World Models Nedir? Yapay Zekanın Dünya Simülasyonu

İnsan beyninin ilginç bir özelliği var: bir şey yapmadan önce onu kafanızda deniyor. Saat 08:45’te işe çıktığınızda trafik nasıl akacak, mağazaya uğrarsanız kuyruğa girecek misiniz, toplantı odasına girerken kapının sola mı sağa mı açıldığını hatırlıyor musunuz? Bu tahminlerin hepsini bilinç dışında, fiilen oraya gitmeden üretiyorsunuz. Nörobilimciler buna “iç dünya modeli” diyor: gerçekliğin sıkıştırılmış, simüle edilebilir bir temsili.

Yapay zeka araştırmacıları da yıllardır aynı soruyu soruyor: Bir makine de çevresini bu biçimde modellemeyi öğrenebilir mi?

“World model” terimi, son iki yılda otonom araçlardan video üretimine, oyun oynayan ajanlara kadar onlarca farklı bağlamda öne çıktı. 2026’ya gelindiğinde artık Yann LeCun’ın manifestolarında değil, Tesla’nın araçlarında, Google DeepMind’ın robotik kollarında ve Sora benzeri video modellerinde görülen somut bir tekniğe dönüştü. Bu yazı bu tekniğin ne olduğunu, nereden geldiğini ve neden bu kadar ilgi çektiğini anlatıyor.

Bir yapay zekanın kendi iç modelinde dünyayı nasıl simüle ettiğinin kavramsal temsili.

1. Dünya modeli nedir?

Dünya modeli, bir ajanın (robot, yazılım ya da insan beyni) çevresinin nasıl işlediğini temsil ettiği iç yapıdır. Bir eylemi gerçekleştirmeden önce ajan bu modeli kullanarak “eğer şunu yaparsam ne olur?” sorusunu cevaplar.

Yapay zeka literatüründe world model iki bileşenden oluşur:

• Gözlem kodlayıcı (encoder): Ham duyusal veriden (piksel, ses, robot sensörü) sıkıştırılmış bir gizli durum (latent state) üretir.
• Geçiş modeli (transition model): Gizli durum ve bir eylem verildiğinde sonraki gizli durumu tahmin eder.

Ajan, gerçek dünyada deney yapmak yerine tamamen bu iç modelde “hayal ederek” (imagined rollout) planlama yapabilir. Bu yaklaşım özellikle gerçek deneylerin pahalı veya tehlikeli olduğu durumlarda değerlidir. Bir robotun gerçekten düşmeden önce dengesizleşeceğini fark etmesi gibi.

2. Tarihsel kökenler: Ha ve Schmidhuber’den MuZero’ya

World model fikri yeni değil. 1990’larda Jürgen Schmidhuber, ajanlarda iç simülasyon kullanımını teorik düzeyde tartışmıştı. Ama konuyu modern derin öğrenmeyle buluşturan çalışma 2018 yılında David Ha ve Schmidhuber tarafından yayınlanan “World Models” makalesi oldu.

Ha ve Schmidhuber, üç bileşenli bir mimari önerdi:

1. Vision Model (V): Ham pikselleri küçük bir gizli vektöre sıkıştıran bir varyasyonel otokodlayıcı.
2. Memory Model (M): Gizli durumların zaman içindeki evrimini tahmin eden özyinelemeli bir model (LSTM).
3. Controller (C): Yalnızca bu gizli temsiller üzerinde çalışan küçük bir politika ağı.

Sonuç çarpıcıydı: Ajan, gerçek bir simülatörde değil, tamamen kendi hayal dünyasında eğitildi ve pek çok görevde başarı elde etti. “Dream to learn” (hayal ederek öğrenmek).

Bu çalışmanın izinde gelen araştırmalar alanı köklü biçimde değiştirdi:

• PlaNet (DeepMind, 2019): Gizli uzayda planlama yapan model tabanlı bir RL ajanı.
• Dreamer (2020): PlaNet’in politika öğrenimini de sürece dahil eden versiyonu.
• DreamerV3 (2023): Minecraft’tan robotiğe onlarca görevde tek hiperparametre setiyle çalışan genel-amaçlı bir world model ajanı.
• MuZero (DeepMind, 2020): Oyun kurallarını önceden bilmeden yalnızca tahminler yoluyla oyun oynamayı öğrenen; satranç, Go ve Atari’de insan üstü performans elde eden.

Bu sıra, pekiştirmeli öğrenme alanında “model-free” yaklaşımdan “model-based” yaklaşıma dönüşün hikayesini izliyor.

3. Nasıl çalışır? Gizli uzayda hayal etmek

Modern bir world model mimarisinin iç akışı şöyle: Gözlem bir encoder’dan geçerek gizli duruma (latent state) dönüşür. Geçiş modeli bu gizli durumu ileriye taşır ve ödül modeli her adımda beklenen kazanımı tahmin eder. Ajan, bu “hayali rulo” (imagined rollout) üzerinden politika öğrenir.

Gözlem (o_t)
     │
     ▼
  Encoder
     │
     ▼
Gizli Durum (z_t)
     │
     ├──────────────────────┐
     ▼                      ▼
Geçiş Modeli          Ödül Modeli
z_{t+1} tahmini       r_t tahmini
     │
     ▼
 Hayali Rulo (imagined rollout)
     │
     ▼
  Politika (π)
   Eylem (a_t)

Recurrent State Space Model (RSSM), DreamerV3’ün kalbindeki mekanizma. Gizli durumu iki parçaya böler: deterministik bir kısım (önceki adımların hatırası) ve stokastik bir kısım (gözlemlenen belirsizliği temsil eden). Bu ayrım, modelin gerçek dünyanın belirsizliğini içselleştirmesine olanak tanır. Kapının ardında ne olduğunu bilmiyorsa, bu bilinmezliği olasılıksal olarak kodlar.

Eğitim sırasında model, tahminlerini gerçek gözlemlerle karşılaştırarak yanlış olduğu yerlerde güncellenir. Yeterli veri sonrasında ajan gerçek dünyayla etkileşime girmeksizin binlerce hayali yörünge üzerinden planlama yapabilir. Bu yöntemin asıl cazibi şu: maliyeti sıfır, hızı son derece yüksek.

4. Yann LeCun’ın JEPA vizyonu

Meta AI’ın baş bilim insanı Yann LeCun, yıllardır mevcut büyük dil modellerinin temel bir eksikliği olduğunu savunuyor: Bu modeller dünyayı simüle etmiyor, yalnızca dili taklit ediyor.

LeCun’ın önerisi JEPA (Joint Embedding Predictive Architecture). Standart generative modeller (bir piksel dizisini doğrudan tahmin eden diffusion modelleri gibi) yerine JEPA, iki girdiyi aynı gizli uzayda temsil edip aralarındaki ilişkiyi tahmin eder. Bu fark önemli: piksellerin her ayrıntısını üretmek yerine anlamsal seviyede neyin değişeceğini kestirmek çok daha verimli.

I-JEPA (2023) resimler için bu prensibi doğruladı. V-JEPA (2024) videoları gizli uzayda tahmin ederek fiziksel eylemlerin sonuçlarını görsel detaya inmeksizin modelleyebildi. LeCun, bu mimari ailesinin zamanla çok daha fiziksel gerçekliği anlayan sistemler üretebileceğini öne sürüyor.

Tartışma henüz kapanmış değil. Generative yaklaşımı savunanlar, pixel-space tahmininin de örtük bir world model öğrendiğini ve Sora ile Veo 3 gibi modellerin fizik yasalarını dolaylı biçimde kavradığını gösteriyor. JEPA taraftarları ise verimliliğin ve genelleşebilirliğin öngörücü kodlamada yattığını iddia ediyor.

Bir robot kolu, gerçek hareketten önce iç simülasyonuyla olası yörüngelerini öngörüyor.

5. Gerçek dünya uygulamaları

Pekiştirmeli öğrenme: DreamerV3 ve MuZero

DreamerV3, bir world model ajanının ne denli geniş bir kapsama sahip olabileceğini gösteriyor. Atari, continuous control, 3D labirentler, Minecraft gibi birbirinden farklı ortamlarda tek hiperparametre seti kullanabiliyor ve çoğunda model-free rakiplerini geride bırakıyor. Her ortam için ayrı konfigürasyon yazmak pratik uygulamada büyük bir fren. DreamerV3, bu engeli ortadan kaldırıyor.

MuZero ise model-based RL’nin satranç tahtasına taşınmış hali. Oyun kurallarını önceden bilmeden dinamikleri öğreniyor ve kendi iç modelinde Monte Carlo Ağaç Araması yaparak insan şampiyonlarını geçiyor.

Otonom araçlar: GAIA-1 ve Tesla

2023’te Wayve, GAIA-1 adlı bir video world model yayınladı. Model, sürüş videolarından eğitilerek gelecekteki sahneleri tahmin ediyor; sensör verisinin ötesinde karmaşık trafik durumlarını çıkarabildiği gösterildi. Bu yaklaşım, kural tabanlı otonom sürüş sistemlerinin kör noktalarını azaltmak için umut vaat ediyor.

Tesla’nın FSD sonrası mimarisinde konuşulan “occupancy world model” kavramı da benzer bir prensibi izliyor: araç, etrafındaki 3D uzayı voxel haritasıyla kodlayıp gelecek anlarda nesnelerin nerede olacağını tahmin ederek karar veriyor. Tam bir world model mi, yoksa işlevsel benzeri mi tartışmalı, ama mühendislik mantığı aynı: eylemden önce simüle et.

Robotik: Planlama için simülasyon

Robotik, world models için doğal bir zemin. Bir robotun her hareketi gerçek dünyada enerji ve risk taşır. Ön simülasyon, hatalı hareketlerin maliyetini büyük ölçüde düşürür.

DeepMind’ın RT serisi modeller, dil talimatlarından robotik eyleme köprü kuruyor. Bu modellerde world model açıkça ayrı bir bileşen değil, büyük ölçekli öğrenimde dolaylı biçimde ortaya çıkan bir yapı. Gelecek nesil robotik mimarilerde world model’in ayrı ve açık bir planlama katmanı olarak konumlandırılması bekleniyor.

Video üretimi: Sora, Veo 3 ve world model yorumu

OpenAI’ın Sora’sı ve Google’ın Veo 3’ü, fizik yasalarına uyan video üretebiliyor. Bir top yerçekimiyle düşüyor, su gerçekçi biçimde akıyor, kameralar tutarlı 3D perspektifle hareket ediyor. Bu, modelin dünya dinamiklerini içselleştirdiğini işaret ediyor.

Ama araştırmacılar bu konuda dikkatli. Sora ve Veo 3, diffusion transformer’lara dayanıyor ve videoyu piksel dizisi olarak öğreniyor. Tam anlamıyla “dünya modeli” mi, yoksa video istatistiklerini olağanüstü iyi öğrenmiş bir örüntü eşleştirici mi? Her ikisi de bir miktar doğru. Fizik ihlali hataları hala görülüyor (garip el şekilleri, yanlış nesne sayısı) çünkü model gerçek bir fizik motoruna değil, istatistiksel kalıplara yaslanıyor.

6. World models vs. mevcut LLM yaklaşımı

Büyük dil modelleri metni son derece iyi işliyor. Ama fiziksel nedensellik konusunda önemli sınırlılıkları var. GPT-4’e “bir top masadan düşürülürse ne olur” diye sorulduğunda doğru cevap geliyor, ama bu yanıt anlamadan değil, fizik ders kitaplarından öğrenilen istatistiksel kalıplardan çıkıyor.

World model yaklaşımı bunu tersine çeviriyor: önce çevrenin dinamiğini öğren, sonra bu modeli kullanarak karar ver. Bu iki paradigma birbirinin alternatifi değil, giderek tamamlayıcısı haline geliyor:

Hibrit yaklaşımlar araştırmanın sıcak noktası. Büyük dil modelinin yüksek seviye planlama yapıp altında bir world model’in fiziksel simülasyonu yürüttüğü mimariler (düşünen ama aynı zamanda hisseden sistemler) şu an aktif araştırma konusu. Akıl yürüten modeller için planlama ufku uzadıkça world model desteğinin önemi de artıyor.

7. Zorluklar

Model hatası birikimi

Hayali rulo (imagined rollout) sırasında her adımdaki küçük tahmin hatası birikerek büyür. Birkaç adım sonra hayal edilen yörünge gerçeklik yerine kurgusal bir şeyin tahminine dönüşebilir. DreamerV3, bu sorunu kısmen stokastik gizli değişkenlerle ele alıyor, ama uzun ufuklu planlamada çözülmüş bir problem değil.

Dağılım kayması (distributional shift)

Eğitim sırasında görmediği durumlarla karşılaşan bir world model sallantılı tahminler üretiyor. Bu, özellikle otonom araçlar ve robotik için kritik bir güvenlik meselesi. Modelin ne bilmediğini bilmediği durumlar, gerçek sistemlerde ciddi riskler taşıyor.

Çok modaliteli ölçeklenebilirlik

Kamera, lidar, ses ve taktil sensörleri aynı anda modellemek hesapsal açıdan pahalı. Transformer tabanlı world model’ler bu girdi modalitelerini yönetmede mesafe kaydetse de production düzeyinde verimli çalışan çok-modaliteli mimariler hala olgunlaşma aşamasında.

8. 2026 ve sonrası

World models araştırması şu an birkaç farklı cephede ilerliyor.

LLM ile birleşme: Dil modelleri yüksek seviye mantıksal planlama yaparken, dünya modelleri alt seviyede fiziksel simülasyonu üstleniyor. Bu katmanlı mimari, akıl yürüten ama aynı zamanda fiziksel gerçekliği temsil eden sistemlere kapı açıyor. Uzun bağlam penceresi araştırmalarındaki ilerlemeyle birleşince bu mimariler çok daha derin hafıza kapasitesine kavuşuyor.

Genel-amaçlı simülasyon: Oyun motorları, fizik simülatörleri ve world model’lerin kesiştiği nokta hızla büyüyor. NVIDIA’nın Cosmos projesi, robot ve otonom araç eğitimi için sentetik dünya modeli çıktıları kullanıyor. Gerçek dünya verisi yetersizliği bu yolla kısmen aşılabiliyor.

AGI tartışmasındaki rolü: LeCun başta olmak üzere pek çok araştırmacı, AGI’ye giden yolun fiziksel nedenselliği anlayan world model’lerden geçtiğini savunuyor. Dilden bağımsız, gözlemden öğrenen, alternatif senaryoları hayal edebilen bir sistem; bu tarif, insan bilişinin iç model mimarisini andırıyor.

Bilgi damıtma (knowledge distillation) teknikleri ilerledikçe büyük world model’lerden küçük ve verimli versiyonlar elde etmek de giderek kolaylaşacak. Bu, özellikle edge donanımlarında çalışacak robotik uygulamalar için kritik bir gelişme.

World model, günümüz yapay zekasının en ilgi çekici araştırma cephelerinden biri. Tek bir teknik alanın ötesinde, makinelerin gerçekliği nasıl kavradığına dair köklü bir soruyu temsil ediyor. Önümüzdeki yıllarda bu sorunun yanıtlarının pratiğe ne ölçüde taşınacağını görmek kalıyor.

Bu konuyu daha geniş bir perspektiften incelemek isteyenler için:

• Akıl yürüten AI modelleri ve test-time compute rehberi
• Pekiştirmeli öğrenme ve RLHF nedir?
• Uzun bağlam penceresi: 1 milyon token ne anlama gelir?
• Knowledge distillation: model damıtma nedir?