Bilgi Müşterekleri
AnasayfaHakkımızdaKılavuzlarPopüler İçeriklerİletişim

OpenAI'ın 722 Matematik Makalesi ve Genel Zekânın Kapalı Laboratuvarı

Kanıtı Kim Denetler? Sonucun Kamusal, Makinenin Özel Olduğu Bir Bilimin Sınıfsal Okuması

Yazar: Oğuz Demirkapı
OpenAI'ın 722 Matematik Makalesi ve Genel Zekânın Kapalı Laboratuvarı

Kanıtı Kim Denetler? OpenAI'ın 722 Matematik Makalesi ve Genel Zekânın Kapalı Laboratuvarı

Sevgili Genç Yoldaşlar, Bu Yazı Ne Anlatıyor?

Bu hafta matematik dünyası, alışık olmadığı bir gürültüyle uyandı. OpenAI, 6–7 Ekim gecesi GitHub'a 722 matematik makalesi yükledi ve bunların kamuya açılmamış bir iç modelin ürünü olduğunu duyurdu. Basında "300'den fazla açık problem çözüldü" diye geçen haber budur. Matematikçiler şimdi bu yığını tek tek inceliyor; bir kısmı heyecanlı, bir kısmı öfkeli, çoğu ise ikisini birden yaşıyor.

Bu yazı, o haberin arkasındaki asıl soruyu konu ediyor: Bir tekelin kapalı kapılar ardındaki makinesiyle üretilen bilgi, bilimsel bilgi midir? Kim denetler, kim doğrular, kim öder, kim kazanır? Bu sorular yalnızca matematikçileri değil, emeğinin ürününü her gün bir modelin eğitim verisinde bulan herkesi ilgilendiriyor.

Yazının özü şu: OpenAI'ın modeli, yaklaşık 4.000 açık problem üzerinde çalıştırıldı ve şirketin "anlamlı" bulduğu 372 sonuç ailesi yayımlandı. Riemann, Hodge, Kakeya gibi büyük adlar geçse de sonuçların çoğu başlıklarından daha dar; hiçbiri hakem denetiminden geçmedi, yaklaşık üçte birinin biçimsel doğrulaması yok, model ve istemler paylaşılmadı. Bu yayın, bir aylık bir krizin ardından geldi: Navier–Stokes üzerindeki öncelik kavgası, 25 Fields madalyalının uyarı bildirisi ve matematikçilerin kurduğu bağımsız danışma grubunun "bağlayıcı değil" sayılan önerileri.

Bu olguların sınıfsal anlamını şöyle okuyorum: Burada yaşanan, genel zekânın gaspıdır. Matematik, binlerce yıllık ortak emeğin ürünü olan bir bilgi müştereğidir ve model bu müşterek üzerinde eğitildi. Ortaya çıkan düzen ise dört biçimde işliyor:

  • Sonuç kamusal, üretim aracı özel: Bilimin tekrarlanabilirlik ve örgütlü kuşkuculuk normları, kapalı bir makine karşısında işlemez hâle geliyor.
  • Maliyet toplumsal, kâr özel: Doğrulama yükü ücretsiz olarak matematikçilere bırakılıyor; itibar ve piyasa değeri halka arz hazırlığındaki şirkete gidiyor.
  • Öncelik bir piyasaya dönüşüyor: On bin ajanı günlerce çalıştırabilen sermaye ile bir yılını bir probleme veren araştırmacı eşit koşullarda yarışmıyor.
  • Zihinsel Taylorizm: Ölçüt kavrayıştan çözülen problem sayısına kayıyor; en parlak zihinler kamusal üniversiteden özel laboratuvarlara çekiliyor.

Ama bu bir teknoloji karşıtlığı değil. Makinenin yeni matematik üretebilmesi gerçek bir üretici güç artışıdır; sorun, bu gücün içine yerleştirildiği mülkiyet ilişkileridir. Yazının sonunda, bu ilişkileri değiştirmek için bilim emekçilerinin ve genç araştırmacıların neler yapabileceğini somut görevler olarak sıraladım.

Şimdi ayrıntılara geçelim.

Ne Oldu? Olgular

Önce rakamları netleştirelim, çünkü haberlerde birbirini tutmayan sayılar dolaşıyor.

  • OpenAI'ın yayımladığı katalogda 722 makale var; bunlar 372 "sonuç ailesi" altında, 17 matematik alanına dağıtılmış durumda (ThePrint, OfficeChai). New York Times başlığında 377 sayısı geçti; aradaki fark kataloğun numaralandırmasından kaynaklanıyor olabilir ama OpenAI bunu açıklamadı (Tech Insider).
  • Şirketin anlatımına göre model yaklaşık 4.000 açık problemle sınandı. Yayımlanan katalog, OpenAI'ın "yeterince anlamlı" bulduğu alt kümedir. Her sonuç için ortalama üç saatlik ChatGPT Pro "düşünme" hesaplaması harcandı (OfficeChai).
  • Model adı açıklanmadı. Model kamuya açık değil. Tam istemler (prompt) yayımlanmadı; yalnızca ortalama hesaplama verisi paylaşıldı (Yahoo Tech / Gadget Review).
  • Makalelerin hiçbiri hakem denetiminden geçmedi. OpenAI'ın kendisi, biçimsel olarak doğrulanmamış sonuçlarda "sorunlar olabileceğini" yazıyor. 372 ailenin 235'inde, yani yaklaşık üçte ikisinde, Lean biçimsel doğrulama dosyası var (BigGo Finance). Bu Lean dosyalarının da yapay zekâ tarafından yazıldığı ve inceleme durumlarının "kontrol edilmedi" olarak işaretlendiği bildiriliyor (ThePrint). Yayından kısa süre sonra üç makale hata nedeniyle geri çekildi (Crypto Briefing).
İddiaların büyüklüğü ve gerçek boyu

Katalogda kulağa çok büyük gelen başlıklar var: "quasi-Riemann hipotezi", Khot'un Benzersiz Oyunlar Sanısı, Hodge sanısı, Kakeya sanısı, düzlemin 5 renkle boyanamayacağı, Hilbert'in onuncu probleminin rasyonel sayılar üzerindeki hâli ve onlarca eski sanının çürütülmesi (OfficeChai).

Ama başlıkların çoğu, içeriğinden daha geniş. "Quasi-Riemann" sonucu Riemann hipotezinin kendisi değil, gerçel kısmı 7/8'den büyük bölgede sıfır olmadığını söyleyen daha zayıf bir önerme. Hodge sonucu tüm sanıyı değil, belirli bir şekil ailesini kapsıyor. Kakeya yalnızca 3 ve 4 boyutta ele alınmış (OfficeChai). Bu sonuçların hiçbiri önemsiz değil; doğruysa bazıları gerçekten büyük. Fakat "doğruysa" kelimesi şu an cümlenin en ağır kelimesi.

Arka plan: Bir ayda üç kriz

Bu yayın bir boşlukta ortaya çıkmadı. Önceki haftalar şöyle geçti:

  1. 8 Eylül — Navier–Stokes kavgası. OpenAI, bir Milenyum Ödülü problemi olan Navier–Stokes üzerinde 100 sayfalık bir kanıt duyurdu; yaklaşık 10.000 ajanın 88 saat paralel çalıştığını söyledi. Aynı gün NYU'dan Tristan Buckmaster, Anthropic'te çalışan Levent Alpöge ile bir yıla yakındır yürüttüğü benzer bir çalışmayı yayımladı ve OpenAI'dan Sébastien Bubeck'in kendisine "Kariyerini neden mahvedesin?" dediğini, yayın sırası için baskı yapıldığını öne sürdü. Bubeck ve Sam Altman bu anlatımı reddetti. OpenAI, ikilinin çalışmasını görmediğini söyledi; ancak ürün kullanımından elde edilen kimliksizleştirilmiş verinin şirket modellerini geliştirmiş olabileceğini tümüyle dışlamadı (Decrypt).
  2. 11 Eylül — 25 Fields madalyalısının bildirisi. Terence Tao, Peter Scholze, Maryna Viazovska, Manjul Bhargava, June Huh, Martin Hairer gibi isimlerin de aralarında bulunduğu 25 Fields madalyası sahibi, "Matematikte Yapay Zekânın Ciddi Uyumsuzluğu" başlıklı bir metin yayımladı. Temel cümle şuydu: "Problem çözmek, kavramsal anlayış ve kavrayış gibi asıl amaca ulaşmanın yalnızca bir aracı ve vekilidir." (ExplainX)
  3. 21 Eylül — Bağımsız Danışma Grubu. OpenAI bazı matematikçilere şirket bünyesinde bir danışma kurulu önerdi. Matematikçiler bunun yerine bağımsız, ücret almayan ve hiçbir şirket üzerinde karar yetkisi olmayan bir grup kurdu: Princeton İleri Araştırmalar Enstitüsü (IAS) çatısı altındaki "Matematik ve Yapay Zekâ Danışma Grubu" (Charles, De Lellis, Gowers, Hairer, Srivastava, Tillmann, Vakil, Witten, Wood) (Let's Data Science). Grubun OpenAI'a önerisi açıktı: modeli, tam istemleri ve her sonuç için hesaplama süresini paylaş (Yahoo Tech). OpenAI ise yönergeleri izlediğini ama bunlarla bağlı olmadığını söyledi (BigGo Finance).
Matematikçiler ne diyor?

Tepkiler tek sesli değil ve bu iyi bir şey:

  • Northwestern'den Bryna Kra, Ağustostaki kapalı toplantıyı "aşırı heyecan ile aşırı korkunun bir arada yaşadığı" bir an olarak anlatıyor; titiz makaleler istendiğini, "bu görüşlerin açıkça yok sayıldığını" yazıyor. En önemli cümlesi ise şu: Matematiği Twitter'da ve basın bültenleriyle duyurmak, eğitim verisini üreten alana yakışan bir muamele değil (BigGo Finance).
  • NYU'dan Nestor Guillen, matematikçilerin şirketleri "mafya gibi" davranan yapılar olarak gördüğünü ve gücün birkaç şirkette yoğunlaşmasından "derin kaygı" duyduğunu söylüyor.
  • MIT'den Andrew Sutherland, sonuçların denetlenene kadar doğrulanmamış sayılması gerektiğini vurguluyor.
  • Toronto'dan Daniel Litt ise karşı yönden önemli bir şey söylüyor: Yayımlamak saklamaktan iyidir; şirketlerin yanıtları matematikçilerden saklaması için bir neden yok.
  • Terence Tao, frontier laboratuvarların sonuç üretme hızını "çılgınca" buluyor (BigGo Finance); yapay zekâ kanıtlarının kusursuz görünüp ince hatalar saklayabileceğini daha önce de uyarmıştı (OfficeChai).

Bir ayrıntı daha: Fields madalyalı Jacob Tsimerman, Toronto Üniversitesi'nden izin alıp OpenAI'a katılıyor (OfficeChai). Bu ayrıntıya aşağıda döneceğim.

Matematik: Genel Zekânın En Saf Biçimi

Marx, Grundrisse'deki ünlü "Makineler Üzerine Fragman"da, toplumsal bilginin birikerek doğrudan bir üretici güce dönüştüğünü yazar ve buna genel zekâ (general intellect) der. Bilgi, tek tek beyinlerin değil, kuşaklar boyu biriken toplumsal emeğin ürünüdür; makine ise bu birikimin "nesneleşmiş" hâlidir.

Hiçbir alan bu tanıma matematik kadar uymaz. Öklid'den bu yana her teorem bir öncekinin üzerine kurulur. Matematikçiler kanıtlarını büyük ölçüde açık olarak paylaşır; arXiv'deki ön baskılar, MathOverflow'daki tartışmalar, ders notları, tezler, Lean'in açık kaynak kütüphanesi Mathlib… Bunların hepsi, kimsenin tek başına sahip olmadığı bir bilgi müştereğidir.

OpenAI'ın modeli bu müştereğin üzerinde eğitildi. Bryna Kra'nın "eğitim verisini üreten alan" ifadesi tam olarak bunu söylüyor. Model, yüzyılların ortak emeğini sindirdi; şimdi bu emeğin ürettiği yöntemlerle yeni sonuçlar çıkarıyor ve bu sonuçları bir şirketin adı ve vitriniyle sunuyor. Daha önce Kristalleşmiş Emeğin İsyanı yazısında "genel zekânın gaspı" dediğim süreç burada en çıplak hâliyle karşımızda: Ortak bilgi girdi olarak bedavaya alınıyor, çıktı ise özel mülkiyetteki bir makinenin başarısı olarak pazarlanıyor.

Burada bir çelişkiyi de not etmeliyiz. Distilasyon tartışmasında gördüğümüz gibi, tekeller herkesin emeğinden öğrenmeyi "adil kullanım" sayarken kendi çıktılarından öğrenilmesini "hırsızlık" diye damgalıyor. Matematikte de aynı mantık işliyor: Mathlib açık, arXiv açık, insanlığın matematiği açık; ama bu birikimi işleyen makine kapalı.

Bilimin Kalbi: Örgütlü Kuşkuculuk ve Tekrarlanabilirlik

Bilim sosyoloğu Robert K. Merton, 1942'de bilimsel topluluğun normlarını dört başlıkta toplamıştı. İlkine — ilginçtir — "komünizm" adını verdi: Bilimsel bulgular ortak mülkiyettir, bilim insanı ancak tanınma (atıf, itibar) karşılığında bulgusunu topluluğa bırakır. Diğerleri evrenselcilik, çıkar gözetmezlik ve örgütlü kuşkuculuktur: Her iddia, topluluğun açık denetimine sunulur.

Bu normlar hiçbir zaman tam olarak uygulanmadı; bilim de sınıflı toplumun içindedir. Ama bugünkü olayda bu normların her biri doğrudan çiğneniyor:

  • Ortak mülkiyet: Sonuçlar paylaşılıyor ama bu sonuçları üreten araç (model, ağırlıklar, istemler) paylaşılmıyor.
  • Örgütlü kuşkuculuk: Bir deneyin tekrarlanabilmesi için düzeneğin bilinmesi gerekir. Model kapalıyken dışarıdaki bir araştırmacı süreci yeniden yürütemez (ThePrint). Yalnızca bitmiş ürünü inceleyebilir.
  • Çıkar gözetmezlik: Yayının zamanlaması, şirketin halka arz hazırlığıyla aynı döneme denk geliyor; görüşülen matematikçiler yetenek gösterilerinin yatırımcılar için önemli olduğunu açıkça söylüyor (BigGo Finance).

Bu noktada epistemolojik bir ayrım yapmak gerekiyor. Matematik, deneysel bilimlerden farklıdır: Bir kanıt doğruysa, onu kimin ya da neyin ürettiği önemli değildir. Lean gibi biçimsel doğrulama araçları bu yüzden çok değerlidir. Peki o hâlde kapalı model neden sorun?

Üç nedenle:

  1. Lean yalnızca mantığı denetler. Neyin kanıtlandığını, yani biçimsel önermenin gerçekten iddia edilen matematiksel problemi ifade edip etmediğini insan uzmanların ayrıca kontrol etmesi gerekir (ThePrint). Üstelik ailelerin üçte biri için biçimsel doğrulama hiç yok.
  2. Seçim yanlılığı görünmez. 4.000 problem denendi, 372 aile yayımlandı. Geri kalanında ne oldu? Kaç başarısız deneme, kaç yanlış kanıt üretildi? Bu bilinmeden modelin güvenilirliği hakkında konuşmak, yalnızca kazanan piyango biletlerini görerek piyangonun kârlı olduğuna karar vermeye benzer.
  3. Bilgi yalnızca sonuç değil, yöntemdir. Fields madalyalılarının vurguladığı gibi matematiğin amacı kavrayıştır. Bir kanıtın neden işe yaradığını anlamak, onun nasıl bulunduğunu da kapsar. Yalnızca on sonuç için kısaltılmış akıl yürütme özetleri paylaşıldı.

Kısacası: Sonuç kamusal, üretim aracı özel. Bu, kapitalist bilgi üretiminin özetidir.

Doğrulamanın Faturası: Maliyetin Toplumsallaşması, Kârın Özelleşmesi

Bu olayın en az konuşulan yanı, doğrulama emeğidir.

722 makale bir gecede yayımlandı. Bunları kim okuyacak? Bir matematik makalesinin hakem denetimi aylar, bazen yıllar sürer ve neredeyse her zaman ücretsiz yapılır. Haberlerde açıkça yazıldığı gibi, doğru, özgün ve değerli olanı ayıklama işi "büyük ölçüde matematik topluluğunun omuzlarına yüklendi" (Yahoo Tech).

Şimdi şu tabloya bakın:

  • Şirket, hesaplama gücünü kendi sermayesiyle karşıladı ve sonuçların itibarını kendi markasına yazdı.
  • Doğrulama, eleştiri, hata ayıklama ise üniversitelerde çalışan, maaşını büyük ölçüde kamu bütçesinden alan matematikçilere kaldı.
  • Danışma grubundaki dokuz matematikçi bu işi ücretsiz yapıyor (Let's Data Science).
  • Ve bu topluluğun önerileri "bağlayıcı değil."

Bu, tanıdık bir örüntü: Kâr özelleşir, maliyet toplumsallaşır. Kalite kontrol bölümünü kapatıp müşteriye "hata görürseniz bildirin" diyen bir fabrika düşünün; burada müşteri, insanlığın ortak bilimsel aklıdır. Matematikçiler, farkında olmadan, bir şirketin ürün doğrulama departmanına ücretsiz işçi olarak yazılıyor.

Sürü dosyasında "kasırganın muhasebe departmanı" diye andığımız durumun benzeri bu: Makine hızlı üretir, ama üretimin sonuçlarını sindirme, ayıklama, anlamlandırma yükü yine insan emeğine düşer.

Öncelik Yarışı ve Bilimsel Normların Sermaye Tarafından Ezilmesi

Navier–Stokes olayı, işin bir başka yanını gösteriyor. Bilimde öncelik (bir sonucu ilk kimin bulduğu) önemlidir; çünkü bilim insanının tek "ücreti" çoğu zaman tanınmadır. Merton'un deyişiyle, bulgusunu topluluğa bırakan bilim insanı karşılığında atıf ve itibar alır.

Buckmaster'ın anlattıkları doğruysa, bir şirket yöneticisi bir akademisyene yayın sırası konusunda baskı yapmış ve onu kariyeriyle tehdit etmiştir. OpenAI ve Bubeck bunu reddediyor; bu yüzden kesin bir hüküm vermek yerine, iki tarafın birbirine zıt anlatımlarını yan yana not etmek gerekir (Decrypt). Ama anlatımlardan bağımsız olarak yapısal gerçek açıktır:

  • Bir tarafta 10.000 ajanı 88 saat çalıştırabilen bir sermaye var.
  • Öbür tarafta bir yılını bir probleme veren iki araştırmacı var.
  • Ve araştırmacılardan birinin ürün kullanımından elde edilen verinin, rakip şirketin modeline girip girmediği bile kesin olarak bilinmiyor.

Bu, rekabetin eşit olmayan koşullarda yürüdüğü bir öncelik piyasasıdır. Matematikçilerin uyarısı da tam bu noktada: Bu tempo sürerse araştırmacılar çalışmalarını yayımlamak yerine saklamaya başlar ve bilimsel açıklık zarar görür (Morning Brew). Yani tekelin hızı, bilgi müştereğini besleyen açıklık kültürünü bizzat aşındırır. Çitleme yalnızca makinenin kapalılığıyla değil, insanların korkuyla kendi çalışmalarını kapatmasıyla da ilerler.

Zihinsel Taylorizm: Kavrayış ile Üretimin Ayrılması

Taylorizm, işçinin bilgisini elinden alıp yönetime taşıyan, işi "düşünen" ve "uygulayan" olarak bölen bir örgütlenmeydi. Zihinsel Taylorizm dediğimiz şey, bu bölünmenin kafa emeğine uygulanmasıdır.

Fields madalyalılarının bildirisindeki cümleyi bu gözle tekrar okuyalım: "Problem çözmek, kavrayışın yalnızca bir aracıdır." Şirketin ölçütü ise çözülen problem sayısıdır; çünkü sayı pazarlanabilir, kavrayış pazarlanamaz. Matematik, bir ölçüt ekonomisine indirgeniyor: kaç problem, kaç saat, kaç makale. Lise olimpiyat soruları bir yıl önce başarı ölçütüydü; şimdi ölçüt Milenyum problemleri oldu. Her ölçüt doyduğunda yenisi bulunuyor (OfficeChai).

Bu süreçte matematikçinin rolü de değişiyor. Yaratıcı araştırmacıdan, makinenin çıktısını denetleyen bir kalite kontrolcüye dönüşme baskısı altında. Bu, emek sürecinin yeniden örgütlenmesidir ve tarihte her yeniden örgütlenme gibi, kimin lehine işleyeceği teknik değil sınıfsal bir sorudur.

Tsimerman'ın OpenAI'a geçmesi de bu tablonun parçası. Kamusal üniversitede yetişmiş en parlak zihinler, kamusal kurumların veremeyeceği ücretler ve hesaplama olanakları nedeniyle özel laboratuvarlara çekiliyor. Bu bireysel bir tercih olarak yargılanacak bir şey değil; yapısal bir beyin çitlemesidir. Akademinin güvencesizleşmesi, genç araştırmacıların kadrosuzluğu ve kamu araştırma bütçelerinin daralması, bu çekim gücünü artıran nesnel koşullardır.

Peki Teknolojiye Karşı mıyız? Diyalektik Bir Not

Hayır. Burada dikkatli olmak gerekiyor.

Daniel Litt'in itirazı yerindedir: Yayımlamak, saklamaktan iyidir. Bir makine gerçekten yeni matematiksel sonuçlar üretebiliyorsa, bu insanlık için büyük bir üretici güç artışıdır. Lean ve Mathlib gibi biçimsel doğrulama araçlarının gelişmesi, matematiği daha güvenilir ve daha erişilebilir kılabilir. Fields madalyalıları da yapay zekâ destekli matematiğe karşı değil; karşı oldukları şey, sonuçları çevreleyen ilişkiler (ExplainX).

Marx'ın gösterdiği gibi sorun üretici güçlerde değil, üretim ilişkilerindedir. Aynı makine, kamusal mülkiyette, açık ağırlıklarla, toplumsal ihtiyaçlara göre yönlendirilen bir araştırma gündemiyle çalışsaydı, bugünkü tartışmanın büyük kısmı ortadan kalkardı. Doğrulama emeği karşılıksız kalmazdı; öncelik yarışı bir tekelin piyasa değerine bağlanmazdı; "hangi problemler çözülsün" sorusu yatırımcı sunumuna göre değil, bilimsel ve toplumsal ihtiyaca göre yanıtlanırdı.

Bir ironiyi de not edelim: Bu makalelerin bir kısmını doğrulanabilir kılan Lean ve Mathlib, gönüllü matematikçilerin yıllarca biriktirdiği açık kaynak bir müşterektir. Tekelin "doğruluk" vitrini bile, sonuçta topluluğun ortak emeğine yaslanıyor.

İki Kolon: Bilimsel Norm ve Tekel Pratiği

Bilimsel topluluğun normuOpenAI'ın bu yayındaki pratiği
Yöntem ve düzenek açıklanır, deney tekrarlanabilirModel kapalı, istemler paylaşılmadı, yalnızca ortalama hesaplama verisi var
Hakem denetimi yayından önce gelir722 makale hakem denetimsiz, tek gecede GitHub'a yüklendi
Başarısız denemeler de bilgidir4.000 problemden yalnızca "anlamlı" bulunan alt küme yayımlandı
Önceki emeğe atıf yapılırAğustosta önceki çalışmaya atıf eksikliği eleştirileri, Eylülde Navier–Stokes öncelik kavgası
Doğrulama, karşılığı tanınan bir emektirDoğrulama yükü ücretsiz olarak topluluğa bırakıldı
Amaç kavrayıştırÖlçüt, çözülen problem sayısıdır
Topluluğun önerileri yol göstericidirDanışma grubunun önerileri "bağlayıcı değil"
Bilgi ortak mülkiyettirSonuç ortak, üretim aracı özel

Somut Görevler

Bu tartışma bize uzak bir Princeton tartışması gibi görünebilir. Değil. Türkiye'deki her matematik bölümü, her doktora öğrencisi, her bilim emekçisi bu dönüşümün içinde. Ne yapılabilir?

  1. Açıklık talebini somutlaştırmak. Yapay zekâ ile üretildiği iddia edilen her bilimsel sonuç için model, istemler, hesaplama verisi ve başarısız denemelerin oranı açıklanmalı. Bu, IAS danışma grubunun da talebi. Bilim örgütleri (Türk Matematik Derneği gibi) ve dergiler bunu yayın koşulu hâline getirebilir.
  2. Kamusal hesaplama altyapısı. Üniversitelerin ve kamu araştırma kurumlarının ortak, açık ve kamusal hesaplama altyapısına sahip olması, bilimsel bağımsızlığın ön koşuludur. TÜBİTAK ve üniversitelerin bütçe önceliklerinde bu sorulmalı. Bu talebi Sosyalist Yapay Zekâ Manifestosu'nda da tartışmıştık.
  3. Açık doğrulama müştereklerini büyütmek. Lean/Mathlib gibi projelere katkı, genç matematikçiler için hem bilimsel hem politik bir pratiktir. Doğrulamanın aracı açık kaldıkça, tekelin doğruluk tekeli de kırılır.
  4. Doğrulama emeğinin tanınması. Hakemlik ve doğrulama, akademik değerlendirmede görünmez emek olmaktan çıkarılmalı; kadro ve yükseltme ölçütlerinde karşılık bulmalı.
  5. Atıf ve veri hakkı. Bilim insanlarının çalışmalarının ve kullanım verilerinin model eğitiminde nasıl kullanıldığını bilme ve itiraz etme hakkı, bilim emekçileri sendikalarının gündemine girmeli.
  6. Akademinin güvencesizleşmesine karşı mücadele. Beyin çitlemesinin panzehiri, kamusal bilim kurumlarında güvenceli istihdam ve yeterli araştırma bütçesidir. Bu, üniversite emekçilerinin sendikal mücadelesinin doğrudan bir parçasıdır.
  7. Bilimsel okuryazarlık. "Riemann çözüldü" başlıklarını okurken "quasi" kelimesini aramayı öğrenmek ve öğretmek. Pazarlama dilini bilimsel iddiadan ayırmak, kamusal aklın savunusudur.

Kanıt Kimindir?

Sevgili Genç Yoldaşlar,

Bir kanıt, doğası gereği herkese aittir. Pisagor teoremini kimse satın alamaz; bir kez anlaşıldığında herkesin olur. Matematiği binlerce yıldır bir insanlık müştereği yapan şey de budur.

OpenAI'ın 722 makalesi bu müştereğe katkı mı, yoksa onun yeni bir çitleme biçimi mi? Yanıt, makalelerin doğruluğunda değil, onları üreten ilişkilerde saklı. Sonuçlar açık ama makine kapalıysa; doğrulama yükü topluluğa, itibar ve piyasa değeri şirkete gidiyorsa; topluluğun önerileri "bağlayıcı değil" sayılıyorsa, karşımızdaki şey bilimin özgürleşmesi değil, genel zekânın bir kez daha gasp edilmesidir.

Bilimin örgütlü kuşkuculuğu, bugün sınıfsal bir talebe dönüşüyor: Kanıtı kim denetler? Bu sorunun yanıtı "kapalı kapılar ardındaki bir yönetim kurulu" olmamalı. Yanıt, insanlığın ortak aklı, yani onu yüzyıllar boyunca birlikte üretenler olmalı.

Bilgi herkesindir.

Kaynaklar

Haberler ve analizler

Kuramsal arka plan

  • Karl Marx, Grundrisse, "Makineler Üzerine Fragman" (1857–58)
  • Robert K. Merton, "The Normative Structure of Science" (1942)

Bilgi Müşterekleri'nde bu yazının üzerine kurulduğu yazılar

Etiketler:#openai#yapayzeka#bilim#matematik#teknoloji#genelzeka

İlgili Başlıklar

Haber Bülteni Aboneliği