2026: Yapay Zekanın Bilimi Değiştirdiği Yıl

Bu yazı, Bebar Bilim’in “2026: Yapay Zekanın Bilimi Değiştirdiği Yıl” videosunun metninden uyarlanmıştır.

2026, bilim tarihine yapay zekanın yılı olarak geçecek. Bunu abartmak için söylemiyorum. Bu yıl, matematikçilerin onlarca yıldır çözemediği problemler bir makine tarafından çözüldü. Bir yapay zeka, doğada daha önce kimsenin bilmediği bir sistemi kendi başına aradı ve buldu. Ve bilim insanları ilk kez, doğru olduğu kontrol edilmiş ama nasıl bulunduğunu hiçbir insanın tam anlayamadığı sonuçlarla karşı karşıya kaldı. Bu yazıda bu yıl tam olarak ne olduğunu ve bunun neden bu kadar önemli olduğunu anlatacağım.

Dört yüz yıllık bir zincir

Ne kadar büyük bir şey olduğunu anlamak için önce dört yüz yıl geriye, Prag’a gitmemiz lazım.

1600 yılı. Danimarkalı astronom Tycho Brahe hayatının yirmi yılını gezegenlerin gökyüzündeki yerini ölçerek geçirmiş. Daha teleskop yok, her şey çıplak gözle ve kocaman ölçüm aletleriyle yapılıyor. Elinde o güne kadar tutulmuş en hassas gökyüzü kayıtları var ama bu sayıların ne anlattığını çözemiyor. Yanına genç bir matematikçi alıyor, Johannes Kepler’i. Bir yıl sonra Tycho ölüyor ve bütün kayıtlar Kepler’e kalıyor.

Kepler Mars’ın yörüngesini bu sayılara oturtmaya çalışıyor. O dönemde herkes gibi o da gezegenlerin kusursuz çemberler çizdiğine inanıyor. Hesaplıyor, tutmuyor. En iyi çemberle Tycho’nun ölçümleri arasında 8 yay dakikalık bir fark kalıyor. Gökyüzünde dolunayın çapının dörtte biri kadar bir şey. Başka biri buna ölçüm hatası der geçerdi.

Kepler Tycho’nun ölçümlerine o kadar güveniyor ki farkı bırakmıyor ve yıllar süren hesabın sonunda Mars’ın çember değil elips çizdiğini buluyor.^[1]

Ama Kepler gezegenlerin nasıl döndüğünü buluyor, neden böyle döndüklerini bilmiyor. O cevap seksen yıl sonra Isaac Newton’dan geliyor. Newton kütle çekimi yasasını ortaya koyuyor ve bu yasaya uyan bir gezegenin elips çizmek zorunda olduğunu matematikle ispatlıyor.^[2] Ve bu “neden” bambaşka kapılar açıyor. Aynı yasayla gelgitler, kuyruklu yıldızlar, yüzyıllar sonra da uzaya giden roketler hesaplanıyor.

Bilim dört yüz yıldır kabaca böyle işliyor. Biri ölçüyor, biri sayıların içinde bir düzen görüyor, biri o düzenin nedenini bulup ispatlıyor. Her adımı insanlar atıyor, her adım yıllar alıyor. Bir de bunun pek düşünmediğimiz bir tarafı var. Bir şeyi bulan insan, onu nasıl bulduğunu da biliyor. Newton kütle çekimini bulduğunda bunu başkalarına anlatabiliyordu ve ondan sonra gelen herkes o fikrin üstüne bir şeyler koydu.

2026’da bu zincirin halkalarına tek tek yapay zeka girdi. Bu yazıda bunu tam o sırayla anlatacağım. Önce Kepler’in işine, sonra bir araştırmacının işine, en sonda da Newton’un işine bakacağız. Ve en sonunda o tuhaf yere varacağız: doğru olduğunu bildiğimiz ama nedenini anlayamadığımız sonuçlara.

Kepler’in işi: Sayıların içindeki düzen

Kepler’in yaptığı işle başlayalım. Bir sayı yığınının içinde gizli bir düzeni bulmak.

NASA’nın TESS adında bir uydusu var ve bir anlamda bugünün Tycho’su. 2018’den beri yıldızlara bakıp parlaklıklarını ölçüyor. Bir gezegen yıldızının önünden geçerken yıldızın ışığı çok az, bazen binde bir kadar azalıyor. TESS’in aradığı şey bu küçük düşüşler.

Yalnız Tycho birkaç gezegeni ölçmüştü, TESS’in elinde 83,7 milyon yıldızın parlaklık kaydı var. Bir insan bunlara tek tek baksa, her birine sadece bir saniye ayırsa, hiç uyumadan iki buçuk yıldan fazla sürer. Üstelik bir saniyede o binde birlik düşüşü göremezsiniz bile. Kepler tek bir gezegenin verisi için yıllarını vermişti, hatırlayın.

Bu yılın Nisan ayında bir ekip bu kayıtların tamamını bir yapay zeka modeline taratıyor. Model 11.554 gezegen adayı çıkarıyor ve bunların 10.091’i daha önce hiçbir listede yok.^[3] Kısa süre sonra Warwick Üniversitesi’nden başka bir ekip de benzer bir yöntemle 118 yeni gezegeni doğruluyor.^[4]

Yani Kepler’in işini, sayıların içinde düzeni görmeyi, makineler artık bizden çok daha hızlı ve çok daha büyük ölçekte yapıyor. Aslında bu birkaç yıldır böyle, 2026’yı farklı yapan da bu değil. Çünkü burada model yine bizim verdiğimiz veriye, bizim sorduğumuz soruyla bakıyor. Ona “şu kayıtlarda gezegen ara” diyoruz, o da arıyor. Asıl zor olan, neye bakacağına kendi karar vermesi. Gerçek bir araştırmacı gibi.

Araştırmacının işi: Yeni bir CRISPR mı?

Bunun için biyolojiye geçmemiz lazım. Ama önce biraz arka plan vermem gerekiyor.

Vücudumuzdaki her hücrede bir talimat kitabı var, DNA. Gözünüzün renginden hangi hastalığa yatkın olduğunuza kadar her şey orada yazılı. Bilim insanlarının uzun zamandır bir hayali vardı. Bu kitapta bir yazım hatası varsa, mesela bir hastalığa yol açan bozuk bir gen, o hatayı bulup düzeltebilmek. Yıllarca bunun kolay bir yolu olmadı. Sonra CRISPR çıktı. Kabaca, DNA’da istediğiniz yeri bulup orayı kesebilen çok küçük bir makas. Bugün orak hücre anemisi gibi kalıtsal bir kan hastalığının tedavisi bu makasla yapılıyor.^[6] Onu bir araç haline getiren iki bilim insanı da 2020’de Nobel aldı.^[5]

İşin ilginç yanı, bu makası biz icat etmedik. Bakterilerden aldık. Bakteriler milyarlarca yıldır virüslerle savaş halinde. 1980’lerin sonunda Japonya’da bir ekip bir bakterinin DNA’sında tuhaf bir şey görüyor. Aynı kısa parça, bir kitapta aynı kelime tekrar tekrar yazılmış gibi, art arda diziliyor ve her tekrarın arasında alakasız başka bir parça var.^[7] Bunun ne olduğunu kimse bilmiyor.

Ancak yirmi yıla yakın bir süre sonra anlaşılıyor ki aradaki o alakasız parçalar, bakteriye daha önce saldırmış virüslerden alınmış parçalar.^[8] Bakteri, saldırganın fotoğrafını saklıyor gibi düşünün. Aynı virüs bir daha gelirse bakteri onu bu kayıttan tanıyor ve yanındaki bir enzim, yani küçük bir protein makine, virüsün DNA’sını kesip etkisiz hale getiriyor. Bilim insanları sonra bu makineyi alıp virüs yerine istedikleri geni kesecek şekilde ayarladı. CRISPR bu.

Yani bugün tıbbı değiştiren bu aracın hikayesi, birinin DNA’da bir tuhaflık fark etmesiyle başladı. Doğada böyle başka sistemler de olabilir mi? Bunu aramak tam bir araştırmacı işi. Sayısız bakterinin ve virüsün DNA’sını karıştırıp tuhaf bir şey aramak.

Bu yılın Eylül ayında Anthropic bu işi Claude’a veriyor. Soruyu insanlar soruyor, sonunda çıkan şeyi laboratuvarda deneyen de insanlar. Ama aradaki asıl aramayı büyük ölçüde model yapıyor. Aynı anda 950 tane Claude çalıştırıyorlar, her biri işin bir parçasına bakıyor. 21 saat içinde 200 binden fazla enzimin kaydını tek tek tarıyorlar. Sonunda bunlardan birinin yanında, tıpkı 1980’lerdeki o ilk ipucu gibi, tekrar eden tuhaf DNA parçaları buluyorlar. Bu yeni sisteme ART adını veriyorlar.^[9]

Kulağa çok büyük bir şey gibi geliyor ama burada dürüst olmak lazım. CRISPR üzerinde çalışan araştırmacılardan Lucas Harrington pek etkilenmiyor. DNA veritabanlarında böyle arama yapmak yıllardır yapılan bir şey, diyor, benzer sistemler 2008’den beri biliniyor. Asıl zor olan, bulduğunuz şeyin ne işe yaradığını göstermek.^[10] ART’ın ne yaptığını ise henüz kimse bilmiyor.

Bence bu eleştiri haklı ve hikayemiz için çok önemli. Makine bir günden kısa sürede 200 bin enzimi tarayıp ilginç bir şey buluyor ama ne bulduğunu bilmiyor. Kepler’in yerindeyiz yine. Bir düzen görüyoruz, nedenini bilmiyoruz. Peki makine nedenini de bulabilir mi? Yani Newton’un yaptığını yapabilir mi?

Bunu en net görebileceğimiz yer matematik. Çünkü matematikte bir şeyin nedenini göstermenin yolu ispat. Ya ispatlarsınız ya ispatlayamazsınız, ortası yok.

Newton’un işi: Navier–Stokes

Newton’un hareket yasalarını hatırlayın. Bir cisme kuvvet uygularsanız ivmelenir. 1800’lerde Fransız mühendis Claude-Louis Navier ve İrlandalı fizikçi George Gabriel Stokes bu yasayı akan şeylere uyguluyor. Su, hava, kan, ne akıyorsa. Ortaya çıkan denklemlere Navier–Stokes denklemleri deniyor ve bugün akan her şeyi bunlarla hesaplıyoruz. Kahvenize süt döktüğünüzde oluşan girdaplar, uçağın kanadının etrafından geçen hava, yarınki hava durumu, damarlarınızdaki kan.

Mühendisler bu denklemleri her gün kullanıyor ama işin içinde iki yüz yıldır kapanmayan bir boşluk var. Kimse bu denklemlerin her zaman düzgün çalıştığını ispatlayamamış. Pürüzsüz, sakin akan bir sıvıda, belli bir anda, bir noktada hız sonsuza fırlayabilir mi? Fırlayabiliyorsa, akan her şeyi anlattığımız denklemler bir noktada anlamını yitiriyor demek. Fırlayamıyorsa bunu ispatlamak gerek. 2000 yılında Clay Matematik Enstitüsü bunu matematiğin en zor yedi probleminden biri ilan ediyor ve çözene bir milyon dolar koyuyor.^[11] O yedi problemden bugüne kadar sadece biri çözülmüştü.

Bu yıl bu problemle ilgili bir şey oldu. Biraz durup tam olarak ne olduğunu anlatmam lazım, çünkü haberlerde “yapay zeka bir problemi çözdü” deyip geçiyorlar.

OpenAI bu yaz yeni bir model eğitiyor, henüz kimseye açmadığı bir model. Eylül’ün ilk günü bu modele matematikte çözülmemiş problemleri veriyorlar. Tek bir modelle değil, aynı modelin 10 bine yakın kopyasıyla. Bunu büyük bir araştırma ekibi gibi düşünün. Her biri problemin bir köşesiyle uğraşıyor, bulduğunu diğerlerine yazıyor, diğerleri onun üstünden devam ediyor. Bu ekip dört gün boyunca durmadan çalışıyor ve 88 saatin sonunda Navier–Stokes için bir cevap çıkarıyor.^[12] Cevap şu: evet, olabiliyor. Başta tamamen sakin akan bir sıvıda öyle bir girdap kurulabiliyor ki kendi etrafında döndükçe içeri doğru sıkışıyor, sıkıştıkça daha hızlı dönüyor ve sonunda tek bir noktada hızı sınırsız artıyor. Denklemler orada çöküyor.

Hemen söyleyelim, bu kahvenizin ya da uçakların bir gün patlayacağı anlamına gelmiyor. Gerçek dünyada bu kadar küçük ölçeklere inildiğinde başka şeyler de işin içine giriyor. Ama bu sonuç, akan her şeyi anlatmak için kullandığımız denklemlerin bir sınırı olduğunu gösteriyor. Matematikçilerin iki yüz yıldır merak ettiği şey de tam buydu.

Bir makinenin ispatına nasıl inanırız?

Şimdi aklınıza şu gelebilir. Bir yapay zeka “çözdüm” dedi diye buna nasıl inanacağız? Bu modellerin bazen kendinden çok emin bir şekilde saçmalayabildiğini hepimiz biliyoruz. Bunun için matematikçilerin kullandığı bir araç var, adı Lean.^[14] Bir tür bilgisayar dili. İspatı bu dile çevirdiğinizde bilgisayar her adımı tek tek kontrol ediyor. Bir adım bir öncekinden gerçekten çıkmıyorsa, arada en küçük bir boşluk varsa kabul etmiyor. Bilgisayar ispatı anlamıyor ama içinde hata olup olmadığını kesin olarak söyleyebiliyor.

Normalde böyle büyük bir ispatı matematikçilerin okuyup onaylaması yıllar alabiliyor. OpenAI’ın modeli ispatını bu dile 17 saatte çeviriyor ve bilgisayar bütün adımları onaylıyor. 8 Eylül’de sonuç dünyaya duyuruluyor. Ödülü veren Clay Enstitüsü de problemin görünüşe göre çözüldüğünü ama dikkatli bir değerlendirmenin zaman alacağını söylüyor.^[13]

Yani bir makine, bir şeyin neden öyle olduğunu ispatlamış oluyor. Newton’un işini yapmış. Ama arada önemli bir fark var.

Levent Alpöge ve “hayatımda okuduğum en kötü yazı”

Bu problemin üzerinde çalışan insanlar da var tabii. Ve bunlardan biri bizden: Levent Alpöge. New York’ta büyümüş bir Türk matematikçi. 2014’te Harvard’ı sınıf birincisi olarak bitirmiş, doktorasını Princeton’da yapmış, bugün de Anthropic’te araştırmacı olarak çalışıyor.

Levent Alpöge, New York Üniversitesi’nden matematikçi Tristan Buckmaster’la birlikte neredeyse bir yıldır Claude ve Codex gibi yapay zeka araçlarını da yanlarına alarak Navier–Stokes’a çok yakın bir problem üzerinde çalışıyor. Akan sıvıları anlatan daha basit bir denklem için aynı patlamanın olabileceğini gösteriyorlar ve sonuçlarını OpenAI’dan birkaç gün önce paylaşıyorlar.^[16] Kimin neyi önce bulduğu konusunda da bir tartışma çıkıyor.^[15]

Buckmaster yaşananları, 1997’de dünya satranç şampiyonu Kasparov’un ilk kez bir bilgisayara yenildiği maça benzetiyor.^[17] Ama bence asıl önemli sözü başka. Modelin ispatı ilk kez İngilizce olarak anlattığı metni okuyor ve “hayatımda okuduğum en kötü yazı” diyor.^[15] Yani ispat doğru, bilgisayar her adımı onaylamış, ama bir insan okuyunca bu fikrin nereden çıktığını, neden böyle düşünüldüğünü anlayamıyor.

İlk duyunca küçük bir ayrıntı gibi geliyor. Ama Ekim’in sonunda bütün meselenin bu olduğunu göreceğiz.

Üstel Zaman Hipotezi: Anahtarlı bir kilit

26 Ekim’de OpenAI bir sonuç daha açıklıyor, bu sefer bilgisayar biliminden.^[20] Bu biraz daha soyut, o yüzden bir örnekle anlatayım.

Elinizde şifreli bir kilit var ama rakamlı değil. Üstünde bir sıra anahtar var ve her biri ya açık ya kapalı. Doğru dizilimi bilmiyorsunuz, tek yol denemek. İki anahtar varsa dört ihtimal var, üç anahtar varsa sekiz. Her yeni anahtar deneme sayısını ikiye katlıyor. Kırk anahtara geldiğinizde bir trilyondan fazla ihtimal var. Anahtar sayısı biraz daha artınca dünyanın en hızlı bilgisayarları bile yetişemiyor.

Bilgisayar biliminde bunun gibi çok problem var. Bir okulun ders programını kimsenin dersi çakışmayacak şekilde hazırlamak gibi, bir sürü şartın aynı anda sağlanması gereken işler. Bilgisayarcılar yıllardır bu tür problemler için akıllı kısa yollar arıyor ve bazen buluyorlar da. Ama yaklaşık 25 yıl önce iki bilgisayar bilimci, Russell Impagliazzo ve Ramamohan Paturi, şunu öne sürüyor. Bu problemlerin bazılarında ne kadar akıllı olursanız olun, o ikiye katlanmadan gerçek anlamda kurtulamazsınız. Kısa yollar biraz işe yarar ama işin özünde yine o patlama var. Buna Üstel Zaman Hipotezi deniyor.^[18]

Bu hiçbir zaman ispatlanmadı. Ama o kadar inandırıcı geldi ki bilgisayar bilimciler yüzlerce çalışmada bunu doğru kabul edip üstüne yeni sonuçlar kurdu. “Bu hipotez doğruysa, şu problemin daha hızlı bir çözümü olamaz” gibi. Yani bir sürü bilgi bu kabulün üstünde duruyor.

26 Ekim’de OpenAI, modelinin bu hipotezin yanlış olduğunu gösterdiğini söylüyor.^[19] Yani o kilidi açmanın, herkesin imkansız sandığı kadar kısa bir yolu varmış.

Merak edenler için hemen söyleyeyim, bu yarın sabah şifrelerinizin kırılacağı anlamına gelmiyor. Impagliazzo da bunun bir güvenlik tehdidi olmadığını, çoğu insan için hemen bir şey değiştirmeyeceğini söylüyor.^[21] Ama bilgisayar bilimi için durum farklı. Üzerine bu kadar şey kurulmuş bir kabul yanlışsa, o çalışmaların birçoğunun yeniden düşünülmesi gerekiyor.

Şimdi bir de kendinizi Impagliazzo’nun yerine koyun. Gençken ortaya attığınız ve yirmi beş yıl boyunca bütün bir alanın üstüne yaslandığı bir fikir, bir makine tarafından çürütülüyor olabilir. Bir röportajda tepkisini soruyorlar. Pek neşeli olmadığını söylüyor ve şunu ekliyor: bunu, düşünce sürecini anlatabilecek bir insanın bulmasını çok daha fazla isterdim.^[21]

Bilmek ve anlamak

Bunu neden söylediğini anlamak için Newton’a dönelim. Newton’un bize bıraktığı en değerli şey, gezegenlerin elips çizdiğinin ispatından çok, kütle çekimi fikriydi. O fikri anladığımız için gelgitleri, kuyruklu yıldızları, roketleri hesaplayabildik. Matematikte de böyle. Bir ispatı değerli yapan, içindeki fikir. Bir insan o kısa yolu bulsaydı, “şuradan yola çıktım, şöyle düşündüm” diye anlatırdı ve başkaları o fikri alıp başka problemlerde de kullanırdı. Makinenin ispatında ise cevap var ama fikir bizim için hâlâ karanlıkta. Impagliazzo da bunu açıkça söylüyor. İşin bulma kısmı yapay zekaya geçiyor, insanlara ikinci kısım kalıyor: kontrol etmek ve anlamak.^[21]

Şu an yaptıkları da tam bu. Impagliazzo, Paturi ve yıllardır bu hipotezin yanlış olabileceğini düşünen MIT’den Ryan Williams, ispatı herkesin önünde incelemek için bir araya geliyor. Bunun için para almıyorlar ve baştan şunu söylüyorlar: bu incelemeye katılmamız, sonucu onayladığımız anlamına gelmez.^[19] Yani sonuç henüz kesinleşmiş değil. Ama kesinleşirse, bilgisayar biliminin önemli bir bölümü değişecek.

Başta Tycho’yu, Kepler’i ve Newton’u anlatmıştım. O zincirin her halkası yıllar aldı, bazen yüzyıllar. Ve her halkada bir insan vardı. Bulan da, nasıl bulduğunu anlatabilen de oydu.

2026’da makineler önce Kepler’in işini yapmaya başladı, sonra bir araştırmacının, en sonunda da Newton’un. Ama ilk kez, “neden” sorusunun cevabı bize anlamadığımız bir dille geldi. Ben bundan korkmuyorum açıkçası. Belki bilimin yeni hali bu olacak, makine bulacak, biz anlamaya çalışacağız. Ama şunu da düşünmeden edemiyorum. Bilimi bizim yapan hep o anlama kısmıydı.

Size bir sorum var. Bir bilgisayar bir şeyin doğru olduğunu ispatladı, başka bir bilgisayar her adımı kontrol edip onayladı, ama dünyada o ispatı gerçekten anlayan tek bir insan yok. Sizce o zaman bunu biliyor muyuz?

Merakın burada bitmesin.

Kaynakça

1. Kepler, J. (1609). Astronomia Nova. Heidelberg. https://en.wikipedia.org/wiki/Astronomia_nova
2. Newton, I. (1687). Philosophiæ Naturalis Principia Mathematica. Londra. https://en.wikipedia.org/wiki/Philosophi%C3%A6_Naturalis_Principia_Mathematica
3. Wikipedia. 2026 in science (TESS verisinde yapay zekayla gezegen adayı taraması, 28 Nisan 2026). https://en.wikipedia.org/wiki/2026_in_science
4. University of Warwick. AI approach uncovers dozens of hidden planets in TESS data. https://warwick.ac.uk/news/pressreleases/ai-approach-uncovers-dozens-of-hidden-planets/
5. The Nobel Prize in Chemistry 2020 (Emmanuelle Charpentier ve Jennifer A. Doudna), basın bülteni. https://www.nobelprize.org/prizes/chemistry/2020/press-release/
6. U.S. FDA (8 Aralık 2023). FDA Approves First Gene Therapies to Treat Patients with Sickle Cell Disease. https://www.fda.gov/news-events/press-announcements/fda-approves-first-gene-therapies-treat-patients-sickle-cell-disease
7. Ishino, Y., Shinagawa, H., Makino, K., Amemura, M. ve Nakata, A. (1987). Nucleotide sequence of the iap gene… in Escherichia coli. Journal of Bacteriology, 169(12), 5429–5433. https://doi.org/10.1128/jb.169.12.5429-5433.1987
8. Mojica, F. J. M., Díez-Villaseñor, C., García-Martínez, J. ve Soria, E. (2005). Intervening sequences of regularly spaced prokaryotic repeats derive from foreign genetic elements. Journal of Molecular Evolution, 60, 174–182. https://doi.org/10.1007/s00239-004-0046-3
9. Al Jazeera (24 Eylül 2026). AI model Claude discovers CRISPR-like enzyme system, Anthropic says. https://www.aljazeera.com/economy/2026/9/24/ai-model-claude-discovers-crispr-like-enzyme-system-anthropic-says
10. The Decoder (24 Eylül 2026). Anthropic says Claude discovered a new enzyme system, but CRISPR researchers call it routine genome mining. https://the-decoder.com/anthropic-says-claude-discovered-a-new-enzyme-system-but-crispr-researchers-call-it-routine-genome-mining/
11. Clay Mathematics Institute. Navier–Stokes Equation (Milenyum problemleri). https://www.claymath.org/millennium/navier-stokes-equation/
12. Unite.AI (9 Eylül 2026). OpenAI Says Internal AI System Resolved the Navier–Stokes Problem. https://unite.ai/openai-says-internal-ai-system-resolved-the-navier-stokes-problem
13. AFP / CTV News (8 Eylül 2026). OpenAI says AI solved one of math’s hardest problems in days (Martin Bridson’un açıklaması). https://ctvnews.ca/sci-tech/article/openai-says-ai-solved-one-of-maths-hardest-problems-in-days
14. Lean teorem ispatlayıcısı. https://lean-lang.org
15. NYU Shanghai RITS. OpenAI Claims a Navier–Stokes Proof, Amid a Dispute Over Credit. https://rits.shanghai.nyu.edu/ai/openai-navier-stokes-proof-credit-dispute/
16. Tristan Buckmaster (NYU), Alpöge ile ortak çalışmalar ve açıklama. https://cims.nyu.edu/~tristanb/
17. IBM. Deep Blue (1997 Kasparov maçı). https://www.ibm.com/history/deep-blue
18. Impagliazzo, R. ve Paturi, R. (2001). On the Complexity of k-SAT. Journal of Computer and System Sciences, 62(2), 367–375. https://doi.org/10.1006/jcss.2000.1727
19. The Next Web (26 Ekim 2026). OpenAI says its AI model has disproved the Exponential Time Hypothesis. https://thenextweb.com/news/openai-exponential-time-hypothesis-false-kakeya-yang-mills
20. Al Jazeera (27 Ekim 2026). AI makes discoveries in mathematics, computer science, physics, OpenAI says. https://www.aljazeera.com/economy/2026/10/27/ai-makes-discoveries-in-mathematics-computer-science-physics-openai-says
21. AFP / Kuwait Times (30 Ekim 2026). Shock, vindication, regret: Scientists react as AI claims to overturn their life’s work. https://kuwaittimes.com/article/52682/world/shock-vindication-regret-scientists-react-as-ai-claims-to-overturn-their-lifes-work/

Görseller: Grafikler ve animasyonlar Bebar Bilim’e aittir. Tycho Brahe portresi: Skokloster Şatosu, kamu malı (Wikimedia Commons).