Yapay Zeka Araştırmacı Olursa Ne Olur?

Andrej Karpathy’nin autoresearch projesi, SkyPilot altyapısıyla 16 GPU üzerinde paralel çalıştırıldı. Sonuç? 8 saatte 910 deney, kendi araştırma stratejisini geliştiren bir AI agent ve insan araştırmacılara benzeyen emergent davranışlar. Yapay zekanın “araştırmacı” rolüne geçişini inceliyoruz.

Bir süre önce “AI coding assistant” dediğimiz sistemler kod tamamlayan araçlardı. Sonra bug fix yapmaya başladılar. Ardından deployment, test ve refactor işleri geldi.

Şimdi başka bir seviyeye geçiyoruz:

Yapay zeka artık kendi deneylerini tasarlıyor, çalıştırıyor, sonuçları yorumluyor ve bir sonraki hipotezini buna göre oluşturuyor.

SkyPilot ekibinin Andrej Karpathy’nin autoresearch projesi üzerinde yaptığı çalışma tam olarak bunu gösteriyor. Tek GPU üzerinde sırayla çalışan sistem, 16 GPU’luk paralel bir altyapıya taşındığında yalnızca hızlanmadı. Davranış biçimi değişti.

Ve işin gerçekten ilginç kısmı burada başlıyor.

Sistem Ne Yapıyor?

Autoresearch oldukça basit ama güçlü bir fikre dayanıyor:

• AI agent kodu değiştiriyor
• Eğitimi çalıştırıyor
• Validation sonucuna bakıyor
• İyi sonuç veren değişiklikleri koruyor
• Kötüleri geri alıyor
• Sonra tekrar deniyor

Bir nevi:

“AI destekli otomatik araştırmacı.”

Karpathy’nin orijinal setup’ında sistem:

• Tek GPU kullanıyor
• Aynı anda tek deney çalıştırabiliyor
• Saatte yaklaşık 10-12 deney yapabiliyor

SkyPilot ekibi bu darboğazı kaldırıyor.

Agent’a:

• Kubernetes cluster
• H100 + H200 GPU’lar
• Paralel execution
• SkyPilot orchestration

erişimi veriyor.

Sonra sistemi kendi haline bırakıyorlar. İnsanlığın klasik hatası:

“Bakalım ne olacak.”

Sonuçlar Oldukça Çarpıcı

Yaklaşık:

• 8 saat çalışma
• 16 GPU
• 910 deney
• ~700 başarılı sonuç

Ve validation score:

• 1.003 → 0.974

Bu yaklaşık %2.87 iyileşme anlamına geliyor.

Ama mesele performans değil.

Asıl mesele AI’ın çalışma biçiminin değişmesi.

Paralel Düşünmeye Başlayan AI

Tek GPU olduğunda agent şu şekilde davranıyor:

1. Bir fikir dene
2. Bekle
3. Sonucu gör
4. Yeni fikir üret

Bu klasik “greedy hill-climbing”.

Ama 16 GPU olduğunda agent artık şunu yapabiliyor:

• Aynı anda 10-13 farklı hipotez test etmek
• Parametre kombinasyonlarını çapraz incelemek
• Trendleri tek dalgada görmek
• Zayıf fikirleri hızlı elemek

Yani sequential düşünmek yerine:

araştırma stratejisi geliştiriyor.

Bu çok kritik bir eşik.

Çünkü artık AI:

• sadece execute etmiyor,
• exploration yapıyor.

En İlginç Nokta: Hardware Awareness

Agent’a:

• “H200 daha hızlıdır”
• “Bunu validation için kullan”
• “Önce H100’de dene”

gibi hiçbir şey öğretilmiyor.

Ama sistem bir süre sonra şunu fark ediyor:

• H200 aynı sürede daha fazla training step yapıyor
• Bu yüzden validation score daha iyi çıkıyor
• Bazı optimizasyonlar H100’de iyi görünürken H200’de kötüleşiyor

Ve agent kendi kendine şu stratejiyi geliştiriyor:

Yeni Strateji

• H100 → fikir eleme
• H200 → final validation

Bu artık düz automation değil.

Bu:

kaynak yönetimi yapan araştırma davranışı.

AI Agent’ların Geleceği Açısından Ne Anlama Geliyor?

Bugün çoğu kişi AI agent denince:

• mail atan
• ticket açan
• browser kullanan
• kod yazan

sistemleri düşünüyor.

Ama önümüzdeki gerçek kırılım başka yerde olabilir:

“Autonomous Research Systems”

Yani:

• kendi hipotezini üreten
• deney planlayan
• compute yöneten
• sonuç yorumlayan
• strateji değiştiren

AI sistemleri.

Bu yaklaşım:

• ilaç keşfi
• malzeme bilimi
• finansal modelleme
• savunma teknolojileri
• enerji optimizasyonu
• LLM architecture search

gibi alanlarda oyunu değiştirebilir.

Çünkü darboğaz artık insan araştırmacının zamanı olmaktan çıkıyor.

Darboğaz:

compute orchestration oluyor.

Infrastructure artık pasif değil.

Eskiden:

• altyapı sadece çalışırdı
• araştırmayı insanlar yapardı

Şimdi:

• altyapı araştırmanın aktif parçası oluyor.

Kubernetes + orchestration + AI agent birleşimi:

yeni nesil “self-driving R&D infrastructure” oluşturuyor.

Bir noktadan sonra:

• cluster scheduler,
• experiment planner,
• cost optimizer,
• resource allocator

birbirine bağlanacak.

Ve AI:

sadece modeli değil,

kendi araştırma sürecini de optimize edecek.

İnsanlığın yıllardır “lab automation” diye uğraştığı şeyin software versiyonunu izliyoruz aslında. Biraz ürkütücü. Biraz büyüleyici. Oldukça pahalı elektrik faturası eşliğinde tabii.

Sonuç

Bu çalışma yalnızca:

“AI daha hızlı deney yaptı”

hikâyesi değil.

Bu:

AI’ın araştırma davranışı geliştirmeye başladığını gösteren erken örneklerden biri.

Ve muhtemelen önümüzdeki birkaç yılın en büyük kırılımı burada olacak:

“Tool kullanan AI” → “Araştırma yapan AI”

Aradaki fark çok büyük.

Birisi asistan.

Diğeri potansiyel olarak yeni bir bilimsel aktör.

İnsanlık yine “güzel fikir gibi duruyor” diyerek yeni bir Pandora kutusunu açıyor olabilir.

Ama kabul etmek lazım:

teknik olarak inanılmaz etkileyici.