Yapay Zeka Açık Matematik Problemlerini Çözduğünde, Dâhi için Ne Kalır?

Matematik uzun süredir en saf zeka ölçütü olarak kabul edilmiştir. Diğer bilim dallarının aksine, laboratuvar ekipmanlarına, deneysel gürültüye veya ölçüm araçlarına bağlı değildir. Bir kanıtlama ya doğrudur ya da değildir. Bu açıklık, büyük çözülmemiş problemlerin -her bilinen tekniğe karşı direnen varsayımların- bir çeşit entelektüel Everest Dağı haline gelmesinin nedenidir.

Tarih genellikle aynı hikayeyi anlatır: bir soru havada asılı kalır on yıllar veya yüzyıllarca sürebilir, sonra da herkesin göremediği bir yolu gören -sabır, yaratıcılık ve teknik güç gibi olağanüstü bir karışımı olan- nadir bir zihin ortaya çıkar. “Lone genius”i kutlarız çünkü matematikte bu anlatı thườngça uyuyor.

Ancak yeni bir model ortaya çıkmaya başlıyor. 2025’in sonlarında ve 2026’nın başlarında, birkaç Erdős problemi (Paul Erdős tarafından toplanan açık problemler) etrafındaki çevrimiçi tartışmalar, AI destekli kanıtlamaların olağanüstü kısa sürede birçok maddeyi çözebileceğini öne sürdü. Bu kanıt taslaklarının bazıları, Terence Tao da dahil olmak üzere önde gelen matematikçiler tarafından incelendiği bildirildi. Tao, AI’nin matematiksel bir işbirlikçi olarak artan rolü hakkında kamuoyu önünde konuşmuştur. Yine de en önemli uyarı devam etmektedir: matematik başlıklarla yürütülmez. Geniş kabul genellikle zaman alır – bağımsız doğrulama, dikkatli yazma ve bazen de kanıtlama kontrol sistemlerinde formalizasyon.

Bununla birlikte, daha geniş nokta vẫn duruyor: dünya, AI’nin yalnızca hesaplamayan, özetlemeyen veya desen eşleştirmeyen, sondern akıl yürütme eylemine katılan nasıl davrandığını ilk gerçek bakışını alıyor. Eğer AI, insan nesillerince mücadele ettiği problemleri güvenilir bir şekilde çözebilirse, daha derin bir soru ortaya çıkar:
İnsan dâhiği ne yapacak – makine zirveye ilk ulaştığında?

“Silikon Mantığı”nın Mekaniği

Bu anın neden farklı hissettiğini anlamak için, insanların thườngça birbirine karıştırdığı iki AI sürümünü ayırmak yardımcı olur.

Önceki nesil dil modelleri thườngça “sonraki muhtemel kelimeyi tahmin eden” sistemler olarak tanımlanıyordu. Etkileyici olabilirlerdi, ancak aynı zamanda “kendinden emin saçmalık” eğilimindeydiler çünkü yavaşlama, fikirleri test etme veya kendini düzeltme yetenekleri sınırlıydı.

Yeni sistemler artan olarak farklı bir yaklaşıma güveniyorlar: test zamanı akıl yürütme (bazen “test zamanı hesaplama” olarak tartışılır). Model, hemen bir cevap üretmek yerine, tek bir problem üzerinde daha fazla zaman harcayabilir – aday yaklaşımlar oluşturabilir, adımların mantıksal olarak takip edip takip etmediğini kontrol edebilir, çelişkilerle karşılaştığında geri dönebilir ve alternatif rotaları keşfedebilir. İnsan terimlerinde, bir matematikçinin beyaz tahtada yaptığı şey gibi görünür: bir şey dene, kır, onar ve tekrarla.

Bu, matematikte önemlidir çünkü ilerleme genellikle düz bir çizgi değildir. Çoğu vaat edilen fikir başarısız olur. Geri dönme yeteneği -ego, yorgunluk veya cesaret olmadan- imkansız bir aramayı çözülebilir bir aramaya dönüştürebilir.

Modern AI sistemleri, yalnızca hesap makineleri gibi hissetmeyen, sondern işbirlikçi gibi hissetmeyen dört pratik yetenek sunarak hesaplamadan öteye geçtiler. Büyük ölçekli sentezde uzmanlaşırlar, literatürün geniş gövdesi ve niche alt alanlar boyunca fikirleri bağlarlar ve nadiren alıntı yapılan anahtar lemmaları bağlarlar. Ayrıca hızlı yinelemeyi sağlarlar, birçok kanıt “rotasını” nhanh chóng test edebilir ve ölü sonları atabilirken vaat edilen alt yapıları korur. Ayrıca, mantıksal olarak sound olmasına rağmen insan sezgisine yabancı gelen alışılmadık heuristikler önerirler. Son olarak, formal kanıt asistanları gibi Lean veya Coq’ya çevrilebilecek doğrulama dostu çıktı üretirler ve topluluğa daha yüksek güvene giden bir yol sağlar.

Önemli olan, AI’nin matematiği insan gibi “anladığı” değil, belirli kısıtlamalar altında, inceleme altında tutulan akıl yürütme zincirleri üretebildiğidir. Matematikte, bu önemli olan para birimidir.

Neden Erdős Tarzında Problemler Erken Hedefler Olarak Anlamlı?

Tüm matematiksel cepheler AI hızlandırmasına eşit derecede “zayıf” değildir. Bazı problemler tamamen yeni teori, yeni tanımlar veya derin kavramsal sıçramalar gerektirir ki bunlar literatürde fazla dayanak bulunmayan alanlardır. Ancak diğer problemler – özellikle kombinatorik, sayı teorisi ve ayrık matematikte- farklı bir şekle sahiptirler:

• Açıklaması yeterli basitliktedir.
• Bilinen araçlar boldur, makaleler ve kolayca kaçırılabilecek şekilde dağılmışlardır.
• İlerleme, mevcut sonuçları akıllıca birleştirmekten gelir.

Erdős problemleri thườngça bu profile uyuyorlar. Kolayca açıklanabilirler ancak çözülmesi zordurlar ve kanıtları çeşitli tekniklerin yamalı bir işini içerir: olasılıksal yöntemler, extremal kombinatorik, ergodik teori, harmonik analiz ve daha fazlası.

Bu, onları AI için bir “basın testi” olarak kullanışlı kılar. Bir sistem, geniş insan çabalarına karşı direnen bir problem için inandırıcı bir kanıt stratejisi önerebilirse, bu anlamlıdır – hatta eğer ana fikir zaten daha eski çalışmalarda implicitse veya kanıtlamanın kanonik hale gelmesi için parlatılması gerekiyorsa.

Başka bir deyişle: hikaye “AI matematikçileri değiştirir” değil. Hikaye, AI’nin “sonuç zaten var” ile “topluluk gerçekten görebileceği” arasındaki mesafeyi azaltabileceğidir.

Yapay Zeka İnsanların Unuttuğu Şeyi Yeniden Keşfettiğinde

Modern bilimde en ilginç kalıplardan biri, insanların bilgiye sahip olmaması değil, sondern geri çağırmak için mücadele etmesi gerçeğidir.

Matematik devasadır. Sonuçlar on yıllar boyunca dergiler, atölye notları ve kendi dilleri ve kuralları olan uzmanlık alt alanlar boyunca dağılmıştır. Hatta mükemmel matematikçiler bile bir teoremi gözden kaçırabilir – bir niş domaine içinde “açık” olan bir teorem. Zamanla, tüm akıl zincirleri gömülebilir – yanlış olduklarından değil, sondern dikkatin başka yere kaydığından.

AI bu dinamiği değiştirir, çünkü insanların nadiren baktığı sıkıcı köşelere bakmaya istekli olur. Ayrıca, insanların geleneksel olarak ayrı tuttuğu alt alanlar arasındaki diyalektleri köprüler ve fikirleri hizalar. Bu, birçok insanın vaat ettiği en derin yerine bakıyor. AI, tamamen yeni matematik icat etmediğinde, bir “bilgi kazıcı” gibi işlev görebilir, unutulmuş yapıları geri getirir ve onları yeni şekillerde birleştirebilir.

“Büyük Matematik” Değişimi: Kanıt Yazıcısından Şef’e

Eğer AI devam ederse, en büyük değişiklik perhaps makinelerin daha fazla teorem çözmesi olmayacak. İnsan matematikçisinin rolünün değişmesi olabilir.

Yüzyıllarca boyunca, matematik yapmak, kanıtları kendiniz bulmak, her adımı doğrulamak ve diğer uzmanların kontrol edebileceği şekilde yazmak anlamına geliyordu. Bu emek, zanaatin bir parçasıdır. Ancak aynı zamanda bir darboğazdır. Çok vaat edilen birçok fikir, insan zamanının bunları tam olarak gerçekleştirmek ve formalize etmek için fazla yüksek olmasından dolayı ölür.

AI hızlandırılan bir dünyada, kanıt daha az kıymetli hale gelir. Bu, matematiği basitleştirmez. Sadece zor işin nerede yaşadığını değiştirir.

Matematikçi Haritacı Olarak, Hesap Makinesi Olarak Değil

Eğer bir kanıt artık ana darboğaz değilse, “dâhi” daha yüksek düzeydeki görevlere kayar. Çözülmesi en değerli soruları seçmek, insan sorumluluğunun merkezi haline gelir, aynı zamanda yeni soyutlamalar tasarlamak gibi invariyantlar ve alan köprüsü tanımları gibi görevler. Ayrıca, büyük zekâlar, araştırma programları oluşturmak için varsayımların manzaralarını haritalamak, keşfi koordine etmek ve soyut sonuçları diğer alanlar için işlevsel araçlara çevirmek üzerine odaklanacaktır.
Şah matında bilgisayar motorlarının insanları geçtiği zamandan sonra olan değişimi düşünün. İnsan satrancı sona ermedi. İnsanlar, makineye daha iyi sorular sormayı, önerilerini yorumlamayı ve hesaplamayla sezgiyi birleştiren stratejiler geliştirmeyi öğrendiler.

Matematik benzer bir dönüşüme uğrayabilir – ancak bahsi geçen şeyler daha geniştir. Yeni matematiksel araçlar, kriptografi, optimizasyon, makine öğrenimi, fizik ve ekonomiyi yeniden şekillendirebilir. AI keşif maliyetini azaltırsa, aşağı akış etkileri muazzam olabilir.

Bu “Ücretsiz Düşünme” mi, yoksa Sadece Çok Hızlı Arama mı?

Makul bir şüpheci şöyle diyebilir: bu zeka değil, sadece kaba kuvvettir. Makineye yeterli hesaplama gücü verin, bir şeyler bulacaktır.

Gerçekten bir nokta var. AI ölçek getirir. Çok fazla yol denenebilir. Ancak en ilginç durumlar rastgele değil, sondern yapılandırılmış sentezdir: kavramları bağlamak, alışılmadık bağlamlarda lemmaları yeniden kullanmak ve uzmanların doğrulayabileceği tutarlı bir akıl yürütme zinciri oluşturmak.

Uygulamada, “arama” ve “düşünme” arasındaki çizgi bulanıklaşır. İnsan matematikçiler de arar – fikirlerden, analojilerden, kısmi sonuçlardan. Önemli olan, sürecin yeni, doğrulanabilir gerçeklik üretip üretmediğidir.

Eğer AI bunu tutarlı bir şekilde yapabilirse, o zaman etiket önemlidir. Sınırlar her şekilde değişir.

Hangi Sınırlar Sonraki Olarak Düşebilir?

Eğer AI devam ederse, bir model beklemeliyiz: düşen problemler, genellikle zaten mevcut olan ancak parçalanmış bilgide, mevcut tekniklerin birleştirilebileceği ve formal doğrulamanın nhanh chóng güveni artırabileceği alanlarda olacaktır.

Yakın vadeli hedefler olarak düşünülmesi muhtemel olanlar:

• Uzaklaştırıcı kombinatorik ve graf teorisi: zengin araç setleri, birçok bilinen lemma ve temiz, ayrık terimlerle tanımlanmış problemler.
• İlaveli sayı teorisi: tekniklerin birleştirilebileceği ve “köprü” argümanlarının alanları bağlayabileceği verimli bir alan.
• Optimizasyon ve karmaşıklıkla ilgili sorular: en derin “P vs NP” seviyesi değil, sondern algoritmalar ve sınırlar etrafındaki birçok küçük yapısal sonuç.
• Formalize edilebilir alt alanlar: kısmen kanıt asistanlarına kodlanmış alanlar, AI’nin fikirlerden doğrulanmış teoreme çeviriyi hızlandırabileceği alanlar.

Büyük, ünlü problemler – Milenyum Ödülü problemleri gibi- belki hala derin kavramsal buluşlar gerektirecek. Ancak AI, even orada, çevre araziyi oymaya başlayabilir: lemmaları kanıtlamak, özel durumları keşfetmek ve nihai bir insan (veya hibrit) sıçramasının daha olası hale gelmesini sağlayan iskeleler oluşturmak.

Felsefi Dönemeç: Soru Soranların Dönüşü

Kanıtların mekaniklerini otomatikleştirdikçe, disiplinin başlangıcından beri var olan bir gerçeği yüzleşmek zorundayız: matematik, her zaman felsefenin bir alt kümesidir. Tarihsel olarak, türümüzün en değerli zekâları, hayatın en anlamlı sorularıyla boğuşabilen zekâlardı. Yunanlılar, sayıların çalışmasını varlığın çalışmasından ayırmadılar; onlara göre, bir sayının “rasyonel olmaması” hem mantık hem de ruh krizi idi.

Modern dönemde, insan “dâhi” değerlememizi, master hesaplayıcının -biyolojik bir işlemci olarak işlev gören zihne- doğru kaydırdık. Zekâyı, bilinen bir süreci aşırı verimlilikle gerçekleştirebilme yeteneğiyle eşanlamlı kıldık. Ancak AI, bu kanıtların zirvesine ilk ulaştığında, bu teknik darboğaz buharlaşır. Bu, insan zekâsını azaltmaz; onu “yukarıya taşıma”ya zorlar.

Geleceğin değerli zekâları, bilinen bir süreci aşırı verimlilikle gerçekleştirebilenler olmayacak. Felsefeciler, keşfedilmeye değer olanı tanımlayabilenlerdir. “Nasıl” bir komodite haline geldiğinde, “neden” tek kalan kıtlık haline gelir. Polymath’ın çağına geri dönüyoruz, burada bir hayat değiştiren soru sorma yeteneği, yeni bir anlama sınırı çizme yeteneği, en üstün beceri haline geliyor. Bir kürekle bir ekskavatör arasında olduğu gibi, artık ellerimizle kazma yeteneğimiz için değil, nerede kazmayı karar verdiğimiz için değer veriliyoruz.

SONUÇ: Dâhiyi Yukarıya Taşıyan Bir Gelecek

Eğer AI, bir zamanlar bir asırda bir zekâyı gerektiren problemleri çözebilirse, bu matematiğin bittiği anlamına gelmez. Matematiği nasıl yaptığımızı değiştirir.

Kanıtlar ucuzladığında, kıt kaynak başka bir şey haline gelir: iyi sorular, faydalı soyutlamalar ve matematiğin ne anlama geldiğini yorumlama yeteneği.

Geleceğin “benzersiz zekâsı”, on yıllar boyunca bir kanıtı çözmeye çalışan yalnız bir figür gibi görünmeyebilir. Daha çok, hangi dağların tırmanmaya değer olduğunu gören, insanlarla makinelerin birlikte tırmanabileceği yeni bir keşif türünü koordine eden fikir haritacıları gibi görünebilir.