Alan Madalyalısı OpenAI'ye Katıldı, ByteDance STEM Bilimci Programını Başlattı

Bu yılki Fields Ödülü, "son tam kanlı" olarak kabul ediliyor — gelecekteki devrimci araştırmaların büyük olasılıkla AI ile birlikte tamamlanması bekleniyor.

Bu dönüşüm süreci, hayal ettiğimizden daha hızlı olabilir: Fields Ödülü basın toplantısında, kazananlardan biri olan Kanadalı matematikçi Jacob Tsimerman'ın sonraki çalışması ne olacak sorusuna, AI güvenliği araştırmalarına geçmeye başladığını ve yakında OpenAI Güvenlik Bölümü'ne başlayacağını söyledi.

Öte yandan, OpenAI'nin baş araştırmacı yöneticisi Mark Chen, hemen hoş geldin dedi.

Öncü akademisyenler, kendi hedeflerini gerçekleştirebilecekleri platform olarak önde gelen AI şirketlerini görmeye başlamıştır. Son zamanlarda, matematikçiler, fizikçiler, biyologlar dahil olmak üzere giderek daha fazla önde gelen bilim insanı, büyük model şirketlerine doğru akın etmektedir. Yalnızca bu yılın ilk yarısında, Nobel Kimya Ödülü sahibi John Jumper, ekonomist Chad Jones ve filozof Harvey Lederman gibi isimler Anthropic'a katılmıştır.

Arka planda, önde gelen AI şirketleri de aynı yöne doğru bakmaya başlamıştır: bilim insanlarını AI geliştirme süreçlerine davet etmektedirler. AI ile öncü bilimlerin derin entegrasyonu, seçeneğinden zorunluluğa dönüşmektedir.

Yerel AI büyük şirketleri de takip ediyor; bu hafta Perşembe günü ByteDance'ın Seed Edge ekibi, Seed STEM Bilimci Programını duyurdu ve matematik, fizik, kimya, biyoloji gibi öncü bilim alanlarındaki bilim insanlarına ve doktora öğrencilerine 100 iş birliği yeri açtı. Onlarla temel bilimdeki bilinmeyen soruları keşfetmeye davet ediyorlar. Yayınlanan bilgilere göre, bu, AI ile öncü bilimsel keşifleri hızlandırmaya yönelik Çin'in ilk büyük ölçekli programıdır.

Günümüzde AI alanında günlük hızda süren rekabet ortamında, uzun vadeli temel AI araştırmalarına odaklanmak, kodlama becerilerini geliştirmek ve değerlendirme puanlarını yükseltmek kadar doğrudan görünmeyebilir: Sonraki durumda kazanılan beceriler, ürün deneyimi ve ticari gelirlerle hızla ilişkilendirilebilirken, temel araştırmalar ve AI'nın bilimsel keşifleri hızlandırma süreçlerinin geri bildirim döngüleri çok daha uzun olup, keşif yolları belirsizliklerle doludur.

Ancak bunun tersine bakıldığında, bu yolda gerçek bir atılım sağlandığında, ortaya çıkacak olan paradigmalar düzeyindeki değer, sıradan ürün iyileştirmelerini çok aşacaktır.

Yao Shunyu, önceki bir zamanda ekibiyle şu görüşü paylaşmıştı: Büyük modellerin eğitimi sihirli bir şey değildir. Gerçek zorluk, en temel ve kesinlikle doğru yapılabilen şeyleri doğru yapmakta yatmaktadır. Bu değerlendirme, Anthropic CEO'su Dario'nun uzun süredir savunduğu görüşle de örtüşmektedir — AI ilerlemesini yönlendiren temel unsurlar her zaman hesaplama gücü, veri kalitesi ve ölçeği, eğitim süresi ve ölçeklenebilir hedef fonksiyonlardır; 'tüm akıllı yöntemler ve teknikler aslında o kadar önemli değildir'.

Gerçek SOTA modeller olan Claude ve Seedance'ye geri dönüldüğünde, arka planda hiçbir kısayol yoktur; temel olarak, erken bir aşamada yön belirlendikten sonra veri kalitesi ve alt yapı üzerinde büyük ölçüde temel çalışmalar yapılmıştır.

Anthropic, modelin kod yeteneklerini geliştirmeye odaklanarak, pekiştirmeli öğrenme ile modelin deneme-yanılma yoluyla kaliteli kodu anlayıp üretmesini sağlar ve kullanıcı geri bildirimleriyle kendini hızlandıran bir gelişim döngüsü oluşturur.

Çok sayıda büyük şirketin sürdürülemez kaldığı video üretimi alanında, Seedance yenilikçi model mimarisi ve hassas veri çalışmaları sayesinde AI video üretimi üzerindeki "çekiliş" temelli denemeleri, daha kontrollü ve yaratıcı bir endüstriyel üretim aracına dönüştürdü.

Görüldüğü gibi, modelin kapasitesini gerçekten belirleyen, becerilerin birikimi değil, verileri sağlamlaştırmak, temel yapıyı kararlı hale getirmek ve hedefleri uzun vadeli tutmak, stratejik kararlılık ve yeterli sabır göstermektir.

Bu, günümüz ortamında kolay bir şey değil, ancak yerel büyük model yarışmasında giderek daha fazla şirketin böyle zor ama doğru yolu seçmeye istekli olduğunu görüyoruz.

Bu yıl, DeepSeek mHC (Manifold Constrained Hyperconnection) mimarisi, büyük modellerin temel mimarisi alanında bir atılım olarak kabul ediliyor. Ayrıca DeepSeek V4'ün önemli mimari yükseltmelerinden biri, geleneksel kalan bağlantıları modelin tamamında yerine geçer. mHC araştırması, Bytedance Seed ekibi tarafından önerilen Hyper-Connections (HC)'yi kullanır.

Bu öncesi, kalan bağlantılar, Transformer temel yapısı olarak endüstride varsayılan bir yapı olarak kabul ediliyordu; HC, hesaplama yükünde neredeyse artış olmaksızın modelin özellik ifade kapasitesini büyük ölçüde artıran ilk kez bu tek akışlı modeli kırdı. HC'nin yenilikçi önerilmesinden mHC'nin mühendislik yoluyla uygulanmasına kadar, bu durum, geçmişte büyük modellerin teknoloji gelişiminde nadiren görülen, Çinli AI ekibinin alt yapı alanında teknolojik yeniliklerinin bir örneğidir.

Geçen yılın başında, ByteSeed, belirsizliği yüksek ve kısa sürede sonuç alınamayabilecek araştırma konuları üzerinde çalışmak amacıyla Edge adlı özel bir ekip kurdu. Araştırmacıların kararlı bir ortamda çalışabilmesi için performans değerlendirme döngüsünü bile ayarladılar — ara değerlendirme mekanizması olmadan, sonuç ortaya çıktığında tek seferde değerlendirme yapıldı.

Takım, kurulduğundan beri oldukça sakin kaldı; yakın zamanda X üzerinde uzun menzilli değerlendirme seti EdgeBench’i yayınladı ve sektörde ilk kez gerçek ortamdaki Agent öğrenme kurallarını sistematik olarak tanımladı, yeni bir çevre öğrenme boyutu için Scaling yasasını buldu ve birçok sektör liderinin tartışmasına neden oldu.

OpenAI'nin de bu değerlendirme setini kendi modelinin uzun menzilli yeteneklerini test etmek için entegre ettiği söyleniyor.

Yapay zeka alanında, genellikle odak noktasi büyük modeller üzerine yöneliktir; ancak bir Benchmark oluşturmak uzun bir süreyi ve büyük miktarda insan kaynaklarını gerektirir. Gelişmiş yapay zeka yetenekleri için benchmark'lar tasarlamak ve açık kaynak hale getirmek, kendi ilerlememizi ölçmekten ziyade, endüstri standartlarını belirleyerek modellerin zayıf yönlerini ortaya çıkararak, tüm alanın daha şeffaf ve daha güvenilir bir yöne doğru ilerlemesini sağlamayı amaçlar. En iyi yapay zeka laboratuvarları, benchmark oluşturmaya büyük kaynak ayırır.

OpenAI, Evals çerçevesini açık kaynak yaptı ve bu çerçeve, büyük dil modellerini ve LLM tabanlı sistemleri değerlendirmek için endüstri standardı bir araç haline geldi. Özellikle öncü yetenekler için OpenAI, SimpleQA, BrowseComp, MLE-bench gibi özel referans setleri tasarladı.

Anthropic, SWE-bench üzerinde büyük çaba harcadı ve Claude'un kodlama yeteneklerini net bir şekilde ortaya koydu; ayrıca, Agent'ların gerçek komut satırı ortamlarında uzun zincirli görevleri tamamlama yeteneklerini ölçmek için Terminal-Bench'i yayınladı.

Bu değerlendirme çalışmaları, çeşitli modellerin yeteneklerinin güçlü yönleriyle rastgele ilişkili değildir.

Önde gelen AI ekibinin AI gelişim yolu hakkındaki görüşü değişmeye başlamıştır; büyük modellerin yetenek gelişimi artık yalnızca parametre ve veri birikimiyle sağlanan ön eğitim avantajı döneminden çıkmıştır; bir sonraki aşama için temel büyüme gücü, modellerin gerçek açık ortamlarda sürekli etkileşim, geri bildirim ve kendi kendini geliştirme yoluyla elde edilecektir.

Temel bilimlerin öncü alanı, açık bilinmeyen senaryoların en yüksek formudur. ByteDance'ın yeni duyurduğu Seed STEM Bilimci Programı, bilimcilerle birlikte araştırma düzeyindeki sorunları tanımlamak ve aşmak, AI'nın bilimsel keşifleri hızlandırma olasılıklarını araştırmak amacıyla oluşturulmuştur. Bilimciler sadece konular değil, aynı zamanda sorun bilinci, değerlendirme kriterleri ve geri bildirim yöntemleri de sunar.

Bilim insanları ile neden iş birliği yapmalıyız? Cevap, şu anda kalan «soruların» büyük modeller için yeterince zor olmamasıdır.

Günümüzde yaygın olarak kullanılan model değerlendirme sistemleri, genellikle standart cevapları olan kapalı görevlere odaklanır. Soruların kesin çözümleri vardır, değerlendirme kriterleri sabittir ve model yeteneklerinin geliştirilme yolu nettir. Ancak gerçek bilimsel araştırma tamamen başka bir mantıkla çalışır: açık bir çözüm yolu yoktur, araştırmacıların kendi başlarına hipotezler ortaya koyması, doğrulama yöntemleri tasarlaması, anormalliklerle ve gürültülü verilerle başa çıkması ve temel mekanizmaları çıkarması gerekir; süreç boyunca deneme-yanılma, tekrar ve belirsizliklerle doludur.

Gerçek dünyadaki görevler, AI modellerinin yeteneklerini test etmenin nihai ölçütüdür. Ön eğitim Ölçeklendirme ve test zamanı Ölçeklendirme sonrası, endüstri, bir sonraki Ölçeklendirme yönünü aramaktadır; “gerçek açık ortamlarda sürekli etkileşimli öğrenme” en çok umulmuş yollardan biridir.

Bu nedenle, küresel AI en iyi ekipleri, öncü modelleri geliştirirken yalnızca AI ekibinin kapalı kapılar arasında modeli geliştirmesine değil, her disiplinden en iyi araştırmacıları dahil ederek gerçek alan sorunlarının model yeteneklerinin gelişimini yönlendirmesine başlamıştır.

Kuzey Amerika'da son zamanlarda birçok üniversite araştırmacısı büyük model şirketlerine katılmaya başladı. Temmuzun başlarında Berkeley EECS Bölüm Başkanı Jelani Nelson, akademik izin alarak Anthropic'e katıldığını duyurdu. Bu yıl itibarıyla, en az 22 profesör ve araştırmacı, Stanford, Berkeley, Harvard gibi üniversitelerdeki çalışmalarını geçici olarak bıraktı ya da azalttı ve OpenAI, Anthropic, DeepMind ve Meta'ya geçti. Bu dört şirket şu anda en az 80'den fazla mevcut veya eski üniversite profesörünü bir araya getirdi.

Arka planda, sistematik projeler de yer alıyor.

OpenAI'de Residency programı, OpenAI'nin her yıl düzenli olarak üst düzey yetenekleri çekmek için kullandığı bir kanal haline gelmiştir. Bu program, şu anda yapay zekâyı ana araştırma odakları haline getirmemiş bireyler için açık olup, katılımcıların ilk günden itibaren OpenAI'nin öncü uygulama ve araştırma ekipleriyle doğrudan işbirliği yapmalarını sağlar. Program, "hızlandırılmış doktora eğitimi" gibi bir rol oynar ve farklı alanlardan gelen uzmanların disiplinler arası entegrasyonunu hızlandırır. ImageGPT, Codex gibi birçok dönüm noktası projede, konuk araştırmacılar derin bir şekilde yer almıştır. GPT serisi modellerin matematiksel akıl yürütme ve biyolojik mekanizmaların çıkarımı konularındaki bilimsel ilerlemeleri de bu disiplinler arası yeteneklerin sürekli katkılarıyla mümkün olmuştur.

Anthropic'te, 2026 yılında STEM Fellows Programı, bilim, teknoloji, mühendislik ve matematik alanlarındaki uzmanlar için sistematik ve büyük ölçekli bir şekilde genişletildi. Bu program, fizikçiler, biyologlar, matematikçiler, ekonomistler gibi AI dışındaki alanlardaki önde gelen uzmanları birkaç ay boyunca Anthropic içine davet eder. Bu uzmanlar, kendi alanlarındaki çözülmemiş sorunları veya karmaşık iş akışlarıyla birlikte, henüz yayınlanmamış Claude modellerini ve içsel değerlendirme araçlarını doğrudan kullanabilirler.

Bu tür projelerde, malzeme bilimciler, Claude için faz stabilitesi çıkarımı özel değerlendirme süreçleri oluşturur, iklim bilimcileri ise uzman atmosferik modelleme araçlarını ve modelleri derinlemesine entegre eder. Konaklama süresi boyunca %80'den fazla araştırmacı kaliteli akademik sonuçlar üretti; bu gerçek disiplinlerden gelen geri bildirimler, modelin yenilenmesi için doğrudan eğitim sinyalleri haline geldi ve Claude'ın bilimsel çıkarım ve karmaşık araç çağrısı konularındaki gelişimini teşvik etti.

Bu tür projelerin değeri, bilimsel araştırmayı aşarak, önde gelen AI şirketleri, alan bilimcilerini çekmek için hesaplama gücüyle aynı öneme sahip hale getirdi.

Elbette bilim dünyası için iş birliği aynı derecede büyük değer taşır. Büyük modeller, yeni bilimsel altyapı haline gelmektedir: formül türetmeden sayısal simülasyona, devasa literatür ve deney verilerinin analizine kadar, AI bilimsel paradigmaları yeniden şekillendiriyor ve önce insan gücü ve hesaplama gücü nedeniyle ilerleyemeyen konuları mümkün kılıyor.

Büyük model ekibine davet edilip yerinde araştırma yapmak, bir astronomun bir sonraki nesil süper uzay teleskobunun özel kullanım hakkını elde etmek kadar anlamlıdır. Bu tür projeler, bilim insanlarına birçok avantaj sağlar; büyük miktarda AI hesaplama gücüne erişim, öncü modelleri deneyimleme ve AI'yi bir “dış zeka” olarak kullanarak çaba odaklarını sorunun kendisini tanımlamaya yönlendirme imkanı sunar.

Anthropic ve OpenAI'ye gelen bu bilim insanları için bu derin iş birliği, bilimsel verimliliğin bir kuvvetlendiricisi ve yeni keşiflerin bir kaldıraçtır. Şu anda bakışımızı ülkeye çevirirsek, AI ile temel bilimsel araştırmaların kesişim alanındaki boşluğu ByteDance Seed'in öncülük ettiği görülüyor.

Fields Ödülü sahipleri OpenAI'ye katıldığında, giderek daha fazla STEM bilim insanı model takımlarıyla birleştiğinde, AI'nın bir sonraki aşaması rekabeti, kısa vadeli ürün iyileştirmeleri, liste puanları ve tek noktalı görev atlamalarından, daha uzun vadeli, daha karmaşık ve daha öncü temel sorunlara doğru kaymaktadır.

Bilimsel araştırmalar, insan bilgisinin en önde bulunduğu için kritiktir. Bu tür yüksek karmaşıklıktaki açık ortamlarda yer edinmek, sonraki nesil AI'nın gerçek karmaşık görevlere katılma yeteneğine sahip olduğu anlamına gelir.

Bu yol, hızlı bir şekilde parlak bir sonuç vermek zor ve kısa sürede net bir ticari döngü oluşturmak da zordur. Yavaş, ağır ve belirsizliklerle doludur. Ancak tam olarak bu nedenle, bir ekibin gerçekten temel ve öncü alanlara odaklanıp odaklanmak isteyip istemediğini en iyi şekilde test eder.

Büyük modellerin son olarak sunması gereken cevap, insanlarla birlikte henüz çözülmemiş sorunları ilerletebilme yeteneğidir.

Bilimsel ilerlemeler uzun vadeli bir bakış açısı gerektirir, AGI'nin gerçekleştirilmesi de aynıdır.

Bu yazı, WeChat hesabından "Makine Kalbi" (ID: almosthuman2014) tarafından yazılmıştır, yazar: Zeanan