Eric Schmidt ve Suhas Mahesh / 10 Ağustos 2026
Her birkaç on yılda bir, birileri bilimin sonuna geldiğini ilan eder. 1903’te saygın fizikçi Albert Michelson, “fizik biliminin tüm gerçeklerinin keşfedildiğini” yazmıştı . 1980’lerde Stephen Hawking, teorik fiziğin yüzyılın sonuna kadar bitebileceğini öngörmüştü . Yapay zekanın patlayıcı gelişiyle birlikte, bu his yeniden havada uçuşuyor – bu sefer bir Nobel Ödülü eşliğinde.
2024 yılında, Google DeepMind’dan Demis Hassabis ve John Jumper, binlerce deneysel olarak ölçülmüş şekilden öğrenerek proteinlerin üç boyutlu yapılarını tahmin eden sinir ağı AlphaFold ile kimya dalında Nobel Ödülü’nün bir kısmını kazandılar. Bu şeytani problem, yarım yüzyıl boyunca sistematik saldırılara direnmişti; AlphaFold, onu bir kez ve sonsuza dek çözmüş gibi görünüyordu ve dünya, yaklaşımının vaadine odaklandı. Hassabis ve ekibi, AlphaFold’u “yapay zekanın tüm bilimi dijital hıza nasıl hızlandırabileceğinin şablonu” olarak adlandırdı . DeepMind’ın başarısından cesaret alan bir dizi girişim, biyoloji, kimya ve malzeme keşfi için temel modeller oluşturarak milyarlarca dolar topladı. AlphaFold, yapay zeka ve yeterli verinin birleşiminin (altta yatan mekanizmaları anlamasak bile) çığır açan keşifler yapabileceğini göstermişti ve bir kez daha, bilimin geri kalanına giden yolun önümüzde serildiği görülüyordu.
Şüphesiz ki, yapay zeka bilime olağanüstü değişiklikler getirecek, ancak AlphaFold ve benzeri şeylerin bu dönüşüm için en iyi şablon olmayabileceği giderek daha açık hale geliyor. Her ne kadar büyük bir başarı olsa da, AlphaFold gibilerini ortaya çıkaran koşullar nadirdir ve diğer alanlarda bu koşullara ulaşmak yıllar değil, on yıllarla ölçülecektir. Bunun yerine, bilimin hızlanması başka bir yaklaşım sayesinde gerçekleşecektir: Yapay zeka ajanları.
AlphaFold’un başarısının temel koşulu, DeepMind ekibinin modelini eğitebileceği yaklaşık 170.000 deneysel olarak doğrulanmış protein yapısından oluşan bir veri seti olan Protein Veri Bankası’nın varlığıydı. Protein Veri Bankası’nın oluşturulması kolay değildi: Uluslararası bilimsel iş birliğinin 53 yılını ve yakın tarihli bir tahmine göre yaklaşık 21 milyar dolarlık deneysel çalışmayı gerektirdi. Bu ölçekteki çabaların fonlanması son derece zor, koordinasyonu neredeyse imkansız ve yürütülmesi çok zaman alıcıdır; sonuç olarak çoğu zaman başarısızlıkla sonuçlanmıştır.
Ancak gerekli uyum ve kaynaklara sahip alanlarda ve ilgili verilerin ticari mülkiyet nedeniyle erişilemez hale gelmediği durumlarda bile, yeterince tartışılmayan bir başka engel daha var: karşılaştırılabilir veriler üretmenin bilimsel imkansızlığı. Protein yapıları söz konusu olduğunda, temel deneysel teknik olan protein kristalografisi, son derece tekrarlanabilir ve güvenilir bir araçtır; öyle ki 25’ten fazla Nobel Ödülü bu tekniğe dayanmaktadır. Ancak deneysel bilimin çoğunda sonuçlar genellikle değişkenlik gösterir. Hücre hatları kayma gösterir. Kimyasallarda eser miktarda kirletici madde bulunur. Laboratuvar nemi değişir. Biyolojide veya kimyanın çoğunda modern bir sinir ağını eğitmek için yeterince tutarlı, yeterince doğru, yeterince hassas ve yeterince ölçeklenebilir ölçülmüş veri kümelerinin oluşturulması, yeni ölçüm türleri ve yeni standartlaştırılmış yaklaşımlar gerektirecektir; bunların hiçbiri yakın zamanda hazır olmayacaktır.
Elbette, bu gereksinimlerin karşılandığı birkaç alan var: hava tahminleri, genomik biliminin büyük bir kısmı ve kimyanın çok sınırlı alanları. Bunlarda, henüz gerçekleşmemiş olsa bile, AlphaFold tarzı atılımlar yakında görülebilir . ABD Ulusal Güvenlik Komisyonu’nun Gelişen Biyoteknoloji üzerine yaptığı açıklamada da belirtildiği gibi, bu veri kümelerinin üretimi ve koordinasyonu için hükümet desteği kritik önem taşıyacak . Ancak bilimdeki çoğu açık soru için, en azından kısa vadede, farklı bir plana ihtiyacımız olacak. Neyse ki, daha sessiz ve mütevazı bir şey umut vaat etmeye başladı.
Bilim insanları her zaman belirsizlik altında akıl yürütmüşlerdir. Yeni ilaç hedeflerini belirlemek için çalışan biyologlar hiçbir zaman mükemmel veri setlerine sahip olmamışlardır. Bunun yerine, bağlanma hesaplamalarını ve bilinen yapıları birleştirirler, moleküler dinamikleri hesaba katarlar, birkaç bağlanma deneyi yaparlar ve her yöntemin kendine özgü güçlü ve zayıf yönlerine göre değerlendirmek için kendi yargılarını kullanırlar. Bilimin becerisi tek bir araçta değil; birçok aracın ürettiğini sentezlemekte ve kanıtlar geldikçe sonuçları revize etmekte yatar. Çalışma halindeki araştırmaların çoğu aslında bu şekilde ilerler. Ancak çok yakın zamana kadar hiçbir yazılım bunu yapamıyordu.
Ajanlar artık bunu yapabiliyor. Basitçe söylemek gerekirse, bir ajan, dijital veya fiziksel araçlara ve bunları kullanma yeteneklerine erişim verilmiş bir yapay zeka akıl yürütme motorudur. Son birkaç yıldır, yapay zekada temel bir mimari değişim, büyük dil modelleriyle desteklenen bu programların hızla çoğalmasını sağlayarak, bilimsel olarak uzmanlaşmış veri kümelerine olan ihtiyacı önemli ölçüde azalttı. Bilim için bu teknolojik ilerleme, temel bir değişimi temsil ediyor: Gerçek araştırmanın yinelemeli, son derece koşullu sürecini taklit edebilen dijital araçlar oluşturmamızı sağladı. AlphaFold gibi araçlar sınırlı bir soruya güçlü bir yaklaşım uygularken, ajanlar doğası gereği genelcidir. Bilim yapmanın yeni bir yolunu temsil etmiyorlar; bunun yerine, insan keşif sürecini dijital olarak modelliyorlar.
Mayıs ayında duyurulan Google’ın yapay zeka destekli Co-Scientist’ini ele alalım . Araştırmacılar ona tek sayfalık bir özet ve bir hedef verdiler: İlaç dirençli enfeksiyonların temel etkenlerinden biri olan antibiyotik direncinin bakteri türleri arasında nasıl yayıldığını bulmak. Sistem alt ajanlar oluşturdu. Biri literatürden hipotezler taslak haline getirdi. Diğeri bunları bir hakem gibi inceledi. Üçüncüsü en güçlü adayları sıralamak için turnuvalar düzenledi. Dördüncüsü kazanan hipotezi geliştirdi. Ajan, direnç genlerinin bakteriyel virüslere tutunarak, onları yeni bir konağa taşıyabilecek herhangi bir virüsü ödünç aldıkları sonucuna vardı. Hipotez doğruydu. Imperial College London’daki araştırmacılar, titiz laboratuvar çalışmalarıyla aynı sonuca ulaşmak için on yıl harcamışlardı; Co-Scientist tarafından daha önce görülmemiş olan makaleleri hala hakem değerlendirmesindeydi.
Co-Scientist gibi ajanlar hala yeni araçlardır ve bilimsel sürecin her yerinde yaygınlaşmadan önce aşılması gereken gerçek zorluklar vardır: Hala halüsinasyon görme olasılıkları vardır, yargıları tutarlı değildir ve otonom olarak çalışabilecekleri süreyi sınırlayan hafıza ve girdi kısıtlamalarına sahiptirler. Ancak bu teknik engeller ortadan kalkacak ve ortadan kalktıkça bilimsel ajanların bilimin yapılma güvenilirliği, tutarlılığı ve hızı üzerindeki birleşik etkilerini fark etmeye başlayacağız.
Belki de en önemlisi, ajanlar bilimdeki “tekrarlanabilirlik krizi”ne, yani araştırmacıların birbirlerinin sonuçlarını tekrarlayamama sorununa yapısal bir çözüm sunuyor. On yıllardır bilim camiası, deneysel süreçleri standartlaştırmak amacıyla araştırmacılardan ham verilerini ve tam kodlarını paylaşmalarını rica etti. Ancak araştırmacılar, ilginç bilimsel çalışmalar tamamlandıktan sonra gerçekleşen bu sıkıcı idari işe uzun zamandır direniyorlardı. Buna karşılık, ajanlar yaptıkları her hareketi otomatik olarak kaydederek, sonuçlarına yol açan yöntemin tam bir kaydını oluşturuyor ve hassas tekrarlamaya olanak sağlıyor.
İkinci bir sonuç ise bilimsel hafızanın güçlenmesi olacaktır. Araştırmacılar arasındaki bilgi aktarımı, bilindiği üzere oldukça karmaşık bir süreçtir; eğer yıllarca süren eğitim ve gözlemle yapılmazsa, yüksek lisans öğrencileri, protokollerini başarılı veya başarısız kılacak ayrıntıları bulmak için, kendilerinden önceki on yılların tuttuğu dağınık laboratuvar defterlerini incelemek zorunda kalırlar. Ancak, ajanlar bilimsel sürecin giderek daha büyük bir parçası haline geldikçe, bir laboratuvarın tüm bilimsel tarihi, kurumsal bilginin merkezi, standartlaştırılmış bir deposunda kaydedilecektir.
Ancak ajanların en önemli etkisi hız olacaktır. Herhangi bir alanda, bir fikri test etmek, bir toplantıda tartışmaktan daha az zaman aldığında, insanlar tartışmayı bırakır ve testi hemen gerçekleştirir. Bir saatte bin makale okuyabilen, 500 molekül tasarlayabilen ve başarısız testlerinden sabahleyin ders çıkarabilen bir ajan, deney maliyetini düşürecek ve bilimin yapılma hızını temelden değiştirecektir. Ayrıca araştırmacılara daha önce zamanlarını riske atmayacakları cesur, sıra dışı soruların peşinden gitme özgürlüğü verecek ve henüz hayal bile edemediğimiz bilimsel kapıları açacaktır.
AlphaFold şablonu şüphesiz inanılmaz keşiflerin anahtarı olacak olsa da, tek başına bizi bilimin sonuna götürmeyecek. Bunun yerine, ajan tabanlı yapay zekaya doğru geçiş, çok daha nadir bir atılım seviyesini temsil ediyor: bilimin her alanını aynı anda kapsayan bir araç. Tarihsel olarak, bu kapsamdaki araçlar yalnızca birkaç kez ortaya çıktı: diferansiyel ve integral hesap, istatistiksel çıkarım, spektroskopi, bilgisayar. Her biri, kimsenin formüle etmeyi düşünmediği bir sorunlar dünyasını ortaya çıkardı ve bu sorunlar da kendi alanlarını yeniden tanımladı. Ajanlarla birlikte, bir başka dönüşüm daha kapımızda.
Eric Schmidt, 2001’den 2011’e kadar Google’ın CEO’su olarak görev yaptı. 2024 yılında eşi Wendy ile birlikte, bilim ve teknolojide alışılmadık araştırma alanlarını finanse etmek amacıyla hayırsever bir girişim olan Schmidt Sciences’ı kurdu.
Suhas Mahesh, Schmidt Sciences Yapay Zeka Merkezi’nde Bilim için Yapay Zeka çalışmalarına liderlik ediyor. Kendisi, malzeme keşfi için yapay zeka konusunda uzmandır.
Eric Schmidt Ofisi’nde görevli ve bilim sorumlusu Maya Levin tarafından yapılan ek araştırma.
https://www.technologyreview.com/2026/08/10/1141384/ai-agents-for-science/