Dijitalden Fiziksele
Önümüzdeki birkaç yılın yapay zekâ tarihinde dijitalden fiziksele geçişin belirginleşeceği bir dönem olarak değerlendirilebileceği görülüyor. Bir süredir ekranların arkasına hapsolmuş, metin ve piksellerle sınırlı kalan algoritmalar artık sensörler ve motorlar aracılığıyla silikon ve metalden bedenlere kavuşmaya başladı. ChatGPT gibi örnekler geçtiğimiz yıllarda Büyük Dil Modelleri’nin ne kadar güçlü olabileceğini gösterdi ancak bu modeller varlıklarını dijital bir kafesin içinde sürdürmeye devam ettiler. Bugün artık yapay zekânın fiziksel dünyayı algılayabildiği ve değiştirebildiği bir döneme doğru hızla ilerliyoruz.
NVIDIA CEO’su Jensen Huang’ın “Robotiğin ChatGPT anı geldi” ifadesi biraz klişe gibi görünse de sadece bir slogan olarak değil, bu dönüşümün habercisi olarak da değerlendirilebilir. NVIDIA’nın 2024’te duyurduğu Isaac GR00T projesi ile robotik için temel modelleri (foundation models) standartlaştırma girişimi, Boston Dynamics’in tamamen elektrikli yeni Atlas platformu hatta Çin devlet televizyonu tarafından yayınlanan dövüş sanatları gösterisi yapan insansı robotların videosuna gösterilen ilgi bu paradigma değişiminin önemli göstergeleri arasında sayılabilir. Tüm bunlar bir araya geldiğinde tablo daha görünür hale geliyor.
Geleneksel robotik, daha çok önceden tanımlanmış yörüngelere ve katı kurallara dayanıyordu. Bir robotun basit bir nesneyi tutmasını sağlamak için bile nesnenin tam konumunun bilinmesi ve robot kolunun her bir eklem açısının matematiksel olarak hesaplanması gerekiyordu. Ortamda meydana gelebilecek küçük değişiklikler bile sıklıkla robotun gerçekleştirmeye çalıştığı görevde başarısız olmasına neden olabiliyordu. Ancak artık bedenlenmiş yapay zekâ (Embodied AI) bu paradigmayı değiştirme potansiyeli taşıyor. Güncel yapay zekâ modelleri sadece veriyi işleme değil fiziksel dünya ile etkileşime girme, adapte olma ve öğrenme yetenekleri ile öne çıkıyor. Güncel Görsel-Dil-Eylem (Vision-Language-Action, VLA) çalışmaları, robotların gerçek dünya deneyimlerinden pekiştirmeli öğrenme yoluyla kendilerini sürekli iyileştirebildiğini ve karmaşık fiziksel görevlerde insan seviyesine yaklaşan performans elde edebildiğini gösteriyor.
Robotik profesörü Sami Haddadin‘in vurguladığı gibi, büyük dil modelleri gibi dijital yapay zekâ sistemleri tamamen dijital ortamda veriyi işler, örüntüleri tanır ve tahminlerde bulunurken bedenlenmiş yapay zekâ fiziksel dünya ile etkileşime giriyor ve bu dünya hakkında akıl yürütüyor. Ancak burada “akıl yürütme” soyut bir mantığı değil, fiziksel bir nedensellik kurmayı ifade ediyor. Robotun bir bardağı iterse düşeceğini, düşerse kırılacağını ve zeminin kayganlaşabileceğini öngörebilmesi gerekiyor. Bu bağlamda Haddadin’e göre dijital yapay zekâ ile bedenlenmiş yapay zekâ arasındaki temel fark bedenlenmiş yapay zekanın insanlar gibi deneyim ve etkileşim yoluyla öğrenmesidir. Bedenlenmiş yapay zekâ dünyaya ilişkin modelleri yalnızca istatistiksel veriyi analiz ederek değil, duyusal geri bildirim ve gerçek dünya etkileşimi aracılığıyla oluşturur. Bununla birlikte, bu iki yapay zekâ yaklaşımı arasındaki hata maliyeti farkını da göz ardı etmemek gerekiyor. Dijital algoritmalar yanlış kararlar verse bile, genellikle sonuçlar soyut kalır ancak bedenlenmiş yapay zekâda hatalar fiziksel zarara dönüşebilir.
Dijital yapay zekâ, ya da internetten erişilen bir servis olarak yapay zekâ, dijital alemde yaşar, metin, resim ve ses gibi verilerle beslenir. Bedenlenmiş yapay zekâ ise fiziksel alemde var olur ve ek olarak çoklu sensör verileri ile de beslenir. Dolayısıyla en kritik farklardan biri, dijital yapay zekâ istatistiksel ve semantik ilişkilerle çalışırken, bedenlenmiş yapay zekânın yerçekimi, sürtünme ve momentum gibi fiziksel yasaları içselleştirmek zorunda olmasıdır.
Zekânın sadece beyinde gerçekleşen bir işlemden ibaret olmadığı ve beyin-beden-çevre etkileşiminden doğduğu yaklaşımıyla hareket edersek, bir robotun zeki sayılabilmesi için donanımın da yazılımdan bağımsız düşünülmemesi gerekiyor. Kamerasının yeri, kolunun uzunluğu, sensörlerinin hassasiyeti gibi değişkenler bir robotun dünyayı nasıl algılayacağını doğrudan belirler. Bu nedenle “Yazılım-Donanım Birlikte Tasarımı” (Hardware-Software Co-Design) robotik yaklaşımlarının temel prensiplerinden biri haline geliyor.
Zordan Kolaya
Yapay zekâ dünyasının en ilginç çelişkilerinden biri 80’lerin sonunda Hans Moravec tarafından formüle edildi: “Bilgisayarların zekâ testlerinde yetişkin düzeyinde performans sergilemesini veya dama oynamasını sağlamak nispeten kolayken, iş algılama ve hareket kabiliyetine geldiğinde, onlara bir yaşındaki bir çocuğun becerilerini kazandırmak zor veya imkansızdır.”
Rodney Brooks ve Marvin Minsky gibi yapay zekâ ve robotik dünyasının dev isimleri tarafından da paylaşılan bu görüş, zamanla “Moravec Paradoksu” olarak anılmaya başlandı. Bu paradoksun en somut ve çarpıcı örneklerinden biri 90’ların sonunda yaşandı. 1997 yılında IBM’in Deep Blue bilgisayarı, dünyanın en iyi satranç oyuncusu Kasparov’u mağlup ederek tüm dünyanın ilgisini çekmeyi başarmıştı. Ancak bu işlem gücüne rağmen, o dönemde en gelişmiş robotlar bile sıradan bir yatak odasında yerdeki çamaşırları toplamak gibi basit bir fiziksel görevi yerine getirebilecek kapasiteden yoksundu.
Hans Moravec ve Steven Pinker paradoksun kökenlerine daha yakından bakarken makinelerin neden insani konularda çaresiz kaldığını evrimsel perspektifle açıklamaya çalışırlar. İnsanlığın en büyük başarıları olarak gördüğümüz soyut düşünme, matematik ve dil gibi yüksek bilişsel işlevler, aslında evrimsel ölçekte bir göz kırpma anı sayılabilecek kadar kısa bir süre önce, beynimizin en yeni katmanı olan neokortekste şekillenmiştir. Ancak görmek, duymak, dengede durmak ve nesneleri manipüle etmek gibi beceriler milyonlarca yıllık evrimin ürünüdür.
Minsky’nin deyişiyle, zihnimizin en iyi yaptığı şeylerin genellikle en az farkındayızdır. Yürürken hangi kasın ne kadar kasılacağını saniyede binlerce kez kez hesaplıyoruz ama bunun farkında değiliz. Bir robotu programlamaya çalıştığımızda ise bu otomatik süreçlerin karmaşıklığını acı bir şekilde anlıyoruz.
Son yıllarda, GPU teknolojisindeki sıçrama ve buna paralel olarak veri odaklı öğrenme modellerinde yaşanan gelişmeler, Moravec Paradoksu’nun duvarlarında ilk çatlakları oluşturmaya başladı. Artık robotlara her hareketi satır satır kodlamak yerine, bu yetileri devasa veri setleri ve görsel örnekler üzerinden ‘öğretme’ stratejisine daha yakınız. Ancak bu teknolojik ivmeye rağmen, paradoksu tamamen alt ettiğimizi söylemek için henüz çok erken.
Kelimelerden Eylemlere
Robotik dünyasındaki bu darboğaz, 2022 yılından itibaren yapay zekânın dil modellerinde sergilediği tartışmasız başarının ardından yavaş yavaş kabuk değiştirmeye başladı. Çok geçmeden dijital dünyada elde edilen bu soyut başarının fiziksel dünyadaki eylemlere nasıl dönüştürülebileceğini araştıran yeni bir yaklaşım ortaya çıktı. Bu yaklaşımın merkezinde VLA mimarileri yer alıyor.
Google DeepMind tarafından gerçekleştirilen RT-1 ve ardından gelen RT-2 gibi çalışmalarla daha somut bir hâl alan bu eğilimde, robotun kamerasından elde edilen görüntüler artık yalnızca piksel yığınları olarak ele alınmıyor. Görsel bilgi, tıpkı dil modellerindeki kelimeler gibi “token”lara dönüştürülüyor ve robotun bir sonraki hareketi de bir anlamda dil modelinin sıradaki kelimeyi tahmin etmesine benzer biçimde üretiliyor. Böylece algı, dil ve eylem tek bir öğrenme çerçevesinde birleşmeye başlıyor.
Bu birleşik öğrenme mimarisinin en önemli çıktılarından biri robotik sistemlere yalnızca belirli görev örnekleriyle sınırlı kalmayan bir genelleştirme kapasitesi kazandırma potansiyeli. Klasik robotik paradigmasında bir sistem çoğu zaman yalnızca eğitildiği ortamda ve senaryoda yüksek performans gösterebilirken, güncel yaklaşımlar robotun daha önce karşılaşmadığı fiziksel ortamlarda da uygun eylem dizileri üretebilmesini hedefliyor.
SayCan (Do As I Can, Not As I Say) bu paradigmanın nasıl çalışabileceğini gösteren erken örneklerden biri. Büyük dil modelleriyle entegre edilen robotik sistemler, açıkça eğitilmedikleri görevlerde dahi işlevsel davranışlar sergileyebiliyor. Dil modelleri yüksek seviyeli hedefleri ayrıştırarak uygulanabilir alt eylemlere dönüştürmeye ve robotun mevcut algısal ve motor kapasitesiyle uyumlu planlar üretmeye yardımcı oluyor. Bu sayede robotlar, kendilerine doğrudan öğretilmemiş karmaşık senaryolarda bile bağlamsal çıkarım yaparak uygun eylemleri seçebiliyor ve sınırlı veriyle daha geniş görev uzaylarına genelleme yapabiliyor.
Moravec’in on yıllar önce işaret ettiği “bir yaşındaki çocuk becerisi”, bugün artık yavaş yavaş kendisine silikon ve metalden bir beden buluyor.
Simülasyondan Gerçeğe
Algı, dil ve eylemi aynı öğrenme çerçevesinde bir araya getiren bu yeni mimarilerde robot eğitimi doğası gereği milyonlarca iterasyonluk bir deneme-yanılma döngüsüne dayanır. Bu sürecin doğrudan fiziksel dünyada yürütülmesi ise ölçeklenebilir değildir çünkü robotlar aşınır, bataryalar tükenir ve veri toplamak zaman açısından maliyetlidir. Sim2Real (Simülasyondan Gerçeğe Transfer) yaklaşımı tam da bu sınırlılığı aşmayı hedefler.
Bugün robot eğitiminin önemli bir bölümü sanal ortamlarda gerçekleştiriliyor. NVIDIA’nın Isaac Sim platformu, Google DeepMind tarafından geliştirilen MuJoCo, Allen Yapay Zekâ Enstitüsü’nün AI2-THOR ortamı ve Open Source Robotics Foundation tarafından desteklenen ROS (Robot Operating System) ile uyumlu Gazebo gibi sistemler modern robotik araştırmalarının dijital laboratuvarlarını oluşturuyor.
Ancak bu yaklaşımın önünde temel bir teknik engel bulunuyor: “Reality Gap” (Gerçeklik Boşluğu). Simülasyondaki sürtünme katsayısı, malzeme özellikleri ya da sensör gürültüsü gerçek dünyayla hiçbir zaman tamamen örtüşmez. Bu nedenle güncel çalışmaların önemli bir kısmı simülasyon ile fiziksel ortam arasındaki bu boşluğu azaltmaya odaklanıyor.
Ne var ki mesele yalnızca teknik uyumsuzluklarla sınırlı değil. Robotların simülasyonda milyarlarca saatlik deneyimle eğitilebilmesi çok önemli bir mühendislik başarısı olsa da teknik literatür çoğu zaman bu sistemlerin fiziksel dünyada hangi kurumsal ve ekonomik yapıların kontrolünde çalışacağı sorusunu analiz dışında bırakıyor.
Bu sorunun en görünür hale geldiği alanlardan biri lojistik sektörüdür. Amazon, DHL ve FedEx gibi şirketlerde otomasyon 2010’lardan beri yaygın biçimde kullanılıyor, ancak sabit hatlı otomasyon sistemleri yerini artık çevrelerini gerçek zamanlı algılayan ve belirsizlik altında karar verebilen robotlara bırakıyor. Bu yeni nesil sistemlerin en çarpıcı örneklerinden biri olan Boston Dynamics Stretch, depo altyapısında köklü bir değişikliğe gerek duymadan, tırlardan koli boşaltma gibi fiziksel olarak son derece zorlayıcı görevleri otonom biçimde üstlenmek üzere tasarlanmıştır.
Ancak Stretch ve benzeri mobil robotik sistemler, yalnızca operasyonel verimliliği artırmakla kalmaz, insanlarla aynı çalışma alanını paylaşan bu robotlar, üzerlerindeki gelişmiş sensör ağları aracılığıyla çalışma alanının veri yoğun bir şekilde izlenmesine de olanak sağlayabilir. İşçilerin hareket hızları, mola süreleri ya da görev tamamlama performansları gibi veriler bu sistemler sayesinde fiziksel ortamdan doğrudan ve gerçek zamanlı olarak elde edilebilir. Böylece dijital üretkenlik takibinin fiziksel çalışma alanına taşındığı, daha yoğun ve sürekli bir gözetim biçiminin ortaya çıkma potansiyeli de bulunmaktadır.
Benzer tartışmalar demografik yaşlanmanın hızlandığı toplumlarda bakım hizmetleri alanında da gündeme geliyor. Dünya genelinde artan yaşlı nüfus geleneksel bakım modellerini zorluyor ve sosyal robotların tamamlayıcı bir çözüm olarak değerlendirilmesine yol açıyor. Bu alanda henüz bütünsel çözümlerle karşılaşmamış olsak da, ilk örneklerde karşımıza çıkan “itaatkâr” ve “yardımcı” olarak kurgulanan tasarım dilleri bakım emeğinin tarihsel olarak toplumsal cinsiyetle ilişkilendirilmiş yapısını teknik bir düzlemde yeniden üretme riski taşıyor. Ayrıca robotik bakım çözümleri yaşlı bireylerin yaşam kalitesini artırma potansiyeline sahip olsa da insan etkileşiminin yerini alarak yeni bir izolasyon biçimi yaratma ihtimalini de barındırıyor.
Aydınlıktan Karanlığa
Dijital yapay zekâ sistemlerinde ortaya çıkan ve “halüsinasyon” olarak adlandırılan hatalı çıktılar çoğu zaman yanlış bir bilgi ya da metinsel bir tutarsızlık düzeyinde kalır. Ancak bedenlenmiş yapay zekâ söz konusu olduğunda bu zihinsel yanılgılar doğrudan fiziksel risklere dönüşüyor. Bu durum, otonom robotların güvenliğini yalnızca bir yazılımsal doğrulama meselesi olmaktan çıkarıp doğrudan insan yaşamıyla ilişkili kritik bir mühendislik problemi haline getiriyor. Nitekim hizmet robotlarının güvenli kullanım çerçevesini belirleyen ISO 13482 standardı gibi düzenlemelerin, yapay zekâ tabanlı belirsiz karar mekanizmalarının yaygınlaşmasıyla birlikte yeniden değerlendirilmesi gerekiyor.
Güncel robotik sistemlerde donanımsal acil durdurma mekanizmalarının yanı sıra karar verme süreçlerini sınırlayan “koruyucu” yazılım katmanları da kritik rol oynuyor. Ancak robot güvenliği, salt teknik önlemlere indirgenemez. Kate Darling, insan–robot etkileşiminde güvenliğin toplumsal beklentiler, kültürel normlar ve bağlamsal kullanım senaryoları tarafından şekillendirilen sosyo-teknik bir inşa olduğunu belirtir. Örneğin, endüstriyel bir üretim hattında iş akışı için kabul edilebilir görülen düşük bir hata payı, bir ev içi bakım robotu veya çocuklarla etkileşime giren bir sistem söz konusu olduğunda etik ve hukuki olarak kabul edilemez görülebilir. Dolayısıyla robotik sistemlerde risk eşiklerinin kim tarafından ve hangi kriterlere göre belirleneceği sorusu teknik standartların ötesine geçen politik bir tartışma alanı oluşturuyor.
Robotik alandaki hızlı ilerleme güvenlik tartışmalarını bireysel kaza risklerinin ötesine taşıyarak siber ve jeopolitik bir boyuta taşıyor. İnternete bağlı otonom sistemler olarak robotlar potansiyel siber saldırı yüzeyleri oluşturur. Ölçekli bir saldırı senaryosunda binlerce robotun eşzamanlı biçimde devre dışı bırakılması ya da yönlendirilmesi, enerji şebekelerinden lojistik ağlara kadar kritik altyapılarda zincirleme aksamalara yol açabilir. Bu durum robot güvenliğini yalnızca fiziksel emniyet meselesi olmaktan çıkarıp siber dayanıklılık ve ulusal güvenlik çerçevesine yerleştiriyor.
İşin savunma boyutu ise tartışmayı çok daha kritik bir zemine taşıyor. Askeri yapay zekâ uygulamaları günümüzde çoğunlukla operasyonel hassasiyeti artırma ve hata payını azaltma potansiyelleri üzerinden değerlendiriliyor. Bununla birlikte, bu sistemlerin fiziksel sahadaki karşılığı ve beraberinde getirdiği sorumluluk çerçevesi tartışmaların devam ettiği alanlar arasında yer alıyor. Özellikle otonom silah sistemleri, bedenlenmiş yapay zekânın en tartışmalı sınırını oluşturuyor. Fiziksel dünyada hedef seçme ve angajman kararlarını kısmen ya da tamamen makinelere devreden bu tür sistemler, mevcut uluslararası savaş hukukunun sınırlarını da zorluyor. Teknolojik gelişimin hızı ile uluslararası düzenlemelerin oluşum süreci arasındaki asimetri, normların fiilen teknoloji geliştiricileri tarafından belirlenmesi riskini doğuruyor.
Potansiyel risklere karşı sektör içinde sınırlı da olsa bir öz-düzenleme eğilimi ortaya çıkıyor. Ekim 2022’de Boston Dynamics, Agility Robotics, ANYbotics, Clearpath Robotics, Open Robotics ve Unitree ile birlikte genel amaçlı robotların silahlandırılmayacağına dair ortak bir açık mektup yayımladı. Ancak, Hyundai’nin Boston Dynamics’i bünyesine katması gibi büyük mülkiyet değişimleri bu tür etik sözleşmelerin uzun vadeli bağlayıcılığı konusunda bazı soru işaretlerini beraberinde getiriyor.
Bu teknolojik yapılar, yalnızca mühendislik çıktıları değil, aynı zamanda geliştirildikleri ekonomik bağlamların güç ilişkilerini yansıtan sistemlerdir. Robotik altyapının sınırlı sayıda coğrafyada yoğunlaşması, erişim eşitsizliğini fiziksel bir gerçeklik haline getiriyor. Gelişmiş pazarlar için “uygun fiyatlı” görülen bir robotun, gelişmekte olan ekonomilerde önemli bir gelir birikimine karşılık gelmesi, bu teknolojilerin mevcut adaletsizlikleri yeniden üretme potansiyeline işaret ediyor.
Robotik sistemlerin tasarımından dağıtımına ve güvenlik standartlarına kadar uzanan karar süreçlerinin sınırlı sayıda özel sektör aktörü tarafından yönlendirilmesi, demokratik denetim kapasitesi açısından yeni risk alanları ortaya çıkarıyor. Avrupa Birliği’nin Yapay Zekâ Yasası gibi düzenleyici girişimle bu alanda önemli bir başlangıç noktası oluşturmakla birlikte, bedenlenmiş yapay zekâ sistemlerinin kamusal alanlarda kullanımına ilişkin kararların şeffaf ve hesap verebilir mekanizmalarla desteklenmesi gerekliliği devam ediyor.
Son olarak, robotik sistemlerin üretiminde kullanılan lityum, kobalt ve nadir toprak elementlerinin çıkarılması sırasında belirli bölgelerde çevresel bozulma ve işgücü sömürüsü robotik otomasyonun “görünmez” maliyetlerini oluşturuyor. Üretim ve atık yönetimi süreçlerinin coğrafi olarak ayrışması, teknolojinin konforunu yaşayan bölgeler ile bu konforun bedelini çevresel yıkımla ödeyen bölgeler arasındaki asimetriyi derinleştiriyor. Sonuç olarak güvenlik, mühendislik tasarımının ötesinde, kullanım bağlamının, etik önceliklerin ve küresel adaletin harmanlandığı politik bir karar alanı olarak önümüzde duruyor.
Olasılıktan Karara
Bedenlenmiş yapay zekânın yükselişi yalnızca teknik bir ilerleme değil, yeni bir altyapı sisteminin ortaya çıkışı olarak ele alınması mümkündür. Diğer altyapı sistemlerinde olduğu gibi fiziksel dünyada eylem kapasitesine sahip büyük ölçekli robotik sistemlerin de benzer bir kurumsal çerçeveye tabi tutulması gerekmektedir. Bu sistemlerin hangi ortamlarda, hangi amaçlarla ve hangi sınırlar içinde çalışacağı yalnızca şirket stratejileriyle belirlenebilecek operasyonel tercihler değildir.
Bu dönüşüm aynı zamanda robotik otomasyonun ürettiği değerin nasıl dağıtılacağı sorusunu da merkezi bir politika meselesi haline getiriyor. Bedenlenmiş yapay zekâ ile ortaya çıkacak ekonomik kazanımların toplumsal refahla nasıl ilişkilendirileceği kritik bir tartışma alanı olarak öne çıkıyor.
Bununla birlikte, bu sistemlerin yaygınlaşması yeni bir bedensel ve mekânsal veri rejiminin oluşmasına da zemin hazırlıyor. Ev içi, işyeri ve kamusal alanlarda faaliyet gösteren robotlar gündelik yaşamın fiziksel izlerini sürekli olarak kaydetme potansiyeline sahip olacaktır. Bu tür veriler yalnızca dijital davranışlara değil, bireylerin hareketlerine, alışkanlıklarına ve mekânsal ilişkilerine dair ayrıntılı içgörüler üretme potansiyeli de taşır. Dolayısıyla robotik sistemler aracılığıyla toplanan verilerin hukuki statüsü yeniden ele alınmalı ve veri mülkiyeti ve kontrolü öncelikli olarak bireylere ait olacak şekilde düzenlenmelidir.
Robotik teknolojilerin maddi kaynakları da tartışmanın önemli bir boyutunu oluşturmaktadır. Lityum, kobalt ve nadir toprak elementlerine dayanan tedarik zincirleri ile üretim ve atık süreçlerinin coğrafi dağılımı, robotik sistemlerin çevresel ve insani maliyetlerinin eşitsiz biçimde paylaşıldığını gösteriyor. Bu nedenle zorunlu tedarik zinciri şeffaflığı ve insan hakları ile çevresel standartlara dayalı sertifikasyon mekanizmaları robotik otomasyonun uzun vadeli sürdürülebilirliği açısından politika gündeminin ayrılmaz bir parçası haline gelmelidir.
Son tahlilde mesele, robotların ne yapabileceğinden ziyade, hangi kurumsal ve normatif çerçeve içinde çalışacaklarıdır. Bedenlenmiş yapay zekâ artık yalnızca dijital bir araç değil, fiziksel dünyaya etkide bulunan bir sistemler bütünü haline geliyor. Bu dönüşüm teknik bir eşik olduğu kadar politik bir eşiktir. Robotlar fiziksel yasaları öğrenirken, bu sistemlerin hangi toplumsal ilkeler doğrultusunda işleyecekleri insan kararlarına bağlıdır. Teknolojik gelecek önceden belirlenmiş değildir; bedenlenmiş yapay zekânın nasıl bir güç dağılımı yaratacağı, hangi değerleri kurumsallaştıracağı ve kimin yararına işleyeceği bugünün tercihlerine bağlı olarak şekillenecektir.
Bedenlenmiş yapay zekâ çağında mesele yalnızca silikonun metal ile entegrasyonu değil, teknik kapasitenin hangi toplumsal amaçlar doğrultusunda kurumsallaştırılacağıdır.
