OpenAI'ın Astra Modeli On Açık Matematik Problemini Çözdü — Asıl Hikâye Matematik Değil

Kısacası: 1 Ağustos 2026'da OpenAI, bir sonraki modeli Astra'nın dahili bir sürümünün matematik ve kuramsal bilgisayar bilimindeki, her biri en az on yıldır çözülemeyen on açık problemde yeni sonuçlar ürettiğini duyurdu. Sonuçların kendisinden daha önemli olan, nasıl teslim edildikleridir: her biri GitHub'da makine tarafından denetlenebilen bir Lean 4 ispat sertifikasıyla, 249 sayfalık bir makaleyle birlikte ve toplamda yaklaşık 2.000 $ hesaplama maliyetiyle geldi. Bir işletme sahibi için ders, grup teorisi ya da küre paketleme ile ilgili değil. Tek bir ilkeyle ilgili: Size makine tarafından doğrulanabilir bir çıktı veren yapay zekâ, size ikna edici bir metin veren yapay zekâdan temelden farklıdır.

Tam olarak ne duyuruldu?

Öne çıkan sonuç, sofik olmayan grup denen yapının ilk açık inşasıdır; bu soru, Mikhail Gromov 1999'da sofiklik kavramını ortaya attığından beri açıktı. Bunun yanında Connes'un von Neumann cebirleri üzerine katılık sanısının çürütülmesi, Ehrhart'ın hacim sanısının ispatı, Paul Erdős'ün kataloğundaki üç problemin çözümü — çok renkli Ramsey sayıları üzerine Problem 183 dahil — ve yüksek boyutlu küre paketleme yoğunluğu için iyileştirilmiş bir üst sınır geldi; bildirildiğine göre bu, 1978'den bu yana ilk iyileştirme.

Bunu önceki "yapay zekâ bir problemi çözdü" iddia dalgalarından ayıran şey teslim biçimidir. OpenAI, güvenmeniz istenen bir iddia yerine her sonuç için Lean 4 sertifikaları yayımladı ve "sorry" sayısı sıfırdı — bu, yayımlanan dosyalarda ispatsız bırakılmış hiçbir adım olmadığı anlamına gelen teknik işarettir. Bilgisayarı olan herkes depoyu klonlayabilir, denetleyiciyi çalıştırabilir ve aylarca manuel inceleme beklemek yerine dakikalar içinde kesin bir sonuç alabilir.

Değer, modelin bir sonuç iddia etmesinde değil. Değer, modelin bu iddiayı sizin adınıza denetleyen bir makineyi de teslim etmesinde.

Madalyonun öbür yüzü: dile getirilmesi gereken ciddi eleştiriler

Tablo her yönüyle parlak değil ve bunu söylemek dürüstlüğün gereği. Uzman matematikçiler esaslı itirazlar dile getirdi. Birincisi, on sonucun hiçbiri hakem değerlendirmesinden geçmedi ve duyuru bir dergi yerine şirketin blog yazısıyla yapıldı — bazıları bunu Haziran 2026'da yayımlanan Leiden Bildirgesi'nin ruhuna aykırı buluyor. İkincisi, önceki çalışmalara atıf yapılmadığına dair iddialar var: araştırmacılar, küre paketleme argümanının daha önce yayımlanmış bir akıl yürütme çizgisini atıfsız yeniden kullandığını belirtti ve aynı örüntü sofik olmayan gruplar sonucunda da işaret edildi.

Önemli bir teknik çekince de var. Lean, geniş bir yerel mantık hatası sınıfını ortadan kaldırır, ancak tanımları — ya da gayriresmî bir matematik sorusunun biçimsel bir ifadeye çevrilmesini — mekanik gerçeklere dönüştürmez. Açıkça söylemek gerekirse: Bir ispat tamamen doğru olabilirken ispatlanan ifade, insanların yanıtlandığına inandığı soruyla örtüşmeyebilir. Deponun kendisi de çalışmayı bağımsız olarak insanlar tarafından incelenmiş değil, "ajanlar tarafından incelenmiş" olarak tanımlıyor.

Suudi bir işletme için pratik karşılığı

Grup teorisindeki bir soru ile mağazanız, fabrikanız ya da hizmet şirketiniz arasındaki mesafe çok büyük görünebilir. Ancak ana fikir doğrudan aktarılabilir, çünkü yapay zekâ çıktıları tamamen farklı risk yönetimi gerektiren iki kategoriye ayrılır:

  • Makine tarafından doğrulanabilir çıktı: testleri geçen kod, denk gelen bir muhasebe kaydı, e-fatura platformunun kabul ettiği bir fatura, sonucunu bir referans kaynağıyla mutabık kılabileceğiniz bir veritabanı sorgusu. Burada modelin hızlı ilerlemesine izin verebilirsiniz, çünkü dalkavukluk yapmayan nihai bir hakem vardır.
  • Doğrulanamayan çıktı: bir toplantı özeti, bir müşteri yanıtı, bir pazar analizi, bir işe alım önerisi. Geçti ya da kaldı diyen bir denetleyici yoktur; bu nedenle insan incelemesine, görünür kaynaklara ve modelin neyi öne sürebileceğine dair net sınırlara ihtiyacınız vardır.

Şirketlerde en sert başarısız olan yapay zekâ projeleri, ikinci kategoriyi birinciymiş gibi ele alanlardır. Tersi de doğrudur: Belirli bir sürecin doğru tasarlandığında aslında otomatik doğrulamaya elverişli olduğunu kimse fark etmediği için pek çok kazandırıcı fırsat kaçırılır.

Şirketinizde bir doğrulama katmanı nasıl kurulur

İlk adım, otomatikleştirmeyi düşündüğünüz her süreç için şunu sormaktır: Bir insan okumadan, çıktının doğru olduğunu hangi test kanıtlar? Bir yanıt varsa, mükemmel bir otomasyon adayınız var demektir. Yoksa, ya böyle bir test tasarlarsınız ya da döngüde bir insan tutarsınız.

İş sistemlerinde bu somut şeyler anlamına gelir: yalnızca kullanıcı arayüzünde değil, veritabanı düzeyinde uygulanan doğrulama kuralları; sipariş, fatura ve stok arasında otomatik üçlü eşleştirme; model çıktısına güvenmeden önce tek bir doğruluk kaynağıyla mutabakat; her kod değişikliğinde çalışan otomatik testler; ve kimin neyi, ne zaman ve hangi verilerden ürettiğini gösteren bir denetim izi. Bu bir mühendislik lüksü değildir — yapay zekâyı hassas operasyonlarda kullanmayı denetçinize, müşterinize ve düzenleyicinize karşı savunulabilir kılan şeydir.

Düzenleyici boyutu da göz ardı etmeyin. Krallık'taki her türlü kişisel veri işleme Kişisel Verilerin Korunması Kanunu (PDPL) kapsamındadır ve bu kanunun amaçla sınırlılık, veri minimizasyonu ve hesap verebilirlik ilkeleri, pratikte modelin ne yaptığına dair belgelenmiş bir kayda ihtiyacınız olduğu anlamına gelir — yalnızca kalitesine duyulan güvene değil.

Akılda tutulması gereken üç çıkarım

Birincisi, derin akıl yürütme yeteneği pek çok şirketin yol haritasının varsaydığından daha hızlı ilerliyor ve işletme maliyeti hızla düşüyor — araştırma düzeyinde on sonuç için 2.000 $ üzerinde durmaya değer bir rakam. İkincisi, model yeteneğini güvenebileceğiniz operasyonel değere dönüştüren şey güven değil, doğrulamadır. Üçüncüsü, kaynaklar ve atıf konusundaki şeffaflık artık kozmetik bir ek değil, çıktı kalitesinin bir parçasıdır — ve bu haftaki eleştirilerin tam olarak hedef aldığı yer de burasıdır.

Origami'de bunu nasıl kuruyoruz

Biz bir teknoloji şirketiyiz ve yapay zekâ çalışmalarımız aynı soruyla başlar: Çıktı nerede otomatik olarak doğrulanabilir, nerede doğrulanamaz? Sistemleri, modelin net sınırlar içinde çalışacağı, çıktılarının kendi sistemlerinizdeki doğrulama kurallarından ve doğruluk kaynaklarından geçeceği ve her adımın bir kayıt bırakacağı şekilde tasarlıyoruz. Amaç daha akıllı bir model değil — inceleyebildiğiniz için güvenebileceğiniz bir süreçtir.

Kaynaklar

  • OpenAI resmî duyurusu: openai.com
  • Sofik olmayan gruplar ayrıntısını da içeren The Next Web haberi: thenextweb.com
  • SiliconANGLE'ın sonuçlar ve yayımlanan ispatlar üzerine haberi: siliconangle.com
  • Suudi Veri ve Yapay Zekâ Otoritesi (SDAIA) — Kişisel Verilerin Korunması Kanunu (PDPL): sdaia.gov.sa