OpenAI Kendi Navier-Stokes İspatını Anlamıyor mu?

Yine mi aynı numara: önce kocaman bir duyuru, sonra 'aslında tam öyle değilmiş' itirafı. OpenAI, Eylül ayında Navier-Stokes probleminin -yüzyıllık, çözülürse bir milyon dolarlık Clay Enstitüsü ödülü kazandıran o ünlü akışkanlar denklemi- olası bir çözümünü 166 sayfalık bir belgeyle duyurdu. İddia şuydu: İspanyol matematikçiler Diego Córdoba ve Luis Martínez-Zoroa'nın yaklaşımını takip etmişler. Güzel, etkileyici, manşetlik. Tek sorun: matematikçiler bu yaklaşımı inceleyince 'bu dediğiniz şey değil' demeye başladı.

EPFL'den matematikçi Gonzalo Cao-Labora'nın sözü tam da bu huzursuzluğu özetliyor: 'Detaya indiğinizde bu bambaşka bir yaklaşım.' Yani benzerlikler yüzeysel kalıyor, altyapı farklı. İşin tuhaf tarafı, ispat Lean dilinde yazılmış — yani her mantıksal adımı makine düzeyinde doğrulayan ama bir insanın kolayca okuyup 'evet bu mantıklı' diyemeyeceği formal bir dil. Clay Matematik Enstitüsü belgeyi yayımlandığından beri inceliyor, ama kimse acele etmiyor çünkü kimse tam olarak neyi incelediğinden emin değil.

İşin can sıkıcı tarafı burada bitmiyor. NYU'dan Tristan Buckmaster, yayından önce OpenAI'yi kendisi ile Anthropic'ten Levent Alpöge'nin kamuya açık modellerle yaptığı çalışmayı kullanmakla suçladı. OpenAI tabii ki reddetti: 'Buckmaster'ın verisini hiç kullanmadık' dedi. Institute for Advanced Study'den Camillo De Lellis ise işin özünü koyuyor ortaya: büyük dil modelleri birer kara kutu olduğu için bu sorunun kesin bir cevabı muhtemelen asla olmayacak. Kaynağı sorgulanamayan bir fikrin 'orijinal' olup olmadığını nasıl kanıtlayacaksınız ki?

Ekim başında OpenAI bu sefer GitHub'a yaklaşık 400 sonuç daha boca etti — gevşek bir koleksiyon halinde, matematik camiasının yetişemeyeceği hacimde. Pek çok matematikçi bunu alanlarını değersizleştirme olarak gördü ve haklılar: emek verip hakemden geçirilen bir disipline, kontrolsüz bir veri dökümü gibi davranmak saygısızlık.

10.000 Ajan Gerçekten Ne Yaptı, Kimse Bilmiyor

Burada OpenAI'nin kendi çalışmasını anlamadığı ikinci nokta devreye giriyor. Şirket bu sonucu üretmek için yaklaşık 10.000 model örneğini 88 saat boyunca, 130 milyar token harcayarak çalıştırmış. Kulağa müthiş geliyor, değil mi? OpenAI araştırmacısı Noam Brown'ın kendi ağzından itirafı ise işin gerçek yüzünü gösteriyor: bu dev ajan sürüsünün sonuca ne kattığını kimse bilmiyor. Binlerce ajanı aynı anda çalıştırmanın maliyeti o kadar yüksek ki, sistematik kıyaslama testleri yapılamıyor; tek bir ajanın aynı problemi ne kadar sürede çözeceği bile test edilmemiş. Brown, başarının yüzde 10'undan azını çoklu ajan kurgusuna bağlıyor ve asıl meselenin temel modelin kendisi olduğunu söylüyor — yani parlak, gösterişli '10.000 ajan' başlığı aslında pazarlama malzemesinden fazlası değil.

Bu Ne Anlama Geliyor?

Burada iki ayrı skandal iç içe geçmiş durumda. Birincisi: OpenAI, kendi yapay zekâsının hangi matematiksel mantığı izlediğini tam olarak açıklayamıyor, çünkü modelin ürettiği akıl yürütme insan diliyle bire bir örtüşmüyor. İkincisi: şirket, bu başarıyı ne kadarının 'devasa hesaplama gücüne', ne kadarının gerçek bir buluşa dayandığını da bilmiyor ama yine de bunu bir zafer gibi sunmaktan çekinmiyor. Bu, yapay zekâ şirketlerinin alışık olduğumuz bir refleksi: önce manşet, sonra -eğer biri sorarsa- mırın kırın bir açıklama. Daha önce model yorumlanabilirliği tartışmalarında da benzer bir tabloyla karşılaşmıştık; yapay zekânın kendi kafasının içini okumanın sandığımız kadar kolay olmadığını bir kez daha hatırlıyoruz. Kara kutu modeller söz konusu olduğunda 'bunu biz yaptık' demek kolay, 'nasıl yaptık' demek ise neredeyse imkânsız hale geliyor.

Yine de hakkını vermek lazım: eğer Navier-Stokes çözümü Clay Enstitüsü'nün titiz incelemesinden geçerse, bu gerçekten matematik tarihinde önemli bir an olur — yöntem tartışmalı olsa da, sonucun doğruluğu ayrı bir meseledir. Clay Matematik Enstitüsü'nün problem sayfasında da belirtildiği gibi, bu yüzyıllık bilmecenin çözümü titiz ve bağımsız doğrulama gerektiriyor; OpenAI'nin aceleciliği bu sürece değil, kendi itibarına zarar veriyor.

Türkiye'ye Etkisi

Türkiye'deki matematik ve yapay zekâ camiası için asıl ders şu: büyük dil modellerinin ürettiği 'kanıt' veya 'çözüm' iddialarına, kaynağı ne kadar büyük bir şirket olursa olsun, temkinli yaklaşmak gerekiyor. Akademik camiamızın da bu tür toplu veri dökümlerine kapıyı sonuna kadar açmadan önce, uluslararası meslektaşlarının tepkisinden ders çıkarması faydalı olur. Zira itibar bir kere zedelendiğinde, 10.000 ajan da onu geri getiremiyor.