Google’ın iddiası: Büyük dil modelleri bilimsel sıçramalarda işe yaramaz

Google DeepMind araştırmacısı Tom Zahavy yayımladığı makalede, büyük dil modellerinin mevcut verileri işleme ve mantıksal doğrulama kabiliyetine rağmen gerçek bilimsel buluşlar yapamayacağını ortaya koydu. Albert Einstein’ın genel görecelik kuramını oluşturma sürecini hesaplamalı bir inceleme alanı olarak ele alan çalışma, yapay zekanın sezgisel hipotez üretme mekanizmasından yoksun olduğunu gösterdi.

Google DeepMind araştırmacısı Tom Zahavy tarafından hazırlanan çalışma, büyük dil modellerinin (LLM) insan müdahalesi olmaksızın özgün bilimsel keşifler gerçekleştiremeyeceğini ortaya koydu.

27 Ocak 2026 tarihli “LLM’ler Sıçrama Yapamaz” (LLMs can’t jump) başlıklı araştırmada, yapay zeka ekosistemindeki “yaratıcılık yalnızca veri sıkıştırmasından ibarettir” anlayışı eleştirildi.

Çalışma, Albert Einstein’ın arkadaşı Maurice Solovine’e yazdığı mektupta çizdiği bilimsel keşif şemasını temel alıyor. Einstein bu mektupta bilimi döngüsel bir süreç olarak tanımlıyor.

Süreç, ham duyusal verilerin algılanmasıyla başlıyor; ardından mantıksal olmayan sezgisel bir “sıçrama” ile soyut aksiyomlara ulaşılıyor ve son aşamada katı mantıksal tümdengelim yöntemiyle bu aksiyomlardan sonuçlar çıkarılıyor.

Yapay zeka döngünün iki aşamasını hakimiyeti altına aldı

Araştırmaya göre üretken yapay zeka, Einstein’ın tanımladığı keşif döngüsünün üçte ikisini başarıyla yürütüyor. Sistemler, milyarlarca veri simgesi üzerinde istatistiksel desen eşleştirmesi yaparak tümevarım sürecini tamamlıyor.

Aynı zamanda AlphaProof gibi sistemlerin Olimpiyat düzeyindeki karmaşık matematik problemlerini çözmesinde görüldüğü üzere, yerleşik ilkelerden formal kanıtlar üreterek tümdengelim aşamasını da yerine getiriyor.

Ancak rapor, yapay zekanın gözlem verilerinin yetersiz olduğu durumlarda yeni açıklayıcı hipotezler üretme yeteneği biçiminde tanımlanan “varsayımsal çıkarım” mekanizmasından tamamen yoksun olduğunu kaydediyor.

Mevcut dil modelleri, yerleşik insan düşüncesinin sınırları içinde veri interpolasyonu yapabilirken, bu sınırların ötesine geçemiyor.

Genel Görelilik kuramı veri sıkıştırma tezini çürütüyor

Çalışmada, Einstein’ın Genel Görelilik Kuramı’nı geliştirme süreci bir hesaplama örneği olarak incelendi.

Yapay zeka topluluğunda öne çıkan ve Jürgen Schmidhuber tarafından savunulan görüş, bilimsel keşfin verileri açıklayan en basit programı arama, yani bir sıkıştırma problemi olduğunu ileri sürüyor.

Buna karşın Einstein Genel Görelilik Kuramı’nı oluşturduğu sırada, klasik Newton mekaniği gözlemsel açıdan büyük bir başarıyla uygulanıyordu ve yeni bir fizik çerçevesine yönelik acil veri baskısı bulunmuyordu. Eylemsiz ve çekimsel kütlelerin eşitliği 10 üzeri -9 hassasiyetle doğrulanmıştı.

Merkür’ün yörüngesindeki sapma dışında Newton yasalarını tehdit eden bir veri krizinin olmadığını belirten araştırma, bilim insanlarının bu sapmayı dahi “Vulcan” adını verdikleri varsayımsal bir gezegenle açıklamaya çalıştığını hatırlatıyor.

Veri odaklı bir yapay zekanın, Newton modelindeki hata payı sıfıra yakın olduğu için uzay-zaman anlayışını kökten değiştirecek bir yapısal dönüşüme gitmeyeceği vurgulanıyor.

Düzeltme ve kanıtlama süreçleri sezgisel sıçramanın yerini tutmuyor

Einstein, 1905 yılında Özel Görelilik Kuramı’nı kurduktan sonra teoriyi ivmeli hareketleri de kapsayacak şekilde genişletmek istedi. 1907-1915 yılları arasında yedi yıl süren bu süreçte, Marcel Grossmann ile yürüttüğü çalışmalarda statik alanlara ilişkin yanlış bir varsayım nedeniyle iki yıl kaybetti.

Einstein, 1915 yılının kasım ayında Prusya İlimler Akademisi’ne her hafta yeni bir makale sunarak David Hilbert ile girdiği yarışı kazandı ve nihai alan denklemlerini elde etti.

DeepMind araştırması, günümüzdeki LLM’lerin ve kanıt yardımcılarının Einstein’ın aksiyomları sağlandığı takdirde tümdengelim adımlarını tamamlayabileceğini kabul ediyor.

Ancak mevcut sistemlerin, bu aksiyomların kendisini ham duyusal verilerden üretecek zihinsel mekanizmaya sahip olmadığı kaydediliyor.

Fiziksel dünya modelleri çözüm için zorunlu görülüyor

Raporda, yapay zeka ajanlarının kavramların fiziksel karşılıklarına erişimi olmadan yalnızca dili işlediği ve bu durumun Stevan Harnad tarafından tanımlanan “Çin Odası” problemini yarattığı ifade edildi.

Sakana AI tarafından geliştirilen “AI Scientist” veya DeepMind’ın “AlphaEvolve” gibi gelişmiş sistemlerinin dahi belirli bir çerçeve içindeki metrikleri optimize ettiği, ancak sembolik karşılığı bulunmayan yeni aksiyomlar üretemediği bildirildi.

Zahavy, yapay zekanın abdüksiyon sıçramasını gerçekleştirebilmesi için yalnızca dil işlemenin ötesine geçmesi gerektiğini kaydetti. Çözüm olarak, eylem kontrolü sunan ve fiziksel evrenle tutarlı biçimde çalışan “Dünya Modelleri” işaret edildi.

Genie gibi eyleme dayalı yeni mimarilerin, soyut sembolleri duyusal simülasyonlarla bağlayarak yapay zekaya zihinsel düşünce deneyleri yapma kabiliyeti kazandırabileceği aktarıldı.