’de New York’taki Christie’s müzayede evinde tarihe geçen bir olay yaşandı. 18. yüzyıl Avrupa resmini andıran, hafif bulanık bir portre 432.500 dolara satıldı. Alıcı kimdi? İsmi açıklanmayan bir koleksiyoncu. Satıcı? Fransız kolektif Obvious. Sanatçı mı? Bir algoritma.

"Edmond de Belamy Portresi" insan eliyle yapılmadı. 15.000 tarihi portreyle eğitilmiş bir Generative Adversarial Network (GAN) tarafından üretildi. Köşedeki imza bir isim değil, matematiksel bir formüldü: "min max Ex[log(D(x))] + Ez[log(1 D(G(z)))]."

Sanat dünyası ikiye bölündü. Kimi bunu bir dönüm noktası olarak gördü. Kimi ise bir pazarlama numarası, hatta skandal olarak nitelendirdi; özellikle de kolektifin, açık kaynak kodu asıl geliştiricisi Robbie Barrat’a gereken atfı yapmadan kullandığının ortaya çıkmasıyla. Ancak tüm tartışmaların ötesinde bir gerçek netleşti: Yapay zekâ ile üretilen sanat sahneye çıkmıştı ve bu cin artık şişeye geri girmeyecekti.

Çoğu kişinin fark etmediği bir şey var: 2018’deki o müzayede, YZ sanatının başlangıcı değildi. Hatta yanından bile geçmiyordu. Hikâye aslında 45 yıl daha önce, bir üniversitenin bilgisayar laboratuvarında başlıyor; fırçasının artık ona yeterince meydan okumadığını düşünen bir İngiliz ressamla.

Hızlı Zaman Çizelgesi：

1960’lar: İlk bilgisayar ve algoritmik sanat denemeleri, bu alanın temellerini atar

1973: Harold Cohen AARON'u başlatır

2015: DeepDream ve erken dönem stil transferi çalışmaları viral olur

2014–2018: GAN’ler görsel gerçekçiliği ileri taşır; yapay zekâ sanatı galeri ve müzayedelere girer

2021: CLIP, metin-görsel anlayışının önünü açıyor

2022: Difüzyon modelleri + Midjourney / DALL·E / Stable Diffusion ile YZ sanatı ana akıma taşındı

2023–2025: Telif hakları, veri seti rızası, provenans araçları ve düzenleme tartışmaları kızışıyor

Tesadüfi Bir Öncü: Bir Ressam İlk Yapay Zekâ Sanatçısını Nasıl Yarattı?

Harold Cohen ve AARON (1973–2016)

1968’de Harold Cohen kariyerinin zirvesindeydi. Britanya’yı Venedik Bienali’nde temsil etmişti. Soyut resimleri saygın galerilerde sergileniyordu. Ama içini kurcalayan bir şey vardı. Yıllar sonra bunu şöyle anlatacaktı: “Belki de stüdyomun dışında, içindekinden daha ilginç şeyler oluyordur.”

Cohen, UC San Diego’da ders verirken bilgisayarlarla tanıştı. Onları mevcut çalışmalarını dijitalleştiren bir araç olarak değil, çok daha temel bir soru üzerinden ele aldı: Bir bilgisayarın kendisi sanat üretebilir miydi? Yeniden üretmek, kopyalamak değil; gerçekten yaratmak?

Ortaya çıkan sistemin adı AARON’du; adını kısmen Tevrat’taki Musa’nın kardeşinden alıyordu. Cohen, 1974’te UC Berkeley’de ilk kez sergilediğinde AARON yalnızca soyut desenler üretebiliyordu. Ama onu gerçekten devrimci kılan nokta şuydu: Önceden tanımlanmış komutları körü körüne uygulamıyordu. Cohen, bir ressam olarak bildiği kompozisyon, bütünlük ve form kavramlarına dair kuralları sisteme öğretmişti; AARON ise bu kuralların içinde kendi kararlarını alıyordu.

Şöyle düşünün: Cohen, AARON’a görsel dilin gramerini öğretti; ama cümleleri kuran AARON’un kendisiydi.

1980’lere gelindiğinde AARON; insan figürleri, bitkiler ve iç mekân sahneleri gibi kolayca tanınabilir görüntüler üretmeye başlamıştı. Cohen, üniversite araştırma ortamlarında birlikte çalıştığı ekiplerle geliştirilen robotik bir çizim koluyla sistemi serbest bırakıyor; kodun fiziksel dünyada nasıl “çizebileceğini” araştırıyordu. Sonuç, son derece detaylı çizimlerdi. Her biri benzersizdi. Hepsi tartışmasız şekilde AARON’un stilini taşıyor, ama hiçbiri birbirinin aynısı olmuyordu.

Asıl büyüleyici olan, Cohen’in AARON’un ne üreteceğini hiçbir zaman tam olarak öngörememesiydi. Programladığı bazı kurallar, onun bile hayal etmediği biçimler ortaya çıkarıyordu. Makine, Cohen’e kendi sanatsal sisteminin içinde daha önce fark etmediği olasılıkları gösteriyordu.

AARON, 40 yılı aşkın bir süre boyunca gelişmeye devam etti. 2001 sürümü, figürler ve bitkilerden oluşan renkli sahneler üretiyordu. 2007’deki “Gijon” sürümü ise orman hissi veren manzaralar oluşturdu. Cohen 2016’da hayatını kaybettiğinde geriye yalnızca binlerce eser değil, aynı zamanda derin bir soru bıraktı: AARON, yaratıcısını bile şaşırtan özgün kompozisyonlar üretebiliyorsa, gerçekten yaratıcı sayılabilir miydi?

Whitney başta olmak üzere pek çok önemli kurum, Cohen’in AARON ile ilişkili çalışmalarını ve arşivlerini sergileyerek bu üretimlerin dijital sanat tarihindeki yerini vurguladı. AARON bugün hâlâ görseller üretmeye devam ediyor; ancak Cohen’in ölümünden sonra ortaya çıkan işler, özgünlük açısından tartışmalı kabul ediliyor.

AARON’dan Önce: Üretken Sanat ve Erken Dönem Bilgisayar Deneyleri (1960’lar)

Bugünün modellerinden çok önce, sanatçılar görsel formlar üretmek için algoritmalardan yararlanıyordu. 1960’larda ortaya çıkan erken dönem bilgisayar plotter çizimleri ve kural tabanlı “üretken sanat”, bugün YZ sanatını tanımlayan temel fikri ortaya koydu: Sanatçı sistemi tasarlar; sistem ise manuel tekrarın ötesinde, sayısız varyasyon üretir.

Hype Öncesi Sessiz Yıllar: Yapay Zekâ Sanatı (1980’ler–2000’ler)

Cohen AARON üzerinde çalışırken, başka sanatçılar da hesaplamalı yaratıcılığı keşfediyordu; ancak akademi dünyasının dışında bunu fark eden pek yoktu.

Karl Sims, en azından dijital sanat çevrelerinde bu dönemin en bilinen isimlerinden biri sayılabilir. 1980’lerde MIT Media Lab’de, ardından bir süper bilgisayar şirketi olan Thinking Machines’te çalışan Sims, “yapay evrim” yaklaşımıyla 3D animasyonlar üretti. Süreci şöyleydi: rastgele 3D formlar oluşturmak, bunların mutasyona uğramasına izin vermek, ilgi çekici olanları seçmek ve tekrar etmek. Kısacası, dijital varlıklar için doğal seçilimin kendisi.

1991 tarihli “Panspermia” ve 1992’de ürettiği “Liquid Selves”, prestijli dijital sanat festivali Ars Electronica’da en büyük ödülleri kazandı. Doğada birebir karşılığı olmayan ama garip bir şekilde canlı hissi veren, hipnotik ve organik görünümlü 3D animasyonları hatırlıyorsanız—işte o estetiğin öncüsü Sims’ti.

Scott Draves, 1999 tarihli “Electric Sheep” ile bambaşka bir yol izledi. Bir ekran koruyucu—evet, eskiden kullanılanlardan—ama öğrenebilen bir ekran koruyucu. Binlerce bilgisayara dağıtılan bu sistem, “koyun” adı verilen evrimleşen fraktal animasyonlar üretiyor. İzleyiciler hangi desenleri beğendiklerine oy verdikçe, sistem de o desenlerin benzerlerini çoğaltıyor. Üstelik hâlâ çalışıyor. electricsheep.org’a gidip izleyebilirsiniz.

Bu dönemde “üretken sanat” kavramı yaygınlaştı. Sanatçılar kuralları ve parametreleri kodla tanımlıyor, ardından algoritmaların bu çerçeve içinde üretim yapmasına izin veriyordu. Özellikle sanatçılar için tasarlanan bir programlama dili olan Processing, 2001’de kullanıma sunularak bu yaklaşımı çok daha erişilebilir hâle getirdi.

Ama işin püf noktası şu: bunların hiçbiri çoğu insana “yapay zekâ” gibi gelmiyordu. Evet, havalı dijital sanat projeleriydi; fakat zeki görünmüyorlardı. Ne ürettiklerinin farkında değillerdi. Ne kadar karmaşık olursa olsun, yalnızca kuralları takip ediyorlardı.

Bu durum değişmek üzereydi.

Derin Öğrenme Her Şeyi Değiştiriyor (2012–2015)

2010’ların başında köklü bir kırılma yaşandı. Üç önemli gelişme aynı noktada buluştu:

Önce GPU’lar (grafik işlem birimleri), devasa sinir ağlarını eğitecek kadar güçlü hâle geldi. Ironik bir şekilde, oyun için geliştirilen çipler yapay zekâdaki büyük atılımların önünü açtı.

İkinci olarak, büyük veri setleri erişilebilir hâle geldi. 2009’da kullanıma açılan ImageNet, milyonlarca etiketlenmiş görsel içerir. Böylece sinir ağları, kalıpları gerçekten öğrenebilecek kadar örneğe bir anda kavuştu.

Üçüncü olarak, derin öğrenme algoritmaları büyük bir sıçrama yaptı. 2012’de derin öğrenme modelleri, özellikle ImageNet ile popülerleşen görüntü tanıma ölçütlerinde çarpıcı başarılar elde ederek geleneksel bilgisayarla görme yaklaşımlarını geride bıraktı. Bu dönemde araştırmacılar şunu fark etti: Sinir ağlarını yeterince derinleştirirseniz (çok katmanlı hale getirirseniz), bol miktarda veri ve güçlü hesaplama kaynakları sağlarsanız, beklenmedik derecede “zeki” görünen sonuçlar üretmeye başlıyorlar.

Sanat dünyası için etkileri son derece sarsıcıydı.

Deep Dream Anı (2015)

Haziran 2015’te Google mühendisi Alexander Mordvintsev tuhaf bir şey yayımladı. Sinir ağlarının nesneleri nasıl tanıdığını görselleştirmek üzerine çalışıyordu. Fikir şuydu: Bir ağ köpekleri tanımak üzere eğitildiyse, süreci tersine çevirip bir görselde gördüğü köpeğe benzeyen desenleri özellikle vurgulamasını istersek ne olur?

Ortaya çıkan sonuçlar baş döndürücüydü. Psikedelikti. Hatta halüsinojenikti. Sisteme bir bulut fotoğrafı verdiğinizde, ağ her yerde köpek yüzleri, gözler ve mimari formlar görmeye başlıyor; sonra bunları büyütüp gerçeküstü manzaralara dönüştürüyordu. Sanat dünyası adeta çalkalandı.

Google buna DeepDream adını verdi (resmî adıyla “Inceptionism”). Haftalar içinde sanatçılar DeepDream işlerinden oluşan galeriler üretmeye başladı. Gözlerle kaplı, kıvrılan organik desenleriyle kendine özgü bir estetik doğdu. Bugün bile bir DeepDream görselini anında tanırsınız.

Onu kültürel açıdan önemli kılan şey sadece görseller değildi. Asıl kırılma noktası şu farkındalıktı: Bir sinir ağı dünyaya baktığında böyle görüyor. Bizim gördüğümüzü görmüyor. Desenleri, korelasyonları, istatistiksel ilişkileri görüyor. Ve bu desenler görselleştirildiğinde, ateşli rüyaları andıran sahnelere dönüşüyor.

Son derece tuhaftı. İnsanlar bayıldı.

Stil Transferi: Sanatçı Olarak Sinir Ağları (2015–2016)

Aynı dönemlerde araştırmacılar, sinir ağlarını kullanarak “stil transferi” yapmanın yolunu da keşfetti. Yani bir görselin stilini alıp başka bir görsele uygulamak mümkün hale geldi. Fotoğrafınızı Van Gogh’un “Yıldızlı Gece” tarzında görmek mi istiyorsunuz? Saniyeler içinde hazır.

Teknik makale oldukça yoğundu (Gatys ve ark., 2015), ancak bu yaklaşımı hayata geçiren uygulamalar hızla yaygınlaştı. Prisma, 2016’da viral bir fenomene dönüştü. Bir anda, akıllı telefonu olan herkes ünlü ressamların tarzını andıran “sanat” eserleri üretebilir hale geldi.

Eleştirmenler, bunun gerçekten yeni bir sanat üretmekten ziyade algoritmik bir taklit olduğunu söyledi. Ancak sinir ağlarının sanatsal üslubu anlayıp yeniden üretebilecek düzeye gelmesi önemli bir kırılmaydı. İşte bu, yeniydi.

GAN’ler: Çığır Açan Teknoloji (2014–2020)

Sanatçılar için GAN’ler önemliydi; çünkü “üslubu” veriden öğrenilebilir hâle getirerek, her kuralı tek tek elle kodlamadan bir görsel evreni keşfetmeyi mümkün kıldılar.

GAN’ler Nasıl Çalışır? (Matematiğe Girmeden)

2014’te, o dönemde Montreal Üniversitesi’nde doktora öğrencisi olan Ian Goodfellow, makine öğreniminde en çok atıf alan çalışmalardan birine dönüşecek makalesiyle Generative Adversarial Networks’ü tanıttı. Derin öğrenmenin kurucu isimlerinden Yann LeCun ise GAN’leri “son 10 yılda makine öğrenimindeki en ilgi çekici fikir” olarak nitelendirdi.

Fikir şu: iki sinir ağının birbirine karşı bir oyun oynadığını hayal edin.

Ağ 1 (Generator): Gerçek gibi görünen sahte görseller üretmeye çalışır.

Ağ 2 (Discriminator): Sahte görüntülerle gerçek olanları ayırt etmeye çalışır.

Generator en başta berbattır; sadece rastgele gürültü üretir. Discriminator sahte olanı anında ayırt eder. Ama işin zekice kısmı burada başlar: Generator hatalarından öğrenir. Discriminator’ı kandıracak şekilde kendini ayarlar. Discriminator sahtekârlıkları yakalamada daha da ustalaşır. Generator yeniden uyum sağlar. Bu karşılıklı çekişme, binlerce kez tekrarlanır.

Zamanla Generator o kadar ustalaşır ki Discriminator artık sahteyle gerçeği güvenilir şekilde ayırt edemez. İşte bu noktada, sıfırdan son derece ikna edici görseller üretebilen bir sinir ağı ortaya çıkar.

Dönüm noktası: GAN’ler, her olası çıktı için insan eliyle etiketlenmiş eğitim verisine ihtiyaç duymaz. Yüzler, manzaralar ya da başka herhangi bir görsel fark etmeksizin, eğitildikleri verinin alttaki istatistiksel dağılımını öğrenir ve bu temelden sınırsız sayıda varyasyon üretebilir.

Garip Yüzlerden İnandırıcı Sanata (2015–2018)

Erken dönem GAN çıktıları… nasıl desek, “deneyseldi.” 2015 civarında internette dolaşan, bozulmuş yüz hatlarıyla ürkütücü bir tekinsizlik hissi veren o yapay zekâ yüzlerini hatırlıyorsanız, işte onlar erken GAN örnekleriydi. Araştırmacılar bunları birer kavram kanıtı olarak paylaştı; çok geçmeden de internet memelerine dönüştüler.

Ancak teknoloji çok hızlı ilerledi. 2017’ye gelindiğinde NVIDIA’nın Progressive GAN’i, fotoğraflardan ayırt edilmesi neredeyse imkânsız 1024×1024 çözünürlükte yüzler üretebiliyordu. 2018’de ise StyleGAN, çözünürlüğü daha da yukarı taşıdı ve görüntünün farklı özellikleri üzerinde ince ayar yapılmasını mümkün kıldı.

Sanatçılar denemelere başladı. Alman sanatçı Mario Klingemann, 2018’de iki ekranda durmaksızın üretilen portrelerin yer aldığı “Memories of Passersby I” adlı bir enstalasyon yarattı. Anılar gibi akıp giderler; asla kendini tekrar etmezler. Eser, Sotheby’s’te 40.000 £’a satıldı.

Helena Sarin farklı bir yol izledi: GAN’leri fotoğraflar yerine kendi çizimleriyle eğitti. Böylece yapay zekânın üretken gücünden faydalanırken sanatsal kontrolü elinde tuttu. “AI Candy Store” serisi, yapay zekâya özgü ayırt edilebilir bir estetiğe sahip; ancak Sarin’in kişisel üslubu da baştan sona hissediliyor.

O dönem lise öğrencisi olan Robbie Barrat, GAN’leri klasik sanat eserleriyle eğitti ve yazdığı kodu GitHub’da açıkça paylaştı. (Bu kod, daha sonra Obvious tarafından Christie’s’teki satışta kullanıldı ve eser sahipliği ile sanatsal kredi konularında büyük bir tartışmayı ateşledi.)

The Next Rembrandt (2016)

Obvious’ın müzayededeki büyük çıkışından önce, ING Bank ve bazı Hollandalı kurumların imza attığı “The Next Rembrandt” (2016) projesi vardı. Bir pazarlama çalışması olarak hayata geçirilen bu projede Rembrandt’ın 346 tablosu tarandı, algoritma sanatçının üslubunu öğrenmesi için eğitildi ve sonuçta “yeni” bir Rembrandt portresi üretildi.

Teknik olarak bir GAN değildi ama fikir aynıydı: Yapay zekâ, belirli bir sanatçının üslubunda üretim yapabilir mi? Proje büyük yankı uyandırdı ve medyada geniş yer buldu. Eleştirmenler bunu önemli bir teknik başarı olarak görürken, ortaya çıkan işin gerçekten sanat mı yoksa yalnızca sofistike bir pastiş mi olduğu sorusunu gündeme getirdi.

Hâlâ yanıtını aradığımız soruları gündeme getirdi: Belirli bir sanatçının işlerinden model eğitmek saygılı bir selam mı, yoksa hesaplamalı bir sahiplenme mi? İlham hangi noktada hırsızlığa dönüşür?

Patlama: YZ Sanatının Ana Akıma Girişi (2022–Günümüz)

CLIP: Yapay Zekâya Metin ve Görselleri Anlamayı Öğretmek (2021)

Bir sonraki büyük atılım Ocak 2021’de OpenAI’den geldi: CLIP (Contrastive Language Image Pre training). Teknik detaylar karmaşıktı, ancak etkisi basitti: CLIP, metin ile görseller arasındaki ilişkiyi anlayabiliyordu.

Önceki sistemler etiketli veriye ihtiyaç duyuyordu: “bu bir kedi”, “bu bir köpek” gibi. CLIP ise internetten toplanan 400 milyon görüntü–metin eşleşmesi üzerinden öğrenildi. Hangi kelimelerin hangi görsel özelliklerle birlikte ortaya çıktığını kavradı ve metinlerle görsellerin karşılaştırılabildiği ortak bir “alan” oluşturdu.

Neden bu bir dönüm noktasıydı? CLIP’i üretken bir modelle birleştirdiğinizde, metinden görsel üretmek mümkün hâle geldi. “Ata binen bir astronot” yazmanız yeterliydi; sistem bunun nasıl görünmesi gerektiğini anlayabiliyordu.

Sanatçılar CLIP’i hızla iş akışlarına entegre etti. GAN’ler veya diğer üreticilerle birleştirerek, görsel üretimini dil üzerinden yönlendirebiliyorlardı. Hantaldı, ama işe yarıyordu.

2022 Devrimi: DALL·E 2, Midjourney, Stable Diffusion

Derken 2022 geldi ve her şey bir anda değişti.

DALL·E 2 (OpenAI, Nisan 2022), CLIP’i difüzyon modelleriyle (birazdan detaylarına gireceğiz) birleştirerek metinden yüksek kaliteli ve tutarlı görseller üretebildi. İlk erişim, seçilmiş sanatçılar ve araştırmacılarla sınırlıydı. Bekleme listesi kısa sürede bir milyonu aştı. OpenAI’nin paylaştığı görseller son derece yaratıcı, tutarlı ve çoğu zaman gerçekten etkileyiciydi.

Midjourney (Midjourney Inc., Temmuz 2022) bambaşka bir yol izledi: topluluk odaklı, Discord üzerinden çalışan ve estetik güzelliği merkeze alan bir yaklaşım. Kısa sürede kendine özgü bir görsel dil oluşturdu; resimsel, dramatik ve çoğu zaman fantastik. Sanatçılar akın akın platforma katıldı. Discord sunucusu ise internetin en aktif yaratıcı topluluklarından birine dönüştü.

Stable Diffusion (Stability AI, Ağustos 2022), erişilebilirlik açısından oyunun kurallarını değiştirdi. DALL·E 2’nin (sadece web üzerinden, sınırlı erişim) ve Midjourney’nin (abonelik tabanlı) aksine Stable Diffusion açık kaynaklıydı. Herkes indirip kendi bilgisayarında çalıştırabiliyor, dilediği gibi değiştirebiliyordu.

Birkaç ay içinde tam teşekküllü bir ekosistem ortaya çıktı: web arayüzleri, mobil uygulamalar, Photoshop eklentileri, belirli stiller için eğitilmiş yüzlerce özel model… Yaşanan büyüme daha önce hiç görülmemişti.

2022’nin sonlarına gelindiğinde sosyal medya adeta YZ sanatıyla dolup taştı. “Prompt engineering” başlı başına bir beceri haline geldi; insanlar daha iyi sonuçlar almak için ipuçları paylaşmaya başladı. Aynı anda hararetli tartışmalar da patlak verdi: Kimilerine göre bu, sanatı demokratikleştiriyordu; kimilerine göreyse kökünden sarsıyordu.

Difüzyon Modelleri: Sihri Mümkün Kılan Teknoloji

Peki difüzyon modeli nedir? Temelde fizikten ilham alır; özellikle de parçacıkların bir ortam içinde nasıl yayıldığını anlatan difüzyon sürecinden.

Eğitim süreci:

1. Gerçek bir görsel alın
2. Tamamen rastgele gürültüye dönüşene kadar kademeli olarak gürültü ekleyin (ileri difüzyon)
3. Bu süreci tersine çevirip gürültüyü kaldırmayı öğrenen bir sinir ağı eğitin (ters difüzyon)

Üretim süreci: Tamamen rastgele gürültüyle başlar, ters difüzyon sürecinden geçer ve sonunda anlamlı, tutarlı bir görsele dönüşür. Metin koşullandırması (CLIP aracılığıyla), ortaya çıkacak görselin türünü yönlendirir.

Bu kullanım alanında difüzyon modellerinin GAN’lere göre öne çıkmasının nedeni; daha kararlı olmaları, eğitiminin daha kolay olması ve metin komutlarını çok daha isabetli şekilde takip edebilmeleri. GAN’ler hâlâ bazı senaryolarda kullanılıyor, ancak 2022’deki büyük patlamaya difüzyon modelleri damgasını vurdu.

Teknik bir parantez açalım: Bu alandaki kilit makale “Denoising Diffusion Probabilistic Models” (Ho ve diğerleri, 2020). Bununla birlikte, Sohl-Dickstein ve arkadaşlarının 2015’teki çalışmaları bu yaklaşımın temelini attı. Konunun özünü gerçekten kavramak istiyorsanız bu makaleler iyi bir başlangıç noktasıdır; ancak yoğun matematiğe hazır olun.

Rakamlarla

• 2023’ün başına gelindiğinde bu araçlar milyonlarca kullanıcıya ulaşmış, yapay zekâ ile üretilen görseller sosyal platformları adeta doldurmaya başlamıştı.
• DALL E: 3+ milyon kullanıcı (bekleme listesi kaldırıldı)
• Stable Diffusion: Sayısını net olarak belirlemek imkânsız (açık kaynak ve dağıtık), ancak GitHub verileri milyonlara işaret ediyor

İnsanlar yüz milyonlarca yapay zekâ görseli üretti. Yapay zekâ sanatı hizmetleri sunan yepyeni işletmeler ortaya çıktı. Stok fotoğraf siteleri ne yapacaklarını şaşırıp politika belirlemeye çalıştı. Geleneksel sanatçılar ise “AI artist”in bir meslek unvanına dönüşmesini endişeyle izledi.

AI Sanatının Diğer Yüzü: Akademik Uygulamalar

Herkes metinden görsele araçlara odaklanmışken, araştırmacılar yapay zekâyı sanat tarihi çalışmalarını kökten dönüştürmek için sessizce kullanıyordu. YZ sanat tarihinin bu yönü daha az gündeme geliyor; ancak akademik açıdan bakıldığında belki de çok daha önemli.

Atıf ve Analiz için Bilgisayarla Görme

Sanat tarihçileri, belirli bir eserin kime ait olduğunu saptamakta her zaman zorlandı. Artık bu noktada sinir ağları devreye giriyor.

Rutgers Art & AI Lab (Ahmed Elgammal liderliğinde), fırça darbeleri, kompozisyon unsurları ve stilistik işaretleri analiz ederek sanatçıları tanımlayan veya sahte eserleri tespit eden sistemler geliştirdi. 2017’de yapılan kontrollü testlerde, etiketsiz eserlerin sanatçılarını %90’ın üzerinde doğrulukla doğru şekilde belirlediler.

Kayıp Eserlerin Yeniden Kurgulanması: Bir sanatçının bilinen eserleriyle eğitilen sinir ağları, kaybolmuş ya da zarar görmüş çalışmaların olası rekonstrüksiyonlarını üretebilir. En bilinen örneklerden biri: 1715’te zarar gören Rembrandt’ın “Gece Devriyesi”nin, kesilen bölümlerinin nasıl görünebileceğine dair yapay zekâ ile yapılan çıkarımlar. (Sanat tarihçileri doğruluk konusunda hemfikir olmasa da bu bir “geri getirme” değil, veriye dayalı bir yorumdur.)

Herculaneum Scrolls: 2023’te bilgisayar bilimcileri, MS 79’da Vezüv’ün patlamasıyla kömürleşmiş antik tomarların içindeki metinleri okumak için makine öğreniminden yararlandı. Tomarlar açılmayacak kadar hassas; ancak BT taramaları ve eğitilmiş sinir ağları, mürekkep izlerini tespit edebildi. Bu sayede yapay zekâ, 2.000 yıl sonra ilk kez antik metinleri okuyabilmemizi sağladı. (Kaynak: Nature, 2023)

Müzeler ve Yapay Zekâ

Büyük kurumlar, yapay zekâyı son derece ilgi çekici biçimlerde deneyimledi:

Metropolitan Museum (The Met), yapay zekâ destekli koleksiyon görselleştirmeleriyle devasa müze arşivlerini “latent space” içine haritalamayı denedi ve eserler arasındaki beklenmedik ilişkileri görünür kıldı.: Metropolitan Museum, MIT ve sanatçı Refik Anadol iş birliğiyle yürütülen bu projede, The Met’in tamamı 375.000’i aşkın eserden oluşan koleksiyonu üzerinde sinir ağları eğitildi. Ardından, farklı nesne türleri arasındaki kavramsal alanı temsil eden “latent space” görselleştirildi. Sonuçlar şaşırtıcıydı: Antik bir Pers ibrik ile 19. yüzyıla ait bir vazo, insan küratörlerin daha önce fark etmediği biçimlerde kavramsal olarak birbirine yakın çıkabiliyordu.

MoMA’nın YZ deneyleri: Refik Anadol’un “Unsupervised” (2022–2023) adlı çalışması, MoMA koleksiyonuyla eğitilmiş makine öğrenimi modelleriyle müzenin lobisinde akışkan, rüya gibi projeksiyonlar üretti. Sanat çevreleri ikiye bölündü: Kimi bunu gösterişli bir numara olarak gördü, kimi ise müze arşivlerini deneyimlemenin tamamen yeni bir yolu olarak.

LMU Munich’nin Transparent AI Projesi: Profesör Hubertus Kohle liderliğinde yürütülen bu araştırma, sanat tarihi için kararlarını gerekçelendirebilen yapay zekâ araçları geliştiriyor. Klasik sinir ağları genellikle birer “kara kutu”dur: Sonucu verirler ama nedenini açıklamazlar. Bu proje, YZ kararlarını şeffaf hâle getirerek akademik kabul için kritik bir eşiği aşmayı hedefliyor. Ekip, sanat eserleri arasındaki görsel benzerlikleri tespit eden ve bu sonuçlara hangi özelliklerin yol açtığını açıklayan modeller eğitiyor.

Bu uygulamalar yeni sanat üretmiyor; ama sanat tarihini nasıl incelediğimizi dönüştürüyor. Bu dönüşüm, üretilen herhangi bir görselden bile daha kalıcı olabilir.

Tartışma: Telif Hakları, Etik ve Yaratıcılığın Geleceği

İşte tartışmanın alevlendiği nokta burası. Teknik başarılar gerçekten etkileyici, ancak işin etik boyutu… epey karmaşık.

Telif Hakları Mücadelesi

Temel sorun şu: YZ sanat modelleri, internetten toplanmış milyarlarca görsel üzerinde eğitiliyor. Bunların büyük kısmı telifli. Sanatçılardan izin alınmadı. Herhangi bir ödeme yapılmadı. Ve şimdi, tam da bu işlerden beslenen sistemler, sanatçıların “tarzında” görselleri saniyeler içinde üretebiliyor.

Açılan önemli davalar:

Getty Images vs. Stability AI (Ocak 2023): Getty, Stable Diffusion’ı eğitmek için milyonlarca görselinin izinsiz şekilde tarandığını iddia etti. Üretilen bazı görsellerde hâlâ kısmen görülebilen Getty filigranları bulunması, kaynaklarının açıkça ortaya çıktığını gösteriyor.

Sanatçıların Midjourney, Stable Diffusion ve DeviantArt’a karşı açtığı toplu dava (Ocak 2023): Sanatçılar Sarah Andersen, Kelly McKernan ve Karla Ortiz öncülüğünde açıldı. Büyük çaplı telif hakkı ihlali iddialarını içeriyor. Dava 2024 sonu itibarıyla hâlâ devam ediyor ve hukuk çevrelerinde olası sonuçlar konusunda görüş birliği yok.

Hukuki tartışma şu noktada düğümleniyor: Telifli görsellerle model eğitmek, mevcut eserleri inceleyerek öğrenen bir öğrencinin yaptığı gibi “adil kullanım” mı sayılmalı, yoksa izinsiz biçimde ticari kazanç sağlamak amacıyla eser kullanımı olduğu için bir ihlal mi?

Mahkemeler henüz karar vermedi. Bu karar tüm sektörü şekillendirecek.

Sanatçıların Tepkileri: Karşı Koyuş

Sanatçılar mahkemelerin kararını beklemiyor. Teknik karşı hamleler geliştiriyorlar.

Glaze (University of Chicago, 2023): Dijital sanat eserlerini insan gözüne fark edilmeden çok ince biçimde değiştirerek yapay zekâ eğitimini “zehirleyen” bir yazılım. Modeller Glaze ile işlenmiş görsellerle eğitildiğinde, ürettikleri çıktılar bozuluyor. Kimlik tespit eden bir filigran gibi değil; aksine modeli aktif olarak sabote eden bir koruma katmanı.

Nightshade (Chicago Üniversitesi, 2023): Glaze’e göre çok daha agresif. Sadece Nightshade uygulanmış görseli korumakla kalmaz, modelin genel performansını da bilinçli olarak düşürür. “Köpek” etiketiyle yüklenen ama aslında kedi olan yeterince Nightshade’li görsel eklerseniz, model zamanla köpeklerin nasıl göründüğü konusunda şaşırmaya başlar.

Bu araçlar tartışmalı. Yapay zekâ araştırmacıları onları zararlı bir sabotaj olarak görüyor. Sanatçılar ise öz savunma olarak tanımlıyor. Her iki tarafın da haklı olduğu noktalar var.

“Do Not Train” (Eğitim İçin Kullanma) önerisi: Sanatçılar ve savunucular, eserlerin yapay zekâ eğitiminde kullanılmasını yasaklayan metadata etiketleri önerdi. Bazı platformlar (DeviantArt, Shutterstock) opt-out sistemleri hayata geçirdi. Ancak uygulama ve denetim oldukça sınırlı. YZ şirketleri bu etiketleri kolayca yok sayabiliyor ve pek çoğu bunu yapıyor.

Yaratıcılık Tartışması

Telif haklarının da ötesinde, daha derin bir felsefi soru var: Yapay zekâ tarafından üretilen işler gerçekten sanat mı?

Ne olmadığına dair argümanlar:

• İnsan niyeti ve duygusal derinlikten yoksun
• Gerçekten özgün bir şey yaratmak yerine, mevcut eserlerin yeniden birleştirilmesiyle üretiliyor
• Herhangi bir beceri gerektirmiyor; herkes bir prompt yazabilir
• Sanatı değerli kılan unsurları zayıflatıyor: insan yaratıcılığı ve emeği

Lehteki argümanlar:

• Araçlar sanatı değersizleştirmez (fotoğraf makinesi resmin sonunu getirmedi)
• Prompt yazımı ve kürasyon gerçek becerilerdir
• İnsanlar YZ’yi yönlendirir, yaratıcı kararları verir
• Daha önce mümkün olmayan yeni ifade biçimlerinin önünü açar

Benim görüşüm: Tartışma yanlış yerden yürüyor. Bu, 1850’de fotoğrafın sanat olup olmadığını tartışmaya benziyor. Elbette yapay zekâ sanat üretebiliyor; bunu zaten gördük. Asıl sorulması gerekenler şunlar: İnsan ve makine yaratıcılığı arasında nasıl bir ilişki istiyoruz? Bundan kim fayda sağlıyor? Neyi kaybediyoruz? Neyi kazanıyoruz?

İş Kaybı Gerçeği

Bu teorik bir tartışma değil. Gerçek insanlar işlerini kaybediyor.

Concept Art Association’ın 2023’te yaptığı bir ankete göre:

• Konsept sanatçılarının %73’ü iş fırsatlarının azaldığını bildirdi
• %62’si serbest projelerini yapay zekâya kaptırdığını söyledi
• En hızlı kaybolan pozisyonlar ise giriş seviyesi roller oldu

Şirketler, eskiden kariyerinin başındaki sanatçılara verilen ön konsept çalışmaları, storyboard’lar ve arka plan tasarımları için artık yapay zekâdan yararlanıyor. Bazı savunucular bunun dijital araçların geleneksel tekniklerin yerini almasından farklı olmadığını söylüyor. Ancak değişimin hızı eşi benzeri görülmemiş durumda ve etkilenen sanatçıların öfkesi de son derece anlaşılır.

Öte yandan yeni roller ortaya çıkıyor: YZ sanat direktörleri, prompt mühendisleri ve YZ–insan hibrit iş akışlarında uzmanlaşmış profesyoneller. Bunların kaybolan işleri bire bir oranla telafi edip etmeyeceği ise henüz belirsiz.

Önyargı Sorunu

Yapay zekâ sanat modelleri, eğitildikleri verilerdeki önyargıları aynen devralır. “Bir CEO” derseniz karşınıza çoğunlukla beyaz erkekler çıkar. “Bir hemşire” dediğinizde kadınlar. “Güzel bir insan” ise büyük ölçüde genç, beyaz ve toplumca “ideal” kabul edilen yüzlere doğru kayar.

Google’ın Gemini modeli, 2024’te tarihî görsellerde çeşitliliği artırarak bu sorunu düzeltmeye çalıştı; ancak aşırıya kaçınca tarihsel doğruluk, temsil ve güvenlik arasındaki dengeye dair büyük bir tartışma doğdu. Olay, bu sistemleri sorumlu biçimde ayarlamanın ne kadar zor olduğunu ve örneğin 1700’ler Avrupa soyluluğunu ırksal açıdan çeşitlendirme gibi sonuçlara yol açabildiğini gösterdi. Google özür diledi ve özelliği çevrimdışı aldı. Yaşananlar, temsil ile tarihsel doğruluğu dengelemenin ne denli güç olduğunu bir kez daha ortaya koydu.

Önyargı sadece demografiyle sınırlı değil. Yapay zekâ sanatı belirli estetiklere meylediyor: cilalı, ticari ve alışıldık şekilde “güzel”. Deneysel, avangart ya da bilinçli olarak çirkin işler çıktılarda daha nadir; çünkü eğitim verilerinde de daha azlar (ve genellikle ödüllendirilmiyorlar). Bu anlamda yapay zekâ, teknik olarak ne kadar radikal olursa olsun, sanatsal açıdan muhafazakâr kalabiliyor.

Bugün Geldiğimiz Nokta (2024–2025)

Güncel Manzara

2024’ün sonu / 2025’in başı itibarıyla YZ sanatı alanı olgunlaştı; ancak hâlâ çalkantılı:

DALL E 3 (ChatGPT Plus ile entegre) komutları anlama konusunda büyük bir sıçrama yaptı. Artık ne istediğinizi sohbet ederek anlatabiliyor, yapay zekânın nüansları çok daha iyi kavradığını görüyorsunuz.

Midjourney V6, estetik kaliteyi bir üst seviyeye taşıdı; daha iyi metin oluşturma (hâlâ kusursuz olmasa da) ve çok daha kontrol edilebilir stil seçenekleri sundu.

Stable Diffusion XL ve ötesi, gelişimini hız kesmeden sürdürüyor; açık kaynak topluluğu, animeden fotogerçekçiliğe ve belirli sanatsal tarzlara kadar her ihtiyaca yönelik özel modeller geliştiriyor.

Adobe Firefly, yalnızca Adobe Stock görselleri ve kamu malı içerikler üzerinde eğitilmiş, ticari lisanslamayı baştan sunan bir “sorumlu yapay zekâ” yaklaşımını temsil eder. Stable Diffusion’a kıyasla daha sınırlı yeteneklere sahiptir; ancak ticari kullanım açısından çok daha güvenli bir seçenektir.

Video Üretimi: Bir Sonraki Sınır

Metinden görsele üretim sadece başlangıçtı. 2024, yapay zekâ ile video üretiminde ciddi bir sıçramaya sahne oldu:

Runway Gen 2 ve Pika, metin ya da görsellerden kısa video klipler üretebiliyor. Görüntü kalitesi hâlâ tutarsız; nesneler bazen garip şekilde dönüşüyor, fizik kuralları şaşıyor — ancak her ay gözle görülür biçimde iyileşiyor.

OpenAI’nin Sora’sı (Şubat 2024’te duyuruldu, sınırlı erişimle) bir dakikaya kadar uzayan, fotogerçekçi ve tutarlı videolar üretebildiğini gösterdi. Demo videolar adeta ağızları açık bıraktı. Aynı zamanda, yapay zekâ metinden ikna edici video üretebilir hâle gelmeden önce bile deepfake’lerin zaten ciddi bir sorun olduğu gerçeğini pek çok kişiye yeniden hatırlattı.

3D ve Ötesi

Yapay zekâ sanatı 2D görsellerin ötesine taşınıyor:

Point E ve Shap E (OpenAI), metin komutlarından 3D modeller üretiyor. Görsel kalite henüz sınırlı olsa da gidişat oldukça net.

NeRF (Neural Radiance Fields) teknolojisi, 2D görüntülerden 3D sahneler üretebiliyor; bu da sinema prodüksiyonundan oyun geliştirmeye, mimari görselleştirmeden sanal deneyimlere kadar pek çok alanda oyunun kurallarını değiştiriyor.

Müzik, Metin ve Çok Modluluk

Yapay zekâ ile müzik üretimi (Suno, Udio) 2024’te “oldukça iyi” bir seviyeye ulaştı. Yapay zekâ müzisyenlerin yerini almadı; ancak işlevsel arka plan müziklerini üretmeyi daha kolay ve daha uygun maliyetli hâle getiriyor.

Çok modlu modeller (görsel yetenekli GPT‑4, Gemini) görselleri analiz edebiliyor, onlar hakkında metin üretebiliyor ve bu metinlerden yeni görseller oluşturabiliyor. Metin odaklı yapay zekâ ile görsel yapay zekâ arasındaki sınırlar giderek belirsizleşiyor.

Sırada Ne Var: Öngörüler ve Olasılıklar

Yakın Dönem (2025–2027)

Muhtemelen:

• Video üretimi ana akımda gerçekten kullanılabilir hale gelir
• Tutarlı karakter üretimi (aynı kişinin birden fazla görselde korunması) güvenilirleşir
• Süren davaların etkisiyle telif hakları konusunda daha fazla hukuki netlik oluşur
• Sektörde konsolidasyon hızlanır; küçük oyuncular satın alınır ya da kapanır
• Tepkiler artar; bazı platformlar ve müşteriler YZ sanatını yasaklamaya başlar

Mümkün:

• Video görüşmeleri ve canlı yayınlar sırasında gerçek zamanlı video üretimi
• YZ sanatı, profesyonel yaratıcı iş akışlarında standart bir araç haline gelir
• Premium bir kategori olarak “sertifikalı insan yapımı” sanatın ortaya çıkışı
• Tekil yerleştirmelerin ötesine geçen, YZ sanatı tarihine odaklanan büyük müze sergisi

Orta Vade (2027–2030)

Varsayımsal ama makul:

• Metin, görsel, video, 3D ve ses üretimi tek bir model altında birleşir
• Bireysel sanat üsluplarıyla eğitilmiş kişiselleştirilmiş yapay zekâ modelleri yaygınlaşır
• AR/VR entegrasyonu sayesinde YZ sanatı, başlıklar aracılığıyla fiziksel mekânlara taşınır
• Hukuki çerçeveler, eğitim verileri konusunda (muhtemelen karmaşık) uzlaşmalar getirir
• Yapay zekâya özgü, önceki dönemlerin uyarlaması olmayan yeni sanat akımları ortaya çıkar

Uzun Vadede: Büyük Sorular

Yapay zekâ insan yaratıcılığını aşacak mı? Yanlış soru; bunlar farklı şeyler.

İnsan sanatçılar gereksiz mi hale gelecek? Pek olası değil. Yapay zekâ piyasayı kolayca üretilen içerikle doldurdukça, “gerçekten insani” işlere olan talep hatta artabilir.

Yapay zekâ tarafından üretilen sanatın sahibi kim? Bu soru hâlâ mahkemelerde tartışılıyor. Mevcut ABD telif hakkı yasalarına göre (insan yazarlığı olmadığı için) kimseye ait sayılmıyor; ancak bu yaklaşımın değişmesi bekleniyor.

YZ’yi eğiten eserlerin sahipleri olan sanatçılar nasıl telafi edilmeli? Bu soru kelimenin tam anlamıyla milyar dolarlık. Olası çözümler arasında lisans ücretleri, kullanım başına mikro ödemeler ve müzikteki gibi zorunlu lisanslama sistemleri var. Ancak henüz hiçbirisi ölçeklenmiş durumda değil.

Yapay zekâdan arındırılmış alanlar olmalı mı? Bazıları, çocuk kitapları, anıtlar ve hukuki deliller gibi belirli alanların insan yaratıcılarına ayrılması gerektiğini savunuyor. Diğerleri bunu Luddizm olarak nitelendiriyor. Tartışma sürüyor.

Tarihten Dersler

YZ sanatı tarihinin 50+ yılına dönüp baktığımızda, birkaç ortak desen öne çıkıyor:

1. Araçlar giderek demokratikleşiyor. AARON programlama bilgisi gerektiriyordu. GAN’ler makine öğrenimi bilgisi istiyordu. Modern araçlar ise sadece bir Discord hesabı istiyor. Her nesil, bir öncekinden daha erişilebilir.
2. İlk heyecan çoğu zaman gerçeğin önüne geçiyor. Her büyük atılımda “sanat öldü” söylemleri ortaya çıkıyor. Ama sanat ölmez; dönüşür.
3. Hukuki ve etik çerçeveler teknolojinin gerisinde kalıyor. Üç yıl önce hayatımıza giren teknolojilerin telif haklarını hâlâ tartışıyoruz. Hukuk yavaş ilerler; teknoloji değil.
4. Yerini alma korkuları çoğu zaman haklı ama eksik. Evet, bazı işler ortadan kalkıyor. Ama yenileri de doğuyor. Geçiş dönemi sancılı; özellikle de bu değişimin ortasında kalanlar için.
5. Sanat ayakta kalır. Fotoğraf resmi öldürmedi. Dijital araçlar geleneksel medyayı yok etmedi. Yapay zekâ da insan yaratıcılığını öldürmeyecek. Ama nasıl, neden ve ne ürettiğimizi değiştirecek.

Sonuç: Bir Sonraki Bölümü Yazmak

1973’te Harold Cohen’in sabırla yazdığı kodlardan, bugün milyonların saniyeler içinde görsel üretebilmesine uzanan YZ sanatı tarihi; özünde insan yaratıcılığı ile hesaplama gücü arasındaki ilişkinin nasıl dönüştüğünün hikâyesidir.

Bugün karşımızdaki sorular artık ağırlıklı olarak teknik değil; teknoloji çalışıyor ve çok hızlı gelişiyor. Asıl mesele insanla ilgili sorular:

• Yapay zekânın insan yaratıcılığını gölgede bırakmak yerine güçlendirmesini nasıl sağlayabiliriz?
• Yapay zekâyı mümkün kılan sanatçıların emeğini adil şekilde nasıl karşılarız?
• Bu yeni yaratıcı ekosisteme kimler dahil olabilecek?
• Yaratıcılığın hangi yönlerinin insanlara özgü kalmasını istiyoruz?
• Teknolojik dönüşüm sürecinde sanatsal kariyerleri ve geçim kaynaklarını nasıl koruruz?

Bu soruların kolay cevapları yok. Sanatçılar, teknoloji uzmanları, şirketler, politika yapıcılar ve kamu arasında sürekli bir müzakere gerektiriyor. Yapay zekâ sanatının tarihi henüz tamamlanmadı; şu anda en kritik bölümlerinden birini bizzat yaşıyoruz.

Kesin olan şu: Yapay zekâyı görmezden gelmek onu ortadan kaldırmaz; yarattığı gerçek sorunları yok saymak da çözüm değildir. İlerleyebilmenin yolu, meselelerle dürüstçe yüzleşmekten, sunduğu imkânlara açık olmaktan ve adalet konusunda ısrarcı olmaktan geçiyor.

Yapay zekâ gerçekten yaratıcı olabilir mi sorusu, belki de baştan yanlış. Yaratıcılık var ya da yok gibi ikili bir özellik değil; bir spektrumda, işbirliklerinde, beklenmedik birleşimlerde ortaya çıkıyor. YZ sanatının ilk 50 yılı bize bir şey öğrettiyse, o da yaratıcılığın sandığımızdan çok daha geniş ve tuhaf olduğu. Ve insanlar, iyi ya da kötü, bunu paylaşmakta kararlı görünüyor.

Sıradaki bölüm şu anda yazılıyor. Bilinçli ve özenli katkı sunun.