Richard Stallman’ın GNU (GNU’s Not Unix – GNU, Unix Değildir) projesini duyurmasının üzerinden 43 yıl geçti. GNU projesi, özgür yazılım (free software) hareketinin başlangıç noktası oldu. Stallman’ın yaklaşımı tavizsizdi: Geliştiricilerin ve kullanıcıların özgürlüklerini merkeze alıyordu. Bu katı tutum, özgür yazılımın iş dünyasında daha kolay benimsenmesini isteyen kesimlerden çeşitli eleştiriler alıyordu. Bu eleştirilerle birlikte, 1998 yılından itibaren açık kaynak (open source) terimi yaygınlaşmaya başladı.

Özgür yazılımdan açık kaynağa doğru yaşanan kayma yalnızca söylemsel düzeyde kalmadı; yazılım lisansları düzeyinde de kendini gösterdi. Geliştiricilerin ve kullanıcıların haklarını temel alan, yazılımsal özgürlüklerin sürekliliğini güvence altına almayı hedefleyen lisansların yanında, şirketlerin yazılım geliştirme ve dağıtım süreçlerinde daha esnek hareket etmesine olanak sağlayan lisanslar da yaygınlaşmaya başladı.

Bu süreçte özgür yazılım terimine yönelik eleştirilerin en temel argümanlarından biri, İngilizcedeki free kelimesinin hem özgür hem de ücretsiz anlamına gelmesiydi. Bu çift anlamlılığın, özgür yazılımın anlaşılmasında kafa karışıklığına yol açabileceği düşünülüyordu. Ancak aradan geçen yılların ardından, açık kaynak teriminin çok daha büyük bir belirsizliğe yol açtığını görüyoruz. Nitekim açık kaynakla birlikte, özgür yazılımın üretim özgürlüğüne yaptığı vurgu (yani kullanıcının yazılımı yalnızca kullanmakla kalmayıp inceleyip değiştirebilmesi ve yeniden dağıtabilmesi) da silikleşti. Üretim özgürlüğünün yerini, kaynak kodunun yalnızca “görülebilir” olması almaya başladı. Bugün yapay zekâ alanında açık kaynak olarak sunulan sistemler ise kimi zaman kaynak kodunun görülebilirliği iddiasının bile gerisinde bir yerde konumlanıyor.

Son zamanlarda teknoloji şirketleri açık kaynak yapay zekâ terimine daha sık başvurmaya başladı. İtibar kazanmak veya regülasyon süreçlerinde avantaj elde etmek amacıyla açıklık söylemini stratejik bir halkla ilişkiler ve pazarlama aracına dönüştüren şirketler de var. Örneğin Meta’nın CEO’su Mark Zuckerberg, Temmuz ayında The New York Times ile yaptığı söyleşide, isim vermeden Anthropic ve OpenAI’yi, yapay zekâ teknolojisi üzerindeki kontrolü sıkılaştırmakla suçladı. Zuckerberg, yapay zekâ gücünün merkezileştirilmesi yerine mümkün olduğunca geniş bir kesime dağıtılması gerektiğini savunuyor. “Kişisel süper zekâ” olarak adlandırdığı bu yaklaşımda, herkesin kendi amaçları ve değerleri doğrultusunda yönlendirebileceği güçlü yapay zekâ sistemlerine erişebilmesini öngörüyor. Bütün insanlık adına karar veren tek bir merkezi süper zekâ yerine, insanların kendi amaçları doğrultusunda kullanabileceği çok sayıda kişisel süper zekânın varlığını daha makul buluyor[1].

Zuckerberg’in bu söyleşisinden kısa bir süre sonra Meta, Muse Glimmer adlı yapay zekâ modelini yayımladı. Muse Glimmer, Meta’nın güçlü yapay zekâ modellerinden biri olan Muse Spark’a benzer özelliklere sahip; kod yazma, metin üretme, görüntüleri anlama ve çok adımlı görevleri yerine getirme gibi yetenekler sunuyor. Ancak Muse Spark’a erişim Meta’nın hizmetleri üzerinden sağlanırken Muse Glimmer, açık ağırlıklı bir model olarak yayımlandı. Burada yazılımdaki anlamıyla tamamen açık kaynaklı bir modelden söz etmiyoruz. Açık olan, modelin eğitilmesi sonucunda ortaya çıkan ağırlıklar, yani modelin girdilerden çıktılar üretmesini sağlayan milyarlarca parametrenin oluşturduğu yapı[2].

Açık ağırlıkların sunduğu olanaklar ile açık kaynak yazılımın sağladığı özgürlükler aynı olmamasına rağmen, haberlerde bu iki terim sıklıkla iç içe geçebiliyor. Açık ağırlıklar, açık kaynağın (ya da özgür yazılımın!) sahip olduğu olumlu imajdan yararlanıyor ve geliştiricilere benzer özgürlükler sunuluyormuş gibi bir algının oluşmasına neden olabiliyor. Örneğin, 24 Temmuz 2026 tarihinde ABD’li teknoloji şirketlerinin yayımladığı ortak bildiri, açık kaynak yazılıma övgüyle başlıyor[3]. Bildiride açık kaynak yazılımın geliştiricilere sunduğu inceleme, değiştirme ve geliştirme özgürlükleri vurgulandıktan sonra benzer bir yaklaşımın yapay zekâya uygulanması savunuluyor. Bildirinin devamında ise herkesin indirebileceği, inceleyebileceği, değiştirebileceği ve kendi altyapısında çalıştırabileceği açık model yapay zekâ sistemlerinin önemi anlatılıyor.

Peki açık ağırlık nedir? Açık ağırlık ile açık kaynak yapay zekâ aynı şey midir?

Açık Ağırlıklar

Makine öğrenimi uygulamaları, sadece yazılımdan ibaret değildir. Yazılımın yanı sıra eğitim sonucunda elde edilen verileri de içerir. Bu tür verilere genel olarak model parametreleri denilebilir. Sinir ağı tabanlı uygulamalarda bunlar model ağırlıkları olarak bilinir. Model ağırlıkları, bir makine öğrenimi sisteminin yazılımının hem çıktıları hem de girdileridir. Bu ağırlıklar, sistemin tepkilerini etkiler veya kontrol eder.

Model ağırlıkları, makine öğrenimi eğitim yazılımının eğitim verileri üzerinde çalıştırılmasıyla oluşturulur. Ancak bu ağırlıklar, bir insan geliştirici tarafından yazılan kodların doğrudan bir derlemesi ya da çevirisi değildir. Model parametreleri insanlar tarafından doğrudan anlaşılamaz. Bu nedenle bir makine öğrenimi uygulamasını model parametrelerini doğrudan analiz ederek veya düzenleyerek incelemek veya uyarlamak pratik değildir. Ayrıca, model parametrelerinin hesaplanması genellikle eğitim verilerinde toplanan çok sayıda örneğin işlenmesini gerektirir. Bu şekilde oluşturulan kontrol verileri üzerindeki herhangi bir örneğin etkisi örtük ve dolaylı olabilir. Pratikte bir makine öğrenimi uygulamasını incelemek ve özelleştirmek; modeli farklı istem (prompt) kümeleriyle test etmeyi, eğitim verilerini analiz etmeyi ya da modeli sıfırdan veya artımlı olarak yeniden eğitmeyi gerektirir[4].

GPT (OpenAI) veya Claude (Anthropic) gibi yapay zekâ modellerine genellikle bir API (Application Programming Interface – Uygulama Programlama Arayüzü) üzerinden erişilir. Llama (Meta), Mistral, Qwen (Alibaba), DeepSeek ve Gemma (Google) gibi açık ağırlıklı modellerde ise eğitim sürecinde elde edilen ağırlıklar, kullanıcıların indirip kendi altyapılarında çalıştırabileceği şekilde yayımlanır. Böylece yeterli donanıma sahip kullanıcılar; geliştiriciye belirteç (token) başına API ücreti ödemeden modeli kendi sistemlerinde çalıştırabilir, ince ayar (fine-tuning) uygulayabilir ve kendi yazılımlarına entegre edebilir.

Bir makine öğrenimi modelinin ağırlıklarına erişimi olan kullanıcılar,

• Belirli bir görev veya alan için kendi verilerini kullanarak modele ince ayar yapabilir.
• Modelin ağırlıklarını inceleyebilir, değiştirebilir veya budayabilir.
• Modeli daha küçük veya daha ucuz donanımlarda çalıştırmak için modelin boyutunu azaltabilir.
• Modeli tamamen kendi altyapılarında çalıştırabilir. Verileri model sağlayıcısının sunucularına gönderme zorunluluğunun ortadan kalkması, özellikle sağlık, hukuk ve finans gibi hassas ve sıkı regülasyona tabi alanlarda önemli bir avantaj sağlar.
• Belirteç başına API ücreti ödeme zorunluluğu ortadan kalkar
• Şirketin fiyatlandırmasını değiştirmesi, modeli kullanımdan kaldırması, sessiz bir güncellemeyle davranışını değiştirmesi veya erişimi kapatması gibi dış bağımlılıklardan kaynaklanan riskleri azaltabilir.

Fakat kullanıcının açık ağırlıkları kullanarak kendi modelini çalıştırmasının bazı dezavantajları da vardır:

• Modelin verimli bir şekilde çalışması için yeterli işlem gücüne, özellikle GPU’lara ve teknik uzmanlığa ihtiyaç vardır.
• Açık ağırlıklı sunulan sistemler, genel yetenekler açısından bazen en gelişmiş kapalı modellerin gerisinde kalabilmektedir.
• Güvenlik, izleme ve güncelleme sorumluluğu kullanıcıya bırakılır.
• Lisans koşulları her açık ağırlıklı modelde aynı olmayabilir. Örneğin bazı modeller, belirli bir ölçeğin üzerindeki ticari kullanımlara kısıtlamalar getirebilir.

Tüm bu dezavantajlarına rağmen, birçok durumda açık ağırlıkların özel mülkiyetli yapay zekâ modellerine API üzerinden erişmekten daha avantajlı bir seçenek olduğunu söyleyebiliriz. Ancak açık ağırlıkların bu açıdan daha avantajlı olması, onların açık kaynak yapay zekâ olarak adlandırılabileceği anlamına gelmez.

Açık Kaynak Yapay Zekâ

Açık ağırlıklı yapay zekâ modelleri, kullanıcıların teknoloji üzerindeki kontrolünü artırır. Fakat açık ağırlıkların paylaşılması, bir yapay zekâ sistemini açık kaynak yapay zekâ olarak tanımlamak için yeterli değildir. OSI (Open Source Initiative – Açık Kaynak İnisiyatifi) tarafından da vurgulandığı üzere, açık kaynak yapay zekâ aşağıdaki özgürlükleri sağlamalıdır[5]:

• Sistemi herhangi bir amaçla ve izin istemek zorunda kalmadan kullanmak.
• Sistemin nasıl çalıştığını incelemek ve bileşenlerini denetlemek.
• Çıktılarını özelleştirmek de dâhil olmak üzere, sistemi ihtiyaçlar doğrultusunda değiştirmek.
• Sistemi, üzerinde değişiklik yapılmış ya da yapılmamış haliyle, başkalarının kullanımına sunmak veya paylaşmak.

Bu özgürlüklerin kullanılabilmesi için temel ön koşul, sistemde değişiklik yapmaya uygun formatlara ve bu değişiklikleri gerçekleştirecek pratik araçlara erişimdir. Özgür ve açık kaynak yazılımdaki kullanım, inceleme, değiştirme ve paylaşma olanaklarını yapay zekâda da sağlayabilmek için kullanıcıların model ağırlıkların yanında aşağıdaki bilgilere ve bileşenlere erişebilmesi gerekir:

Veri Bilgisi: Yetkin bir kişinin büyük ölçüde eşdeğer bir sistem oluşturabilmesini sağlayacak düzeyde, sistemin eğitilmesinde kullanılan verilere ilişkin yeterince ayrıntılı bilgi. Veri Bilgisi, OSI onaylı koşullar altında kullanıma sunulmalıdır.

Bu bilgiler özellikle şunları içermelidir:

• Paylaşılamayan veriler de dâhil olmak üzere, eğitimde kullanılan tüm verilerin eksiksiz bir açıklaması. Bu kapsamda verilerin kaynağı, kapsamı, nitelikleri, nasıl elde edildiği ve seçildiği, etiketleme prosedürleri ile veri işleme ve filtreleme yöntemleri ayrıntılarıyla belirtilmelidir.
• Herkese açık tüm eğitim verilerinin ve bunlara erişim sağlanabilecek kaynakların dökümü.
• Ücretli olanlar da dâhil olmak üzere, üçüncü taraflardan temin edilen eğitim verilerinin ve bunların sağlandığı platformların bir listesi.

Kod: Sistemin eğitilmesi ve çalıştırılması için kullanılan kaynak kodun tamamı. Kod, verilerin nasıl işlenip filtrelendiğine ve eğitimin nasıl gerçekleştirildiğine ilişkin tüm teknik ayrıntıları yansıtmalıdır. Kod, OSI onaylı lisanslar altında kullanıma sunulmalıdır.

Örneğin; veri işleme ve filtreleme kodları, kullanılan argümanlar ve ayarlar dâhil olmak üzere eğitim kodları, doğrulama ve test süreçleri, belirteçleştiriciler (tokenizer’lar) ile hiperparametre arama kodları gibi destekleyici kütüphaneler, çıkarım (inference) kodu ve model mimarisi bu kapsama dâhil edilmelidir.

Parametreler: Ağırlıklar veya diğer yapılandırma ayarları gibi model parametreleri. Parametreler, OSI onaylı koşullar altında sunulmalıdır.

Bu kapsamda eğitimin kritik ara aşamalarından alınan kontrol noktaları (checkpoints) ve son optimizasyon durumu da yer alabilir.

Açık Ağırlıkların Dezavantajları

Açık ağırlıkların, tam anlamıyla açık kaynak yapay zekâ sistemleriyle karşılaştırıldığında dört temel dezavantajı bulunmaktadır[6]:

1. Tekrarlanabilirlik

Tekrarlanabilirlik, bilimsel ve teknolojik ilerlemede kritik bir öneme sahiptir. Eğitim koduna veya ara kontrol noktalarına erişim olmadığında, araştırmacılar ve denetçiler modelin geliştirme sürecini sıfırdan tekrarlayamaz veya doğrulayamaz. Bu eksiklik, modellerdeki önyargıların (bias) tam olarak nerede ve ne zaman ortaya çıktığını tespit etmeyi zorlaştırdığı gibi hataların veya güvenlik açıklarının temel nedenlerini araştırma ve giderme olanaklarını da ciddi şekilde sınırlar.

2. Veri Şeffaflığı

Yapay zekâ sistemlerinin eğitimi için kullanılan verilerin temsil yeteneği zayıfsa veya veriler etik olmayan yöntemlerle elde edilmişse, bu kusurlar modelin çıktılarına da yansıyabilir. Yalnızca ağırlıkları paylaşılan modellerde veri setinin nasıl derlendiğinin, seçildiğinin veya temizlendiğinin şeffaflıkla açıklanmaması araştırmacıların kullanılan verinin kalitesini, çeşitliliğini ve güvenilirliğini tam olarak değerlendirmesini engeller.

Bir modelin adilliği büyük ölçüde veri kalitesine ve eğitim süreçlerinin nasıl tasarlandığına bağlıdır. Açık kaynak yapay zekâda araştırmacılar ve denetçiler, kullanılan verileri ve eğitim süreçlerini analiz ederek potansiyel yanlılıkları ve önyargıları daha erken aşamada tespit edebilir, bunların giderilmesine katkıda bulunabilir. Yalnızca model ağırlıklarının paylaşılması ise bu nitelikte bir denetim için gerekli verileri yeterli düzeyde sunamaz.

Veri ihlalleri ve algoritmik tartışmaların yaşandığı bir dönemde, yapay zekâ sistemlerine duyulan güven de şeffaflıktan etkilenmektedir. Önyargı, mahremiyet ve hesap verebilirlik konularındaki duyarlılığın artması, yalnızca ağırlıkları erişime açılan modellerin kamuoyu tarafından nasıl değerlendirileceği sorusunu daha önemli hâle getiriyor. Modelin nasıl geliştirildiğine ilişkin daha kapsamlı bilgilerin sunulması, güvenin oluşmasına ve sistemlerin kabul görmesine katkıda bulunabilir.

3. Düzenleyici Engeller

Dünya genelindeki hükümetler ve düzenleyici kurumlar, özellikle finans, sağlık ve kamu yönetimi gibi hassas alanlarda konumlandırılan yapay zekâ sistemleri için çok daha katı şeffaflık standartları öngören politikalar geliştiriyor. Yalnızca nihai ağırlıkların açıklanması, bu tür düzenlemelerin gerektirdiği şeffaflık düzeyini karşılamayabilir. Eğitim kodunun ya da veri setlerine dair ayrıntıların eksikliği sistemin adillik, gizlilik ve açıklanabilirlik gibi yasal gereklilikler açısından denetlenmesini ve onaylanmasını oldukça zorlaştırmaktadır.

4. Sınırlı Topluluk İş Birliği

Açık kaynak yapay zekânın temel güçlü yönlerinden biri, ortaya çıkardığı iş birliği potansiyelidir. Eğitim kodları, veri kümesi oluşturma süreçleri ve ara kontrol noktaları dâhil tüm iş akışı şeffafça paylaşıldığında, küresel araştırmacı topluluğu modelin iyileştirilmesi, hataların ayıklanması ve etik kaygıların giderilmesi için kolektif bir şekilde çalışabilir. Buna karşılık, yalnızca açık ağırlıkların sunulduğu modellerde bu olanaklar önemli ölçüde kısıtlanır ve topluluğun katkısı daha çok mevcut model üzerinde yapılan ince ayarlarla sınırlı kalır.

FSF: Yazılım ya özgürdür ya da değildir

FSF’nin (Free Software Foundation – Özgür Yazılım Vakfı) 2024’te başlattığı özgür makine öğrenimi uygulamalarına ilişkin kriterler, Eylül 2026 itibarıyla henüz nihai biçimiyle yayımlanmış görünmüyor. Ancak 2024’ten bu yana FSF temsilcilerinin katıldığı panellerde yaptıkları açıklamalar[7] ve GNU e-posta listesindeki değerlendirmeler, FSF’nin makine öğrenimi uygulamalarında özgürlüğü yalnızca uygulama yazılımıyla sınırlı görmediğine işaret ediyor. FSF’nin yaklaşımı; eğitim verileri, model ve yazılım kaynak kodunun birlikte kullanıcıya sunulmasını gerektiren daha kapsamlı bir özgürlük anlayışına dayanıyor. Ayrıca FSF, genel bir “yapay zekâ” kavramı yerine tartışmayı makine öğrenimine odaklıyor. Büyük dil modellerini de bu çerçevede değerlendiriyor[4].

Bu bağlamda, özgür bir makine öğrenimi uygulamasında yer alan tüm yazılımların her kullanıcıya özgür yazılımı tanımlayan dört temel özgürlüğü sunması gerekiyor:

• Herhangi bir amaç için programı istediğiniz gibi çalıştırma özgürlüğü (özgürlük 0).
• Programın nasıl çalıştığını inceleme ve kendi ihtiyaçlarınıza göre değiştirme özgürlüğü (özgürlük 1). Kaynak koduna erişim bunun için bir ön koşuldur.
• Başkalarına yardım edebilmeniz için kopyaları yeniden dağıtma özgürlüğü (özgürlük 2).
• Değiştirilmiş sürümlerin kopyalarını başkalarına dağıtma özgürlüğü (özgürlük 3). Böylece yaptığınız değişikliklerden tüm topluluğun yararlanmasını sağlayabilirsiniz. Kaynak koduna erişim bunun için bir ön koşuldur.

Dört temel özgürlüğün kullanıcılara tanınması, makine öğrenimi uygulamasının eğitim sürecini temsil eden model parametrelerinin de sunulmasını gerektiriyor. Kullanıcılar, bu parametreleri ve bunların değiştirilmiş versiyonlarını kullanma ve yeniden dağıtma özgürlüğüne sahip olmalılar[8]. Ancak özgürlük ister eğitim verisini işleyen arka plan kodları olsun ister model parametrelerini anlamlı yanıtlara dönüştüren çıkarım (inference) yazılımları olsun, sistemin tüm bileşenleri için geçerli. Dolayısıyla makine öğrenimi uygulamalarında verinin taşıdığı önem düşünüldüğünde, yazılımın özgür olması tek başına yeterli olamıyor. Bu nedenle FSF, tüm eğitim verileri ile bu verileri işleyen kodlar dört temel özgürlüğe uygun biçimde sunulmadıkça, bir makine öğrenimi uygulamasının özgür olarak nitelendirilemeyeceğini vurguluyor[9].

FSF, teknik terimleri kullanırken gösterdiği hassasiyeti özgür yazılımın kapsamını çizerken de gösteriyor. FSF için birinci derece önemli olan konu, kullanıcıların kendi bilgisayar kullanımlarını kontrol etme özgürlükleri.

Bu bağlamda FSF, özgürlük ile adalet arasında net bir ayrım yapıyor. Örneğin, bazı özgür olmayan makine öğrenimi uygulamalarında kişisel tıbbi veriler gibi eğitim verilerinin yayımlanmaması için geçerli ahlaki nedenler bulunabilir. FSF bu tür durumlar için özgür yazılım tanımına bir istisna getirmiyor: Yazılım ya özgürdür ya da değildir; ortası yok! Bununla birlikte, özgür olmayan bir yazılım tedavi veya hastalık teşhisi gibi toplum için hayati önem taşıyan özel bir işin yapılmasına yardımcı oluyorsa, bu yazılımın kullanımının etik açıdan mazur görülebileceğini belirtiyor.

Ancak özgür olmayan böyle bir makine öğrenimi uygulamasının kullanımını etik açıdan kabul edilebilir değerlendirebilmek için bazı temel koşulların sağlanması beklenir. Öncelikle sistemi oluşturan bileşen yazılımların özgür olması şarttır. Ayrıca makine öğrenimi uygulamasının bir bütün olarak; kullanıcıların artımlı eğitim (incremental training) yapmasını, modeli sıfırdan yeniden eğitmesini veya her ikisini de makul ve esnek bir biçimde gerçekleştirmesini destekleyecek şekilde dağıtılması gerekmektedir.

FSF’nin özgür yazılımının kapsamı hakkındaki ilkeli duruşunun bir başka örneğini RAIL (Responsible AI Licenses – Sorumlu Yapay Zekâ Lisansları) konusunda görüyoruz. RAIL’de olduğu gibi bazı çevreler lisansları genel olarak sosyal adaletsizlikleri ele almak için bir araç olarak ele alıyorlar. Ancak etik lisanslar olarak sunulan bu tip lisanslar, belirli amaçlar için kullanıcıların yazılımı kullanma özgürlüğü kısıtlama yoluna gidebiliyor. FSF, çoğu zaman yasaklanan faaliyetlerin telif haklarını korumak amacıyla geliştirilen lisanslarla korunmaya çalışılmasını hem anlamsız buluyor hem de kullanım kısıtlayıcı lisansların hukuku bireylere, kuruluşlara veya işletmelere devretmesinin demokrasinin tam tersi olduğunu savunuyor. RAIL örneğinde olduğu gibi ahlaki açıdan yüklü terimlerle (“zarar verme,” “ayrımcılık,” “aldatma amaçları”) kullanıcılara lisans kısıtlamaları getirmek, lisans verenlerin yalnızca demokratik olarak seçilmiş yasama organları aracılığıyla adil bir şekilde kullanılabilecek yasal yetkiyi kendilerine mal etmeleri anlamına geliyor. Dolayısıyla RAIL gibi etik sınırlamalar getirme iddiasında olan lisanslar, etik zorlukları ele almak iddiasıyla sunulmalarına rağmen kullanıcıların makine öğrenimiyle yapılan hesaplamaları kontrol etmeleri için gerçekten gerekli olan özgürlükleri de sağlama konusunda yetersiz kalıyorlar [10].

Sonuç

Açık ağırlıklar, ne OSI’nin şeffaflık kriterlerini ne de FSF’nin özgürlük felsefesini tam anlamıyla karşılayan bir model olsa da, küresel ölçekte kabul görmeye devam ediyor. Hem ABD hem de Çin merkezli stratejiler bu modeli desteklemeyi sürdürüyor.

Bu durum özellikle Çinli teknoloji aktörleri için yeni olanaklar sunuyor. 16 Temmuz’da Çinli Moonshot AI, bir milyon belirteçlik bağlam penceresine ve 2,8 trilyon parametreye sahip Kimi K3 modelini duyurdu. Moonshot, K3’ün en güçlü özel mülkiyetli modellerin hâlâ bir adım gerisinde kaldığını kabul etmekle birlikte, kendi değerlendirme testlerinde modelin en ileri düzeyde (frontier-level) performans sergilediğini bildirdi. Model ilk olarak Kimi’nin API’si üzerinden kullanıma sunuldu. 27 Temmuz’da ise model ağırlıkları Moonshot’ın resmi GitHub deposu üzerinden erişime açıldı[11].

Çinli şirketlerin gelişmiş donanımlara erişimini kısıtlayan ABD ihracat kontrolleri, büyük yapay zekâ modellerinin tek bir merkezde veya yerel altyapılarda eğitilip çalıştırılmasını zorlaştırıyor. Bu koşullar altında model ağırlıklarının yayımlanması, dünya genelindeki bulut sağlayıcılarının, barındırma platformlarının ve işletmelerin modeli kendi donanımları üzerinde çalıştırmasına olanak tanıyor. Moonshot bu sayede, modelin tüm isteklerini kendi veri merkezlerinden karşılamak zorunda kalmadan, çıkarım (inference) yükünü küresel kullanıcı tabanına dağıtıyor. Böylelikle şirket, kendi sunucu ve hesaplama kapasitesini devasa yatırımlarla büyütmek zorunda kalmadan modelin küresel ölçekteki kullanım kapasitesini ve pazar payını artırabiliyor. Daha fazla geliştirici ve kurum bu modeli kendi altyapısında çalıştırdıkça model standartlaşma yolunda ilerleyebilecek. Bu da Moonshot’a geniş bir kullanıcı ekosistemi, marka görünürlüğü ve gelecekte ticarileşebilecek yeni pazar olanakları yaratabilir. Ancak lisans sözleşmesinin ikinci maddesi açık ağırlıkların bazı kısıtlamalarla beraber sunulabileceğini gösteriyor[12]:

Lisans Alan veya bağlı kuruluşlarından herhangi biri “Model as a Service” (Hizmet Olarak Model) işi yürütüyorsa ve Lisans Alan ile bağlı kuruluşlarının toplam geliri, birbirini takip eden herhangi bir 12 aylık dönemde toplamda 20 milyon ABD dolarını (veya diğer para birimlerindeki karşılığını) aşıyorsa, Lisans Alan, Yazılımı veya ondan türetilen çalışmaları herhangi bir ticari amaçla kullanmadan önce Moonshot AI ile ayrı bir sözleşme yapmalıdır.

ABD’li şirketlerin yayımladığı bildiride[3] ise güçlü bir yapay zekâ ekosistemi yaratmanın önemine dikkat çekiliyor. Bildiri, açık kaynak yazılımın dünyanın dört bir yanındaki geliştiricilerin kodu inceleyebileceği, değiştirebileceği ve geliştirebileceği şeffaf bir ekosistem kurduğu vurgusuyla başlıyor. Devamında, ABD’nin her sektöre yayılan güçlü ve açık bir ekosistem inşa etmesinin sağlayacağı stratejik avantajlar sıralanıyor. Ancak böyle bir yapının kendiliğinden oluşamayacağı, politika yapıcıların (karar vericilerin) derhal harekete geçmesi gerektiği önemle belirtiliyor.

Son zamanlarda açık ağırlıklar etrafında dönen tartışmaları ve açık ağırlıklara dayalı stratejilerin sonuçlarını değerlendirirken üç konuyu göz önünde bulundurmanın önemli olduğunu düşünüyorum.

Birincisi, açık ağırlıklar (en azından ilk etapta) çok sayıda kamu kurumu ve şirket tarafından yapay zekâ kullanım maliyetlerini düşürmenin bir aracı olarak görülecek ve bu yönde çeşitli girişimler olacaktır. Çünkü API üzerinden alınan yapay zekâ hizmetlerinin kullanım maliyetleri ciddi bir gider kalemi hâline gelmiştir. Açık ağırlıklar sayesinde şirketler, modeli kendi altyapılarında çalıştırarak bu maliyetleri azaltabilir. Ancak bu, sadece gerekli donanım ve kalifiye işgücüne erişim olanağı bulunanlar için geçerli bir seçenek olacaktır.

Ancak açık ağırlıklar, kullanıcılara tam anlamıyla bir özgürlük sağlamasa da yeni sorumluluklar getirmektedir. API üzerinden erişim sağlayan bir model sağlayıcısı, dilediği zaman güvenlik önlemlerini güncelleyebilir, güvenlik açıklarını yamalayabilir veya barındırdığı modele erişimi sonlandırabilir. Ağırlıklar dolaşıma girdikten sonra ise sağlayıcının bu kopyalar üzerindeki kontrolü büyük ölçüde ortadan kalkar; kopyaların sağlayıcının kontrolü dışında çoğaltılması ve kullanılmaya devam etmesi mümkün hâle gelir. Kullanıcılar da modelin güvenlik önlemlerini ince ayar yoluyla değiştirebilir veya tamamen kaldırabilir. Dolayısıyla bir modeli indiren kullanıcı, model sağlayıcısından bağımsızlık kazanırken; sağlayıcı da modelin bundan sonra nasıl kullanılacağını kontrol etme yeteneğinin önemli bir bölümünü kaybeder. Bu durum aynı zamanda regülasyonlar karşısında sağlayıcının sorumluluğunun azalacağı, açık ağırlıklarla modeli çalıştıran tarafa ise daha fazla sorumluluk yükleneceği anlamına geliyor.

İkincisi, tekelleşmenin odağının API üzerinden hizmet veren teknoloji şirketlerinden ekosistem sağlayıcı şirketlere kayacak olması. Cecilia Rikap’ın belirttiği gibi ekosistemler oluşturmak, teknoloji endüstrisinin yıllardır başarıyla uyguladığı bir modeldir[13]. İstikrarlı bir çekirdek (platform) ve hareketli bir çevre (uygulamalar) ile karakterize edilen bu modelde kazanan daima platformun gerçek sahipleri olmaktadır. Oluşturdukları ekosistemler sayesinde Büyük Teknoloji şirketleri, diğer kuruluşlar tarafından üretilen bilgiye doğrudan mülkiyetine sahip olmadan erişebilmekte, onu yönlendirebilmekte ve üzerinden yüksek kârlar elde edebilmektedir.

Google’ın Android ve Apple’ın iOS platformları bunun başlıca örnekleridir. Geliştiriciler, geniş tüketici kitlelerine ulaşabilmek adına bu platformlara entegre olmak zorunda kalan uygulamalar inşa ederler. Söz konusu platformlarda yer alan uygulama geliştiricileri; ürettikleri gelirin önemli bir kısmını paylaşmak ve platform sahipleri tarafından dayatılan kurallara sıkı sıkıya uymak durumunda kalırlar.

Günümüzün dev teknoloji şirketleri arasında Amazon, Microsoft ve Google; yapay zekâ ve bulut ekosistemleri inşa etme konusunda açık ara öndedir. Bu şirketler yalnızca en büyük ekosistemleri yönetmekle kalmamakta aynı zamanda kendi denetimleri altında kalan ve aralarında aralıksız veri/bilgi akışının gerçekleştiği, birbiriyle entegre pek çok alt ekosistemi bünyelerinde barındırmaktadır. Giderek daha fazla sayıda geliştiricinin bu şirketlerin sunduğu araç setlerine alışması ve bulut altyapılarına bağımlı hâle gelmesiyle birlikte ağ etkileri zirveye ulaşmakta; oluşturulan ekosistemler şirketlerin pazar hâkimiyetini sarsılmaz kılan birer bariyere dönüşmektedir. ABD’li şirketlerin yayımladığı ortak bildiride vurgulanan “ekosistem yaratma” hedefi de tam olarak bu stratejik hâkimiyet arayışını dışa vurmaktadır.

Üçüncüsü, özgür/açık kaynak yazılımın başarısını ne tek başına bireysel yazılım geliştiricilerinin diğerkamlığıyla ne de şirketlerin hayırseverliğiyle açıklayabiliriz. Diğerkam geliştiricilerin emeğini kamusallaştıran ve şirketlerin özgür/açık kaynak projelere yaklaşımını belirleyen asıl unsur, başta GNU GPL (GNU General Public Licenses) olmak üzere telif hukukuna dayanan güçlü lisanslama mekanizmalarıdır. Şirketler ise doğaları gereği para kazanmak için kurulmuşlardır; hayır işleri yapmak için değil.

Örneğin GNU GPL, şirketlerin özgür yazılımlardan yararlanmasını engellemez; ancak şirketlerin bu yazılımları özel mülkiyetlerine geçirmesini imkânsız kılar. GNU GPL, copyleft mekanizması sayesinde telif hakkını (copyright) yok saymamış, aksine telif hukukunun gücünü özgürlüğü garanti altına almak için kullanmıştır. Nitekim bir yazılım yazıldığı andan itibaren telif hakkı yasalarıyla koruma altına girer; hak sahibi bir ihlal durumunda doğrudan yargıya başvurabilir. Dolayısıyla patentte olduğu gibi resmi bir kurumun tesciline gerek yoktur. Yazılımını GPL ile lisanslayan bir geliştirici, telif yasalarının koruması altındadır; fakat klasik copyright anlayışının aksine bu korumayı copyleft prensibiyle işletir. Yazılım geliştirici kısaca şunu söyler: “Yazılımımı dilediğiniz gibi kullanın, değiştirin, paylaşın. Ancak paylaşırken benim size tanıdığım bu özgürlükleri aynen koruyun ve sonraki kullanıcıların haklarını kısıtlamayın. Aksi takdirde, bu şartlara uymadığınız an varsayılan telif hakkı yasaları devreye girer ve kullanım hakkınızı kaybedersiniz.”

Bunun sonucunda özgürlük, şirketlerin lütfettiği bir ayrıcalık olmaktan çıkar. Yazılım üzerinde yapılan değişiklikler kullanıcılara dağıtıldığında yeniden GPL ile sunulmak zorunda olduğundan, özgürlüğün sürekliliği bir tercih ya da hayırseverlik değil, hukuki bir zorunluluk hâline gelir. Açık kaynak yazılım anlatılarında sıklıkla Linux çekirdeğinin geliştirilmesindeki iş birliğinden ve Linus Torvalds’ın başarılı yönetiminden, açık kaynak yazılımlardaki kodun binlerce göz tarafından denetlenip şeffaflaşmasından ve hataların hızlıca giderilmesinden övgüyle bahsedilir. Oysa hakiki özgürlük, süreklilik ve güvence ister. Bir yazılımın açık kalması veya aniden kapatılması tek bir şirketin inisiyatifine bağlıysa, orada gerçek anlamda bir özgürlükten söz edilemez.

Bugün teknoloji devlerini ne tam anlamıyla açık kaynak yapay zekâ sunmaya ne de açık ağırlıkları yayımlamaya zorlayan hukuki bir dayanak vardır. Ne de onları kullanıcı haklarına ve özgürlüklerine saygı duymaya mecbur kılan bir yaptırım…

Notlar

1. https://www.nytimes.com/2026/07/28/technology/mark-zuckerberg-meta-ai.html

1. https://www.nytimes.com/2026/08/10/technology/meta-ai-open-source.html
2. https://images.nvidia.com/pdf/Open-Weights-and-American-AI-Leadership.pdf
3. https://www.fsf.org/news/fsf-is-working-on-freedom-in-machine-learning-applications
4. https://opensource.org/ai/open-source-ai-definition
5. https://opensource.org/ai/open-weights
6. https://archive.fosdem.org/2025/schedule/event/fosdem-2025-4818-fsf-s-criteria-for-free-machine-learning-applications/
7. Yazı boyunca sürekli kullanıcılardan bahsediyorum. Fakat burada kastedilen kullanıcılar; masaüstü ya da akıllı telefon kullanıcılarından ziyade, söz konusu sistemleri yeniden üretebilecek teknik yeteneklere ve maddi olanaklara sahip kamu kurumları ile şirketlerdir.
8. FSF’nin büyük dil modelleri özelinde bir tartışma yürütmediğini, doğrudan makine öğrenimine odaklandığını hatırlatmak isterim.
9. https://www.fsf.org/blogs/licensing/rail-are-nonfree-and-unethical
10. https://www.lawfaremedia.org/article/open-weight-diplomacy–how-china-s-ai-models-are-rerunning-the-digital-silk-road
11. https://huggingface.co/moonshotai/Kimi-K3/blob/main/LICENSE
12. Rikap, C. (2026). The Rulers: Corporate Power in the Age of AI and the Cloud. Verso Books.