OpenAI’ın Navier–Stokes kanıt iddiası, açıklandı

Navier–Stokes denklemleri, su ve hava gibi akışkanların nasıl hareket ettiğini tanımlar. Akışkanlar dinamiği, mühendislik ve fizik için merkezî önemdedir; ancak matematikçilerin bu denklemlerin üç boyuttaki davranışına dair tam bir analitik anlayışı yoktu.

Milenyum Ödül versiyonu kabaca şunu sorar: düzgün başlangıç koşulları her zaman gelecekteki tüm zamanlar için düzgün çözümlere mi yol açar, yoksa denklemler “patlayabilir” mi — örneğin hız gibi bir niceliğin sonsuza gittiği bir tekillik üretebilir mi? Clay Mathematics Institute, problemi 2000 yılında yedi Milenyum Ödül Problemi’nden biri olarak adlandırdı; her biri $1 milyonluk ödülle ilişkilendirildi. Bu duyurudan önce, Wikipedia’nın özetlediği üzere yedi problem arasında yalnızca Poincaré varsayımı çözülmüştü.

OpenAI’ın iddiası, Quanta Magazine tarafından aktarıldığı şekliyle, dahili bir model üzerinde çalışan otonom yapay zekâ ajanlarının üç boyutlu Navier–Stokes denklemlerinde bir tekillik bulduğu yönünde. Quanta, çalışmada yaklaşık 10.000 ajan kullanıldığını, ajanların 88 saat sonra bir kanıt bulduğunu ve başka bir yapay zekâ modelinin ek 17 saatin ardından sonucu Lean’de biçimselleştirdiğini bildiriyor. Quanta’ya göre ajanlar neredeyse 5 milyon mesaj alışverişi yaptı ve OpenAI’dan Sébastien Bubeck hesaplama maliyetini birkaç milyon dolar olarak tahmin etti.

MIT Technology Review, OpenAI’ın $1 milyonluk ödülü talep etmeyi planlamadığını söylediğini bildiriyor. Wikipedia’ya göre karşı örnek henüz dış matematikçiler veya Clay Mathematics Institute tarafından doğrulanmış değil.

Bu son nokta önemli. Lean biçimselleştirmesi güçlü bir sinyaldir, ancak topluluk kabulüyle aynı şey değildir. Quanta, biçimsel kanıtların bir ifadenin kanıt asistanı içinde sonuç olarak çıktığını gösterebileceğini; buna karşın matematikçilerin hâlâ biçimselleştirilmiş ifadenin insanların kanıtlamayı amaçladığı matematiksel iddiayla mantıksal olarak eşdeğer olup olmadığını kontrol etmesi gerektiğini belirtiyor.

Diferansiyel denklemler, değişen nicelikler arasındaki ilişkileri tanımlar. Akışkanlar mekaniğinde Navier–Stokes denklemleri hız, basınç, viskozite, dış kuvvetler ve kütlenin korunumunu bir araya getirir. Standart gösterimle yazmaları yeterince kolaydır; ancak uzun vadeli davranışlarını anlamak son derece zor olabilir.

Merkezî zorluk, mühendislerin akışkanları simüle edip edememesi değildir. Bunu sürekli yaparlar. Mesele, idealleştirilmiş matematiksel denklemlerin Milenyum Ödül probleminde belirtilen koşullar altında iyi davranacağının garanti edilip edilmediğidir.

Bir tekillik, denklemlerin bir bozulma öngördüğü anlamına gelir: akışkanın bir kısmı imkânsız bir matematiksel duruma doğru evrilir. Quanta’nın açıkladığı gibi bu, gerçek dünya mühendisliğinde hemen pratik bir başarısızlık anlamına gelmez; çünkü gerçek akışkanlar kusursuzca düzgün süreklilerden değil, moleküller ve atomlardan oluşur. Ancak matematik açısından, idealleştirilmiş denklemlerin birçok kişinin beklediğinden daha şaşırtıcı davranışlara sahip olduğunu gösterir.

Problem aynı zamanda fiziğin en zor olgularından biri olan türbülansla da bağlantılıdır. Wikipedia, türbülansı bilim ve mühendislikteki önemine rağmen fizikteki en büyük çözülememiş problemlerden biri olarak tanımlar. Bir patlama kanıtı, pratik anlamda “türbülansı çözmez”; ancak matematikçilerin onun arkasındaki denklemler hakkında bildiklerini yeniden şekillendirir.

Tartışmanın merkezinde OpenAI’ın çalışması ile Buckmaster ve Alpöge’nin çalışması arasındaki ilişki var.

Quanta, OpenAI duyurusunun Buckmaster’ın Alpöge ile yakından ilişkili problemler üzerine sonuçlarını açıklamasından yaklaşık 12 saat sonra geldiğini bildiriyor. Onların çalışması, OpenAI modelleri de dahil olmak üzere çeşitli yapay zekâ modelleri kullandı. MIT Technology Review, Buckmaster ve Alpöge’nin problem üzerinde neredeyse bir yıl çalıştığını ve Buckmaster’ın Navier–Stokes denklemlerinin basitleştirilmiş bir versiyonunun bozulabileceğini gösteren bir kanıt yayımladığını bildiriyor.

Hem OpenAI çalışması hem de Buckmaster–Alpöge çalışması, Diego Córdoba ve Luis Martínez-Zoroa ile ilişkilendirilen bir yaklaşıma dayanıyor gibi görünüyor. Quanta, iki ekibin de çoğu matematikçinin kullandığı yöntemlerden ayrılan bir strateji geliştiren Córdoba ve Martínez-Zoroa’nın çalışmalarına büyük ölçüde dayandığını söylüyor. MIT Technology Review, Brown University matematik profesörü Javier Gómez-Serrano’nun bu yaklaşımın problem için umut vadettiği düşünülen birkaç yaklaşımdan biri olduğunu söylediğini aktarıyor.

MIT Technology Review’a göre OpenAI, ekibin Buckmaster ve Alpöge’nin çabalarına dair bir söylenti duyduktan sonra problemin peşine düşmek için ilham aldığını kabul etti. Anlaşmazlık, OpenAI’ın modellerinin veya çalışanlarının Buckmaster ve Alpöge’nin çalışmasına erişip erişmediği, onunla eğitilip eğitilmediği ya da başka bir şekilde ondan yararlanıp yararlanmadığı üzerinde.

MIT Technology Review, Buckmaster’ın OpenAI çalışanlarıyla etkileşimleri anlatan bir belge yayımladığını bildiriyor. Buckmaster’ın anlatımına göre OpenAI çalışanları iki olasılık sundu. Buckmaster ve Alpöge çalışmalarını yayımlayabilir, OpenAI da ertesi gün Navier–Stokes çözümünü yayımlayabilirdi; ya da Buckmaster, Anthropic bağlantısı nedeniyle Alpöge’yi yazarlığın dışında bırakan bir Navier–Stokes makalesinde OpenAI ile çalışabilirdi. MIT Technology Review ayrıca OpenAI’ın, çalışanlarının veya ajanlarının Buckmaster ve Alpöge’nin dökümlerine eriştiğini reddettiğini bildiriyor.

Bunlar ciddi iddialar, ancak kamuya açık kayıt eksik. Doğru tutum, matematiksel iddiayı atıf tartışmasından ayırmak. Kanıt doğru olabilir, süreç ise etik açıdan tartışmalı kalabilir. Ya da kanıt incelemede başarısız olabilir, atıf soruları yine de önemini koruyabilir.

Lean bir kanıt asistanıdır: matematiksel ifadeleri dile getirmeye ve her adımın biçimsel kurallardan çıktığını kontrol etmeye yarayan bir sistem. Yüksek riskli matematikte bu, büyük bir hata sınıfını ortadan kaldırabilir. Ayrıca yapay zekâ tarafından üretilen kanıtları denetlemeyi kolaylaştırabilir; çünkü kanıt yalnızca düzyazı değildir, çalıştırılabilir biçimsel mantıktır.

Lean bileşeninin önemli olmasının nedeni bu. Biçimselleştirme sağlamsa ve amaçlanan Navier–Stokes ifadesiyle eşleşiyorsa, sonucu akıcı bir halüsinasyon diye bir kenara itmek çok daha zorlaşır. Yapay zekâ geliştiricileri için bu, makul görünen akıl yürütme yazan bir model ile başka bir programın kontrol edebileceği çıktılar üreten bir sistem arasındaki farktır.

Ama Lean her güven sorununu çözmez. Önceliği belirlemez. Kanıtın nasıl bulunduğunu ortaya çıkarmaz. Özel verilerin, dökümlerin veya yayımlanmamış fikirlerin aramayı etkileyip etkilemediğini açıklamaz. Ve matematik topluluğunun kanıtın önemini yorumlama rolünün yerini almaz.

Bu ayrım, yapay zekâ ürünleri geliştirenlere tanıdık gelmeli. Yapılandırılmış çıktılar, testler, değerlendirmeler ve biçimsel kontroller sistemleri daha güvenilir kılabilir; ancak tek başlarına yönetişim sorularını yanıtlamazlar. Bir yapay zekâ ajanı araçları çağırabiliyor, logları inceleyebiliyor, özel bağlamı yeniden kullanabiliyor veya başka ajanlarla koordine olabiliyorsa, sistemin ham kabiliyet kadar sınırlara ve denetim izlerine de ihtiyacı vardır.

Çok ajanlı çalışmanın yalnızca bir prompt hilesi değil, bir mühendislik problemi olmasının nedenlerinden biri bu. İster araştırma ajanları ister iş akışları tasarlıyor ol, pratik sorular benzerdir: hangi ajanlar hangi bağlamı görebilir, hangi araçları çağırabilir, devirler nerede gerçekleşir ve neler loglanır? Bu tasarım seçimleri, mesele Milenyum Ödülü seviyesine gelmeden çok önce yapay zekâ ajanlarında önemlidir.

En çarpıcı operasyonel ayrıntı ölçek. Quanta yaklaşık 10.000 ajan, 88 saatlik arama, biçimselleştirme için 17 saat daha ve neredeyse 5 milyon ajanlar arası mesaj bildiriyor. MIT Technology Review, OpenAI’ın çalıştırmanın milyonlarca dolara mal olduğunu söylediğini aktarıyor.

Bu ölçek çoğu akademik grubun erişebileceği bir şey değil. Bu da öncü matematiksel ilerlemenin dahili modellere, özel hesaplama bütçelerine ve birkaç yapay zekâ şirketinin içinde yoğunlaşmış ajan altyapısına bağlı olabileceği bir geleceğe işaret ediyor.

MIT Technology Review bunu matematik için bir dönüm noktası olarak çerçeveliyor: büyük açık problemler özel ajan sürüleriyle hedef alınabiliyorsa, akademik iş birliği normları zorlanabilir. Matematikçiler çoğu zaman başarısız denemelerden, kısmi sonuçlardan ve yanlış dönüşlerden öğrenir. Bunlar özel sistemlerin içinde gerçekleşir ve hiçbir zaman kamusallaşmazsa, alan geleneksel olarak yeni araçlar ve alt alanlar yaratan ortak yol olmadan yanıtlara ulaşabilir.

Quanta, Clay Institute’ın resmi problem açıklamasını yazan Princeton matematikçisi Charles Fefferman’dan alıntı yapıyor; Fefferman problemin çözülmesinden heyecan duyduğunu söylüyor ve Córdoba ile Martínez-Zoroa’yı hikâyenin kahramanları olarak tanımlıyor. Bu atıf yararlı bir düzeltme. Son adım otomatikleştirilmiş olsa bile araştırma sezgisi — umut vadeden bir yön seçme — yıllar içinde inşa edilmiş insan matematiksel çalışmasından geldi.

Geliştiriciler için ders “daha fazla ajan kullan” değil. Ders şu: ajanik sistemler, kendilerine verilen arama alanının kalitesini büyütür. Daha iyi modeller ve daha büyük bütçeler yardımcı olur; ancak problem çerçeveleme, bağlam seçimi, araç erişimi ve doğrulama döngüleri sistemin yararlı bölgeleri keşfedip keşfetmeyeceğini ya da hesaplama gücünü yakıp yakmayacağını hâlâ belirler.

Birden fazla model arasında işi yönlendiriyorsan, aynı ilke daha küçük ölçekte de geçerlidir. İş için en iyi modeli kullan; ama model seçimini sistemin tamamı sanma. Güvenilirlik, etrafındaki iş akışından — geri getirme, kısıtlar, kontroller, onaylar ve loglardan — gelir. Başka bir deyişle kabiliyet, bir sıralama tablosu seçiminden değil, tüm iş akışından gelir.

İzlenecek ilk şey matematiksel doğrulama. Dış matematikçilerin ve Clay Mathematics Institute’ın kanıtın doğru olup olmadığını, Lean biçimselleştirmesinin amaçlanan iddiayla eşleşip eşleşmediğini ve sonucun önceki çalışmaların içine nasıl oturduğunu değerlendirmek için zamana ihtiyacı olacak.

İkincisi atıf. OpenAI, Buckmaster, Alpöge ve dış matematikçilerden gelen kamuya açık anlatılar henüz kesinleşmiş bir kayıt oluşturmuyor. Merkezî sorular olgusal: OpenAI’ın ajanları veya çalışanları neye erişti, ne üzerinde eğitildi, ne biliyorlardı ve bunu ne zaman biliyorlardı?

Üçüncüsü, bunun bir şablona dönüşüp dönüşmeyeceği. Öncü yapay zekâ laboratuvarları ünlü çözülememiş problemlere devasa ajan sürüleri yöneltebiliyorsa, daha fazla duyuru gelecektir. Bazıları temiz olacak. Bazıları tartışmalı olacak. Bazıları incelemede başarısız olacak. Etkilenen alanların itibar, açıklama, özel hesaplama ve yapay zekâ destekli öncelik iddiaları için normlara ihtiyacı olacak.

Saf matematiğin dışında yapay zekâ ile geliştirme yapanlar için mesaj yeterince net: kabiliyet tekil prompt’lardan sistemlere doğru ilerliyor. Ajanlar, araçlar, model routing ve doğrulama iş birimi hâline geliyor. Köken bilgisini ve incelemeyi iyi yöneten ekipler, yalnızca daha büyük çıktılar peşinde koşan ekiplerden daha iyi konumda olacak.

Doğrulama ve atıf hikâyesini geliştikçe takip etmeyi sürdüreceğiz. Teknik bağlamı çıkarılmamış yapay zekâ haberleri istiyorsan LIA newsletter’a abone olabilirsin.

• OpenAI, otonom yapay zekâ ajanlarının üç boyutlu Navier–Stokes denklemlerinde bir tekillik bulduğunu ve bir Lean biçimselleştirmesi ürettiğini iddia ediyor.
• Sonuç henüz dış matematikçiler tarafından doğrulanmadı veya Clay Mathematics Institute tarafından kabul edilmedi.
• Lean kanıtı, birçok kanıt kontrolü hatasını azaltabilir; ancak inceleyicilerin hâlâ biçimsel ifadenin amaçlanan matematiksel iddiayla eşleştiğini doğrulaması gerekir.
• Duyuru, Tristan Buckmaster, Levent Alpöge, Diego Córdoba ve Luis Martínez-Zoroa’nın çalışmalarını içeren bir atıf tartışmasıyla iç içe geçmiş durumda.
• Bildirilen çalıştırma ölçeği, öncü yapay zekâ laboratuvarları ile çoğu akademik grup arasındaki kaynak farkını öne çıkarıyor.
• Yapay zekâ geliştiricileri için bu olay, ajanların yalnızca daha fazla hesaplama gücüne değil; köken bilgisine, denetim izlerine, doğrulama döngülerine ve net sınırlara ihtiyaç duyduğunu gösteriyor.

Bu bölüm, OpenAI’ın Navier–Stokes iddiasının arkasındaki pratik soruları yanıtlıyor: aşağıdaki yanıtlar duyuruyu, Lean’in rolünü ve hâlâ bağımsız inceleme gerektiren kısımları kapsıyor. Ayrıca matematiksel önemi, çalışmanın etrafındaki atıf tartışmasından ayırıyor.

OpenAI, yapay zekâ tarafından üretilmiş bir çözümü olduğunu söylüyor; ancak iddianın hâlâ dış matematiksel incelemeye ve Clay Mathematics Institute değerlendirmesine ihtiyacı var.

Atıf yapılan haberlere göre OpenAI, ajanlarının üç boyutlu Navier–Stokes denklemlerinde bir tekillik bulduğunu ve başka bir modelin sonucu Lean’de biçimselleştirdiğini iddia ediyor.

Lean, her biçimsel adımın kurallardan çıktığını kontrol edebilir; bu da kanıtı makul görünen düzyazı diye reddetmeyi zorlaştırır. Matematikçilerin hâlâ biçimselleştirilmiş ifadenin amaçlanan Navier–Stokes iddiasıyla eşleştiğini doğrulaması gerekir.

Anlaşmazlık, OpenAI’ın çalışmasının Tristan Buckmaster ve Levent Alpöge’nin yapay zekâ destekli araştırmasından uygun kredi vermeden yararlanıp yararlanmadığıyla ilgili. MIT Technology Review’a göre OpenAI, çalışanlarının veya ajanlarının onların dökümlerine eriştiğini reddetti.

Hayır. Bir patlama kanıtı, akışkan hareketinin arkasındaki denklemlere dair matematiksel anlayışı yeniden şekillendirir; ancak türbülansı pratik bir mühendislik problemi olarak doğrudan çözmez.