Partnered With:

Cerebras CEO Röportajı: 25 Milyar Dolarlık Birikmiş Siparişle, AI Hesaplama Talebi Çoktan Dolduruldu

Bu makaleyi okumak için 31 Dakika

En hızlı çip olmana gerek yok, sadece başkalarının çiplerine tamamen bağımlı olmaman yeterli.

Orijinal Başlık: Açık Kaynak Kazanıyor, AGİ Burada ve Scorsese'nin Yapay Zeka Araç Seti—Cerebras & Black Forest Labs CEO'ları
Orijinal Kaynak: All-In Podcast
Orijinal Çeviri: ShenChao TechFlow

Önemli Noktalar

Bu bölümde iki yapay zeka altyapı şirketinin CEO'su yer aldı. Andrew Feldman, çıkarım çipleri konusunda uzmanlaşmış Cerebras'ın kurucusu; şirket yakın zamanda halka arzını tamamladı ve 25 milyar dolarlık birikmiş siparişi bulunuyor. Sürekli olarak şu noktayı vurguladı: Yapay zeka hesaplama talebi çoktan dolduruldu, "inşa edilince gelirler" durumu yok; OpenAI, Anthropic, SpaceX, Google'ın iştahı arzın çok ötesinde. Akıl yürütmenin (reasoning) ortaya çıkışı, hesaplama yoğunluğunu yeniden fırlattı ve bu tam da hızlı makinelerin savaş alanı. Robin Rombach, üretken görüntü ve video modelleri (Flux serisi) yapan Black Forest Labs'ın kurucusu; daha önce latent difüzyon algoritmasını icat etti, yani şu anki tüm görüntü ve video üretim modellerinin temelini. Yakın zamanda Martin Scorsese ile işbirliği yaparak yönetmenin aklındaki görüntüleri yapay zeka ile görselleştirmesini sağladı; ancak daha heyecanlandığı yön, aynı çok modlu modelin film çekebilmesi ve robotlara beyin olarak yerleştirilebilmesi. Üretken videonun son noktası ekranda değil, fiziksel dünyada.

Öne Çıkan Görüşlerin Özeti

Akıl Yürütme Bir Sonraki Hesaplama Kara Deliği

· "İlginç olan, bu dalga geçmişten farklı; 'inşa edilince gelirler' diye bahse girmiyorlar, talep çoktan kapasiteyi doldurdu. 25 milyar dolarlık birikmiş siparişimiz var."

· "Akıl yürütme, reasoning, devasa miktarda token tüketiyor ve bu tam da hızlı makinelerin savaş alanı."

· "Cerebras 15 kat daha hızlıysa, 24 saat çalıştırdığınızda haftalar hatta aylar süren düşünmeye eşdeğer olur."

Açık Kaynak ve Egemenlik: Şirketler Kontrol İstiyor

· "Kimse bağımlı olmayı sevmez. Büyük ölçekli üreticiler x86 döneminden Intel'e bağlı kalmanın dersini aldı."

· "En hızlı çipi yapmana gerek yok, sadece başkalarının çiplerine tamamen bağımlı olmaman yeterli."

· "Şu anda açık kaynaklı bir model çalıştırmak istiyorsan, ya OpenAI'in OSS 12B'si ya da Çin modelleri var. ABD'nin daha fazla yerel açık kaynak seçeneğine ihtiyacı var."

AGI, yirmi yıl önceki tanımıyla çoktan geldi

· "20 yıl, 30 yıl, 40 yıl önce ortaya attığımız herhangi bir AGI tanımını çoktan aştık."

· "Turing testi mi? Çoktan paramparça oldu."

· "Sorun artık nasıl soracağımızı bilmemek değil; AI tersine sana şunu söyleyebiliyor: 'Hey, siz aptal insanlar, bunu hesaba katmadınız.'"

Üretken video, insan yaratıcılığının yerini almıyor

· "Bu AI modelleri birer araç. Nasıl kullanılacağını dikte etmek istemiyoruz, özellikle de Martin Scorsese gibi insanlar için."

· "Dil, biraz kayıplı bir iletişim yöntemi; görsel bilgi sinyalleri çok daha zengin. Zihnindeki görüntüleri görünür hale getirmek, teknolojinin en güçlü yanı."

· "En ilginç sonuçlar neredeyse her zaman, insanın döngüde olduğu ve sürekli yineleme yaptığı durumlarda ortaya çıkıyor."

Filmden robotlara: Aynı model

· "Aynı çok modlu modelle bir film çekebilir ve sonra onu bir robotun beyni olarak kullanabilirsin."

· "Ön eğitimli video, modele fiziksel etkileşim kurallarını örtük olarak öğretir ve ardından aynı modelden hareket tahminlerini, yani robot kontrolünü alırsın."

· "Hedef, robota bağlam içi komutla 'Şu portakal suyunu getir' diyebilmek. Henüz yapamıyoruz ama yönümüz bu."

AI Altyapı Çılgınlığı: Veri Merkezleri Şehirlerden Daha Büyük

Sunucu: Daha önce hiç böyle bir inşaat ölçeği görmemiştik. Çin Seddi ve piramitlerden bu yana insanlık, bir şey inşa etmek için bu kadar sermaye, zaman ve zeka harcamamıştı. Siz bunu fiilen yapıyorsunuz, müşterileriniz veri merkezleri inşa ediyor ve siz kilit bir halkasınız. 2026'da Cerebras ne yapıyor? Teksas'taki o devasa projelerin durumu nedir?

Cevap: Bahsettiğimiz veri merkezleri, önümüzdeki birkaç yıl içinde dünyanın son 50 yılda tükettiğinden daha fazla elektrik tüketecek. Tek bir bina bir futbol sahası büyüklüğünde ve orta ölçekli bir şehirden daha fazla elektrik bağlantısına sahip. ABD genelinde inşa ediliyor, Kanada'da inşa ediliyor, Kuzey Avrupa'da inşa ediliyor, Paris ve tüm Fransa'da inşa ediliyor, Orta Doğu'da inşa ediliyor, hatta Kazakistan, Tacikistan ve Gürcistan'da bile büyük veri merkezleri inşa ediliyor. Her ülke, her eyalet bu işin bir parçası olmak istiyor.

Peki bunun bedelini kim ödüyor? OpenAI, Anthropic, SpaceX AI, Google. İştahları korkutucu boyutta. İlginç olan şu ki, bu dalga geçmişteki birçok teknoloji çılgınlığından farklı: "İnşa edersek gelirler" diye bahse girmiyorlar; talep zaten kapasiteyi tüketmiş durumda. 25 milyar dolarlık birikmiş siparişimiz var. OpenAI daha fazla veri merkezi istiyor, Microsoft daha fazla istiyor, AWS daha fazla istiyor. Talep müşteri beklemekle ilgili değil; müşteriler şimdiden sıraya girmiş durumda.

Sunucu: Bu aynı zamanda "token maxing" adı verilen bir terimi de doğurdu, yani sınırsız token üretimi. Bazıları bu kadar büyük bir talebin gerçekten değer yaratıp yaratmadığını sorguluyor.

Cevap: Elbette çok büyük miktarda değer üretiliyor. Elbette çok sayıda deneme yanılma da var. AWS'nin ilk çıktığı zamana benzetiyorum; kendi BT departmanınızı atlamak çok kolaydı, her mühendis bir kredi kartıyla kaydolabiliyordu. Birçoğu gerçekten işe yaradı, bazıları sonradan "Ah, bunu yapmamalıydım" dedirtti. Ama genel olarak kârlıydı, sadece bazı yönler boşa çıktı.

1988'de Costco'nun Palo Alto'da açıldığını hatırlıyorum, insanlar Safeway'de gezer gibi Costco'da geziyor, her reyonu tek tek dolaşıyorlardı. Bu çok kötü bir alışveriş yöntemiydi çünkü her biri 22 dolarlık dört tane ihtiyacınız olmayan şey alıyordunuz. Sonra insanlar strateji öğrendi: arkaya gidip tavuk al, çocuğun doğum günü partisi için 18 tane cupcake al, işi bitir. AI token tüketimi de aynı; başlangıçta herkes sınırsızca kullanıyordu, şimdi işletmeler strateji geliştirmeye başladı: hangi görevler için açık kaynak modeller yeterli, hangileri için en ileri modeller gerekli. AI'yı bir işletme gibi yönetmeye başladık.

Çıkarım Eğitimin Yerini Alıyor: Neden Hızlı Makineler Bu Dalganın Yıldızı?

Sunucu: Sam Altman, AllIn'de bir sonraki adımın reasoning (akıl yürütme) olduğunu söyledi; niyeti anlamak, strateji oluşturmak ve diğer thread'lerdeki ajanlarla çapraz doğrulama yapmak. "Bir sonraki kelimeyi tahmin et"ten çok yol kat ettik ve şimdi Cerebras tam merkezde çünkü reasoning aslında inference (çıkarım) ve bu da çok büyük miktarda hesaplama gerektiriyor.

Cevap: Çıkarım yapmak devasa miktarda token tüketir, bu da hızlı makineler için bir savaş alanı yaratır. Reasoning her adımda dahili olarak token yutar, siz de kaliteli bir cevap almak için çok fazla zaman harcarsınız. Cerebras'ın 15 kat daha hızlı olması, 24 saatlik çıkarımın başkalarının haftalar hatta aylar süren düşünme süresine eşdeğer olduğu anlamına gelir.

Bu sabah BitTensor üzerindeki ZAI'nin GLM-52 modelini denedim, ona sınırsız işlem gücü verdim ve her saat başı dünyada henüz tespit edilmemiş trendleri bana söylemesini istedim. Kendi kendine tartışmaya başladı: Hacker News ve Reddit'te mi aramalıyım? Yoksa trendler Instagram'da mı daha önce ortaya çıkıyor? Bir reasoning modelinin arka planda kendi kendini tartıştığını izliyordum, çıkarım yapıyordu. Sınırsız token, sınırsız çıkarım demektir. Cerebras ile 15 kat daha hızlı, 24 saat başkalarının haftalarına eşdeğer.

Sunucu: Cerebras'ın kendi Moore Yasası var mı? Dahili olarak ne kadar sürede ikiye katlanıyor?

Cevap: Önceki tüm çipler Moore Yasası'nı takip ediyordu, 18 ayda bir ikiye katlanıyordu. Bu çip ile o çizgiyi kırdık ve tamamen yeni bir yörüngeye çıktık. Tahminim, önümüzdeki 18 ayda 2 katın çok ötesine geçeceğiz. Yeni mimaride hala büyük optimizasyon alanı var. GPU'lar 20 yıllık eski bir mimari, sadece üretim düğümünü küçülterek ayakta kalıyorlar, ancak yeni mimaride öğrenilecek ve ayarlanacak çok şey var.

Sunucu: 25 milyar dolarlık birikmiş siparişiniz var ve ayrıca OpenAI'nin temposuna ayak uydurmalısınız, onlar gelecekte potansiyel rakipleriniz olabilir. Şirketi nasıl yönetiyorsunuz?

Cevap: Şu anda silikon boşta kalmıyor, talep çok büyük. Ama haklısınız, OpenAI de kendi çipini yapıyor, Amazon da yapıyor. Kimse başkalarına bağımlı olmayı sevmez. Hiper ölçekli firmalar x86 döneminden Intel'e bağlı kalmanın dersini aldı; GPU firmaları ise birkaç büyük hiper ölçekli müşteriye bağlı kalmanın dersini aldı, bu yüzden yeni bulutları finanse ettiler. Kendi çipinizi yapmak, en hızlı olmakla ilgili değil, tamamen başkalarına bağımlı olmamakla, en azından kendi kaderinizin önemli bir kısmını kontrol etmekle ilgilidir.

Açık Kaynak ve Egemenlik: Şirketlerin İstediği Kontrol

Sunucu: Açık kaynak bir dönüm noktası yaşıyor. İlk başta OpenClaude kullandım, sonra Kimmy'ye geçtim ve Claude'un token'larının patladığını gördüm, ancak Kimmy'de bir fark seçemedim. Açık kaynak modeller reasoning yapmaya başladı ve fark bu yıl aniden kapandı.

Cevap: Ferrari ile markete gitmek istemezsin. Bazen spor araba kullanırsın, bazen minivan; çocuklar Cheerios dökse de canın sıkılmaz. Şirketler de aynı: Zor sorunlar öncü modellere (OpenAI, Anthropic, Gemini) gider, ancak arka plandaki sayısız günlük iş için sağlam bir açık kaynak yeterlidir. Bir şirketin Workday'den Excel'deki başka bir hücreye kopyala-yapıştır yaparak ne kadar zaman harcadığını düşünün? Bu, altın değerinde matematik gerektirmez; sağlam bir açık kaynak yeterlidir.

Son zamanlarda başka bir kart daha açıldı: Finans, sağlık gibi düzenlemeye tabi sektörler (HIPAA, FINRA) veri sızıntılarından ve akıllı egemenliklerinin başkalarının elinde olmasından korkuyor; modelleri yerel olarak çalıştırmak ve açık kaynak sürümleriyle daha fazla kontrol sahibi olmak istiyorlar. OpenAI birkaç ay önce OSS 12B'yi yayınladı, fena değil. Ancak ABD şu anda açık kaynak koşmak istiyorsa, ya OSS 12B ya da Çin modelleri var; yerel açık kaynak seçenekleri çok az. NVIDIA da bu pencereyi gördü ve kendi açık kaynak modelini tanıtıyor, ancak Jensen tereddüt ediyor; müşterileri Sam, Dario, Elon, Sergey; açık kaynak müşterileriyle rekabete girer mi?

Cerebras daha nötr bir konumda; GLM, Kimmy, Qwen serilerini ve OpenAI'nin kapalı kaynak modellerini çalıştırıyoruz. Ayrıca GSK'nın kendi geliştirdiği modelleri, UAE G42 ve MBZUAI'ın kendi modellerini de çalıştırıyoruz. Egemenlik bir trend.

AGI Geldi, Paradigma Ölmeyecek, İnsan Ölecek

Moderatör: Fable 5 ve o-56 yayınlandığında hükümet "dur, biraz bekle" dedi. Anthropic ve yönetim arasındaki gerginlik şimdi yumuşamaya başladı. Aşamalı yayın mantıklı mı? Modeller gerçekten bu kadar tehlikeli mi?

Cevap: Daha önce böyle bir şey görmedim. Ama geriye dönüp bakınca: Bir model yaratıcı düşüncede yeterince güçlü olduğunda, hükümet "lütfen aşamalı olarak yayınla" derse, bence bunda bir sorun yok. Güçlü ilaçlara da böyle davranıyoruz; elbette FDA'nın yedi yıllık saçma evrak işlerini teşvik etmiyorum, ama "en azından hükümetin biraz kırmızı takım testi yapmasına izin ver, savunmamızın dayanıp dayanamayacağını görelim" demek, bariz açıkları kapatmak için iki-üç hafta vermek mantıksız bir talep değil.

Ama şu an en kutuplaşmış dönem. Eğer bu Trump tarafından yapılmasaydı, başka herhangi bir başkanla tepki tamamen farklı olabilirdi. Kutuplaşma net düşünmeyi zedeliyor. Her iki taraf da aptalca ve akıllıca şeyler yapacak. Hükümetteki alt kademe çalışanlar aslında çok ciddi çalışıyor, sadece işler çok hızlı ilerliyor.

Palo Alto Networks'ten Nikesh bana şunu söyledi: Modelleri kendi yazılımlarında test ettiler ve bir saat içinde onlarca kritik güvenlik açığı buldular; tüm işlerini durdurup altı hafta boyunca yama yapmak zorunda kaldılar. Bunun güçlü bir araç olduğunu fark ediyorsun; belki önce küçük bir gruba göster, belki önce kırmızı takım testi yap.

Sunucu: 20 yıl önceki herhangi bir tanıma göre, AGI çoktan geldi. Sence de öyle mi?

Cevap: Evet. Turing testi mi? Çoktan geçildi. 10, 15, 20, 30, 40, 50 yıl önce ortaya atılmış herhangi bir tanımın çok ötesine geçtik. Bilim kurgu yazarlarının sorduğu soruların hepsini yanıtladık, onlar da "Hiç sorum kalmadı, üzgünüm" diyecekler. İşte bu yüzden, kenarda kalmış gibi görünen insanların söylediklerini dinlemeye değer. Ilya sekiz yıl önce güvenlikten bahsettiğinde "Ne?" dedin, sonunda haklı çıktı. Elon roket maliyetlerinin sıfıra yaklaştığını söylediğinde "Ne?" dedin, sonunda başardı.

Sunucu: Tekrarlı öğrenme, ona bir soru soruyorsun, sonucu öğreniyor, tekrar soruyorsun, cevap daha iyi oluyor, daha fazla materyali kapsıyor. Bu döngülerin ürettiği cevaplar "biraz daha iyi"den "çok daha iyi"ye atlıyor. Üstel eğrinin eğimi çok dik.

Cevap: Tekrarlı kazanç üsteldir, daha iyi olursun, bir kez daha dene, kazanç devam eder, eğim çok dik. Bunu daha yeni görmeye başlıyoruz. Sürekli hesaplama gücü yatırırsak, cevaplar giderek daha mı iyi olacak? Token veya bütçe bittiğinde duruyor, ama bu üstel eğri nerede sona erecek? Yoksa sonsuza kadar yukarı sağa mı gidecek? Bu soru şu anda son derece ilginç.

İnsan öğrenme hızı nesiller tarafından sınırlanıyor, filler ve büyük memeliler 15-20 yılda bir nesil değiştiriyor. Hızlanmak istiyorsan, meyve sinekleri gibi olmalısın, günde iki nesil. AI, binlerce nesile yayılan bu öğrenme hızına ulaşıyor. Psikoloji okurken profesörüm bir şey söyledi: Paradigmalar ölmez, insanlar ölür. Freud, Skinner, Jung'un takipçileri 20-40 yıl boyunca lider pozisyonlarını işgal eder, ancak bir sonraki nesil sorgulamaya başlar. AI, nesil aralığını meyve sineği hızına indirdi.

Bahse girdiğim şey şu: Çocuklarımız ve tanıdıkları herkes kanserden ölmeyecek. Ekonomide sarsıntılar olacak, arabalar geldiğinde at nalı takanların işi zorlaşır. Ama kazanılanları ve kaybedilenleri sıralayalım: sınırsız enerji, sınırsız gıda, sınırsız bilgi, sınırsız eğitim, sınırsız konut. Bin yıldır bire bir dersin sınıf eğitiminden daha iyi olduğunu biliyoruz, Aristoteles Alexander'a ders verdi, Sokrates öğrencilerine, ama biz fabrika tipi öğretimi seçtik. Şimdi AI her çocuğa kendi hızında öğrenebileceği bir rehber verebilir.

Scorsese'nin AI Araç Kutusu: Zihnindeki Görüntüleri Gerçeğe Dönüştürmek

Sunucu: Robin Rombach, Black Forest Labs'ın kurucu ortağı ve CEO'su, merkezi Kara Orman bölgesindeki Freiburg ve San Francisco'da. Daha önce Stable Diffusion üzerinde çalıştın ve latent difüzyon algoritmasını icat ettin. Black Forest Labs'ın işi nedir? Hedefi nedir?

Cevap: Bu şirketi iki yıl önce ortaklarımla kurdum. Daha önce Stable Diffusion üzerinde çalıştık, daha da öncesinde latent diffusion'ı icat ettik; bu, şu anki tüm görüntü oluşturma, video oluşturma ve hatta fiziksel AI modellerinin temelini oluşturan algoritmadır. Prensip olarak, doğal verileri (görüntü, video, ses) verimli bir temsil alanına sıkıştırıp üzerinde transformer eğitiyoruz; tıpkı JPEG ve MP3'ün prensibi gibi, ancak sinir ağı algoritmalarıyla. Bunu doktora yıllarımızda Münih'te geliştirdik.

Şimdi ise çok modlu görsel modeller üzerinde çalışıyoruz; görüntü ve ses verileri üzerinde eş zamanlı ön eğitim yapıyoruz ve yeni bir paradigmaya geçiyoruz: eylem tahminini (action prediction) birleştirerek aynı modelin görüntü, video, ses üretmesini ve ayrıca eylemleri tahmin etmesini sağlıyoruz. Sonuçta bu model gerçek dünyadaki robotlara dağıtılabilecek.

Sunucu: Görüntüden videoya, sesten robota; eğer bir model video üretebiliyorsa, dünyayı anlıyor demektir.

Cevap: Sezgisel zeka ve derinlemesine akıl yürütme, birbirini tamamlayan iki zeka biçimidir. Biz sezgisel taraftan başladık; görüntü en doğal giriş noktasıydı çünkü hesaplama yükü video kadar büyük değil. Ancak şimdi her şey çok modlu bir modele dönüşüyor. Ön eğitimli video, modele fiziksel etkileşim kurallarını örtük olarak öğretiyor; aynı modelden eylem tahminini, yani robot kontrolünü elde ediyoruz.

Sunucu: Martin Scorsese ile iş birliğiniz mi var? Onun yanında oturup aracınızı kullanmasına izin mi verdiniz?

Cevap: Evet, onunla aynı odadaydım; modelimizi keşfediyordu ve ben de temel araştırmacılardan biri olarak yanında oturuyordum. Bu inanılmaz bir histi. Aynı zamanda onun büyük bir hayranıyım.

İstediği şey, zihnindeki bir sahneyi görselleştirmekti; Doğu Avrupa'da bir köy. O anlatıyor, biz çıktıya bakıyor, o tekrar ediyordu. Sonunda şunu söyledi: "Zihindeki görüntüleri görsel bir ifadeye dönüştürmek, dil iletişiminden çok daha verimli." Dil biraz kayıplı bir iletişim biçimidir; görsel bilginin sinyali çok zengindir. Bir resim veya videodaki bilgi miktarı devasadır; bu başka bir iletişim kanalıdır.

Bu modellerin nasıl kullanılacağını dikte etmek istemiyoruz, özellikle de Martin Scorsese'ye "bunu böyle kullanmalısın" demek gibi bir niyetimiz yok. AI modelleri birer araçtır. En ilginç şeyler neredeyse her zaman insanın döngüde olduğu ve sürekli yineleme yaptığı durumlarda ortaya çıkar.

Filmden Robota: Üretken Modellerin Son Noktası Perde Değil

Sunucu: Startuplar artık lansman videoları için Flux ve sizin modellerinizi kullanıyor; eskiden 250.000 dolar harcanan bir lansman videosu, şimdi bir iki haftada tamamlanabiliyor. Gal Gadot az önce bir Bitcoin filmi yaptı; oyuncular ses sahnesinde yeşil perde olmadan performans sergiledi, tüm arka plan üretken AI ile yapıldı. 30 milyon dolarlık bir bütçeyle, daha önce 150 milyon dolar gerektiren bir etki yaratıldı. Üretimde kullanıldığını gördünüz mü?

Cevap: Bazılarını gördüm. Yüksek kaliteli film yapımı, en zorlu kullanım alanlarından biri. Birilerinin bunu keşfetmesinden memnunum, ancak şunu da netleştirmek istiyorum: Teknoloji hâlâ bir yörüngede ve hızla gelişiyor. Yıllar önce doktora yaparken yalnızca 64×64 piksellik görüntüler üretebiliyorduk, şimdi ise çok girdili yüksek çözünürlüklü videolar yapıyoruz, ama burada durmayacak.

Beni en çok heyecanlandıran şey şu: Aynı çok modlu modeli alıp bir film çekebilir ve ardından onu bir robotun beyni olarak kullanabilirsiniz. Bu gerçekten ilginç. Bilgisayar kullanımının işe yarayıp yaramayacağı henüz belli değil, ancak teknoloji fiziksel dünyaya doğru ilerliyor; dünya modelleri, eylem modelleri, hepsi aslında aynı şey.

Sunucu: Eğitim verileri nereden geliyor? İnsanlara gözlük ve eldiven taktırıp birinci şahıs kaydı mı yaptırıyorsunuz? Yoksa YouTube'da bin kişinin bardağa içecek döktüğü videoları izlemek yeterli mi?

Cevap: Amaç, robota "Şu portakal suyunu getir" gibi bağlam içi komutlar vermek. Şu an için bu mümkün değil. Mevcut yaklaşım şu: Model zaten büyük miktarda görsel anlayışa sahip; belirli bir donanıma uyum sağlamak için yalnızca birkaç saatlik ince ayar verisi yeterli. Yön, mümkün olduğunca az ince ayar yapmak ve bağlam içi komutlara güvenmek, ancak bu hâlâ bir araştırma sorunu.

Sunucu: Açık kaynak kritik bir dönemde ve işletmeler egemenlik istiyor. Disney gibi büyük bir fikri mülkiyet havuzuna sahip bir şirket ne yapmalı? Sizin açık kaynak modelinizi alıp kendi başına mı eğitmeli, yoksa sizinle iş birliği yaparak özel bir model mi geliştirmeli?

Cevap: En ilginç kullanım alanı, daha önce var olmayan şeyleri üretmek; bu, teknolojinin özünde en heyecan verici yönü. Genel araçlarımızda belirli fikri mülkiyetleri üretemiyoruz, bu oldukça mantıklı. Ayrıca bazı fikri mülkiyet sahipleriyle modeller geliştirmek için iş birliği yapıyoruz; bazıları açık kaynak modellerimize, bazıları ise daha güçlü tescilli modellerimize dayanıyor.

En ilginç açı şu: Teknoloji daha hızlı ve daha etkileşimli hale geliyor. Disney+'ta çeşitli etkileşimli içerik oluşturma araçlarının bulunduğunu hayal edebilirsiniz.

Sunucu: Şu anda en ilginç olgu, hayran filmleri. Eskiden insanlar kendi Star Wars hikâyelerini yazmak için hayran kurgusu yapardı, sonra Jedi kostümleri giyip hayran filmleri çekerdi. George Lucas, ticari olmayan kullanıma izin verdiğini söylemişti. Şimdi insanlar yapay zekâ kullanarak anlatılmamış Star Wars hikâyelerini yeniden yorumluyor; Star Wars Stories Untold her videoda milyonlarca izlenme alıyor. Gelecek bu: Tüketicilerin lisans ücreti ödemesine ve karakterleri kullanarak kendi hikâyelerini oluşturmasına izin vermek.

Cevap: IP tarafı için uygulanabilir bir iş modeli bulunabilirse ve bu tür süper yaratıcı özelleştirilmiş oyun tarzlarına açık olunursa, bu harika olur. Bir kitap okurken veya film izlerken hep "Ya böyle gelişseydi?" diye düşünürüm, artık insanların bu fikirleri görselleştirmesini sağlayabiliyoruz.

100 kişiyi geçtik ve Almanya ile San Francisco'da işe alım yapıyoruz: büyük ölçekli model eğitimi araştırmacıları, diffusion ve flow matching eğitimi deneyimi olanlar, müşterilerle birlikte özel çözümler geliştiren mühendisler, büyük ölçekli bilgi işlem altyapısı operasyonları yürütenler ve teknolojiyi daha fazla kişiye ulaştırmaya ilgi duyanlar.