Bu çalışmada önerilen yaşam-merkezli ilişkisel info-computational çerçeve, bilişi yaşayan sistemlerin kendi örgütlenmelerini sürdürürken çevreleriyle algısal, düzenleyici ve anlam-üretici ilişki kurdukları süreğen süreç; zekâyı ise bu bilişsel örgütlenmenin yenilik, bozulma ve belirsizlik altında hedefe yönelik problemleri çözme yetkinliği olarak ayıran kavramsal bir çerçevedir. Çalışma psikoloji, biliş bilimi, biyoloji, felsefe, sibernetik, doğal hesaplama ve yapay zekâ literatüründeki farklı biliş ve zekâ anlayışlarını karşılaştırır. Yeni deney veya veri üretmez; amacı kavramların kapsamını yeniden düzenlemek ve doğal sistemlerle yapay sistemlerin aynı sözcüklerle fakat farklı ontolojik koşullarda nasıl değerlendirilebileceğini açıklamaktır.

Kaynağın temel ayrımı üç düzeylidir: fiziksel uyarlanma, biliş ve zekâ. Bir sistemin çevresel koşullara göre fiziksel biçimde değişmesi tek başına biliş değildir. Biliş, yazarın çerçevesinde yaşayan bir sistemin kendi örgütlenmesini korumak için çevresiyle ilişkisini algılaması, düzenlemesi ve koordine etmesiyle başlar. Zekâ ise temel bilişsel düzenlemenin üzerinde, sistem-göreli amaçlara ulaşmak için olası eylemler arasında esnek biçimde yol bulma ve problemleri çözme yetkinliğini ifade eder.

Bu görüş insan-merkezli biliş tanımlarından ayrılır. İnsan-merkezli gelenekler bilişi çoğunlukla algı, bellek, muhakeme, dil ve problem çözme gibi insan zihinsel süreçleriyle ilişkilendirirken yaşam-merkezli yaklaşım bilişi yaşayan örgütlenmenin temel özelliği olarak tek hücreli organizmalara kadar genişletir. Zekâ da yalnız sembolik muhakeme veya IQ ile değil; yaşayan sistemin değişen koşullarda hedeflerini ne kadar esnek, sağlam ve etkili biçimde sürdürebildiğiyle ilişkilendirilir.

Yapay sistemler için sonuç daha ihtiyatlıdır. Kaynağa göre güncel AI sistemleri mühendislik ürünü veya türetilmiş zekâ gösterebilir ve biliş-benzeri işlevler uygulayabilir; ancak yaşam-merkezli biyolojik tanım altında autopoietic, kendi kendini sürdüren canlı biliş sistemleri değildir. Bedenlenmiş, otonom ve öz-düzenleyici yapay sistemler bazı biliş özelliklerine yaklaşabilir; bunun gelecekte ayrı kavramsal kategoriler gerektirip gerektirmeyeceği açık araştırma sorusudur.

Biliş ile Zekâ Arasındaki Temel Fark Nedir?

Bu çalışmanın önerdiği çerçevede biliş, yaşayan bir sistemin kendi varlığını sürdürürken çevresiyle ilişkisini algılaması, düzenlemesi ve koordine etmesiyle gerçekleşen temel yaşam sürecidir; zekâ ise bu bilişsel sürecin yenilik, bozulma ve belirsizlik altında sistem-göreli hedeflere ulaşmak için problem çözmedeki yetkinlik derecesidir.

Kaynağın hareket noktalarından biri, “biliş” ve “zekâ” sözcüklerinin farklı disiplinlerde çoğu zaman birbirine karıştırılmasıdır. Bazı yaklaşımlar zekâyı bilişin bir alt yeteneği olarak görürken bazıları zekâyı bilişsel süreçlerden bağımsız performans kapasitesi gibi tanımlar.

Önerilen çerçeve bu belirsizliği ortadan kaldırmak için kavramları hiyerarşik fakat aynı zamanda dereceli biçimde ele alır.

Bu nedenle bir akışkanın dış kuvvete göre biçim değiştirmesi veya dissipatif bir yapının dinamik dengeyi sürdürmesi uyarlanma olarak değerlendirilebilir; fakat yazar bunları biliş olarak sınıflandırmaz. Biliş için sistemin kendi örgütlenmesi bakımından anlamlı bir etkileşim ve içsel düzenleme gerekir.

Hedefe yöneliklik bilinçli niyet anlamına geliyor mu?

Hayır. Kaynak “goal-directedness” kavramını minimal ve antropomorfik olmayan anlamda kullanır. Hedefe yöneliklik için insan benzeri bilinçli niyet veya sembolik hedef temsili gerekmez.

Biyolojik sistemlerde hedefler yaşamın örgütlenmesinden doğabilir: varlığını sürdürme, yaşanabilirlik sınırları içinde kalma, büyüme ve üreme gibi durumlar buna örnektir. Yapay sistemlerde ise hedef dışarıdan tanımlanabilir veya etkileşim yoluyla öğrenilebilir.

Yazar açısından önemli olan hedefin nereden geldiğinden çok, sistemin etkinliğini bu hedefle ilişkili olarak düzenleyebilmesidir.

İnsan-Merkezli ve Yaşam-Merkezli Biliş Yaklaşımları Nasıl Ayrılıyor?

İnsan-merkezli yaklaşımlar bilişi esas olarak insan zihnine ve çoğu zaman gelişmiş sinir sistemlerine bağlı zihinsel süreçler üzerinden tanımlarken, yaşam-merkezli yaklaşım bilişi autopoietic örgütlenme, sense-making ve organizma–çevre etkileşimi biçiminde bütün yaşayan sistemlere genişletir.

Klasik mentalizm

Klasik mentalist yaklaşım bilişi bilinçli düşünce veya bedenden görece bağımsız sembol işlemleriyle ilişkilendirir. Tarihsel olarak zihin–beden ikiliği ve rasyonel insan zihnini bilişin merkezi kabul eden felsefî gelenek bu hattın temelini oluşturmuştur.

Bilişsel devrim ve sembolik hesaplama

20. yüzyıl ortasında bilişsel devrim, zihni sembolik bilgi işleme sistemi olarak yeniden tanımladı. Böylece bilinç merkezli açıklamanın yerini daha mekanik ve hesaplamalı bir model aldı; ancak bilişin esas olarak insan zihniyle ilişkilendirilmesi büyük ölçüde devam etti.

4E biliş

1990'lardan itibaren embodied, embedded, enactive ve extended cognition çerçeveleri bilişin beyin içinde izole bir sembol manipülasyonuna indirgenemeyeceğini savundu. Bedensel yapı, duyusal-motor işlevler, araçlar ve çevresel bağlam bilişsel sürecin parçası olarak ele alındı.

Extended Mind yaklaşımında çevredeki araçlar ve yapılar bellek veya hesaplama gibi bilişsel işlevlerin bir bölümünü gerçekleştirebilir. Predictive processing yaklaşımları ise bilişi çevresel etkileşim boyunca tahmin hatalarını azaltmaya çalışan dinamik bir süreç olarak ele alır.

Yaşam-Merkezli Biliş Yaklaşımı Neyi Savunuyor?

Yaşam-merkezli yaklaşım, bilişi yalnız sinir sistemi veya insan zihniyle sınırlamak yerine yaşayan sistemlerin kendilerini üretme, sürdürme, çevreyi algılama, anlamlı farklılıklara tepki verme ve değişen koşullarda düzenlenme süreçlerinin temel bir özelliği olarak ele alır.

Makale bu hattın önemli tarihsel dayanaklarından biri olarak Maturana ve Varela'nın autopoiesis yaklaşımını kullanır. Autopoiesis, yaşayan sistemin kendi örgütlenmesini sürekli üretmesi ve sürdürmesi düşüncesidir.

Bu çerçevede biliş yaşamın sonradan eklenen yüksek düzeyli bir ürünü değil, yaşam örgütlenmesinin kendisiyle bağlantılı temel süreç olarak görülür.

Basal cognition

“Basal cognition”, sinir sistemi bulunmayan hücresel veya çok basit organizasyonlarda görülen algılama, düzenleme, bellek-benzeri süreklilik ve hedefe yönelik uyarlanma biçimlerini ifade eder.

Kaynak slime mold, bakteriyel topluluklar ve planarian rejenerasyonu gibi önceki araştırmalardan örnekler kullanarak karmaşık sinir sisteminin her uyarlanabilir problem çözme davranışı için zorunlu olmayabileceği görüşünü destekler.

Anticipation

Yaşam-merkezli bilişin önemli unsurlarından biri anticipation, yani yalnız mevcut uyaranlara tepki vermek yerine gelecekteki olası durumlara göre eylemin düzenlenmesidir.

Rosen'ın anticipatory systems yaklaşımı ve daha sonraki predictive processing / Active Inference çerçeveleri, organizmanın kendisi ve çevresi hakkında içsel düzenliliklerden yararlanarak gelecekteki durumlara hazırlanabilmesini bilişin önemli bileşenlerinden biri olarak ele alır.

İkinci-derece sibernetik ve öz-düzenleme

Yaşayan sistemler yalnız çevresel sinyalleri işlemez; kendi iç durumlarını da izleyip değiştirebilir. Bu geri-beslemeli ve öz-referanslı yapı, bilişsel örgütlenmenin sabit olmayan, yeniden yapılanabilir bir süreç olmasına katkı sağlar.

Info-Computation Biliş Tartışmasına Ne Ekliyor?

Info-computational yaklaşım, hesaplamayı yalnız soyut sembollerin Turing tipi işlenmesi olarak değil, fiziksel biçim, madde, bilgi ve dinamik örgütlenme içindeki dönüşümleri kapsayan daha geniş bir doğal bilgi işleme süreci olarak yorumlayarak computational ve embodied biliş yaklaşımlarını aynı çerçevede birleştirmeyi amaçlar.

Makale klasik computationalism ile embodied cognition arasında çoğu zaman yapay bir karşıtlık kurulduğunu savunur. Eğer “hesaplama” yalnız dijital sembol manipülasyonu olarak tanımlanırsa bedensel ve enactive biliş computational açıklamayla uyumsuz görünebilir.

Yazarın “new computationalism” dediği daha geniş yaklaşımda ise computation yalnız algoritmik sembol işleme değildir. Etkileşimli, fiziksel, morfolojik, alt-sembolik ve kendini değiştiren süreçler de hesaplama ailesine dahil edilir.

Morfolojik hesaplama

Morfolojik hesaplamada fiziksel yapı pasif bir taşıyıcı değildir. Sistem, biçimi, malzeme özellikleri ve fiziksel dinamikleri aracılığıyla bilgi işleyebilir.

Bu bakış, yaşayan sistemlerde “yazılım” ile “donanım” arasında katı bir ayrım kurmayı zorlaştırır. Yapı ve süreç birlikte değişebilir; metabolizma, gelişim, morfogenez ve uyarlanma sistemin hesaplamasının bir bölümü olarak düşünülebilir.

Sembolik ve alt-sembolik süreçler birlikte ele alınabilir mi?

Kaynağın info-computational yaklaşımı evet yanıtını verir. Alt-sembolik, sürekli ve dağınık süreçlerin daha yüksek örgütlenme düzeylerinde kararlı ilişkiler oluşturarak sembolik işlemlere temel olabileceği düşünülür.

Böylece insan dili ve biçimsel muhakeme gibi sembolik biliş, biyolojik alt-sembolik süreçlerden tamamen kopuk ayrı bir dünya olarak görülmez.

Çalışmanın Yöntemi ve Bulguları

Bu çalışma laboratuvar, saha, klinik veya bilgisayar simülasyonu araştırması değildir. Yöntemi; biliş, biyoloji, sibernetik, felsefe, bilgi kuramı ve yapay zekâ alanlarındaki kuramsal gelenekleri karşılaştırmak ve bunların kavramsal ilişkilerini birleştirici bir çerçevede yeniden düzenlemektir.

Bu nedenle makalede örneklem büyüklüğü, deney grupları, model hiperparametreleri, p değerleri, güven aralıkları veya performans ölçütleri bulunmamaktadır. “Bulgular” nicel deney sonuçlarından çok önerilen kavramsal ayrımlar ve literatür sentezinden oluşmaktadır.

İnsan-merkezli yaklaşımın başlıca çizgileri

Kaynak insan-merkezli biliş ve zekâ literatürünü birkaç tarihsel ve kuramsal hat üzerinden inceler:

• Developmental yaklaşım: Piaget'de biliş uyarlanma süreci; zekâ assimilation ile accommodation arasında etkili denge kurabilme yeteneği olarak ele alınır.
• Socio-cultural yaklaşım: Vygotsky'de biliş toplumsal etkileşim, dil ve kültürel araçlarla biçimlenir.
• Psychometric yaklaşım: Zekâ, farklı bilişsel yeteneklerin nicel değerlendirilmesi ve faktör yapıları üzerinden ölçülür.
• Information-processing yaklaşımı: Biliş sembolik problem uzaylarında bilgi işleme; zekâ etkili problem çözme kapasitesi olarak modellenir.
• Contemporary distributed/extended yaklaşım: Biliş, beyin dışındaki beden ve çevresel kaynaklara doğru genişleyebilir.

Yaşam-merkezli yaklaşımın ampirik dayanakları

Makale kendi deneyini yapmasa da yaşam-merkezli biliş tezini değerlendirmek için önceki ampirik literatürden üç önemli örnek kullanır:

• Physarum polycephalum gibi slime moldların sinir sistemi olmadan uzamsal problem çözme ve periyodik çevresel değişiklikleri öngörme davranışları,
• bakteri topluluklarının quorum sensing yoluyla popülasyon düzeyinde koordinasyon ve metabolik geçişler gerçekleştirmesi,
• planaryaların rejenerasyon sırasında hücresel ölçekte morfolojik bellekle karmaşık beden planlarını yeniden oluşturabilmesi.

Bu sonuçların her biri ayrı özgün araştırmalardan gelmektedir. Bu Philosophies makalesi söz konusu deneylerin yeniden analizi veya tekrarı değildir.

Mevcut Yapay Zekâ Bu Çerçevede Bilişsel Sayılıyor mu?

Kaynağın yaşam-merkezli tanımında mevcut yapay zekâ sistemleri mühendislik ürünü veya türetilmiş zekâ gösterebilir ve biliş-benzeri işlevler gerçekleştirebilir, ancak autopoietic yaşam örgütlenmesine sahip olmadıkları için biyolojik anlamda bilişsel sistem olarak sınıflandırılmazlar.

Bu ayrım yapay sistemlerin yeteneksiz olduğu anlamına gelmez. Model performansı, öğrenme, problem çözme veya belirli görevlerde insanı aşma gibi işlevler “engineered intelligence” kapsamında değerlendirilebilir.

Ancak makalenin yaşam-merkezli biliş tanımı için yalnız dışarıdan verilen görevi başarıyla tamamlamak yeterli değildir. Sürekli çevresel etkileşim, iç durum düzenleme, kendi örgütlenmesini sürdürme ve sistemin kendi varlığı bakımından anlam taşıyan süreçler merkezi kabul edilir.

Embodied AI neden ayrı değerlendirilir?

Robotik ve cyber-physical sistemler çevreyi algıladıkça, fiziksel olarak eylem ürettikçe, geri bildirim aldıkça ve iç durumlarını dinamik biçimde düzenledikçe klasik disembodied AI'dan farklı bir konuma yaklaşırlar.

Yazar bu sistemlerin otomatik olarak biyolojik biliş kazandığını söylemez. Bunun yerine perception–action döngüsü, learning ve environmental coupling gibi özelliklerin onları yaşam-merkezli biliş anlayışına kavramsal olarak yaklaştırdığını savunur.

Gelecekte yapay biliş mümkün mü?

Makale bunu açık bir araştırma sorusu olarak bırakmaktadır. Gelecekte sentetik veya hibrit sistemlerin otonom öz-sürdürüm, kalıcı sistem-göreli hedefler ve bedenlenmiş regülasyon geliştirmesi halinde günümüzdeki “AI” ve “biyolojik biliş” ayrımının yeni kategorilerle yeniden ele alınması gerekebilir.

Yaklaşımların karşılaştırılması

Figure 1 nasıl yorumlanmalıdır?

Kaynak Figure 1, yukarıdaki yaklaşımları iki nitel eksende konumlandırır:

• yatay eksen: Human-centered → Life-centered,
• düşey eksen: Symbolic → Embodied.

Daireler non-computational, kareler computational yaklaşımları temsil eder. Bu şekil nicel ölçüm grafiği değildir. Noktaların konumu yazarın kuramsal sınıflandırmasını görselleştirir; koordinatların sayısal veya istatistiksel bir anlamı yoktur.

Çalışmanın desteklediği sonuçlar

Makale, biliş ve zekâ kavramlarının farklı disiplinlerde tek bir evrensel tanıma sahip olmadığını ve insan-merkezli, embodied, yaşam-merkezli ve computational geleneklerin farklı ontolojik varsayımlar kullandığını güçlü biçimde göstermektedir.

Yazarın önerdiği kavramsal sentez içinde biliş ile zekâ aynı şey değildir. Biliş yaşayan sistemin devam eden düzenleyici organizasyonudur; zekâ bu sürecin problem çözme yetkinliğidir.

Yaşam-merkezli literatür, sinir sistemi bulunmayan organizmalarda bile algılama, regulation, memory-like behavior ve problem-solving benzeri işlevlere ilişkin ampirik araştırmalar bulunduğunu göstermektedir.

Genişletilmiş computation kavramı, sembolik hesaplama ile embodied/doğal süreçleri zorunlu olarak birbirinin karşıtı görmek gerekmediğini savunmak için kavramsal araç sağlar.

Güncel AI sistemleri görev performansı açısından mühendislik ürünü zekâ gösterebilir; ancak bu makalenin yaşam-merkezli tanımında biyolojik bilişle aynı statüde değildir.

Çalışmanın desteklemediği sonuçlar

Makale biliş veya zekâ için deneysel olarak doğrulanmış tek bir evrensel ölçüt geliştirmemiştir.

Önerilen çerçeve bir operasyonel teori değildir; farklı örgütlenme düzeylerinde bilgi, hesaplama ve bilişin nasıl sorulacağını düzenleyen kavramsal bir “gramer” olarak sunulmaktadır.

Makale bütün yaşam bilimlerinin bilişi yaşamla özdeşleştirme konusunda uzlaştığını göstermez. Yaşam-merkezli yaklaşım bilimsel ve felsefî geleneklerden biridir ve insan-merkezli/neurocentric görüşlerle teorik tartışma devam etmektedir.

Slime mold, bakteriler ve rejenerasyon örnekleri bu makalenin kendi deneyleri değildir. Bunlar önceki araştırmalara yapılan atıflardır.

Mevcut AI sistemlerinin biyolojik anlamda bilişsel olmadığını söylemek, gelecekteki bütün yapay sistemlerin biliş geliştirmesinin imkânsız olduğunu kanıtlamaz. Yazar bunu açık araştırma sorusu olarak bırakmaktadır.

Figure 1'de araştırmacıların konumları ölçüm sonucu değildir; nitel teorik haritadır.

Sınırlılıklar ve gelecek araştırma

Yazar kendi çerçevesinin en önemli sınırlılığını açıkça belirtmektedir: önerilen yapı operational theory değildir. Tek bir intelligence score veya ölçüm protokolü vermez.

Çerçevenin üç temel ilişkisel öğesi information, computation ve cognition/observer-agency'dir. Information yapılandırılmış farklılıklara, computation bu farklılıkların dönüşümüne, cognition ise farklılıkların kendisi için anlam taşıdığı ve dönüşümlerin işlev kazandığı observer-agent'a ilişkindir.

Bunun ölçülebilir hale getirilmesi organizasyon düzeyine ve bilimsel alana özgü olmalıdır. Bir bakteride, çok hücreli organizmada, insanda ve yapay sistemde aynı operasyonel biliş metriğinin otomatik olarak kullanılabileceği iddia edilmemektedir.

Gelecekte yapay veya sentetik sistemlerin autonomous self-maintenance, persistent goals ve embodied regulation gibi özellikler geliştirmesi, biyolojik biliş ile mühendislik ürünü zekâ arasındaki bugünkü kavramsal sınıflandırmanın yeniden ele alınmasını gerektirebilir.

Kaynak ve Yöntem Notu

Özgün çalışma: Cognition and Intelligence in Natural and Artificial Systems

Yazar: Gordana Dodig-Crnkovic.

Kurumlar: Department of Computer Science and Engineering, Chalmers University of Technology, Gothenburg, İsveç; Faculty of Engineering and Health, Mälardalen University, Västerås, İsveç.

Dergi: Philosophies.

Yayınevi: MDPI.

Kaynak türü: Kavramsal/teorik akademik makale; biliş, zekâ, yaşam-merkezli biliş, info-computation ve yapay zekâ arasındaki ilişkileri literatür üzerinden sentezleyen çalışma.

Yayın bilgisi: Philosophies 2026, cilt 11, sayı 3, makale 76.

DOI: 10.3390/philosophies11030076

Gönderim: 7 Mart 2026.

Revizyon: 1 Mayıs 2026.

Kabul: 8 Mayıs 2026.

Yayın: 12 Mayıs 2026.

Lisans: Creative Commons Attribution (CC BY), açık erişim.

Akademik editör: Rossella Lupacchini.

Yeni deney veya veri seti: Yok. Çalışma yeni veri üretmemiş veya analiz etmemiştir.

İstatistiksel analiz: Yok; çalışma kavramsal sentez niteliğindedir.

Finansman: Yazar dış finansman alınmadığını bildirmiştir.

Kurumsal etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Yeni veri oluşturulmadığı veya analiz edilmediği için veri paylaşımı uygulanabilir değildir.

Teşekkür: Yazar, hakemlere yapıcı yorumları için teşekkür etmektedir.

Çıkar çatışması: Yazar çıkar çatışması olmadığını beyan etmektedir.

Yazar katkıları: Makale tek yazarlıdır; kaynakta ayrı bir CRediT katkı tablosu bulunmamaktadır.

Temel kavramsal çerçeve: Fiziksel uyarlanma → biliş → zekâ ayrımı; yaşam-merkezli biliş; embodied ve enactive yaklaşımlar; natural computation; morphological computation; info-computation.

Temel sınırlılık: Çerçeve kavramsaldır, operasyonel değildir. Biliş veya zekâ için alanlar arası tek bir nicel ölçüt sağlamaz; operationalization'ın organizasyon düzeyi ve bilimsel alan temelinde ayrıca geliştirilmesi gerekir.

Yapay zekâ yorum sınırı: Kaynak mevcut yapay sistemlerin engineered veya derivative intelligence sergileyebileceğini, ancak yaşam-merkezli biyolojik anlamda bilişsel olmadığını savunmaktadır. Bu, gelecekte bütün yapay sistemlerin biliş geliştiremeyeceğine ilişkin deneysel kanıt değildir.

Figure 1 yorum sınırı: Symbolic–Embodied ve Human-centered–Life-centered eksenlerindeki konumlar nitel teorik sınıflandırmadır; nicel deneysel koordinatlar değildir.

Verianla yöntem notu: Bu içerik kaynak makalenin cümle cümle çevirisi değildir. İnsan-merkezli, yaşam-merkezli, embodied, computational ve info-computational gelenekler; doğal ve yapay sistemlere ilişkin karşılaştırmalar; üç düzeyli biliş–zekâ çerçevesi; Tablo 1–4; Figure 1; sınırlılıklar ve sonuçlar korunarak bağımsız Türkçe bilimsel öğrenme yapısı oluşturulmuştur. Kaynakta bulunmayan deneysel sonuç, ölçüm, istatistik veya biliş metriği eklenmemiştir.