Özet: Yapay zeka mühendislik işlerinde yazılımdan fiziksel dünyaya geçmeye başladı. OpenAI, Google Cloud ve Google DeepMind 3 Kasım 2026’da donanım tasarımı, mühendislik testi ve ilaç kimyası üzerine üç ayrı çalışma paylaştı. Tablo umut verici, ancak şirketlerin kendi verileri güvenlik açığının hala büyük olduğunu gösteriyor.
Yapay zeka mühendislik işlerinde ne değişti?
Yapay zeka ajanları bugüne kadar en çok kod yazma işinde öne çıktı. Üç yeni çalışma, aynı ajanların devre kartı, yapı hesabı ve molekül tasarımına uzandığını gösteriyor. Bu analizde her açıklamayı şirketin kendi verisiyle ele alıyoruz.
Ortak nokta, uzun soluklu ve çok dosyalı işler. Tek bir soruya cevap vermek yerine ajan, günler süren bir iş akışını baştan sona yürütmeye çalışıyor. Ölçülen başarı ise alanına göre çok farklı.
OpenAI: İnsan dokunuşu olmadan tasarlanan cihaz
OpenAI, “Accelerating engineering for the physical world” başlıklı yazısında GPT-6 Astra ile yapılan bir deneyi anlattı. Şirkete göre model, bir cihazın kasasını, baskılı devre kartını ve yazılımını doğrudan insan düzenlemesi olmadan tasarladı. openai.com bot koruması nedeniyle bu kaynak linklenmedi.
OpenAI’ye göre işi iki kişi bir haftadan kısa sürede yürüttü. Prototipler bir aydan kısa sürede ortaya çıktı. Şirket, üretim toleransları gibi alanlarda hala açıklar bulunduğunu da kabul ediyor.
Şirket, donanım ekibinin token kullanımının şubattan bu yana 23 kat arttığını belirtiyor. BenchCAD 2.0 testinde daha yeni bir iç model 0,875 puan aldı. GPT-6 Astra’nın puanı ise 0,594 oldu.
OpenAI ayrıca Chip Ganassi Racing ile taramadan CAD modeline geçiş üzerinde çalışıyor. Mazda ile de aerodinamik ve çarpışma analizleri yürütülüyor. Model ailesinin yazılım tarafındaki son adımını GPT-6.1 Terra analizimizde ele almıştık.
Google Cloud: Mühendislik sınavında kimse yüzde 50’yi geçemedi
Google Cloud, Mercor ile birlikte hazırladığı Physical-Engineering’s Last Exam (PLE) testini Google Cloud blogunda tanıttı. Yazının yazarları arasında Google Cloud’dan Burak Göktürk de bulunuyor. Test, ajanların gerçek mühendislik teslimatı üretip üretemediğini ölçüyor.
PLE, 85 görevden oluşuyor. Bunların 30’u makine, 27’si elektrik, 18’i inşaat ve 10’u yapı mühendisliği alanında. Görev başına ortalama 61, toplamda 5.170 dosya bulunuyor.
Google’a göre 14 öncü model, 7 farklı ajan altyapısında denendi. Tüm modeller yüzde 50’nin altında kaldı ve en iyi sonuç yüzde 48,3 oldu. Görevlerin 29’u ple-bench.com üzerinden herkese açık.
Asıl çarpıcı veri güvenlik tarafında. En iyi yapılandırma tek tek kısıtların yüzde 91’ini karşıladı. Ancak teslimatların yalnızca yüzde 41,3’ü tüm zorunlu güvenlik kontrollerinden geçti.
Google’a göre model seçimi, altyapı seçiminden daha belirleyici. Modeller arasında 50 puana varan fark görüldü. Altyapılar arasındaki medyan fark ise 3 puanda kaldı.
Google DeepMind: Günler süren ilaç kimyası bir saate indi
Google DeepMind, Google Antigravity için Cheminformatics Skills adlı bir paket duyurdu. Paket RDKit, ChEMBL ve PubChem gibi yerleşik araçlar ve veri tabanları üzerine kuruluyor. Hedef, ilaç keşfindeki hesaplamalı iş akışlarını ajanlara devretmek.
DeepMind’ın örneğinde ajan, akciğer kanseri ilacı crizotinib’den lorlatinib’e uzanan sertleştirme yaklaşımını yeniden ele alıyor. Şirkete göre normalde günler süren iş akışı yaklaşık bir saatte tamamlandı. DeepMind, önerilen tasarımların deneysel doğrulama gerektiren hipotezler olduğunu vurguluyor.
Şirket, 10.000 bilim insanına en üst kullanım seviyesini 6 ay ücretsiz vereceğini açıkladı.
Rakiplerle karşılaştırma
| Başlık | OpenAI | Google Cloud | Google DeepMind |
|---|---|---|---|
| Odak | Donanım tasarımı | Mühendislik testi | İlaç kimyası |
| Öne çıkan veri | İç modelde 0,875 BenchCAD puanı | En iyi sonuç yüzde 48,3 | Günlerden yaklaşık bir saate |
| Ortaklar | Chip Ganassi Racing, Mazda | Mercor | RDKit, ChEMBL, PubChem |
| Kabul edilen sınır | Üretim toleransları | Güvenlik kontrolleri | Deneysel doğrulama |
OpenAI ile Google arasındaki fark yaklaşımda belirginleşiyor. OpenAI kendi modelinin başarısını iç testlerle anlatıyor. Google Cloud ise 14 modeli aynı açık testte karşılaştırıyor.
DeepMind ise OpenAI’den farklı olarak tek bir sektöre odaklanıyor. Kimya tarafında hesaplamayı yapay zekaya değil, RDKit gibi deterministik araçlara bırakıyor. Ajan bu araçları yönetiyor.
Türkiye için anlamı ne?
Türkiye’de otomotiv, savunma, beyaz eşya ve inşaat gibi mühendislik yoğun sektörler için mesaj açık. Tasarım süresi kısalabilir, ancak doğrulama yükü azalmıyor. PLE verisi, kısıtları karşılayan bir tasarımın güvenlik testini geçmeyebileceğini gösteriyor.
Donanım ve robotik girişimleri için de benzer bir tablo var. Borsa İstanbul’da işlem gören DOF Robotik gibi şirketler için tasarım ajanları prototip maliyetini düşürebilir. Ancak sorumluluk mühendiste kalmaya devam edecek.
İlaç Ar-Ge’si yapan yerli şirketler ve üniversite laboratuvarları DeepMind’ın ücretsiz kontenjanını takip edebilir. Bu tür denemeler için kamu tarafında da araçlar mevcut. Yapay zeka girişimlerine yönelik devlet destekleri rehberimiz bu programları derliyor.
Sonuç
Üç çalışma, yapay zekanın mühendislikte yardımcıdan yürütücüye geçmeye çalıştığını gösteriyor. Ancak en iyi model bile mühendislik testinin yarısını geçemiyor. Kısa vadede kazananlar, ajanı hızlandırıcı olarak kullanıp doğrulamayı insanda tutan ekipler olacak.
Kaynaklar
OpenAI “Accelerating engineering for the physical world” yazısı (3 Kasım 2026). Google Cloud blogu ve Mercor ile hazırlanan PLE testi sayfası (3 Kasım 2026). Google DeepMind “Agentic cheminformatics with Google Antigravity” yazısı (3 Kasım 2026).
