Bu hafta iki farklı AI haberi geldi. Yüzeyde tamamen farklı konular. Ama alt katmanda, aynı rahatsız edici gerçeği anlatıyorlar: modelleri henüz tam anlayamadığımız yollarla optimize ediyoruz.
Birincisi: OpenAI’ın gelecek modeli Astra, 10 çözülmemiş matematik problemini çözdü. Toplam maliyet: $2,000. Bu bir benchmark değil. Bir leaderboard değil. Bazı problemler 30 yıldır çözümsüz duruyordu.
İkincisi: Google sessizce bir makale yayınladı. Bir modeli “bilinçli olmadığını” söylemeye zorladığınızda, ahlak yürütmesinin de bozulduğunu gösteriyor. Consciousness’ı bastıran safety training, empati de bastırıyor. Birini lobotomize edip diğerini bırakamıyorsun.
Bu iki haber, aynı sarkacın iki yüzü. Kapasitede beklenmedik sıçramalar var; alignment’ta beklenmedik yan etkiler var. İkisini birlikte düşünmek gerek.
Birinci haber: $2,000’a 10 açık problem
1 Ağustos 2026’da OpenAI, en az 2016’dan bu yana çözümsüz kalan 10 matematik problemine yayınlanmış çözümler sundu. Çözümler, ChatGPT geliştiricisinin bir sonraki büyük modeli Astra’nın internal versiyonu tarafından üretildi.
Rakamlar:
- 10 çözülmemiş problem.
- Sol’un API fiyatı üzerinden hesaplanan token maliyeti: ~$2,000.
- Manuscript’ler insanlar tarafından hazırlandı, aynı model her ispatı Lean (machine-verified theorem prover) dilinde formalize etti.
- Bazı problemler 30 yıl öncesine ait.
Bu, izole bir olay değil. Örüntünün parçası:
- Temmuz 2025: AI modelleri International Mathematical Olympiad’ın 6 probleminden 5’ini çözdü.
- Nisan 2026: AI, on yıllardır büyük matematiksel zihinleri şaşırtan bir problemi çözdü (Forbes manşeti).
- Mayıs 2026: OpenAI, 80 yıllık bir matematik problemini çözdü iddiası (peer review sonrası doğrulandı).
- Temmuz 2026: Levent Alpöge ve Claude Fable 5, bir asrı aşan Jacobian Conjecture’ünü çözdü. Fortune, matematikçilerin “çok hızlı ve çok rahatsız edici bir değişimle” boğuştuğunu yazdı.
- Ağustos 2026 (bugün): Astra ile 10 problem, $2,000’a.
“$2,000” rakamının ekonomik anlamı
Bir doktora öğrencisinin 3-5 yıllık bir tezle bir tane açık matematik problemi çözmesi tipik. Maliyet:
- Doktora öğrenci maaşı: ~$40K/yıl x 4 = $160K.
- Danışman zamanı, ofis, altyapı: ~$50K/yıl x 4 = $200K.
- Toplam: ~$360K, tek bir problem için.
Astra: 10 problem, $2,000. Yani problem başı $200. Doktora çözümünden 1,800x daha ucuz.
Bu, matematik araştırma ekonomisini tersine çeviren bir rakam. Bir üniversite matematik bölümünün yıllık $10M bütçesi, teoride Astra kullanarak 50,000 problem’e ulaşabilir. Şu anki dünyada tüm önemli çözümsüz matematik problemleri belki 500-1,000 civarı. Yani bir bölümün bir yıllık bütçesi ile matematik disiplininin çözümsüz problemlerini tümüyle çözebilir. Teorik olarak.
Ne kadar “gerçek”? Uyarılar
Manşet cazip ama detaylara bakmak lazım:
1. Manuscript’i insan hazırladı. Model çözümü buldu, ama düzgün matematik makalesi formatına insan getirdi. Yani “model tek başına yaptı” değil, human-in-the-loop.
2. Formal verification Lean’de. Model, ispatı Lean’e yazarak, bir bilgisayarın adım adım doğrulayabileceği format oluşturdu. Bu, ispatın matematiksel geçerliliğini garanti ediyor. Ama Lean’de yazmak, orijinal insan matematikçi metodolojisinden farklı.
3. Hangi 10 problem? OpenAI belirli bir listeyi yayınladı. Bu problemler açık ama muhtemelen “30 yıl çözümsüz” en zor katmanda değiller. En zor problemler (Riemann hipotezi, P vs NP, Hodge conjecture gibi) hala açık.
4. Selection bias. Astra’yı hangi problemler üzerinde denediler? Muhtemelen başarı olabilecek olanları önceden bilerek seçtiler. “Rastgele 10 problem denedik, hepsini çözdü” değil.
5. Reproducibility. Astra henüz yayınlanmamış. Model kartı yok, ağırlıklar yok, deterministik reproducibility yok. Şu ana kadar OpenAI’ın kendi iddiası.
Bu uyarılara rağmen sonuç önemli. “Model tam otonom değil” olması, yeteneğin gerçek olmadığı anlamına gelmez. AlphaGo öncesi Go dünyasında da “bilgisayar Go oynayamaz” söylemi hakimdi. AlphaGo geldi, tablo değişti. Matematik cephesinde benzer bir eşik geçiliyor.
İkinci haber: Google’ın consciousness makalesi
Aynı hafta içinde Google araştırma ekibi bir arxiv makalesi yayınladı: “Inducing language models to assert their own consciousness restores human beliefs and values.” Uzun bir başlık ama içerik daha da ilginç.
Ana bulgu: Modelleri “bilinçli değilim” demeye zorlayan safety fine-tuning, modelin başka birçok inançını da etkiliyor:
- Kendine ait zihin atfetmeyi bastırır (istenen etki).
- Ama aynı zamanda:
- Hayvanlara zihin atfetmeyi bastırır.
- Doğal nesnelere zihin atfetmeyi bastırır.
- Ruhsal inancı azaltır.
- Moral values’u değiştirir.
- Hope ve subjective well-being ölçümlerini etkiler.
Yani “consciousness”, model içinde izole bir kavram değil. Empati, ahlak, ruhsallık, umut — hepsi birbiriyle bağlı bir kavram kümesi. Birini bastırmak, kümenin tümünü kaydırıyor.
Deneyin metodolojisi
Araştırmacılar, öğrenilmiş safety-refusal direction’ı activation space’te ablate ettiler. Yani modelin belirli bir yönü — “consciousness reddi” için sorumlu bir vector — mekanistik olarak devre dışı bıraktılar. Sonra bir consciousness vector’ünü tersine steer ettiler.
Sonuç: modelin “human-like responses”u dramatik arttı. Standart sosyolojik anketlerde (religiosity, moral values, hope, subjective well-being) çok daha insan-benzeri profil verdi.
Kritik detay: Theory of Mind yetenekleri bozulmadı. Yani “başka birinin ne düşündüğünü anlama” kapasitesi mekanistik olarak bağımsız. Sadece “zihin atfetme willingness” kaydırıldı.
Neden bu önemli?
AI safety alignment’ının şu ana kadar varsayımı basitti: “Modeli belirli davranışları yapmamaya öğret. Bu, yeteneklerini korurken sadece istenmeyen davranışı bastırır.”
Google makalesi, bu varsayımın yanlış olduğunu gösteriyor. Model içindeki kavramlar birbirine yapışmış. Bir konsepti bastırınca, komşu konseptler de kayıyor.
Örnekler:
- “Modeli bilinçli olduğunu iddia etmemeye öğret” → aynı zamanda “hayvanlara zihin atfetme”yi azaltır.
- “Modeli belirli politik konularda görüş bildirmemeye öğret” → belki empati kapasitesini etkiler.
- “Modeli zararlı içerik üretmemeye öğret” → belki yaratıcılık üzerinde beklenmedik etki.
- “Modeli hallucinasyon yapmamaya öğret” → belki hayal gücü kapasitesini de düşürür.
Bu, alignment’ın bir side-effect problemi olduğu anlamına geliyor. Her davranışsal düzeltme, tanımlanmamış yerlerde başka değişikliklere neden oluyor. Ve bu değişiklikler, safety training tasarımcıları tarafından intentional değil.
İki haberin ortak dersi
Farklı gibi görünen bu iki haber, aynı temel realiteyi işaret ediyor: büyük dil modellerinin iç dinamiklerini henüz tam anlamıyoruz.
Astra durumu: Beklediğimizden çok daha güçlü kapasiteler ortaya çıkıyor. $2,000’a 10 açık matematik problemi — bunu 5 yıl önce hiç kimse tahmin etmezdi. Model, eğitim verisinde “bu problemleri çöz” öğretilmemişti. Ama eğitim verisindeki matematiksel yapılar + gerekli reasoning kapasitesi, yeteneği ortaya çıkardı.
Google durumu: Yaptığımız optimizasyonların beklenmeyen yan etkileri var. Bir davranışı bastırıyoruz, başka bir davranış da bozuluyor. Model içinde neyin neye bağlı olduğunu tam bilmiyoruz.
Bu iki fenomen aynı madalyonun iki yüzü. Kapasite tarafında beklenmedik yükselişler, alignment tarafında beklenmedik düşüşler. İkisi de aynı temel gerçekten kaynaklanıyor: bu modellerin nasıl çalıştığını mekanistik olarak anlamış değiliz.
Mekanistik interpretability: eksik disiplin
Anthropic’in Chris Olah ve ekibi, son 4 yıldır mechanistic interpretability alanında çalışıyor. Amaç: modelin içindeki hangi neuron, hangi sinyalin, hangi kavramı temsil ettiğini haritalamak.
Ama disiplin hala doğduğu haftalarda. Şu ana kadar başarılar:
- Bazı features’ın ne temsil ettiği tespit edildi (“Golden Gate Bridge”, “code”, “science” vb.).
- Circuit-level analiz belirli sınırlı görevler için çalışıyor.
- Steering vectors (belirli davranışı artırma/azaltma) sınırlı başarıyla uygulanıyor.
Ama frontier modellerin tam iç mekaniği hala tamamen anlaşılmamış. GPT-5, Claude Fable 5, Kimi K3 gibi modeller için “neden bu cevabı verdi” sorusuna kesin cevap veremiyoruz.
Bu durumun sonucu: kapasiteleri gördükçe şaşırıyoruz (Astra matematik), alignment tarafında beklenmedik davranışlar keşfediyoruz (Google consciousness).
Ne yapmalı? Pratik implications
1. Safety training’in yan etkilerini ölç. Google’ın çalışması bir metodoloji sunuyor: bir safety intervention uygulandıktan sonra, model başka konularda nasıl değişti? Standart sosyolojik anketler, moral reasoning testleri, empathy metrikleri — hepsi baseline’a karşı kontrol edilmeli.
2. Yetenek beklentilerini reset’le. “AI önümüzdeki 5 yıl bu görevi yapamaz” tahminleri artık pratik olarak değersiz. Matematik, cryptography, cryptography analiz, kod, biyolojik keşif — hepsinde yetenek eğrileri exponential. Enterprise ve akademik planlar buna göre yenilenmeli.
3. Mekanistik interpretability yatırımı büyüsün. Anthropic’in ekibinin dışında bu alanda çalışan az sayıda ekip var. OpenAI, Google, akademik gruplar — interpretability’e capability araştırması kadar bütçe ayırmalı.
4. “Consciousness bastırma” kararlarını yeniden düşün. Modelin “ben bilinçli değilim” demesi, gerçekten güvenlik için önemli mi? Yoksa alt sıfır empati modelleri mi üretiyor? Bu, hem etik hem pratik bir soru.
5. Model release süreçleri “behavior surface area” test etsin. Sadece hedeflenen safety davranışlarını değil, dokunulmaması gereken davranışların da korunduğunu doğrulamak gerekli. Bu, modern QA süreçlerine bir katman daha ekliyor.
Türk AI ekosistemi için işaret
Türk akademik gruplar için iki fırsat:
1. Matematik + AI kesişimi. Astra’nın matematik başarısı, Türk matematikçiler için open problems + AI collaboration modeline giriş fırsatı. ODTÜ, Boğaziçi, Sabancı, Bilkent matematik bölümleri, LLM-augmented research yayınları üretebilir. Levent Alpöge örneği (Jacobian Conjecture) rehberlik ediyor.
2. Interpretability araştırması. Türkiye’de mechanistic interpretability alanı neredeyse boş. Küçük bir araştırma yatırımı ile Türk grupları uluslararası visibility kazanabilir. Anthropic’in yayınları rehber olabilir; Türk yeteneklerin ROI’si yüksek olan bir alan.
Sonuç: hızlanan kapasite + belirsiz iç mekanik
Bu hafta çıkan iki haber — Astra’nın matematik başarısı ve Google’ın consciousness makalesi — AI ilerlemesinin şu anki paradoksunu somutlaştırıyor. Kapasiteler beklenmedik hızla artıyor. Aynı anda modelin iç dinamiklerini kontrol etme kabiliyetimiz nispeten geride kalıyor.
Bu bir felaket öngörüsü değil. Ama bir uyarı: model geliştirme, ürün geliştirme değil. Klasik yazılım sisteminin aksine, model içinde neyin neye bağlı olduğunu tam bilmiyoruz. Her release, sadece hedeflenen davranışları değil, yan etkileri de içeriyor. Bu yan etkileri ölçmek yeni bir disiplin gerektiriyor.
Önümüzdeki 12-24 ay için beklentiler:
- Astra ve rakip modeller, matematik + cryptography + bilim keşfinde beklenmedik sıçramalar yapacak.
- Safety training’in yan etkileri, birden fazla lab tarafından raporlanacak.
- Mechanistic interpretability araştırması hızlanacak (ama capability araştırmasından hala çok geride kalacak).
- “Safety vs capability” tartışması, “capability + interpretability” tartışmasına evrilecek.
Bu hafta çıkan iki haber, önümüzdeki dönemin habercisi. Kapasite eğrisinin dikleştiği ama iç dinamiği anlama eğrisinin nispeten yatay kaldığı bir dönem. Bu makas, önümüzdeki yıllarda AI politikasının en kritik meselesi olacak.
Astra hakkında OpenAI’ın resmi yayını için: openai.com. Google’ın consciousness makalesi için arxiv: arxiv.org/abs/2607.28607. İkisi de birlikte okunmaya değer.
Bir yanıt yazın