Yapay Zeka Verimlilikle Buluşuyor: Yeni Çip, LLM Güç Kullanımını %50 Azaltıyor

Süregelen yapay zeka (AI) patlaması, veri merkezlerinde bir artışa yol açıyor ve bu da içlerindeki sunucuları çalıştırmak ve soğutmak için büyük bir enerji talebi yaratıyor.

Dünya genelinde 8.000’den fazla veri merkezi bulunmakta ve çoğu ABD’dedir; bu sayı önümüzdeki yıllarda önemli ölçüde artacak.

Boston Consulting Group’un tahminine göre, veri merkezlerine olan talep 2030’a kadar her yıl %15‑%20 artacak. Şu anda firma, bu veri merkezlerinin toplam ABD enerji tüketiminin %16’sını oluşturacağını, 2022’de OpenAI’nin ChatGPT’sinin piyasaya sürülmesinden önceki %2,5’lik seviyeden çok daha yüksek bir oran olduğunu öngörüyor.

Bu arada, Uluslararası Enerji Ajansı (IEA) tarafından bu yıl yayımlanan özel Enerji ve AI raporu, dünya genelindeki veri merkezlerinden elektrik talebinin bu on yılın sonuna kadar en az iki katına çıkarak yaklaşık 945 TWh olacağını öngörüyor. Bu, bugün Japonya’nın tüketimine neredeyse eşdeğer.

Paris merkezli bu intergöçmen örgüt, AI’yi bu artışın en büyük tetikleyicisi olarak gösteriyor ve AI-optimised veri merkezlerinden gelen elektrik talebinin 2030’a kadar dört katından fazla artacağını projekte ediyor.

ABD’de özellikle, veri merkezlerinin enerji tüketimi, 2023‑2030 arasında elektrik talebindeki büyümenin yaklaşık yarısını oluşturacak. AI kullanımının yönlendirdiği bu artışla, rapora göre, ABD ekonomisi o dönemde veri işlemek için üretilen enerjiyi, tüm enerji yoğun ürünlerin üretiminden daha fazla tüketecek.

Bu doyumsuz enerji açlığı, AI’nın ilerlemesi ve benimsenmesi için büyük bir sorun oluşturuyor. Ancak, AI’nın enerji kullanımını azaltmak ve daha verimli hâle getirmek için çalışan araştırmacı ve şirketlerin sayısı giderek artıyor.

Bu çabaların ilginç yanı, çoğunun kendi enerji sorunlarını çözmek için AI’yı kullandığıdır.

Bu ay, araştırmacılar, büyük dil modellerinin (LLM) enerji ayak izini %50 azaltan yeni bir çip gösterdi; bu, LLM’lerin maliyet etkin ve daha sürdürülebilir çalışmasını sağlayan önemli bir gelişme.

Yeni Çip, AI’yı Kullanarak LLM’nin Enerji Tüketimini Azaltıyor

Oregon State University Mühendislik Fakültesi araştırmacıları, OpenAI’nin GPT-4’ü ve Google’ın Gemini’i gibi LLM AI uygulamalarının devasa elektrik tüketim sorununu çözmek için yeni verimli AI çipini geliştirdi.

Makine öğrenimi (ML) modelinin bir türü olan büyük dil modeli (LLM), metin üretimi, özetleme, sadeleştirme, metin akıl yürütmesi, dil çevirisi ve daha fazlası gibi doğal dil işleme (NLP) görevlerini gerçekleştirmek için büyük miktarda veri üzerinde önceden eğitilmiştir.

Bugün en popüler ve yaygın kullanılan sohbet botları arasında OpenAI’nin GPT-4o, o3 ve o1, Google’dan Gemini ve Gemma, Meta’dan Llama, DeepSeek’tan R1 ve V3, Anthropic’ten Claude, Amazon’ (AMZN ) dan Nova, Microsoft’ (MSFT ) tan Phi ve xAI’den Grok yer alıyor.

Son birkaç yılda, LLM’ler AI alanını tamamen dönüştürdü; makinelerin insan benzeri metinleri daha yüksek doğrulukla anlamasını ve üretmesini sağladı. Ancak, LLM’lerin bu evrimi boyutlarında üssel bir artışa yol açtı.

Bir LLM’nin boyutu, parametre sayısı ile ölçülür ve bu, enerji tüketiminin ana sürücüsüdür. Model ne kadar büyükse, eğitim ve çıkarım için o kadar fazla hesaplama gücüne ihtiyaç duyar.

Örneğin, ChatGPT-1’in parametre sayısı 120 milyonun altındaydı, GPT-3 ile 175 milyar, GPT-4 ile ise yaklaşık 1,8 trilyon parametreye ulaştı.

Bu muazzam boyut ve yetenek artışı, enerji tüketiminin de benzeri görülmemiş bir ölçekte artmasına neden oluyor. Modelin boyutunun yanı sıra, kullanılan donanım türü, eğitim süresi, altyapı (veri merkezleri), veri işleme, model optimizasyonu ve algoritma verimliliği gibi faktörler de LLM’lerin enerji tüketimini etkiler.

İşte OSU araştırmacılarının yeni çipi. OSU’da Elektrik Mühendisliği yardımcı doçenti ve Mixed Signal Circuits and Systems Lab yöneticisi Tejasvi Anand şöyle diyor:

“Sorun, tek bir biti iletmek için gereken enerjinin, veri hızı talebinin artmasıyla aynı oranda azalıyor olmaması. Bu, veri merkezlerinin bu kadar çok güç tüketmesinin nedeni.”

Bu sorunu aşmak için ekip, geleneksel tasarımlara kıyasla sadece yarı enerji tüketen yeni bir çip tasarlayıp geliştirdi.

Anand ve doktora öğrencisi Ramin Javad, bu yeni teknolojiyi geçen ay Boston’da düzenlenen IEEE Custom Integrated Circuits (CIC) Konferansı’nda sundular. IC geliştirmeye adanmış bu konferans, modern elektronik sistemlerin yapı taşı olan işlevsellik ve işlem gücünü kompakt ve verimli bir paket içinde sunan entegre devrelerin gelişimine odaklanıyor.

En son teknoloji, Center for Ubiquitous Connectivity (CUbiC), Semiconductor Research Corporation (SRC) ve Defense Advanced Research Projects Agency (DARPA) desteğiyle inşa edildi. Ayrıca Javadi, konferansta En İyi Öğrenci Makalesi Ödülü’nü kazandı.

Yeni çip için araştırmacılar, Javadi’nin belirttiği gibi, sinyal işleme için elektrik kullanımını azaltan AI prensiplerini kullandılar.

Açıklamasına göre, LLM’ler veri merkezlerindeki bakır tabanlı kablolar üzerinden çok fazla veri gönderip alıyor. Bu süreç büyük enerji gerektiriyor; bu yüzden “daha verimli kablolu iletişim çipleri geliştirmek” potansiyel bir çözüm.

Javadi, yüksek hızlarda gönderildiğinde verinin alıcıda bozulduğunu ve bu yüzden temizlenmesi gerektiğini ekledi. Bu amaçla mevcut kablolu iletişim sistemlerinin çoğu, çok enerji tüketen bir ekvalizör kullanıyor.

“Bu AI prensiplerini çip üzerinde, verileri daha akıllı ve daha verimli bir şekilde kurtarmak için, çip üzerindeki sınıflandırıcıyı hataları tanıyıp düzeltmesi için eğitiyoruz.”

– Javadi

Büyük bir gelişme olmasına rağmen, bu sadece çipin ilk versiyonu. Bir sonraki iterasyonu şu anda enerji verimliliğini daha da artırmak için çalışılıyor.

Genel olarak, bu devam eden araştırma AI altyapısı ve veri merkezi operasyonları için geniş kapsamlı etkiler yaratma potansiyeline sahip. Ancak elbette, bu teknoloji ölçekli bir şekilde başarılı bir şekilde uygulanmadan gerçekleşmesi zor.

AI’nin mikroçip mühendisliğini nasıl alt üst ettiğini öğrenmek için buraya tıklayın.

Katmanlar Arasında Çığır Açan Gelişmelerle AI’nın Enerji Açlığını Dizginlemek

Bu en yeni çip geliştirmesi, AI’nın enerji tüketimi sorununu ele alan birçok araştırma projesinden sadece biri. Şimdi araştırmacıların bu sorunu nasıl yenilikçi yollarla çözdüklerine kısa bir göz atalım.

Işığı AI Enerji Verimliliği İçin Kullanmak 

Bu yılın başlarında, USST bilim insanları geliştirdi¹ toz tanesi ya da bir tuz tanesinden daha küçük, ışığı kullanarak fiber-optik kablolardan gelen verileri işleyen mikroskobik bir AI çipi. Bu, daha az enerji tüketimiyle daha hızlı hesaplamalar vaat ediyor.

Çip, ışığı anında hesaplamalar yapmak için manipüle ediyor; geleneksel bilgisayarların ışık sinyallerini yorumlamasından farklı. Bunun için “tamamen optik kırınımlı derin sinir ağı” teknolojisini kullanıyor; bu teknoloji, üst üste yığılmış 3D‑yazdırılmış katmanlı bileşenleri içeriyor. Çığır açıcı olmasına rağmen, görev‑spesifik tasarım, kusurlara duyarlılık ve büyük ölçekli üretim zorluğu gibi sorunların üstesinden gelinmesi gerekiyor; aksi takdirde endoskopik görüntüleme, kuantum hesaplama ve veri merkezlerinde “benzeri görülmemiş işlevsellik” sağlanamaz.

Bundan birkaç ay önce, MIT bilim insanları da ışığı kullanarak bir çip üzerinde sinir ağının temel işlemlerini gerçekleştirdi; bu, yarım nanosanide ultra hızlı AI hesaplamaları (yarım nanosanide) %92 doğruluk ve muazzam enerji verimliliği sağladı.

“Bu çalışma, hesaplamanın — temelde, girdileri çıktılara eşleştirme — yeni lineer ve doğrusal olmayan fizik mimarilerine derlenebileceğini ve bu sayede hesaplama ile gereken çaba arasındaki ölçekleme yasasının temelde farklı bir biçime bürünebileceğini gösteriyor.”

– Kıdemli yazar Dirk Englund

Bilim insanları geliştirdi² fotonik çipi, birbirine bağlı modüllerden oluşan bir optik sinir ağı. Özellikle, ticari fabrika süreçlerinin kullanılması, ölçeklenebilir ve elektronik entegrasyonunu mümkün kılıyor. Ayrıca, bilim insanları optikteki doğrusal olmayanlığı, elektronik ve optiği birleştiren doğrusal olmayan optik fonksiyon birimleri (NOFUs) tasarlayarak aştı.
Yeni beyin‑ilhamlı AI’nın gerçek zamanlı ultra düşük güçle nasıl öğrenildiğini öğrenmek için buraya tıklayın.

AI Eğitimine Yönelik Bir Yazılım Aracı ve Veri Merkezleri İçin Soğutma Sistemi

University of Michigan araştırmacıları ise AI eğitimi sırasında ortaya çıkan enerji israfını hedef aldı; özellikle GPU’lar arasında eşit olmayan dağıtım.

Bunun için, “Perseus” adlı bir yazılım aracı geliştirdiler; bu araç, en uzun sürecek alt görevleri belirleyip, bu ‘kritik yol’ dışındaki işlemcilerin hızını düşürerek tüm görevlerin aynı anda tamamlanmasını sağlayıp gereksiz güç tüketimini ortadan kaldırıyor.

Bu açık kaynak araç, Zeus adlı AI enerji tüketimini ölçen ve optimize eden bir aracın parçası olarak sunuluyor.

Bu arada, University of Missouri araştırmacıları, veri merkezlerinin enerji verimliliğini artırmak için gelecek nesil bir soğutma sistemi tasarlamaya yöneldi. Ayrıca sunucu raflarına kolay bağlanıp ayrılabilen bir soğutma sistemi üretmeyi planlıyorlar.

“Soğutma ve çip üretimi el ele gider. Uygun soğutma olmadan bileşenler aşırı ısınır ve arızalanır. Enerji‑verimli veri merkezleri, AI bilişiminin geleceği için kilit olacak.”

– Chanwoo Park, Mizzou Mühendislik Fakültesi Mekanik ve Uzay Mühendisliği profesörü

DOE’nun COOLERCHIPS girişimi kapsamında 1,5 milyon dolarlık fon desteğiyle, ekip, faz değişimi yoluyla sunucu çiplerinden ısıyı dağıtan iki‑fazlı bir soğutma sistemi geliştirdi. Bu sistem, gerektiğinde pasif olarak enerji harcamadan çalışabilir; aktif modda bile çok az enerji tüketir.

CRAM Donanımı AI Enerji Kullanımını 1000 Kat Azaltabilir

Geçen yaz, University of Minnesota Twin Cities mühendisleri gelişmiş bir donanım cihazı³ geliştirdi; bu cihaz AI’nın enerji tüketimini yaklaşık 1.000 kat azaltabilir.

Bu yeni model, hesaplama rastgele erişim belleği (CRAM) olarak adlandırılıyor ve burada veri bellekten çıkmaz; bunun yerine tamamen bellek dizisi içinde işlenir, böylece enerji‑yoğun ve yavaş veri transferlerine ihtiyaç kalmaz.

İki on yıl süren bu çalışma, ekibin, Jian‑Ping Wang’ın manyetik tünel birleşimleri (MTJ) cihazları üzerine patentli araştırmalarını temel alıyor. Bu nanoyapılı cihazlar sensörler, sabit diskler ve manyetik rastgele erişim bellek (MRAM) gibi mikroelektronik sistemleri iyileştirmek için kullanılıyor.

“Son derece enerji‑verimli bir dijital bellek‑içinde‑hesaplama ortamı olarak CRAM, hesaplamanın bellek dizisinin herhangi bir konumunda yapılabilmesi açısından çok esnek,” diye belirtti ortak yazar Ulya Karpuzcu, Elektrik ve Bilgisayar Mühendisliği Bölümü Doçenti. Ayrıca farklı algoritmaların performans ihtiyaçlarına göre yeniden yapılandırılabiliyor.

Beyin‑İlhamlı AI: İnsan Verimliliğini Taklit Ederek Güç Kullanımını Azaltmak

Dolayısıyla, araştırmacılar AI’nın enerji sorunlarını ele alırken farklı yönlere bakıyor. İlginç bir şekilde, insan beyninden de ilham alıyorlar. Bu mantıklı, çünkü AI, makineler tarafından insan zekâ süreçlerinin simülasyonu; ancak insan düşüncesi ve akıl yürütmesinin çok uzağında çünkü genelleme yeteneği “insan bilişine göre önemli ölçüde zayıf”.
Beyin‑ilhamlı enerji azaltma araştırması, Üniversitenin Sydney AI Merkezi’nden Doçent Öğretim Üyesi Chang Xu’nun çalışmasını da içeriyor; Xu, LLM’lerin tam kapasiteyle, hatta basit görevlerde bile kaynakları kullanmasının doğru olmadığını belirtiyor. Şöyle açıklıyor:

“Sağlıklı bir insan beynini düşündüğünüzde – tüm nöronlar aynı anda ateşlenmez ya da tüm beyin gücü aynı anda kullanılmaz. Beyin, yaklaşık 100 milyar nöronuna rağmen sadece 20 Watt güçle inanılmaz bir enerji verimliliğiyle çalışır; farklı beyin yarımkürelerinden seçici olarak görev ya da düşünce için kullanır.” 

Bu nedenle, gereksiz hesaplamaları atlayan ve otomatik olarak yüksek vitese geçmeyen algoritmalar geliştiriyorlar.
Diğer örneklerde, araştırma beyin nöromodülasyonundan ilham alarak ‘stashing system’ adlı bir algoritma geliştirdi; bu, %37 enerji tasarrufu sağlarken doğruluk kaybı yaşatmaz, ayrıca beyin hücresi kendini onaran ‘astrocytes’ işlevi için donanım cihazlarına ilham verdi ve nöromorfik (beyin‑ilhamlı) hesaplama (memristorler) çeşitli sinir ağı alt gruplarında birlikte çalışıyor.

Yapay Zekaya Yatırım

Küresel bir yarı iletken şirketi, AMD (AMD ) yüksek performanslı bilgi işlem, grafik ve görselleştirme teknolojileriyle tanınır. AI odaklı NVIDIA (NVDA ) ile doğrudan rekabet içinde olmasına rağmen, veri merkezi ve AI hızlandırıcı pazarlarında hızla pay kazanıyor. MI300 Serisi özellikle jeneratif AI iş yükleri ve HPC uygulamaları hedefliyor.
Veri merkezi CPU pazarındaki lider konumu, güçlü Ar‑Ge odaklılığı, gelir büyümesi, müşteri portföyü ve satın almaları AMD’yi sektörde güçlü bir oyuncu yapıyor.

Advanced Micro Devices (AMD )

2022’de AMD, Xilinx’i satın alarak 50 milyar dolarlık rekor bir çip endüstrisi anlaşması yaptı ve sektörde yüksek performanslı ve uyarlanabilir bilgi işlem lideri haline geldi. En son olarak, 2028’de 500 milyar dolarlık veri merkezi AI hızlandırıcı fırsatını ele almak için ZT Systems’i satın almayı tamamladı.

AMD’nin piyasa performansı da bu yıl gümrük tarifelerindeki dalgalanmalardan sonra toparlanıyor. Yazı yazıldığı sırada, AMD hisseleri $120 seviyesinde, YTD %6,9 düşüşte ancak Mart 2024 zirvesinden %47 kadar geride. Piyasa değeri $182,34 milyar, EPS (TTM) 1,36 ve P/E (TTM) 82,44.

Şirketin finansallarına gelince, AMD 2025’in 1. çeyreğinde geliri %36 artarak $7,4 milyar oldu; CEO Dr. Lisa Su bu durumu “dinamik makro ve düzenleyici ortamına rağmen yılın muhteşem bir başlangıcı” olarak nitelendirdi.

Bu dönemde, AMD’nin işletme geliri $806 milyon, net gelir $709 milyon ve seyreltilmiş hisse başına kazanç $0,44 oldu. 2025’in 2. çeyreği için yaklaşık $7,4 milyar gelir öngörülüyor.

Şirketin yaptığı bazı önemli gelişmeler arasında Meta Platforms, Inc. (META ) (Llama), Alphabet Inc. (GOOG ) (GOOGL ) (Gemma), Oracle Corporation (ORCL ), Core42, Dell Technologies (DELL ) ve diğerleriyle stratejik ortaklıkların genişlemesi. AMD, Nokia, Cisco Systems, Inc. (CSCO ), ve Jio ile birlikte yeni bir Open Telecom AI Platformu duyurdu; bu platform AI‑driven çözümlerle verimlilik, güvenlik ve yetenekleri artırmayı hedefliyor.

Şimdi, bu hafta, AMD ve Nvidia, Suudi Arabistan’ın Kamu Yatırım Fonu’nun bir AI‑odaklı yan kuruluşu Humain ile ortaklaşa 500 MW kapasiteli büyük ölçekli bir veri merkezi projesi için yarı iletken tedarik edecek.

En iyi silikon dışı bilişim şirketlerinin listesi için buraya tıklayın.

AMD (Advanced Micro Devices) En Son Trendler ve Gelişmeler

Sonuç

Son birkaç yılda, AI çılgınlığı patlayıcı bir büyüme gördü ve bunun iyi sebepleri var. Bu teknoloji, sağlık, üretim, malzeme bilimi, finans, eğlence, eğitim, perakende ve siber güvenlik gibi geniş bir yelpazede endüstriyi dönüştürme potansiyeline sahip.

Ancak, teknolojik ilerleme, artan benimseme ve bu LLM’lerin genişlemesi, enerji talebinde önemli bir artışa yol açtı; bu da sera gazı (GHG) emisyonları ve iklim değişikliğine katkı, ekonomik maliyet artışı ve teknolojinin sürdürülebilirliğini etkiliyor.

Bu, AI için büyük bir zorluk oluşturuyor. Maliyet etkinlik, artan üretkenlik ve ölçekli karar verme gibi gerçek potansiyelini tam olarak gerçekleştirmek istiyorsak, modeller maliyet etkin ve sürdürülebilir olmalı.

İyi haber şu ki, dünya çapındaki araştırmacılar, Oregon State’in AI‑güçlü çipi gibi, AI’yı enerji verimli hâle getirmek için yoğun bir şekilde çalışıyor; bu, yenilik ile sürdürülebilirliği uyumlu hale getirme olasılığının güçlü bir göstergesi.

Elbette, önerilen teknolojilerin gerçek dünyada etkili olması için ölçeklenebilirlik en büyük engel. Yine de bir şey kesin: daha yeşil bir AI geleceği mümkün ve yaklaşıyor!

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.

Referans Alınan Çalışmalar:

1. Yu, H., Huang, Z., Lamon, S., Wu, J., Zhao, Z., Lin, D., Zhao, H., Zhang, J., Lu, C., Liu, H., Zhang, X., & Zhang, C. (2025). Çok modlu bir fiber üzerinden miniaturize diffraktif sinir ağı kullanarak tüm‑optik görüntü taşıma. Nature Photonics, 19, 486–493. https://doi.org/10.1038/s41566-025-01621-4
2. Bandyopadhyay, S., Sludds, A., Krastanov, S., Youssry, A., Zhang, L., Lian, C., Yu, S., Desiatov, B., Burek, M. J., Lukin, M. D., & Lončar, M. (2024). İleri‑sadece eğitimli tek‑çip fotonik derin sinir ağı. Nature Photonics, 18, 1335–1343. https://doi.org/10.1038/s41566-024-01567-z
3. Lv, Y., Zink, B. R., Bloom, R. P., Roy, A., Vaddi, K., Shang, L., & Manipatruni, S. (2024). Manyetik tünel birleşimi tabanlı hesaplamalı rastgele erişim belleğinin deneysel gösterimi. npj Unconventional Computing, 1, 3. https://doi.org/10.1038/s44335-024-00003-3