Bir meyve sineği benden daha iyi şirket yönetebilir mi?

64 sanal şirket. 22 karlı yıl sonu. %34,4 karlılık. Yönetici: bir meyve sineğinin beyin modeli.

Sineklerin paralel park yapabildiğini ve başarılı faiz kararları verebildiğini gördükten sonra ben de farklı yeteneklerini keşfetmek istedim. CEO (Chief Executive Organism), gerçek bir sinek beyninden modellenmiş bir simülasyon.

Önce sonuç

Bir yıllık dönem için 64 farklı şirket senaryosu çalıştırdım. Her şirkette ayda bir olmak üzere en fazla 12 karar fırsatı vardı. Parası bitip kapanan şirketlerde kararlar durdu.

Buradaki başarı ölçütüm yılı karla kapatmak. Kasada para kalması tek başına yeterli değil: Başlangıç sermayesinin bir kısmını harcayıp hala açık olan şirket zarar etmiş olabilir.

64 şirket arasında en yüksek yıllık karı elde eden 4126 numaralı şirket yaklaşık 20.680 dolar kar ve 40.394 dolar yıl sonu nakdi üretti.

Açık kalan 52 şirketin içindeki karlılık oranı %42,3: 22/52. Bu yazının ana sonucu ise kapananları da içeren 22/64 = %34,4.

Hangi teknolojileri kullandım?

Beyin modeli, bir dil modeli değil. Kendisine “iyi bir CEO gibi davran” şeklinde bir komut vermedim. Sabit bağlantılar üzerinde nöron aktivitesi hesaplanıyor; bu deney sırasında finans öğrenimi veya ağırlık eğitimi yapılmıyor.

138.639 nöron, fakat işletme bilgisi yok

Kullandığım FAFB v783 ağı 138.639 nöron ve 15.091.983 yönlü bağlantı kaydı içeriyor. İkinci sayı, tek tek anatomik sinapsların sayısı olarak okunmamalı; modelin bağlantı tablosundaki kayıt sayısı.

Shiu modelindeki leaky integrate-and-fire yaklaşımında nöronların durumu zaman adımlarıyla ilerliyor. Gelen etkiler birikiyor; eşik aşılınca nöron spike üretiyor. Bu, gerçek beynin tüm biyokimyasını veya davranış repertuvarını yeniden üretmek anlamına gelmiyor.

Brian2’yi NumPy arka ucuyla, 0,1 milisaniye zaman adımıyla çalıştırdım. Her işletme kararı için 100 milisaniyelik sinir ağı aktivitesi hesaplandı. Nöral durum aynı şirketin kararları arasında korundu, farklı şirkete geçerken sıfırlandı.

Şirket kararı sinir ağına nasıl aktarılıyor?

Sinek için “reklam bütçesi” diye bir kavram yok. Ekonomik bilgiler ile sinir ağı arasında benim yazdığım bir dönüştürme katmanı var.

Beş karar türü tanımladım:

Her ay beş seçenek birden sunulmuyor. İki yatırım seçeneği dönüşümlü olarak geliyor; ortada her zaman “parayı koru” bulunuyor. Sağ ve sol konumlar senaryoya göre değişiyor.

Dönüştürme katmanı, mevcut nakit, kapasite ve gürültülü talep/maliyet tahminlerinden her seçenek için yaklaşık bir fayda ve risk skoru çıkarıyor. Nakit azaldıkça maliyetin ağırlığı artıyor:

cash_stress = 1 + max(0, 3 - cash / monthly_fixed_costs) / 3
score = estimated_benefit - cash_stress * estimated_downside
input_hz = clip(85 + score / 45, 5, 180)

Son satır, sağ ve soldaki seçenekleri 5–180 Hz arasında Poisson uyarımına dönüştürüyor. Her tarafta DNa02 hedefinin seçilmiş beş pozitif presinaptik girdisi uyarılıyor.

Bu skorlar şirketin geleceğini bilmiyor. Henüz gerçekleşmemiş maliyet şokları, gerçek reklam tepkisi ve fiyat esnekliği, karar girdilerine açılmıyor. “Parayı koru” seçeneğinin skorundaki likidite primi de şirkete yatırılan gerçek para değil; tercih hesabının bir parçası.

Bu ayrım önemli: Ekonomik sezginin bir bölümü zaten benim yazdığım skorlama sisteminde. Başarının tamamını sineğin bağlantı haritasına atfetmek doğru olmaz.

Nöron tepkisinden karara

Çıkışta iki DNa02 hedefinin spike hızlarını okuyorum. Kullanılan karar kuralı basit:

if max(left_hz, right_hz) < 40 or abs(left_hz - right_hz) < 20:
    action = conserve_cash
elif left_hz > right_hz:
    action = left_option
else:
    action = right_option

Zayıf veya birbirine yakın çıkışlar “parayı koru” sonucunu veriyor. Diğer durumlarda daha yüksek aktivite üreten tarafın seçeneği uygulanıyor. Yetersiz nakit veya yatırım sınırı varsa, önerilen yatırım yine “parayı koru”ya dönüyor.

Yani karar zinciri şu:

Şirket durumu → tahminî ekonomik skor → nöral uyarım → nöron yanıtı → işletme eylemi.

Burada kayıtlı sinir ağı yanıtlarını işletme seçeneklerine ben eşliyorum. Model, doğal haliyle işe alım veya fiyatlandırma bilen bir beyin değil.

Videodaki yürüyüş neyi gösteriyor?

İşletme kararı hesaplandıktan sonra seçilen nesnenin konumuna sanal bir koku kaynağı yerleştiriliyor. Başın yakınındaki iki sanal sensör bu kaynağı örnekliyor:

concentration = 100 / (1 + distance_squared)

Sol ve sağ sensörün normalize edilmiş farkı, hibrit yürüme denetleyicisinin dönüş komutunu belirliyor. MuJoCo da bacakların ve zeminin fiziksel etkileşimini hesaplıyor.

Koku sinyali işletme kararını vermiyor; verilmiş kararın hareketle uygulanmasını sağlıyor. Beyin modeli ile gövde arasında tam bir çift yönlü geri besleme döngüsü kurmadım. Bu demo, NeuroMechFly makalesindeki görsel takip deneyinin birebir tekrarı da değil.

Üç seçenek konumu için üç fiziksel yaklaşma kaydı üretildi. Aylık kararlar bu kayıtlardan uygun olanıyla gösteriliyor. Videodaki farklı aylar yeni beyin kararlarını temsil ediyor; her ay için baştan ayrı bir yürüyüş deneyi yapılmış gibi yorumlanmamalı. NeuroMechFly projesi

Sanal ekonominin kuralları

Şirketler 9.000–23.000 dolar arasında başlangıç nakdi, 90 birim kapasite ve 100 dolar satış fiyatıyla açılıyor. Aylık temel sabit gider 3.600 dolar. Talep ve birim maliyet zaman içinde değişiyor; ayrıca beklenmedik giderler oluşabiliyor.

Talep hesabı kabaca şöyle:

demand = (
    base_demand * (1 + quality) + previous_advertising_stock
) * (100 / price) ** price_elasticity

units_sold = min(capacity, demand)
revenue = units_sold * price
net_result = revenue - operating_costs - decision_spending
cash += net_result

Reklamın etkisi sonraki ay başlıyor ve aylık azalıyor. Ürün geliştirmenin etkisi iki ay sonra geliyor. Çalışan almak ise sonraki aylarda da maaş yükü yaratıyor. “Parayı koru” seçmek kira ve maaş ödemelerini durdurmuyor.

Nakit sıfırın altına inerse şirket kalıcı olarak kapanıyor. Yıllık kar, aylık net sonuçların toplamı. Bütün yatırım harcamalarını hemen giderleştirdiğim için bu, resmî muhasebe karından ziyade basitleştirilmiş nakit esaslı bir sonuç.

Sinek yalnızca şanslı mıydı?

Aynı şirket ve piyasa senaryolarını üç alternatif yöntemle de çalıştırdım: en yüksek tahminî skoru seçen finansal kural, rastgele seçim ve sürekli parayı koruma.

Her yöntem aynı başlangıç durumunu ve önceden üretilmiş piyasa olaylarını görüyor. Böylece bir yönteme tesadüfen daha kolay bir ekonomik yıl vermemiş oluyorum.

Bu koşullarda sinek modeli rastgele seçimden daha iyi sonuç verdi. Basit finansal kural ise sineği geçti. Dolayısıyla bu deneyden “biyolojik bağlantı haritası en iyi karar vericidir” sonucu çıkmıyor.

Gerçek dünyadaki %29 ile nasıl karşılaştırmalı?

Federal Rezervin 2025 Firms in Focus raporunda, 2 yıldan yeni çalışanlı işletmelerin %29’u 2023 sonu için kar bildirmiş. İlgili grupta 311 yanıt var; %15 başabaş, %55 zarar bildiriyor. Yuvarlama nedeniyle toplam %99. Kaynak: Federal Reserve Small Business Credit Survey, 2025 Firms in Focus: Chartbook on Firms by Age of Business, s. 7

Bizim %34,4 oranımız, başlangıçtaki 64 şirketin tamamını içeriyor. Anket ise kurulan bütün işletmeleri kapanışlarına kadar izleyen bir kohort çalışması değil. Üstelik ekonomik koşullar ve kar tanımları farklı.

Tekrar üretilebilirlik

Ana deney 4100–4163 arasındaki 64 senaryo ile çalıştı. Piyasa olayları, seçenekler, uyarım frekansları, nöron çıkışları ve şirketin önceki/sonraki durumları JSON olarak kaydedildi.

Benim için projenin ilginç tarafı, sineği CEO ilan etmekten çok, biyolojik bir bağlantı haritasının hangi arayüzlerle bambaşka bir karar ortamına bağlanabildiğini görmekti.

Özet, sinek işe alınmadı.