Sertifikalı Bir Skor, Ölçülmeyen Bir Şey

Sertifikanın anatomisi

Uluslararası Matematik Olimpiyatı altmış yıldır aynı gramerle çalışıyor: ülke başına altı lise öncesi yarışmacı, iki oturumda altı problem, problem başına yedi puan, toplam kırk iki. Madalyalar ön sıralardaki yarıya verilir, altın kabaca en iyi yüzde sekize denk gelir.

2025’te bu gramerin içine ilk kez bir AI sistemi resmî olarak sokuldu: Google DeepMind, geliştirdiği Gemini Deep Think sürümünün IMO koordinatörleri tarafından öğrencilerle aynı ölçütlerle derecelendirildiğini, beş problemin eksiksiz çözülüp 35 puan alındığını ve bunun altın seviyesi anlamına geldiğini yayımladı.

Kritik ayrım şu: sonuç, laboratuvarın kendi kapalı testine değil, yarışmanın kendi puanlama sürecine dayanıyor. Aynı yıl OpenAI de dahili bir modelin altın seviyesine ulaştığını açıkladı; bu açıklama resmî derecelendirme değil, kendi koşullarında kurulmuş bir simülasyon olarak kayda geçti.

Neyin kolaylaştığı: problem tipleri

Olimpiyat problemleri cebir, kombinatorik, geometri ve sayılar kuramı arasında dağılır. Ortak payda şudur: ifade kapalı, çözüm sonlu, doğrulama mümkün. Model doğruyu bilmiyor; doğru görünen yolları üretip elemeyi yapıyor.

Deep Think tarafındaki kazanç, tek bir uzun akıl yürütme zincirinden değil, eşzamanlı aday üretiminden geldi: paralel düşünme modu, birbirini tamamlayan birkaç çözüm denemesini aynı anda yürütüp birleştiriyor. Eğitim hattına çok adımlı çıkarım ve teorem ispatı verisi de eklendi.

2024 ile 2025 arasındaki fark mekanizmayı ele veriyor. Bir yıl önce AlphaProof ve AlphaGeometry 2, problemlerin uzmanlarca Lean gibi biçimsel dillere çevrilmesine ve günlerce süren hesaplamaya muhtaçtı; 28 puanla gümüş seviyesinde kaldı. Bir yıl sonra model, resmî problem metninden doğal dilde başlayıp dört buçuk saat içinde yazılı çözüme ulaştı.

Altının ölçmediği üç katman

Birincisi seçim: olimpiyatta problem verilmiştir, araştırmada problemi kimin ve neden seçtiği işin yarısıdır. İkincisi ölçek: yarışma çözümü birkaç sayfa; bir teoremin kanıtı yüzlerce sayfaya ve onlarca lemmaya yayılabilir, tek okuyucunun belleğine sığmaz.

Üçüncüsü topluluk: araştırma, kanıtın hakemden, seminerden ve yeniden üretimden geçtiği sosyal bir süreç. Bir modelin doğru cevabı bulması ile o cevabın matematiğin geri kalanına eklenmesi arasında, ölçülmesi güç bir emek katmanı var.

2026: görünürlük sorunu

2026 Olimpiyatı Şanghay’da yapıldı; altın kesme çizgisi 35 puan olarak kayda geçti. Resmî bireysel sonuç listelerinde, öğrenci sıralamasının içinde derecelendirilmiş bir AI takımının sonucu yayımlanmadı: sertifika pratiği kalıcı bir yarışma kategorisine dönüşmedi.

Bu ayrıntı önemli. Sistemler yalnızca organizatör davetiyle ve ayrı bir kanalda puanlanıyorsa, “altın seviyesi” ifadesi teknik bir iddia olmaktan çıkıp karşılaştırma retoriğine yaklaşır. Ölçüm ile ölçümün kurumsallaşması aynı şey değildir.

Sonuç olarak altın sınırı, modellerin elit düzeyde tümdengelim üretebildiğini gösteriyor. Matematik camiasının ne kadarını ikna ettiği ise ayrı ve henüz açık bir soru.

Doğru kıyaslama nasıl kurulur

Olimpiyat skorunu tek başına “genel matematik yeteneği” okuması yerine üç katmanlı çerçeve kullanmak daha dürüst: ifadeyi anlama, kanıt üretme, üretileni biçimsel olarak doğrulatma. Modeller ilk ikisinde hızla ilerliyor; üçüncüsü hâlâ insan ve araç işbirliğine dayanıyor.

Okura pratik ders: bir modelin matematik iddiasını değerlendirirken skoru değil izi sor — hangi problemler, kimin ölçütleriyle, hangi zaman sınırında, bağımsız doğrulandı mı.

Sık sorulan sorular

Kaynakça

1. Gemini Deep Think’in IMO 2025 sonucuGoogle DeepMind
2. IMO resmî sonuç arşiviInternational Mathematical Olympiad
3. IMO 2026 bireysel sonuçlarıIMO 2026 Şanghay
4. Olimpiyat düzeyinde matematiksel akıl yürütme kıyaslamasıIMO-Bench