Yapay Zekâ Bir Milyon Dolarlık Matematik Problemini Çözdü mü?
OpenAI'ın on bin ajanı 88 saatte Navier–Stokes denklemlerinde tekillik bulduğunu açıkladı; ispat Lean'de doğrulandı. Ama Navier–Stokes vakası matematik tarihinden çok daha büyük bir soruyu önümüze getiriyor: Bir makine bir matematiksel doğrulamayı gerçekleştirebiliyorsa, matematiksel düşünceyi de gerçekleştirmiş olur mu? Turing'den Searle'e, Gödel'den Wittgenstein'a, Platon'dan Tao'ya bir dosya.
Su tünelinde boya enjeksiyonuyla görünür kılınan girdaplar · NASA / Wikimedia Commons
Dokuzuncu gün. Doksanıncı yıl. Bir milyon dolar. Ve bir makine.
8 Eylül sabahı OpenAI, yaklaşık doksan yıldır matematikçilerin peşinde olduğu Navier–Stokes problemine bir çözüm sunduğunu açıkladı: Şirketin henüz yayımlanmamış bir iç modelinin yönettiği ajanlar, üç boyutlu bir akışkanın düzgün başlangıç koşullarından ve düzgün bir dış kuvvetten hareketle sonlu zamanda tekillik — sonsuz hız — geliştirebileceğini gösteren bir ispat üretmişti. Sistem yalnızca bir metin üretmedi; ispat, Lean adlı biçimsel doğrulama sisteminde formalize edildi ve makine tarafından doğrulandı.
Rakamlar başlı başına bir haber: OpenAI'ın kendi hesabına göre Navier–Stokes grubunda on bin civarında eşzamanlı ajan çalıştı; ajanlar ilk başlatılmalarından yaklaşık 88 saat sonra, 5 Eylül Cumartesi günü çözüme ulaştı; 2,7 milyon mesaj ve yaklaşık 130 milyar çıktı token'ı kullanıldı; Lean formalizasyonu ve doğrulaması GPT-6 Astra ile 17 saat daha sürdü. OpenAI'dan Sébastien Bubeck hesaplama maliyetini "birkaç milyon dolar" olarak tahmin ediyor; Washington Post, kamuya açık model fiyatları üzerinden 15 milyon dolara varabilecek bir eşdeğer hesap aktarıyor.
Fakat bu hikâyenin en ilginç kısmı ne bir milyon dolar, ne on bin ajan, ne de 130 milyar token. Asıl soru şu: Matematiksel olarak doğru bir şey üreten bir makine, matematik yapmış olur mu? Bu soru bizi Platon'dan Descartes'a, Frege'den Gödel'e, Turing'den Searle'e, Dennett'ten Chalmers'a uzanan bir felsefi tartışmanın ortasına bırakıyor. Önce mesele.
Su akarken neden girdap oluşur? Hava bir kanadın üzerinden geçerken ne olur? Okyanus akıntıları nasıl hareket eder? Kahvenin içine süt döktüğümüzde neden o kıvrımlar ortaya çıkar? Bu soruların matematiksel dilinin merkezinde, on dokuzuncu yüzyılda Claude-Louis Navier ve George Gabriel Stokes'un yazdığı denklemler bulunur. Denklemler, Newton'un ikinci yasasını — kuvvet eşittir kütle çarpı ivme — akışkanlara uygular ve akışkanı tek tek moleküller olarak değil, sürekli bir ortam olarak ele alır. Uçak tasarımından hava tahminine, kan dolaşımından iklim modellerine kadar her yerde kullanılırlar.
Sorun denklemlerin yazılmasında değil, çözülmesinde. 1934'te Jean Leray çözümlerin genelleştirilmiş bir anlamda var olduğunu kanıtladı; ama üç boyutta bu çözümlerin her zaman düzgün kalıp kalmadığı — yoksa akışkanın sonsuz küçük bir parçasının sonlu bir sürede sonsuz hıza ulaşıp ulaşamayacağı — açık kaldı. Clay Matematik Enstitüsü 2000'de bu soruyu, her biri bir milyon dolarlık yedi Milenyum Problemi'nden biri ilan etti.
OpenAI'ın sonucu, Clay'in resmî formülasyonundaki "C" ve "D" ifadelerini — yani düzgün koşullarda tekilliğin — kurarak problemi olumsuz yönde çözdüğünü iddia ediyor. Çözümün kendisi bir girdap: Kendi içine doğru spiral çizen, giderek uzayan, "spagetti gibi" incelen bir dönüş; merkez bölge küçülürken hızlanıyor, ama enerji sonlu kalıyor. Teknik zorluk, ivme, basınç gradyanı, momentum aktarımı ve viskozite terimlerinin hem devasa büyümesi hem de birbirini tam olarak dengelemesi — ve bunun, dışarıdan sonsuz bir kuvvet uygulanarak değil, akışkanın kendi hareketiyle olması.
BM Güvenlik Konseyi yapay zekâyı barış ve güvenlik gündemine aldı; Guterres 'dibe doğru bir yarış' uyarısı yaptı; Philosophy & Technology'de arka arkaya iki makale yapay zekânın demokrasiyle ilişkisini yeniden kurdu. Hobbes'tan Arendt'e, Kant'tan Habermas'a siyaset felsefesi bu yeni iktidar makinesine ne söylüyor?
Nature Neuroscience'da yayımlanan çalışma, felçli insanların yalnızca konuşma niyetini değil, aynı anda jestlerini de beyin sinyallerinden çözebilen tek bir implant gösterdi. Asıl devrim mühendislikte değil: Bir düşünce nerede biter, beden nerede başlar? Merleau-Ponty'den Wittgenstein'a, Clark'tan Searle'e, Fricker'dan Heidegger'e — bir laboratuvar sonucunun felsefi dosyası.
mümkün olduğunu
Burada gazetecinin koyması gereken kritik dipnot var. Bu, Clay ödülünün kazanıldığı anlamına gelmiyor. Enstitünün kurallarına göre çözümün hakemli bir yerde yayımlanması ve matematik topluluğu tarafından en az iki yıl boyunca genel kabul görmesi gerekiyor. OpenAI ise açıkça "bu sonuç için Milenyum Ödülü'ne başvurmayı düşünmüyoruz" diyor. Dolayısıyla bugün elimizde olan şey, olağanüstü güçlü bir yapay zekâ üretimli ispat ve formalizasyonu; matematik camiasının nihai tarihsel hükmü değil. Quanta'nın haberinde, Clay'in resmî problem tanımını yazan Charles Fefferman'ın sözleri dikkat çekici: Sonucun çözüldüğüne "sevindiğini" söylüyor — ama hikâyenin kahramanları olarak yapay zekâyı değil, Madrid'den Diego Córdoba ile Luis Martínez-Zoroa'yı gösteriyor. Bu kısmı bugün sitemizde ayrı bir haberde ele aldık.
Tarihin ironik bir tarafı var. Yüzyıllar boyunca matematik, insan zihninin en saf ürünü sayıldı. Fizikte deney yapabilirsiniz, kimyada maddeyi karıştırabilirsiniz; ama matematikte laboratuvar yoktur. Matematikçi düşünür; bir aksiyomdan başlar, bir çıkarım yapar, bir çıkarım daha yapar ve sonunda "Q.E.D." der — quod erat demonstrandum, gösterilmesi gereken buydu. Şimdi makine aynı şeyi yapmaya başladığında, matematiğin öznesi kim olacak?
Alan Turing'in 1936 tarihli çalışması, "hesaplanabilirlik"i mekanik prosedürler üzerinden tanımladı: Bir problem, sonlu bir kurallar dizisiyle çözülebiliyorsa hesaplanabilirdir. Turing'in asıl mirası ise bugün başka bir yerde karşımıza çıkıyor: Düşünmek ile hesaplamak arasında zorunlu bir fark var mı? Eğer bütün matematiksel çıkarımlar mekanik olarak gerçekleştirilebiliyorsa, matematikçinin yaptığı şeyin makine tarafından yapılması neden "düşünme" sayılmasın? Turing 1950'de bu soruyu "makineler düşünebilir mi?" biçiminde sormuş ve sorunun kendisini "tartışmaya değmeyecek kadar anlamsız" bulup yerine ünlü testini önermişti. Navier–Stokes vakası bu soruyu soyut bir düşünce deneyinden çıkarıyor: Makine, testi matematiğin kendi diliyle geçti.
John Searle'ün Çin Odası burada kaçınılmaz. Bir sistem Çince sembolleri öyle doğru kurallarla manipüle edebilir ki dışarıdan bakan onun Çince bildiğini sanır; ama Searle'e göre sembolleri doğru işlemek, anlamlarını anlamak değildir. Navier–Stokes'a uygulayalım. Sistem matematiksel ifadeleri okuyor, yeni ifadeler üretiyor, yardımcı önermeler kuruyor, farklı ispat stratejilerini deniyor, hatalı yolları eliyor, başarılı yaklaşımı başka ajanlara aktarıyor ve nihayet biçimsel bir ispat üretiyor. Peki sistem gerçekten "akışkanın tekilliğe gidişini anlıyor" mu? Yoksa anlamlı matematiksel sembolleri olağanüstü karmaşık biçimde manipüle mi ediyor? Searle'ün cevabı büyük ihtimalle ikincisi olurdu — ve bu hafta sitemizde işlediğimiz beyin implantı dosyasındaki aynı itirazın matematik versiyonudur: Sinyali çözmek anlamı çözmek değildir.
Bu hafta portresini yayımladığımız Daniel Dennett'in yaklaşımı çok daha rahatsız edicidir. Dennett, zihinde küçük bir "anlama merkezi" aramaya karşı çıkıyordu. Bir sistem bilgi topluyor, seçenekleri değerlendiriyor, öngörü üretiyor, hatalarını düzeltiyor ve davranışını çevresine göre değiştiriyorsa, "anlama"yı sistemin toplam işlevsel mimarisi üzerinden değerlendirebiliriz — "kavrayışsız yetkinlik" bir kusur değil, evrimin ve mühendisliğin normalidir.
Bu açıdan on bin ajanın birlikte çalışması özellikle ilginç. OpenAI'ın açıklamasına göre ajanlar gruplar hâlinde çalıştı, grup içinde iletişim kurdu, farklı çözüm yollarını araştırdı; sonra Codex kullanılarak grupların ara sonuçları arasında "çapraz tozlaşma" sağlandı ve çözümü bulan grup bu yönlendirmeyle çalıştı. Ortaya çıkan şey tek bir "yapay matematikçi" değil, bir tür yapay matematik topluluğu. Belki soru "yapay zekâ matematikçi midir?" değil, "matematiksel fail tek bir zihin olmak zorunda mıdır?" olmalı. İnsan matematiği de zaten böyle çalışmıyor mu — seminerler, ön baskılar, hakemler, yüz yıllık bir birikim?
David Chalmers, zihinsel durumların biyolojik alt tabakaya değil işlevsel örgütlenmeye bağlı olduğunu savunan gelenektendir: Bir zihinsel sürecin işlevsel yapısı başka bir fiziksel sistemde yeterince doğru gerçekleştirilebiliyorsa, süreç de gerçekleşir. Bunu matematiğe taşıdığımızda radikal bir sonuç çıkar: Belki matematiksel düşüncenin "özü" karbon bazlı bir beyinde gerçekleşmesi değil, belirli türden soyut ilişkileri keşfetmesi, sınaması ve gerekçelendirmesidir. Eğer öyleyse, yapay zekânın matematik yapmasını ilkesel olarak reddetmek zorlaşır.
Gödel'in eksiklik teoremleri, yeterince güçlü tutarlı biçimsel sistemlerde, sistemin kendi araçlarıyla kanıtlanamayan doğru önermeler bulunduğunu gösterdi. Lucas ve Penrose bunu "insan zihni makineleştirilemez" tezine dayanak yaptı: İnsan, Gödel cümlesinin doğru olduğunu görebilir; makine göremez. Fakat bu yorum ciddi itirazlarla karşılaştı — insan matematikçi de tutarsız olabilir, hata yapar, aksiyomlarını değiştirir; ve "görme"nin kendisinin bir hesaplama olmadığı kanıtlanmış değildir. "Gödel eşittir insan üstündür" denklemi felsefi açıdan fazla hızlıdır.
Navier–Stokes vakası ise tartışmayı başka bir noktaya taşıyor: Makine yalnızca verili bir sistemin içinde hesap yapmıyor; yeni bir matematiksel yapı — sonsuz katmanlı bir girdap kaskadı — öneriyor. Bu, Gödel'in sınırlarının içinde kalır; ama "makine yalnızca mekanik türetme yapar" diyen basit resmin dışına çıkar.
Asıl ayrım burada. Bir ispatın iki farklı değeri olabilir. Doğrulama değeri: Adımlar geçerli mi, bir önermeden diğerine geçiş doğru mu, biçimsel sistem bunu onaylıyor mu? Kavrayış değeri: Neden bu fikir işe yarıyor, hangi matematiksel yapı problemin özünü açıklıyor, ispat başka problemlere nasıl uygulanabilir, insan matematikçi bunun doğru olduğunu neden sezebiliyor?
Yapay zekâ ilkinde olağanüstü bir noktaya gelmiş olabilir; ikincisi hâlâ açık bir soru. Washington Post'un aktardığı matematikçilerin vurgusu tam bu: 166 sayfalık ispatın biçimsel olarak doğrulanması önemli; ama matematik için anlaşılabilirlik ve topluluk tarafından sindirilmiş kavrayış ayrıca değerlidir. Lean'in doğruladığı şey, Lean'de yazılan ifadenin Lean'in kurallarından çıktığıdır; o ifadenin, matematikçilerin kanıtlamak istediği şeyle mantıksal olarak eşdeğer olduğunu hâlâ insanlar doğrulamak zorunda — Quanta'nın hatırlattığı gibi.
Matematiğin yaşayan en önemli isimlerinden Terence Tao, yapay zekânın matematikte kullanılmasına karşı değil; kendisi bu araçları kullanıyor ve savunuyor. Ama SingularityHub'ın aktardığı uyarısı önemli: Güçlü "çözüm çıkarma" araçlarının yalnızca sonuca ulaşmak için ayrım gözetmeksizin kullanılması, matematiksel anlayışı zayıflatabilir. Çünkü matematikte problemi çözmek ile problemi anlamak aynı şey değildir. Bu ayrım bilim tarihinin tamamında vardır: Fizikçi denklemin çözümünü bulur ama doğanın neden öyle davrandığını açıklayamayabilir; biyolog korelasyonu bulur ama mekanizmayı bilmeyebilir. Matematikte de bir ispatın doğru olması, onun neden güzel, doğal ya da genellenebilir olduğunu açıklamaz.
Platon için matematik, duyular dünyasından daha yüksek bir hakikate açılan kapıydı; geometrik doğrular fiziksel çizgilerden bağımsızdı — üçgeni kâğıda kusurlu çizersiniz, matematiksel üçgen kusursuzdur. Biyolojik bedeni, duyguları, eli, kalemi olmayan ama soyut ilişkileri işleyebilen bir yapay zekâda Platon açısından belki şaşırtıcı bir şey yoktur: Matematiğin hakikati zaten bedenden bağımsızdır. Aristoteles daha ihtiyatlı olurdu; onun için bilmek, biçimsel ilişkiyi izlemek değil nedenleri kavramaktır — ve "neden?" sorusu geri döner.
Descartes açısından problem daha da ilginç. Rasyonel düşünce zihnin özelliğiydi; beden mekanik bir sistemdi. Şimdi karşımızda tamamen hesaplamalı bir sistem, insan zihninin ayırt edici işlerini — soyutlama, çıkarım, kanıtlama, hata düzeltme — yapıyor. Descartes'ın düalizmi bugün savunulması zor bir model; ama sorusu yeniden canlanıyor: Akıl biyolojik bir organa mı aittir, yoksa belirli bir işlevsel yapıya mı?
Wittgenstein: Matematik bir nesne değil, bir pratiktir#
Wittgenstein'ın geç dönem felsefesi tartışmayı başka yere götürür. Matematiği kafamızdaki soyut nesneler hakkında konuşma olarak görmek yerine, matematiksel pratiğin nasıl işlediğine bakar. "İspat" yalnızca sembollerin sıralanması değildir; bir matematik topluluğu neyin ispat sayılacağını, neyin açıklayıcı olduğunu, hangi yöntemin zarif, hangi tanımın verimli, hangi sonucun önemli olduğunu belirleyen normlara sahiptir. Bu yüzden yapay zekânın matematik yapması yalnızca teknik bir problem değildir; matematik topluluğunun normlarının geleceği de söz konusudur. Buckmaster'ın kendi ispatlarından biri için "yapay zekâ çöpü" (AI slop) deyip özür dilemesi, tam da bu normların — okunabilirlik, zarafet, anlaşılırlık — hâlâ yürürlükte olduğunu gösteriyor.
Asıl tehlike: Matematikçiler işini kaybetmez, matematiğin kültürü değişir#
Yapay zekâ matematikçilerin yerini alacak mı? Mesele muhtemelen bundan daha karmaşık. Matematikçi "bana bir ispat ver" yerine "bana yeni bir kavram öner" diyebilir; yapay zekâ milyonlarca yaklaşımı tarar, insan verimli olanı seçer, makine yeniden test eder. Matematik, insan-makine ortak araştırma pratiğine dönüşür — tıpkı teleskobun astronomiyi değiştirdiği gibi. Teleskop astronomun yerine geçmedi; ama teleskopsuz astronominin sınırlarını ortadan kaldırdı.
Fakat vakanın etik bir gölgesi var: Keşif kimin keşfidir? OpenAI'ın kendi açıklaması, çabanın 1 Eylül'de "iki Milenyum Problemi'nin çözüldüğü söylentisi" üzerine başladığını ve söylentinin Anthropic çalışanı Levent Alpöge ile NYU'dan Tristan Buckmaster'a ilişkin olduğunu kabul ediyor; şirket, Buckmaster'ın Codex istemlerinin sistemi etkilemediğini bir soruşturmayla doğruladığını söylüyor. Buckmaster ise açıklamasında bundan emin değil. Bu tartışmanın ayrıntılarını ve iki İspanyol matematikçinin — sonucun asıl kahramanları — hikâyesini ayrı bir haberde anlattık. Burada felsefi soruyu kaydedelim: Bir makine, milyonlarca insanın ürettiği matematiksel kültür üzerine kuruluysa, onun "özgünlüğünü" nasıl tanımlayacağız? Bu hafta sitemizde David Harvey'nin kavramıyla sorduğumuz soru geri geliyor: Üretim araçlarının — model, veri, GPU, elektrik, şirket — sahibi kim? Geleceğin büyük matematik problemlerini üniversiteler mi, devletler mi, açık kaynak toplulukları mı, yoksa birkaç teknoloji şirketi mi çözecek?
Bir insan matematikçi ispatı yazdığında "bunu neden yaptığımı biliyorum" diyebilir. Bir yapay zekâ için durum daha karmaşık: Model milyonlarca olasılığı tarar, bir yaklaşım bulur, başka bir ajan geliştirir, üçüncüsü sadeleştirir, Lean doğrular. Sonunda "doğru" diyebiliriz. Ama "neden?" sorusuna kimin cevap verdiği belirsiz.
Navier–Stokes problemi matematikte yeni bir çağın kapısını açmış olabilir. Ama asıl devrim problemin çözülmüş olması değil; matematiksel keşfin üretim biçiminin değişmiş olması. Bir zamanlar matematikçi tek başına bir masada oturuyordu; sonra bilgisayar geldi; şimdi masanın karşısında on bin ajan var. Belki gelecekte matematikçinin işi ispat yazmak değil, hangi sorunun sorulmaya değer olduğunu seçmek olacak. Ve insanlık ilk kez yalnızca "makine hesaplayabilir mi?" diye sormuyor. "Makine keşfedebilir mi?" diye soruyor — ve hemen arkasından: "Bir makine keşfediyorsa, keşfettiği şeyin anlamını bilmek zorunda mı?" Navier–Stokes'un cevabı henüz belli değil. Fakat matematiğin eski dünyası değişmeye başladı.
OpenAI'ın açıklaması 8 Eylül 2026'da yayımlandı; "Eşzamanlı çalışmalar" bölümü 10 Eylül'de şirketin iç soruşturmasının sonuçlarıyla güncellendi. Clay Matematik Enstitüsü'nün ödül kuralları, hakemli yayın ve iki yıllık kabul süresi gerektiriyor; OpenAI ödüle başvurmayacağını açıkladı.
Anthropic CEO'su Dario Amodei, yapay zekâ yarışında frene basılması gerektiğini söylüyor. Ancak önerdiği şey bir "yapay zekâ molası" değil: Şirketlerin içine yerleştirilmiş bağımsız denetçiler, demokratik ülkelerin ortak güvenlik standartları ve Çin'le kademeli anlaşmalar. Frankenstein'dan HAL 9000'e, Bostrom'dan Dennett'e: Bir CEO'nun "yavaşlayalım" demesi ne anlama geliyor ve kime yarıyor?
.jpg?width=500 "Kant")
.JPG?width=600)
.jpg%3Fwidth%3D1600&w=3840&q=75)
