Yapay zeka · 20 Ekim 2026
OpenAI Ünlü Bir Matematik Problemi İçin Çözüm Sundu Ancak Kanıtı Anlamıyor
OpenAI, matematiğin en ünlü çözülmemiş problemlerinden biri olan Navier-Stokes problemi için bir çözüm sundu, ancak şirket kendi kanıtını görünüşe göre anlamıyor.
Şirket, Eylül başında 166 sayfa uzunluğunda olası bir çözüm sundu. OpenAI, bu kanıtın İspanyol matematikçiler Diego Córdoba ve Luis Martínez-Zoroa'nın yaklaşımını izlediğini açıkladı. Ancak birkaç uzman grubu farklı bir sonuca varıyor. EPFL'den matematikçi Gonzalo Cao-Labora, detaylara girildiğinde bunun farklı bir yaklaşım olduğunu ve benzerliklerin sadece yüzeysel olduğunu belirtiyor.
Olası kanıt, mantıksal adımların biçimsel geçerliliğini kontrol eden Lean doğrulama dilinde kodlanmış durumda. Bu durum, kanıtı insanlar için otomatik olarak anlaşılır kılmıyor. Çalışma, sunulduğu tarihten beri inceleme için Clay Mathematics Institute bünyesinde bulunuyor.
New York University'den matematikçi Tristan Buckmaster, OpenAI'ın kendisinin ve Anthropic'ten Levent Alpöge'nin halka açık modellerle geliştirdiği ilerlemeler üzerine inşa ettiğine dair bir şüphe dile getirmişti. OpenAI bu iddiaya karşı çıkarak Buckmaster'ın verilerini kullandığını reddetti. Institute for Advanced Study'den Camillo De Lellis, dil modellerinin bir kara kutu gibi çalışması nedeniyle kesin bir açıklığa kavuşmanın muhtemelen imkansız olduğunu söylüyor.
OpenAI, Ekim başında akademik dünyanın takip etmekte zorlandığı yaklaşık 400 ek sonuç daha yayımladı. Birçok matematikçi, bu yayınların Github üzerinde dağınık makale koleksiyonları şeklinde sunulmasının kendi disiplinlerini değersizleştirdiğini savunarak tepki gösterdi.
Çözüm yolunun verimliliği de belirsizliğini koruyor. OpenAI, Navier-Stokes problemi için olası çözümü geliştirmek amacıyla yaklaşık 10.000 model örneğini, toplamda yaklaşık 88 saatlik hesaplama süresi ve 130 milyar token ile kullandı. OpenAI araştırmacısı Noam Brown, bu devasa ajan sürüsünün çözüme gerçekte ne kattığının belirsiz olduğunu ifade ediyor. Binlerce ajanla yapılan sistematik karşılaştırma testleri çok pahalı olduğu için bu ölçekteki davranışlar henüz araştırılmadı. Örneğin, tek bir ajanın aynı problem için ne kadar süreye ihtiyaç duyacağı test edilmedi. Ayrıca, 10.000 ajanın 1.000 ajana göre ne gibi somut bir avantaj sağladığı neredeyse tespit edilemiyor.
Brown, başarının yüzde onundan daha azını çoklu ajan yaklaşımına bağlıyor. Bu tür sistemlerin yeni ve gösterişli olduğu için orantısız miktarda takdir topladığını, asıl belirleyici olanın ise görevleri uzun süreler boyunca ve paralel olarak işleyebilen temel modelin performansı olduğunu yazıyor.