Ne oldu?
Google DeepMind, AlphaProof Nexus adlı yapay zekâ sisteminin açık matematik problemlerini çözmede kayda değer bir eşiği aştığını duyurdu. The Decoder'ın 12 Ekim 2026'da aktardığına göre, Science dergisinde yayımlanan bir çalışmaya dayanan sonuçlar, sistemin 353 açık Erdős probleminden dokuzunu çözdüğünü gösteriyor. Bu dokuz problemden ikisi tam 56 yıldır çözülememişti.
Erdős problemleri, adını Macar matematikçi Paul Erdős'ten alan ve genellikle basit görünen ama çözümü onlarca yıl direnen sorulardan oluşuyor. Bu tür problemler, matematikçilerin "açık problem" dediği, yani henüz kimsenin kesin bir kanıt sunamadığı sorular arasında yer alıyor. AlphaProof Nexus'un çözdüğü dokuz problemin hangileri olduğu ise açıklanmadı.
Sistemin başarısı yalnızca Erdős problemleriyle sınırlı değil. Google DeepMind'a göre AlphaProof Nexus, OEIS tam sayı dizisi veritabanındaki 44 varsayımı kanıtladı. OEIS, matematikçilerin tam sayı dizilerini aradığı ve karşılaştırdığı geniş bir çevrimiçi arşiv; buradaki varsayımlar, henüz ispatlanmamış ama doğru olduğu düşünülen örüntüleri ifade ediyor. Sistem ayrıca cebirsel geometride açık bir soruyu çözdü ve bazı yapay zekâ modellerini eğitmek için kullanılan bir teknik olan min-maks optimizasyonunda bilinen bir sınırı iyileştirdi.
Bu sonuçların önemi, yalnızca çözülen problem sayısından gelmiyor. Çalışma, yayımlanmadan önce hakem denetiminden geçirildi ve ekip, makaleden önce çözümleri çevrimiçi paylaştı. Bu iki adım, yapay zekânın matematikteki rolü üzerine hararetli bir tartışmanın yaşandığı bir dönemde kritik bir anlam taşıyor.
Peki bu başarı neden bu kadar önemli? Matematikte bir problemin çözülmesi, genellikle yıllar süren bir birikimin ürünüdür. Bir matematikçi, bir problemi çözmek için önce literatürü tarar, benzer problemlerle bağlantı kurar, deneme yanılma yoluyla farklı stratejiler dener. AlphaProof Nexus'un 353 problemden dokuzunu çözmesi, bu sürecin bir kısmının artık otomatikleştirilebileceğini gösteriyor. Özellikle 56 yıldır çözülemeyen iki problemin aşılması, insan matematikçilerin kuşaklar boyu takıldığı noktaların bir makine tarafından aşılabileceği anlamına geliyor. Bu, matematiğin doğası gereği çok zor olan bazı sorularının, yapay zekâ için erişilebilir hâle geldiğini gösteriyor.
Ancak burada dikkat edilmesi gereken bir nokta var: Sistemin çözdüğü problemlerin hangileri olduğu açıklanmadı. Bu, sonuçların bağımsız olarak değerlendirilmesini zorlaştırıyor. Yine de çözülen problem sayısı ve süre, başarının küçümsenmemesi gerektiğini ortaya koyuyor.
Arka plan
Yapay zekânın matematikte ne kadar ilerlediği, son birkaç yıldır hem bilim hem de teknoloji dünyasının en tartışmalı konularından biri hâline geldi. Tartışmanın merkezinde basit bir soru var: Bir yapay zekâ sistemi matematiksel bir kanıt ürettiğinde, bu kanıt gerçekten güvenilir mi, yoksa yalnızca ikna edici görünen bir metin parçası mı?
Bu soru, 2026 sonbaharında yeni bir boyut kazandı. OpenAI, yapay zekâ tarafından üretilen kanıtları hakem denetimli dergilere göndermek yerine GitHub'a yükledi. GitHub, yazılım geliştiricilerin kod paylaştığı bir platform; buraya yüklenen bir kanıt, bilimsel dergilerdeki gibi bağımsız uzman incelemesinden geçmiyor. Bu yaklaşım, matematik camiasında rahatsızlık yarattı.
Terence Tao liderliğindeki Association for Human Mathematics, bu duruma tepki olarak boykot çağrısı yaptı. Terence Tao, matematik dünyasının en tanınmış isimlerinden biri; onun liderliğindeki bir kuruluşun boykot çağrısı, konunun ne kadar ciddiye alındığını gösteriyor. Boykotun gerekçesi, hakem denetiminden geçmemiş yapay zekâ kanıtlarının bilimsel literatüre kontrolsüzce yayılması endişesi.
Google DeepMind'ın yaklaşımı ise tam tersi bir yönde şekillendi. Şirket, çalışmasını Science dergisine gönderdi ve hakem denetiminden geçirdi. Dahası, ekip makaleden önce çözümleri çevrimiçi paylaşarak şeffaflık sağladı. Bu, yapay zekâ kanıtlarının nasıl ele alınması gerektiğine dair iki farklı yaklaşımın aynı dönemde karşı karşıya gelmesi anlamına geliyor.
Tartışmanın bir başka boyutu da güvenlik endişeleri. Yapay zekânın matematiksel ilerlemesinin, şifreleme sistemlerini riske atabileceği yönünde uyarılar var. Ethereum araştırmacısı Justin Drake ve Ethereum kurucusu Vitalik Buterin, yapay zekânın matematiksel ilerlemesinin blokzincir cüzdanlarını riske atabileceği uyarısında bulundu. Uzmanlar ise OpenAI'nin matematik iddialarının henüz kanıtlanmadığını ve tehdidin şu an belirsiz olduğunu belirtiyor. AlphaProof Nexus'un hakem denetiminden geçmiş sonuçları, bu tartışmaya yeni bir veri noktası ekliyor.
Bu tartışmanın kökeni, yapay zekânın matematiksel kanıt üretme biçimine dayanıyor. İnsan matematikçiler, bir kanıtı yazarken sezgilerine, deneyimlerine ve estetik yargılarına güvenir. Bir adımın doğru olduğunu "hissederler" ve sonra bunu titizlikle doğrulurlar. Yapay zekâ ise böyle bir sezgiye sahip değil; olasılıksal modellerle bir sonraki adımı tahmin eder. Bu nedenle, yapay zekânın ürettiği bir kanıtın gerçekten geçerli olduğundan emin olmak için biçimsel doğrulama gerekir. İşte bu noktada, hakem denetimi ve biçimsel dil gibi araçlar devreye giriyor. OpenAI'nin GitHub'a yüklemesi, bu doğrulama sürecini atladığı için eleştiriliyor; Google DeepMind'ın Science dergisini seçmesi ise doğrulamayı ciddiye aldığını gösteriyor.
Nasıl çalışıyor?
AlphaProof Nexus'un nasıl çalıştığını anlamak için önce iki temel kavramı netleştirmek gerekiyor: biçimsel dil ve kanıt taslağı.
Biçimsel dil, matematiksel ifadelerin bir bilgisayarın kesin olarak kontrol edebileceği şekilde yazıldığı bir notasyon sistemidir. Günlük matematikte bir kanıt, okuyan uzmanın anlayışına ve yorumuna dayanır; biçimsel dilde ise her adım makine tarafından doğrulanabilir. Lean, bu amaçla kullanılan biçimsel dillerden biri.
AlphaProof Nexus, Gemini 3.1 Pro etrafında inşa edilmiş bir sistem. Gemini 3.1 Pro, Google'ın dil modeli; yani sistemin "beyni" bu model. Ancak sistem yalnızca bir dil modelinden ibaret değil. AlphaProof Nexus, Lean biçimsel dilinde kanıt taslakları hazırlıyor ve bu taslakları revize ediyor. Taslak, bir kanıtın henüz tamamlanmamış, üzerinde çalışılan hâli olarak düşünülebilir.
Sistemin en kritik özelliği, her düzenlemeden sonra Lean'in her taslağı kontrol etmesi. Yani yapay zekâ bir adım yazıyor, Lean bu adımın geçerli olup olmadığını söylüyor ve hata mesajları bir sonraki denemeye rehberlik ediyor. Bu döngü, sistemin yanlış bir yolda ilerlemesini engelliyor; çünkü biçimsel dil, "bu adım doğru" ya da "bu adım hatalı" şeklinde kesin bir geri bildirim veriyor.
Bu döngüyü bir benzetmeyle somutlaştırabiliriz: Bir öğrenci matematik problemi çözerken her adımı bir öğretmene kontrol ettiriyor. Öğretmen "bu adım yanlış" dediğinde öğrenci hatasını düzeltip devam ediyor. Lean, bu öğretmen rolünde; hata mesajları ise öğrenciye nerede yanlış yaptığını söyleyen notlar gibi. Bu sayede sistem, saatlerce sürebilecek bir deneme yanılma sürecini çok daha hızlı tamamlayabiliyor.
Daha zor alt problemler için sistem, özel bir kanıt aracı olan AlphaProof'u çağırabiliyor. AlphaProof, Google DeepMind'ın daha önce geliştirdiği bir kanıt aracı; AlphaProof Nexus, tıkandığı noktalarda bu aracı devreye sokabiliyor. Ancak Google DeepMind'a göre sistem, AlphaProof olmadan bile dokuz Erdős problemini çözdü. Bu, ana sistemin kendi başına ne kadar yetkin olduğunu göstermesi açısından önemli.
Sistemin çözdüğü problem türleri çeşitlilik gösteriyor. Erdős problemleri sayı teorisi ve kombinatorik gibi alanlardan geliyor; OEIS varsayımları tam sayı dizileriyle ilgili; cebirsel geometri sorusu ise daha soyut bir alandan. Min-maks optimizasyonundaki sınır iyileştirmesi ise doğrudan yapay zekâ eğitimiyle bağlantılı. Bu çeşitlilik, sistemin tek bir problem tipine özel olmadığını, farklı matematiksel alanlarda çalışabildiğini gösteriyor.
Min-maks optimizasyonu, iki tarafın birbirine karşı strateji geliştirdiği durumlarda kullanılan bir teknik. Örneğin, bir yapay zekâ modeli eğitilirken, modelin hata oranını en aza indirmek ile modelin karşılaşabileceği en zor durumları en üst düzeye çıkarmak arasında bir denge kurulur. AlphaProof Nexus'un bu alanda bilinen bir sınırı iyileştirmesi, yapay zekâ modellerinin daha verimli eğitilmesine katkı sağlayabilir. Bu, dolaylı olarak günlük hayatta kullandığımız yapay zekâ uygulamalarının daha hızlı ve daha doğru çalışması anlamına gelebilir.
Çözümlerin ne kadar sürede üretildiği ise açıklanmadı. Bu bilgi, sistemin verimliliğini değerlendirmek açısından önemli olurdu; ancak şirket bu konuda bir açıklama yapmadı.
Rakiplerle kıyas
Bu haberin en dikkat çekici yanı, iki büyük yapay zekâ laboratuvarının matematiksel kanıtları ele alış biçimindeki fark. OpenAI, yapay zekâ kanıtlarını dergilere göndermek yerine GitHub'a yükledi. Google DeepMind ise çalışmasını Science dergisine gönderdi ve hakem denetiminden geçirdi.
Bu fark, yalnızca bir yayın tercihi değil; bilimsel doğrulama anlayışına dair bir ayrımı yansıtıyor. Hakem denetimi, bir çalışmanın bağımsız uzmanlar tarafından incelenmesi ve yönteminin, sonuçlarının geçerli olup olmadığının değerlendirilmesi anlamına geliyor. GitHub'a yüklenen bir kanıt ise bu süreçten geçmiyor; okuyucunun kanıtı kendi başına değerlendirmesi gerekiyor.
Terence Tao liderliğindeki Association for Human Mathematics'in boykot çağrısı, bu ayrımın ne kadar ciddiye alındığını gösteriyor. Boykot, hakem denetiminden geçmemiş yapay zekâ kanıtlarının bilimsel literatüre kontrolsüzce girmesine karşı bir tepki. Google DeepMind'ın hakem denetimini seçmesi, bu tartışmada bir taraf tutmak anlamına da geliyor.
İki yaklaşım arasındaki bir diğer fark da şeffaflık. Google DeepMind ekibi, makaleden önce çözümleri çevrimiçi paylaştı. Bu, sonuçların dergide yayımlanmasını beklemeden topluluğun incelemesine açılması anlamına geliyor. OpenAI'nin GitHub'a yüklediği kanıtlar da kamuya açık; ancak burada fark, kanıtların hakem denetiminden geçip geçmemesi.
AlphaProof Nexus'un çözdüğü problemlerin ölçeği de dikkat çekici. 353 açık Erdős probleminden dokuzunun çözülmesi, yüzde 2,5 civarında bir orana denk geliyor. Bu, sistemin her problemi çözemediğini, ancak belirli bir kısmında başarılı olduğunu gösteriyor. İki problemin 56 yıldır çözülememiş olması ise bu başarının ne kadar nadir olduğunu ortaya koyuyor.
Bu karşılaştırmayı günlük hayattan bir örnekle düşünebiliriz: Bir öğrenci, çok zor bir sınav sorusunu çözdüğünde, çözümünü öğretmenine gösterip onaylatmak ile sadece arkadaşlarına göstermek arasında büyük bir fark vardır. Öğretmen onayı, çözümün doğruluğunu bağımsız olarak teyit eder; arkadaş onayı ise yeterince ikna edici olmayabilir. Google DeepMind, öğretmen onayını (hakem denetimi) seçerken; OpenAI, arkadaş onayını (GitHub) tercih etmiş gibi görünüyor. Bu tercih, bilimsel güvenilirlik açısından önemli bir ayrım.
Kimler için ne anlama geliyor?
Matematikçiler için: AlphaProof Nexus'un sonuçları, açık problemlerin çözümünde yapay zekânın artık ciddiye alınması gereken bir araç hâline geldiğini gösteriyor. 56 yıldır çözülemeyen iki problemin çözülmesi, matematikçilerin yıllardır üzerinde çalıştığı soruların yapay zekâ tarafından aşılabileceği anlamına geliyor. Ancak bu, matematikçilerin işini kaybedeceği anlamına gelmiyor; daha çok, yapay zekânın bir işbirlikçi olarak nasıl kullanılacağı sorusunu gündeme getiriyor. Örneğin, bir matematikçi, üzerinde çalıştığı bir problemin alt adımlarını yapay zekâya kontrol ettirebilir veya tıkandığı noktalarda olası çözüm yollarını keşfetmek için sistemi kullanabilir. Bu, insan sezgisi ile makine titizliğini birleştiren yeni bir çalışma biçimi anlamına geliyor.
Yapay zekâ geliştiricileri için: Sistemin mimarisi, biçimsel doğrulama ile dil modelini birleştirmenin gücünü gösteriyor. Lean'in her adımı kontrol etmesi ve hata mesajlarının bir sonraki denemeye rehberlik etmesi, yapay zekânın kendi hatalarından öğrenmesini sağlayan bir döngü oluşturuyor. Bu yaklaşım, yalnızca matematikte değil, doğrulanabilir çıktı gerektiren diğer alanlarda da uygulanabilir. Örneğin, yazılım doğrulama, devre tasarımı veya hukuki metin analizi gibi alanlarda benzer bir döngü kullanılabilir. Bu, yapay zekânın güvenilirliğini artırmanın bir yolu olarak görülebilir.
Şirketler için: Google DeepMind'ın hakem denetimini seçmesi, yapay zekâ kanıtlarının bilimsel standartlara uygun şekilde sunulabileceğini gösteriyor. OpenAI'nin GitHub yaklaşımıyla karşılaştırıldığında, bu tercih şirketin bilimsel toplulukla ilişkisini güçlendirebilir. Aynı zamanda, min-maks optimizasyonundaki sınır iyileştirmesi, yapay zekâ modellerinin eğitiminde doğrudan kullanılabilecek bir sonuç. Bu tür iyileştirmeler, şirketlerin daha az kaynakla daha iyi modeller eğitmesine olanak tanıyabilir; bu da maliyetleri düşürüp verimliliği artırabilir.
Sıradan kullanıcılar için: Bu haber, günlük hayatta doğrudan bir değişiklik anlamına gelmiyor. Ancak yapay zekânın matematiksel kanıt üretebilme yeteneği, uzun vadede şifreleme, güvenlik ve yazılım doğrulama gibi alanları etkileyebilir. Ethereum araştırmacılarının uyarıları, bu etkinin potansiyel risklerine işaret ediyor; ancak uzmanlar, tehdidin şu an belirsiz olduğunu belirtiyor. Örneğin, bugün kullandığınız bir mesajlaşma uygulamasının şifrelemesi, matematiksel problemlerin zorluğuna dayanır. Eğer yapay zekâ bu problemleri çözebilirse, mevcut şifreleme yöntemleri güvenliğini yitirebilir. Ancak bu senaryo henüz gerçekleşmiş değil; uzmanlar, böyle bir gelişmenin ne zaman olabileceğini bilmiyor.
Türkiye'deki okuyucular için: Bu haber, Türkiye'deki matematikçiler ve yapay zekâ araştırmacıları için de bir referans noktası oluşturuyor. Biçimsel doğrulama ve Lean gibi araçlar, Türkiye'deki üniversitelerde de kullanılıyor; AlphaProof Nexus'un yaklaşımı, bu alanda çalışan araştırmacılar için bir model sunuyor. Örneğin, bir lisansüstü öğrencisi, kendi tez çalışmasında Lean kullanarak kanıtlarını biçimsel olarak doğrulayabilir ve bu sayede daha güvenilir sonuçlar üretebilir. Ayrıca, yapay zekâ destekli kanıt araçları, matematik eğitiminde de kullanılabilir; öğrenciler, adım adım doğrulama sayesinde hatalarını daha hızlı fark edebilir.
Sınırlar ve açık sorular
AlphaProof Nexus'un sonuçları etkileyici olsa da, birkaç önemli soru yanıtsız kalıyor.
Öncelikle, çözülen dokuz Erdős probleminin hangileri olduğu belirtilmedi. Bu, sonuçların bağımsız olarak değerlendirilmesini zorlaştırıyor; çünkü hangi problemlerin çözüldüğünü bilmeden, bu başarının ne kadar zorlu olduğunu tam olarak anlamak mümkün değil.
İkinci olarak, çözümlerin ne kadar sürede üretildiğine dair bilgi verilmedi. Bir problemin çözümü saatler mi, günler mi, yoksa haftalar mı sürdü? Bu bilgi, sistemin pratik kullanılabilirliği açısından kritik. Örneğin, bir matematikçi, yapay zekâdan bir problemi çözmesini istediğinde, sonucu saatler içinde almayı bekler; haftalar sürerse, bu araç günlük çalışma akışına uygun olmayabilir.
Üçüncü olarak, AlphaProof Nexus'un çalışma prensibi hakkında daha fazla teknik detay eksik. Sistemin Gemini 3.1 Pro etrafında inşa edildiği ve Lean kullandığı biliniyor; ancak taslak hazırlama ve revize etme sürecinin tam olarak nasıl işlediği, AlphaProof'un hangi durumlarda devreye girdiği gibi sorular yanıtsız.
Dördüncü olarak, sistemin çözemediği problemler de önemli. 353 Erdős probleminden yalnızca dokuzunun çözülmesi, sistemin sınırlarını gösteriyor. Hangi problemlerin neden çözülemediği, sistemin hangi tür sorularda zorlandığı açıklanmadı. Bu, sistemin gelecekteki gelişimi için önemli bir veri noktası olabilir; çünkü zayıf noktaların bilinmesi, iyileştirme çabalarını yönlendirir.
Son olarak, bu sonuçların bilimsel literatüre etkisi henüz belirsiz. Hakem denetiminden geçmiş olması önemli bir adım; ancak matematik camiasının bu sonuçları nasıl karşılayacağı, yapay zekâ kanıtlarının dergilerde nasıl ele alınacağı ve Association for Human Mathematics'in boykot çağrısının nasıl sonuçlanacağı önümüzdeki dönemde netleşecek. Bu belirsizlikler, AlphaProof Nexus'un başarısının ne kadar kalıcı ve geniş etkili olacağını şimdiden söylemeyi zorlaştırıyor.
