Giriş

2026 yılının Nisan ayının sonunda, Sequoia Capital San Francisco'da dördüncü AI Ascent konferansını düzenledi. Bu konferansa OpenAI, DeepMind, Anthropic, NVIDIA, Waymo gibi AI endüstrisinin önde gelen şirketleri davet edildi; ayrıca ElevenLabs, XBOW, Recursive Intelligence, Starcloud gibi yeni yönlere yatırım yapan girişim şirketleri de yer aldı. 13 oturum, temel modellerden programlama paradigmalarına, robotikten otonom sürüşe, çip tasarımından uzay hesaplama gücüne ve yeni hesaplama mimarisine kadar geniş bir yelpazede konuları kapsadı, çoğunlukla günümüz AI endüstrisinin en ileri noktalarını ele aldı.

Geçmiş yıllara kıyasla, bu yılki AI Ascent'in vurgusu daha doğrudan oldu: AI artık sadece verimliliği artıran bir araç olmaktan çıkıp, gerçek iş akışına girmeye başladı ve geçmişte sadece insanların üstesinden gelebildiği karmaşık görevlerin bir kısmını devralıyor. Sequoia, açılış konuşmasında bunu "İşlevsel AGI"nin gelişi olarak adlandırdı — makinenin artık her boyutta insanlarla eşit olduğu anlamına gelmemekle birlikte, iş dünyası ve üretkenlik açısından bakıldığında, uzun menzilli zekânın bir gösteriden kullanılabilir hale geldiği eşikten geçtiğini ifade etti.

Bu aynı zamanda bu konferansın en temel arka planı: Zeka ucuzladıkça, erişilebilir hale geldikçe ve ölçeklendirilebilir hale geldikçe, AI'nın rekabet odak noktası, "modelin ne yapabildiği"nden ziyade "onu gerçek dünyaya nasıl entegre edebileceğimiz"e doğru kayıyor. Yazılım, hizmetler, organizasyonlar, donanım, enerji, güvenlik ve fiziksel alan, bu nedenle yeniden tasarlanabilir.

Sequoia'nın anlatmaya çalıştığı hikaye oldukça nettir: Zeka artık lüks bir şey değil, yeni endüstriyel bir hammadde haline geliyor. Belki de gerçekten önemli olan, kimin daha akıllı modellere sahip olduğu değil; daha çok, müşterileri daha hızlı anlayabilen, süreçleri yeniden yapılandırabilen, ajansları programlayabilen ve bu ucuz zekâyı sürdürülebilir iş sistemlerine dönüştürebilen kişinin kim olduğudur.

Bu nedenle, bu konferans sadece AI teknolojisinin bir sonraki adımını tartışmıyor, aynı zamanda daha büyük bir sorunu ele alıyor: Makinelerin giderek daha fazla bilişsel emeği üstlendiği bir dünyada, insanlar, şirketler ve toplum nasıl değerlerini yeniden tanımlamalıdır.

Konferans Boyunca İzlenen Temel Yollar

İlk olarak, zeka giderek büyük bir emtia haline geliyor.
Sequoia, bu dönüşümü 19. yüzyılın sonundaki "Alüminyum"a benzetiyor: Eskiden altından daha değerliydi, ancak elektroliz yönteminin yaygınlaşmasıyla birkaç on yıl içinde herkesin kolayca erişebileceği, her yerde kullanabileceği bir endüstriyel malzeme haline geldi. Bugün, PhD düzeyindeki uzmanlık, orta sınıf rekabet gücünü tanımlayan bilişsel engeller gibi geçmişte önemli olan unsurlar benzer bir kaderi paylaşabilir. İleri düzey zekâ artık doğal olarak nadir değil, aksine modelin büyük ölçekli üretim, çağrı ve dağıtım süreçlerine başlayarak erişilebilir hale gelmeye başlamış olabilir.

İkinci olarak, darboğaz makineden insana kaymaktadır.
Greg Brockman'ın sıkça alıntılanan bir cümlesi olan bu konu, bu yılki konferansta defalarca tekrar edildi: bir ajans kendi kendine çalışabildiğinde, insan dikkati, ekonominin en nadir kaynağı haline gelecektir. Karpathy ise aynı bir tespiti daha doğrudan bir şekilde ifade etti: Makine neredeyse tüm uygulama detaylarını işleyebildiğinde, insanın terk edemeyeceği tek yetenek, tam olarak ne istediğini anlamaktır. Artık sorun, makinenin yapabileceği değil, insanın doğru hedefleri belirleyebilip sonuçların güvenilirliğini değerlendirebilmesi ve neyin tamamlanmayı hak ettiğine karar verebilmesidir.

Üçüncü olarak, kodlama çözüme kavuşturuluyor, ancak organizasyon henüz değil.
Anthropic içinde, model tarafından oluşturulan büyük miktarda kod zaten uygulanmış durumda, hatta farklı ajanlar Slack üzerinde kendi kendine işbirliği yapabiliyorlar. Boris Cherny'nin değerlendirmesi daha da ileri gidiyor: Gerçek bir kalesi artık belirli bir model sürümü değil, AI'ya karşı kuruluş yapısının ne kadar "doğal" olduğundan geliyor. Mevcut şirketler için, bu pek de hoş bir sonuç değil — çünkü bu farklılık yalnızca araçlarını ne kadar iyi kullandıklarından değil, kuruluşların ajan etrafında süreçleri, izinleri, işbirliği şekillerini ve yönetim yapılarını yeniden tasarlamaya ne kadar istekli olduklarından kaynaklanıyor.

Dördüncü olarak, AI dijital dünyadan fiziksel dünyaya geri dönüyor.
Jim Fan'ın robotları, Waymo'nun 20 milyon otonom araç sürüşü, ElevenLabs'ın duygusal sesli özellikleri, farklı yönlerden, AI'ın artık yalnızca metin, kod ve görüntü işleyen bir ekran aracı olmaktan çıkıp ışığı, sesi, gücü, hareketi ve uzayı anlamaya ve müdahale etmeye başladığını gösteriyor. Geçmiş on yılda, "yazılım dünyayı yutuyor" ana temasıydı; önümüzdeki dönemde ise AI doğrudan fiziksel dünyaya girebilir ve otomobil, fabrika, robot, sesli etkileşim ve fiziksel üretimi kendisi değiştirebilir.

Beşinci olarak, hesaplama gücü fiziksel alt tabakaya ulaşıyor.
Yerel veri merkezlerinin arazi, güç ve soğutma kapasiteleri zirveye ulaşmaya başladığında, daha radikal birkaç şirket farklı çözümler sunuyor: Starcloud, çipleri uzaya göndermeyi düşünüyor, Recursive AI çipleri kendi kendine tasarlatıyor, Unconventional AI beyin mimarisini taklit edebilmek için von Neumann mimarisini atlamaya çalışıyor, Flapping Airplanes ise "şiddetli ölçeklendirme" kavramını doğrudan sorguluyor — eğer insanlar çok daha az veriyle aynı beceriyi öğrenebiliyorsa, o zaman günümüz AI algoritmaları temelde çok verimli olmayabilir. Hesaplama gücü yarışının sonu; daha fazla GPU satın alma yerine, enerji, çip, mimari ve verimlilik açısından alt tabandan yeniden yapılanmaya doğru ilerliyor.

Altıncı olarak, güvenlik artık "AI'ya karşı AI" asimetrik savaş alanına girdi.
XBOW'un zekası küresel beyaz şapkalı hacker sıralamasında zirveye ulaştı, bu da AI'ın artık sadece güvenlik araştırmacılarının yardımcı aracı olmadığını, aynı zamanda bağımsız olarak zafiyet keşfi, doğrulama ve kullanma gerçekleştirebilen otonom saldırı sistemleri olduğunu gösteriyor. Daha da kötüsü, açık kaynaklı modellerin yetenekleri arttıkça, bu tür saldırı yeteneklerinin gelecek 6 ila 9 ay içinde hızla yayılması mümkün olabilir. Ağ güvenliği artık insan hackerlar arasındaki bir saldırı savunma savaşı değil, mevcut durumu dikkate alan bir AI silahlanma yarışı haline gelmiştir.

Tüm bu ipuçlarını bir araya getirdiğimizde, 2026 AI endüstrisinin rahat olmayan bir konumda olduğunu görüyoruz: Teknik yetenekler ürün formu, organizasyon yapısı ve toplum kurallarının oldukça önündedir. Modeller her gün güçleniyor, ancak onları taşıyacak olan "konteynerler" — iş akışları, uygulama arayüzleri veya insanların dikkati — henüz geride kalmış durumda.

Toplantının genelindeki tartışma, temelde hep aynı soruyu cevaplamaya odaklandı: Bir makinenin giderek daha fazla zihinsel emeği yerine getirebildiği bir dünyada, insanlık olarak geriye ne kaldı?

Sequoia'nın verdiği cevap biraz düşündürücüydü: duygular, güven, ölçeklenebilir bir şekilde üretilemeyen şeyler. Brockman'ın cevabı "Ne istediğinizdir", Karpathy'nin cevabı ise "Makinenin doğru yapıp yapmadığını nasıl anlayabilirsiniz?" şeklindeydi. Bu cevaplar nihayetinde aynı noktaya işaret ediyordu: Zeka artık doğal olmadığında, niyet, karar verme ve ilişki yeni değer birimi haline gelecektir.

Aşağıda bu konferansta bulunan 13 konuşmanın özeti bulunmaktadır.

Forum Özeti

Ana Konuşma

Sequoia Ortak Açılış Konuşması: İşte AGI

Konuşmacılar Pat Grady, Sonya Huang, Konstantine Buhler, Sequoia Capital'ın AI yatırım hattının üç ana ortağıdır. Sonya Huang, 2022'de dünya çapında ses getiren Generative AI: A Creative New World makalesinin yazarlarından biri olarak, generatif AI'ya erken desteğiyle bilinen bir kurumsal yatırımcı olarak kabul edilir. Üçü, bu konferansın düşünsel çerçevesinin kaynağı olan 2026 tarihli This is AGI makalesinin birlikte yazarıdır. Sequoia Capital, Apple, Google, Nvidia, Stripe, OpenAI vb. gibi şirketlere yatırım yapan Silikon Vadisi'nin en köklü ve önde gelen risk sermayesi şirketlerinden biridir.

AI, bilgi işlemenin temelini kökten sarsan bir "hesaplama devrimi"dir, sadece hızlandırılmış bir "iletişim devrimi" değil. Önceki internet ve mobil uygulamalar, bilginin iletim yolunu değiştirmişken, AI bilgi üretiminin temel mantığını değiştirmiş, geliştiricilerin uygulamaları inşa etmek için kullandığı teknik altyapının her gün kaymaya devam etmesine neden olmuştur. Bu tespitin önemi, dayanaksız bir "fırtına anında", geleneksel stabil teknoloji yığınının artık geçmişte olduğu, geliştiricilerin sürekli evrilen model tabanıyla dans etmeyi öğrenmesi gerektiği gerçeğindedir.

AI, bir "uzman hizmeti" sunarak, geleneksel yazılımlardan on kat daha büyük olan, 10 trilyon dolarlık bir pazarda yer alacaktır. Küresel yazılım pazarının toplam adreslenebilir pazar büyüklüğü (TAM) sadece birkaç yüz milyar dolar iken, yalnızca ABD hukuk hizmetleri dikey alanı, 400 milyar dolarlık büyüklüğe ulaşmaktadır, yani bu alanın boyutu tüm yazılım endüstrisiyle eşdeğer seviyededir. Bu, bir ana dönüşümü desteklemektedir: AI'nın ticari değeri artık insanlara araç olarak satılmak yerine, doğrudan insan uzmanların yaptığı yüksek değerli işleri devralarak ve sunarak bir "özne" (agent) biçiminde görülmektedir.

İşletme alanında, başarısızlığa karşı kendi kendine başa çıkabilen uzun menzilli bir ajanın varlığı, AGI'nın (Genel Yapay Zeka) gelmiş olduğunun işaretidir. Bir sistem bir göreve gönderilebiliyor, başarısızlıkla karşılaşarak kendi kendini onarabiliyor ve bitiş noktasına dayanabiliyorsa, işlevsellik açısından zaten AGI'ya eşdeğerdir. Bu tespit bize aksine düşündürücü bir şekilde hatırlatıyor: Akademik tanımlarla uğraşmayı bırakın, bağımsız yürütme yeteneğine sahip AI artık "daha hızlı bir at"tan "yarışma boyutunu değiştiren bir araba"ya evrimleşmiştir, verimlilik 10 ila 40 kat arasında bir sıçrama gerçekleşmiştir.

Altta yatan yeteneklerin anlık değişken olduğu bir anda, kaleyi çevreleyen sadece "müşteriye son derece yakınlık" mantıklıdır. MAD Stratejisi - Moats (kaleler), Affordance (sağlanabilirlik, ürünün kullanıcı dostu olma derecesi) ve Diffusion (yayılma) - değeri kilitlemek için müşteri merkezli (müşteri taleplerinden geriye doğru) ve teknoloji-odaklı (teknolojiden türetilen) yerine kullanır. İnsanların ihtiyaçları, model yeteneklerinin değişiminden çok daha yavaş olduğundan, bu derin müşteri sarması, model takibinin daha kalıcı olduğundan daha kalıcıdır.

Ajanın özerkliği artık "dakika bazlı asistan"dan "saat bazlı özerk çalışan" seviyesine çaprazlamaktadır. Karmaşık görevlerde modelin doğru yolda kalma süresini ölçen birim grafiği (görev süreklilik göstergesi), bir yıl önceki dakika seviyesinden şimdiye kadar olan saatler seviyesine büyük bir sıçrama yapmıştır, tamamen insan denetimi olmadan çalışan karanlık fabrikaları (tamamen özerk iş süreçleri) destekleyecek kadar yeterlidir. Bu, üretkenlik engelinin aşıldığı anlamına gelir, "8 milyon satır kodu 6 haftada yeniden yazma" gibi olağanüstü hızlı iterasyonlar olağan hale gelmektedir.

İnsan toplumu şu anda "bilişsel endüstri devrimi"nin arifesinde, makineler küresel zekanın %99.9'unu üstlenecektir. Sanayi Devrimi'nin %99'unu mekanizmalarla değiştirdiği gibi, gelecekte çoğu analiz, karar verme ve yaratıcılık da sinir ağları tarafından yerine getirilecektir. Bu tespitin iddiası şudur: Zeka artık insanın tekeline ait bir kaynak olmaktan ziyade, sınırsızca ölçeklenebilir ve ihtiyaç duyulduğunda çağrılabilen düşük maliyetli endüstriyel tüketim maddesi haline gelebilecek bir şeydir.

Yüksek düzey zeka becerileri şimdi "alüminyum anı"nı yaşamak üzeredir, pahalı bir lüks eşyadan ucuz bir hammaddeye tamamen dönüşmektedir. Eskiden altından daha değerli olan alüminyum, elektroliz'in yaygınlaşması sayesinde elinizin altında bulunur hale geldiği gibi, AI'ın anında doktora düzeyinde bilgiye erişimi de aynı etkiyi yaratacaktır. Bu, acımasız bir geleceği işaret etmektedir: Yıllarca biriken uzmanlık bilgisinin engellemesi anında yıkılabilir, zeka kendisi artık nadir bir prim taşımamaktadır.

Zeka tamamen banalleştikten sonra, insan ilişkileri ve duygusal bağlantılar insan toplumunun tek gerçek değer referansı haline gelecektir. Fotoğrafçılık sanatını gerçekçilikten ruhu ifade etmeye yönlendiren izlenimcilik akımı hale getirdiği gibi, AI'ın verimlilik için en iyi çözümü genellikle insan sezgisini aşan "yabancı bir uzay" şeklinde ortaya çıkar. Sonuç olarak, paradoksal bir şekilde, tüm işlerin makineler tarafından yapıldığı bir gelecekte, sadece insanlar arasındaki güven ve duygusal bağ, makinenin ölçeklenebilir şekilde üretilemeyen nihai sert para birimi olacaktır.

Eğer bu konuşmadan sadece bir şey hatırlayabilecek olsaydınız, bu ne olurdu?

Önceden değerli olan zeka ve yetenek hızla plastik bir poşet gibi ucuz hale gelecek, gelecekte sizi rekabetçi kılan gerçek şey artık zor problemleri çözebilen zeka değil, insanları anlayabilen ve güven inşa edebilen duygudur.

Modelleme ve Biliş

Andrej Karpathy: Vibe Coding'den Agent Engineering'e (OpenAI Kurucu Ekibi)

Konuşmacı Andrej Karpathy, AI alanının en etkili "eğitici bilim insanı"dır. OpenAI Kurucu Ekibi üyesi, daha sonra Tesla AI Direktörü olarak otonom sürüş görüntü sistemlerinden sorumlu olmuş, 2024 yılında Tesla'dan ayrılarak AI eğitim şirketi Eureka Labs'ı kurmuştur. YouTube'da sinir ağlarına ilişkin adım adım video serisi, birçok AI mühendisinin başvuru kaynağıdır. "Yazılım 2.0", "Vibe Coding" gibi kilit kavramlar hepsi onun uydurduğu terimlerdir.

Üst düzey uzmanlar bile artık AI dalgasında "geride kaldıklarını" hissediyorlar, çünkü teknolojinin gelişimi artık yardımcı araçlardan otonom sistemlere geçti. Konuşmacı, 2026'nın başlarında AI tarafından üretilen kod bloklarını değiştirmeye artık ihtiyaç duymadığını, sisteme güvenerek karmaşık görevleri tamamlayabileceğini fark etti. Bu tespitin önemi, AI'ın kendini düzeltebilme yeteneği ve döngüsel dağıtımı gerçekleştirebilme yeteneğine geldiğinde, deneyime dayalı geliştiricilerin "alt çizgilerinin" şiddetli bir şekilde yükseltilmesidir, bireysel öğrenme hızının artık teknik altyapı değişiminin hızına yetişmesinin zorlaştığı bir zaman noktasıdır.

Mevcut hesaplamanın Software 3.0 dönemine girdiği zaman, LLM temelde bir bağlam kaldırmalı yeni nesil bir bilgisayardır. Yazılım 1.0 kod yazmaktır, 2.0 ağırlıkları eğitmektir ve 3.0 ise bağlamda (bilgi işlemenin yapıldığı modelin bellek alanı) prompting (ipucu verme) yoluyla programlama yapmaktır. Bu, yazılımın yükleme sürecinin artık uyumluluk betikleri yazmayı gerektirmediği anlamına gelir, yalnızca bir talimat metnini ajan'a "beslemenin" yeterli olduğu ve ayrıntılı yazımın artık temel rekabet avantajı olmadığı anlamına gelir.

Birçok mevcut uygulama mimarisi "gereksiz" hale geliyor, çünkü AI artık ham veri seviyesinde doğrudan işleme yeteneğine sahip. Konuşmacı, çabalarla geliştirdiği menü oluşturma uygulamasının artık anlamsız hale geldiğini fark etti, çünkü model artık fotoğraflarda piksel bazında işlem yapma yeteneğine sahip. Bu derin bir değişimi destekliyor: AI yalnızca eski iş mantığını hızlandırmak için kullanılmamalı, ara katmanın yok oluşunun birçok geleneksel ürün formunun artık fiziksel temelini yitirdiğini fark etmeliyiz.

Yapay Zekâ'nın yetenekleri "dişli" bir şekilde ortaya çıkar, sadece doğrulanabilir alanlarda süper zeka sergiler. Model, 100.000 satır kodu yeniden oluşturabilirken, "çilek içinde kaç tane r harfi var" gibi basit bir genel bilgiyi hesaplama konusunda başarısız olabilir. Bu, modelin özellikle RL (Pekiştirme Öğrenimi, model evrimini yönlendirmede ödül sinyallerinden faydalanma yöntemi) aracılığıyla matematik ve kod gibi doğrulanabilir alanlarda güçlendirildiği için gerçekleşir. Bu bize şunu hatırlatır: Sürekli olarak döngü içinde gözlem yapmalı, model eğitim dağılımının dışındaki zayıf noktaları gözden kaçırmamalıyız.

Biz içsel motivasyona sahip bir "hayvan" inşa etmiyoruz, veri dağılımında "ruhu çağırıyoruz". Modelin zeka zirvesi, eğitim verisinin dağılımına bağlıdır (örneğin, çok miktarda satranç oyunu verisi eklemek satranç yeteneğini büyük ölçüde geliştirebilir), aslında biyolojik bir merak yaratmadı. Bu değerlendirme, AI'ın gerçekten "anlamadığını", sadece istatistiksel simülasyon sırasında belirli bir devreye yoğun bir şekilde güç verdiğini tersine çeviriyor, bu nedenle kullanıcıların veri destekli olmayan yapay yeteneklerden kaçınmayı ve tanımayı öğrenmeleri gerekmektedir.

Ajanik mühendislik, rastgelelikten yararlanırken aynı zamanda profesyonel yazılımın kalite çıtasını korumayı amaçlar. Bu yeni mühendislik yöntemi, geliştiricilerin kararlı olmayan ancak son derece güçlü ajanları koordine etmeleri durumunda bile sistemde güvenlik açığı oluşmadığından emin olmalarını gerektirir. Bu, 10 katı mühendislik paradigmasının yeni bir versiyonunu savunur: Rekabetin odak noktası artık kod yazma hızı değil, büyük ajan kümesini verimli bir şekilde yönlendirebilen bir yönetmen gibi yüksek kaliteli sonuçlar sunma yeteneğidir.

Makinenin küçük API ayrıntılarını devraldığında, insanın gerçek primi estetik ve "şartname belgesi" kontrolüne dönecektir. Geliştiriciler artık PyTorch'un (derin öğrenme çerçevesi) belirli arayüz parametrelerini ezbere bilmeyecekler çünkü bu tür ayrıntılar, çok güçlü hafızaya sahip yapay zeka "stajyerleri" tarafından ele alınacaktır. Bu, zihinsel geleceği öngören bir sonuçtur: Temel prensipler ve tasarım anlayışı, araç ayrıntılarından daha kalıcıdır, insanlar "ustaların neyin iyi tasarım olduğunu tanımladığı" karar vericilerden işçiye dönüşmelidir.

"Düşünme" dış kaynak kullanımına tahsis edilebilir, ancak "anlama", insanın bilişsel ucuzlama çağında tek sınırlayıcı olmaya devam etmektedir. Yapay Zeka bize büyük miktarda bilgiyi işlemede ve yeniden derlemede yardımcı olabilir, ancak "bu nedeniyle inşa etmeli miyiz" ve "bu değeri taşıyor mu" konusunda karar vermekte bize yardımcı olamaz. Bu, nihai bir sonucu savunur: İnsanlar hala sistemin tek komutanıdır, çünkü yalnızca insan bilinci, zekaya hedefler atfedecek şekilde sağlayabilir, bu tür genel anlayışı bir algoritmanın yerine geçemez.

Eğer bu konuşmanın sadece bir şeyini hatırlayabilirseniz, o nedir?

Makine sizin yerinize tüm işleri yapabilir hatta tüm ayrıntıları düşünebilirken, asla kaybetmemeniz gereken yetenek, ne istediğinizi gerçekten anlamak ve makinenin işlerin doğru yapılıp yapılmadığını anlayıp anlayamadığını görebilmektir.

Greg Brockman: İnsan Dikkati Yeni Engeldir (OpenAI Ortak Kurucu)

Konuşmacı Greg Brockman, OpenAI'nin ortak kurucu ortağı ve başkanıdır. Stripe'ın eski CTO'su, 2015 yılında Sam Altman ile birlikte OpenAI'yi kurmuş ve şirketin teknik ve altyapı mimarisi temelinde yer almıştır. OpenAI'de, Altman dış dünyayla ilgilenirken (finansman, kamu imajı, politika), Brockman şirket içindekilere odaklanmıştır (teknik, hesaplama gücü, ürün). Kendisi kod yazmaya bizzat katılan, gece yarısı yayınlarına kadar nöbet tutan bir mühendis tarzıyla Silicon Valley'de tanınmaktadır.

Zeka artık yeniden satılabilir bir standartlaştırılmış ürün haline gelmiş ve bu da hesaplama gücünün sonsuz bir şekilde artış göstermesine neden olmuştur. OpenAI'nin iş modeli temelde hesaplama gücü satın almak veya kiralamak, bunu modele dönüştürerek zekaya dönüştürüp prim yaparak yeniden satmaktır. Sorunları çözme ihtiyacının sonsuz olmasından dolayı, GPU (Grafik İşlemcisi) arzının 2026 yılında neredeyse sıfıra yaklaşacağı tahmin edilmektedir. Bu tespitin önemi şudur: AI artık yalnızca bir yazılım hizmeti değil, fiziksel dünyadaki hesaplama gücünün arzını belirleyerek toplumsal zekânın sınırını doğrudan etkileyen bir kaynak tabanlı bir emtia işine dönüşmüştür.

Ölçekleme yasası (hesaplama gücü arttıkça modelin yeteneklerinin artmasıyla ilgili olarak) evrensel geçerli bir gerçektir ve şu ana kadar herhangi bir "duvarın" olduğu görülmüş değildir. Sinir ağlarının temel fikri 1940'larda doğmuş olsa da, büyük miktarda hesaplama gücüne yatırım yapıldığı sürece, modelin tüm yetenekleri istikrarlı bir şekilde artacaktır. Bu, önemli bir noktayı öne sürmektedir: Teknolojide kısa vadeli duraksama meydana gelmeyecek, sermaye ve enerji sürekli yatırım yaptığı sürece daha güçlü bir zeka elde edebileceğimiz anlamına gelmektedir; bu da teknoloji devlerinin agresif yatırımlarına temel bir mantıksal destek sağlamaktadır.

İşlevselliği açısından, AGI'ye (Genel Yapay Zeka) doğru olan yolculuğun %80'ini tamamladık, çünkü modeller artık görevleri bağımsız olarak gerçekleştirebilme kapasitesine sahiptir. Bir sistem mühendisi, karmaşık bir optimizasyon görevini modele sunduktan sonra, model sadece kod yazmayı tamamlamakla kalmaz, aynı zamanda Profiler'ı (performans analiz aracı) otomatik olarak çalıştırır ve geri beslemelere dayanarak çoklu tur optimizasyon yapar, görev tamamlanana kadar. Bu, karşıt bir görüşü desteklemektedir: AGI artık gelecekteki bir an değil, yaşanmakta olan bir süreçtir, AI artık "kod yazma asistanı"ndan "problemleri çözebilen iş arkadaşı"na evrimleşmiştir.

Bağlam (belirli bir görevi yerine getirirken modele rehberlik eden arka plan bilgisi) artık modele rehberlik eden algoritmayı temelden geçerek mevcut rekabetin merkezinde yer almaktadır. Yeni Chronicle aracı, kullanıcıların bilgisayarlarında yaptığı tüm işlemleri gerçek zamanlı olarak kaydedebilmekte, AI'a "bellek" sağlayarak insanların makinaya tekrar tekrar arka planı açıklamaktan tasarruf etmelerini sağlamaktadır. Bu tespitin önemi şudur: Girişimciler için, tek seferlik model eğitimi artık tek rekabet avantajı olmamakta, AI'ın kullanıcı iş ortamını derinlemesine anlamasını sağlayan bir "veri demeti" oluşturmak gerçekten kalıcı bir varlık haline gelmektedir.

「Yürütme」 maliyetinin sıfıra düşmesiyle, İnsan dikkati ekonomideki en nadir kaynak haline gelecektir. Bir Ajan (Agent) kendi kendine çalışabildiğinde, hatta görev ilerlemesi yavaşladığında proaktif olarak Slack üzerinde yöneticiye rapor verdiğinde, insanoğlunun enerjisi tamamen "bir şey yapmak"tan "bu benim değer yargılarıma uygun mu?"ya yönelecektir. Bu karar çok karşıt bir düşüncedir: Artık şişenin ağzı, makinenin yeterince hızlı işlemesi değil, insan imzasının makinenin ürettiği hızla başa çıkamamasıdır ve insanlar sistemdeki hız sınırlayıcısı olmuştur.

Geleneksel kurumsal organizasyon yapısı tamamen çözülecek ve gelecekte "bireysel şirket" çağı gelecektir, Tek bir kişinin binlerce Ajanı yönettiği bir çağ. İnternetin bireyleri, bir zamanlar sadece bir araştırma ekibi tarafından ele geçirilebilecek matematiksel zorlukları çözmek için üst düzey modelleri kullanıyorlar, Bu, rekabetin merkezinin "kafa sayısı istiflemesi"nden "benzersiz girişim noktasına" dönüştüğünü gösterir. Bu, tamamen yeni bir güç yapısının habercisi: Geleceğin şirketleri son derece yassılaşabilir, zira herhangi bir kişi vizyona sahipse, CEO gibi büyük bir Ajan kümesini yönetmek için on binlerce çalışanı yönlendirebilir.

AI fiziksel dünyadan dijital dünyaya sıçrıyor ve bilimsel araştırmada bir Rönesans'ı başlatıyor. OpenAI'ın modeli nedensel bir fizik formülü türetti, Fizikçilere Quantum gravity (kuantum yerçekimi, mikro düzeyde kuantum mekaniği ile makro düzeyde genel görelilik teorisini birleştirmeyi amaçlayan teori) bulma konusunda önemli kanıtlar sağladı. Bu tespit, şunu iddia ediyor: AI artık sadece temiz sembollerle işlem yapmıyor, aynı zamanda karmaşık ve dağınık gerçek dünyayı nasıl işleyeceğini öğreniyor, insanoğlu, makine destekli hatta yönlendirilen bir bilim keşfi çağına yaklaşıyor.

Sonunda, makinenin mecbur kıldığı, ekran karşısında klavye vurmaya dayalı doğal durumdan uzaklaşıp, hedef odaklı insan merkezli bir yaşama dönüşeceğiz. İnsan vücudu, kelime işlemek için tasarlanmamıştır, Gelecekteki etkileşim giriş emirlerinden ifadeye doğru değişecektir, Makineleri hedeflerimizi gerçekleştirmek için hizmetkar gibi kullanacağız. Bu tespit derin bir sonuca varıyor: AGI'nin sonu, insanları daha çok makine gibi değil, makinenin insan olmayan tüm basit işleri üstlenmesi ve insanların zamanını duygular ve sosyal ilişkilere geri vermesidir.

Bu konuşmadan hatırlayacağınız tek bir şey ne olmalı?

Makine her işi sizin yerinize yaptığında, rekabet gücünüz ve değeriniz artık yapabileceğiniz şey değil, asıl mesele yapmak istedikleriniz ve makinenin doğru veya yanlış yaptığını nasıl değerlendirebileceğinizdir.

Demis Hassabis: AGI'ye Doğru Yolculuğun Üçte İkisi (DeepMind CEO & 2024 Nobel Kimya Ödülü Sahibi)

Konuşmacı Demis Hassabis, Google DeepMind'in kurucu ortağı ve CEO'sudur, 2024 Nobel Kimya Ödülü sahibidir. Genç yaşta bir satranç ustasıydı, daha sonra oyun tasarımına ve bilişsel sinirbilime geçti. DeepMind’in ürünleri arasında AlphaGo (Go dünya şampiyonu Lee Sedol'ü yenen), AlphaFold (50 yıllık protein katlanma problemi çözen) ve Gemini büyük model serisi yer almaktadır, günümüzde büyük bir yapay zeka laboratuvarının liderliğini ve Nobel Ödülü'nü kazanan tek kişidir.

Kozmosun en temel yapı taşı "bilgi"dir, madde veya enerji değil. Konuşmacı, madde, enerji ve bilgi arasında eşdeğerliğin varlığını savunmakta ve bilgi işlemenin her şeyi anlamanın (özellikle entropi artışına karşı koymakta olan biyolojik varlıkların) en temel bakış açısı olduğunu iddia etmektedir. Bu tespitin önemi şudur: AI'ı basit bir bilgisayar teknolojisinden evrenin işleyiş mantığını yeniden anlama çabası olarak yükseltmektedir.

AGI, açık hedefli, adım adım ilerleyen bir "yirmi yıl bilimsel mühendislik" projesidir. DeepMind, 2010 yılında kurulduğunda "zeka sorununu çözmek için ilk adımı atmak, ardından zekayı her şeyi çözmek için kullanmak" vizyonunu belirlemiş ve mevcut gelişmeler o dönemki öngörüleri tam anlamıyla karşılamaktadır. Bu, "AI'nın patlamasının tesadüfi olduğu" yanılgısını yıkmakta ve AGI'nın gelişinin uzun vadeli bilimsel planlamanın kaçınılmaz bir sonucu olduğunu, Silikon Vadisi tarzı şans veya sermaye pazarlaması olmadığını savunmaktadır.

Derin Öğrenme ve Pekiştirmeli Öğrenme'nin (makinenin stratejiyi öğrenmesi için geri bildirim ödülü kullanma süreci) birleşimi, AGI'ye giden belirgin bir yoldur. Erken dönemde, akademik çevreler bu ikisini birbirinden ayırmış olsa da konuşmacı, bu birleşmenin AI'ın insan öncül bilgisine dayanmadan oyunlardan evrensel mantık öğrenmesini sağlayabileceğini savunmaktadır. Bu tespitin öne sürdüğü şey şudur: Farklı teknoloji alanlarının avantajlarını "sentezleyerek", AI'ın bulmaca oyunlarını çözmeden gerçek dünyanın sonsuz karmaşıklığıyla başa çıkmasına bir sıçrama yapabilir.

AI, biyoloji gibi karmaşık ortaya çıkan sistemlerin "temel tanım dilini" oluşturarak geleneksel matematiği yerine alacaktır. Matematik, fizik yasalarını mükemmel bir şekilde açıklayabilirken, biyoloji gibi zayıf sinyallerle dolu ve karmaşık verilerle uğraşan sistemler karşısında Yansıtıcı Güç (İfade Yeteneği) yetersiz kalmaktadır. Bu tespit, şaşırtıcı bir şekilde, yaşamı kısa ve öz denklemlerle açıklamak zorunda olmadığımızı, AI'ın karmaşık etkileşimleri simüle ederek insanın sezgi ile anlayamayacağı doğal yasaları doğrudan çıkarabileceğini işaret etmektedir.

AlphaFold'un başarısı, AI'ın biyoloji alanında "kapsayıcı paradigma değişimi" gerçekleştirdiğini göstermektedir. Bu araç, insanları 50 yıldır meşgul eden protein katlanma problemini çözmüş ve ilaç geliştirmeyi geleneksel Islak-lab (kimyasal reaktiflere ve fiziksel deneye dayanan laboratuvar) modelinden dijital simülasyona doğru dönüştürmüştür. Bu, gelecekte yeni ilaçların geliştirilmesinin artık 10 yıl değil, birkaç gün veya hatta saat sürebileceği anlamına gelmektedir, insanları yoğun ve verimli ancak etkisiz biyolojik deneme yanılma sürecinden tamamen kurtarmaktadır.

Yüksek hassasiyetli simülasyonlar sosyal bilimleri tekrarlanabilir "sıkı bilim" haline getirecektir. Dünya modelini öğrenerek simülasyon ortamı oluşturma yoluyla insanlar, ekonomi politikaları veya çevresel enerji konuları gibi konularda binlerce kez örnekleme yapabilirler, gerçek dünyayı etkilemeden. Bu, sezgiye aykırı bir geleceği savunmaktadır: Faiz oranı ayarlaması gibi önceden belirsizlik dolu kararlar, mühendislik deneyi gibi kesin sonuçlar öngörülebilir hale gelecek ve toplumsal yönetimin risk maliyetini büyük ölçüde azaltacaktır.

Makinenin bilinçli olup olmadığını tartışmadan önce, onu son derece hassas bir "süper araştırma aracı" olarak inşa etmek gereklidir. Konuşmacı, insan beyninin Bilinç ve Benlik kavramını tersine gözlemlemek ve tanımlamak için önce AGI gibi bir "zeka teleskobu" kullanmayı önermektedir. Bu tespitin önemi şudur: Bu, mantıklı bir araştırma önceliği belirler ve önce üretkenlik engelini çözer, daha sonra geliştirilmiş bilişsel yetileri kullanarak insan medeniyetinin en derin felsefi sorunlarını ele alır.

İnsanlık, AGI yolculuğunun son çeyreğinde bulunmaktadır ve 2030, medeniyetin evriminin bir kilometre taşı olacaktır. Erken dönemdeki satranç oyunlarından bugün protein yapı araştırmasında döngüsel geri besleme sağladığına kadar, YZ, son derece karmaşık ve belirsizlik içeren görevlerle başa çıkma yeteneği göstermiştir. Bu, acil bir kararı desteklemektedir: AGI'nin gelişi geri sayıma girmiştir, bizler 20 yıllık bir maratonun sprint aşamasında bulunmaktayız ve toplumun kapsamlı dönüşüme hazır olması için önümüzdeki beş yıl içinde hazır olması gerekmektedir.

Eğer bu konuşmadan hatırlayabileceğiniz tek bir şey varsa, o nedir?

İnsanlık, süper zekaya doğru olan son atak aşamasında bulunmaktadır, AI'ın nihai amacı artık insanları taklit etmek değil, insanlara birkaç gün içinde yeni ilaçlar bulmalarında veya evrenin sırlarını çözmelerinde yardımcı olan en güçlü bilimsel motor olmaktır.

Programlama ve Organizasyonel Dönüşüm

Anthropic'ten Boris Cherny: Programlama çözüldü, sıradaki aşama organizasyon

Konuşmacı Boris Cherny, Anthropic'in Claude Code'unun yaratıcısıdır. Claude Code, 2025 yılında piyasaya sürülen bir komut satırı programlama aracıdır ve geliştirici topluluğu tarafından şu anda mevcut en güçlü AI programlama yardımcılarından biri olarak kabul edilmekte ve "agentic engineering" kavramının ateşleyicisi olan temel bir üründür.

Şu anda yazılım geliştirmenin en büyük engeli olan şey, UI arayüzünün model yeteneklerine ayak uyduramamasıdır, yani "ürün üzerinde asılı durma (Product Overhang)". Geçmişteki kod yardımcıları sadece basit tek satır tamamlama yapabilirken, şimdi modeller tamamen projenin döngüsel geliştirme görevini devralmaya yetkindir. Bu, geliştiricilerin "eski arayüzleri onarmaktan" çıkıp agentic (modelin çevreyi algılayabilen ve otomatik olarak çok adımlı görevleri gerçekleştirebilen) yeni ürünler inşa etmeye dönmesi gerektiği anlamına gelir, aksi halde insanlar AI'ın gerçek üretkenlik potansiyelini serbest bırakamayacaktır.

Lider geliştiriciler için, el ile kod yazmanın "usta dönemi" sona ermiştir. Konuşmacı, Claude Code aracılığıyla %100 model tarafından oluşturulan kodu başarmış ve bireysel olarak günde 150 PR (Pull Requests - Kod İstekleri) tamamlama rekoru kırmıştır. Bu, AI'ın artık sizi destekleyen bir "şoför yardımcısı" olmaktan ziyade bağımsız olarak sonuç üretebilen ana güç haline geldiği, insanın mühendislikteki rolünün tamamen "duvarcı"dan "proje denetçisi"ne evrimleştiği ters-intuitif bir sonuca işaret etmektedir.

Yapay Zeka (AI) patlamasında, başarının sırrı mevcut duruma uymaktan ziyade "sonraki nesil model" için ürün geliştirmektir. Claude Code, ilk lansmanından sonraki altı ay boyunca Ürün Pazarı Uygunluğu'nu (PMF) elde etmedi, ancak daha güçlü Opus 4 modelinin piyasaya sürülmesiyle ürün deneyimi niteliksel bir dönüşüm yaşadı. Bu, girişimcilerin yapay zeka seviyesinin atlanmasını öngörmesi ve beklemesi gerektiğini gösterir, çünkü bu "model yeteneklerindeki ani değişim", ilk başta vasat olan bir aracın anında sektörü şekillendiren bir araça dönüşmesini sağlar.

Loop (Döngü, modelin zamanlanmış çalışmasını ve geri bildirimi otomatikleştirmeyi ifade eder) iletişim kutusunu yerini alarak insan-makine işbirliğinin nihai paradigması haline gelecektir. Artık modeller, cron'u (tekrarlanan görevlerin zamanlanmış yürütülmesini sağlayan sistem aracı) kullanarak, örneğin her 30 dakikada bir test hatalarını otomatik olarak düzeltmek, kodu yeniden yapılandırmak veya kullanıcı geribildirimini düzenlemek gibi tekrarlayan işleri kendiliğinden planlayabilir. Bu, gelecekteki iş akışının artık insanların ekrana bakıp talimat vermesine dayanmayacağı, bunun yerine sürekli çalışabilen, denetimsiz dijital bir uzman ekibin kurulacağı anlamına gelir.

Yapay Zeka, tek bir teknoloji yığınının engelini ortadan kaldırarak, disiplinler arası "süper genel amaçlı yetenek"lerin doğmasına neden oluyor. Anthropic ekibi içinde, finans müdürü, tasarımcı veya araştırmacı olun, herkes, profesyonel programlama geliştirmesi için ajanları kullanıyor. Bu, bir meslek paradigmasının değişimini işaret ediyor: Belirli bir programlama dilini öğrenmenin "teknik derinlik"i hızla değersizleşirken, ürün algısı, tasarım estetiği ve sektör içgörüsüne sahip olmanın "çapraz ilkeler genişliği"nin geleceğin en temel kıt kaynağı haline geleceği anlamına geliyor.

Geleneksel yazılım işletme savunma hendeği artık yapay zekanın sahip olduğu "kararlılık" karşısında tamamen çökme tehdidiyle karşı karşıya. Modeller artık güçlü bir "hill climb" (tepe tırmanışı, hedefe ulaşana kadar sürekli geri bildirim alarak ilerleme) yeteneğine sahipler ve herhangi bir karmaşık iş sürecini otomatik olarak çözebilirler. Bu, "SAS Uyanışı"nın gelmekte olduğuna işaret ediyor: Sadece süreç otomasyonuna dayalı olarak hayatta kalan yazılımların değerini yitireceği anlamına geliyor, çünkü AI, herkes için hedefine yönelik özel alternatifler üretebilir.

Programlama, şimdi "matbaa anı"na ulaşıyor ve elit bir beceri olmaktan çıkıp evrensel bir "okur-yazarlık" yeteneğine dönüşüyor. 15. yüzyılda matbaanın çıkışı okur-yazarlık oranını %10'dan %70'e çıkardığı gibi, yapay zeka programlamayı kısa mesaj göndermek gibi basit ve doğal hale getirecek. Bu derin bir görüşü savunuyor: Gelecekte finansal yazılım yazmak için en iyi seçenek artık programcılar değil, iş mantığını en iyi şekilde anlayan muhasebeciler olacak, bu "alan bilgisi"nin gücü iktidarı tamamen demokratikleştirmekte.

Gerçek uzun vadeli rekabet avantajı artık model sürümlerinden ziyade organizasyon yapısının "Yapay Zeka doğalılık" seviyesidir. Anthropic içinde, Agent'ler arasındaki iletişim ve otomatik işbirliği Slack üzerinden sağlanmış ve manuel kod yazımını tamamen terk ederek eski organizasyonel süreçleri ortadan kaldırmıştır. Bu acımasız bir gerçeği açığa vuruyor: Farkınızın, bir modeliniz olup olmamasından ziyade, Yapay Zeka'ya uyum sağlamak için şirketin işleyiş mantığını tamamen yeniden şekillendirmeye hazır olup olmadığınıza bağlı olduğu anlamına gelir.

Eğer bu konuşmadan sadece bir şey hatırlayabileceksen, o nedir?

Gelecekte, kod yazmak bir mesaj göndermek kadar kolay hale gelecek, herkes elinizden bir uygulama yapabilecek. O zaman en değerli olan artık kod yazıp yazamadığınız değil, o endüstriyi ne kadar iyi anladığınız olacak.

Fiziksel Dünya ve Arayüz

NVIDIA'dan Jim Fan: Robotbilim'in Son Hali

Konuşmacı Jim Fan, NVIDIA'da Kıdemli Araştırmacı, Robot AI Projesi Lideri (Proje GR00T). OpenAI'nin erken dönem üyesi, Stanford Li Fei-Fei Laboratuvarı doktorası, robot temel model alanında en çok ilgi gören araştırmacılardan biri. Twitter'da aktif, genellikle "Karpathy"nin robot versiyonu olarak görülüyor - hem araştırma yapıyor hem de sektörü tanıtıyor.

Robotbilimin, fiziksel dünyanın bir sonraki karesini tahmin etmeyi evrimin temel mantığı olarak benimsemesi gerekir. Dil modelinin bir sonraki belirteç (metin parçacığı) tahmin ederek insan düşüncesini çözdüğü gibi, robot da gerçek düzenin yasalarını öğrenmek için fiziksel dünya durumunu tahmin ederek ilerlemelidir. Bu değerlendirmenin savunması şudur: Artık robotlar için kurallar yazmamalıyız, onları üretken bir sorun olarak görmeli ve robotların zekâlarını doğal olarak geliştirmek için "fiziksel dünyanın evrimini simüle etmek" gerekmektedir.

Varolan "baş ağır" görsel dil modellerini (VLM) dünyevi eylem modelleri (WAM) ile değiştirmek gerekmektedir. Mevcut VLM'ler, isimleri ve bilgiyi anlama konusunda ustadır, ancak fizik yasalarını ve fiilleri (örneğin bir bardağı hareket ettirmek) anlama konusunda sezgisel bir yetenekten yoksundurlar. Bu değerlendirmenin önemi şudur: WAM, görme ve hareketi "birinci sınıf vatandaş" olarak kabul ederek, robotların "geleceği ön görebilme ve buna göre hareket etme" yeteneğine sahip olmalarını sağlayarak, eğitim sırasında hiç karşılaşılmamış karmaşık görevleri çözebilir hale getirir.

Büyük ölçekli video ön eğitimi aslında bir tür "fizik simülasyonu"nun ucuz bir alternatifidir. Model, milyonlarca video pikselini tahmin ederken, yerçekimi, kaldırma kuvveti, ışık yansıması gibi karmaşık fiziksel özellikleri kendiliğinden öğrenir, herhangi bir insan müdahalesine gerek kalmaz. Bu, çarpıcı bir sonuç olan şu tezi destekler: Kesin fiziksel denklemlere ihtiyacımız yoktur, sadece AI'ın yeterince "video çöplüğü" izlemesine izin verirsek, o da bilinçaltında gerçek dünya fiziksel sezgisini oluşturabilir.

Uzaktan kumanda (teleoperation - insanın bir cihaz takarak robotu manuel olarak kontrol etmesi), robotların ölçeklenebilir üretimini sınırlayan en büyük engel haline gelmektedir. Bu pahalı ve zahmetli veri toplama yöntemi, insan uzmanların fiziksel varlığından kısıtlı olduğundan, "her robotun her gün 24 saat"lik bir zorunlulukla karşı karşıyadır. Bu değerlendirmenin savunması şudur: Engelleri aşmak için Sensörlü insan verilerinden yararlanarak, robotların pahalı "birebir eğitim"e bağımlı olmadan doğrudan insanların günlük davranışlarından öğrenmelerine izin verilmelidir.

Robot Dexterity also follows the Scaling Law, where intelligence depends on the hours of pre-training. Research has found a clear logarithmic relationship between a robot's task success rate and the duration of first-person view video training input. The significance of this finding is that it proves that "robot intelligence" is no longer an unquantifiable black box but an expected function of compute power and data, achieving an exponential leap in capabilities through the input of tens of millions of hours of video data.

Future training environments will shift from classical physics engines to data-driven "neural simulators." Traditional simulators require manual modeling, while technologies like Dream Dojo can generate sensory states directly based on action signals, achieving "computation as environment." This means we no longer need to build a million entity laboratories but can instead significantly reduce development costs by letting AI perform tens of millions of parallel reinforcement learning iterations in its "dreamscape" through powerful inference compute.

Through the Physical API, robots will be controllable and configurable through code like software applications. Future factories will evolve into "Lights-out factories," where by inputting a Markdown file describing the product design, a robot cluster can autonomously coordinate and fabricate entity products at the atomic level. This assertion heralds a counterintuitive future where hardware manufacturing transitions from heavy asset-heavy industry to a flexibly schedulable standardized service akin to software.

By 2040, we will witness physical autonomous research, where robots will embark on the ultimate process of "self-iteration." When robots can autonomously design, improve, and manufacture the next generation of robots, humans will completely disappear as the bottleneck to technological evolution. The assertion here is that given the exponential nature of technological development, we are at the final stop of the robotics "civilization evolution tree," a leap that will be more rapid and intense than the evolution from cat/dog recognition to AGI.

If you could remember just one thing from this conversation, what would it be?

Whereas robots once needed to be hand-held by humans, in the future, they will only need to watch people work in videos for tens of millions of hours to learn all complex skills and start manufacturing themselves.

Waymo CEO Dmitri Dolgov: The 20 Million Rides to Autonomous Driving

Speaker Dmitri Dolgov is the Waymo Co-CEO, a tech-centric founder. Of Russian-American descent, he was a core member of the Stanford University team that participated in the DARPA Grand Challenge, joined Google's self-driving project in 2009, and served as the chief architect of Waymo's technology roadmap. Throughout the ebbs and flows of the two-decade autonomous driving industry, he is one of the few elders who has persisted from day one to the 20 million-ride scale.

Waymo, Alphabet'ın (Google'ın ana şirketi) bir yan kuruluşu olan bir otonom araç şirketidir. 2009 yılında Google'ın gizli bir projesi olarak başlatıldı ve 2016 yılında bağımsız hale geldi. Şu anda dünyada birden fazla şehirde güvenlik görevlisi olmadan Robotaksi hizmeti sunan tek şirkettir ve toplamda 20 milyondan fazla otonom sürüş deneyimi yaşanmıştır. Teknoloji rotası Tesla'dan farklıdır - LiDAR + yüksek çözünürlüklü harita + modüler mimariyi benimsemektedir.

Otonom sürüş endüstrisinde "kolay öğrenilebilir, zor mükemmel hale getirilebilir" yanılgısı vardır. Erken dönemdeki patlayıcı büyüme genellikle uzun kuyruktaki zorlukları gizler. Birçok ekip, ilk teknik başarıyı elde ettikten sonra iyimserliğe kapılır, ancak Dmitri'ye göre bu "önce tatlılık, sonra acılık" özelliği, teknolojiyi gerçekten güvenli, insan performansını aşan bir ürüne dönüştürmenin son derece zor olduğunu gösterir. Bu değerlendirmenin dayanağı şudur: Yapay Zeka'nın gerçek dünyaya yerleşmesinin asıl engeli, işlevlerin ilk %90'ında değil, kalan %10'luk karmaşık uzun kuyruk senaryolarında dayanıklılığını koruyabilme yeteneğinde yatar. Bu, çoğu rakibin ortadan kaybolduğu temel nedenidir.

Hayati öneme sahip bir alanda, "güvenlik" aşılamayacak bir temel inanç olmalıdır, tartışılabilir bir özellik seçeneği değil. Dünya çapında her 26 saniyede bir kişi trafik kazasında hayatını kaybetmektedir; bu durum, Waymo'nun güvenliği pazarlık konusu yapılmaz bir "Temel" olarak görmesini sağlamıştır ve bu anlayışı mimari tasarımın ilk gününden beri içselleştirmiştir. Bu, tersine bir sonuca varır: hız ve büyük atılımların hedeflendiği Silikon Vadisi kültüründe, yalnızca "sabrı olanların", son derece yüksek güvenlik eşiğini inşa eden işletmelerin, teknoloji hayal kırıklığı dönemini hayatta kalabilir ve nihayetinde halkın güvenini kazanabilir.

Saf uçtan uca öğrenme mimarisi, aşırı güvenlik gereksinimlerini desteklemek için yeterli değildir, "güçlendirme" için yapılandırılmış temsilleri içermelidir. Waymo da E2E (Uçtan Uca, sensör girdisinden doğru çıktıya doğrudan) kullanmasına rağmen, çalışma sırasında gerçek zamanlı doğrulama sağlamak için yapılandırılmış bir ara temsil katmanı eklemiştir. Bu değerlendirmenin önemi şudur: "Daha büyük model her zaman daha iyidir" körü körüne inancını yıkar ve AI kararlarının açıklanabilirliğini sağlamak için mimari disiplin aracılığıyla güvenliği garanti altına alarak insanüstü güvenliği gerçekleştirmeyi savunur.

Gerçek bir AI sürüş sistemi, sürüşü, simülasyonu ve değerlendirmeyi bir arada tutan bir kapalı döngü ekosistem olmalıdır. Waymo'nun Temel Modeli, sürücüleri, simülatörleri ve değerlendiricileri besleyen üç temel destek pili tarafından aynı anda sürdürülerek, sistem fiziksel dünyanın dinamik yasalarını anlayabilir hale getirilir. Bu, temel bir görüşü ortaya koymaktadır: AI'nın evriminin yalnızca harici yolda test etmeye dayanmaması gerekir, aksine içsel fiziksel simülasyon aracılığıyla "kendi kendini evrimleştirmeyi" amaçlamalıdır, sanal alanda insanların hiç karşılaşmadığı aşırı tehlikeleri keşfederek.

AI, insan algısının ötesindeki "önsezi" yeteneğini göstererek zayıf fiziksel sinyalleri yakalayarak sahip olduğu "gelecek görmesi" yeteneğini sergileyebilir. Waymo, daha önce fark edilmemiş bir bacağa kadar inen otobüs altından çok zayıf bir yansımayı LiDAR (Işın Radarı, nesnelerin mesafesini ölçmek için lazer darbelerini kullanan sensör) aracılığıyla tespit ederek, görüş alanı dışındaki bir yayayı önceden tahmin edip kaçınmıştır. Bu değerlendirme, AI'nın sadece insan sürücüsünün sezgisini taklit etmediğini, aksine insanın fiziksel sınırlarının ötesindeki algılama boyutunu kullanarak, güvenliği garanti altına almak için "perspektif" benzeri bir Tanrı bakış açısı inşa ettiğini zorunlu bir şekilde kanıtlar.

Otonom sürüş teknolojisi artık "Laboratuvardan Altyapıya" atlama yaparak işletme ölçeğinde genişlemeye girmiş durumda. Waymo 4 şehirde hizmet sunmak için 8 yıl harcadı, ancak son zamanlarda 1 gün içinde 4 yeni şehirde faaliyete geçebiliyor ve sipariş hacmi 7 ayda ikiye katlanarak 20 milyonu aşarak rekor kırdı. Bu, teknolojinin artık çok geniş bir kullanıma sahip olduğunu ve her yeni şehir için uzun süreli hata ayıklamaya gerek olmadığını, otonom sürüşün yazılım güncellemesi gibi hızlı bir şekilde farklı coğrafi bölgelere kopyalanabildiğini gösteriyor.

"Sürüş" görevi tamamen yapay zeka tarafından çözüldüğünde, araçların rekabetinin sonu yolcu deneyimi olacaktır. Waymo'nun 6. nesil donanımı tamamen yolcu deneyimi için tasarlanmış olup sürücü merkezli düzeni iptal edip otomatik sürgülü kapılı bir "hareketli oturma odası" yaratmıştır. Bu çıkarım, temel olarak mevcut ticari mantığı dönüştürmenin gerekliliğini savunur: Geleceğin araçları artık kontrol araçları olmayacak, bunun yerine hizmetin fiziksel kabı olacak ve temel değerleri "nasıl ulaşırım"dan "yolda geçirdiğim süre nasıl geçiririm"e dönüşecektir.

Yapay zekanın getirdiği toplumsal fayda, hayat kurtarmayı "sert bir ölçüt" olarak son değerlendirme ölçüsü olarak almalıdır. Verilere göre, Waymo'nun güvenliği insanlarınkinden 13 kat daha yüksektir, bu da ölçeklenebilir işletmenin her 8 günde ciddi bir kazada bir hayatı kurtarabileceği anlamına gelir. Bu noktadaki çarpıcı olan şey, genellikle yapay zekanın getirdiği kolaylıklara odaklanırız, ancak asıl değer kancının, insanların sürücü olarak sahip olduğu ölümcül zayıf noktaları doğrudan aşarak insan stabilitesinin ötesine geçerek elde edildiğinde olduğudur.

Bu konuşmadan bir şeyi hatırlamak zorundaysanız, nedir?

Otonom araçlar artık insanların sürüşünden 13 kat daha güvenli ve şimdi çok daha hızlı bir şekilde daha fazla şehre yayılıyorlar, gelecekte sürüş tamamen geçmişte kalacak.

ElevenLabs Kurucu: Ses, AI için Birincil Arabirim Haline Geliyor

ElevenLabs, Palantir'de Strateji (Mati Staniszewski) ve Google'da Makine Öğrenimi Mühendisi (Piotr Dabkowski) olan iki Polonyalı tarafından 2022 yılında kurulan, dünyanın en dikkat çeken AI ses sentezi şirketidir. Girişimcilik ilhamı, Polonyalıların "Tüm karakterlerin aynı erkek seslendiriciye sahip olduğu" dublaj geleneğinden gelmektedir. Ses klonlama ve duygusallaştırma ses sentezi teknolojisi şu anda sektör lideridir ve sesli kitaplar, podcast'ler, çoklu dil tercümeleri gibi alanlarda yaygın olarak kullanılmaktadır. En ünlü gösteri ise Arjantin Cumhurbaşkanı'nın aynı ses tonunu koruyarak farklı dillere tercüme edilmiş videosudur. 2026 yılı itibarıyla değerleme yaklaşık 3.3 milyar ABD Dolarıdır.

Ses uzun süre AI'nın göz ardı edilen bir niş sahası olmuştur, ancak az bilinir bir alanda kapsamlı bir şekilde çalışarak düşük hesaplama maliyetiyle hızlı bir şekilde ilerleme kaydedebilecek bir alandır. 2022 yılındaki büyük model yarışında çoğu insan metin veya görüntüye odaklanırken, ses compute'a olan ihtiyacı göreceli olarak düşüktür, bu da başlangıç ​​şirketlerinin bağımsız olarak büyümesine izin verir. Bu çıkarımın temelini oluşturan şey şudur: Girişimciler, milyarlarca dolarlık compute yarışına dahil olmak zorunda değillerdir, sadece büyük şirketlerin henüz dümdüz etmediği dikey bir alandaki teknik zorlukları bulup, yüksek AR-GE verimliliğiyle öncü bir avantaj sağlayabilirler.

Duygu ve Sözsüz Ayrıntılar (gülme, duraklama gibi) "Korku Vadisi Etkisi" ni aşmanın anahtarıdır, sadece metin tercümesi değil. ElevenLabs, nefes alma hızını ve doğal gülüşü taklit ederek, modeli mekanik bir sunumdan insanî bir ifadeye dönüştürür. Bu değerlendirmenin önemi şudur: Sesin özü duyguların taşıyıcısıdır, sadece bir ses rengini kopyalamak sadece "benzerlik" sorununu çözebilir, ancak insanların sezgisel olarak tanımlayamadığı etkileşim mantığını taklit etmek, makine ile insan arasında gerçek bir güven oluşturabilir.

Ajan'ın (Akıllı Varlık) evrimin son noktası "duygu anlayışına" sahip olmaktır, karşı tarafın durumuna göre iletişim stratejisini anında ayarlayabilme yeteneğine sahip olmaktır. Konuşmacılar, kullanıcının stresini tanıyabilen ve sakinleştirici bir tonla etkileşim modeli sunabilen bir geliştirmektedir, bu da makinenin karşı tarafın konuşma hızı ve duygusuna uyum sağlama yeteneğini öğrenmesini sağlar. Bu, bir paradoksal dönüşümü savunur: Sesli etkileşim artık duygusuz bir emir yerine bir tür psikolojik kesişimdir; bu da gelecekteki sesli AI'ın aşırı derecede çatışmaları ele almak için insanlardan daha istikrarlı bir empatiye sahip olacağı anlamına gelir.

Ses Genel Zeka (Audio General Intelligence), ses ve müzik arasındaki uçurumu ortadan kaldıracak, tam modlu ses akışında sorunsuz geçişleri mümkün kılacaktır. İdeal model, bir okuma akışından doğal bir şekilde şarkı söylemeye geçebilmeli ve ses rengi ile kişilik tutarlılığını koruyabilmelidir. Bu, bir teknoloji atılımını savunur: Ses artık parçalı bir araç seti değil, tutarlı bir yaratım motorudur; bu süreklilik, podcast'leri, film ve TV post prodüksiyonunu ve etkileşimli eğlenceyi üretme paradigmasını kökünden değiştirecektir.

Ses, işletmelerin gelir büyüme eğrisini yeniden şekillendiren doğrudan bir "para kazanma aracı" haline gelmektedir. Deliveroo gibi şirketler, sesli ajanları kullanarak restoranlarla otomatik iletişim kurmakta ve gelen satış telefonlarında potansiyel ticari fırsatları keşfetmektedir. Bu, ses AI'ın iş değerinin artık maliyetleri azaltmak için müşteri hizmetlerini değiştirmek olmadığını, aksine 7/24 kesintisiz proaktif iletişim ve veri analizi yoluyla iş büyümesini yönlendiren bir satış öncüsü haline geldiğini iddia eder.

Ses, özellikle insan biçimindeki robotların yaygınlaştığı gelecekte, insanların her şeyin zeka bağlantısının "ana giriş" noktası olacaktır. Robotlar ve çeşitli akıllı cihazlar insanları çevrelediğinde, ses en doğal yönlendirme ve etkileşim biçimidir. Bu değerlendirmenin önemi şudur: Ses, bir ekran etkileşiminin tamamlayıcısı değil, karmaşık zekânın gerçek düğüm noktasıdır; ses arayüzünü ele geçirmek, fiziksel dünyayı kontrol etmenin nihai uzaktan kumandasına sahip olmakla eşdeğerdir.

Gelecekteki işletmelerin temel etkinliği, hukuk, finans gibi teknik olmayan ekiplerde mühendis kaynağını zorunlu hale getirip getiremeyeceğine bağlıdır. ElevenLabs, sadece 400 kişi olsa da, hukuk ve işletme ekibinde tam zamanlı mühendisleri otomasyon sistemleri geliştirmek için görevlendirme konusunda diretmiştir. Bu, bir organizasyonel dönüşümü savunur: AI çağında, teknik olmayan personelin de basit işleri çözmek için kod yazmayı (yani AI araçlarından hızlıca kod yazmayı) öğrenmesi gereklidir, bu da mühendislerin bu parçalı otomasyonu sağlam iş sistemlerine dönüştürmelerinden sorumlu olduğu anlamına gelir.

Gelecekte yapay zekanın yaygınlaşmasıyla, kimlik doğrulama içerik üretiminden daha az bulunabilir hale gelecek, güven sesin kendisinden güvenlik sertifikalarına kayacaktır. Herkesin ses tonunu mükemmel bir şekilde kopyalayabileceği bir zamanda, gerçekten sizin olduğunuzu kanıtlamak için bir su işareti mekanizması aracılığıyla kimliğinizi doğrulamamız gerekecek. Bu durum, karşıt bir sonuca yol açar: Artık yapay zekayı ayırt etmeye çalışmak yerine, "güvenilir yapay zeka" için bir dizi kimlik doğrulama standardına ihtiyacımız var. Gelecekte en değerli olan artık sesiniz değil, sesinize yetki veren belgedir.

Bu konuşmanın yalnızca bir şeyini hatırlayabilecek olsaydınız, bu ne olurdu?

Gelecekte konuşanın sesinin gerçek veya sahte olması artık önemli değil, önemli olan, restoranda rezervasyon yapan veya toplantı düzenleyen o yapay zekanın gerçekten sizi temsil edip etmediğini kanıtlayabilmenizdir.

Güvenlik Trendleri

XBOW: Özerk Yapay Zeka Hacker'ların Yükselişi

XBOW, otonom olarak açık uçluğu keşfeden ve kullanan yapay zeka ajanı geliştiren bir yapay zeka ağ güvenliği başlangıç şirketidir. 2024 yılı Ağustos'unda, XBOW'un ajanı, dünyanın en büyük beyaz şapkalı hacker platformu HackerOne'da zirveye yerleşti ve yapay zekanın, en iyi insan hackerları geride bıraktığı tarihi bir olayı temsil etti. Saldırının her adımında Claude, Gemini gibi farklı modelleri sırayla çağıran "Alaşım" stratejisi, bu alandaki sembolik bir mühendislik uygulamasıdır.

Ağ güvenliği artık "insan becerilerinin mücadelesi"nden "sistemlerin optimize edilmesi yarışı"na evrimleşti ve geleneksel savunma modelleri yıkıcı bir saldırıyla karşı karşıya. 1575'te Japonya'da Oda Nobunaga, demir atlı samurayları yenilmez gibi gözüken bir biçimde sistematik olarak yendiği gibi, günümüzde yapay zeka sistemleri insan deneyimine dayanan eski savunma hatlarına karşı azaltma saldırısı düzenlemektedir. Bu değerlendirmenin iddiası, güvenlik rekabetinin doğasının değiştiği yönündedir; artık daha dahiyane bir hacker'a sahip olan değil, savunma sistemini tamamen otonomize edenin kazandığına bakılıyor.

En sıkı savunmaya sahip başlık sistemlerinde bile, ucuz ve etkili otonom yapay zekanın karşısında boşa çıktılar. XBOW'un zekası, yalnızca bir URL ile ve 3000 dolar maliyetle, Microsoft Bing'in RCE'sini (Uzak Kod Yürütme, hedef sistemde herhangi bir kodu çalıştırmaya olanak tanıyan en ciddi açık) kırdı. Bu, küresel hackerler tarafından şekillendirilmiş "kale"nin, yorulmadan, keşif yapabilen ve öncelik sırası belirleyebilen otonom yapay zeka karşısında güvenlik maliyetinin sıfır noktasına indiğini gösteriyor.

Yapay zeka artık küresel en iyi insan hackerlarından daha üstün savaş yeteneğine sahip, sadece bir yardımcı araç değil. HackerOne'da (kuruluşları ve güvenlik araştırmacılarını birleştiren bir kalabalık test platformu) XBOW'un robotu, siyah kutu testlerle (içerideki kodu anlamadan saldırı yapma) küresel birinci sıraya yükseldi. Bu, "makinenin karmaşık ve yaratıcı saldırıları işleyemeyeceği" yanılgısını yıkmakta ve yapay zekanın artık "öneri sunan yardımcı"dan, saldırı sonuçlarını bağımsız olarak teslim edebilen "özerk savaşçı"ya dönüştüğünü kanıtlamaktadır.

「合金模elliği」 stratejisi aracılığıyla AI, kendini düzelterek 1+1>2 evrimini gerçekleştirebilir. XBOW, her saldırı eyleminde Gemini ve Sonnet gibi farklı modelleri (Alaşım modu) sırayla çağırarak, modeler arasındaki farklılıkları kullanarak birbirlerinin mantıksal hatalarını telafi etmektedir. Bu değerlendirmenin önemi şudur: En güçlü hacker AI'ya giden yol, tek başına mükemmel bir modelin ortaya çıkmasını beklemek zorunda değildir, mevcut modellerin uyum içinde çalışmasını sağlayarak, tek bir modele göre çok daha fazla yıkıcı potansiyele sahip olabilir.

Gerçek güvenlik tehdidi, "sömürülebilir gerçek saldırı"dan kaynaklanır, kod denetimi ile keşfedilen teorik açıklamalardan değil. Geleneksel beyaz kutu testi (kod üzerinde yetkiye sahip olunan analiz) genellikle yalnızca birçok açığı listeler, ancak bu açıkların yasadışı girişimler tarafından gerçekten istismar edilip edilemeyeceğini belirleyemez, ancak öz-yönlü AI, saha simülasyonu yoluyla net bir yanıt verebilir. Bu, savunanların, sayısız "sahte açık raporu" ile boğuşmayı bırakarak, sunucunun ele geçirilmesine neden olabilecek gerçekten kritik noktalara odaklanmaları gerektiğini savunur.

Açık yama penceresi tamamen kapanmış durumda, saldırılar açık halka açıklanmadan gerçekleşiyor. Daha önce bir CVE (Ortak Güvenlik Açıkları ve Tehditleri listesi) duyurulmasından istismar edilmesine kadar iki yıl gecikme olurken, bu süre bugün "negatif" hale geldi, yani açıklar resmi olarak doğrulanmadan önce AI tarafından kitlesel olarak istismar ediliyor. Bu, acil bir sonuca yol açar: "Yama beklemeye" dayalı savunma stratejisinin iflas ettiği ve proaktif otomasyon tabanlı savunmanın tek çıkış yolu haline geldiği.

AI'ın yükselişi, siber güvenlik endüstrisinin sonu değil, savunma kıymetinin sınırlarını yeniden şekillendiriyor. AI destekli otomatik saldırılara karşı, geleneksel ağ güvenliği hisselerinin düşüşü mantıksızdır, çünkü toplum şu anda AI saldırılarına karşı koyacak AI destekli savunma mekanizmalarına daha fazla ihtiyaç duymaktadır. Bu değerlendirme, şunu savunur: Şu anda bir hayatta kalma silahlanma yarışındayız, tek çarenin daha güçlü AI ile insan araştırmacıların yeteneklendirilmesi olduğunu, kötü niyetli herhangi bir eylem öncesinde tüm zayıf noktaların tespit edilmesi gerektiğini göstermektedir.

Küresel dijital altyapının onarılması için topluma az bir zaman kaldı, aksi takdirde felaketle yüzleşilecektir. Open-weight modellerin gelişmesiyle (ağırlıklar açık, yerel olarak çalıştırılabilen AI modelleri), en güçlü özerk hacker yetenekleri, küresel olarak yayılacaktır 6 ila 9 ay içinde. Bu içgüdüsel olmayan değerlendirme, son bir ultimatomun verilmesinin nedeni budur: Bu son derece kısa pencere içinde savunma otomasyonunu tamamlayamazsak, küresel internet sistemleri yakında eşi benzeri görülmemiş bir siber güvenlik kışıyla yüzleşecektir.

Bu konuşmanın hatırlanabilecek tek şeyi ne olmalıdır?

Şu anda AI, dünyanın en iyi sıralamalı hacker'ı gibi otomatik olarak en üst düzey web sitelerini hack'leme yeteneğine sahip ve bu yetenek bir yıl içinde her yerde görünür hale gelecek, eğer derhal AI'ı kullanarak açıkları otomatik olarak kapatmazsanız, sistemiz çok hızlı bir şekilde tamamen oyulacaktır.

Hesaplama Gücü ve Donanımın Kenar Bahsi

Recursive Intelligence: AI Tarafından Tasarlanan Yarıiletken Dönüşümü

Recursive Intelligence, Anna Goldie ve Azalia Mirhoseini tarafından kurulan bir AI yonga tasarım şirketidir. İkisi daha önce Google Brain'de birlikte çalışarak, takviyeli öğrenmeyle yonga düzenini otomatik olarak tasarlayan AlphaChip'i icat ettiler ve bu sistem, Google'ın dört nesil TPU'sunda ve Pixel telefon yongalarında kullanıldı. Onlar, "AI yonga tasarımı"nı, TSMC'nin fabless çağını başlattığı gibi bir endüstri çapında dönüşüm haline getirmeyi amaçlıyorlar - "Designless" kavramını ortaya atarak, müşterilerin sadece iş yükü gereksinimlerini sunmalarını ve platformun üretilebilir yonga tasarımını otomatik olarak oluşturmasını sağlıyorlar.

İnsan uzmanlar, yonga iterasyonunun bir engeli haline geldi. Mevcut fiziksel tasarım ve mantıksal doğrulama işlemleri her biri bir yıl sürebilmekte ve binlerce uzmanı içerebilmektedir, bu tür verimliliğin düşük olması doğrudan büyük ticari kayıplara yol açmaktadır. NVIDIA Blackwell yongası için bir gün gecikme, şu anda 225 milyon dolarlık fırsat maliyeti kaybına işaret etmektedir, insan deneyimine dayalı geleneksel tasarım modellerine dayanan bu düşük verimlilik, AI ilerlemesinin en büyük engeli haline gelmektedir.

AI'nın, fiziksel alt yapıyla tekrarlamalı evrimsel bir döngü başlatması gerekmektedir. AI'nın yonga tasarımını optimize etmesi, daha güçlü yongalarla daha güçlü modelleri eğitmesi üzerinden, yazılım geri beslemelerine göre otomatik olarak ayarlanabilen canlı bir uç nokta haline gelmesi gerekmektedir. Bu "recursive self-improvement" tezi, yongaların yalnızca statik yakıt olmaması gerektiğini, aynı zamanda yazılıma göre otomatik olarak ayarlanabilen dinamik bir yürütme noktası olması gerektiğini savunmaktadır.

AI, karmaşık düzenleme görevlerinde "insanüstü" yetenek sergilemektedir. Alpha Chip agent'ın ürettiği yonga düzenleri, birçok TPU jenerasyonu ve Pixel telefon yongası üzerinde Tape-out geçişini başardı (ürünün üretim için fabrikaya gönderilmesini temsil eder). Bu tespit, "donanım tasarımının insan içgüdüsü gerektirdiği" mitini çürüttü ve takviyeli öğrenmenin milyarlarca bileşenin yığılma sorununu en yetenekli mühendisten daha mükemmel bir şekilde çözebileceğini kanıtladı.

Yonga tasarım araçları, AI'yı beslemek için 100,000 kat daha hızlı olmalıdır. Geleneksel ticari araçlar bir optimizasyon çalışmasının birkaç gün sürebilir zaman alması, milyonlarca deneme yapabilen AI'ın evrim geçirmesinin önünde bir engel oluşturmaktadır. Bu hız artışının anlamı, yalnızca "daha hızlı hale gelmek" değil, aynı zamanda AI'ın çok büyük tasarım alanında hızlı iterasyon ve üstel öğrenme gerçekleştirebilmesi için bugüne kadar var olmayan bir hızla hareket etmesine imkan tanımasıdır.

Yüksek sadakatli gerçek zamanlı geri bildirim, otomasyon tasarımının motorudur. Recursive tarafından geliştirilen SPA (Statik Zaman Analizi, sinyallerin zamanında ulaşıp ulaşmadığını doğrulamak için kullanılan statik zamanlama analizi motoru), mevcut araçlardan 1,000 kat daha hızlıdır. Bu gerçek zamanlı geri bildirim sinyali, Güçlendirme Öğrenimi (RL) için çok önemlidir, çünkü bu, yapay zekanın her adımdaki değişikliğin performansa olan etkisini hemen anlamasını sağlar ve böylece daha hassas kararlar almasını sağlar.

Çip endüstrisi, "Tasarımsız (Designless)" bir çağın kapılarını aralayacak. Tıpkı TSMC'nin "Yongasız (Fabless)" çağını başlatması gibi, geleceğin platformları, kullanıcıların sadece iş yükünü (yapay modelin belirli bir görev ihtiyacı olan çalışması) girmesiyle üretim için tasarım oluşturulabilmesine izin verecektir. Bu, özel çiplerin artık büyük şirketlerin tekelinde olmayacağı anlamına gelir, herhangi bir ölçeklenebilir görevi olan şirketin bin kişilik uzman ekibi kurma aşamasını atlayabileceği anlamına gelir.

AGI ölçeğinde, %1'lik küçük bir iyileştirmenin büyük bir iş kaldıraç etkisi vardır. Frontier modelin işlem gücü tüketimi hızla artarken, hatta çok küçük donanım performans artışı bile astronomik maliyet azalmaya dönüşecektir. Bu bakış açısının doğaya aykırı olduğu nokta, aşırı özelleştirme arayışının getirdiği marjinal faydaların, AI çağında şirketlerin rekabet gücünü yeniden şekillendirecek kadar büyütülmesidir.

En verimli fiziksel tasarım, insanlar için genellikle "garip" görünmektedir. AI tarafından üretilen çip düzeni, eğri ve organik bir şekle sahiptir, bu da düzenli ve düzgün tasarımlara alışmış geleneksel mühendisleri şaşırtmaktadır. Bu, alışılmadık bir sonuca yol açar: İnsanların kurala ve simetriye dayalı güzellik anlayışı, aslında çip performansını sınırlamaktadır ve gerçek fiziksel en iyi çözümün genellikle insan estetiğinin ötesindeki "karşıt şekil alanı"nda bulunduğunu göstermektedir.

Eğer bu konuşmanın sadece bir şeyini hatırlayabilecek olsaydınız, bu ne olurdu?

Gelecekte çip tasarlamak, binlerce uzmanın gece boyunca çizim yapmasına gerek kalmayacak, sadece ihtiyaçlarınızı AI'a anlatmanız yeterli olacak, böylece insan elinden daha verimli ve daha az enerji tüketen "garip" devreler tasarlayabilecek.

Starcloud: Uzaydaki En Ucuz Hesaplama Gücü

Starcloud, uzay veri merkezi bir girişim şirketidir ve AI eğitimi ve çıkarımı için hesaplama gücünü doğrudan yörüngeye göndermeyi savunmaktadır - sıfır arazi maliyeti, 24/7 gün ışığı, enerji yoğunluğu yer yüzündekinin 8 katı. NVIDIA ile işbirliği yaparak uzayda çalışabilen H100 çipi için AR-GE çalışmaları yapmıştır.

Yer yüzü veri merkezleri, arazi erişimi ve enerji depolama maliyetinden kaynaklanan ekonomik darboğazlarla karşı karşıyadır. Kuzey Amerika'da, yer altına güneş enerjisi projeleri inşa etmenin en büyük maliyeti arazi izin ücretleridir, gece kesintileriyle başa çıkmak için hazırlanan büyük pil paketleri ikinci sıradadır. Bu değerlendirme, AI hesaplama gücünün gerçek darboğazının çipin kendisi değil, yer yüzündeki pahalı "fiziksel alan vergisi" ve aralıklı enerji tedariki nedeniyle enerji maliyetlerinin yer yüzünde tamamen düşürülememesinden kaynaklandığını ortaya koymaktadır.

Uzay, sıfır arazi maliyeti sağlayabilen ve 7/24 kesintisiz enerji sunabilen son derece hesaplama ortamıdır. Uzayda, veri merkezleri arazi kirası ödemez ve pahalı batarya depolamaya ihtiyaç duymaz çünkü "sürekli gündüz" yörüngesindeki uydular güneş ışığını sürekli olarak yakalayabilir. Konuşmacı, uzayın bir bilim kurgu lüksü olmadığını, aksine AI'nın büyük iştahını gidermenin maliyetini düşüren bir çözüm olduğunu savunmaktadır çünkü uzay güneş panellerinin verimliliği yer seviyesinin 8 katıdır.

En ileri konumdaki sivil GPU'lar, aşırı radyasyon ve vakum soğutma ortamında istikrarlı bir şekilde çalışabileceğini kanıtlamıştır. Starcloud 1, NVIDIA H100 yongasını yörüngede başarıyla çalıştırmış ve nanoGPT (küçük ölçekli bir üretken öncesi eğitim modeli) eğitmiş ve "uzay elektronik cihazlarının eski radyasyona dayanıklı yongaları kullanması gerektiği" mitini yıkmıştır. Bu, insanlığın ilk kez en üst düzeydeki karasal hesaplama gücünü doğrudan yer yakını yörüngesine dağıtabildiği anlamına gelir ve uzay hesaplamanın teknik izolasyonunu tamamen ortadan kaldırır.

Roket fırlatma maliyetlerindeki katlayıcı düşüş, "uzay hesaplama"yı bilim kurgudan en ekonomik gerçeğe hızla dönüştürmektedir. Fırlatma maliyeti kilogram başına 500 dolardan aşağı indiğinde, uzay hesaplamanın toplam maliyeti yer seviyesinden daha düşük olacaktır; ve Starship'in (SpaceX'in ağır yük taşıma roketi) tasarım hedefi kilogram başına 10 ila 20 dolar arasındadır. Bu değerlendirmenin önemi, uzaya gitmenin "bileti"nin artık pahalı olmamasıdır, bu da uzay hesaplamanın artık sadece uydu özelinde değil, küresel ölçekte büyük hesaplama işlerini destekleyebilen bir yapıya sahip olduğu anlamına gelir.

Isı dağılımı, uzaydaki veri merkezi boyutunu belirleyen nihai fiziksel kısıtlama olacaktır. Uzayın vakum ortamında olduğu için, ısı yalnızca kızılötesi ışıma yoluyla yayılabilir, bu da Stefan-Boltzmann denklemi yoluyla (ısı yayılım gücünün sıcaklığın dörtte biri kuvvetiyle doğru orantılı olduğunu açıklayan bir fizik kuralı) büyük bir ısı dağılım alanının hesaplanmasını gerektirir. Bu, gelecekteki uzay hesaplama mimarisini, sadece enerji girişi değil, ısı dağılım verimliliğinin sistemin ne kadar sıkışık olacağına karar verdiği şekilde tanımlayacaktır.

Gelecekteki yüksek kaliteli AI yongaları, düşük sıcaklık stabilitesinden ödün vermek yerine "yüksek sıcaklığa dayanıklı" performansı hedefleyecektir. NVIDIA, arıza oranlarını arttırmadan çalışma sıcaklığını artırmayı amaçlayan Space Reuben 1 yongasını geliştiriyor ve bu da ısı dağılım cihazının ağırlığını büyük ölçüde azaltarak, roket yükünü hafifletmeyi amaçlayan, cips tasarımcılarının dörtte bir kuvvet etkisinden yararlanmaya başladığı, mantıksal düzeneği daha hafif ve verimli hale getirmek amacı taşıyan sezgisel olmayan bir trendi destekler.

Uzay yıldız kümesi, küresel çapta çıkarım görevlerinin en verimli motoru haline gelecek ve yalnızca veri aktarım istasyonu olarak değil. Starcloud, optik bağlantıları kullanarak küresel olarak 50 milisaniyenin altında bir gecikme ile acenta (ajans) görevleri gibi kod oluşturma görevlerini desteklemek için 20 GW'lık bir hesaplama kümesi oluşturmak için 88.000 uydu gönderecek. Bu, uzayın "bilginin taşıyıcısı"ndan "cevabın üreticisi"ne evrimleşeceğini, en yakın yörünge noktasında doğrudan kullanıcıya en yakın noktada zekice kararların hesaplanacağını işaret etmektedir.

Uzayda büyük ölçekli hesaplama gücünün taşınması, insanlığın "Dyson küresi" aşamasına doğru attığı adımı temsil eder. 20 GW'lık uzay altyapısının inşası yalnızca ticari bir strateji değil, aynı zamanda insanlığın Type 2 (yıldızın tüm enerjisini kullanabilen medeniyet seviyesi) medeniyet inşasının başlangıcıdır. Bu değerlendirme son derece büyük ölçekli ve doğaya aykırıdır: Şu anda insanlık tarihinde en büyük altyapı inşasının yaşandığı bir yılda yaşıyoruz, bu da insanlığın artık dünya kaynaklarıyla sınırlı olmadığını, doğrudan güneş enerjisi hasat etmeye başladığını göstermektedir.

Bu konuşmada sadece bir şeyi hatırlayabilseydik, bu ne olurdu?

Veri merkezlerinin dünya üzerinde kurulması hem maliyetli hem de enerji açısından pahalı olduğundan, ileride tüm yapay zeka yongalarını uzaya göndermek ve uzaydaki 24 saat kesintisiz güneş ışığından yararlanarak dünyanın en ucuz akıllı sistemlerini oluşturmak zorunda kalacağız.

Titreyen Uçaklar: Veri, AI'ın Gerçek Engeli

Titreyen Uçaklar, "veri verimliliği" ve "algoritma-hardware işbirlikli optimize" konularına odaklanan bir AI temel araştırma şirketidir. Temel iddiaları şudur: Mevcut AI modelleri yapı olarak son derece israflıdır—insanlar, mevcut önde gelen modellerin sadece 10.000-100.000 katı daha az veriyle programlama öğrendiler. Onlar, PyTorch gibi yaygın çerçevelerin kısıtlamalarını aşmaya çalışırlar, GPU'nun altındaki mantığı doğrudan ele alarak, "düşük veri" koşullarında büyük modellere yaklaşabilen yeni bir paradigm geliştirmeye çalışırlar. Şirketin adı olan "Titreyen Uçaklar," şu metaforu ima eder: İnsanlar, kuşların kanat çırparak uçmasını taklit etmeyi başaramadı, asıl uçan sabit kanatlı uçaklardır—AI, büyük modellerin zorlayıcı yolunu taklit etmek zorunda değildir.

Mevcut AI'nın ilerlemesi aslında "veri madenciliği etkisi"dir, modeller yeteneklerini verinin son derece bol olduğu dar alanlarda sergiler. Arama ve programlama güçlüdür, çünkü neredeyse tüm interneti ve büyük miktarlarda sentetik veriyi tüketirler. Bu değerlendirmenin ana fikri şudur: Bu "veri açgözlülüğü" modeli, daha geniş bir fiziksel ekonomiye uygulanamaz, çünkü robotlar veya tedarik zinciri gibi alanlardaki mevcut veri miktarı son derece kısıtlıdır, AI'ın "verimsiz madencilikte" hayatta kalmayı öğrenmesi gerekmektedir.

İnsanların öğrenme verimliliği, mevcut AI modellerinin yapısal olarak büyük ölçekli kaynak israfına sahip olduğunu kanıtlamıştır. İnsanlar, mevcut önde gelen modellere kıyasla sadece 10.000 ila 100.000 kat daha az veriyle aynı derecede yüksek düzeyde programlama becerilerine sahip olabilirler. Bu, veri verimliliğinin (aynı seviyede zeka düzeyine daha az veri ile ulaşma yeteneği) tamamen uygulanabilir olduğunu gösterir, mevcut ölçekleme yasası sadece yüksek miktarda hesaplama gücü ile algoritmayı kapatmaktadır.

Hesaplama gücü (compute), genişletilmesi kolay bir standart mal iken, yüksek kaliteli veri sürtünmeyle dolu standart olmayan bir varlıktır. Hesaplama gücü satın almak sadece fon ödemeyi gerektirir, ancak uzun kuyruklu görevlerin yüksek kaliteli verilerini elde etmek karmaşık yasal müzakereleri, işletme şartlarını sınırlamalarını ve hatta iflas etmiş fiziksel kitapçıları aramayı içerir. Bu nedenle, veri verimliliğini 1000 kat artırmak, hesaplama gücünü 1000 kat ucuzlatmaktan çok daha büyük bir iş değerine sahiptir, çünkü bu, gerçek dünyadaki her sektöre girişin "yönetim engellerini" doğrudan ortadan kaldırır.

Veri verimliliği, gelecekteki yapay zeka dünyasının güç yapısını belirleyecek ve teknoloji tekeline son verecek tek silahtır. Veri miktarı hala rekabetin kalesidirse, yapay zeka devrimi yalnızca devasa miktarda bilgiyi tekeline alabilen birkaç devin oyuncağı haline gelecektir. Konuşmacı, verimliliği artırarak sıradan şirketlerin de rekabete katılabilmesini savunuyor; bu da veri verimliliğinin yalnızca bir teknik gösterge olmadığını, aynı zamanda yapay zekanın "merkeziyetçi merkeziyetçi" mi yoksa "dağıtılmış kapsayıcı" mı bir felsefe anahtarı haline geleceğini gösteriyor.

Ana akım yazılım çerçeveleri like PyTorch, "kelepçeli olarak dans ediyor" ve donanımın performansını ciddi şekilde kısıtlıyor. PyTorch (popüler bir açık kaynaklı makine öğrenimi çerçevesi), kullanım kolaylığı için son derece paralel GPU'ları tek iş parçacığı modeli olarak çalıştırarak, birçok verimli algoritmanın ifade edilmesini engelledi. Bu tespitin önemi şudur: Karşılaştığımız engel genellikle yonga yeterince hızlı değil, fakat donanımla etkileşim şeklimizin en akıllı ve verimli veri yollarını süzerek filtrelediğidir.

Yapay zeka yeteneklerinin yeni sınırlarını keşfetmek için, doğrudan "donanım özlemleri" seviyesinden boyutsal bir darbe indirilmesi gerekir. Donanım etkileşimini yeniden tanımlayan temel yapı taşlarıyla (primitives) kompleks algoritmaların standart çerçevelerde son derece verimsiz çalışanları açığa çıkarabilir. Bu, intuitif olmayan bir yol çiziyor: Yapay zekayı daha akıllı hale getirmek istiyorsanız, donanımı "efsane yapmalısınız", ana akım sistemlerin terk ettiği verimli potansiyeli temelde açığa çıkarmalısınız.

Gerçek veri verimliliği sıçraması yalnızca sistemle algoritmanın "iş birliği içinde optimize edilmesi" ile gerçekleşebilir. Konuşmacı, GPU'nun tamamını ele geçiren bir sanal mimari geliştirdi ve geleneksel mantıkta "zaman uyumsuz ve verimsiz" olan ince taneli eğitim döngülerini çalıştırmak için kullanıyor. Bu derinlemesine özelleştirmenin anlamı, yazılım ve donanım arasındaki kopukluğu kırmasıdır; yalnızca algoritmanın doğrudan donanıma en uygun çözümle büyüyebileceğini ve sonuç olarak çok az veri ile akıllı mutasyonu gerçekleştirebileceğini kanıtlar.

Yapay zekanın evriminin son aşaması, "büyük veri" itişinden "incelikleştirmeye" doğru bir değişim olacak, ekonomiyi uzun kuyruk kısmını yeniden şekillendirecektir. Yapay zeka, internet ölçeğindeki verilere artık bel bağlamadığında, şu anda dijital kaynaklardan yoksun olan binlerce geleneksel endüstriyel senaryoya tam anlamıyla nüfuz edebilecektir. Bu tespitin yüksek sesle ifade ettiği şey, "ölçek" yerine "verimlilik" arayışına yönelmemiz gerektiğidir; çünkü "küçük veri" sorununu çözebilen yapay zeka ancak fiziksel dünyayı gerçekten değiştirebilen gerçek AGI'dır.

Eğer bu konuşmadan akılda kalacak bir şey varsa, o nedir?

Şimdiki yapay zeka öğrenme verimliliği çok düşük, yapay zekanın fabrikalara, hastanelere ve yaşamımızın her köşesine gerçekten girebilmesi için sadece birkaç bakışta yeni becerileri öğrenebilmesi gerekiyor olmalıdır.

Alışılmadık Yapay Zeka: Beynin Nasıl %1 Milyon Daha Verimli Olduğu

Unconventional AI, Naveen Rao'nun kurduğu bir non-von Neumann mimarisi hesaplama şirketidir. Temel iddia şudur: Modern AI hala 1940'larda tamamen farklı bir amaç için tasarlanmış kayan nokta + von Neumann mimarisi üzerinde çalışıyor, bu da çoğu enerjinin "bellek ile hesaplama ünitesi arasında veri taşınması"nda kaybolmasına neden oluyor. Onlar, bu tür analog fiziksel süreçlerle non-lineer dinamik ve osilatörleri kullanarak hesaplama sonuçlarının fiziksel sistemlerin doğal evrimi yoluyla "kendiliğinden ortaya çıkmasını" sağlamaya çalışıyorlar - amaç, enerji verimliliğini üç büyük basamak artırmak ve beyin seviyesine yaklaşmak.

Yapay Zeka gelişimi, mevcut hesaplama gücü genişleme modelinin sürdürülemez hale geldiği fiziksel dünyaya "enerji duvarı" ile karşılaşacak. Gelecek 2 ila 4 yıl içinde, küresel olarak mevcut AI eğitim ve akıl yürütme talebini desteklemek için yeterli artık elektrik gücü olmayacak. Bu değerlendirmenin önemi şudur: mevcut ölçekleme yasası temelde enerji tüketimi karşılığında zorla zeka elde etmeye çalışıyor, eğer hesaplama fiziksel altyapısını değiştirmezsek, AI ilerlemesi enerji tavanına ulaşarak zorla durdurulacak.

Biyolojik beyin, "yüksek enerji tüketimi"nin zeka için kaçınılmaz bir maliyet olmadığını, ancak bizim tasarladığımız bir kusur olduğunu kanıtlar. Dünya genelindeki 8 milyar insan beyninin toplam gücü yalnızca 160 gigavat iken, mevcut AI modellerinin tek bir çıkarım veya eğitimi megavat veya hatta gigavat düzeyinde enerji tüketebilir. Bu, merkezi bir noktayı savunur: "zeka"nın başka bir şekilde gerçekleştirilmesi son derece verimsizdir, biyosfer, düşük güçte genel amaçlı zeka çalıştırmanın "varlık kanıtını" vermiştir, bize hesaplama mantığını temelden yeniden inşa etmemiz gerektiğini işaret eder.

21. yüzyılın zekasını inşa etmeye 80 yıllık eski dijital soyutlama üzerinde çalışıyoruz. Modern yongalar hala 1940'larda tamamen farklı bir amaç için tasarlanmış kayan nokta ve von Neumann'a dayanıyor ve verilerin ikisi arasında taşınmasının çoğu enerjiyi tükettiği için çoğu enerji harcanıyor. Bu değerlendirme, güçlü GPU'ların bile yanlış mimari üzerinde "tadilatlar" yaptığını, donanımın evriminin zekayı işleme özünü terk ettiğini çarpıcı bir şekilde belirtir.

AGI'ye doğru gerçek yol, matris matematiğinden vazgeçip non-lineer dinamik hesaplara yönelmektir. Beyin, GPU gibi matris hesaplamaları yapmaz, ancak nöronların etkileşimini non-lineer dinamiklerle gerçekleştirir. Bu değerlendirmenin önerisi şudur: artık saniyede kaç kez kesin hesaplama yapılacağını takip etmemeli, ancak fiziksel sistemlerin zamana bağlı evrimi yoluyla cevap alınmasına izin verilmelidir, böylece atlayarak verimlilik artışı sağlanabilir.

"Gürültü" ve rastgeleliği kucaklamak, süper düşük güçte hesaplama sağlamanın kaçınılmaz yoludur. Dijital bilgisayarlar bir bit hatası yaparsa hemen çöker, ancak beyin, stokastik sinyaller içinde bile istikrarlı bir şekilde çalışabilir. Bu, çarpıcı bir sonuç sağlayan bir noktayı destekler: kusursuzluğun tepe noktasının, verimliliğin prangası haline gelmesidir, sistemde belli bir rastgelelik ve hataya dayanıklılık sağlamak, biyolojik düzeyde yüksek verimli zekanın anahtarıdır.

Fiziksel yasaların "zaman çizelgesi"ni kullanmamız gerektiğini, insan tarafından belirlenen referans frekans döngüsünü değil. Eğitilebilir çiftlemeli osilatörler (periyodik tekrarlayan sinyaller üreten devreler olarak) kullanarak, hesaplama süreci fiziksel bir sistemin zaman içinde doğal olarak kararlılık durumuna ulaştığı bir sürece dönüşür. Bu tespitin önemi şudur: Geleneksel makinelerin bellek ve önbellek arasında tekrar tekrar veri okuma ve yazma enerji tüketimini ortadan kaldırır, doğrudan "Fiziksel Yasalar"ın kendisinin tüm hesaplama görevlerini üstlenmesini sağlar.

Yalnızca durumun, işlevin ve fiziksel tabanın tam bir örtüşmesi ile hesaplama verimliliği sınırına ulaşılabilir. Von Neumann olmayan mimarinin güç sisteminde, bilginin depolandığı yer, bilginin işlendiği yerdir ve her ikisi de fiziksel olarak tamamen bütünleşiktir. Bu, kırılma noktası bir yönelimi savunur: hesaplamanın artık "bellek duvarı" kısıtlaması olmayacak, bu üçlü birleşik mimari, hesaplamanın verimliliğini temelinden çözerek AI'nın enerji krizini ele almasını umut ediyor.

AGI'nın inşası süreci aynı zamanda insanlığın en nihai olarak kendine ait bilincin özünü anlama sürecidir. Başlangıçta birincil prensiplerden yola çıkarak, sentez devreleri kullanarak beyin nonlinear dinamik izini kopyaladığımızda, sadece o zaman gerçekten zekanın işleyiş şifresine sahip oluruz. Bu tespitin savunusu son derece büyüleyicidir: AGI sadece bir yazılım zaferi değil, aynı zamanda bir donanımın "geri dönüşü" olup, beyin inşa etme yeteneği sayesinde biyolojik zekanın 4 milyar yıldır devam eden fiziksel bulmacayı gerçekten çözebilir.

Bu konuşmadan tek hatırlanacak şey nedir?

Şu anda bilgisayarlar çok fazla güç harcıyor, beyin yapısını öğrenmeliyiz, bilgisayarları artık matematik sorularını kuru kuru hesaplamak yerine, akımın doğal olarak cevabı akmasına izin vereceği devrelerde akmasına izin vermemiz gerekiyor.

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia