OpenAI, yaklaşık 90 yıldır çözülmemiş olan Navier-Stokes denklemlerine ilişkin önemli bir matematiksel kilometre taşı olduğunu açıkladı. Şirketin salı günü yayımladığı blog gönderisinde, yeni piyasaya sürülen GPT-6 Astra modelinden daha güçlü olduğu belirtilen dahili bir yapay zeka modeli kullanılarak sıvı ve gaz akışıyla ilgili bu zorlu problemin çözümü bulundu. Bu çalışma, milenyum ödül problemlerinden biri olan ve çözümü için 1 milyon dolarlık ödül belirlenen Navier-Stokes sorununun ele alınması açısından büyük bir önem taşıyor.

Yapay Zeka Destekli Çözüm Süreci

OpenAI'nin aktardığına göre, söz konusu dahili modelin eğitimi 28 Ağustos'ta başladı ve model, matematik dahil olmak üzere çeşitli testlerde benzersiz bir performans sergiledi. Çözümün elde edilmesinde, bu gelişmiş modelin 10.000 paralel çalışan ajanla birlikte kullanıldığı belirtildi. Bu yaklaşım, yapay zekanın karmaşık matematiksel problemleri insan zekasının ötesinde bir hız ve derinlikle ele alabildiğini gösteren somut bir örnektir.

Araştırmacılardan Çıktı Maddeleri ve Eleştiriler

OpenAI'nin duyurusunun bir gün öncesinde, New York Üniversitesi matematik profesörü Tristan Buckmaster, Anthropic'ten araştırmacı Levent Alpöge ile birlikte ilgili bir problem üzerinde çalıştıklarını ve bulgularını yayımladıklarını açıkladı. Buckmaster, OpenAI'nin Navier-Stokes denklemleri için bir kanıt üretirken, kendisi ve Alpöge'nin OpenAI'nin Codex aracı ile Anthropic'in Claude modelini kullanarak üzerinde çalıştığı yöntemin benzer bir rotayı izlediğini iddia etti. Profesör, OpenAI'nin kendi Codex oturumlarındaki taslak verilere erişip ermediğini sorguladığını ve şirketten gelen yanıtın modelin kullanıcı verilerine bakmadığı yönünde olduğunu aktardı. Bu durum, yapay zeka modellerinin eğitim süreçlerinde veri izolasyonu ve fikri mülkiyet sınırlarına dair ciddi soruları gündeme getirdi.

Ne anlama geliyor?

Yapay zeka sistemlerinin çok sayıda paralel işlemci ile çalıştırılması, tek bir zihnin ele alabileceğinden katbekat karmaşık olan matematiksel ve bilimsel problemlerin çözüm süresini kısaltabilir. Bu yöntem, özellikle akışkanlar mekaniği gibi fiziksel dünyayı modelleyen karmaşık denklemlerde, potansiyel çözümlerin hızla test edilmesine olanak tanır. Kullanıcılar açısından bu gelişme, bilim ve mühendislik alanlarında yeni keşiflerin ve uygulamalı çözümlerin çok daha kısa sürede hayata geçirilebileceği anlamına gelir. Ancak, modellerin eğitim verilerinin kaynağı ve sınırları konusunda şeffaflık, güven inşa edebilmenin temeli olmaya devam eder. Veri gizliliği ve aydınlatılması, bu tür ileri düzey yapay zeka uygulamalarının kabul görmesi için kritik bir teknik ve etik gerekliliktir.