Bu sayfa neden farklı okunuyor
Bu kılavuzun büyük kısmı belirsizlik, tehlike ve doğrulanabilir olan konusundaki dürüst boşluklar üzerine kurulu. Bu sayfa farklı: tarihli, kontrol edilebilir ve bir durumda zaten bir Nobel Ödülü taşıyan, yapay zekâ kaynaklı bilimsel sonuçları topluyor — yine de o Nobel kazanan yöntemi üreten aynı araştırma programı, resmi olarak düzeltilmiş bir Nature makalesi ve laboratuvarda işe yarayıp gerçek bir klinikte sendeleyen bir tanı aracı da üretti. Her iki gerçeği aynı anda tutmak — gerçek başarı ve gerçek abartı, aynı laboratuvardan, bazen aynı yıldan — bu sayfanın amacı, çözülmesi gereken bir çelişki değil.
Aşağıdaki her şey, AGI’ye değil, bilimsel veya tıbbi bir soruna uygulanan dar, göreve özgü makine öğrenimine ilişkindir. Gelecekteki bir genel sistemin bilimin tamamını bir anda hızlandıracağı yapay zekâ faydaları ve gecikmenin fırsat maliyetleri sayfasında ele alınan bir senaryodur; bu sayfa gönderilmiş, yayınlanmış veya hakem denetiminden geçmiş olanla sınırlı kalıyor.
Protein yapıları çözüldü: AlphaFold ve 2024 Nobel Ödülü
En net örnek protein yapısı tahminidir. Ekim 2024’te İsveç Kraliyet Bilimler Akademisi, Kimya dalında Nobel Ödülü’nü “protein yapısı tahmini” için Google DeepMind’dan Demis Hassabis ve John Jumper’a, hesaplamalı protein tasarımı için Washington Üniversitesi’nden David Baker’a ortaklaşa verdi (NobelPrize.org, 9 Ekim 2024) — alanın en yüksek onuru, AlphaFold2’nin orijinal 2020 sonuçlarından dört yıl sonra ve o yılları aracı fiilen kullanarak geçiren bir disiplin tarafından doğrulandı: bildirildiğine göre 190 ülkede iki milyondan fazla araştırmacı, zorlu hedeflerde deneysel yöntemlere yaklaşan doğrulukla, bilinen 200 milyon proteinin neredeyse tamamı için yapı tahmininde bulundu (Nature News, 9 Ekim 2024).
Yapıdan ilaca: Isomorphic Labs, hâlâ boru hattında
DeepMind’ın protein katlama çalışması, yapı tahminini ilaç keşfine taşımak için kurulan Isomorphic Labs’i doğurdu. Ocak 2024’te “ilaçla tedavi edilemeyen” küçük moleküllü hedeflere yönelik, toplamda kabaca 3 milyar dolarlık potansiyel kilometre taşı ödemesi değerinde Eli Lilly ve Novartis ile anlaşmalar imzaladı (TechCrunch, 7 Ocak 2024). 2026’nın başı itibarıyla, ikincil haberler işbirliğinin birden fazla klinik öncesi aday ürettiğini bildirdi — bir klinik denemeden, onaylı bir ilacı hiç saymadan, hâlâ yıllar uzakta. Bu yazının kaleme alındığı tarihe kadar bu ortaklıktan hiçbir ilaç insan denemelerine girmedi.
AlphaFold uzun bir boru hattındaki bir adımı hızlandırdı; kilometre taşı ödemeleri değil onaylı tedaviler cinsinden ölçülen boru hattı çıktısını hızlandırdığı gösterilmedi. Yapay zekâ faydaları ve gecikmenin fırsat maliyetleri ölçülmüş bir fayda ile öngörülen bir fayda arasındaki çizgiyi çiziyor — bu kesinlikle öngörülen olanıdır.
Malzeme keşfi — ve sistemin çalıştığını kanıtlayan bir düzeltme
Buradaki en öğretici örnek malzeme bilimidir, tam olarak temiz bir başarı hikâyesi olarak kalmadığı için. Kasım 2023’te DeepMind, Nature’da GNoME’u yayınladı: 2,2 milyon aday kristal yapısı tahmin eden, bunlardan yaklaşık 381.000’inin kararlı olduğu tahmin edilen bir sistem — tüm önceki tarihsel kayıttan kabaca 45 kat daha fazla kararlı ama gerçekleştirilmemiş bileşik (Merchant ve ark., Nature, 29 Kasım 2023). Eşlik eden bir makale, bu tahminleri kullanarak insan müdahalesi olmadan on yedi gün içinde düzinelerce yeni malzeme sentezleyen özerk bir robotik laboratuvarı, “A-Lab”i tanımladı.
2024’te üç dış kimyager — Robert Palgrave (UCL), Leslie Schoop (Princeton) ve Susan Latturner (Florida State) — A-Lab’ın “yeni” bileşiklerinin kabaca üçte ikisinin zaten bilinen yapılar olduğunu, eğitimli bir kristalograf tarafından uygulanacak dikkatli Rietveld arıtımı yerine acemi düzeyinde desen eşleştirme kullanan X-ışını kırınım analizi nedeniyle yanlış tanımlandığını buldu; birçoğu zaten İnorganik Kristal Yapı Veritabanı’ndaydı. 19 Ocak 2026’da Nature, yenilik iddialarının “yanlış yorumlanmaya tabi” olduğunu kabul eden resmi bir yazar düzeltmesi yayınladı — platformun kendi kataloğuna göre yeni, bilime göre değil.
Bu, yapay zekânın başarısız olduğuna dair bir hikâye değil. GNoME’nin yapı tahminleri yanlış çıkan kısım değildi; abartı “yeni”nin alt akışta nasıl tanımlandığındaydı — ve bu, iki yıl sonra sıradan hakem denetimiyle yakalanıp resmi olarak düzeltildi. Bu, sistemin amaçlandığı gibi çalışmasıdır: bir Nature yayını güçlü bir kanıttır ama düzeltmeye bağışık değildir, ve bir iddianın gerçek durumu, incelemeden ne çıktığıdır, lansman haftasında basın bülteninin söylediği değil.
Matematik: Olimpiyat’ta AlphaProof, mesai dışında
Temmuz 2024’te DeepMind, AlphaProof ve AlphaGeometry 2’nin o yılki Uluslararası Matematik Olimpiyatı’nda altı sorudan dördünü çözerek 42 üzerinden 28 puan aldığını duyurdu — gümüş madalya düzeyi, herhangi bir yapay zekâ sisteminin bu seviyeye ulaştığı ilk sefer (DeepMind, 25 Temmuz 2024). DeepMind’ın kendisi, bir sorunun dakikalar içinde çözüldüğünü ama diğerlerinin üç güne kadar hesaplama gerektirdiğini açıkladı; bu, insan yarışmacıların aynı altı soruyu iki 4,5 saatlik oturumda çözdüğü düşünüldüğünde not edilmeye değer. Bu, gerçek bir IMO başvurusu olarak girilmedi veya değerlendirilmedi ve bir yarışma sonucu olarak bağımsız hakem denetiminden geçmedi; bu, dürüstçe altyazılanmış, şirket yürütümlü bir kıyaslamadır, yapay zekânın Olimpiyat matematikçilerinin fiilen karşılaştığı kısıtlamalar altında onlarla yarıştığı iddiası değil.
Hava tahmini: hakem denetiminin çoktan çözdüğü bir örnek
Hava tahmini yararlı bir karşıtlıktır çünkü zemin gerçeği her gün gelir ve geriye dönük olarak manipüle edilemez. Kasım 2023’te Science’ta yayınlanan DeepMind’ın GraphCast’i, binlerce değerlendirilmiş değişken-ve-öncü-süre kombinasyonunun büyük çoğunluğunda Avrupa hava ajansının operasyonel HRES modelini geride bıraktı ve tek bir TPU’da bir dakikadan kısa sürede on günlük küresel bir tahmin üretiyor (DeepMind, 14 Kasım 2023). Tahminler her gün gerçek havaya karşı puanlanıyor, bu yüzden bu, abartmanın daha zor olduğu alanlardan biri, ve yıllar sonra sonuç sağlam kaldı.
Tıp, düzenleyici ölçekte: FDA onayları çoğalıyor
Klinik yapay zekâ, yenilikten rutin düzenleyici işe geçti. Nisan 2018’de IDx-DR (şimdi LumineticsCore), diyabetik retinopatiyi hekim yorumu olmadan tespit etmek için onaylanan, uzman derecelendirmesine karşı 900 denekli bir denemede yüzde 87,2 duyarlılık ve yüzde 90,7 özgüllük gösteren, tıpta ilk FDA onaylı tamamen özerk yapay zekâ tanı sistemi oldu (npj Digital Medicine, 2018). Bu tür onaylar artık rutin: yapay zekâ destekli cihazların FDA onayları 2024 sonu itibarıyla kabaca 758’den Aralık 2025 itibarıyla 1.039’a yükseldi, hız ayda kabaca 21’den kabaca 30’a çıktı, GE HealthCare, Siemens Healthineers, Philips ve Canon öncülüğünde (The Imaging Wire, 11 Mart 2026). Bir onay gerçek, kontrol edilebilir bir gerçektir — “bu araç hastanenizde iyi çalışıyor” ile aynı iddia değildir, ki bir sonraki bölüm tam olarak buradan devam ediyor.
Laboratuvardan kliniğe boşluk: model gerçek bir hastayla karşılaştığında ne olur
Doğrulanmış doğruluk ile dağıtılmış gerçeklik arasındaki boşluğun en açık belgelenmiş örneği, denemelerde yüzde 90’ı aşan duyarlılık ve özgüllük gösteren Google Health’in diyabetik retinopati sistemidir. Kasım 2018 ile Ağustos 2019 arasında Tayland’da 11 klinikte dağıtıldığında, hemşirelerin gönderdiği kabaca 1.940 görüntünün yaklaşık yüzde 21’ini “derecelendirilemez” olarak reddetti — çoğunlukla bir insan okuyucunun ikinci bir düşünce olmadan kabul edeceği aydınlatma koşulları — iş akışını bozdu ve genellikle taranmak için saatlerce yolculuk etmiş hastalar için ziyaretleri uzattı. Bulgu, önde gelen bir insan-bilgisayar etkileşimi mekânı olan CHI 2020’de hakem denetiminden geçti ve o dönemde MIT Technology Review tarafından bildirildi (MIT Technology Review, 27 Nisan 2020). Radyoloji yapay zekâsının daha sonraki incelemeleri bunu tekrarlayan bir kalıp olarak tanımlıyor: gerçek dünya performansı, yalnızca bir modelin doğruluk rakamına değil, yerel ekipmana ve iş akışına bağlı.
Ayrı, FDA onaylı bir inme aracı olan Viz.ai, bölünmeyi farklı şekilde gösteriyor: kabaca bir düzine çalışmayı ve 15.000’den fazla hastayı bir araya getiren bir sistematik derleme ve meta-analiz, bu iş akışlarının iyileştirmek için var olduğu klinik sonuçlarda istatistiksel olarak anlamlı bir iyileşme olmadan hastane iş akışını hızlandırdı. Daha hızlı, otomatik olarak daha iyi anlamına gelmiyor.
Bu kalıbın sitenin geri kalanı hakkında söyledikleri
Yukarıdaki her örnek, bu kılavuzun başka yerlerde ele aldığı aynı küçük öncü laboratuvar grubu tarafından üretildi — başta Google DeepMind — araştırma kültürü öncü yapay zekâ laboratuvarlarının nasıl farklılaştığı sayfasında ele alınıyor, ve bilimsel yeteneğin bir avuç kuruluşta yoğunlaşması güç yoğunlaşması: neden birkaç laboratuvar önemli sayfasında kendi başına bir konu. Bu yoğunlaşma her iki yönde de kesiyor: bir programın iki yıl içinde bir Nobel Ödülü, bir gümüş madalya Olimpiyat performansı ve düzeltilmiş bir Nature makalesi biriktirebilmesinin nedeni bu, ve bu iddiaların çerçevelemesinin önce bir laboratuvarın kendi tanıtımından, ancak daha sonra ona hesap vermeyen hakem denetiminden geçmesinin nedeni de bu.
Bunların hiçbiri sonuçları göz ardı etmek için bir argüman değil. Bir Nobel Ödülü abartı değildir; bir dakikadan kısa sürede üretilen on günlük bir tahmin abartı değildir. Ama “yapay zekâ bilimi hızlandırıyor” ifadesi, bu teknoloji hakkındaki çoğu kalıcı iddianın doğru olduğu şekilde doğrudur: eşit olmayan bir şekilde, en net başarılarla temiz, kontrol edilebilir zemin gerçeğine sahip sorunlarda — katlanmış bir protein, yarınki hava durumu, bir kristalin ölçülen kararlılığı — ve son adımın dağınık bir klinikten veya denetlenmemiş bir basın bülteninden geçtiği her yerde kalıcı bir boşlukla. GNoME hatasını iki yıl sonra yakalayan disiplin, bu sayfanın okuyuculardan sitenin başka her yerinde uygulamalarını istediği disiplindir.