Küçük yapay zeka modelleri öğrencilere dijital okuryazarlık konusunda neler öğretiyor

Haverford College'da üretken yapay zekayı sorumlu bir şekilde nasıl konuşlandıracağımı araştırırken, kendi yapay zeka iş akışımın bazı bölümlerini ticari bulut platformlarından yerel donanıma (telefonum, iş dizüstü bilgisayarım ve ikinci el grafik kartına sahip eski bir masaüstü bilgisayar) taşıdım. Bir deney olarak başlayan şey, yapay zeka hakkında düşünce biçimimi yeniden şekillendirdi.

Küçük yerel yapay zeka modelleri, birçok günlük görevde buluttaki benzerleriyle eşleşiyor ve sınırlamaları, en ileri düzey modellerin sınırlamalarının olmadığı şekillerde açıkça görülüyor. Bunun çalışma tarzıma uygun olduğunu görüyorum. Ve eleştirel dijital okuryazarlığı öğretmek için bir araç olarak potansiyellerinden giderek daha fazla ilham alıyorum.

Büyük iki yapay zeka laboratuvarından gelen basın bültenlerini dinlerseniz, sözde sınır modellerinin yapay zeka inovasyonunun yegane odağı olduğunu düşünebilirsiniz. Örneğin, bu eylül ayındaki lansmanında OpenAI başkanı Greg Brockman, GPT-6 Astra hakkında şunları söyledi: Artık AGI çağında olduğumuzu hissetmek mantıksız değil. Anthropic, Fable ve Mythos'u benzer terimlerle övüyor. Sınır modelleri etkileyici. Aslında Claude, bu makaleyi yeniden yapılandırmama yardımcı oldu.

Ancak bunlar yapay zekanın hızla ilerleyen tek segmenti değil. Bağımsız kıyaslama sitesi Artificial Analysis'in Eylül 2026 sıralamalarında, bir oyun bilgisayarında çalışan 27 milyar parametreli Çinli açık model, gelişmiş bulut modellerinin toplam zeka puanına yaklaşıyor. Bir dizüstü bilgisayara sığabilen daha küçük varyantlar; taslak hazırlama, özetleme, kod inceleme ve benzeri görevleri 2025 yılında bulut gerektirecek bir kalitede halledebilir.

Küçük modeller dev katilleri değildir. Ancak neredeyse hiçbir görev baştan sona devasa bir hesaplama gerektirmez. Yüksek eğitimde bile sıradan işlerin çoğu modülerdir. Edebiyat aramaları, metin düzenleme, el yazması eleştirileri ve mantık kontrolleri, en zorlu görevler için sınır yapay zekasını saklı tutarak kompakt LLM'lerle başlayabilir.

Küçük modeller, edebiyat aramalarımın çoğu için ilk durağımdır. Taslaklarımda delikler açma, basit Python komut dosyaları yazma ve iyi biçimlendirilmiş Linux komutları sunma konularında mükemmeldirler. 2026 yılından gelen araştırmalar, sorguları yalnızca gerektiğinde otomatik olarak bir sınır modeline yükselten bir LLM dağıtımının, sınır modelinin doğruluğunun %97-99'unu koruduğunu bulmuştur. Kendi deneyimlerim de bunu doğrulamaktadır. Bir uygulama üretebilecek veya bana nihai taslak benzeri bir 360 eleştiri verebilecek bir yapay zekaya ihtiyaç duyduğumda bulut modellerine yöneliyorum. Çoğu görev için yerel modellerin hızı ve rahatlığı kazanır.

Yine de daha da ilginç olanı, küçük modellerin pürüzlü sınırıdır. Bulut sohbet botlarının şık arayüzü, altta yatan süreçlerini opak hale getirir. Kullanıcıları, üretken yapay zekayı gerçek bir sihirmiş gibi ele almaya davet ederler, oysa aslında bu sahte bir sihirdir; yüzeysel olarak harika bir sonuç üreten son derece hassas bir dizi mekanik süreçtir.

Yerel olarak çalıştırıldığında, öğütülen dişliler açıktır. Daha az parametreye sahip modeller, insanlar için kolay ancak makineler için kafa karıştırıcı derecede zor olan görevleri blöf yaparak geçemezler. Güvenilir matematik yapmak için harici araçlara ihtiyaç duyarlar ve kaynakları alırken bazen yazarların adlarını hâlâ halüsinasyon görürler. Kurumsal destek olmadan, bu sorunları çözmek benim işimdir. Bellek sınırları içinde çalışmayı, bağlam taşmalarını yönetmeyi ve bir modeli tüketici boyutuna sıkıştıran matematiksel ödünleşimler olan farklı nicemlemeler arasında karar vermeyi öğrendim.

Ve bu öğrenme fırsatıdır. Yapısal sınırları ve bu sınırlar içindeki şaşırtıcı yeteneği görmek, onu nasıl kullandığımız konusunda daha iyi kararlar vermemize yardımcı olabilir. Küçük modeller ayrıca yüksek eğitimdeki çok fazla sohbeti rahatsız eden üretken yapay zeka hakkındaki sertliği kırmamıza yardımcı olabilir. Perdenin arkasında yapay zeka, telefonlar için minik 0,5 milyar parametreli modellerden, yalnızca bulutta erişilebilen çok trilyon parametreli sınır LLM'lerine kadar bir araçlar spektrumudur. Birini çalıştırmak, onları tek bir şey olarak ele almayı zorlaştırır.

Nuans, öğretime bilgi verebilir. Bir kampüs bilgisayar laboratuvarında teknik modüllü bir girişimcilik kursu hayal edin. Öğrenciler açık ağırlıklı bir modeli indirir, farklı hassasiyetlerde kendileri niceler ve hız, bellek ve kalitede her ödünleşimin gerçekte ne kadara mal olduğunu görmek için laboratuvarın donanımında kıyaslar. Bir mühendisin yeni bir uygulamada hangisinin yer alması gerektiğine ilişkin satıcı pazarlamasına güvenmek yerine nasıl karar verebileceğini görebilirler.

Öğrencilerin yapay zekanın karbon ayak izini değerlendirmelerini gerektiren bir çevre çalışmaları sınıfı hayal edin. Öğrenciler güç çekişini bulmak için bilgisayar laboratuvarında Kill A Watt ölçer kullanır, ardından sonuçlarını bulut modelleri için yayınlanan enerji figürleriyle karşılaştırmak için bir yöntem tasarlarlar. Öğrenciler cevaplarından hayal kırıklığına uğrayabilirler. Ve bu ders budur.

Yerel modeller, sınır yapay zeka hizmetleri için kurumsal lisansların yerini alamaz, ancak bunları tamamlayabilir. Kampüs çapında bir anlaşma, kolejlerin gizlilik için araçları incelemesine ve erişimi standartlaştırmasına olanak tanır. Benzer şekilde yerel modeller, öğrencilerin verilerinin asla makineden çıkmadığını bilmenin korumasıyla çok çeşitli donanımlar üzerinde denemeler yapmasına olanak tanır.

Bir birey için başlangıç maliyetleri şaşırtıcı derecede düşüktür. Açık kaynaklı uygulamalar, kullanıcıların bir komut satırına asla dokunmak zorunda kalmadan küçük modeller çalıştırmasına izin verir. Sınıf etkinliği ölçeğinde, BT ile koordinasyon bir zorunluluktur. Ama bu da bir fırsat. Haverford'daki kendi ekibim için kampüs bilgi işlem kaynaklarının nasıl kullanıldığına dair görünürlük, bütçe yapmamıza yardımcı oluyor. Ve açıkça kapsamı belirlenmiş öğrenci odaklı projeler, kalıcı işbirlikçi ilişkiler kuruyor.

Kendi son birkaç aylık deneyimlerim beni, eleştirel dijital okuryazarlığın yapay zekayı tek bir şeyden fazlası olarak görmeyi gerektirdiğine ikna etti. Küçük yerel yapay zeka modelleri bu çokluğu vurgulayarak, yapay zekayı sihirli bir kutu olarak ele almaya davet eden cilayı soyuyor ve altındaki teknolojiyi bize gösteriyor. Hilenin nasıl yapıldığını ortaya çıkararak öğrencilerin yapay zekayı ne zaman kullanıp kullanmayacakları ve teknolojinin hangi permütasyonunun ihtiyaçlarına en uygun olduğu konusunda daha iyi kararlar vermelerine yardımcı olabilirler.

Adam D. Zolkover, Haverford College'da Eğitsel Tasarım ve Teknoloji Hizmetleri Direktörüdür; burada diğer görevlerinin yanı sıra, kurumun değerleriyle uyumlu bir şekilde yapay zeka teknolojilerini desteklemek ve küratörlüğünü yapmak için fakülte ve kıdemli personel ile yakından çalışmaktadır. Aynı zamanda, folklor ve dijital kültür alanlarında dersler verdiği Pennsylvania Üniversitesi'nde yardımcı eğitmendir.

Mevcut yüksek eğitim peyzajında, azalan kayıtlar hâlâ mevcut bir zorluktur. Genel kayıt sayıları bir toparlanma belirtisi gösterirken, Ulusal Öğrenci Takas Odası Araştırma Merkezi verileri, lisans kayıtlarının salgın öncesi seviyelere henüz tam olarak geri dönmediğini gösteriyor.