Google AI Ortak-Matematikçi: DeepMind'in Etmen Tabanlı Matematik Tezgâhı

Mayıs 2026’da Google DeepMind araştırmacıları, fikir üretimi, literatür taraması, hesaplama, ispat denemeleri ve kuram inşasını içeren tam matematiksel çalışma döngüsünü orkestre eden bir arXiv ön baskısı yayımladı: "AI co-mathematician: Accelerating mathematicians with agentic AI." Bu çalışma, bir etmen tabanlı AI tezgâhını tanımlıyor.

Şu anda sınırlı sayıda araştırmacıya sunulan AI ortak-matematikçi, başlı başına bir çözücü ya da sohbet botu değil; doğrusal olmayan, dağınık matematiksel iş akışını orkestre eden durum koruyan bir çalışma alanıdır. Paralel araştırma başlıklarını yönetir, belirsizliği izler ve başarısız girişimleri gelecekte referans için saklar. Çıktılar, matematik ve fizik araştırmalarında kullanılan standart belge formatı olan LaTeX’tedir.

Temeli Gemini 3.1’dir. Şu anda ispat denemeleri için dahili olarak Gemini Deep Think kullanır ve hesaplamalı keşif için Python yürütümüyle bütünleşir. Henüz uzmanlaşmış DeepMind matematik motorlarını (AlphaProof, AlphaEvolve, Aletheia) dahili bileşenler olarak içermemektedir; ancak gelecekte bunu yapacak şekilde tasarlanmıştır.

AI Ortak-Matematikçi Neden Önemli?

Matematikçiler LLM’leri çeşitli görevlerde kullanır:

• Literatür taraması
• Resmî olmayan ispat taslakları
• Şablon LaTeX metinleri
• Keşif amaçlı kod

Ayrıca, ispatları mekanik olarak doğrulamak için biçimsel ispat asistanı gibi AI araçlarını kullanırlar. 

Kullanılan her araç genel iş akışının belirli bir bölümünde güçlü olsa da, matematikçi sonuçları gelişigüzel birleştirmek zorundadır. Şimdiye kadar, matematikçilerin kullandığı doğrusal olmayan süreci orkestre eden bir altyapı aracı yoktu.

AI Ortak-Matematikçi Nasıl Çalışır?

İş akışı modeli, Claude Code veya Codex gibi AI kodlama araçlarından gevşekçe uyarlanmıştır. Ancak bu iş akışı doğrudan uyarla-namaz. Yazılımın bir özellik tanımı ve test takımı vardır. Matematik araştırması ise doğrusal değildir. Hedefin kendisi başlangıçta belirsiz ya da tanımsız olabilir ve yolda elde edilen bulgular soruyu tamamen yeniden şekillendirebilir.

Ortak-matematikçinin iş akışı bir çoklu etmen sistemi tarafından güçlendirilir ve şu şekilde işler:

1. Başlangıç keşfi. Mükemmel bir tek atımlık istem gerektirmek yerine araştırmacı, üst düzey hedefleri netleştirmek ve araştırma sorusunu resmileştirmek için sistemle etkileşimli bir diyalog yürütür. Bu, işe başlamadan önce araştırma niyetini açık hâle getirir.
2. Literatür taraması. Ortak-matematikçi, kilit makaleleri belirlediği ve ilgili ispatlar ile matematiksel teknikleri çıkardığı bir literatür taraması yapar.
3. Hesaplamalı çerçeve. Ortak-matematikçi, gösterim vakaları ve ilişkili testlerle birlikte hesaplamalı bir Python kütüphanesi oluşturur.
4. Arama yürütümü. Hesaplamalı çerçeve oluşturulduktan sonra, özel kütüphane içe aktarılır ve arama bir bulut kümesi üzerinde ölçeklenir. Araştırmacıya, ayrıntı seviyesinde günlüklerle boğmadan üst düzey ilerleme raporları sunar.
5. Nihai çıktı. Nihai çıktı derlenmiş bir LaTeX yazımıdır. Bu rapor sadece sonucu değil, keşif sürecini açıklar ve iddiaları belirli referanslara veya kod çıktılarında kenar notlarıyla bağlar. Bir rapor ancak tüm inceleme etmenleri onayladıktan sonra sonlandırılmış olarak işaretlenir. İncelemeden geçemeyen raporlar yine de araştırmacıya gösterilir, çözümlenmemiş olarak işaretlenir; hatalı ispatın Lackenby’ye ulaşma şekli budur.

AI Ortak-Matematikçinin İş Akışı Mimarisi

AI Ortak-Matematikçi’nin mimarisi, üst düzey bir proje koordinatörü etmeni ve çoklu etmen sistemi içinde uzmanlaşmış alt etmenler içerir.

İş akışı koordinasyonu

Herhangi bir çalışma başlamadan önce, proje koordinatörü, hedefi netleştirici sorularla araştırmacıyla bir diyalog açar. Örneğin, hesaplamalı geometride açık bir soru olan “kanepe problemi” için üst sınırlar hakkında soran bir araştırmacıya, bir varyanta mı diğerine mi yoksa her ikisine birden mi odaklanılacağı sorulabilir. Net, üzerinde uzlaşılan hedef, etmenleri görevlendirmeden önce problemi kapsamlandırır.

Hedef belirlendikten sonra proje koordinatörü, işi etmenlere ve alt etmenlere devreder; bağımlılık gerekmedikçe paralel çalışırlar. Bir etmen literatür taramasını yapar, bir diğeri hesaplamalı çerçeveyi kurar, bir başkası aramayı yürütür. Ancak bir bağımlılık vardır: hesaplamalı çerçeveden gelen özel kütüphane olmadan arama yürütülemez.

Hayal ürünü üretimleri önleme

Standart etmenler sıkça geçersiz kestirmeler bulur, uydurma lemmalar üretir ya da erken zafer ilan eder. AI ortak-matematikçi, inceleme etmenleri de dahil olmak üzere bu kusurları önlemeye yönelik mekanizmalar kullanır. 

Örneğin, hesaplamalı keşif sırasında arama uzayı patlarsa, kodlama alt etmeni tüm testler geçene ve inceleme etmeni sonuçlarını kabul edene kadar kodu bitmiş olarak işaretleyemez; böylece iş akışı durur. Bu başarısız keşif güncellenir ve proje koordinatörüne gönderilir; koordinatör de sohbette araştırmacıyı uyarır. Araştırmacı ardından başka bir yaklaşım önerebilir.

Bu çıkmazlar yalnızca kaydedilmez; bilgi olarak değerlendirilir. Sürüm-izleme ile araştırma kaydının bir parçası olarak korunurlar. Matematikte başarısız bir yaklaşım çoğu zaman bir kısıtı açığa çıkarır ya da farklı bir yola işaret eder.

Süreç boyunca koordinatör, varsayılan olarak düşük seviyeli gürültüyü filtreler; ancak araştırmacı gerekirse herhangi bir iş akışına inip değişiklik yapabilir.

İlk Vaka Çalışmaları ve İşbirliği Modları

Erken dönemdeki birkaç vaka, farklı işbirliği modlarını yansıtıyor: insan içgörüsünü açığa çıkaran kusurlu bir ispat, bir soruyu yeniden çerçeveleyen kenar notu ve yanlış yöne gidecek bir haftayı kurtaran hızlı çıkmaz tespiti.

Sistem tarafından hatalı diye işaretlenen bir ispatı onarmak

Oxford Üniversitesi’nden matematik profesörü Marc Lackenby, sistemi Kourovka defterinden (Grup Teorisi’nde açık araştırma problemlerinin derlemesi) bir probleme uyguladı. AI bir ispat denemesi yaptı, bir inceleme etmeni ispatta bir kusur fark etti ve bunu Lackenby’ye bildirdi. Boşluğun nasıl kapatılacağını biliyordu.

Asıl mesele de bu. İnsan, makinenin kaçırdığını yakaladı; makine de çevresindeki ağır işi üstlendi. 

Bir kenar notunu izleyerek yeni bir içgörüye varmak

Bir diğer matematik profesörü Gergely Bérczi, Stirling katsayısı varsayımlarıyla ilgili bir problemi araştırdı. İlk inceleme için AI ortak-matematikçiye konuyu, arka planını, bilinen yöntemleri ve AlphaEvolve deneylerinin önerdiği olası bir yönü sağladı. 

AI ortak-matematikçi, iki varsayım için (halen insan matematiksel incelemesinde) ispatlar ve iddialarına ilişkin ayrıntılı hesaplamalı kanıtlar üretti. Bérczi, sistemin bitmiş belgede verdiği bir kenar notunun onu kilit bir içgörüye yönelttiğini ve sonrasında bu içgörüyü sohbet arayüzünde takip ettiğini bildirdi.

Bir haftaya mal olmadan önce çıkmazı tespit etmek

Son olarak, Semon Rezchikov Hamiltonyen difeomorfizmler hakkında teknik bir problem sundu. Kendisi ve Proje Koordinatörü, görev için kesin bir tanım üzerinde anlaşana dek problemi tartıştılar. AI tarafından üretilen yazım, soruyu esasen çözen ispatlı kilit bir lemma içeriyordu (daha sonra doğrulandı). 

Bu süreçte bir yaklaşım denendi ancak çıkmaza girdi. AI bu çıkmaza normalde olacağından çok daha hızlı ulaştı; böylece bir haftayı çıkmazın peşinde harcamadı. Sistem, boşa gidecek bir haftalık çabayı saatlere sıkıştırdı.

FrontierMath Kıyaslama Sonuçları

AI Ortak-matematikçi, başlı başına bir matematik problemi çözme aracı değil, bir iş akışı aracıdır. Yine de yazarların yüksek kıyas ölçütleri sunması birkaç nedenle önemlidir:

• Temel matematik motorunun, sınır düzey matematikte faydalı bir işbirlikçi olacak kadar yetkin olduğunu göstermek.
• Kıyasların, orkestrasyon katmanının ne kadar katkı sağladığını ölçmek için kontrollü bir ortam sunduğunu göstermek.
• Standart bir ölçüt henüz olmadığı için, işbirlikçi etkinlik için dolaylı bir gösterge sağlamak.

Sonuçlar: AI ortak-matematikçi, araştırma düzeyindeki FrontierMath Seviye 4’te %48 puan aldı. Bu, aynı testin aynı seviyesinde %19 puan alan Google’ın kendi Gemini 3.1 Pro’su da dahil olmak üzere bildirilen en yüksek puan. Epoch AI, FrontierMath problemlerinin (Seviye 1–4 genelinde) yaklaşık üçte birinde hatalar buldu ve insan incelemesi yürütüyor.

AI ortak-matematikçi, profesyonel matematikçilerden derlenen, sızmamış ve kodla denetlenebilir yanıtlara sahip 100 araştırma düzeyi matematik problemi içeren bir Google iç kıyaslamasında %87 puan aldı; Gemini 3.1 Pro %57 ve Gemini 3.1 Deep Think %70 puan aldı.

AI Ortak-Matematikçinin Bilinen Sınırlamaları

Makale, yapısal sınırlamalar konusunda şeffaftır:

• Ana kalite kontrolü inceleme etmenleri ve ispat etmenleri sağlar. Çekişmeli inceleme döngüsü, etmenlerin doğru olmaktan ziyade inceleme etmenini tatmin eden argümanlarda yakınsaması gibi, incelemeci-hoşnut etkiye yatkın olabilir. Bu gerçek bir yapısal zafiyettir.
• Parlak LaTeX çıktısı sahte bir titizlik hissi yaratabilir. İyi biçimlendirilmiş bir belge, alttaki matematik doğru olmasa da bitmiş görünür.
• Sistem yalnızca araştırmacı gerçekten alan uzmanı olduğunda iyi çalışır. Uzman olmayan birinin sisteme belirsiz bir problem verip çıktısına körü körüne güvenmesi tehlikesi vardır.
• AI ispatları hâlâ insan doğrulaması gerektirir. Örneğin Bérczi’nin ispatları, yayımlanma sırasında hâlâ insan incelemesindeydi.

Son Düşünceler

AI Ortak-Matematikçi, AI’dan bir problemi çözmesini istemekten, matematiksel araştırmanın yinelemeli ve dağınık sürecinde AI ile birlikte çalışmaya doğru bir değişimi yansıtıyor. Asıl darboğaz, matematikçilerin gerçekte nasıl çalıştığını yansıtan iş akışı altyapısıdır.

Bu tür etmen tabanlı sistemleri kendiniz inşa etmek isterseniz DataCamp’in Developers için Associate AI Engineer ve Data Scientists için Associate AI Engineer eğitim yolları iyi bir başlangıçtır.