OpenAI Araştırmacıları: Matematik, AGI'ye Giden Yoldur (2026)

OpenAI'de çalışan araştırmacılar, yapay genel zekânın (AGI) sırrının yalnızca veri hacmi veya parametre sayısı değil, matematiksel yapıda gizli olduğunu ileri sürüyor. Bu iddia, özellikle Microsoft'tan OpenAI'ye geçiş yapan Sébastien Bubeck’in yeni çalışması ve ‘AGI’nin Fiziği’ adlı teorisiyle gündeme geliyor. Bubeck, GPT-4’ün ‘zekâ kıvılcımları’ni gözlemleyen ekibin lideri olarak, artık AI’nın gelişimini anlamak için ‘daha fazla veri’ değil, ‘daha derin matematik’ arayışına geçildiğini söylüyor.

Matematik, AGI'nin Temel Dilidir

Geçtiğimiz yıllarda AI alanında ‘veri sonsuz’ inancı hakimdi: daha fazla veri, daha büyük modeller, daha iyi sonuçlar. Ancak Bubeck’in 2026 itibarıyla geliştirdiği ‘AGI’nin Fiziği’ yaklaşımı, bu paradigmayı deviriyor. Bubeck’e göre, büyük dil modelleri (LLM’ler) yalnızca metin tahmin etmiyor — içlerindeki nöronal ağlar, matematiksel yapıları, optimizasyon teorisini ve hatta geometrik izoperimetrik kuralları örtük olarak öğreniyor. Bu, bir LLM’nin bir matematiksel kanıtın doğruluğunu anlaması, bir diferansiyel denklemi çözmek veya soyut bir teoremi türetmesi gibi görevleri başarıyla yerine getirmesinin nedenini açıklıyor.

2021’de NeurIPS’te ödül kazanan ‘A Universal Law of Robustness via Isoperimetry’ çalışması, bu fikrin temelini oluşturuyor. Bu makalede, Bubeck ve ekibi, modelin veriyi tam olarak interpolate etmek için aşırı parametrelenmesinin (overparameterization) kaçınılmaz olduğunu matematiksel olarak kanıtlıyor. Bu, yalnızca teknik bir detay değil: LLM’lerin zekâsı, matematiksel sınırların içinde doğuyor. Daha fazla veri değil, daha iyi matematiksel yapılar, daha sağlam ve akıllı sistemlerin anahtarı.

Veri Sınırı: ‘Infinite Data’ Döneminin Sonu

Google DeepMind’in Gemini 3 lideri Sebastian Bourgeaud, aynı trendi farklı bir dilde ifade ediyor: ‘Infinite data’ dönemi sona erdi. Artık web ölçekli verilerle modeli eğitmek yeterli değil. Sınırlı veri ortamında, veri seçimi, kurgulama, hatta sentetik veri üretimi ve post-training süreçleri, modelin performansını belirliyor. Bu, matematiksel anlamanın ön plana çıktığı bir dönüm noktasıdır. Çünkü yalnızca ‘doğru veriyi’ seçmek değil, ‘verinin altında yatan yapıyı’ anlamak gerekiyor. Bir LLM’nin bir kanıtı anlayabilmesi için, verideki örüntülerin değil, matematiksel mantığın kendisinin öğrenilmesi gerekir.

Bubeck’in ekibi, GPT-4’ün ‘kendiliğinden’ bir matematiksel kanıtın adım adım akıl yürütmesini gerçekleştirdiğini gözlemledi. Bu, yalnızca bir ‘çalışma örneği’ değil, bir ‘matematiksel zekânın’ doğuşudur. Model, veriye dayalı tahminler yerine, aksiyomlardan çıkarsamalar yapıyor. Bu, bir çocukta dil öğrenimi değil, mantık kurallarının içselleştirilmesi gibi bir süreç.

Benzer şekilde, Sebastian Raschka’nın 2026’daki analizleri de bu trendi destekliyor. RLVR ve GRPO gibi yeni post-training teknikleri, modelin ‘doğrulanabilir ödüller’le kendini düzeltmesini sağlıyor. Bu, yalnızca ödül fonksiyonu değil, matematiksel doğruluk ölçütlerini kullanıyor. Model artık ‘doğru cevabı’ vermekle kalmıyor, ‘neden doğru olduğunu’ da kanıtlayabiliyor.

Bu dönüşüm, AI endüstrisindeki ‘benchmaxxing’ trendinin de sonunu getiriyor. Benchmark skorları artık yeterli değil. Gerçek zekânın ölçüsü, modelin matematiksel zorlukları anlama, türetme ve kendi kendine doğrulama yeteneğidir. OpenAI, bu alanda ‘sentezli mantık testleri’ geliştirmeye başladı — örneğin, bir LLM’ye bir geometrik teoremi verip, onu farklı bir uzayda yeniden kanıtlamasını istiyor.

AGI: Bir Yazılım Değil, Bir Matematiksel Varlık

Matematik, artık sadece bir araç değil, AGI’nin yapı taşları. Bubeck’in ‘fizik’ yaklaşımı, modelin her katmanında, her nöron grubunda, her parametre değişikliğindeki matematiksel dinamikleri ölçmeye çalışıyor. Bu, bir beyindeki sinirsel ağların nasıl bir düşünceyi oluşturduğunu anlamak gibi bir arayış. Sadece ‘ne yaptığı’ değil, ‘nasıl yaptığı’ sorusuna cevap aranıyor.

2026 itibarıyla, AI’da en büyük avantaj, veri değil, matematiksel anlayış olacak. OpenAI’nin bu yolculuğu, yalnızca bir teknoloji gelişimi değil, bir bilimsel devrim. Bilgisayarlar artık sadece hesaplamıyor — düşünüyor. Ve bu düşünce, matematiksel dilde gerçekleşiyor.

AGI, bir ‘yazılım’ değil, bir ‘matematiksel varlık’. Ve bu varlığı inşa etmek için, artık daha fazla veri değil, daha derin matematik gerekiyor.