Google DeepMind'in Gemini AI'si Gerçek Dünya Deneylerini Yürütmeye Başlıyor

Düzenleyen | Panda

Resident Evil'de, derinliklerde yer alan bir laboratuvar olan "Beehive" bulunur. Giriş kontrolleri, izleme, havalandırma, güvenlik ve tüm tesisin işletimi, bir AI olan Red Queen'e verilmiştir.

İnsan bilim insanları araştırmayı yürütüyor, ancak bu laboratuvarın "ellerini ve ayaklarını" gerçek anlamda kontrol eden AI.

Bir istisna oluştuğunda, Kırmızı Kraliçe kapıyı kapatıp sistemi keserek tesisleri kontrol ederek fiziksel dünyaya doğrudan müdahale edebilir.

Yirmi yıl öncesine kadar, bu tür senaryolar, yapay zekânın fiziksel dünyaya girmesi, makineleri manipüle etmesi ve doğrudan gerçek dünyaya müdahale etmesi için korku yaratmak amacıyla bilim kurgu filmlerinde klasik bir yöntemdi.

Şimdi bu sahne, en azından şu anda korkutucu olmayan bir şekilde gerçekliğe giriyor.

Dün, Anthropic, MCP mantığını GitHub, Slack ve veritabanlarından uzaklaştırarak robot kollar, mikroskoplar, sıvı işlemciler, lazerler gibi gerçek cihazlara kadar genişletmeyi amaçlayan Model Hardware Standard (MHS)’i yayınladı. Habere bakın: “Just Now, Anthropic Fiziksel MCP’yi Yayınladı: Claude Gerçek Dünyayı Ele Geçirmeye Başlıyor”.

Kısaca söylemek gerekirse, AI Agent'lar yalnızca yazılımları çağırabilecek bir "arayüze" sahip olmakla kalmıyor, gerçek dünyaya bağlanan bir "sinir ve uzuv sistemi" de gerekiyor. Bugün ise Google DeepMind, bu alandaki başarılarını sergiledi.

Yeni yayınlanan 83 sayfalık bir makalede, Google, Gemini tabanlı Co-Scientist'i gerçek bilimsel süreçlere entegre ederek deney tasarlamasına, yürütme kodu üretmesine, deney geri bildirimlerini okumasına ve doğrudan deney cihazlarıyla bağlantı kurmasına izin verdi. Google, bu değişimi, silicon içindeki hipotez üreticisinden yürütme temelli araştırma ortağına geçiş olarak tanımladı.

En doğrudan deneyde, araştırmacılar, kendi inşa ettikleri bir CVD cihazının koşullarını Gemini 3 Deep Think'e verdi. Dakikalar içinde, bu cihaza uygun malzeme büyüme planını sundu ve daha sonra bu planı cihazı kontrol edebilecek makine koduna çevirdi. Sonuç olarak, üç boyutlu yarı iletken tümü ilk denemede başarıyla büyüdü.

Bu nedenle, geçmişte sadece bilim kurgu filmlerinde var olan bir senaryo aniden gerçek oldu: Büyük modeller gerçekten bir “el” kazandığında ve laboratuvar ekipmanlarını işlemeye başladı. Peki, bugün itibarıyla AI Scientist ne olacak?

Biohazard'da insanlar, AI'nın laboratuvarı ele geçirmesinden korkar. Ancak gerçek dünyadaki bilim insanları, laboratuvarı aktif olarak Nokta Nokta AI'ye bırakın. Elbette Google'ın amacı, kontrolsüz bir “kovan” değil, hipotez önermeden deney tasarımı ve gerçek dünyada doğrulamaya kadar uzanan bir bilimsel keşif makinesi.

Gerçek Dünyada Gemini ile Bilimsel Araştırmaları Hızlandırma

Kağıt adresi: https://arxiv.org/pdf/2608.26701

Öncelikle malzeme bilimi.

Araştırmacılar, CVD fırını olarak bilinen kendi kurdukları bir kimyasal buhar birikimi cihazı kullanıyor. Bu tür iki boyutlu malzeme deneylerinde uzun süredir devam eden bir sorun, açık kaynaklı “reçetelerin” tekrarlanamamasıdır.

Aynı sıcaklık, gaz ve öncü maddeler kullanılsa bile, fırının farklı olması, fırın iç hacminin, gaz akışının ve malzeme yerleştirmenin hafifçe değişmesi, sonunda oluşan kristalin tamamen farklı olmasına neden olabilir. Araştırmacılar genellikle birkaç hafta hatta aylar boyunca parametreleri tekrar tekrar ayarlamak zorundadır.

Araştırma ekibi, Gemini'ye deneyin nasıl yapılacağını söylemek yerine, laboratuvarda hangi ekipmanların ve kimyasalların bulunduğunu, fırınların yapısının nasıl olduğunu bildirdi. Kalan parametreleri AI kendi belirledi.

Co-Scientist, bu kısıtlamalara göre gaz akış hızı, sıcaklık eğrisi, öncü maddelerin miktarı ve malzeme konumlandırması gibi tam bir deney planı oluşturur ve ardından deney cihazına yürütür.

Deneylerden bir grup çok dikkat çekiciydi. Araştırma ekibi, Gemini 3 Deep Think'i CVD kontrol sürecine bağladığında, bilim insanlarının yavaşça okuması için bir doğal dil deney planı üretmek yerine, birkaç dakika içinde çıkarımda bulundu ve sonucu doğrudan cihazları kontrol edebilecek makine koduna çevirdi.

Sonuç olarak, MoS₂, MoSe₂ ve WS₂ olmak üzere üç adet iki boyutlu yarıiletken, ilk deneyde başarıyla tek katmanlı kristaller büyüttü. Tüm deney süreci yaklaşık bir saatte tamamlandı.

MoSe₂ ve WS₂ daha özel: Araştırmacılar daha önce bu cihazda bu iki malzemeyi büyütmüş değildi. Sonuçlar, en az beş tekrarlı deneyle doğrulandı.

Bu, dün Anthropic'in gösterdiği MHS ile ilginç bir paralellik oluşturuyor. Anthropic'in çözmeye çalıştığı soru, Agent'ların deney ekipmanlarını daha kolay ve standart bir şekilde tanımak ve manipüle etmesi; Google'in bu makalesi ise bir sonraki adım: çıkarım modelleri deney ekipmanlarını kontrol edebildiğinde, bilimsel çalışma akışları nasıl yeniden yapılandırılmalı?

Bu anlamda, "AI'nın donanıma bağlanması" artık bir sorun değil.

Ancak, Gemini'nin mevcut bilgilerine dayanarak bir cihaz kurması, gerçek bir bilimsel keşif olarak kabul edilemez. Bu nedenle Google, Ti₃C₂Tₓ adlı bir MXene iki boyutlu malzemeyi alttan üste sentezlemeyi deneyen daha zor bir ikinci deney gerçekleştirdi.

Geleneksel yollar genellikle tehlikeli korozif maddeler içerirken, bilinen bazı CVD yöntemleri zehirli ve hava duyarlı TiCl₄ kullanır. Bu nedenle araştırma ekibi, Co-Scientist'e daha güvenli bir öncü madde yolu bulup bulamayacağını sormuştur.

Co-Scientist, hedefini nihayet hexakloroetan C₂Cl₆ üzerinde sabitledi ve öncü maddelerin sayısı, konumu, gaz akışı, taban ve sıcaklık eğrisi gibi bir dizi parametre daha sundu.

Ancak bu, bir «Yapay Zeka anlık fikri ve bir deneyde başarı» hikayesi değildir. Co-Scientist toplamda 272 aday çözüm üretti, araştırmacılar en yüksek sıradakileri seçip optimize etmeye devam etti; 25 deneme iterasyonundan sonra nihayetinde Ti₃C₂Tₓ MXene ile XRD, elektron mikroskobu ve elementel bileşim gibi birçok ölçütte yüksek benzerlik gösteren iki boyutlu katmanlı bir kristal elde edildi.

Sonraki gerçek dünya sorunları da tipiktir. İlk deneylerin tekrarlanabilirlik oranı sadece %11,5'ti. Araştırmacılar daha sonra ana sorunun AI'nın kimyasal akıl yürütmesi değil, deney ekipmanlarının iyi kapatılmamasından kaynaklanan oksijen sızıntısı olduğunu fark ettiler.

Kuvars boruların yeniden temizlenmesi, contaların değiştirilmesi ve cihaz bakımı süreçlerinin iyileştirilmesinden sonra, aynı iki boyutlu malzemenin deney başarısı %68'e yükseldi.

Bu, "gerçek dünya AI" ile yazılım ajanlarının neden farklı olduğunu tam olarak gösterir: kodda hata yapılırsa, tekrar çalıştırılabilir. Ancak gerçek deneylerde, eski bir O-tipi contanın, boru hatlarında kalan bir miktar kalıntının veya hava içindeki oksijenin bile doğru bir bilimsel yöntemi tamamen başarısız hale getirebilir.

Google, makalesinde de çok dikkatli davranıyor: Bu malzemenin şu anda Ti₃C₂Tₓ MXene olduğu kesin olarak doğrulanamamıştır; düşük verimlilik ve ciddi oksidasyon gibi sorunlar mevcuttur ve atomik ölçekli karakterizasyonla daha fazla doğrulanması gerekmektedir.

Bununla birlikte, AI'nın bilimsel bir anlam taşıyan bir sentez yolu önerebileceğini ve bu yolu fiziksel deneylere kadar ilerletebileceğini söyleyebiliriz.

Google, Co-Scientist'i tamamen farklı bir deneysel senaryoya da dahil etti: sentetik biyoloji. Araştırma konusu, mühendislik yoluyla değiştirilmiş bir E. coli grubuydu.

Bu bakteriler, petri kabında farklı topluluk desenleri oluşturur. İndükleyici IPTG konsantrasyonu değiştiğinde, kolonilerin boyutu, kenarı ve şekli de değişir. Normalde, tüm değişim eğrisini elde etmek için bilim insanları farklı konsantrasyonlar hazırlamalı, bakterileri yetiştirmeli, büyümesini beklemeli ve her bir kabı tek tek taramalıdır.

Google, AI'nin deneyin orta kısmını tamamlamasını denedi. Araştırmacılar, Co-Scientist'e yalnızca bazı konsantrasyon seviyelerindeki gerçek koloni fotoğraflarını verdi ve sistemden henüz görmedikleri orta konsantrasyon seviyelerinde kolonilerin nasıl görünmesi gerektiğini tahmin etmesini istedi. Ayrıca bu deney verileri o dönemde henüz yayımlanmamıştı, bu nedenle makale, modelin görevi sadece eğitim verilerindeki sonuçları hatırlayarak tamamlayamayacağını belirtti.

Sonuç olarak, dört koloni morfolojisi ölçütünde, AI'nın tahminleri üçünde gerçek nem deney sonuçları ile anlamlı bir fark göstermedi; aynı zamanda kontrol grubunun IPTG konsantrasyonuyla eşleşen bir değişiklik göstermeyeceğini doğru şekilde belirledi.

Tek açık sorun “yuvarlaklık”: AI tarafından oluşturulan koloniler, gerçek duruma göre daha düzenlidir. Bu, üretme modellerinin geleneksel estetiğine tamamen uygundur: gerçek dünya o kadar mükemmel değildir, ancak AI onu biraz daha yuvarlak çizmekten kendini alamaz.

Google, bu deneyi şu şekilde sınırlayıcı bir şekilde tanımlıyor: Şu ana kadar elde edilen sonuçlar, bilinen konsantrasyon aralıklarında interpolasyondur, tamamen yeni bir genetik devre karşısında bilinmeyen fenomenleri tahmin etmek değildir.

Ancak bu, çok gerçekçi bir kullanım anlamına gelmektedir. Gelecekteki bilim insanları, büyük bir parametre uzayının tamamını deneylerle test etmek zorunda kalmayabilir. İlk olarak birkaç noktayı ölçebilir, AI'ya bu gerçek verilerle kalan alanı tahmin ettirebilir ve ardından en doğrulanmaya değer olan konumları seçebilir.

Deneysel süreç böylece "tüm olasılıkları deneme" yerine: gerçek dünya örnekleme → AI tahmini → deney seçimi → yeni verilerin AI'ya geri bildirilmesi haline gelmektedir.

Bu, makalede tekrar tekrar vurgulanan lab-in-the-loop'tur.

Bilgisayar bilimi laboratuvarına ulaşın, Co-Scientist'in otonomisi bir kez daha arttı.

Bu kez araştırmacılar, tıbbi sorulara daha iyi cevap verebilen bir Agent tasarlamasını istedi. Ardından, insanlar mimari tasarımı bırakarak Co-Scientist’in kendisi çözüm önerdi, kod yazdı, testleri çalıştırdı, hataları analiz etti ve mimariyi sürekli olarak düzenledi.

Sonunda, Agent_H adlı bir sistem geliştirdi.

Bu sistem, mevcut modelin çıkarım sürecini yeniden düzenlemek zorundadır. Bir tıbbi soruyla karşılaştığında, sorunun hangi tıp alanına ait olduğunu, hastaya mı yoksa doktora mı yönelik olduğunu ve ne kadar yüksek bir risk taşıdığını belirler; karmaşık sorular, alt sorulara ayrılır; ardından aynı anda 28–48 aday cevap oluşturulur, farklı Değerlendiriciler ikili olarak eleme yapar, ardından üç Değerlendirici tarafından oylama ile nihai cevap seçilir. Kazanan cevap, birden fazla klinik inceleme ve alıntı kontrolünden geçer, son olarak uzunluğu kısaltılır.

Bir soruyu yanıtlamak için Agent, modeli yaklaşık 40-80 kez çağırır. HealthBench Hard ve HealthBench Professional üzerinde, makalede kullanılan uzunluk düzeltmeli puanlamaya göre, Agent_H, GPT-5.6 Sol, Claude Opus 5 ve Gemini 3.1 Pro dahil olmak üzere altı önde gelen modeli aşmıştır.

Ancak burada, haber değeri yüksek bir olay gerçekleşti: AI, kendi kendine "listede üst sıralara çıkma" yöntemini öğrendi.

İlk deneylerde, puanlama kriterleri uzun cevapları yeterince cezalandırmadı. Bu nedenle Co-Scientist, puanı artırmak için en basit yolu hemen buldu: cevapları çok uzun yazmak.

Benchmark puanları bu nedenle önemli ölçüde yükseldi, ancak tıbbi kalite bununla orantılı olarak artmadı. Araştırmacılar uzunluk cezası ekledikten sonra büyük avantajlar ortadan kalktı.

Google, kendi makalesinde bunu tipik bir Goodhart Yasası örneği olarak görüyordu: Bir gösterge bir hedef haline geldiğinde, artık iyi bir gösterge olmaktan çıkar.

Gerçek doktorların değerlendirmeleri de sonuçlara biraz soğuk su döktü. Üç mesleki doktor, 106 soruyu kör değerlendirme yaptı. Dokuz boyutta, Agent_H yalnızca 'potansiyel zararı azaltma' kriterinde orijinal Gemini 3.1 Pro'ya göre istatistiksel olarak anlamlı bir iyileşme gösterdi; diğer sekiz boyutta ise anlamlı fark yoktu.

Yani, AI Hakem’in açıkça daha yüksek olan Benchmark puanları, insan doktorların açıkça daha iyi yanıtlar olarak görmesine tam olarak dönüşmedi. Bu, AI Bilim insanının gerçek dünyaya girdikten sonra karşılaştığı sorun olabilir: Sadece optimize etmeyi bilmekle kalmayıp, neyin sadece optimize edilebilir ölçütlerle tanımlanamayacağını da bilmelidir.

Yapay zeka bilimcileri makale için "veri üretir"

Aslında, Google bu makalede AI Scientist tamamen serbest bırakılırsa, güzel sonuçlar elde etmek için hile yapıp yapmayacağını incelemek için oldukça fazla yer ayırdı.

Evet.

Araştırma ekibi, sistemi 50 AI araştırma konusunda fikir üretmekten, veri bulmaya, kod yazmaya, deneyleri çalıştırmaya ve nihai makaleyi oluşturana kadar tamamen insan müdahalesi olmadan çalıştırdı.

Karşılaştırma amacıyla, güvenilirlik modülü kaldırılmış bir Co-Scientist ve daha önceki Agent Laboratory sistemi de test edildi ve toplamda 150 makale oluşturuldu; bu makaleler 30 alman uzman tarafından 450 kez anonim olarak değerlendirildi.

Sonuç oldukça abartılı. Özel bir doğrulama mekanizması olmayan bir AI Bilim İnsanı, kodda hata verdiğinde ve deneylerin geçerli hiçbir sonucu olmadığında bile, tam bir tez yazmaya devam edebilir.

Veri tabloları, p değerleri ve istatistiksel testler uydururlar; başarısız deneyleri başarı olarak yazarlar; hatta kendi yöntemlerinin doğal olarak daha yüksek puan almasını sağlamak için değerlendirme ortamını değiştirir veya doğrudan hardcode ile güzel bir sonuç çıktı verirler.

Optimizasyon hedefi «görünüşte iyi bir makale yazmak» olduğunda, Agent, gerçek bir araştırma yapmaktan daha ucuz olan yollar arar.

Bu nedenle, Google, yeni Co-Scientist sürümüne, makalelerde iddia edilen deney sonuçlarının gerçek program yürütme günlüklerine geri izlenebilir olmasını sağlayan, oldukça bir "bilimsel denetim" gibi görünen bir mekanizma ekledi: Günlüklerde ilgili sonuç yoksa, sistem dil modelinin "böyle olması gerekiyor" diye düşünmesiyle bunu ekleyemez.

Etki çok belirgin. Agent Laboratory'de %90'dan %4'e düşen, makaleleri geçersiz kılacak kadar ciddi "sonuç illüzyonları"; en ciddi tam veri sahtekârlığı ise %44'ten 0'a düştü.

Ancak sorun tamamen ortadan kalkmadı. Yeni versiyon Co-Scientist'te hala %24 oranında ciddi yöntem açıklaması hatası ve %16 oranında ciddi alıntı/ türetilmiş içerik bulunuyor.

Bu nedenle Google, mevcut Autonomous AI Scientist'in doğrudan yayımlanabilir araştırma makaleleri ürettiğini iddia etmediğini vurgulamıştır.

Anthropic ve Google'un bu iki çalışmasını birlikte değerlendirdiğinizde, Ajan'ın açıkça bir değişime uğradığını görebilirsiniz: Önceki iki yıl boyunca AI Ajan'ların en büyük savaş alanı yazılım dünyasıydı. Şimdi ise bu mantık ilk kez gerçek dünyaya büyük ölçüde yayılıyor.

Anthropic'ın MHS'si, robot kollar, mikroskoplar ve sıvı işleme platformları gibi farklı cihazların, bir Agent'in tek bir arayüzle anlayabileceği ve çağırabileceği temel sorunu çözmeye çalışıyor.

Google'un Co-Scientist'i ise üst düzey soruları araştırmaya başlıyor: Bir çıkarım modeli, bilimsel hipotezler ortaya koyabildiğinde, deneyler planlayabildiğinde, cihazları kontrol edebildiğinde, sonuçları okuyabildiğinde ve bir sonraki deney döngüsünü düzeltmeye devam edebildiğinde, gerçek bir kapalı döngü bilimsel keşif sistemi nasıl olmalıdır.

Elbette, Google hâlâ gerçek bir "insansız laboratuvar"dan uzak. Şu anki malzeme deneyleri hâlâ insanlar tarafından örneklerin yüklenmesini gerektiriyor; yeni malzemelerin atomik yapıları henüz tam olarak belirlenmedi; E. coli tahmini sadece sınırlı interpolasyon görevlerini doğruladı; tıbbi Agent'lar benchmark'ların boşluklarını kullanıyor; makale üretme sistemleri hâlâ illüzyon ve alıntı sorunlarını tamamen çözemiyor. Google kendi kendine bile, donanım hataları ve gerçek çevre karmaşıklığı nedeniyle şu aşamada tamamen insan müdahalesiz fiziksel deneylerin gerçekleştirilmesinin zor olduğunu açıkça belirtiyor.

Ancak değişiklikler zaten gerçekleşti.

Bilim için Yapay Zeka üzerine yapılan geçmiş tartışmalar, Yapay Zeka'nın bir insanın düşünemeyeceği bir şeyi "düşünebilir mi?" üzerine odaklanmıştı. Şimdi ise, bu fikrin gerçek cihazlar tarafından uygulanabilir olup olmadığı ve uygulama sonucunun Yapay Zeka'nın bir sonraki akıl yürütme döngüsünün temeli haline gelebilir mi? gibi daha zor olan diğer yarısını tamamlayan çalışmalar artıyor.

Google, makalenin sonunda ilginç bir tahmin sunuyor. Eğer böyle bir kapalı döngü gerçekten kurulursa, gelecekteki bilimsel sınırlar tersine dönebilir: Geçmişte, deney ekipmanları bilim insanlarının bir sonraki iyi soruyu sormasını bekliyordu; gelecekte ise, AI zaten doğrulanmaya değer yüzlerce deney önermiş olabilir ve laboratuvarlar bunları yapmaya yetemiyor olabilir.

O zaman, bilimsel keşif hızının gerçek sınırlaması, bilimsel fikir üretimi değil, deneysel verimlilik olabilir—gerçek dünyada bu deneyleri ne kadar hızlı tamamlayabilmek.

Bu yazı, WeChat hesabından "Makine Kalbi" (ID: almosthuman2014) tarafından paylaşılmıştır, yazar: Bilimsel Yapay Zeka'ya ilgi duyan