Yapay Zekâ Çağında Bilim Ne Kadar Özgür?

OpenAI, Navier-Stokes ve özgür bilimin yeni sermaye problemi

Bir bilim insanının kullandığı araştırma aracı, aynı problemin çözümünde karşısına rakip olarak çıkarsa ne olur?

8 Eylül 2026 tarihinde OpenAI, Navier-Stokes Millennium Problemi’ni çözdüğünü duyurdu. Şirket, kamuya açık olmayan bir modelle üretilen ispatı yayımladı. Aynı alanda çalışan Tristan Buckmaster ile Levent Alpöge’nin itirazları ise bilimsel öncelik, yazarlık ve araştırma verilerinin kullanımı üzerine bir tartışma başlattı.

Bu olayda tek tek iddiaların doğruluğu kadar, onları mümkün kılan ilişki de önemli: Araştırmacıya yardımcı olan yapay zekânın sağlayıcısı, çok daha büyük kaynaklarla kendi araştırmasını yürütebiliyor.

Yapay zekâ bilimi hızlandırırken, bilimsel bağımsızlığın koşullarını nasıl değiştiriyor?

Kaynaklar: OpenAI: çalışma ve yöntem açıklaması · Tristan Buckmaster: kamuya açık açıklama

1. Hikayenin matematik tarafı

Navier-Stokes denklemleri sıvıların ve gazların hareketini modeller. Buradaki temel soru, üç boyutlu bir akışın düzgün başlangıç koşullarından sonra her zaman düzgün kalıp kalamayacağıdır. Belirli koşullarda hızın sonlu zamanda sınırsız büyümesi, matematiksel modelde bir tekillik oluşması anlamına gelir.

Yayımlanan OpenAI ispatının iddiası, düzgün bir dış kuvvet uygulanan akışta böyle bir tekillik kurulabildiği. Bu, Clay’in resmî tanımındaki C ve D seçeneklerini hedefliyor. Dış kuvvet içermesi sonucu otomatik olarak ödül kapsamının dışına çıkarmaz; ancak dış kuvvetsiz Navier-Stokes probleminin de çözülmüş olduğu anlamına gelmez.

Alpöge ve Buckmaster’ın yayımladığı sonuçlar ise düzgün dış kuvvet altında gözenekli ortam, Boussinesq ve sıkıştırılamaz Euler denklemleriyle ilgili. Terence Tao, çalışmayı Diego Córdoba ile Luis Martínez-Zoroa’nın araştırma programındaki önemli bir ilerleme olarak değerlendiriyor. Dolayısıyla aynı bilimsel çevrede yer alan, fakat kapsamları ayrı sonuçlardan söz ediyoruz.

Lean, ispatın biçimsel bir dilde kurulup mantıksal adımlarının denetlenmesini sağlayan bir sistem. Böyle bir doğrulama güçlü bir güvence sunar. Yine de doğrulanan ifadenin hedeflenen problemle örtüşmesi, varsayımları ve matematiksel anlamı ayrıca incelenmelidir. Lean dosyalarının yayımlanması, bilimsel değerlendirme sürecinin tamamlandığı anlamına gelmez.

Kaynaklar: Clay Mathematics Institute: resmî problem tanımı · OpenAI: yayımlanan Navier-Stokes ispatı · Terence Tao: matematiksel değerlendirme · Lean: biçimsel doğrulama nasıl çalışır?

2. Araştırma aracınız aynı zamanda rakibiniz olabilir mi?

Buckmaster’a göre ikili taslaklarını Codex üzerinden çalıştı. Araştırmalarının ise işverenlerinden bağımsız, kişisel bir iş birliği olduğunu özellikle belirtiyor. Alpöge’nin Anthropic’te çalışması, bu projeyi kendiliğinden Anthropic’in kurumsal araştırması yapmıyor.

OpenAI, araştırmasını Eyl 1, 2026 tarihinde duyduğu çözüm söylentileri üzerine başlattığını açıklıyor. Şirket, problemi çözmek için özel kullanıcı verilerine erişilmediğini ve ispatların farklı olduğunu söylüyor; kimliksizleştirilmiş kullanım verilerinin model geliştirmeye dolaylı katkısını ise düşük olasılıklı bulsa da dışlamıyor.

Bu açıklama, araştırmacıların özel fikirlerinin kullanıldığını kanıtlamaz. Buckmaster da verilerinin kullanılıp kullanılmadığını bilmediğini yazıyor. Eldeki bilgilerden kesin bir fikir hırsızlığı hükmü çıkarmak mümkün değil.

Ancak güven sorusu ortada: Sağlayıcı hem yayımlanmamış fikirlerin işlendiği altyapıyı işletiyor hem de aynı alanda araştırma yapabiliyorsa bu roller nasıl ayrılacak? Hangi verilere kimlerin erişebildiği, bunların hangi amaçlarla değerlendirildiği ve olası çıkar çatışmalarının nasıl denetlendiği araştırmacı açısından görünür olmalı.

Kaynaklar: Tristan Buckmaster: kamuya açık açıklama · OpenAI: çalışma ve yöntem açıklaması

3. Yazarlık tartışması neden önemli?

Buckmaster, önerilerden birinde OpenAI’nin Navier-Stokes sonucunu kendisinin yazmasının, Alpöge’nin ise dışarıda kalmasının istendiğini aktarıyor. OpenAI araştırmacısı Sébastien Bubeck, Alpöge’nin kendi çalışmasındaki yazarlığının kaldırılmasını istemediğini savunuyor. Financial Times’ın aktardığına göre OpenAI CEO’su Sam Altman ortak duyuru ve Buckmaster’a baş yazarlık önerdiklerini söylerken, Alpöge başlangıçta iş birliğine açık olduğunu fakat dışlandığını düşündüğünde uzaklaştığını belirtiyor.

Burada iki ayrı yayın düzenlemesinin birbirine karışması riski var: İkilinin kendi makalesindeki yazarlık ile OpenAI’nin sunduğu ayrı ispatın yazımı aynı şey değil. Tarafların anlatımları bu ayrımı gözeterek okunmalı.

Bizce temel ilke şu olmalı: Bir sonuca yapılan bilimsel katkı, katkıyı yapan kişinin işvereni nedeniyle görünmezleşmemeli. Aynı şekilde, aynı alanda çalışmanın tek başına başka bir ispat üzerinde yazarlık hakkı doğurduğu da varsayılmamalı. Katkının tanınması, kurumsal rekabetten bağımsız ve açık ölçütlere dayanmalı.

Kaynaklar: Tristan Buckmaster: kamuya açık açıklama · Business Insider: Bubeck’in yazarlık itirazına yanıtı · Financial Times: yazarlık ve iş birliği tartışması

4. Bilimsel rekabetin güç ilişkisine dönüştüğü yer

Buckmaster, görüşmeleri kamuoyuna açıklayacağını söylediğinde kendisine “Neden kariyerini mahvedesin?” diye sorulduğunu, ardından konuşmanın daha sert bir tona geçtiğini aktarıyor. New York Post’un haberine göre Bubeck kullandığı dili kötü bir kelime seçimi olarak niteledi. Bu aktarım, görüşmenin tamamını bağımsız biçimde doğrulanmış hale getirmiyor.

Böyle bir anlaşmazlıkta sorun yalnızca kullanılan kelimeler değildir. Kaynaklara, kamuoyuna ve bilimsel itibarı etkileyen kanallara erişim bakımından taraflar eşit olmayabilir. Araştırmacının bir yayın önerisini reddedebilmesi ve itirazını dile getirebilmesi, bilimsel bağımsızlığın parçasıdır.

Kaynaklar: Tristan Buckmaster: kamuya açık açıklama · New York Post: görüşmelerde kullanılan dile ilişkin yanıt

5. Bilimsel özgürlük artık erişim koşullarıyla da ilgili

Bilimsel özgürlük, hangi sorunun sorulabildiği kadar o sorunun hangi koşullarda araştırılabildiğiyle de ilgilidir. Kullanılan araçların fiyatı, kapasitesi, erişim sürekliliği ve sağlayıcı değiştirme imkânı bu koşulların parçasıdır.

Bu olayda dikkat çekici bir ayrım var: OpenAI’nin ispat metni ve Lean dosyaları kamuya açık. Sonucun başkaları tarafından incelenebilmesi bilim için değerli. Fakat araştırmayı üreten modele aynı koşullarda erişim, sonuç dosyalarını okumaktan farklı bir imkân.

Bir ispat herkese açık olabilir; bir sonraki ispatı üretebilme kapasitesi ise birkaç kurumda yoğunlaşabilir.

Bizce özgür bilim ve sermaye tartışmasının en güçlü ekseni burada. Bilginin yayımlanması ile yeni bilgi üretme imkânının yaygınlaşması birlikte düşünülmeli. İspatı denetlemek, aynı keşif sürecini yeniden yürütmek ve başka bir probleme uygulamak farklı düzeylerde kaynak gerektirebilir.

Kaynaklar: OpenAI: yayımlanan Navier-Stokes ispatı · OpenAI: açık Lean doğrulama deposu

6. Hesaplama kapasitesi bilimsel rekabeti nasıl değiştiriyor?

OpenAI’nin bildirdiği ölçekte Navier-Stokes çalışması yaklaşık 10.000 eşzamanlı ajan, 2,7 milyon mesaj ve 130 milyar çıktı tokenı kullandı. İlk ajanların başlatılmasından sonuca ulaşılmasına 88 saat, Lean formalizasyonu ve doğrulamasına ek 17 saat ayrıldı. Axios’a konuşan yöneticiler hesaplama maliyetinin milyonlarca dolar olduğunu belirtti.

Buradaki ajanları 10.000 bağımsız bilim insanı gibi düşünmemek gerekir. OpenAI’nin yöntem anlatımında insan ekibi problem çeşitlerini seçiyor, kaynakları yeniden dağıtıyor ve ajanların ara sonuçlarını birleştirerek yeni yönlendirmeler hazırlıyor. Başarıyı model, koordinasyon, hesaplama ve insan katkısı birlikte üretiyor.

Hesaplama gücü, daha çok denemeyi paralel yürütme ve bazı araştırma adımlarını hızlandırma imkânı sunabilir. Ama daha fazla ajan her zaman daha iyi fikir demek değildir. Yanlış bir yaklaşımı çoğaltmak da mümkündür; uzmanlık ve doğrulama önemini korur.

Sermaye bilimde yeni değil. Teleskoplar, hızlandırıcılar ve laboratuvarlar zaten büyük bütçeler gerektiriyordu. Değişen, araştırmanın bilişsel işlerinin daha fazlasının hesaplama bütçesiyle ölçeklenebilmesi. Bu yetenekler ucuzlayıp yaygınlaşırsa küçük ekipler güçlenebilir. En etkili modeller ve büyük ölçekli kullanım imkânları dar bir çevrede kalırsa keşif kapasitesi merkezileşebilir. Hangi sonucun baskın çıkacağı erişimin nasıl düzenlendiğine de bağlı.

Kaynaklar: OpenAI: çalışma ve yöntem açıklaması · Axios: hesaplama maliyetine ilişkin açıklama

7. Bilimsel egemenlik

Egemen yapay zekâ tartışmasında verinin nerede tutulduğu, modeli kimin işlettiği ve sağlayıcının değiştirilebilirliği önemli sorular. Bilimsel araştırmada bunlara bir başkası ekleniyor: Araştırmacı, kendi gündemini sürdürebilecek kapasiteye hangi koşullarda erişiyor?

Henüz yayımlanmamış bir tez, yeni bir molekül fikri veya ispatın kritik ara adımları bir modele verildiğinde, dışarıya aktarılan şey yalnızca tamamlanmış bir belge değildir. Denenmiş yollar, başarısız yaklaşımlar ve hangi soruların peşinden gidildiği de araştırmanın değerli parçaları olabilir.

Buna bilimsel egemenlik diyorsak, kavramı sunucunun konumundan daha geniş kurmalıyız. Yerel bir sistem bazı veri risklerini azaltabilir; fakat gerekli yeteneği sunamıyorsa araştırmacının ihtiyacını karşılamaz. Kamuya ait altyapı da bağımsız erişim ve yönetim kuralları olmadan özgürlüğü kendiliğinden garanti etmez.

Ölçüt, araştırmacının nitelikli araçlara erişebilmesi, çalışmasını taşıyabilmesi, sonuçlarını bağımsız değerlendirebilmesi ve tek bir kurumun kararına mahkûm kalmamasıdır. Uluslararası iş birliği ile böyle bir bağımsızlık birlikte geliştirilebilir.

Arka plan kaynakları: OpenAI: model eğitiminde veri kullanımı politikası · Lean: biçimsel doğrulama nasıl çalışır?

8. Üniversitelerin yeni yapay zekâ politikası nasıl olmalı?

Üniversitelerin yapay zekâ politikası, araştırmanın farklı aşamalarına uygun erişim ve koruma koşullarını tanımlamalı. Açık literatür taraması ile yayımlanmamış bir buluş üzerinde çalışmak aynı veri hassasiyetine sahip değildir.

Önce hesap ve sözleşme farkları anlaşılmalı. OpenAI, bireysel hizmetlerde eğitim kullanımını kapatma seçeneği sunarken kurumsal ürünler ve API için varsayılan olarak eğitim yapmadığını belirtiyor. Bu genel politikadan, Buckmaster’ın hangi ayarları kullandığı sonucunu çıkaramayız. Eğitim dışında bırakma da verinin hiç saklanmadığı veya sağlayıcının aynı konuda araştırma yapamayacağı anlamına gelmez.

Bizce kurumların gündeminde dört somut iş bulunmalı: Yayımlanmamış çalışmalara uygun veri ve erişim koşulları belirlemek; insan ve model katkılarının izini tutmak; sonuçların bağımsız denetimini desteklemek; araştırmacılara birden fazla sağlayıcı ve ortak hesaplama kaynakları üzerinden gerçek seçenekler sunmak.

Hassas projeler için kurum içi sistemler, ortak üniversite altyapıları veya özel erişim sözleşmeleri değerlendirilebilir. Her kurumun sıfırdan en güçlü modeli üretmesi gerekmiyor. Araştırmacının ihtiyaç duyduğu kapasiteye sürdürülebilir ve denetlenebilir koşullarda ulaşması gerekiyor.

Kaynaklar: OpenAI: model eğitiminde veri kullanımı politikası

9. Fikir kimin?

Bu sorunun içinde farklı meseleler var: Araştırma yönünü kim geliştirdi, belirli ispatı kim üretti, sonucu kim doğruladı ve çalışmada kimin katkısı nasıl tanınmalı? Bunları tek bir “fikrin sahibi” ifadesinde toplamak tartışmayı bulanıklaştırıyor.

Tao’nun değerlendirmesi başka bir ölçütü de hatırlatıyor: Matematikte değer, sonuca ulaşmanın yanında o sonucun neden doğru olduğunu anlayabilmekte. Bir ispatı okunabilir hale getirmek, yeni kavramları açıklamak ve sonraki araştırmaların kullanabileceği bilgiye dönüştürmek de bilimsel emeğin parçası.

Yapay zekâ destekli araştırmada bu katkıların kaydını daha açık tutmak gerekecek. Hangi insanın hangi fikri getirdiği, modelin ne önerdiği ve hangi adımların nasıl denetlendiği görünür olmalı.

Bilimsel atıf, yazarlık, verinin kullanım izni ve ekonomik faydanın dağılımı ayrı sorular olarak ele alınmalı. Birindeki belirsizliği diğerine ilişkin kesin bir suçlama veya hak iddiasıyla kapatmak, çözüm üretmez.

Kaynaklar: Terence Tao: matematiksel değerlendirme

10. Bizim yorumumuz: Özgür bilim ile sermayenin yeni karşılaşması

Bu olayın uzun vadeli önemi, taraflardan birinin bütün iddialarının doğrulanmasına bağlı değil. Bir araştırmacının kullandığı altyapının sahibi aynı zamanda bilimsel rakibi olabiliyorsa, bu ilişkinin kuralları açık olmak zorunda.

Yapay zekânın bilim için açtığı imkânı küçümsemiyoruz. Daha fazla insanın literatürü tarayabilmesi, kod üretebilmesi ve zor problemler üzerinde çalışabilmesi büyük bir kazanım olabilir. İnsanlığın ortak bilgi birikiminden doğan bu araçların yine ortak bilgiye katkı sunması da değerlidir.

Fakat erişimin yaygınlaşması, gücün kendiliğinden eşit dağılacağı anlamına gelmez. Birçok araştırmacı daha iyi araçlara kavuşurken, en güçlü modelleri ve en büyük hesaplama bütçelerini kontrol eden kurumlar arayı daha da açabilir. İki gelişme aynı anda yaşanabilir.

Bu yüzden özgür bilim tartışmasını araştırmacının istediği soruyu sorabilmesinden başlatıp o soruyu araştırabilecek maddi koşullara kadar götürmeliyiz. Araştırmacının itiraz edebilmesi, aracını değiştirebilmesi, katkısının tanınması ve gerekli kapasiteye ulaşabilmesi bu özgürlüğü somutlaştırır.

Ortak hesaplama altyapıları, bağımsız yönetilen kamu destekleri, açık doğrulama araçları ve denetlenebilir veri politikaları bu koşulları güçlendirebilir. Başarı ölçütü, yeni keşiflerin bilimsel topluluğun kapasitesini de artırması olmalı.

Bilimsel sonuçların herkese açık kaldığı, fakat onları üretme gücünün giderek az sayıda kurumda toplandığı bir gelecek mümkün. Bizce şimdiden tartışmamız gereken risk bu.

Yapay zekâ bilimi hızlandırıyor. Bilimi hızlandıran zekânın kontrolü kimde olacak?

Arka plan kaynakları: OpenAI: çalışma ve yöntem açıklaması · Terence Tao: matematiksel değerlendirme