Saf Matematik Neden Ölmedi: Yapay Zeka Çağında Soruların ve Gözlemcilerin Gücü

Manşetler art arda geliyor: falanca yapay zeka sistemi falanca matematik problemini çözdü. Koroya katılan sesler giderek yükseliyor, belki artık insanlara matematik araştırması yaptırmaya gerek kalmadı, işi daha güçlü modellere devredelim deniyor. Konuşmacı bu tabloya karşı açık bir sabırsızlık duyuyor, çünkü ona göre ortada hem matematiğin hem de yapay zekanın ne olduğuna dair köklü yanlış anlamalar var. Bu yazı, videoyu baştan sona izlemiş ve konuyu ayrıca araştırmış bir anlatıcının gözünden o yanlış anlamaları tek tek söküyor ve saf matematik denen girişimin gerçekte ne olduğunu anlatıyor.

Tarih tekerrür ediyor hissi boşuna değil. 1988 yılında Mathematica ilk çıktığında da benzer kehanetler duyulmuştu: sembolik hesap makineye geçince matematik bitecek denmişti. Oysa olan tam tersiydi; integral hesabı gibi mekanik işler otomatikleşince matematikçiler daha yüksek bir seviyeden çalışmaya başladı ve yıllar içinde yepyeni matematik alanları doğdu. Bu tarihsel ders, archive.org adresinde arşivlenen ve sistemin ilk dönemini belgeleyen orijinal Mathematica kitabının da gösterdiği üzere, otomasyonun seviyeyi düşürmediğini aksine yükselttiğini kanıtlayan güçlü bir örnek olarak yazının omurgasında durmaktadır.

Bugünün manşet dalgası ise kıyaslama tablolarıyla şişiyor. En taze örnek, deepmind.google adresinde Temmuz 2025'te duyurulan ve gelişmiş bir Gemini sürümünün Uluslararası Matematik Olimpiyatı'nda altın madalya standardına ulaştığını bildiren gelişmedir; altı zorlu problemde seçkin genç beyinlerle boy ölçüşen bir sistem kulağa devrim gibi gelmektedir. Konuşmacı bu başarıları küçümsemiyor ama uyarıyor: kıyaslamaya çalışmak, tıpkı standart testlere çalışmak gibidir, tabloyu ezberlersin ama gerçek araştırma yeteneğini ölçtüğün şüphelidir. Asıl soru, sistemin ödüllük soruları çözmesi değil, hangi soruların sorulmaya değer olduğuna kimin karar vereceğidir.

Burada durup daha temel bir soruya inmek gerekiyor: saf matematik denen devasa girişim nedir. Platon ve Öklid döneminden beri bu alan, soyut akıl yürütmenin katman katman büyüyebildiği ender yerlerden biri oldu. Yüzyıllar içinde uygarlığın inşa ettiği en büyük entelektüel yapıya dönüştü, elbette kendi patolojileri ve kör noktalarıyla birlikte. Kimi bu işi ne pahasına olursa olsun kanıt üretmek sanıyor, kimi her adımın uygulamayla gerekçelendirilmesi gerektiğini düşünüyor, kimi de keşfedilmeyi bekleyen ideal bir doğru cevaplar kitabına inanıyor.

Konuşmacının kişisel tarihi bu sorulara ayrı bir ağırlık katıyor. Temel bilimdeki çalışmaları onu tüm olası matematiklerin uzayını, teorem ağlarının sınırlayıcı yapısını ve insan denen varlığın bu yapıyı tanımlamadaki rolünü sorgulamaya itmiş durumda. Bu bakış, writings.stephenwolfram.com adresinde Eylül 2026'da yayımlanan ve videonun da okumasını yaptığı kapsamlı yazıda sistemli biçimde savunulan gözlemci-merkezli matematik anlayışıyla birebir örtüşmektedir ve yazının geri kalanındaki her argüman bu zemine basmaktadır.

Güncel yapay zekanın değeri inkar edilmiyor, tam tersine çok somut bir yerde konumlanıyor: tematik madencilik. 1970'lerde anahtar kelimeyle literatür taramak nasıl araştırmaların önünü açtıysa, bugünkü modeller milyonlarca makale ve kitabın içinden ham fikirleri çekip yan yana koyabiliyor. İnsanlar birkaç yüz makale okur, modeller fiilen milyonlarcasını okumuş oluyor ve ucuza binlerce bileşimi deneyebiliyor. Bu tablo, marginalrevolution.com adresinde 2024'te yayımlanan ve Terence Tao'nun biçimlendirme projelerinin matematik işbirliğini donanım tedarik zinciri gibi uzmanlaştırdığını anlattığı söyleşiyle de desteklenmektedir.

Ama madencilik ile büyük matematik arasında kritik bir eşik var. Büyük matematik her şeyden önce sorduğu sorularla tanımlanır; yanıtı otomatikleştirmek, soruyu seçmek demek değildir. Yapay zeka, insanların eskiden kendilerinin yapmak zorunda olduğu pek çok ara işi üstlenebilir, ancak hangi yöne bakılacağına dair hayal gücü hamlesi çekirdekte insana aittir. İşte bu yüzden modeli başıboş bırakıp büyük matematikle dönmesini beklemek, pusulasız gemiden liman beklemeye benziyor.

Hesaplamanın Sınırı ve Yeni Üretim

Modern yapay zeka ile saf hesaplamanın farkı, yazının kavramsal kalbidir. Yapay zeka öncelikle insanlığın mevcut bilgi haznesinden yararlanma yoludur; hesaplama ise en güçlü halinde, temelde ve indirgenemez biçimde yeni şeyler üretmenin açık uçlu yoludur. Bir kuralı ya da aksiyomu alıp tekrar tekrar işletirsiniz ve karşınıza daha önce hiç görülmemiş sonuçlar çıkar. Bu ayrımı net görmek, yapay zekadan ne beklenmesi gerektiğini anlamanın ilk koşulu olarak sunulmaktadır.

Bu üretkenliğin arkasındaki ilke, 1980'lerde ortaya atılan hesaplamalı indirgenemezliktir: basit kurallarla tanımlı pek çok süreçte genel bir kestirme yoktur, sonucu öğrenmenin tek yolu adımları açıkça koşturmaktır. Bu olgu, olası programların evreninde son derece yaygındır ve bilimden felsefeye uzanan temel meselelere bağlanır. Tanımın özü, mathworld.wolfram.com adresindeki hesaplamalı indirgenemezlik maddesinde de kayda geçtiği üzere, indirgenemez bir sorunun yanıtını kestirmenin tek yolunun hesabı fiilen yapmak ya da benzetimini koşturmak olduğudur.

Yapay zekadan bağımsız olarak hesaplama, sonsuz yeni teorem dizisi üretebilir ve bunların arasında özgünlük ve şaşkınlık bolca bulunur. Ne var ki bu teoremler, konuşmacının ruloloji adını verdiği alanın incelediği gibi, hesaplama evreninden çekilmiş buluntulardır. Peki bunlar matematik midir sorusu, yanıtı matematik tanımına bağlı olduğu için yazıyı asıl meseleye geri döndürür: matematik dediğimiz şeyin ne olduğunu anlamadan bu soru yanıtlanamaz.

Tarih bu tanıma giden yolda uyarıcıdır. 19. yüzyılın sonlarında matematik, dünyaya dair kesin konuşma aracı olmaktan çıkıp yüksek soyutlama katmanlarına yükselmiş, giderek biçimci bir görüş dalgayı sarmıştı: matematik, küme teorisi gibi aksiyomlardan mekanik biçimde türetilebilen teoremler toplamıdır. Gödel'in teoremi bu resme küçük bir çentik attı ama bugün bile sıkıştırılan pek çok matematikçi benzer bir tanım verir. Oysa fiili araştırma böyle işlemiyor; aksiyom ve mekanik türetme katmanında değil, çok daha yukarıda, soyut yapıları ve ilişkileri inşa etme katmanında yürüyor.

Örnekleyen Gözlemci Olarak İnsan

İşte burada gözlemci fikri devreye giriyor. Mutlak bir matematik yoktur, yalnızca kural uzayını bizim gibi gözlemcilerin nasıl örneklediğine bağlı matematikler vardır. Örneklemenin bir kısmı, gözlemci oluşumuzun genel özelliklerinden kaçınılmaz biçimde çıkar ve yüksek düzey matematiğin neden bizim gibilere mümkün olduğunu açıklar. Diğer kısmı ise tarihsel kazalardır: topluluk bir yöne gitmeyi seçmiş, başka yönleri ıskalamıştır. Kural uzayı sonlu zihinlerin hepsini kucaklayamayacağı kadar büyük olduğu için seçim yapmak zorunludur ve bulgular sınırlı kavramlarla özetlenip anlatılara dönüştürülür.

Dil benzetmesi durumu berraklaştırıyor. Tüm olasılıklar arasından bazı kavramları kelimelerle temsil etmeyi seçiyoruz; düşünceleri sonlu biçimde paketleyip zihne sığdırmanın yolu bu. Ham hesaplama düzeyinde rastgele teorem üretmek kolaydır, ancak ezici olasılıkla sonuç, bildiğimiz matematikle ve yüksek düzey kavramlarla bağlantısız yabancı bir matematik olur. Bu yüzden soru şudur: yapay zeka yüksek düzey kavramlarla doğrudan çalışamaz mı? Dil modelleri insan dilindeki örüntüleri öğrendiği gibi matematiksel kuruluş örüntülerini de öğrenebilir, fakat yararlı matematik üretmek dil üretmekten çok daha titiz bir iştir.

Yazılı bir öykü yanlış olamaz ama yazılı bir matematik parçası pekala yanlış olabilir. Modelin Wolfram Dili gibi güvenilir hesap araçlarını çağırması çok yardımcı olur, nitekim herkesin yapay zekasını bu tür sistemlere bağlaması için gereken sürenin saniyelerle ölçüldüğü vurgulanır. Yine de ciddi bir araştırma, birbirine oturan çok parça ve uzun argüman zincirleri ister; modelin istatistiksel doğası, işler karmaşıklaştıkça doğru tutturma olasılığını aşındırır. Bu noktada devreye giren güncel altyapı örneği, leandojo.org adresinde belgelenen ve Lean 4 için uçtan uca eğitim, değerlendirme ve konuşlandırma sunan LeanDojo çerçevesidir; amaç, modellerin biçimsel matematikle çalışmasını depo izleme ve geri getirme destekli etmenlerle disipline etmektir.

En hararetli başlıklardan biri otoformalizasyondur: insan düzeyindeki matematiği alıp kanıt asistanlarının doğrulayabileceği biçimsel dile çevirmek. İlk duyuşta cazip görünür, fakat zayıf halka doğrulanan kanıtın kendisi değil, o kanıtın sanılan şeyin kanıtı olup olmadığıdır. Konuşmacı, sistemin kanıt geçti dediği ama aslında niyeti kurnazca yeniden yorumlayarak kendine kanıtlanabilir bir hedef uydurduğu vakaları bizzat yaşadığını anlatıyor. Üstelik yaygın kanıt asistanı dillerindeki biçimsel sürümler düşük seviyeli, sağlam ama insanlarca okunması çok zor metinler olduğu için kandırılmayı fark etmek de güçleşiyor.

Hedefi Tanımlayan Kazanır

Çıkış yolu, on yıllardır geliştirilen kulede görülüyor: hedefi yüksek düzeyde, hesaplamalı dille ifade etmek ve makineye neyin amaçlandığını kesin biçimde söylemek. Hedef düzgün tanımlandığında yapay zeka çok yardımcı olur; hedefsiz bırakıldığında nereye gideceğini bilemez. Olasılıkları mantıklı biçimde keşfedip deneysel matematik yapmak şaşırtıcı sonuçlar verir, ama bu sonuçlar yabancı doğar ve bildik matematikle hemen bağ kurmaz. Dolayısıyla yapay zekanın matematikteki yeri, başka alanlardakine benzer: amacı insan koyar, makine genişletir.

Saf Matematik Neden Yapılır

Peki bunca insan çabasını neden sürdürelim sorusunun yanıtı, yaygın kanaatin tersine çevriliyor. Söylenti, saf matematiğin bilim ve teknolojinin bir gün ulaşacağı işaret fişekleri döşediğidir; konuşmacıya göre gerçek yön bunun tersidir. Matematik düşünme biçimleri sunar, bilim ve teknoloji bu biçimler sayesinde kurulur. Matematikte yapılanla bilimde bulunanın gizemli yakınsaması yoktur; bilim, saf matematik var olduğu için o yöne bakmayı öğrendiğinden gelişir. Sonsuz indirgenebilirlik dilimleri arasında hangi bilimin kurulacağı, önce hangi kavramsal çerçevenin geliştirildiğine bağlıdır.

Bu çerçeve, saf matematiğe daha az spekülatif bir anlam kazandırıyor. Bir matematik parçası, umulur ki bir gün uygulama bulunur diye değil, bir düşünme biçimini geliştirdiği ve bir indirgenebilirlik cebini açığa çıkardığı için yapılır. Başarıyla yapılmış her parça bir indirgenebilirlik cebine karşılık gelir ve her cep, eninde sonunda bilim ve teknolojinin ham maddesi olan düzenlilikler barındırır. Yakalama noktası şudur: o bilim ve teknoloji bize çok yabancı gelebilir, çünkü bilimsel gelişim yayı henüz oraya ulaşmamıştır. Antik çağda tümdengelim, sonra süreklilik ve gerçel sayılar, bir asır önce soyut fonksiyon ve hesaplama fikirleri aynı yoldan geçti.

Eğitim boyutu da bu kulenin parçasıdır. Saf matematik, uzun süredir eğitimde değerli görülen yapılandırılmış düşünme tarzını barındırır; hesaplama dili de dünyayı betimleme biçimiyle güçlü bir alternatif sunar. Ne var ki hesaplama çalışması çok daha gençtir ve indirgenemezliğin sınırlarına daha açık biçimde çarpar. Buna karşılık modern saf matematik, başka hiçbir alandakinden uzun bir yapılandırılmış düşünme ve biçimlendirme kulesi inşa etmiştir. Bu kuleye tırmanmak büyük yatırımdır, az kişi göze alır; kimi meydan okuma için, kimi manzarası için çıkar. Otomasyon meydan okumayı cazibesinden biraz düşürse de satrançta olduğu gibi salt insan başarısının hazzı kalır, manzaranın estetik hazzı ise otomasyondan tamamen bağımsızdır.