AI Donanımına Yatırım: CPU’lardan XPU’lara

AI Donanımına Yatırım: Kazma ve Kürek Yaklaşımı

AI, son birkaç on yılda ekonomimizde, üretim sistemlerimizde ve toplumda en önemli değişiklik olma vaadini taşıyor ve internetin getirdiği radikal değişiklikleri bile kıyasla önemsiz kılabilir.

Sürücüler, çevirmenler, müşteri destek personeli, web tasarımcıları gibi tüm bir iş kategorisini ortadan kaldırabilir. Diğer işler ise programcılar, yeni mezun avukatlar, tanı uzmanları gibi talepte radikal bir azalma görebilir.

Ayrıca birçok diğer görev için ek değer ve verimlilik yaratmalı, hâkim AI yazılım şirketleri muhtemelen daha önce hayal bile edilemeyen piyasa değerlerine ilk ulaşacaklar.

Tüm bu nedenlerle, sermaye piyasaları ve yatırımcılar AI tarafından büyülenmiş durumda ve AI’deki birçok teknoloji devinin ilerlemesine, ayrıca Çin teknoloji devleri Alibaba ve girişimler DeepSeek gibi güçlü rekabete büyük ilgi gösteriyor.

AI patlamasından faydalanmanın bir başka yolu, her altınaçında işe yarayan stratejiyi izlemek: altın aramak yerine kazma ve kürek satmak. Bu, AI-optimised donanım satmak için en iyi konumda olan şirketler için kesinlikle işe yaradı; Nvidia (NVDA ) oyun grafik kartlarını AI eğitim çiplerine dönüştürerek, şaşırtıcı 4 trilyon dolar piyasa değerini aşarak dünyadaki en değerli şirket oldu (Nvidia hakkında tam rapor için bağlantıyı takip edin).

AI çok spesifik donanım gerektirdiği ve önceki bilgisayar görevlerinden büyük ölçüde farklı olduğu için, yarı iletken endüstrisi şimdi AI programlarını eğitmek ve çalıştırmak için özel olarak tasarlanmış yeni donanım türleri geliştirme yarışında.

Nvidia muhtemelen sektördeki en büyük şirketlerden biri olmaya devam ederken, alternatifler şimdi ortaya çıkıyor ve erken dikkat eden yatırımcılara ilginç fırsatlar sunabilir.

Neden AI Özel Donanıma İhtiyaç Duyar

Birçok Küçük Hesaplama

İlk AI çabaları diğer programlarla aynı hesaplama kapasitesini kullandı ve çoğunlukla işlemcilere (Merkezi İşlem Birimi – CPU’lar) odaklandı. CPU’lar hâlâ önemli, ancak mevcut AI geliştirme yöntemlerinin çoğu için optimal olmadıkları çabuk ortaya çıktı.

Sinir ağları ve benzeri yöntemler, tek bir çok karmaşık hesaplama yerine, çok sayıda nispeten basit hesaplama gerektirir. Bu yüzden paralel çalışan birçok küçük çip, devasa ve güçlü CPU’lardan genellikle daha iyidir.

Bu, grafik kartları doğası gereği binlerce küçük hesaplamayı paralel olarak gerçekleştirecek şekilde tasarlandığı için GPU’ların hızla daha popüler hale gelmesinin büyük bir kısmını açıklar.

Günümüz AI eğitimi büyük ölçüde sinir ağlarına dayanıyor, 2024’te Fizik Nobel Ödülü kazanan bir kavram, o dönemde ayrıntılı bir makalede ele aldığımız bir ödül.

Kaynak: Nobel Prize

AI teknolojisindeki ikinci devrim “transformer”larla geldi. Uzun veri dizilerini verimli bir şekilde işleyememe, doğal dilin ortak bir özelliği sorununu çözer.

İlk olarak 2017’de Google araştırmacıları tarafından tanıtıldı ve mevcut AI kapasitesindeki patlamanın temel nedeni olarak kabul ediliyor. Transformer’lar, ChatGPT dahil olmak üzere LLM’ler (Büyük Dil Modelleri) gibi AI ürünlerinin çekirdeğinde yer alıyor.

Farklı Gereksinimler

AI iş akışlarında önemli bir ayrım, ince ayar (fine-tuning) ve çıkarım (inference) arasındaki farktır; her ikisinin de farklı donanım gereksinimleri vardır.

• İnce ayar modeli alan‑spesifik veri üzerinde eğitmeyi içerir ve önemli ölçüde hesaplama gücü ve bellek gerektirir. Bu, AI biliminin en uç noktalarından biri olan çok teknik bir görevdir.
• Çıkarım önceden eğitilmiş bir modeli kullanarak çıktı üretmeye odaklanır; daha az hesaplama gücü gerektirir ancak düşük gecikme ve maliyet etkinliğine daha fazla odaklanır.
  • Bu, AI uzmanları tarafından mevcut modelleri dağıtarak gerçek yaşam problemlerini çözmek için daha rutin bir şekilde yapılır.

Dolayısıyla, maliyetler hem ince ayar/eğitim hem de çıkarım/kullanım için açıkça bir endişe olsa da, eğitim genellikle mümkün olan en iyi donanımı gerektirir; kullanım görevleri ise en iyi donanım seçilirken donanım maliyeti ve enerji tüketimine daha çok odaklanır.

CPU’lar ve GPU’lar

Merkezi İşlem Birimleri (CPU’lar):

CPU’lar genel amaçlıdır ve özel AI donanımı değildir. Ancak AI sistemlerinde talimatları yürütmek ve temel hesaplamaları yapmak için hâlâ vazgeçilmezdir.

AI sisteminin son kullanıcılarıyla arayüzü yöneten çoğu yazılım da CPU odaklıdır; ister bireysel bilgisayarlar, ister bulut tabanlı yazılımlar olsun.

Kaynak: AnandTech

CPU’lar, özel donanım gerektirmeyen çok basit AI’lar için de kullanılabilir. Bu, çıktının acil olmadığı ve CPU’ların nispeten daha yavaş AI işleme hızının sorun olmadığı durumlarda özellikle geçerlidir.

Küçük veri ve hesaplama gruplarıyla çalışan küçük modeller CPU’larda iyi performans gösterebilir. CPU’ların sıradan bilgisayarlarda yaygın bulunması, AI’ye özel donanım yatırımı yapmak istemeyen ortalama kullanıcı için iyi bir seçenek olur.

CPU’lar ayrıca çok güvenilir ve kararlıdır; hata toleransının kritik olduğu görevler için iyi bir seçimdir.

Son olarak, CPU’lar AI eğitimindeki bazı görevlerde faydalıdır; genellikle veri yükleme, biçimlendirme, filtreleme ve görselleştirme gibi diğer donanım türleriyle iş birliği içinde kullanılır.

Grafik İşleme Birimleri (GPU’lar):

İlk olarak grafik renderleme için tasarlanan GPU’lar paralel işlem için geliştirilmiştir ve büyük veri setlerini işleyen AI modellerinin eğitiminde ideal olur. CPU’lardan GPU’lara geçiş, eğitim süresini haftalardan saatlere düşürmüştür.

Yaygın bulunabilirlikleri ve BT uzmanlarının onlarla çalışma deneyimi sayesinde, GPU’lar AI araştırmasını ölçeklendirmek için ilk seri kurulan donanım türü oldu.

Kaynak: Aorus

GPU’ların başarısında ayrıca Nvidia tarafından geliştirilen CUDA, NVIDIA GPU’ları için genel amaçlı bir programlama arayüzü, oyun dışı kullanım kapılarını açtı. Bu, bazı araştırmacıların zaten GPU’ları süper bilgisayarlar yerine hesaplama yapmak için kullandıkları için yapıldı.

“Araştırmacılar, GeForce adlı bu oyun kartını satın alarak bilgisayarına eklediğinde, temelde kişisel bir süper bilgisayara sahip olduklarını fark ettiler.

Moleküler dinamik, sismik işleme, BT rekonstrüksiyonu, görüntü işleme—birçok farklı şey.”

Jensen Huang, in an interview with Sequoia

Bugün GPU’lar hâlâ en çok talep edilen AI donanım türleri arasında; Nvidia, gigavat ölçeğinde AI veri merkezleri kuran teknoloji devlerinin talebini karşılayacak kadar üretim yapabilmekte zorlanıyor.

Ayrıca Nvidia’nın yakın zamanda piyasaya sürdüğü GB200 NVL72 ile “süper GPU çağı” da başlamış oldu.

Bu donanım, fabrikadan çıkan tek bir devasa GPU olarak tasarlanmıştır; birçok küçük GPU’yu ağlamak yerine. Bu, önceki rekor kıran H100 modelinden bile çok daha güçlü olmasını sağlar.

Kaynak: Nvidia

Bu aynı zamanda çok daha enerji verimli olmalı; AI endüstrisi çip kıtlığına girmeden önce enerji sıkıntısı yaşayabilir. Daha fazla hesaplama ve enerji verimliliği, daha az atık ısı demektir ve bu da geçici olarak aşırı ısınma sorununu çözer.

ASIC’lerin ve AI Donanımının Yükselişi

Uygulamaya Özel Entegre Devreler (ASIC’ler), belirli bir hesaplama görevi için özel olarak tasarlanmış donanımlardır ve hâlâ nispeten genel GPU’lerden daha da özelleşmiştir.

Bu yüzden genel amaçlı donanımlara göre daha az esnek ve programlanabilirler.

Genel olarak daha karmaşıktırlar. Üretim ölçek ekonomilerinin eksikliği ve özel tasarım maliyetleri nedeniyle genellikle daha pahalıdırlar.

Bununla birlikte, belirli görevlerinde çok daha verimlidirler; genellikle daha az boşa harcanan hesaplama gücü ve enerjiyle daha hızlı çıktı üretirler.

ASIC’ler ve diğer AI-özel donanımlar kullanım oranı artıyor; alan, bazı hesaplamaların GPU’larda ideal olmadığını ve daha özel ekipman gerektirdiğini giderek fark ediyor.

Tensor İşlem Birimleri (TPU’lar)

TPU’lar Google tarafından özellikle tensor hesaplamalarını (transformer tabanlı hesaplamalarla bağlantılı) gerçekleştirmek için geliştirildi. (GOOGL ) Yüksek verimlilik ve düşük hassasiyetli aritmetik için optimize edilmişlerdir.

Kaynak: C#Corner

Bu, TPU’lara büyük sinir ağlarının eğitiminde yüksek performans, verimlilik ve ölçeklenebilirlik sağlar.

TPU’lar, matris çarpım birimi (MXU) ve özel bağlantı topolojisi gibi AI eğitim ve çıkarımını hızlandırmak için ideal olan özel özelliklere sahiptir.

TPU’lar Gemini’i ve Google’ın Search, Photos ve Maps gibi AI destekli tüm uygulamalarını güçlendirir; 1 milyardan fazla kullanıcıya hizmet verir.

Bu donanım türü, sinir ağlarının geliştirilmesini ve çalışmasını önemli ölçüde hızlandırabilir; ara sıra oluşan hatalar daha az önemlidir, çünkü bu modeller istatistiklere ve çok sayıda hesaplamaya dayanır.

Son kullanıcı görevleri arasında TPU’lar için en uygun olanlar derin öğrenme, konuşma tanıma ve görüntü sınıflandırmadır.

Sinir Ağı İşlemcileri (NNP’ler):

Nöro İşleme Birimleri (NPU’lar) ile de bağlantılı ve nöromorfik çipler olarak adlandırılan NPP’ler, sinir ağı hesaplamalarına özelleşmiştir; insan beynindeki sinir bağlantılarını taklit edecek şekilde tasarlanmıştır. Bazen AI hızlandırıcısı olarak da adlandırılırlar, ancak bu terim net bir tanıma sahip değildir.

Bir NPU, sinaptik ağırlıklar aracılığıyla depolama ve hesaplamayı da bütünleştirir. Böylece zaman içinde ayar yapabilir veya “öğrenebilir”, operasyonel verimliliği artırır.

Bir NPU, çarpma ve toplama, aktivasyon fonksiyonları, 2D veri işlemleri ve dekompresyon için özel modüller içerir.

Özel çarpma ve toplama modülü, matris çarpımı ve toplama, konvolüsyon, nokta çarpımı ve diğer fonksiyonlar gibi sinir ağı uygulamalarının işlenmesiyle ilgili işlemleri gerçekleştirmek için kullanılır.

Bu özelleşme, genel donanımda binlerce işlem gerektiren bir işlemi, NPU’nun tek bir hesaplamayla tamamlamasını sağlar. Örneğin, IBM, NPU’nun AI hesaplamalarının verimliliğini GPU’lara kıyasla köklü bir şekilde artırabildiğini iddia ediyor.

“Testler, bazı NPU performansının aynı güç tüketimiyle karşılaştırılabilir bir GPU’dan 100 kat daha iyi olduğunu göstermiştir.”

Bu enerji verimliliği nedeniyle, NPUs üreticiler tarafından kullanıcı cihazlarına yerleştirilmekte popülerdir; burada jeneratif AI uygulamaları için yerel görevleri yerine getirebilir, bu da “kenar bilişim” örneğidir. (aşağıda bu konu hakkında daha fazla bilgi var).

Şu anda nöromorfik çipler oluşturma konusunda birçok yöntem araştırılıyor:

• Henüz tam olarak anlaşılmamış bir fenomen olan başlangıç ferroelectricitesinden yararlanmak
• Vanadyum veya titanyum kullanan aktif alt tabaka
• Memristörleri kullanmak, yeni bir elektronik bileşen türü, normal güç tüketiminin 1/800’ü kadar AI görevlerini yerine getirebilir.

Yardımcı Işleme Birimi (XPUs)

XPU, CPU (işlemci), GPU (grafik kartı / paralel işlemciler) ve belleği aynı elektronik cihazda birleştirir.

Kaynak: Broadcom

XPUs, tüm donanımı kendi içinde birimlere getirme konseptinin birçok varyasyonunu kapsayan geniş bir terimdir; Data Processing Units (DPUs), Infrastructure Processing Units (IPUs) ve Function Accelerator Cards (FACs) gibi.

XPUs, AI veri merkezlerinde artan bir sorunu çözüyor olarak görülüyor; alt birimler arasındaki bağlantı ihtiyacının artması, veri gecikmesinin mevcut işlem gücünden daha önemli bir yavaşlatıcı faktör haline gelmesi.

Esasen, çipler (GPU’lar, TPU’lar, NPP’ler vb.) veri beklerken aynı zamanda çalışıyor.

Bu teknolojinin lideri Broadcom’dur, bu şirketi ayrıntılı bir yatırım raporunda ele almıştık.

Alan-Programlanabilir Kapı Dizileri (FPGA’lar):

FPGA’lar programlanabilir işlemcilerdir; bu da onları daha katı ASIC’lerden çok daha esnek ve yeniden yapılandırılabilir kılar. FPGA’lar belirli AI algoritmaları için özelleştirilebilir ve potansiyel olarak daha yüksek performans ve enerji verimliliği sunabilir.

Kaynak: Microcontrollers Labs

Bu esneklik bir maliyetle gelir; FPGA’lar genellikle daha karmaşık, pahalı ve daha fazla enerji tüketir. Ancak hâlâ genel donanımdan daha verimli olabilirler.

Bu, onları bir niş ürün yapar; esneklikleri dezavantajları telafi eder. Örneğin, makine öğrenimi, bilgisayarlı görü ve doğal dil işleme, FPGA’ların çok yönlülüğünden faydalanabilir.

Yüksek Bant Genişliği Bellek (HBM):

Özel AI odaklı donanımdaki en önemli gelişmeler uzun süredir hesaplama gücü alanında oldu; yeni AI’ları eğitmek için daha fazla hesaplama kapasitesi oluşturmanın dar boğazı.

Bununla birlikte, bu sistemlerin yüksek verimli destek sistemlerine de ihtiyacı var; bunların başında bellek gelir. HBM, adı gibi, geleneksel DRAM’den daha yüksek bant genişliği sağlar.

Bu, birden fazla DRAM çipini dikey olarak istifleyip through-silicon vias (TSV) ile bağlayarak elde edilir. HBM’nin ilk nesli 2013’te geliştirildi.

Dikey istifleme alan tasarrufu sağlar ve verinin kat etmesi gereken fiziksel mesafeyi azaltarak veri transferini hızlandırır; bu AI hesaplamalarında bir zorunluluktur.

HBM’ler üretimi daha karmaşık ve DRAM’den daha pahalıdır, ancak performans ve güç verimliliği faydaları AI uygulamaları için genellikle daha yüksek maliyeti haklı çıkarır.

AI Veri Merkezi Altyapısı: Güç, Soğutma ve Bağlantı

Bellek ve işlem gücünün yanı sıra, AI veri merkezlerinin yardımcı sistemleri de önemlidir. Bunlar olmadan veri yeterince hızlı dolaşamaz, çipler aşırı ısınır veya mevcut güç yetersiz kalır.

Bu, örneğin Broadcom bağlantı donanımının AI veri merkezi inşasından büyük ölçüde faydalandığı anlamına gelir; aynı şekilde Vertiv (VRT ) veya Schneider Electric (SU.PA) gibi soğutma ekipmanı tedarikçileri gibi özel çözümler de fayda sağlar.

Güç kaynağı da bir sorun haline gelebilir ve birçok teknoloji devi, nükleer enerjiye yatırım yaparak bu sorunu çözmeye çalışıyor; ilk adım Microsoft tarafından 2024’te atıldı, ardından birçok başka şirket de bunu takip etti.

AI’nın karbon ayak izini azaltma taahhüdüyle birleştiğinde, Cameco (CCJ ), GE Vernova (GEV ), First Solar (FSLR ), NextEra (NEE ) veya Brookfield Energy Partners (BEP ) gibi nükleer veya yenilenebilir enerji şirketleri büyük ölçüde fayda görecektir (her şirket hakkında rapor için bağlantıları takip edin).

Gelişen AI Hesaplama Teknolojileri

Kuantum Hesaplama

AI, hesaplama gücüne bu kadar aç olduğu için, alanın gelecekteki donanımı mevcut silikon çözümlerinin ötesinde olabilir.

Bir olasılık, kuantum hesaplamanın, klasik bilgisayarların asla yapamayacağı kadar verimli bir şekilde desenleri tespit edebilmesidir; bu zaten araştırmacılar tarafından incelenmiştir.

Kuantum hesaplama, ikili bilgisayarlarla neredeyse imkânsız olan belirli hesaplamaları çözmek için kullanılabilir. Bu muhtemelen sonunda AI’ye uygulanacak, ancak ilk ticari kuantum bilgisayarlar hâlâ birkaç yıl uzakta ve büyük bir kuantum ağı daha da uzak.

Fotonik

Veri taşıma için elektronlar yerine ışık kullanmak, fotonik’i elektronik cihazlardan çok daha hızlı yapabilir.

Kuantum bilgisayarlar genellikle dolaşıklık fotonlarıyla kuantum verisi taşıdığından, kuantum hesaplama ve fotonik arasında büyük bir örtüşme vardır; ilk çift kuantum-fotonik çip zaten duyurulmuştur.

Organoid’lar

AI’nin çoğu, bilgisayarlarda beynin sinir ağlarının işleyişini taklit ettiğinden, bazı araştırmacılar bunun yerine gerçek beyin hücreleri kullanıp kullanamayacağımızı düşünüyor.

Bu ilginç bir fikir, özellikle bazı araştırmalar beynin aslında organik bir kuantum bilgisayar olabileceğini gösteriyor.

Bu tür “bilgisayar” organoid olarak adlandırılır ve temelde bir bilgisayar çipinde laboratuvarda yetiştirilen nöronlardan oluşur. Nöronlar çip uyarısına yanıt olarak dendritlerini ve bağlantılarını kendi kendine organize eder.

Bu teknoloji hâlâ yeni ve bio-3D baskıya dayanıyor.

Diğerleri

Silicon dışı hesaplama şirketleri üzerine yaptığımız “En İyi 10 Silikon Dışı Hesaplama Şirketi” incelemesinde, vanadyum dioksit, grafen, redoks geçidi veya organik malzemeler gibi alternatifleri araştırdık.

Her biri klasik silikon tabanlı hesaplamaya göre çok daha hızlı ya da çok daha az enerji tüketimi vaat ediyor. Ancak hâlâ nispeten yeni ve önümüzdeki 5‑10 yıl içinde ticari ölçekte AI alanını devrim niteliğinde değiştirmeleri olası değildir.

Bulut AI ve Kenar AI: Erişilebilirlik Trendleri

Bulut AI

En güçlü AI sistemleri büyük teknoloji şirketleri tarafından üretildiği için, çoğunlukla bulut üzerinden erişilebiliyor. AI’ye özel donanıma erişim de aynı şekilde bulut üzerinden sağlanıyor.

Bu trendin lideri Coreweave (CRCW ), bulut sağlayıcısından GPU’larla kripto para madenciliğine, bugün ise talep üzerine AI hesaplama hizmeti sunan bir şirket.

Bu, CoreWeave’i, Inflection AI ve $1.3B GPU kümesi gibi büyük teknoloji devleriyle rekabet etmeye çalışan yeni AI girişimlerinin kilit ortağı haline getirdi, yeni bir finansman turu ile desteklenmiş.

“İki ay önce bir şirket var olmayabilir ve şimdi 500 milyon dolar risk sermayesi almış olabilir.

Onların yapması gereken en önemli şey, hesaplama erişimini güvence altına almaktır; ürünlerini ya da işlerini başlatamazlar, bunu elde edene kadar.”

Brian Venturo – CoreWeave CTO

AI donanımında saf oyuncu, büyük teknoloji firmalarının kendi GPU, TPU, XPU vb. üretip müşteriden rakibe dönüşmesinden endişe duydukça, CoreWeave gibi şirketlerin Nvidia ve diğerlerinin en yeni donanım sürümlerine öncelikli erişim elde etmesi muhtemeldir.

Bu iş modeli, zaten eğitilmiş AI’ları kullanmaktan çok daha fazla hesaplama kapasitesi gerektiren AI eğitimi için özellikle önemli olacaktır.

Kenar Bilişim & AI PC’ler

AI hesaplamasının hızla evrilen bir diğer örneği, AI sistemlerinin hesaplamasını sahada, gerçek yaşam durumlarına mümkün olduğunca yakın bir konumda gerçekleştirme ihtiyacıdır.

Bu, bağlantı kesildiğinde AI’dan kopamayan veya bulutla geri dönüş gecikmesinin çok yavaş olduğu sistemler için zorunludur.

İyi bir örnek, ortamını çevrimdışı anlayacak şekilde tasarlanan otonom araçlardır.

Bu hesaplama türüne kenar bilişim denir ve daha verimli, daha az enerji tüketen donanımlardan büyük ölçüde fayda sağlar.

Bu, AI güvenilirliğini artırabilir ve modeller DeepSeek’in atılımı gibi daha verimli hale geldikçe, gelecekte AI dağıtımının daha yaygın bir modeli haline gelebilir.

Aynı nedenle, Nvidia tarafından yakın zamanda piyasaya sürülen AI PC’ler gibi cihazlar, uzun vadede birçok AI uygulamasını yerel olarak çalıştırmak için yeterli olabilir; bu da sürekli buluta bağlı AI’lara göre gizlilik ve güvenliği artırır.

Sonuç

AI donanımı bir süre GPU’larla eş anlamlıydı; grafik kartları CPU gibi diğer donanım türlerine göre AI eğitiminde çok daha verimliydi. Bu, Nvidia ve erken dönem hissedarlarının servetini oluşturdu.

GPU’lar, özellikle AI odaklı “süper GPU’lar”, AI veri merkezlerinin inşasında önemli olmaya devam edecek. Ancak giderek daha karmaşık ve özelleşmiş sistemlerin bir bileşeni haline gelecekler.

Transformer işlemleri TPU’lara, sinir ağları NPP’lere, tekrarlayan görevler ise özel ASIC’lere veya yeniden yapılandırılmış FPGA’lara yönlendirilecek.

Bu arada, yüksek bant genişliği bellek, gelişmiş telekomünikasyon bağlayıcıları ve ultra verimli soğutma, işlem çekirdeği etrafındaki tüm yardımcı işlevlerin çalışmasını sürdürecek.

Kenar bilişim ve devasa LLM’lerden daha küçük AI’lar için, tümleşik XPUs tarafından desteklenen yerel hesaplama, muhtemelen bilim insanları, otonom araçlar ve gizlilik ya da sansür konusunda endişeli kullanıcılar tarafından kullanılacak; açık kaynak AI modelleriyle birlikte.

Kesin olan, AI altınaçında “kazma ve kürek” satmanın kârının henüz bitmemiş olmasıdır.

Nvidia’nın hakimiyeti döneminden sonra, yatırımcılar riskleri çeşitlendirmek için AI donanım portföylerini diğer tasarımlara yaymak isteyebilir ve hatta dünyadaki giderek daha büyük ve sayısız AI veri merkezlerini çalıştıracak değerli gigavatları sağlayacak enerji hizmeti şirketlerine de yatırım yapabilir.