Hızlanan teknoloji, yavaş kalan katmanları görünür kılıyor.
Elektrikten fabrika robotlarına, fiziksel veri toplamadan 950 ajanlı biyoloji araştırmasına ve bilişsel borca uzanan beş not: yeni teknolojiler hızlandıkça sınırlayıcı unsur modelden çok altyapı, veri ve insan anlayışı olabiliyor.
Her notta önce kaynağın ne söylediği, sonra benim aklıma ne geldiği ayrı ayrı duruyor. İkisini karıştırmamak bu serinin tek kuralı.
Yapay zekâ büyüdükçe sorun yalnız işlemci bulmak olmayacak.
Uluslararası Enerji Ajansı’nın 22 Eylül’de yayımladığı Electrification raporuna göre küresel elektrik talebi 2019’dan bu yana toplam enerji kullanımının iki katından daha hızlı büyüyor. Büyümeyi taşıyan başlıklar arasında elektrikli araçlar, ısı pompaları, iklimlendirme, sanayinin elektrifikasyonu, veri merkezleri ve yapay zekâ var.
Kaynağa git ↗Yazılım ölçeklenirken elektrik altyapısı aynı hızda ölçeklenmiyorsa, yapay zekânın gerçek darboğazı veri merkezinin içinde değil dışında oluşabilir.
Bir modeli çoğaltmak için kod kopyalayabilirsin. Aynı şeyi şebeke bağlantısına, trafo kapasitesine, üretim yatırımına ve izin süreçlerine aynı hızda yapamazsın.
Bu yüzden yapay zekâ rekabetinde “kaç GPU’n var?” sorusunun yanına daha sıradan görünen bir soru eklenebilir:
Ne kadar elektriği, ne kadar hızlı devreye alabiliyorsun?
Dünyadaki fabrika robotlarının sayısı beş milyona ulaştı.
International Federation of Robotics’un 24 Eylül’de yayımladığı World Robotics 2026 verilerine göre fabrikalarda çalışan endüstriyel robot stoku 2025’te %9 artarak 5 milyon adede ulaştı. Yıl içinde dünya genelinde 600.000’den fazla yeni robot kuruldu. Çin’de kurulan 354.000 robot, küresel yeni kurulumların %59’unu oluşturdu.
Kaynağa git ↗Aynı yapay zekâ modeline erişmek, aynı üretim kapasitesine sahip olmak anlamına gelmiyor.
Yazılım tarafında bir kabiliyet haftalar içinde dünyanın birçok şirketine yayılabilir. Fiziksel dünyada ise o kabiliyeti üretime çevirmek için robot, hat tasarımı, entegrasyon, bakım, sermaye ve yıllar içinde birikmiş operasyon bilgisi gerekiyor.
Model erişimi hızla eşitlenebilir. Fiziksel otomasyon birikimi aynı hızda eşitlenmeyebilir.
Robot önce işçi değil, veri üreticisi olacaksa ne değişir?
Japonya’da NEDO destekli “yerli genel amaçlı robot geliştirme yarışması” kapsamında yedi şirket yaklaşık altı ay boyunca çift kollu mobil robot prototipleri geliştirdi ve sonuçlar 16 Eylül’deki Physical AI Summit’te gösterildi. Programın sonraki aşamalarını geçen robotların, gelecekte robot temel modellerinin geliştirilmesi için veri toplayan robotlar olarak kullanılması planlanıyor.
Kaynağa git ↗Dil modellerinin hazır bir interneti vardı. Robotların hazır bir “hareket interneti” yok.
Metin modeli milyarlarca insanın daha önce yazdığı veriyi okuyabildi. Genel amaçlı robot ise bir çekmeceyi açmanın, düzensiz bir nesneyi kavramanın, kaygan bir yüzeyde kuvvet uygulamanın milyonlarca gerçek varyasyonunu bir yerden bulmak zorunda.
Bu yüzden ilk büyük robot filolarının ekonomik değeri yalnız yaptıkları iş olmayabilir. Bir sonraki robot neslinin eğitim verisini de üretebilirler.
Bu gerçekleşirse robot satın alan şirket aynı anda üretim ekipmanı ve veri üretim altyapısı satın almış olur.
Bir araştırmacının ekibinde 950 ajan çalışırsa “ekip” kelimesi aynı şeyi mi anlatır?
Anthropic’in 23 Eylül’de yayımladığı kendi laboratuvar çalışmasına göre yaklaşık 950 Claude ajanı, 21 saat boyunca büyük bir DNA veri tabanını taradı ve toplam 210 milyon token kullandı. Ajanlardan biri tekrar eden DNA dizileriyle birlikte görülen sıra dışı bir ters transkriptaz ailesini işaretledi. Anthropic ekibi daha sonra laboratuvar deneyleriyle daha önce tanımlanmamış, bakteriyofajlarda bulunan bir enzim sistemi üzerinde çalışmaya başladı. Bu sonuç Anthropic’in kendi araştırma ve laboratuvar raporudur; bağımsız tekrar çalışması gibi okunmamalı.
Kaynağa git ↗Ajanların en ilginç tarafı bir insanın yaptığı işi biraz daha hızlı yapmaları olmayabilir.
Bir insan aynı anda 950 ayrı araştırma hattını gerçek anlamda takip edemez. Ama bir araştırmacı problemi seçip, arama alanını tanımlayıp, yüzlerce ajanın paralel taramasını başlatıp, çıkan birkaç güçlü adayı fiziksel deneyle doğrulayabiliyorsa bilimsel ekibin ölçeği çalışan sayısından kopmaya başlar.
Belki ajan ekonomisinin asıl organizasyon sorusu “hangi işi otomatikleştiriyoruz?” değil: Bir insan kaç paralel düşünce hattını yönetebilir?
Yapay zekâ üretimi hızlandırırken anlayışı geride bırakabilir.
24 Eylül’de yayımlanan bir yazılım mühendisliği eğitimi incelemesi, üretken yapay zekâ kullanımında “comprehension debt” — burada bilişsel/anlama borcu diyebileceğimiz — kavramını öne çıkarıyor. Kavram, yapay zekâ yardımıyla üretim hızının kişinin veya ekibin ortaya çıkan yazılımı açıklama, test etme, değiştirme ve gerekçelendirme kapasitesini geçmesiyle biriken ertelenmiş öğrenme ve bakım maliyetini anlatıyor. Çalışma yapılandırılmış bir bütünleştirici inceleme ve arXiv ön baskısıdır; sistematik meta-analiz veya hakemli nihai sonuç gibi değerlendirilmemeli.
Kaynağa git ↗Teknik borç kodun içinde birikir. Bilişsel borç ekibin kafasında birikebilir.
Şirket daha fazla çıktı üretir; daha fazla kod, rapor, analiz ve doküman ortaya çıkar. Ama bunları üreten ekip giderek daha azını neden böyle olduğunu, nerede kırılacağını, hangi varsayıma dayandığını ve nasıl değiştirileceğini biliyor olabilir.
Bu durumda verimlilik metriği kısa vadede yükselirken organizasyonun kendi ürününü anlama kapasitesi düşebilir.
Eski sınırlar, eski ömürler, eski kurumlar yetmiyor.
Bu, serinin en son sayısı.
Her hafta birkaç gelişme, aralarında bağlantılar, yeni sorular.
Uzun bir yazıya dönüşmeden önce yakalanan notlar.
Seri arşivi ↗