AI Altyapısı Silahlanma Yarışı: İşlem Gücü, Açık Modeller ve Ajan Gücü

Özet

Yapay zeka rekabeti hakkındaki kamuoyu tartışmaları hala model kalitesine odaklanıyor: bu çeyrekte hangi laboratuvar en zeki sistemi piyasaya sürdü. Bu çerçeve, gerçek rekabetin nereye kaydığını gözden kaçırıyor. 2026'da geliştiricilerin gerçekte neyi piyasaya sürebileceğini belirleyen kısıtlamalar yapısal niteliktedir; elektrik arzı, çip tahsisi, veri merkezi kurulumu, eğitim ve çıkarım verimliliği, model ağırlıklarının dolaşım şartları, model performansını ve kullanımını raporlayan arayüzler ve bir modelin sadece soruları yanıtlamak yerine araçları çağırmasını sağlayan protokoller. Bu makale, yapay zeka altyapısı silahlanma yarışını yedi katmanlı bir yığın olarak ele alıyor: hesaplama ve enerji, sermaye harcamaları, verimlilik mühendisliği, açık ağırlık dağıtımı, model meta verileri ve sıralamaları, aracı protokolleri ve üretim ekiplerinin her gün çalıştırdığı yönlendirme/değerlendirme döngüsü. Sadece isimlendirilmiş, tarihli bir kaynağa dayanan iddiaları kullanıyor ve popüler bir anlatının kanıtların önüne geçtiği durumları işaretliyoruz.

Temel Bulgular

• IEA, küresel veri merkezi elektrik tüketiminin 2025'te 485 TWh'den 2030'da 950 TWh'ye kabaca iki katına çıkacağını ve yapay zeka için optimize edilmiş veri merkezlerinin genel veri merkezi segmentinden daha hızlı büyüyeceğini öngörüyor; bu da yeni kapasite üzerinde sadece çip sayısının değil, gücün bağlayıcı kısıtlama haline geldiğini gösteriyor.
• NVIDIA'nın 2026 mali yılı veri merkezi geliri yıllık bazda %68 artışla 193,7 milyar dolara (tüm yıl geliri 215,938 milyar dolar) yükselirken, şirketin kendi 2027 mali yılı 1. çeyrek görünümü herhangi bir Çin veri merkezi hesaplama geliri varsaymıyor; bu da sermaye yoğunluğu ve jeopolitik maruziyetin altyapı planlamasında artık birbirinden ayrılamaz olduğunu gösteriyor.
• DeepSeek-V3'ün tarihsel teknik raporu, önceki araştırmaları, ablasyon deneylerini, mimari keşifleri, algoritma geliştirmeyi ve veri maliyetlerini açıkça hariç tutarak, yaklaşık 5,576 milyon dolar maliyetle 2,788 milyon H800 GPU saatlik resmi bir eğitim çalışması olduğunu belirtiyor; bu rakam, içindeki tek bir muhasebe kalemi yerine sıklıkla "modelin maliyeti" olarak yanlış alıntılanıyor.
• Stanford'un 2026 AI Index raporu, ABD ve Çin modelleri arasındaki üst düzey performans farkının fiilen kapandığını, ancak ABD'nin hala daha fazla üst düzey model ürettiğini ve Çin'in yayın hacmi, atıflar, patent çıktısı ve endüstriyel robot kurulumlarında lider olduğunu belirtiyor; bu, "ABD önde" veya "Çin yakaladı" ifadelerinden daha parçalı bir tablo sunuyor.
• Anthropic'in yapay zeka sistemleri ile veri kaynakları arasında güvenli iki yönlü bağlantılar için açık bir standart olarak tanıtılan Model Context Protocol'ü, Linux Foundation'ın yeni Agentic AI Foundation'ına bağışlanmadan önce 10.000'den fazla aktif genel sunucuya ve ChatGPT, Cursor, Gemini, Microsoft Copilot ve VS Code genelinde benimsenmeye ulaştı; aracı araçları artık çoğu model katmanı rekabetinden daha hızlı standartlaşıyor.

Kaynak Anlık Görüntüsü

Kaynak	Neyi kanıtlıyor	Gözlemlenme
IEA - Enerji ve Yapay Zeka Üzerine Temel Sorular	Veri merkezi elektrik talebi yörüngesi, yapay zeka sunucusu güç yoğunluğu eğilimi	2026-07-09
NVIDIA 2026 Mali Yılı Sonuçları	Veri merkezi gelir büyümesi, Çin maruziyeti konusunda ileriye dönük rehberlik	2026-07-09
OpenAI - Stargate Duyurusu	Sermaye taahhüt yapısı ve ilk öz sermaye yatırımcıları	2026-07-09
DeepSeek-V3 Tarihsel Teknik Raporu	Eğitim hesaplama saatleri ve resmi maliyet muhasebesi kapsamı	2026-07-09
Qwen3 Lansmanı	Açık ağırlık yayın yapısı ve dağıtım araçları	2026-07-09
Stanford AI Index 2026	Model performansı farkı, ulusal araştırma çıktısı, veri merkezi sayısı, fabrika yoğunlaşması	2026-07-09
Anthropic - MCP Lansmanı	Aracıdan araca protokol tasarım amacı	2026-07-09
Anthropic - MCP Bağışı / AAIF	Mevcut benimseme ayak izi ve yönetişim transferi	2026-07-09
OpenRouter Sıralamaları	Kullanım tabanlı model talep sinyali	2026-07-09
OpenRouter Modelleri API Dokümanları	Altyapı olarak model meta veri şeması	2026-07-09
Artificial Analysis Metodolojisi	Kıyaslamada model/uç nokta/sağlayıcı ayrımı	2026-07-09
Artificial Analysis Zeka Metodolojisi	Kompozit endeks oluşturma ve belirtilen sınırlamalar	2026-07-09
vLLM / PagedAttention Makalesi	Çıkarım sunumu verimlilik kazanımları	2026-07-09
Pentos - AI 军备竞赛	Orijinal anlatı çerçevesi, burada altyapı etrafında yeniden işlendi	2026-07-09

Metodoloji ve Güncelleme Tetikleyicileri

Bu makaledeki iddialar, yalnızca isimlendirilmiş, tarihli bir kaynağa (hükümet veya IEA enerji projeksiyonları, satıcı mali açıklamaları, model laboratuvarları tarafından yayınlanan teknik raporlar veya Artificial Analysis ve OpenRouter gibi üçüncü taraf kıyaslama toplayıcıları) dayandırılabildikleri sürece tutulmuştur. Kaynak dönemleri 2025 sonundan 2026 başına kadar uzanmaktadır ve her bölüm, temel verilerin zamana bağlı olduğu (örneğin, üç aylık kazançlar, endeks sürümleri) raporlama dönemini belirtir.

Orijinal Pentos raporu, altyapı rekabetini askeri ve jeopolitik terimlerle çerçevelemiş ve kamuya açık teknik veya mali açıklamalarla doğrulanamayan birkaç iddiayı (öngörülen ulusal hesaplama payı hakimiyeti, stratejik değer çerçeveleri ve ileriye dönük yetenek zaman çizelgeleri) içermiştir. Bunlar, doğrulanabilir iddiaları altyapı dilinde yeniden ifade etmek temel kanıt boşluğunu çözmeyeceği için yeniden çerçevelenmek yerine hariç tutulmuştur. Bir Pentos iddiasının doğrulanabilir bir rakamla (örneğin, veri merkezi enerji talebi, yayınlanmış model kıyaslamaları) örtüştüğü durumlarda, iddia rapordan aktarılmak yerine birincil kaynaktan yeniden oluşturulmuştur.

Bu makale, aşağıdakilerden herhangi biri gerçekleştiğinde güncellenmelidir: yeni bir NVIDIA üç aylık kazanç raporu veri merkezi gelirini veya sevkiyat rakamlarını önemli ölçüde değiştirirse; yeni bir Stanford AI Index sürümü yayınlanırsa; OpenRouter veya Artificial Analysis sıralamaları burada alıntılanan açık ve kapalı modellerin göreceli durumunu değiştirecek kadar değişirse; büyük bir açık ağırlıklı model sürümü (örneğin, yeni bir DeepSeek, Qwen veya benzeri model ailesi) açık model rekabetçiliği anlatısını değiştirirse; IEA güncellenmiş bir veri merkezi elektrik talebi projeksiyonu yayınlarsa; veya alıntılanan bir laboratuvar önemli ölçüde farklı bir aracı protokolü veya altyapı yatırımı duyurusu yaparsa. Bu tetikleyicilerden biri olmadıkça, buradaki iddialar ve karşılaştırmalar canlı bir durumdan ziyade bir anlık görüntü olarak ele alınmalıdır.

---

Neden "Yapay Zeka Altyapısı Silahlanma Yarışı" Daha İyi Bir Çerçeve?

Yapay zeka rekabeti hakkındaki baskın basın anlatısı bir liderlik tablosu hikayesidir: bir laboratuvar bir model yayınlar, bir rakip haftalar içinde yanıt verir, yorumcular turu puanlar. Bu çerçeve yanlış olmaktan ziyade eksiktir. Model kalitesini kıt kaynak olarak ele alır, oysa çoğu geliştirici için kıt kaynaklar elektrik, çip tahsisi, sunum kapasitesi ve bir modelin çıktısını bir sistemin hareket edebileceği bir şeye dönüştüren araçlardır.

2026'da yeni bir model dağıtımını gerçekte neyin engellediğine bakın. Nadiren "daha zeki bir kontrol noktası alabilir miyiz" sorusudur. Sorun şudur: yeterli güç yoğunluğuna sahip bir veri merkezinde, ürünün birim ekonomisini sürdüren bir fiyatta, gecikmeyi öngörülebilir kılan altyapı üzerinden sunulan, iş akışının ihtiyaç duyduğu araçları çağırmasını sağlayan bir protokol içine sarılmış, bir mühendislik ekibinin bir müşteriden önce bir gerilemeyi yakalamasını sağlayan gözlemlenebilirlik ile GPU kapasitesi alabilir miyiz? Bunların her biri kendi liderlerine, kendi darboğazlarına ve kendi değişim hızına sahip ayrı bir rekabetçi katmandır.

İşte bu yüzden "model yarışı" yerine "altyapı silahlanma yarışı" terimini kullanıyoruz. Rekabet birimi tek bir liderlik tablosu numarası değil, çip, güç, veri merkezi, sunum yazılımı, model, API yüzeyi ve aracı protokolünden oluşan tam yığındır.

Yedi katmanlı yapay zeka altyapısı yığınıModel bir katmandır; üretim kısıtlamaları onun üzerinde ve altında yer alır.Çip üretimiGüç ve soğutmaVeri merkezi kurulumuÇıkarım sunumuModel ağırlıkları / APIModel meta verileriAracı araç katmanıIEA, NVIDIA, Stanford AI Index, OpenRouter, Artificial Analysis ve Anthropic MCP materyalleri tarafından desteklenen TokenLab araştırma sentezi.

Bu çerçeve aynı zamanda yakın tarihi de daha iyi açıklıyor. DeepSeek-V3 sürümü burada güncel bir model önerisi olarak değil, tarihsel bir çapa olarak kullanılıyor. Önemliydi çünkü hesaplama ağırlıklı ölçeklendirmenin tek güvenilir strateji olarak kabul edildiği bir anda, rekabetçi kalitede çıkarım için varsayılan maliyet tabanının kamuoyu tarafından yeniden değerlendirilmesini zorunlu kıldı. Stargate duyurusu herhangi bir teknik iddia nedeniyle önemli değildi; büyük oyuncuların talebin kanıtlanmasından yıllar önce veri merkezi kapasitesine ne kadar büyük bir bahis oynamaya istekli olduklarına dair bir sermaye tahsis sinyali olarak önemliydi. Her iki olay da model yarışı manşetleri taşıyan altyapı olaylarıdır.

Platform ekipleri için pratik çıkarım, rekabetçi istihbaratın kıyaslama puanlarının yanı sıra sermaye harcaması açıklamalarını, güç projeksiyonlarını ve protokol benimsemesini takip etmesi gerektiğidir. Sadece liderlik tablolarını izleyen bir ekip, inşa edilebilir olanı gerçekten yeniden şekillendiren hamleleri kaçıracaktır.

Hesaplama Artık Güç, Arazi, Çipler ve Zamanlamadır

Yapay zeka altyapısı büyümesi üzerindeki en bağlayıcı kısıtlama tek başına çip arzı değil, elektriktir. IEA'nın analizi, küresel veri merkezi elektrik tüketiminin 2025'te 485 TWh'den 2030'da 950 TWh'ye kabaca iki katına çıkacağını ve yapay zeka için optimize edilmiş veri merkezlerinin genel veri merkezi segmentinden daha hızlı büyüyeceğini öngörüyor. Bu, mütevazı bir verimlilik ayarlı tahmin değildir; bazı bölgelerde kapasite için ulusal şebekelerle zaten rekabet eden bir kategorinin iki katına çıkmasıdır.

Yoğunluk sorunu hacim sorununu bileşikleştiriyor. IEA, yapay zeka sunucusu güç yoğunluğunun 2020'den 2025'e yaklaşık 11 kat arttığını ve 2027'ye kadar 4 kat daha artabileceğini bildiriyor. Bu yörünge, "bir raf yapay zeka hesaplamasının" fiziksel ayak izinin çoğu şebeke bağlantı sürecinin, soğutma tasarımının veya izin zaman çizelgesinin emebileceğinden daha hızlı değiştiği anlamına gelir. 2023 dönemi raf yoğunluğu için tasarlanmış bir veri merkezi, 2027 dönemi donanımı için sadece "daha az verimli" değildir; bir güçlendirme olmadan ona ev sahipliği yapamayacak şekilde yapısal olarak yetersiz olabilir.

Veri merkezi elektrik talebi projeksiyonuIEA merkezi projeksiyonu: veri merkezleri 2025'ten 2030'a yaklaşık iki katına çıkıyor485 TWh950 TWh20252030~2x toplam talepKaynak: IEA Enerji ve Yapay Zeka Üzerine Temel Sorular, gözlemlenme 2026-07-09. Yapay zeka odaklı veri merkezleri toplam segmentten daha hızlı büyüyor.

Sermaye piyasaları bu kısıtlamayı doğrudan fiyatlandırıyor. NVIDIA'nın 2026 mali yılı sonuçları, toplam 215,938 milyar dolarlık gelirin içinde veri merkezi gelirinin yıllık bazda %68 artışla 193,7 milyar dolara ulaştığını gösteriyor. Bu sadece çip talebi değildir; çip talebinin, veri merkezi kurulum taahhütlerinin ve yeni kapasiteyi konuşlandırılabilir kılan güç sözleşmelerinin bileşimini yansıtır. Aynı zamanda, NVIDIA'nın 2027 mali yılı 1. çeyreği için kendi ileriye dönük rehberliği, Çin'den herhangi bir veri merkezi hesaplama geliri varsaymıyor; bu, en net hesaplama arzı liderinin bile sürtünmesiz küresel talep varsaymak yerine jeopolitik dışlanma etrafında planlama yaptığının bir hatırlatıcısıdır.

Stargate, çip satıcılarının kendisi dışında bu ölçekte sermaye taahhüdünün en net yakın tarihli örneğidir. OpenAI'ın duyurusu, 100 milyar doları hemen konuşlandırılmak üzere dört yıl içinde 500 milyar dolar yatırım yapma niyetini tanımlıyor ve SoftBank, OpenAI, Oracle ve MGX'i ilk öz sermaye yatırımcıları olarak adlandırıyor. Bunu kesinlikle bir sermaye taahhüt sinyali olarak ele alıyoruz: altyapı oyuncularının gelecekteki hesaplama kapasitesine sermayeyi önceden taahhüt etmeye ne kadar istekli olduklarını gösteriyor. Tek başına yürütme hızını, tesis sayısını veya personel seviyelerini kanıtlamıyor ve duyurudan bu yana kurulumun nasıl ilerlediğine dair doğrulanmamış iddiaları ileri sürmüyoruz.

Tüm bunların altındaki tedarik zinciri dar kalmaya devam ediyor. Stanford'un 2026 AI Index raporu, ileri teknoloji yapay zeka çipi üretiminin TSMC'de yoğunlaştığını ve ABD'nin 5.427 veri merkezine ev sahipliği yaptığını belirtiyor; bu sayı, talep küreselleşirken bile hem üretimin hem de barındırma kapasitesinin coğrafi yoğunlaşmasını gösteriyor. Tek bir fabrika düğümü ve az sayıda hiper ölçekli yoğun bölge, "hesaplamayı" giderek daha fazla değiştirilebilir bir emtia olarak gören bir pazarın altında yer alıyor. Değiştirilebilir değildir; yeni kapasite için teslim sürelerinden model sunan işletmelerin bağlı olduğu fiyat istikrarına kadar aşağı yöndeki her şeyi şekillendiren yollarla coğrafi ve politik olarak yoğunlaşmıştır.

Bir altyapı veya platform ekibi için pratik okuma şudur: kapasite planlaması, sadece çip satıcısı yol haritalarını değil, güç bağlantısı zaman çizelgelerini ve fabrika yoğunlaşma riskini de hesaba katmalıdır. İstikrarlı çok bölgeli GPU fiyatlandırması varsayılarak oluşturulan bir yönlendirme veya sunum mimarisi, herhangi bir yapay zeka şirketinin kontrolü dışında olan şebeke kapasitesi ve jeopolitik istikrar üzerine örtük bir bahis yapmaktadır.

Verimlilik Yolu Bir Altyapı Stratejisidir

Hesaplama ve güç kısıtlıysa, doğal karşı hamle verimliliktir; sadece daha fazla donanım satın almak yerine GPU-saati ve watt başına daha fazla kullanılabilir zeka çıkarmak. Bu, hesaplama yarışına felsefi bir alternatif değildir; bizzat kendisi bir altyapı stratejisidir ve belgelenmiş bir örneğe sahiptir.

DeepSeek-V3'ün tarihsel teknik raporu, yaklaşık 5,576 milyon dolar maliyetle 2,788 milyon H800 GPU saatlik resmi bir eğitim çalışması olduğunu belirtiyor. Bu rakam kesin, kaynaklı ve tam olarak kapsamı dahilinde okunmaya değerdir: önceki araştırmaları, ablasyon deneylerini, mimari keşifleri, algoritma geliştirmeyi ve veri toplama maliyetlerini açıkça hariç tutar. Bu, bir eğitim çalışmasının maliyetidir, o çalışmayı üretebilecek bir laboratuvar kurmanın maliyeti değil. Bunu "bir sınır modelinin toplam maliyeti" olarak ele almak (kamuoyundaki yaygın bir yanlış okuma), rakamın desteklediğini abartmak ve çalışmayı mümkün kılan Ar-Ge yatırımını olduğundan az göstermektir.

Rakamın desteklediği şey, rekabetçi bir kaldıraç olarak verimlilik mühendisliği hakkında gerçek bir sinyaldir. Belgelenmiş, nispeten düşük GPU-saat maliyetiyle rekabetçi kaliteye ulaşan bir eğitim çalışması, mimari ve eğitim hattı seçimlerinin hesaplama-yetenek-birimi oranını önemli ölçüde değiştirebileceğini gösteriyor. Güç ve çip arzı daraldıkça daha önemli hale gelen altyapı kaldıracı tam olarak budur: eğer kolayca daha fazla kapasite satın alamıyorsanız, sahip olduğunuz kapasiteden daha fazlasını çıkarırsınız.

İki altyapı yoluÖlçek kapasite satın alır; verimlilik GPU-saati başına yetenek eğrisini değiştirir.Kaba kuvvet ölçeğiDaha fazla çip, daha fazla güç, daha büyük kümelerVerimlilik yoluMimari, eğitim hattı, sunum yığınıMakaledeki örnekler: OpenAI Stargate sermaye harcaması sinyali, tarihsel eğitim maliyeti kapsamı, vLLM/PagedAttention sunum verimliliği.

Verimlilik yarışı eğitimle sınırlı değildir. Çıkarım sunumunun kendi verimlilik katmanı vardır ve herhangi bir model sürümünden bağımsız olarak gelişmektedir. vLLM projesinin PagedAttention makalesi, KV-önbellek bellek yönetimini bir son düşünce yerine birinci sınıf bir zamanlama sorunu olarak ele alarak, önceki sunum sistemlerine kıyasla benzer gecikmede 2-4 kat verimlilik artışı bildiriyor. Bu bir model kalitesi kazanımı değil, sunum altyapısı kazanımıdır ve üzerinde çalışan her modelle bileşikleşir. Sunum yığınını yükselten bir ekip, modele hiç dokunmadan verimlilik kazanımları gerçekleştirebilir; bu, silahlanma yarışının farklı ve az takdir edilen bir eksenidir: altyapı katmanı verimlilik iyileştirmeleri, eğitim katmanı verimlilik kazanımlarının olmadığı şekillerde model katmanı genelinde taşınabilirdir.

Qwen3'ün sürümü üçüncü bir verimlilik boyutunu gösteriyor: dağıtım hedefi çeşitliliği. Qwen3 lansmanı, Apache 2.0 altında iki uzman karışımı modeli ve altı yoğun modeli açık ağırlıklı hale getiriyor; SGLang, vLLM, Ollama, LMStudio, MLX, llama.cpp ve KTransformers genelinde resmi önerilen dağıtım yolları ile. Hem MoE hem de yoğun varyantları birden fazla parametre ölçeğinde sunmak, dağıtım katmanında bizzat bir verimlilik stratejisidir: bir geliştiricinin, her dağıtımı aynı hesaplama ağırlıklı yoldan zorlamak yerine, bulut ölçeğinde bir MoE dağıtımından tüketici donanımında yerel bir yoğun modele kadar donanım kısıtlamasına uyan hesaplama profilini seçmesine olanak tanır.

Platform ekipleri için operasyonel ders, verimlilik ve ölçeğin aynı bütçe için rekabet eden karşıt kamplar olmadığıdır; aynı sorunda iki kaldıraçtır ve önümüzdeki iki yıl için en iyi konumlanmış ekipler her ikisini de enstrümante edenlerdir. Kendi yönlendirme ve görev başına maliyet analizimiz bunu ideolojik bir sorudan ziyade operasyonel bir soru olarak ele alıyor: sabit bir görev dağılımı verildiğinde, model seçimi ve sunum yapılandırmasının hangi kombinasyonu kabul edilebilir bir kalite tabanında maliyeti en aza indirir.

Açık Ağırlıklar Dağıtımı Değiştirir, Yönetişimi Otomatik Olarak Değil

Apache 2.0 altındaki Qwen3 sürümü bir dağıtım kararıdır ve bu kararın neyi değiştirip neyi değiştirmediği konusunda kesin olmakta fayda var. Açık ağırlıklar, bir modelin parametrelerinin indirilebileceği, operatörün kontrol ettiği altyapıda çalıştırılabileceği, ince ayar yapılabileceği ve belirtilen lisans şartları altında yeniden dağıtılabileceği anlamına gelir. Bu, ağırlıkların sağlayıcının altyapısından asla çıkmadığı ve her çıkarım çağrısının o sağlayıcının sunum yığını, hız sınırları ve hizmet şartları tarafından aracılık edildiği yalnızca API'li bir modelden anlamlı derecede farklı bir düzenlemedir.

Bu parça boyunca "açık kaynak" yerine kasıtlı olarak "açık ağırlıklar" terimini kullanıyoruz. Belirli bir sürümün OSI tarzı bir açık kaynak standardını karşılayıp karşılamadığı, eğitim verisi açıklamasına, eğitim hattının tekrarlanabilirliğine ve ağırlık yeniden dağıtımının ötesindeki lisans şartlarına bağlıdır; basın haberlerinde "açık kaynak" olarak yaygın şekilde ele alınan birçok mevcut "açık" model sürümü de dahil olmak üzere çoğu kriteri tam olarak karşılamaz. Qwen3'ün ağırlıklar üzerindeki Apache 2.0 lisansı gerçek ve doğrulanabilir bir dağıtım taahhüdüdür; tek başına tam eğitim hattı şeffaflığının kanıtı değildir.

Açık ağırlıkların güvenilir bir şekilde değiştirdiği şey kontrol yüzeyidir. Kendi kendine barındırılan altyapıda açık ağırlıklı bir model çalıştıran bir geliştirici çalışma süresini kontrol eder, veri ikametini kontrol eder, ince ayarı kontrol eder ve sağlayıcının fiyatlandırma değişikliklerine veya kullanımdan kaldırma takvimine maruz kalmaz. Açık ağırlıkların otomatik olarak sağlamadığı şey, belgelenmiş güvenlik değerlendirmesi, kırmızı takım açıklaması veya aşağı yöndeki kötüye kullanım sorumluluğu anlamında yönetiştir; bunlar, yayınlayan bir kuruluşun ağırlık sürümüyle birlikte yapabileceği veya yapmayabileceği ayrı taahhütler olarak kalır.

Model erişimi için kontrol matrisiAçık ağırlıklar kontrolü kaydırır, ancak operasyonel yükü kaldırmaz.Operasyonel kontrol ->Operasyonel yük ->Doğrudan APIYönlendiriciAçık ağırlıklarKendi kendine barındırılan yığınYorum: API'ler operasyonel yükü azaltır; açık ağırlıklar kontrolü artırır; yönlendiriciler doğrudan kontrolün bir kısmını model/sağlayıcı esnekliği ile takas eder.

Stanford'un 2026 AI Index raporunun basit bir "kim kazanıyor" anlatısına karşı yararlı nüanslar eklediği yer burasıdır. Endeks, ABD ve Çin modelleri arasındaki üst düzey performans farkının fiilen kapandığını, ABD'nin genel olarak daha fazla üst düzey model ürettiğini ve Çin'in yayın hacmi, atıflar, patent çıktısı ve endüstriyel robot kurulumlarında lider olduğunu bildiriyor. Bu ölçümlerin hiçbiri (model eşitliği, model sayısı, yayın hacmi, patent çıktısı, robotik dağıtımı) birbirine temiz bir şekilde indirgenemez. Bir model kalitesi liderlik tablosu size patent çıktısı hakkında neredeyse hiçbir şey söylemez; bir patent sayısı, bir üretim ekibinin bu hafta bir kodlama görevini hangi modele yönlendirmesi gerektiği hakkında hiçbir şey söylemez. Jeopolitik yapay zeka haberlerini okuyan geliştiriciler, bunların her birini tek bir "kim önde" skor tablosuna girdi olarak değil, ayrı, ayrı ayrı kaynaklanmış iddialar olarak ele almalıdır.

Bir platform ekibi için pratik karar, soyut olarak nadiren "açık ağırlıklar mı kapalı API mi"dir. Bu, iş yükü başına bir karardır: bu iş yükü yalnızca kendi kendine barındırmanın sağladığı veri ikameti garantilerine mi, yoksa sağlayıcının özel kapasitesinin sunduğu verimlilik garantilerine mi ihtiyaç duyuyor, yoksa fiyatlandırma ve kullanılabilirlik değiştikçe trafiği sağlayıcılar arasında taşıyabilen bir yönlendiricinin paylaşılan altyapı ödünleşimlerini mi tolere ediyor. Model karşılaştırma araçlarımız bunu felsefi bir konumdan ziyade açık bir ödünleşim yüzeyi olarak ele alıyor; açık ağırlıklar bir dağıtım ve kontrol mekanizmasıdır, diğer herhangi bir altyapı bağımlılığını değerlendireceğiniz şekilde değerlendirilir.

Sıralamalar ve Model Verileri Operasyonel Altyapı Haline Geliyor

Çipler veya model sürümlerinden çok daha az dikkat çeken bir yığın katmanı, model meta veri katmanıdır: bir geliştiriciye hangi modellerin var olduğunu, maliyetlerinin ne olduğunu, ne kadar hızlı yanıt verdiklerini ve belirli bir ürün için önemli olan görevlerde nasıl karşılaştırıldıklarını söyleyen API'ler, sıralamalar ve kıyaslama metodolojileri. Bu katman kendi başına altyapı haline gelmiştir, çünkü üretim yönlendirme kararları giderek artan bir şekilde manuel araştırmadan ziyade bu sorulara makine tarafından okunabilir yanıtlara bağlıdır.

OpenRouter'ın Modelleri API dokümantasyonu, model meta verilerini, modaliteleri, desteklenen parametreleri ve fiyatlandırma, bağlam penceresi ve gecikme/verimlilik ile sıralanabilir görünümleri ortaya koymayı tanımlıyor. Bu, bir kıyaslama makalesinden gerçekten farklı bir kaynak türüdür: bir yönlendirme sisteminin bir sevk kararı vermeden önce programlı olarak çağırabileceği canlı, sorgulanabilir bir endekstir. OpenRouter'ın genel sıralamaları, ayrı olarak, haftalık kullanım ve görev düzeyinde harcama payına göre en iyi modeller dahil olmak üzere kıyaslamalara ve gerçek kullanım verilerine dayalı canlı sıralamalar sunar. Bu bir talep sinyalidir, küresel bir gerçeklik iddiası değil; bir platformun pazar yerinden akan trafiği yansıtır, bu da daha geniş pazar davranışıyla ilişkilidir ancak onunla aynı değildir. Bir yönlendiricide haftalık kullanıma göre en iyi seçim olan bir model, varsayılan yapılandırma seçimleri, ortak entegrasyonları veya bölgesel kullanılabilirlik dahil olmak üzere kaliteyle hiçbir ilgisi olmayan nedenlerle başka bir platformun trafiğinde eksik temsil edilebilir.

Artificial Analysis farklı bir yaklaşım benimsiyor: model, uç nokta, sağlayıcı ve sunucusuz dağıtımı ayrı kavramlar olarak ayıran açık bir metodoloji ile zeka, kalite, performans ve fiyat genelinde bağımsız kıyaslama. Bu ayrım kulağa geldiğinden daha önemlidir. İki farklı sağlayıcı tarafından sunulan aynı temel model, sunum altyapısı (model ağırlıkları değil) farklı olduğu için önemli ölçüde farklı gecikme ve verimlilik rakamları yayınlayabilir. Uç noktayı ve sağlayıcıyı belirtmeden "model X en hızlısıdır" raporu veren bir kıyaslama, altyapı performansı hakkında rapor veriyor ve bunu modele atfediyor.

Bu, bu parçanın önceki yığın figürünün göstermeyi amaçladığı aynı ayrımdır: meta veri ve sıralama katmanı, model katmanı ile geliştiricilerin gerçekte tükettiği API yüzeyi arasında yer alır ve bir sunum katmanı numarasını bir model katmanı iddiasıyla karıştırmak, sıralama okuryazarlığının yakalamayı amaçladığı bir kategori hatasıdır.

Artificial Analysis'in Zeka Endeksi metodolojisi, kendi dokümantasyonunda doğrudan bir uyarı ekler: v4.1 endeksi aracıları, kodlamayı, bilimsel akıl yürütmeyi ve genel yeteneği kompozit bir puana ağırlıklandırır ve metodoloji, bu tür metriklerin sınırlamaları olduğunu ve her kullanım durumu için geçerli olmayabileceğini açıkça belirtir. Bu, bir kıyaslama sağlayıcısından alışılmadık derecede doğrudan bir itiraftır ve geliştiricilere ayakta bir talimat olarak okunmalıdır: kompozit bir zeka puanı, bir kısa listeyi daraltmak için bir tarama aracıdır, aday bir modeli kendi görev dağılımınıza karşı değerlendirmenin bir ikamesi değil.

Liderlik tablosu okuryazarlığını kendi altyapı yetkinliği olarak ele almanın arkasındaki argüman budur. Canlı model ve fiyatlandırma verilerini sorgulayabilen, bunu bağımsız liderlik tablosu sinyalleriyle çapraz referanslayabilen ve trafiği taahhüt etmeden önce kendi göreve özel değerlendirmesini çalıştırabilen bir platform ekibi, bir modeli tek bir sıralama sayfasından seçen ve sıralamanın kendi iş yüküne aktarılacağını varsayan bir ekipten daha farklı bir titizlik düzeyinde çalışmaktadır. Meta veri katmanı tam olarak altyapıdır çünkü artık sadece çeyrekte bir gözden geçirilen bir tedarik tablosunda değil, üretim yönlendirme sistemlerinin otomatik karar yolunda yer almaktadır.

Aracılar Model Çıktısını Sistem Eylemine Dönüştürür

Şu anda en hızlı hareket eden standartlaşma dinamiklerine sahip katman model katmanı değil, aracı protokolü katmanıdır; bir modelin çıktısının bir sohbet penceresinde sonlanmak yerine harici bir sistemde gerçek bir eylemi tetiklemesini sağlayan yazılımdır.

Anthropic, Model Context Protocol'ü yapay zeka sistemleri ile harici veri kaynakları arasında güvenli, iki yönlü bağlantılar için açık bir standart olarak tanıttı. Lansmanda belirtilen tasarım hedefi basitti: her entegrasyonun özel, tek seferlik bir bağlayıcı olarak inşa edilmesini gerektirmek yerine, modellere araçlara ve verilere ulaşmaları için standart bir yol verin. Bu, bir veritabanı sürücüsü standardı veya bir API spesifikasyonu ile aynı kategoride bir altyapı sorunudur; N modeli M araca bağlamanın kombinatoryal maliyetini azaltmak için mevcuttur.

Lansmandan bu yana benimseme yörüngesi daha önemli altyapı sinyalidir. Anthropic'in MCP'yi Linux Foundation'ın yeni kurulan Agentic AI Foundation'ına bağışlama duyurusu, 10.000'den fazla aktif genel MCP sunucusu ve ChatGPT, Cursor, Gemini, Microsoft Copilot ve VS Code genelinde benimseme bildiriyor. Bu, doğrudan rakipler arasında tek bir protokolün çapraz satıcı benimsemesidir; yapay zeka altyapısında nadir görülen ve özellikle bu satıcıların model kalitesi, fiyatlandırma veya yönetişim felsefesi üzerinde anlaşmalarını gerektirmediği için dikkat çekici bir modeldir. Paylaşılan bir tesisat katmanında birleştiler çünkü farklı, uyumsuz araç çağırma standartları her birine entegrasyon maliyetleri yükleyecekti.

MCP'yi tek bir satıcının kontrolü altında tutmak yerine bağımsız bir vakfa vermek, bizzat dikkatle okunmaya değer bir yönetişim kararıdır. Bir modelin nelere dokunmasına izin verildiğini (hangi dosyalar, hangi API'ler, hangi sistemler) yöneten bir protokol, gerçek güvenlik ağırlığı taşır. Bu protokolün yönetimini herhangi bir laboratuvarın ticari teşviklerinin dışına yerleştirmek, onu tescilli bir farklılaştırıcı olarak tutmaktan farklı bir duruştur ve aracı araç katmanını rekabetçi IP yerine paylaşılan altyapı olarak ele almakla tutarlıdır.

Aracı eylem sınırıBir model çıktısı bir tekliftir. Altyapı onun eylem olup olmayacağına karar verir.Model çıktısıAraç çağrısıİzin kontrolüDenetlenmiş eylemOlay tekrarıBelirsiz veya kapsam dışı araç isteklerinde başarısız olKaynak bağlamı: Anthropic MCP lansmanı ve AAIF bağışı; güvenlik yorumu TokenLab araştırma sentezidir.

Bu sınırın operasyonel olarak önemli olmasının nedeni, bir aracının daha zeki bir sohbet robotu olmamasıdır; model çıktısını sonuç doğuran eyleme (bilet açma, işlem yürütme, veritabanı kaydını değiştirme, e-posta gönderme) dönüştüren bir sistemdir. Bu eylemlerin her biri, modelin kendi yargısından bağımsız bir izin modeline ihtiyaç duyar, çünkü modelin yargısı tam olarak öngörülemez şekilde başarısız olabilecek şeydir. İyi tasarlanmış bir aracı mimarisi, "model bunu yap dedi" ifadesini bir yetkilendirme değil, bir teklif olarak ele alır: teklif, açık bir araç çağırma arayüzünden, o belirli aracı örneğinin nelere dokunmasına izin verildiğine göre kapsamlandırılmış bir izin kontrolünden ve neyin istendiğini, neye izin verildiğini ve neyin gerçekte yürütüldüğünü kaydeden bir denetim günlüğünden geçer.

Üretim tartışmalarında belirsiz "yapay zeka güvenliği" dilinin yerini alması gereken çerçeve budur. Soru, belirli bir modelin soyut olarak hizalanmış olup olmadığı değildir; çevreleyen aracı altyapısının en az ayrıcalıklı erişimi uygulayıp uygulamadığı, bir olaydan sonra ne olduğunu yeniden oluşturmak için yeterli bir denetim izi üretip üretmediği ve bir araç çağrısı belirsiz veya kapsam dışı olduğunda güvenli bir şekilde başarısız olup olmadığıdır. Aracı geri dönüş ve yönlendirme kılavuzumuz bunu operasyonel bir tasarım sorunu olarak ele alıyor: bir aracı zincirindeki birincil model hatalı bir araç çağrısı döndürdüğünde, zaman aşımına uğradığında veya görev ortasında hız sınırına takıldığında ne olur ve geri dönüş yolu, iş akışını hareket halinde tutma baskısı altında bunları sessizce gevşetmek yerine aynı izin sınırlarını nasıl korur.

Altyapı ekipleri için stratejik okuma, aracı yeteneğinin artık model akıl yürütme kalitesinden ziyade, çevreleyen izin ve denetim katmanının ne kadar titizlikle inşa edildiğiyle engellendiğidir. Hiçbir kapsamı ve denetim izi olmayan bir izin sistemine bağlı sınır kalitesinde bir model, iyi enstrümante edilmiş bir sisteme bağlı orta düzey bir modelden daha büyük bir operasyonel risktir.

Bu, Model Platformları ve Geliştiriciler İçin Ne Anlama Geliyor?

Katmanları pratik bir kontrol listesinde bir araya getirirsek, 2026'da bu yığının üzerinde inşa eden bir ekip, her şeyi tek bir "hangi model en iyisidir" sorusunda birleştirmek yerine her katmanda farklı sinyalleri takip etmelidir:

• Hesaplama ve güç: Sadece manşet çip duyurularını değil, sağlayıcınızın gerçekte hizmet verdiği bölgelerdeki veri merkezi güç kullanılabilirliğini ve bağlantı zaman çizelgelerini takip edin. Bir sağlayıcının fiyat istikrarı, doğrudan asla göremeyeceğiniz güç sözleşmelerine bağlıdır.

• Sermaye harcaması sinyalleri: Stargate ölçeğinde veya başka türlü sermaye taahhüdü duyurularını, yakın vadeli kullanılabilirlik garantileri olarak değil, kapasitenin nerede önceden satın alındığına dair talep tarafı sinyalleri olarak okuyun. Bugün taahhüt edilen sermaye, gelecek çeyrekte mevcut olan GPU-saatlerine dönüşmez.

• Sadece ölçek değil, verimlilik: Hem eğitim tarafı verimlilik iddialarını (tarihsel DeepSeek-V3 raporunun açıkça ortaya koyduğu gibi, belirtilen maliyet muhasebesi kapsamıyla) hem de sunum tarafı verimlilik kazanımlarını (PagedAttention sınıfı verimlilik iyileştirmeleri gibi) ayrı, bileşik kaldıraçlar olarak değerlendirin. Bir sunum yığını yükseltmesi, herhangi bir model değişikliğinden bağımsız olarak verimlilik kazanımları sağlayabilir.

• Kontrol kararı olarak açık ağırlıklar: Veri ikameti, ince ayar kontrolü veya sağlayıcı bağımsızlığı, kendi çıkarım altyapınızı çalıştırmanın operasyonel yükünden daha ağır bastığında açık ağırlıklı kendi kendine barındırmayı seçin. Verimlilik garantileri ve daha düşük operasyonel yük, altyapı kontrolü kaybından daha ağır bastığında API veya yönlendirici erişimini seçin. İş yükünüz için belirli lisansı ve dağıtım maliyetini kontrol etmeden "açık" terimini "daha güvenli" veya "daha ucuz" ile eşanlamlı olarak ele almayın.

• Meta veri ve sıralama okuryazarlığı: Bir kısa listeyi daraltmak için makine tarafından okunabilir model meta verilerini ve bağımsız kıyaslama metodolojisini kullanın, ardından üretim trafiğini taahhüt etmeden önce kendi göreve özel değerlendirmenizi çalıştırın. Kompozit bir liderlik tablosu puanı, kendi metodoloji dokümantasyonu tarafından açıkça kapsamlandırılmış bir tarama sinyalidir, bir dağıtım kararı değil.

• Aracı izin tasarımı: Aracı yeteneğini genişletmeden önce, bir olaydan sonra değil, araç çağırma, izin kontrolü ve denetim günlüğü katmanını oluşturun. Sistem eylemini tetikleyebilecek her model çıktısını, temel modelin ne kadar yetenekli olduğuna bakılmaksızın açık yetkilendirme gerektiren bir teklif olarak ele alın.

• Görev başına maliyet disiplini: Model prestijine göre değil, iş yükü ekonomisine göre yönlendirin. Yüksek hacimli, düşük karmaşıklıktaki bir görev kategorisi için kalite çubuğunuzu geçen daha ucuz bir model, bir sınır modeli her soyut liderlik tablosunu kazansa bile o kategori için doğru seçimdir. Görev başına maliyet yönlendirme araştırmamız ve daha düşük maliyetli model dizinimiz, bu ödünleşimi örtük olmaktan ziyade görünür kılmayı amaçlamaktadır.

Bunların hiçbiri tek seferlik kararlar değildir. Her katman kendi takviminde hareket eder; güç kurulumu çok yıllık bir takvimde, model sürümleri aylık-üç aylık bir tempoda, protokol benimsemesi bir standart kritik kütleye ulaştığında patlamalar halinde. 2026'da altyapı rekabetçiliği, bir kazanan seçmekten ziyade, her yeni model veya protokol sürümü yayınlandığında tam bir mimari yeniden yazımı olmadan her katmandaki değişiklikleri emebilen bir yönlendirme ve değerlendirme döngüsünü sürdürmeye daha çok benzemektedir.

API ve Platform Ekipleri İçin Karar Matrisi

Yukarıda incelenen altyapı sinyalleri, hangi laboratuvarın veya satıcının ham yetenek konusunda nihai olarak lider olduğundan bağımsız olarak, model API'lerinin üzerinde inşa eden ekipler için pratik çıkarımlara sahiptir. Aşağıdaki tablo, gözlemlenen sinyalleri karar noktalarıyla eşleştirir; belirli bir satıcıyı veya ürünü önermez.

Altyapı Sinyali	Ortaya Çıkardığı Pratik Soru	Karar Vermeden Önce Nereye Bakılmalı
Kapalı modellerle yetenek farklarını daraltan tarihsel açık ağırlıklı model sürümleri (örneğin, DeepSeek-V3, Qwen3)	Bu iş yükü için kendi kendine barındırma veya açık ağırlıklı ince ayar artık uygulanabilir mi, yoksa kapalı API kolaylığı hala farktan daha mı ağır basıyor?	Sadece laboratuvar tarafından yayınlanan kıyaslamalar yerine bağımsız kıyaslama toplayıcıları (Artificial Analysis, OpenRouter sıralamaları)
Kıyaslama sağlayıcıları genelinde farklı sıralamalar	Hangi kıyaslama metodolojisi bu iş yükünün gerçek görev dağılımıyla eşleşiyor?	Tek bir liderlik tablosunu gerçek olarak benimsemeden önce yayınlanmış metodoloji notları
Sunum katmanı verimlilik kazanımları (örneğin, PagedAttention/vLLM sınıfı teknikler)	Kendi kendine barındırılan çıkarım, bu trafik modeli için API çağrılarına kıyasla maliyet/gecikme ödünleşimini artık değiştiriyor mu?	Satıcı tarafından bildirilen verimlilik rakamları değil, temsili eşzamanlılık altında kendi yük testi
Gelişmekte olan aracı/araç kullanım protokolleri (örneğin, MCP)	Entegrasyon çalışmaları protokol düzeyinde bir standardı mı yoksa satıcıya özel bir SDK'yı mı hedeflemeli?	Tek bir satıcının yol haritası değil, birden fazla laboratuvar ve araç genelinde protokol benimseme genişliği
Veri merkezi enerji ve kapasite kısıtlamaları (IEA projeksiyonları, Stargate gibi büyük sermaye harcaması duyuruları)	Kapasite planlaması sürekli fiyat ve kullanılabilirlik iyileştirmelerini mi varsaymalı, yoksa yoğun dönemlerde daha sıkı arz için bütçe mi ayırmalı?	Satıcı kapasite duyurularının yanı sıra bölgesel güç ve şebeke kapasitesi verileri
Az sayıda büyük altyapı programı arasında hesaplama yatırımı yoğunlaşması	Bu, gecikmeye veya kullanılabilirliğe duyarlı sistemler için tek satıcı bağımlılığı riski yaratıyor mu?	Genel yedeklilik iddiaları değil, çok satıcılı geri dönüş testi ve sözleşme şartları

Bu sinyallerin hiçbiri tek başına bir kararı çözmez; her biri, altyapı yarışını "kimin kazandığına" dair genel bir iddia yerine belirli, kontrol edilebilir bir soruyla değiştirir.

2027-2030 Senaryoları

Bu yığının önümüzdeki birkaç yıl içinde nasıl çözüleceğine dair tek bir sonucu tahmin etmek için bir temelimiz yok. Yapabileceğimiz şey, her biri geliştikçe onu doğrulayacak veya yanlışlayacak göstergelerle, yukarıdaki katmanlara dayalı senaryolar ortaya koymaktır. Bunlar senaryolardır, tahminler değil.

• Senaryo A - Güç kısıtlı konsolidasyon: Veri merkezi elektrik talebi IEA'nın 2030 için 950 TWh projeksiyonunu takip eder veya aşar, şebeke bağlantısı yeni kapasite üzerinde bağlayıcı kısıtlama haline gelir ve hesaplama erişimi, güç sözleşmelerini ve fabrika tahsisini en erken güvence altına alan operatörler arasında yoğunlaşır. İzlenecek gösterge: çip sevkiyat duyuruları değil, bağlantı kuyruğu zaman çizelgeleri ve büyük veri merkezi operatörlerinden bildirilen güç satın alma anlaşmaları.

• Senaryo B - Verimlilik odaklı yayılma: Tarihsel DeepSeek-V3 çapası ve PagedAttention sınıfı sunum çalışmalarının her ikisinin de gösterdiği modelde eğitim ve sunum verimliliği kazanımları, hesaplama-yetenek-birimi oranını talepten daha hızlı düşürmeye devam eder ve rekabetçi model yeteneği, en büyük hesaplama sahiplerinde yoğunlaşmak yerine daha geniş bir operatör setine yayılır. İzlenecek gösterge: yeni yayınlanan açık ağırlıklı modellerin, Stanford'un 2026 Endeksi'nin tanımladığı üst düzey yetenek farkını, önceki nesil modellerin gerektirdiğinden daha düşük veya benzer hesaplama bütçeleri kullanarak kapatmaya devam edip etmediği.

• Senaryo C - Protokol standartlı aracı katmanı: Aracı araç çağırma, az sayıda açık, vakıf tarafından yönetilen protokol (MCP'nin Agentic AI Foundation'a bağışı en net güncel örnektir) etrafında standartlaşır ve rekabetçi farklılaşma, protokolün kendisine değil, paylaşılan bir protokol üzerine inşa edilen izin, denetim ve orkestrasyon katmanına neredeyse tamamen kayar. İzlenecek gösterge: ek büyük model sağlayıcılarının ve araç platformlarının rakip standartları sürdürmek yerine aynı protokolü benimseyip benimsemediği ve vakfın kapsamının ilk görev alanının ötesine genişleyip genişlemediği.

2027-2030 altyapı senaryolarıTitreşimleri değil, göstergeleri takip edin: güç, verimlilik ve protokol yakınsaması.Güç kısıtlı konsolidasyonŞebeke erişimi ve fabrika tahsisikapasiteyi yoğunlaştırır.İzle: bağlantı kuyruklarıVerimlilik odaklı yayılmaGPU-saati başına yetenek, taleptendaha hızlı iyileşir.İzle: kalite başına maliyet eğrileriProtokol standartlı aracılarAçık aracı protokolleri rekabetiizin ve denetime kaydırır.İzle: MCP benimseme ve SDK'larSenaryolar tahmin değildir. Her biri kamu altyapısı, kıyaslama ve protokol benimseme sinyalleriyle yanlışlanabilir.

Bu senaryolar birbirini dışlamaz. Burada toplanan kanıtlara dayalı en olası yol, bir kombinasyondur: güç kısıtlamaları en büyük ölçekte kimin çalışabileceğini şekillendirir, verimlilik çalışmaları o ölçeğin gerçekte ne kadar yetenek satın aldığını belirler ve protokol standartlaşması, ortaya çıkan yeteneğin satıcılar arasında taşınabilir mi yoksa tek bir aracı ekosistemine kilitli mi olduğunu belirler. Geliştiriciler altyapı kararlarını tek bir senaryoya dayandırmak yerine her üç gösterge setini de takip etmelidir.

Bu Neyi Kanıtlamaz

Bu makale, "yapay zeka silahlanma yarışı" anlatısının bitişik haberlerinde dolaşan bir dizi iddiayı, bu parçanın gerektirdiği güven düzeyinde bağımsız olarak doğrulayamadığımız için kasıtlı olarak hariç tutar. Onları açıkça isimlendirmek, sessizce atlamaktan daha yararlıdır:

• Askeri ile ilgili güvenlik değişiklikleri konusunda bir reddetme ile bağlantılı herhangi bir belirli yapay zeka sağlayıcısına yönelik federal bir yasak iddiası için doğrulanmış bir kaynağımız yok. Bu iddia bazı haberlerde yer alıyor ancak burada bağımsız olarak doğrulanmadı ve hariç tutuldu.
• Stargate'in orijinal duyurudan sonra herhangi bir belirli noktadaki gerçek veri merkezi sayısı veya personel seviyesi hakkında doğrulanmış, tarihli bir kaynağımız yok. Duyuru niyeti ve ilk sermaye yapısını oluşturur; yürütme hızını oluşturmaz ve doğrulanmamış yürütme iddialarını her iki yönde de ileri sürmüyoruz.
• Herhangi bir şirketin veri merkezi kümesine atfedilen belirli GPU filo boyutu iddiaları için doğrulanmış bir birincil kaynağımız yok. Bunun gibi rakamlar ikincil haberlerde izlenebilir bir birincil kaynak olmadan yaygın şekilde dolaşır ve bu parçadan hariç tutulmuştur.
• Askeri uygulama performansı iddialarını (drone hedefleme oranları veya benzeri) kullanmıyoruz çünkü bunlar bize sunulan doğrulanabilir, tarihli, birincil kaynak materyalin ve bu makalenin altyapı ve geliştirici kapsamının dışındadır.
• Yapay zeka harcamaları için belirli savunma bütçesi kalem rakamlarını veya çip ihracatı yaptırımlarıyla ilgili kolluk kuvvetleri vaka dolar rakamlarını kullanmıyoruz çünkü bunlar buradaki altyapı argümanının merkezinde değildir ve bu parça için bağımsız olarak doğrulanmamıştır.
• Yapay zeka aracı pazar büyüklüğü veya büyüme oranı tahminlerini kullanmıyoruz. Bu kadar yeni bir kategori için pazar büyüklüğü rakamları metodolojiye göre büyük ölçüde değişir ve bu makalenin yaptığı altyapı argümanı için yük taşıyıcı değildir.
• Burada alıntılanan kıyaslama ve sıralama verileri (OpenRouter kullanım sıralamaları, Artificial Analysis puanları) belirli platformların metodolojilerini ve trafiğini yansıtır, belirtilen tarihte gözlemlenmiştir. Tek bir küresel model kalitesi sıralaması oluşturmazlar ve bu şekilde okunmamalıdır.
• Tarihsel DeepSeek-V3 eğitim maliyeti rakamı, teknik raporun kendisine göre bir eğitim çalışmasının GPU saatleriyle açıkça kapsamlandırılmıştır. Toplam şirket Ar-Ge harcamasını oluşturmaz ve "bir sınır laboratuvarı kurmanın maliyeti" için bir kıyaslama olarak kullanılmamalıdır.

SSS

Yapay zeka altyapısı silahlanma yarışı esas olarak en iyi modele sahip olmakla mı ilgili?

Hayır. Model kalitesi, elektrik arzı, çip üretimi yoğunlaşması, veri merkezi sermaye harcaması, eğitim ve sunum verimliliği, açık ağırlık dağıtım şartları ve aracı araç çağırma protokollerini içeren daha geniş bir rekabetin bir görünür katmanıdır. Bu çeyrekte bir liderlik tablosunun zirvesinde yer alan bir model, yine de ölçeklenemeyen altyapıda konuşlandırılabilir, araç çağırma benimsemesinden yoksun bir protokol üzerinden sunulabilir veya belirli bir iş yükü için onu ekonomik olmayan bir şekilde fiyatlandırılabilir.

"Açık ağırlıklar" gerçekte neyi garanti eder ve neyi garanti etmez?

Qwen3'ün Apache 2.0 sürümünde olduğu gibi açık ağırlıklar, bir modelin parametrelerinin indirilebileceğini, kendi kendine barındırılabileceğini, ince ayar yapılabileceğini ve belirtilen lisans altında yeniden dağıtılabileceğini garanti eder. Eğitim verisi şeffaflığını, tekrarlanabilir eğitim hatlarını veya belgelenmiş güvenlik değerlendirmesini otomatik olarak garanti etmezler; bunlar, yayınlayan bir kuruluşun ağırlık sürümüyle birlikte yapabileceği veya yapmayabileceği ayrı taahhütlerdir. Bir sürüm ağırlık yeniden dağıtımının ötesinde açık kaynak kriterlerini özellikle karşılamadıkça "açık kaynak" yerine "açık ağırlıklar" terimini kullanın.

Tarihsel DeepSeek-V3 eğitim maliyeti rakamı doğru şekilde nasıl kullanılmalıdır?

Teknik rapor, yaklaşık 5,576 milyon dolar maliyetle 2,788 milyon H800 GPU saatlik resmi bir eğitim çalışması olduğunu belirtiyor ve önceki araştırmaları, ablasyon deneylerini, mimari keşifleri, algoritma geliştirmeyi ve veri maliyetlerini açıkça hariç tutuyor. Bunu, belgelenmiş bir eğitim çalışmasının nispeten düşük bir GPU-saat maliyetiyle rekabetçi sonuçlar elde ettiğine dair kanıt olarak kullanın. Bir sınır laboratuvarı kurmanın toplam maliyet rakamı olarak kullanmayın ve muhasebe kapsamını eşleştirmeden doğrudan bir rakibin toplam Ar-Ge harcamasıyla karşılaştırmayın.

OpenRouter sıralamaları ve Artificial Analysis puanları aynı türden kanıtlar mıdır?

Hayır. OpenRouter'ın sıralamaları, kendi pazar yeri trafiğindeki canlı kullanımı ve harcama payını yansıtır; gerçek bir talep sinyalidir ancak o platforma özgüdür. Artificial Analysis, zeka, kalite, performans ve fiyat genelinde bağımsız kıyaslama yapar ve kendi metodolojisi, model, uç nokta, sağlayıcı ve sunucusuz dağıtımı ayrı değişkenler olarak açıkça ayırt ederken, kompozit Zeka Endeksi'nin sınırlamaları olduğunu ve her kullanım durumu için geçerli olmayabileceğini belirtir. Her ikisi de bir kısa listeyi daraltmak için yararlıdır; hiçbiri kendi iş yükünüzdeki göreve özel değerlendirmenin yerini tutmaz.

MCP ile tescilli bir aracı araç çağırma sistemi arasındaki pratik fark nedir?

Anthropic tarafından yapay zeka sistemleri ile veri kaynakları arasında güvenli iki yönlü bağlantılar için açık bir standart olarak tanıtılan MCP, o zamandan beri rakip platformlar (ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code, Anthropic'in kendi benimseme raporuna göre) genelinde benimsenmiş ve daha sonra Linux Foundation'ın Agentic AI Foundation'ına bağışlanmıştır. Tescilli bir araç çağırma sistemi, entegrasyonlarınızı tek bir satıcının yol haritasına ve yönetişim kararlarına bağlar. Açık, vakıf tarafından yönetilen bir protokol bu kilitlenmeyi azaltır, ancak yine de üzerinde kendi izin ve denetim katmanınızı oluşturmanızı gerektirir; protokol bağlantıyı standartlaştırır, yetkilendirme politikasını değil.