Türkiye'nin Yapay Zeka Durumu ve Fırsatları Üzerine

ChatGPT ilk çıkışını yaptığından beri yapay zekalar hayatımızın ve gündemimizin ayrılmaz bir parçası haline geldi. Hatta o kadar ses getirdi ki yapay zeka denildiğinde büyük dil modelleri(LLM’ler) haricindeki yapay zeka kategorileri çoğu kişinin aklına gelmiyor. GPT çıktıktan sonra bu süreç şirketler ve hatta devletler arası bir yarışa dönüştü. Daha doğrusu Amerika ve Çin arasında. Bu ikili dışında Mistral gibi bazı şirketler var tabii ki ama aradaki fark rakip denemeyecek kadar uçuk. Türkiye ise bu yarışa ciddi bir şekilde dahil olmadı. Aslında Türkiye ve diğer ülkelerin bugüne kadar bir şey yapmamış olması uzun vadede büyük bir eksik değil. Ama şu an tam olarak giriş yapmamız gereken kritik evredeyiz. Bu yazıda önce içinde bulunduğumuz durumu analiz edip “neden şimdi?” sorusuna bakacağız. Sonrasında dünya çapında ülkelerin durumlarına bakacağız. Zaten farklı ülkelerden bahsettikçe “neden şimdi” sorusu daha da açıklanmış olacak.

Öncelikle içerisinde bulunduğumuz durumu analiz etmemiz gerekiyor. Yıllardan beri konuşulan konularla başlayalım. “Yapay zeka işimizi elimizden alacak mı?”, “Hangi mesleklerin değeri düşecek?” tarzında sorular özellikle GPT’den beri tartışılıyor ve birçok şirket de bunun için büyük yatırımlar yaptı. Yatırımların yanında bazı işten çıkarmalar da oldu. İlk önce yapay zeka kullanımının bütçesi için 2 tane örnek verelim: Uber 2026’nın henüz nisan ayında çalışanlarına sundukları yapay zeka araçları için ayırdıkları yıllık bütçeyi tüketti ve çalışan başına limit koymak zorunda kaldı. Uber, başlangıçta bu bütçeyi açıklarken bunun şirket için çok büyük bir kazanç olacağı ve verimliliği arttıracağı şeklinde açıklamalar yapmıştı. Hatta şirket içerisinde çalışanları daha fazla yapay zeka kullanmaya teşvik ettiklerini biliyoruz. Ama nisan ayından sonra şirket bu kadar token kullanımının gereksiz olduğunu ve bir süre sonra harcadıkları paraya değip değmediği sorusuna mantıklı bir cevap vermekte zorlandıklarını açıkladı. Yine aynı aylarda gizemli bir şirketin tek bir ay içerisinde 500 milyon dolar değerinde Claude faturası çıkardığına dair doğrulanmamış bir iddianın haberleri yapıldı.(Axios)

Bir de işten çıkarmalara ve geri çağırmalara örnek verelim. Yapay zeka (LLM) sebepli ilk işten çıkarmalar çağrı merkezleri gibi nispeten monoton işler için geldi. Ama çok geçmeden bu uygulamalarda müşterilere küfür eden chatbotlar(DPD kargo botu), yalan haber üreten AI yazarlar(sports illustrated) gibi bazı skandallar yaşandı. Bu şirketlerden bazıları yapay zekaların söyledikleri yüzünden davalar(AIR Canada) ve cezalarla karşı karşıya geldi. Bunların üzerine Ford da 350 deneyimli çalışanını geri çağırmasıyla haber olmuştu. Ama benim asıl dikkatimi çeken Ford’un 2020’den beri toplam 5000’den fazla kişiyi işten çıkarması oldu. Bu 5000 kişinin tamamı yapay zeka kaynaklı değil. Ama yapay zeka kaynaklı işten çıkardıkları herkesi geri çağırmamışlar.

Bütün bunlar geride kaldı ve günümüzden baktığımızda çok daha anlamlı oluyor. Öncelikle bir özet olarak hala yapay zekanın tam zamanlı çalışan gibi kendi kendine iş yapamayacağını ve masraflar açısından sürdürülebilir olmadığını söyleyebiliriz. Ama yaşananlara çok boyutlu baktığımızda şirketlerin yapay zekayı yatırım amaçlı dillerine pelesenk ettiklerini ve şirket içerisindeki bazı düzenlemeleri yapay zekayı bahane ederek yaptıklarını söyleyebiliriz. Mesela çalışanlarını azaltmak isteyen bir şirket bunu “yapay zeka dönüşümü” olarak lanse ederse hem istediğini elde edip hem de “karlılığı arttırma” vaadiyle yatırımcıların gözünde parlayabilir. İşin kötüsü bir şirket yapay zeka adıyla bir değişim yaptığında yapay zekaya olan hype’ı daha da arttırıyor. Bu şekilde hype iyice körükleniyor.

Sonuç olarak günümüzde şirketlerin bu dönüşümleri büyük ölçüde abarttığı ve yapay zekanın tam zamanlı çalışandan ziyade bir yardımcı olarak görev yapması gerektiği konusunda hemfikir büyük bir kesim var. Ama günden güne yapay zekalar daha güvenilir ve kullanılabilir hale geliyor. Artık talimatlara daha çok uyuyorlar, önemli görevlerde daha az halüsinasyon görüyorlar ve uzun süreli çalışmaları yapabiliyorlar. Ek olarak yapay zekaların gelişimine dair şu şekilde bir cümle var: “Gün gelecek 1 milyar parametreli bir LLM bugünün frontier modelleriyle yarışacak.”. Bu öngörünün gerçekten haklı çıktığını söyleyebiliriz. Günümüzde Artificial Analysis’in zeka indeksinde geçen senenin frontier modeli OpenAI o3 (16 Nisan 2025) 31 puan alırken bu sene 2 Nisan’da yayınlanan Gemma 4 31B modeli 30 puan alıyor. 10 Ağustos 2026’da yayınlanan 30 milyar parametreli Muse Glimmer modeli 35 puanla her ikisini de geçiyor. Benzer şekilde bu sene 19 Mayıs’ta yayınlanan 1 milyar parametreli MiniCPM5 modeli, 4 Mart 2024’te yayınlanan ve zamanının frontier modeli olan Opus 3 ile aynı puanı almış.

Yeni bir teknoloji çıktığında önce fazla abartılır. Buna “Gartner Hype Cycle” deniliyor, en basit haliyle: heyecan, hayal kırıklığı ve gerçekçi kabul. Yapay zeka, bir yandan abartıyı atlatırken bir yandan daha kullanılabilir ve işlevsel hale geliyor. Yani yavaş yavaş hype’ın sonuna geliyoruz ve belirli alanlarda platoya oturduğunu göreceğiz. Artık yapay zeka gerçekten işlere dahil edilebilecek, verimliliği arttıracak ve bazı işleri otonom yapabilecek seviyeye geldi. Şirketler ve kurumlar tarafından kullanılmaya uygun, verilerin yurtdışına çıkmadığı ve bizim kendi dilimiz, kültürümüz ve ihtiyaçlarımıza göre özelleştirilmiş modellere olan ihtiyacımız gün geçtikçe artacak.

Ülke özelinde analize geçmeden önce yapay zeka eğitiminin aşamaları ve bazı gerekliliklerden bahsedelim. Bir LLM eğitimi iki aşamadan oluşur: pre-train ve post-train. Bu yazıda “pre-train” yerine “ön eğitim” diyeceğiz ama literatürde “post-train” yerine tam kabul görmüş bir çeviri olmadığı için İngilizcesiyle kullanacağız.

Yapay zekalar metinleri tokenlere böler ama doğrudan bu tokenleri işlemez. Her tokeni bir vektör (sayılar dizisi) ile ifade eder. Yani yapay zekanın işlediği her bir metin önce tokenleştirilir sonra tokenlerin “anlamına” bağlı olarak bir girdi elde edilir. Bu girdi parametrelerle çarpılır, bu şekilde sıradaki token tahmin edilir… Zaten GPT popülerleştikten sonra yerli ve yabancı birçok medya platformunda bunun anlatımları yapıldı. Hatta direkt Andrej Karpathy gibi yapay zeka sektöründeki önemli kişiler tarafından yapılmış anlatımlar da mevcut. Sektörün içindeki kişilerden dinlemeniz/okumanız tabii ki daha iyi olacaktır.

Başlangıçta bütün parametreler ve anlam vektörleri rastgele sayılardan oluşur. Ön eğitimin amacı bu sayılara makine öğrenmesi algoritmalarıyla “anlam” kazandırmak. Buna bir örnek verelim: mesela 4 boyutlu bir vektörümüz var ve bu sayılar sırasıyla 3 ana renk ve sertliği temsil ediyor (sayılar $0$-$1$ aralığında). Eğer vektörümüz $(0,0,0,0.1)$ ise bahsi geçen token siyah ve yumuşak. Eğer renkler tam $0.5$ ve sertlik de $0.7$ olsaydı şu anlama gelirdi: bu token gri ve sert. Ama en sert şey değil, mesela bir taş olabilir. Bu 4 sayıya bir de parlıklığı ifade eden 5. bir sayı ekleseydik daha spesifik yorumlar yapabilirdik. Mesela bir şey hem siyah hem orta sertlikte hem de mat olursa bu token kömürü ifade ediyor olabilir. Ama siyah, sert ve parlak olursa bu token cilalı bir tahtayı veya bir plastiği ifade ediyor olabilir. Vektörlerin boyutunu arttırarak bu anlamı daha da genişletebiliriz. LLM’lerde bu vektör genellikle binden fazla sayıyla ifade edilir. Bu sayede model yüzbinlerce tokeni birbirinden ayırt edebiliyor. Yani LLM’ler tokenleri farklı özellikler için ayrılmış skalalar ile görüyor. Ama bu vektörlerin hangi “anlam”ı alacağını biz yönlendirmiyoruz. LLM’ler bir önceki halinde (parametrelerinde) ufak değişiklikler yapılarak eğitiliyor. Dolayısıyla anlam vektöründe bir sayının hangi skalaya uygun olduğu başlangıç parametreleri, eğitim tokenleri hatta eğitim tokenlerinin sırası gibi bir sürü etkene bağlı. Bir LLM kelimeleri bize saçma gelebilecek şekilde değerlendiriyor da olabilir.

Ön eğitim ile ilgili asıl dikkat çekmek istediğim nokta “anlam”. Normalde bir yapay zekanın parametre sayısı arttıkça olgular arası ilişkileri anlama potansiyeli de artar. Tokenleri daha fazla sayıyla ifade ettiğinizde model bu tokenleri daha spesifik bir şekilde ayırt edebiliyor, incelikleri daha iyi kavrayabiliyor. Ama başlangıçta bütün bu anlam rastgele sayılarla başlıyor ve eğitim sırasında şekilleniyor. Dolayısıyla bir modelin ön eğitim aşamasının kaliteli olduğunu belirleyen şey tek başına parametre sayısı veya veri seti boyutu değil. Kaliteli bir veri seti içerisinde her kelimenin farklı kullanımları bulunmalı ki model kelimeleri tek açıdan öğrenmesin. Eğitim tokeni sayısı parametre sayısına uygun olmalı ki model başlangıçtaki rastgele sayıların getirdiği kirliliği temizlesin. Buna model doygunluğu diyeceğiz. Eğer besleyebilecekseniz evinizin önüne çoban köpeği yerine aslan da bağlayabilirsiniz.

Modele kelimelerin anlamını öğrettik, bundan sonraki bütün eğitim teknik ve aşamalarının toplamına post-train deniliyor. Ön eğitim sırasında model dili, mantığı, dünyayı öğrensin diye elimizde ne varsa modele verdik. Bu konudaki sorunumuz modelin her şeyi görüyor olması. Örneğin modele “kalp nedir?” diye sorduğunuzda size duygusal, tıbbi veya kelimenin kökenine yönelik bir cevap verebilir. Tıbbi bir cevap verdikten sonra hastalıklardan ve tedavilerden bahsedebilir. Bunları yaparken nazik bir dil sergileyebileceği gibi kaba da olabilir veya çok teknik detaylarla sizi boğabilir. Post-train sırasında modele bunlardan hangisini yapması gerektiğini öğretiyoruz. Ama bu sadece modelin konuşma şeklini değil; çok adımlı görevlerde stabil kalmak, bir formülü kullanmak gibi alanları da kapsıyor. Kısacası post-train mayalanmış bir hamuru yoğurmak gibidir. Biraz daha popüler bir benzetme ile: “ön eğitim motorsa, post-train direksiyondur”. Tekrar tekrar bahsetmekte fayda var: iyi bir post-train için doygun bir model şarttır.

Evrim Ağacı'ndan Mesaj

Neden Desteğe İhtiyacımız Var?

Aslında maddi destek istememizin nedeni çok basit: Çünkü Evrim Ağacı, bizim tek mesleğimiz, tek gelir kaynağımız. Birçoklarının aksine bizler, sosyal medyada gördüğünüz makale ve videolarımızı hobi olarak, mesleğimizden arta kalan zamanlarda yapmıyoruz. Dolayısıyla bu işi sürdürebilmek için gelir elde etmemiz gerekiyor.

Bunda elbette ki hiçbir sakınca yok; kimin, ne şartlar altında yayın yapmayı seçtiği büyük oranda bir tercih meselesi. Ne var ki biz, eğer ana mesleklerimizi icra edecek olursak (yani kendi mesleğimiz doğrultusunda bir iş sahibi olursak) Evrim Ağacı'na zaman ayıramayacağımızı, ayakta tutamayacağımızı biliyoruz. Çünkü az sonra detaylarını vereceğimiz üzere, Evrim Ağacı sosyal medyada denk geldiğiniz makale ve videolardan çok daha büyük, kapsamlı ve aşırı zaman alan bir bilim platformu projesi. Bu nedenle bizler, meslek olarak Evrim Ağacı'nı seçtik.

Eğer hem Evrim Ağacı'ndan hayatımızı idame ettirecek, mesleklerimizi bırakmayı en azından kısmen meşrulaştıracak ve mantıklı kılacak kadar bir gelir kaynağı elde edemezsek, mecburen Evrim Ağacı'nı bırakıp, kendi mesleklerimize döneceğiz. Ama bunu istemiyoruz ve bu nedenle didiniyoruz.

Destek Ol

OpenAI o1 modeliyle beraber dil modelleri “düşünmeye” başladı. Ve modeller “düşünme” özelliğini kazandığından beri post-train’in önemi katlanarak arttı. Çünkü model ön eğitim aşamasında bir kelimenin cümle içerisindeki anlamını zaten öğrendi. Post-train modelin öğrendiği anlamı daha kullanılabilir hale getirmesini sağlıyor, bir nevi modelin potansiyelini açığa çıkartıyor. Bunu örneklerle pekiştirelim. Yapay zeka sektöründeki en büyük kırılmalardan biri, tek günde bir şirkete(Nvidia) ait değer kaybetme rekoru kıran ve toplamda 1 trilyon dolarlık çakılmaya sebep olan olay: “Deepseek şoku”. Bu olaya sebep olan Deepseek R1 modeli ön eğitimini tamamlamış Deepseek v3 modeli üzerine yapılmış bir post-train. Çıkış yaptıktan sonra çok popüler olan GLM 5.2 modeli de GLM 5 modeli üzerine kurulu bir post-train. Deepseek v4 modelleri de ilk çıktığında büyük bir başarı elde etmedi ama özellikle flash modelinin sonraki sürümü(0731) boyuna göre çok yüksek bir başarı elde etti. Cursor’un Composer modelleri, Deepreinforce’un Ornith model aileleri; ön eğitimini tamamlamış hazır modellerin üzerine yapılmış güzel birer post-train.

Ek olarak 14 Ağustos tarihinde GLM 5.3 modeli duyuruldu. Metin şu şekilde başlıyor: “Scaling post-training is all we did for GLM-5.3”. Modelin siber yeteneklerinin kendi beklentilerinden bile daha hızlı geliştiğini ve modeli bazı güvenlik önlemleri sonrasında yayınlayacaklarını belirtiyorlar. Kısacası sektör bıkmadan usanmadan “post-train, post-train, post-train” diye bağırıyor. Günümüzde eğitilen modeller zaten yüksek potansiyele sahip doygun modeller. GLM 5 modeli $28.5$ trilyon tokenle eğitilmiş. Deepseek v4 pro modeli $33$ trilyon tokenle eğitilmiş. Bu modeller bir python fonksiyonunun ne işe yaradığını zaten çok iyi biliyor.

Tabii ki post-train için kullanılan bir sürü teknik var: SFT, pekiştirmeli öğrenme, damıtma… SFT bunlar arasındaki en temeli, ön eğitimini tamamlamış modeli soru-cevap formatındaki veri setiyle diyalog kurmayı öğretiyoruz. Damıtma da benzer bir temele dayanıyor ama öğrettiğimiz veri seti daha büyük bir modelin çıktıları oluyor. Özellikle büyük modelin “düşünme zinciri”ni küçük modele aktarmak için tercih ediliyor. 1,5 milyar parametrelik boyutuna rağmen matematikteki başarısıyla kendinden yüzlerce kat büyük frontier modellerle yarışan Vibe-thinker modelinden örnek gösterelim. Vibe-thinker’ın 3B versiyonunun GitHub sayfasından bir alıntı: “It is built upon Qwen2.5-Coder-3B and post-trained with an upgraded Spectrum-to-Signal pipeline that combines curriculum-based supervised fine-tuning, multi-domain reinforcement learning, offline self-distillation, and instruction-oriented reinforcement learning.”. Mesela WeiboAI ekibi modele bir soruyu defalarca kez çözdürmüş bu çözümler arasından güzel olanları seçip yapay zekayı bunlarla tekrar beslemişler. Yani model bizim çözümlerimize dayanan hazır kalıplara sıkıştırılmak yerine halihazırda kendi üretme potansiyeli yüksek olan çözümlerle beslenmiş.

Gelelim post-trainin neden daha uygulanabilir olduğuna. Ön eğitim aşamasında model tamamen rastgele bir kökten başladığı için bir şeyleri öğrenebilecek hale gelmesi adına farklı konular ve çeşitlilik içeren trilyonlarca tokenle eğitilmesi gerekir. Örneğin ön eğitim aşamasında model hem “nasılsın” hem de “naber” kelimelerinin geçtiği örnekler görmek zorunda. Bu sayede iki kelimenin anlamını öğrenip birbirine yakın olduğunu söyleyebilir. Model her kelimenin her anlamını görmeli. Bunu öğreteceğiniz her dil için tekrarlamanız gerek. Ama post-train aşamasında modele “nasılsın” sorusuna “iyiyim” demeyi öğrettiğinizde kendiliğinden “naber” sorusuna da “iyiyim” diyebilir. Hatta “how are you doing” sorusuna da cevap verebilir. Çünkü ön eğitim aşamasında bu soruların aynı anlama geldiğini öğrendi. Dolayısıyla post-train, ön eğitime kıyasla daha az veri gerektirir, çok daha az donanım gerektirir ve modelin parametrelerinin tamamını değiştirmek zorunda değildir. Hatta günümüzde vibe-thinker’da bahsettiğimiz teknikler sayesinde eğitiminde kullanılan her sorunun cevabı olmak zorunda da değil.

Yapay zeka eğitimini detaylandırdığımıza göre Türkiye özelinde ufak bir analiz yapalım. Türkiye’de nispeten büyük çaplı yapılmış 2 tane ön eğitim örneği var. Bir tanesi gündeme bomba gibi düşen Kumru, diğeri de TÜBİTAK tarafından geliştirilen Bilge. VNGRS şirketi 7.4 milyar parametrelik Kumru modelini 300 milyar token ile 45 günde eğitti. Benzer boyuttaki Llama2 7B modeli 2 trilyon, Llama3 8B modeli 15 trilyon tokenle eğitildi. Günümüzde ise LFM2.5 8B A1B modeli ile bu sayı 38 trilyon tokene kadar yükseldi. Kumru’nun bu kadar başarısız olma sebeplerinden bir tanesi ön eğitiminin çok yetersiz kalması. Normalde bu çok güzel bir proje. Türkçe’de tokenizer açısından gerçekten verimli ve bu verimlilik modelin hem cümleleri anlamasında hem de daha az token harcamasında önemli bir rol üstleniyor. Üstelik Vibe-thinker modelinin temelini oluşturan Qwen 2.5 model ailesi Eylül 2024’te yayınlanmış nispeten eski bir model ailesi. Yani eğer Kumru modeli çok güzel bir ön eğitime sahip, doygun bir model olsaydı bugün post-trainlerle hala kullanılabilir halde olurdu. Öte yandan Bilge model ailesi 2 ay önce duyurulmasına rağmen özellikle metodolojisine dair önemli teknik detaylar paylaşılmadı. 4 tane model var, bu modellerden 1 ve 9 milyar parametrelik olanlar sıfırdan 1 trilyon tokenle eğitilmiş modeller. Modelin ana kullanımının çok dil yerine özellikle Türkçe ve İngilizce üzerine olacağını düşündüğümüzde 1 trilyon token yeterli olabilir. Kumru’nun aksine daha büyük bir ekip/imkanlarla yapıldığını ve devamının geleceğini düşünürsek başlangıç için kötü değil.

Türkiye’nin LLM geliştirmede yaşadığı başlıca 3 tane sorun var. Birincisi tabii ki işlem gücü. Türkiye süper bilgisayar ve sunucu çiftlikleri konusunda çok geride. Türkiye’nin en büyük süper bilgisayarları TÜBİTAK ve İTÜ’nün elinde. Bu bilgisayarlar da kamu yararına kurulmuş sistemler, özellikle bilimsel araştırma odaklı. Bir diğer problem Türkçe kaliteli verilerin eksikliği. Hugging Face’te 550 binden fazla metin türünde veri seti var. Bunlardan sadece 1811 tanesi Türkçe’yi içeriyor. İçeriyor diyorum çünkü çok dilli veri setlerinde Türkçe’nin oranı genellikle %5’in altında. Bu 1811 veri setinden 72 tanesi doğrudan Wiki’den alınma internet verisi. Bu kriterlerin yanında arama kısmına “mat” yazıldığında(hem Türkçe hem İngilizce “matematik” i içeriyor) 40 tane veri seti kalıyor. Bunlardan bazıları Türkçe’yi %5’in altında içeren çok dilli veri setleri. Ve çoğu düşünme adımlarını içermiyor. Hatta 1811 veri seti arasından “reason” (Türkçe aratıldığında çıkmıyor) diye aratıldığında sadece 32 tane kalıyor. Bunlardan 20 tanesi 10 bin satır altında. Kısacası günümüz şartlarında güzel bir post-train için arama yaptığınızda çok az seçeneğiniz kalıyor. Türkçe için yaşadığımız bir diğer sorun da İngilizce odaklı tokenizerlerin Türkçe için verimsiz olması. Aslında Kumru’nun, Bilge’nin ve Magibu’nun tokenizerleri bu sorunu aşabiliyor. Ama bir tokenizeri kullanmanın en verimli yolu modelin ön eğitiminden itibaren o tokenizeri kullanmak.

Türkiye’de LLM geliştiren başka şirketler de var. Bu şirketlerin ana işi yapay zeka üzerine değil ve ellerinde olan işlem gücüyle(veya maddi imkanla) kendi modellerini eğitiyorlar. Özellikle online alışveriş ve telekom şirketleri. Aslında ana işi yapay zeka olmayan bir şirket de çok güzel modeller eğitebilir. Post-trainin ne kadar güçlü olduğundan uzun uzun bahsettik. Ama bu şirketlerin sözünü açmama sebebimiz basit yerelleştirmeler yapıyor olmaları. Örneğin Deepreinforce ekibi Ornith 1.0 model ailesini geliştirirken hiç post-traine sokulmamış bir modeli alıp kendi teknikleriyle post-train ettiler. Yani büyük bir uğraş ve sektöre yapılan bir katkıdan bahsediyoruz. Oysa bazı şirketler, hali hazırda post-train edilmiş bir modeli alıp daha iyi Türkçe konuşacak şekilde ince ayar çekiyor. Post-trainin bir sürü tekniğin birleşimi olduğundan bahsetmiştik, post-train sırasında birçok tekniği bir arada kullandığınızda büyük bir değişim yapıyorsunuz. Bu tarz ince ayarlar Ornith veya Composer gibi modellerle kıyaslandığında çok sığ kalıyor. Yani bu tarz projelerin olması ve bu şirketlerin bazı üniversite takımlarına yardım etmesi gibi detaylar gerçekten çok değerli. Ama bu yazının konusu küresel oyuncuları da ilgilendiren, uzun soluklu ve daha büyük çaplı ürünler. Bu yüzden diğer ülkeleri analiz ederken bu tarz telekom şirketlerine pek değinmeyeceğiz.

Amerika: Güncel olarak Amerika’nın 5 tane frontier LLM şirketi var: Anthropic, OpenAI, Google, Meta ve xAI. Bu şirketler önemli yapay zeka ekiplerine ve çok güçlü sunuculara sahip. En güçlü modeller bu şirketler arasında gidip geliyor. Ama bu 5 şirket kendi içlerinde hiç stabil denilemeyecek dinamiklere sahip. Bu şirketler arasında Google’a ayrıca değinmek istiyorum. Google yapay zekaya büyük katkılar yapmış ve bu sektör için yüksek potansiyeli olan bir şirket. Öncelikle Google çok büyük bir beyin gücüne sahip. Her alanla ilgilenebilecek bir sürü çalışanı var. Bir projeye giriştiğinde başlangıçta milyarlarca dolar yakabilecek sermayeye sahip. Üstelik arama motoru, YouTube ve direkt Android olmak üzere yapay zekayı entegre etmek için çok uygun ürünlere sahip. GPT kısaltmasındaki “T” harfi; Google çatısı altında yazılmış, sektörde çok büyük kilometre taşı olarak kabul edilen ve gelmiş geçmiş en fazla alıntılanmaya sahip makalelerden biri olan “Attention is all you need” makalesinde tanımlanan transformer mimarisinden geliyor. (Aslında bu makale Google Çeviriyi daha iyi hale getirmek için çıkış yaptı)

Google çatısı altında yazılan bu makalenin Google için en can alıcı kısımlarından biri şu: makalenin sekiz yazarının sekizi de Google’dan ayrıldı. Bu sekiz yazarın yanında Google’dan ayrılıp bugün kilit noktada olan bir sürü girişimci var. Bu girişimlerin birden fazla kurucusu var ama biz Google’dan ayrılanlara bir değinelim. OpenAI: Ilya Sutskever, Mistral AI: Arthur Mensch, Character AI: Noam Shazeer ve Daniel De Freitas, Cohere: Aidan Gomez, Sakana AI: Llion Jones ve David Ha… Bu örnekler daha devam ediyor. Bunların üstüne Perplexity ve Anthropic’in kurucuları Aravind Srinivas ve Dario Amodei de önce Google’da çalışmış sonra OpenAI’a geçmiş ve ardından kendi şirketlerini kurmuş kişiler. Sonuç olarak Google bir akademi gibi. Mühendisler ve bilim insanları içeride kendilerini çok geliştiriyor ama Google bu beyin gücünü elinde tutamıyor. Character AI ile bahsettiğimiz Noam Shazeer “Attention is all you need” makalesinin yazarlarından biri. Kendi geliştirdiği chatbot projesine Google destek vermeyince Google’dan ayrılıp kendi şirketini kuruyor. ChatGPT’den sonra Google Shazeer’i geri getirmek adına 2,7 milyar dolarla Character AI’ın lisanslarını satın alıyor. Bunun üzerine Shazeer Gemini ekibinin başına geçirildi ama daha 2 yılını doldurmadan Google’dan tekrar ayrılıp OpenAI’a geçiş yaptı. Şuan Gemini 3.5 Pro sürümünü 2 ay ertelediler ve hala ne zaman yayınlanacağını bilmiyoruz. Google geçtiğimiz birkaç aylık sürede hem Gemini ekibinden önemli kişileri kaybetti(Shazeer’le birlikte ayrılanlar var) hem Gemini Pro’yu üst üste ertelemek zorunda kaldı. Dolayısıyla Google’ın kötü bir zamandan geçtiğini söyleyebiliriz.

OpenAI’a baktığımızda da büyük bir hareketlilik görüyoruz. GPT ile bu işi dünyaya duyuran ve günümüzde LLM dediğimiz modellere öncülük etmiş çok önemli bir şirket. Ama tıpkı Google’da olduğu gibi OpenAI’dan ayrılıp kendi şirketini açan önemli kişiler var. Örneğin Anthropic’in kurucusu Dario Amodei OpenAI’ın çok ticarileştiği ve bazı ilkelerinden saptığı gerekçesiyle şirketten ayrıldı. OpenAI CEO’su Sam Altman, Gemini 3’ün yayınlanmasından sonra şirket içi kırmızı kod yayınladı. Kırmızı kodla beraber geçen birkaç ay OpenAI için zorlu bir süreçti. Anthropic, Amerikan hükümetinin yapay zekayı ordu içerisinde kullanma teklifini reddetti. Sonrasında OpenAI’ın bu teklifi kabul etmesi OpenAI’a karşı bir boykot hareketi başlattı. ChatGPT app store’da en çok silinen uygulama haline geldi. quitgpt.org sitesinde belirtilene göre bugüne kadar 4 milyon kişi bu harekete katılmış.

Ancak özellikle 5.6 serisiyle beraber OpenAI büyük bir geri dönüş yaptı. Artificial Analysis testlerine göre genel zeka puanında(bir sürü testin ortak sonucuna göre karar veriliyor) Anthropic’in en iyi modellerinin hemen gerisinde. Ama token verimliliği açısından daha önde olduğu için aynı görevi neredeyse 2.5 kat daha ucuza yapıyor. Artifical Analysis’in yaptırdığı görevlerde GPT 5.6 Sol(max) modeli ortalamada 0.95 dolardayken, Opus 5(max) modeli 2.34 dolarda. Bunun yanında 5.6 serisinin en küçüğü Luna modeli milyon çıktı tokeni başına 1.2 dolarlık fiyatıyla Çin’in ucuz modelleriyle yarışıyor. Yani OpenAI aynı anda hem en zeki hem en ucuz sahasında büyük bir oyuncu.

Bu 5 şirketin yanında Amerika’da küçük LLM’ler ve post-train üzerine çalışma yapan şirketler de var. Daha önce değindiğimiz Cursor’un Composer 2.5 modeli Kimi k2.5 üzerine post-train edilmiş ve yazılım alanında fiyat/performans açısından çok başarılı bir model. Ornith modellerini geliştiren Deepreinforce da bir Amerikan şirketi. Yani Amerika’nın 5 frontier şirketinin yanında bazı alanlarda bu 5 şirketle yarışan post-train odaklı şirketler de var. Ek olarak MIT çıkışlı ve 230M-24B parametre aralığında cihaz içi kullanıma odaklı Liquid AI gibi şirketleri de var.

Çin: Çin bugüne kadar doğrudan en iyi modeli yapamadı. Ama en iyi modelleri hemen gerisinde takip ediyor ve bulunduğu yeri domine ediyor. Amerika’da 5 olarak bahsettiğimiz şirket sayısı Çin’de çok daha fazla. Deepseek, Kimi, GLM, Qwen, Minimax, Mimo, Tencent… Bu yedi şirketin hepsi ön eğitim dahil dünya çapında kullanılan ürünler üretiyor. Örnek vermek gerekirse 22 Ağustos tarihiyle openrotuer sitesinde haftalık en fazla kullanılan dil modelleri şu şekilde: Deepseek v4 flash 0731 13.3T token, Tencent Hy3 10.3T token, Mimo-V2.5 8.6T token. Listeyi 6.2T token ile GPT 5.6 Luna takip ediyor. Ama 5. sırada 5.9T tokenle Deepseek v4 flash’ın bir önceki sürümü var. Yani Deepseek v4 flash ilk 5’e 2 kez girmiş ve toplamda 19.2T token ile rakiplerini tam anlamıyla katlıyor. Bu arada bu veriler gerçekliği tam yansıtmıyor. GPT ve Claude gibi Amerikan modelleri daha çok aboneliklerle kullanılıyor. Ama yine de Çin menşeili modeller dünya çapında büyük bir kullanıma sahip.

Çin fiyat/performans konusunda gösterdiği bu başarıyı doğrudan performans konusunda da gösteriyor. Kimi k3, GLM 5.3 ve Qwen 3.8 max modelleri Amerikan şirketlerinin en iyi modelleriyle gerçekten yarışıyor. GLM 5.3 yayınlandığı blog yazısında “LLM Performance Evaluation” kısmında 6 tane benchmark sonucunu görselleştirmişler. Rakipleri: GLM 5.2, Kimi k3, GPT 5.6 Sol ve Fable 5. Bu 6 benchmark’ın 2 tanesinde GLM 5.3 birinci çıkmış. Yani fiyatı bir kenara bıraktığımızda bile Çin modelleri Amerikan modelleriyle doğrudan yarışıyor.

Agora Bilim Pazarı

MAGUS Stereo 8T Stereomikroskop

Stereomikroskop hacimsel örneklerle çalışmak ve bunların yapısal elemanlarını incelemek üzere tasarlanmıştır; nesnenin hacmini ve yüzeyinin kabartmasını iletir.…

Devamını Göster

₺67.283,12

Satın Al Tüm Ürünler

Bunlar dünya genelinde kullanılan ve rüşdünü ispatlamış modeller. Bunların yanında Meituan’ın 1.6 trilyon parametrelik devasa LongCat modeli de var. Kısacası Çin’de yapay zeka alanında inanılmaz bir iç rekabet var. Amerika’da trilyon parametre düzeyinde model eğiten 5 şirketten bahsettik. Çin’de ise bahsederken eksikler bile kaldı. Üstelik bu modeller açık ağırlık. Bu açık ağırlık ekosistemi sadece Amerika’da bahsettiğimiz Cursor ve Deepreinforce’un modellerini değil Çin’in kendi içerisindeki üreticileri de besliyor. Örneğin Ornith’e benzer şekilde Qwen 3.5 397B üzerine post-train edilmiş Nex N2 Pro modeli var.

Avrupa’ya geçmeden önce değinmek istediğim bir şey var. Tabii ki bir yapay zekanın ne kadar iyi olduğunu ölçmenin en iyi yolu doğrudan iş içerisinde kullanmak. Bu yönden benchmarklar tek başına kesin sonuç vermez ama benchmarkı doğru ayarlarsanız fikir vermesi amacıyla kullanabilirsiniz. Benchmarklarla ilgili en büyük sorun kolay manipüle edilebilir olması. Örneğin bir şirket kendi modeline uygun bir benchmark üretip çok başarılı bir model yaptıklarını söyleyebilir. Veya modeli hazır benchmarkların sorularıyla eğitip o benchmarkta çok iyi puan almasını sağlayabilir. Ya da bilinçsiz bir şekilde benchmarklar eğitim verisine karışabilir. Ama artık topluluk sadece benchmarklara bakmıyor. Mesela bir model yayınlandıktan sonra daha bir gün geçmeden internette bu modelle yazılan kodlar ve diğer modellerin kodlarıyla karşılaştırmaları dolaşmaya başlıyor. Bunun bir sonucu olarak şirketler benchmarklarla ilgili hile yapmayı göze alamıyor. Zaten benchmarklar da LLM’ler gibi bir araştırma konusu olduğu için bir sürü benchmark bir araştırma grubu tarafından yapılıyor. Yani topluluk tarafından kabul görmüş benchmarklar fikir vermesi için oldukça iyi bir kaynak. Bu konuda herkesin kaynak gösterdiği bir şirket var: Artificial Analysis. Kendileri tarafsız bir şekilde başta dil modeli olmak üzere yapay zeka modellerini test ediyorlar. Görsel veya ses üretme modellerini kör testlerle puanlasalar da LLM’leri benchmarklara sokuyorlar. Dil modellerinin genel zeka, kodlama ve agentic yetenekleri için kendi endeksleri var: AA Intelligence Index gibi. Kabul görmüş benchmarkların ortak sonucuna göre belirleniyor ve düzenli olarak ufak değişikliklerle tazeleniyor.

Avrupa: İlk bakışta Avrupa LLM eğitiminde pek de parlak değil. Avrupa’nın en iyi ve en meşhur LLM şirketi Mistral AI. Ama ister benchmarklara ister küresel ölçekte kullanımına bakın, Mistral küresel bir oyuncu olarak sınırda kalıyor. Avrupa dışardan bakıldığında henüz büyük bir proje yapmamış olsa da çok büyük bir potansiyel vaad ediyor. Örneğin bugün Google’ın bir parçası olan Deepmind Avrupa menşeili bir şirket. Alman Aleph Alpha şirketi de bu sene Kanadalı Cohere’ye satıldı. Yapay zekanın GitHub’ı olan Hugging Face’in kurucuları Fransız.

Çin’in yaşadığı çip sorunundan bahsetmedik ama Çin, Amerikan ambargosu sebebiyle yapay zeka sunucuları için gelişmiş çiplere erişemiyor. Avrupa’nın bu tarz bir kısıtlama sorunu yok. Avrupa’nın çok güçlü sunucu çiftlikleri ve geliştiricilere sunucu hizmeti sunmak için kurulmuş şirketleri var. Örneğin VNGRS Kumru modelini kiralık GPU’larla eğitti. Yani Avrupa hem milyar dolarlık hem de birkaç bin dolarlık girişimleri besleyebilecek kaynağa sahip veya erişebilecek durumda. Hatta kendi donanımını tasarlayabiliyorlar mesela Almanya yakın zamanda yapay zeka kullanımı için bir fotonik çip duyurdu. Bunun yanında UK AI Security Institute gibi kurumlar “AI etiği” gibi alanlarda söz sahibi. Kısacası Avrupa LLM üretmese de LLM hakkında söz sahibi ve LLM üretimi konusunda da yüksek bir potansiyel taşıyor.

Güney Kore ve Singapur: 10 Ağustos tarihinde bu yazıdan önce bir taslak yazmıştım. O taslakta Avrupa’dan sonra “Diğer ülkeler” diye bir başlık atmıştım ve Kore’nin bir paragrafı hak ettiğini söylemiştim. Ama Kore bir paragraftan fazlasını hak ediyor. Tam olarak yazının kalbine oturtabileceğimiz bir örnek. Kore 3 bellek şirketinin 2’sine ev sahipliği yaptığı için LLM işinden çok kâr etmişti zaten ama bunu bir kenara bırakalım. Öncelikle Mistral’den devam edelim keza benchmarklarda başarılı olmadığını söyledik ama detay vermedik. Mistral’in en son ve en güçlü modeli bu sene 29 Nisan’da yayınlanmış 128B bir dense model. Bu model Artificial Analysis Intelligence Index’te 30 puan almış. Singapur menşeili Sapiens AI’ın Agnes 2.5 Pro Beta modeli 49 puan almış. Güney Kore’den Motif 3 modeli 47 puan, Solar Pro 4 modeli 42 puan, A.X K2 modeli 35 puan ve K-EXAONE 2.0 0803 modeli 31 puan almış. Amerika ve Çin dışında 40 puanı geçebilen üç model var, ikisi Güney Kore biri Singapur’dan. Agnes Qwen 3.5 397B modeli üzerine yapılmış bir post-train olsa da Motif modeli ön eğitim dahil Motif Tech. tarafından geliştirilmiş bir model.

Benchmarklara göre Kore ve Singapur, Mistral’e adeta fark atmış durumda 5 şirketin 5 tanesi de Mistral’i geçmiş. Üstelik Motif modeli 314 milyar parametrelik bir model, yakaladığı başarı açısından oldukça verimli olduğunu söyleyebiliriz. Ek olarak 12.5 trilyon tokenle eğitilmiş. Benzer boyutlarda Deepseek v4 flash modeli 32 trilyon tokenle eğitilmiş 284B bir modeldi ve ilk yayınlandığında AAII puanı 42 idi. Yani Motif'in arkasında güçlü bir ekip olduğunu söyleyebiliriz. Bunun üzerine K-EXAONE 2.0 modeli LG AI araştırma grubu tarafından yapılmış 750B, A.X K2 modeli de SK Telecom tarafından yapılmış 688B bir model. Yani ilerleyen zamanlarda direkt Amerikan ve Çin modelleriyle rekabete girme şansları var.

Ama bütün bunların arasında çok daha dikkat çekici bir şey var: zaman. Motif 3 modeli 14 Temmuz’da beta sürümüyle(45 puan) AA sitesinde görünmeye başladı ve tam model 12 Ağustos’ta yayınlandı. Solar 4 Pro modeli 6 Ağustos, K-EXAONE ve A.X K2 modelleri de 12 Ağustos tarihinde yayınlandı. Singapur menşeili Agnes 2.5 Pro modelinin alfa sürümü 24 Temmuz, beta sürümü ise 26 Ağustos’ta yayınlandı. Kore, Amerika ve Çin’den sonra 3. sıraya, Singapur da 4. sıraya oturdu. Güney Kore’nin bir anda 4 büyük LLM duyurması bir mucize değil. Devlet destekli bir programın sonucu. 1. aşamada başka şirketler de vardı ancak elenenler oldu. Bu aşamada da küresel başarısına rağmen Motif Tech. elendi. Değerlendirmenin bir kısmı modelin genel zekasını içerse de program modelin Korece yeteneklerine ve kullanılabilirliğine de önem veriyor. Şu yorumu da ekleyelim muhtemelen Motif 3 modeli İngilizce ağırlıklı yüksek kaliteli bir veri setiyle eğitildi. Bu yüzden boyutu ve genel başarısına rağmen programın asıl hedefi olan alanlarda beklenen başarıyı elde edemedi. Ama yine de The Korea Times’ın haberine göre değerlendirme kategorilerinde 4 modelin birbirine çok yakın puanlar aldığını belirtelim.

Japonya: Herhalde Japonya’nın bir teknoloji ülkesi olduğundan bahsetmeye gerek yok. Dünyanın en büyük ekonomilerinden bir ve robotik alanında gelişmiş bir ülke. Robotiği özel olarak vurgulayalım çünkü diğer alanlardan daha spesifik ihtiyaçları var. Örneğin normal bir şirket yapay zeka çalışan almak istediğinde kullanılacak modelin neredeyse sıfır halüsinasyon görmesi, hızlı olması, düzenli çalışması, yazılım yapacaksa güvenlik açıklarını tespit edebilmesi ve birden fazla yazılım dilinde iyi olması, site tasarımı gibi alanlar için görsellikten anlaması, şirket kurallarına hakim olması ve yalan söylememesi gibi bir sürü özelliği aynı anda barındırması gerekiyor. Zaten çoğu şirket burada takıldı, yapay zeka belki iyi kod yazıyor ama tek başına bırakıldığında bütün işleri organize edemiyor veya çok aşamalı görevlerde bazı kuralları/istenenleri unutuyor. Ama robotik alanında yapay zekanın bir konuşma botu olması yeterli. Örneğin Teknofest savaşan İHA yarışmalarında kullanılan yapay zeka(görsel tanımlama) uçağı kontrol etmez, sadece görseli işleyip hedefin nerede olduğunu bildirir. Bir insansı robotu dil modeli ile kontrol ettiğiniz zaman dil modeli robotun dengesini sağlamak gibi işlerle uğraşmaz. Sizin isteklerinizi anlayıp robotun içinde “mutfağa git” komutu verir ve robot LLM’in yaptığı hatadan dolayı düşmez. Robotik alanında dil modelinin bazı hatalarını kolaylıkla tolere edebilirsiniz. Dolayısıyla asıl önemli olan sizinle konuşabilmesi, düşük donanımlarda çalışması, hızlı olması gibi spesifik ihtiyaçlardır.

Japonya konusunda ne yazık ki Kore hakkında söylediğimiz övgüleri söyleyemiyoruz. Bunun başlıca sebebi potansiyellerinin çok altında kalması. Öncelikle Japonya’nın GENIAC(Generative AI Accelerator Challenge) isimli üretken yapay zeka gelişimini desteklemek adına yürütülen bir devlet programı var. Japonya hakkında bahseceklerimiz genel olarak Liquid AI, GENIAC ve Sakana AI üzerine olacak. Ama önce LLM’lerin ön eğitim aşamasıyla ilgili bir oranı anlatalım.

Deepmind ekibi tarafından 2022 yılında yazılan “Training Compute-Optimal Large Language Models” makalesinin çok önemli bir sonucu: bir modelin parametre sayısı arttıkça eğitim tokeni sayısı da eşit oranda artmalıdır. Model eğitimi için önerdikleri oran her 1 parametre için 20 token. Ama altını çizerek belirtelim bu eşit eğitim koşulları için geçerli. 280B bir modeli 350 milyar tokenle eğitmek ile 70B bir modeli 1.4 trilyon tokenle eğitmek yaklaşık olarak aynı işlem gücü ve maliyete denk geliyor. Deepmind ekibinin bulduğu iyi eğitilmiş 70B model, eksik eğitilmiş 280B modelden daha başarılı. Ama günümüzde küçük dil modelleri eğitim değil çıkarım odaklı eğitiliyor. Mesela daha önce Kumru’dan bahsederken örneğini verdiğimiz üzere Llama 2 7B modeli 2 trilyon tokenle eğitilmiş yaklaşık 285’lik bir oran var. Llama 3 8B modeli 15 trilyon tokenle bu oranı 1875’e çıkartmış. Llama 3.2 1B modeli ise 9 trilyon tokenle 9000 orana sahip. LFM2.5 230M modeli 19 trilyon tokenlik eğitim verisiyle bu oranı 82600 civarına çıkartmış. Deepmind’ın Chinchilla oranı şunu söylüyor: Liquid AI şirketi LFM 2.5 230M modelini geliştirmek için kullandığı işlem gücüyle 460M bir modeli 8.5 trilyon tokenle eğitebilirdi. Veya 60B bir modeli 72 milyar tokenle eğitebilirdi. Chincilla oranına göre bu işlem gücüyle üretilebilecek en iyi model yaklaşık 15B parametrelik model. Ama LFM2.5 230M modelinin amacı telefon, robot veya araba gibi düşük donanıma sahip cihazlarda hızlı çalışmak olduğu için küçük bir modeli zekileştirebildikleri kadar zekileştirmeye çalışmışlar. Son olarak Kumru 7.4 milyar parametreye 300 milyar eğitim tokeniyle yaklaşık 40 token/parametrelik bir orana sahip. Model ilk duyurulduğunda Türkçe benchmarklarında birinci gelse de kullanıcı bildirimlerinde tam tersi bir sonuçla karşılaştı çünkü çok fazla halüsinasyon görüyordu, matematikten anlamıyordu, talimat takibi yapamıyordu… Kısacası günümüzde aşırı eğitim zamanındayız, şirketler donanım veya veri sorunu yaşamadığı sürece eğitim tokenini mümkün olduğunca fazla tutuyor.

Chinchilla yasasından bahsetmeme sebebimiz günümüzde 1.5T parametreden küçük modellerde token/parametre oranının 20’nin çok daha üstüne çıkması ve bunun sektör standardı haline gelmesi. Ama chinchilla bizim hala önemli, 20 oranı bizim için bir alt sınır olacak. Öncelikle Liquid AI ile başlayalım. Liquid AI MIT çatısı altında kurulmuş 230M-24B parametre aralığında düşük donanımda yüksek performansla çalışan modeller üreten bir şirket. Liquid AI, modellerine Japonca için özel ince ayar çekiyor. Hatta eski sitelerinde Japonca dil desteği vardı. Japon pazarında ise Itochu ile ortaklıkları var. Ürettikleri model skalasına bakıldığında tam da robotik alanında bahsettiğimiz Japon pazarının çok ihtiyaç duyacağı tarzda modeller üretiyorlar. Bu arada sadece Japonya değil BAE gibi ülkelerde şirketlerle de anlaşmaları var.

Japonya’nın yapay zeka anlamındaki en büyük girişimlerinden biri şüphesiz Sakana AI. İlk olarak Sakana AI’ın kurucularından biri “Attention is all you need” makalesinin yazarlarından biri olan Llion Jones. Bir diğer kurucusu David Ha da 6 yıl Google’da araştırmacı olarak çalışmış, Google Brain’in Tokyo merkezinin kurulmasında ve yönetilmesinde emeği geçmiş biri. Şirket şuanda 150’ye yakın çalışanı ve yüz milyonlarca dolar yatırımıyla Japonya için önemli bir yapay zeka şirketi. Öncelikle Sakana AI’ın asıl amacı trilyon parametrelik bir dil modeli üretmek değil ama kendilerinin LLM’lere yönelik ürünleri var ve biz bunları inceleyeceğiz.

Sakana AI’ın küresel çapta en çok duyulmuş ürünü Sakana Fugu idi. Openrouter verilerine göre Fugu Ultra’nın kullanımı çıkış yaptığı ilk hafta günlük 2.6 milyar tokendi ve 29 Haziran’da 5.29 milyar token ile zirve yapmıştı. Ağustos ayına geldiğimizde kullanım 24 Ağustos tarihinde 50 milyon tokene kadar düşmüş. Hatta Ağustos ayında zirve noktası 393 milyon token. Kısacası 2 ay içerisinde günlük kullanım %93.5’lik bir düşüş yaşamış. Fugu’dan sonra konuşacağımız şey Sakana Namazu. Namazu Kimi k2.6 modeli üzerine yapılmış bir ince ayar. Hali hazırda post-train edilmiş Kimi k2.6 modelini Japonca için biraz daha eğitmişler, geri kalan benchmarklarda büyük bir artış yok. Örneğin AIME2026 Benchmark’ında Kimi k2.6 96.40 puan almış, Namazu 96.67 puan almış. En önemli gelişim çeviri ve tarafsızlık gibi kurumsal kullanımda gerçekleşmiş. Ama Sakana Namazu ile asıl can alıcı nokta modelin başarısı değil, şirket başlangıç olarak basit ve garanti bir işe odaklanmış olabilir. Asıl dikkatinizi çekmek istediğim nokta fiyatlandırma.

Öncelikle Moonshot’ın kendisi Kimi k2.5 modelini 3 dolar üzerinden sunuyordu. Sonrasında Kimi k2.6 modelini çıkardıklarında 4 dolar üzerinden sunmaya başladı. Aslında her iki model de aynı donanımı gerektiriyor ve çalıştırma masrafları aynı. Ama yapımcı Moonshot’ın post-train için ekstra masraf yapıp daha iyi bir ürün çıkarttığında karını arttırmak istemesi normal bir durum. Cursor Composer 2 ve 2.5 modellerini Kimi k2.5 modelleri üzerine post-train etti. Bu basit bir ince ayar değil uzun soluklu bir post-train’di. Cursor Composer 2.5 modelini 2.5 dolar üzerinden çıkardı. Bunun iki tane sebebi var. İlki Moonshot, modelin ön eğitimi için büyük bir masraf yaptı ve bunu amorti etmesi gerekiyor. İkincisi de Çinli şirketler en gelişmiş GPU’lara erişemedikleri için modelleri sunmak daha maliyetli oluyor. Örneğin Çinde kullanılan H800 80GB, H20 96GB ve Amerikalı geliştiricilerin kullandığı B200 192GB, B300 288GB bellek içeriyor. Yani Çinli geliştiriciler 1TB bir modeli kullanıma sunmak için en az 12-13 GPU çalıştırmaya muhtaçken Amerikalı şirketler 4 tane B300 ile 1TB belleğe ulaşabiliyor. Üstelik yeni nesil çipler daha hızlı çalıştığı için aynı sürede toplamda daha fazla token üretiyor ve maliyetler iyice düşüyor. Aynı zamanda model daha hızlı çalıştığı için müşteri memnuniyeti artıyor. Bu sayede en yeni teknolojiye erişimi olan daha ucuza sunup daha yüksek kâra sahip olabiliyor. Sakana AI, Namazu için büyük bir masraf yapmamasına ve en gelişmiş GPU’lara erişimi olmasına rağmen 4 dolar fiyattan sunuyor. Bu fiyatlandırma bize sadece Sakana AI hakkında değil, Japon pazarı hakkında da büyük bir fikir veriyor.

GENIAC kapsamında eğitilen modellere bakarken bir miktar şaşırdığımı belirtmeliyim. Buna bazı örnekler verelim. Japon Ekonomi Bakanlığının 20 Ağustos’ta GENIAC ile ilgili duyurduğu haberde Panasonic Holding, Stockmark-LLM-100B modeli üzerine Panasonic-LLM-100B modelini eğiterek işlerine entegre edecekmiş. Öncelikle Stockmark-2 100B modeli 96 milyar parametre, 2 trilyon eğitim tokeni ve 32K bağlam penceresi ile günümüz standartlarının biraz altında bir model. Örnek vermek gerekirse Hermes Agent uygulaması yaklaşık 15 bin tokeni sadece modele sistem girdisi olarak veriyor. Bu yazının buraya kadar olan kısmı Gemini tokenizerinde 10 bin tokenden daha fazla. Benzer boyut ve özelliklerdeki Mistral 3.5 Medium(128B, yoğun) modeli, Artificial Analysis zeka endeksi testlerinde görev başına 26K token kullanmış. Ek olarak Stockmark 96 milyar parametrelik yoğun bir model. Tek başına bir H100 GPU’ya sığmıyor (modelin eğitimi için H100 GPU’lar kullanılmış) ve sığdığı H200 GPU’da tahmini 50 token/saniye hızla çalışabilir. Birden fazla kullanıcıya sunduğunuzda bu hız daha da düşecek. Yani her ne kadar güzel bir proje olsa da sürdürülebilir bir şey olduğunu sanmıyorum.

Japonya hakkında son olarak belirtelim ki bahsettiklerimizden çok daha fazla model mevcut. Özellikle 150 milyar parametre altında sıfırdan eğitilmiş veya gelecek vaad eden PLaMo 3, Swallow tarzında modeller de var. Ama bu skalanın üzerine çıktığınızda büyük bir boşlukla karşılaşıyorsunuz. Bunun sayılı örneklerinden Rakuten 3.0 modeli deepseek v3 üzerine eğitilmiş 671 milyar parametreli bir model. Japonya ile ilgili yapacağım öznel gözlem ise şeffaflık konusunda büyük eksikleri var. Rakuten 3.0 modelini ilk araştırdığımda “Token başına yaklaşık 40B aktif parametre ve totalde yaklaşık 700B parametre” ifadesi geçiyordu. Sonrasında Hugging Face sayfalarına baktığımda toplam 671B, 37B aktif parametre yazısını gördüm, üstüne 128K bağlam penceresi de eklenince deepseek v3 modelini temel aldıklarına neredeyse emin oldum. Hatta Hugging Face sayfasında modelin mimarisi Deepseek v3 olarak gözüküyor. Ama kendileri sadece “Açık kaynaklı en iyi modeller kullanılarak” tarzında genel bir ifade kullanıyor. Araştırınca fark ettim ki bu Çin ve Japon medyasında büyük bir tartışma konusu olmuş. ITmedia AI(19 Mart 2026) editör ekibi “Rakuten’in yapay zekası Çin’in Deepseek’ine mi dayanıyor?” sorusu için direkt Rakuten ile iletişime geçmiş ve “temel model açıklanmıyor” tarzında bir açıklama ile cevap vermekten kaçınmışlar.

Sonuç

Ülkelere de üstünkörü baktığımıza göre Türkiye’ye geri dönebiliriz. Öncelikle Güney Kore, Singapur ve İspanya örneklerine bakıldığında şunu çok net söyleyebiliriz ki: Türkiye henüz bir şey kaybetmiş değil. Hatta yapay zekanın tehlikeli, yatırımcı tuzağı kısmına girmemiş olmamız iyi bir şey. Ama bu ülkelerin özellikle geçtiğimiz bir ay içerisinde bu tarz sıçramalar gerçekleştirmeleri bizim için bir sinyal olmalı.

Herşeyden önce yapay zeka sektöründeki belirsizliğe değinmemiz gerekiyor. Öncelikle kapalı kaynak yapay zekaların her alanda kullanılamayacağı ve Türkiye içerisinde çalışacak, Türkçe’yi iyi anlayan yapay zekaların bir ihtiyaç olduğu konusunda bir problem olduğunu sanmıyorum. Yapay zekalar ne kadar gelişirse gelişsin yerli alternatiflere ihtiyaç hiçbir zaman kapanmayacak. Bu da bizi açık kaynak ekosistemine götürüyor. Bir modeli sıfırdan eğitmek çok maliyetli olduğu ve Türkiye’de uzun bir süre boyunca ciddi ölçekte yapılamayacağını biliyoruz. Bunun yanında açık kaynak ekosistemi de yavaş yavaş sinyallerini vermeye başladı diyebiliriz. Öncelikle özellikle Meta’nın Llama modellerini bitirmesiyle açık kaynak ekosisteminin yükü Qwen’in üzerine bindi. Ornith 1.0 ve 1.5 model aileleri, Agnes 2.5 Pro, Apodex, Nex N2 Pro gibi örneklere baktığınızda bizim bahsettiğimiz tarzda post-train çalışmaları için Qwen modelleri çok popüler. Öte yandan Kimi, Qwen 3.8 2.4T, Deepseek v4 Pro gibi modeller bırakın post-traini, yükleyip çalıştırması bile çok yüksek donanım gerektiren modeller. Açık kaynak konusunda makasın ucu çok açılmış durumda. Ve bu ilerleyen zamanlarda düzelmeyecek. Çünkü doygun küçük modelin eksik eğitilmiş büyük modelden daha iyi olduğunu söyledik ama her iki model de doygunsa büyük model daha iyi olacaktır. Eğer bu şirketler 2-3 trilyon parametrelik modeller eğitebiliyorlarsa önümüzdeki senelerde yine bu büyüklüklerde model eğiteceklerdir. Bu sadece 2 şekilde düşer. Ya Chinchilla makalesinin yaptığı gibi yeni bir ölçekleme yasası çıkacak ya da yeni ve daha az imkanı olan bir şirket dahil olacak. Aslında bu güzel bir araştırma konusu olabilir. Örneğin GLM 5.3 modeli Kimi k3’ten 4 kat küçük olmasına rağmen başarı anlamında aradaki farkı kapattı. Üstelik GLM 5.3 flash ve Qwen 3.8 flash next modelleri bunu ayrı bir seviyeye taşıdı. Hatta Deepseek’in flash modeli pro modeliyle yarışıyor. Chinchilla yasaları geldi ve dedi ki “model boyutunu küçült, elde ettiğin işlem tasarrufu ile eğitim tokenini arttır”. Belki modeli küçültüp daha ağır post-traine sokmak daha verimli sonuçlar veriyordur. Bu güzel bir araştırma konusu olabilir.

Açık kaynak yapay zekalarla ilgili en büyük sıkıntı da artık modellerin gerçekten zeki olması. Örneğin GLM 5.3’ün duyurulduğu blog yazısında modelin siber yeteneklerinin çok hızlı geliştiği ve modeli yayınlamadan önce güvenlik testlerine sokacaklarını açıklamışlardı. Bir örnek vermek gerekirse Qwen 3.8 27B modeli de iyi bir kullanıcı bilgisayarında çalışabilecek kadar küçük ve frontier modellere kafa tutan benchmarklarıyla popüler hale geldi. Model yayınlandıktan sonra bir hafta geçmeden “qwen 3.8 27b uncensored” şeklinde güvenlik önlemlerinin kaldırıldığı versiyonu çıktı ve trendler listesine girdi. Aynı durum daha güçlü Qwen 3.8 flash next ve GLM 5.3 flash modellerinde de yaşandı. İlerleyen zamanlarda bu yayıncılar güvenlik gerekçeleriyle güçlü modelleri yayınlamaktan vazgeçebilir. Üstelik “Deepseek şoku” zamanında Amerikan ekonomisine en büyük darbeyi vuran şey Çinlilerin çip ambargosuna rağmen düşük bütçeyle rakip modeller üretebilmesiydi. Çin’in yapay zeka şirketlerinin arkasında yine Alibaba, Tencent gibi dev şirketler var. Bu şirketler parası olmadığı için değil, çiplere erişimi olmadığı için düşük harcama yapıyor(yapamıyor). Yarın bir gün Amerikan ambargosu kalkarsa veya Çin’in yapay zeka çipleri ile Nvidia çipleri arasındaki fark kapanırsa bu üreticiler modelleri açık kaynak yayınlamaya devam edecek mi?

Sonuç olarak bu anlattıklarımıza baktığımda benim gözüme çarpan iki büyük fırsat var. İlk fırsat tabii ki de Qwen 3.8 27B modeli. Öncelikle Türkiye’de sıfırdan eğitim yerine post-train ile başlanılması gerektiğini söyledik. Ama büyük ölçekli bir post-train de yüksek donanım gerektiriyor ve ilk iş olarak yapılamayacak durumda. Dürüst olmak gerekirse şuanki imkanlarla Türkiye’den bir ekip istese de Qwen 3.8 27B modeli gibi bir model post-train edemez. Ama olay tam olarak burada: bu model büyük bir post-traine ihtiyaç duymadan kullanabileceğimiz bir model. Hem donanım hem teknik tecrübe gerekliliği açısından eğitim tekniklerini 4 aşamaya ayırabiliriz: ince ayar, post-train, CPT + post-train ve sıfırdan eğitim. (CPT[Continued Pre-Training] ön eğitimi yapılmış bir modelin ön eğitimine kendi verilerinizle devam ettirmek. Özellikle bir dilde uzmanlaşmasını istediğinizde sade post-trainden daha etkili, sıfırdan eğitimden daha ucuz.) Aşama ilerledikçe sonuçlar iyileşiyor ama hem donanımsal ihtiyaçlar hem teknik zorluk katlanarak artıyor. Başlangıç olarak trilyon parametreli modelleri kendi tekniklerimizle post-train etmek uçuk bir hayal olur. Üstelik buna gerek de yok, basit yerelleştirmelerle başlamak daha gerçekçi ve doğru. Sağlam bir temelle başlayıp temkinli adımlarla aşama atlamak izlenebilecek en mantıklı yol.

Qwen 3.8 27B modeliyle ilgili değinmek istediğim bir diğer fırsat: damızlık model. Normalde küçük modeller benchmarklarda ne kadar başarılı olurlarsa olsunlar, belirli görevleri çözmekte ne kadar iyi olurlarsa olsunlar büyük modellere kıyasla daha sığ bir bakış açısına sahiptir. Üstelik bu tarz küçük modeller konuşurken yanlış kelime seçimi, gevezelik gibi ek sorunlar taşır. Bu yüzden küçük modelleri damıtmak pek mantıklı bir fikir değildir. Ancak VibeThinker modellerinde bahsettiğimiz bir teknik var: bir problemi/görevi modele defalarca çözdürüyorsunuz ve bunlar arasından başarılı olanları seçip modelin eğitiminde kullanıyorsunuz. Bir tane B200 GPU(saatliği 6-6.5 dolar) kullanırsanız 27 milyar parametrelik bir modelde saatlik yüzbinlerce tokenlik sentetik veri üretebilirsiniz. Eğer modelin ürettiği cevapları güzel bir süzgeçten geçirmeyi başarırsanız bir fabrika gibi yüksek kaliteli sentetik veri(doğrulanabilir alanlarda) üretebilirsiniz. Üstelik yeni bir girişim kendi donanımını satın almak istediğinde H100 gibi sunucu kartları yerine RTX6000 gibi daha ucuz alternatiflere yönelebilir. Modellerin eğitimi sunucularda gerçekleşir, müşterilere sunulan yapay zeka Türkiye’de girişimin kendi ofisinde çalışır. Bu noktada bahsettiğimiz damıtma veya ince ayar fikri de kendi içerisinde zorluklar barındırıyor. Ama olay tam olarak orada. Çünkü Türkiye’de tokenizasyon alanında halihazırda yapılmış çalışmaların olduğunu söyledik. Türkiye’de zaten bu işin teorik kısmıyla uğraşan kişiler var. Yani bu öneriler beyin gücüne sahip bir ekibin düşük donanımlı, teorik arka planı güçlü bir giriş projesi.

Bir diğer değineceğimiz konu ise Liquid AI. Türkiye’nin donanım ve veri eksikliğini biliyoruz. Ama Türkiye’de yapay zekaya yönelik ihtiyaç da kısıtlı. Türkiye’den bir araştırma grubu çıktığında kendisine yeterli donanımı ve yatırımı ülke içerisinde zor bulacak. En basitinden Uber çalışanlarına yapay zeka araçları sunuyor ve çalışan başına 1500 dolar sınır koymuş. Türkiye’deki şirketler için yeni bir mühendis maaşını yapay zekaya yatırmak yerine gerçekten bir mühendis işe almak daha mantıklı. Çünkü bir senenin sonunda o yapay zekanın büyük bir verimlilik artışı getireceğinin veya en iyi modellere ulabileceğinizin garantisi yok. Ama bir senede işe aldığınız mühendis bir senelik tecrübe kazanmış ve şirkete adapte olmuş olacak. Dolayısıyla Türkiye’de yapay zeka iş hayatına geç dahil olacağa benziyor. Bu durumda Türkiye’den bir araştırma grubunun yabancı ülkelerden şirketlerle de anlaşmalar yapması bir nevi bir zorunluluk haline geliyor. Örneğin Japonya’da örnek gösterdiğimiz modelleri düşünün. Eğer Sakana AI bahsettiğimiz Namazu modelini 4 dolardan fiyatlandırabiliyorsa, Rakuten “Rakuten Unveils Japan’s Largest High-Performance AI Model, Developed as Part of the GENIAC Project” başlığıyla bir yazı paylaşıp bunun Deepseek temelli olduğunu söylemiyorsa(Deepseek lisansı gereği belirtmesi gerekiyor) ve bunu devlet destekli bir projede yapıyorsa bunun üzerine biraz düşünmek gerek. Kısacası gelişmiş dil modellerine, içi boş “yerlilik” hayalleri yerine gerçekten çözüm odaklı projelere ihtiyacı olan tek ülke Türkiye değil. Liquid AI hem Japonya hem BAE’deki anlaşmalarıyla bunun güzel bir örneği.

Dikkat ettiyseniz verdiğimiz öneriler sanki bir öğrenci takımına veriliyormuş gibi nispeten ucuz öneriler. İlerleyen zamanlarda Kore’deki gibi bir devlet programı olursa işler daha ciddi ve büyük ölçekli bir hale gelebilir. Bu arada bir parantez açalım Türkiye’de çalışacak bir yapay zeka sadece “güvenilir” değil yasal bir şart haline gelebilir. Çünkü verilerin yurtdışına aktarılması KVKK gibi yasalarla kontrol altında tutulur. Türkiye’deki bir sağlayıcı bu avantaj sayesinde yavaş veya nispeten düşük kapasiteli bir yapay zeka sunsa bile tercih edilebilir. Hatta vergi muafiyeti veya doğrudan donanım desteği durumunda ülke içi ucuz bir yapay zeka ekosistemi kurulabilir. Bu noktada Türkiye’den bahsederken tabii ki söz bir şekilde savunma sanayiine gelecek. Ancak ben bundan bahsetmeyi istemiyorum, az sonra değineceğiz. Ama bunun dışında Türkiye’nin çok avantajlı olduğu bir alan var: sağlık. Birkaç senedir uzaktan robotik kollarla yapılan ameliyatlar tartışılıyor. Türkiye tıp alanındaki başarısını yapay zeka ile destekleyip bu konuda dünya lideri olabilecek potansiyele sahip. Hatta fikirleri biraz daha uçuracaksak bunu savunma sanayii içerisine entegre edebiliriz. Günümüzde İHA’lar zaten kayıp kişileri aramak veya erzak taşımak gibi amaçlarla kullanılıyor. Bu insani yardımların bir adım ötesi olarak internet bağlantısına ihtiyaç duymadan insanlara ilk yardım talimatları verebilecek bir robotik projesi hayata geçirilebilir. Bunu söylerken tabii ki tam donanımlı bir cerrah robot yapalım demiyoruz. Şimdilik amacımız yine daha uygulanabilir, yardımcı sistemler. Gerçekten bir ameliyat yapabilecek cerrah robotlar için önümüzde uzun yıllar var. Ama şu da bir gerçek ki dünya bu yöne gidiyor. O zaman avantajımız varken bunun öncüsü olmak gerekir.

Pek soğutmadan savunma sanayisine de bir değinelim. Öncelikle bir dil modelinin önümüzdeki en az 5-10 senelik süreçte bir İHA’yı kontrol etmek için kullanılmayacağı belli bir şey. Asıl olay şu ki buna gerek de yok. Bu yazı için daha somut sebeplere gelecek olursak. Bir savunma sanayii şirketine kendi sunucunuzda çalışacak bir yapay zeka hizmeti sunamazsınız. Bu tarz şirketler modelleri kendi donanımlarıyla kullanmak zorundadır. Bir dil modelini spesifik bir alanda kullanmak için o alana özgü verilerle post-train etmeniz gerekir. Bu veriler dışarıya verilemeyeceği için bir savunma sanayii şirketi ince ayarı da kendisi yapmak zorunda. Bunun üzerine hazır modellerde lisans kaynaklı yasal sorunlar yaşanabilir. Örneğin Deepseek v3’ün lisansında “herhangi bir yolla ordu için kullanılamaz” şeklinde bir ifade var. Bütün bunları bir araya getirdiğinizde bir dil modelinin savunma sanayiinde kullanılması için bizim sıfırdan kendi modellerimizi eğitecek seviyeye gelmemiz gerekiyor. Ama daha önemlisi savunma sanayii şirketleri bu iş için kendi sunucuları ve ekiplerini kuracaktır bu da tamamen bu şirketlerin kendi içerisindeki düzenlemelere bağlı. Tıp alanında bir devlet projesi veya bir Teknofest yarışması bile başlangıç olabilecekken savunma sanayiinde bu tamamen şirketlerin takdirine bırakılması gereken bir karar.

Yazının bir özeti olarak diyelim ki mahallenizde iki tane fırıncı var: Amcaoğlu ve Çiçek apartmanlarına ait iki fırın. Amcaoğlunun ürünleri çok kaliteli ama pahalı. Daha da kötüsü önceden esnek olmasına rağmen artık fırından aldıklarınızı dışarı çıkarmanıza veya mutfağın içine bakmanıza izin vermiyor. Öte yandan Çiçek fırın Amcaoğlu kadar lezzetli ürün yapamasa da ucuz. Üstüne size aldıklarınızı istediğiniz yere götürme özgürlüğü tanıyor. Bu da yetmezmiş gibi hamur ve tarifin bir kısmını da veriyor. Ama daha öncesinde telefonunuzu içeride bıraktığınızda telefonunuzu kurcalamış, yani güvenemiyorsunuz. Üstüne üstlük hem ürünlerin fiyatını biraz arttırdı hem de artık tarif verirken sizi bekletiyor, daha nazlı davranıyor. İleride yeni denediği bir tarifi alabileceğinizi bilmiyorsunuz. Sonrasında bir sabah uyanıyorsunuz ve bir bakmışsınız sokağınızdan Sinan apartmanı artık Çiçek fırının ürünlerini ve tarifini direkt kullanmak yerine Çiçek fırından sadece hamur alıp kendisi yoğurmaya ve pişirmeye karar vermiş. Üstüne üstlük Koray apartmanı hamuru da kendisi yapmaya hatta unu da kendi bahçelerindeki buğdaydan elde etmeye başlamış. Aradan birkaç gün geçiyor ve bir bakmışsınız sokağınızdan 2 apartman daha tıpkı Sinan apartmanı gibi yapmaya başlamış. Sonrasında kendi apartmanınız bir toplantı yapıyor ve siz de kendi hamur işinizi yapmaya karar veriyorsunuz. Ama daha önceden apartmandan biri sabah canı çektiği kumrusu için ekmek yapmaya çalışırken kendim yapmış olayım diye saksıya ektiği buğdaylardan un yapmış. Un çok eksik kaldığı için de ekmek lezzetsiz olmuş. Apartman toplantısında karar şu yönde: hazır Çiçek fırın satışa devam ediyorken dondurulmuş poğaçalardan alalım ve fırına atalım. Önce fırının sıcaklık ayarını, poğaçanın çikolatayla mı reçelle mi iyi gittiğine bakalım. Sonra hamur alıp kendimiz yoğuralım. Sonra hamuru alalım kendi zevkimize göre üzerine su ve un katalım. Ve artık tecrübe kazanınca kendi bahçemizi değerlendirip unu da kendimiz yapmaya başlayalım.

Son olarak bu yazı beklediğimden daha samimi ve uzun bir yazı oldu. Hatta sondaki bazı kısımlar direkt beyin fırtınası havasında. Yazıda kaynakça belirtmesem de mümkün olduğunca bilindik haberlerden örnek vermeye çalıştım. Çoğu detayı internete yazarak veya bir yapay zekaya sorarak teyit edebilirsiniz. Bilgiler 2026 Eylül’ün başı itibariyle güncel, Artificial Analysis zeka endeksinin puanları 4.1.1 versiyonuna ait. Benchmarkların manipüle edilebilir olduğundan bahsettikten sonra gene benchmarklara bu kadar güvenmemiz şaşırtıcı gelmiş olabilir. Örnek verirken mümkün olduğunca aşikar örnekler vermeye çalıştım. Mesela Mistral ve Motif kıyasında biri 30 puan almışken biri 47 puan almış. Üstelik programın kapsamı gereği bu modeller kullanıcı testlerine de sokulmuş. Örnek verirken mümkün olduğunca doğrudan kullanan kişilerin ve topluluğun genel fikrini de göz önünde bulundurmaya çalıştım.