Yapay zekanın espri yapamamasının (veya en azından gerçekten komik olamamasının) altında yatan nedenler, hem teknik mimarisinden hem de mizahın doğasından kaynaklanır.
Bu konu yalnızca “makineler henüz yeterince zeki değil” seviyesinde bir şikâyet değildir; mizahın nasıl işlediğine dair temel teorilerle doğrudan çatışır.
Aşağıda, mevcut araştırma bulgularını ve mizah teorilerini bir araya getirerek konuyu ayrıntılı şekilde ele alıyorum.
Mizahın Temel Dinamiği: Beklenti ve Bozulma
Espri teorilerinin en güçlü ve yaygın kabul görenlerinden biri uyumsuzluk (incongruity) teorisidir. Bu yaklaşıma göre gülme, beynin bir beklenti kurması, ardından bu beklentinin bozulması ve bozulmanın geriye dönük olarak “mantıklı” hale gelmesiyle oluşur. Klasik bir örnek: “İki balık tanktaydı. Biri diğerine dedi ki: Sen silahları tut, ben sürerim.” İlk yorum akvaryumdur; punchline bunu askeri araca çevirir. Beklenti bozulur, ama yeni yorum tutarlıdır. Gülme, bu ani çerçeve değişiminden doğar.
İyi bir espri yalnızca kelime oyunu değildir. Çoğu zaman şunları ister:
- Ortak kültürel referanslar
- Zamanlama ve ritim
- Beklentiyi bilinçli olarak kurup bozma
- Yaşanmışlık, utanç, toplumsal gerilim veya “içeriden” bilgi
Yani mizah, istatistiksel bir kalıptan çok, ortak bir dünya modelinin anlık ihlalidir.
Büyük Dil Modellerinin (LLM) Temel Çelişkisi
LLM’ler (ChatGPT, Gemini, Claude vb.) bir sonraki kelimeyi (token’ı) en olası şekilde tahmin etmeye programlanmıştır. Eğitim hedefleri, sürprizi sistematik olarak azaltmaktır. Model, eğitim verisinde en sık görülen devamı üretir; hata ve “halüsinasyon” riskini düşürmeye çalışır.
Oysa espri tam tersini ister: sürpriz + geriye dönük kaçınılmazlık. Punchline hem beklenmedik olmalı hem de “aslında çok mantıklıymış” hissi vermelidir. LLM’ler bu gerilimi doğal olarak bastırır. Sonuç: ya fazla öngörülebilir (sıkıcı) ya da tutarsız (kafa karıştırıcı) çıktılar. Dan Fabulich’in ifadesiyle, “LLM’ler sürprizden kaçınmak üzere tasarlandıkları için kötü şaka anlatır.”
Bu yüzden AI esprileri çoğu zaman “teknik olarak doğru ama ruhsuz” kalır. Model “bu kelimeler yan yana gelince insanlar güldü” diye öğrenir; ama o gülüşün arkasındaki hissi, utancı, utangaçlığı veya toplumsal gerilimi gerçekten bilmez. Yaşanan bir anı yoktur; sadece istatistiksel bir gölge vardır.
Bağlam, Anı ve “İçeriden” Espri Eksikliği
İnsan esprisi büyük ölçüde bağlama bağlıdır:
- O anki mekân
- Gruptaki insanların ortak geçmişi
- Konuşmanın akışı
- Paylaşılan kültürel kodlar
Yapay zekanın kalıcı, duygusal bir “anı defteri” yoktur. Her konuşmayı büyük ölçüde sıfırdan kurar. Bu nedenle in-joke (içeriden espri) üretmekte zayıftır. Aynı gruba ait iki insanın “hatırladın mı o gün…” diye başlayan esprisi, model için erişilemez bir boyuttadır.
Google DeepMind’ın 2024’te 20 profesyonel komedyenle yaptığı çalışma bunu net ortaya koydu. Komedyenler modelleri monolog yapısı kurmak veya kaba taslak üretmek için kullanabildi, ama orijinal, teşvik edici ve asıl önemlisi komik malzeme üretmekte başarısız buldular. Çıktılar “bland” (yavan), “generic” (genel) ve “cruise ship comedy from the 1950s, but a bit less racist” seviyesinde kaldı.
Güvenlik Filtreleri ve Steril Mizah
Bir diğer pratik engel güvenlik filtreleridir. Modeller, ırkçı, cinsel, kara mizah veya saldırgan içerik üretmemek üzere hizalanmıştır. Oysa stand-up ve birçok komedi türü tam da bu “tehlikeli” sınırlarda dolaşır. Komedyenler, modellerin karanlık mizah veya cinsel espri istediğinde “As an AI I must foster a respectful environment” diye kesildiğini bildirdi. Sonuç: herkese hitap etmeye çalışan, kimseyi rahatsız etmeyen, dolayısıyla kimsenin favorisi olmayan steril şakalar.
Kelime Oyunları ve Gerçek Anlama Yanılsaması
Pun (kelime oyunu) gibi daha yapısal mizah türlerinde bile LLM’ler yüzeysel başarı gösterir. Cardiff ve Ca’ Foscari araştırmacıları, modellerin tanıdık pun yapılarını ezberlediğini, ancak çift anlamı kaldırılmış veya bozulmuş cümlelerde hâlâ “bu bir pun” diye ısrar ettiğini gösterdi. Başarı oranı bazen rastgele tahminden bile düşük çıkabiliyor. Yani modeller mizahı “anlıyor” gibi görünürken aslında kalıp eşleştirme yapıyor.
Yaşanmışlık ve Embodied (Bedenlenmiş) Bilgi
Mizah büyük ölçüde bedenlenmiş, duygusal ve toplumsal bir deneyimdir. Utanma, statü kaybı, yasak konulara yaklaşma, “ben de bunu yaşadım” hissi… Bunlar LLM’lerin sahip olmadığı şeylerdir. Model, bir espriyi “açıklayabilir”; ama o esprinin duygusal ağırlığını hissedemez. Bu yüzden birçok araştırmacı mizahı hâlâ “AI-complete” (yapay genel zekâ gerektiren) bir problem olarak görür.
Mevcut Durum ve Gelecek
Bazı çalışmalar, belirli koşullarda (çok net prompt + basit format) GPT-4o gibi modellerin insanlardan daha yüksek puan aldığını gösteriyor. Ancak bu genellikle “güvenli, evrensel, düşük riskli” şakalar için geçerli. Orijinal, bağlama duyarlı, risk alan, uzun soluklu veya kültürel kod yüklü mizahta hâlâ bariz bir uçurum var.
Kısaca:
- LLM’ler sürprizi azaltmak üzere tasarlanmıştır; mizah sürpriz ister.
- Kalıcı anı, duygusal deneyim ve grup bağlamı yoktur.
- Güvenlik hizalaması riskli ama komik malzeme üretimini engeller.
- Ezber ve kalıp eşleştirme, gerçek anlama ve yaratıcılığın yerini tutmaz.
Yapay zekâ espriyi taklit edebilir. Hatta bazen şaşırtıcı derecede iyi taklit eder. Ama “ruhu olan”, yaşanmışlıktan doğan, o anki gruba özel ve gerçekten güldüren mizah hâlâ insan tarafında kalıyor. Bu durum, mizahın yalnızca dilsel bir kalıp değil, ortak insan deneyiminin bir yansıması olduğunu bir kez daha hatırlatıyor.
