DeepSeek Yapay Zeka Endüstrisini Sarsıyor

    Yapay zeka ortamı, yerleşik paradigmalara meydan okuyan son gelişmelerle birlikte hızlı bir şekilde gelişmeye devam ediyor. 2025'in başlarında, Çinli yapay zeka laboratuvarı DeepSeek, yapay zeka endüstrisinde şok dalgaları gönderen ve yapay zeka veri merkezi talebiyle ilgili diğer hisse senetleriyle birlikte Nvidia'nın hisselerinde % 17'lik bir düşüşle sonuçlanan yeni bir modeli tanıttı. Bu piyasa tepkisinin, DeepSeek'in ABD'deki rakiplerinin maliyetinin çok altında yüksek performanslı modeller sunma yeteneğinden kaynaklandığı ve AI veri merkezleri üzerindeki etkileri hakkında tartışmaya yol açtığı yaygın olarak bildirildi.

    DeepSeek'in aksamasını bağlamsallaştırmak için, ek eğitim verilerinin kıtlığından kaynaklanan AI ortamında daha geniş bir değişimi düşünmenin yararlı olduğunu düşünüyoruz. Büyük yapay zeka laboratuvarları artık modellerini internetteki mevcut kamuya açık verilerin çoğu üzerinde zaten eğitmiş olduğundan, veri kıtlığı ön eğitimde daha fazla iyileştirmeyi yavaşlatıyor. Sonuç olarak, model sağlayıcıları, genel model performansını iyileştirmek için alternatif bir yöntem olarak, akıl yürütme modellerinin ( Open AI'nin ‘o’ serisi modelleri gibi ) çıkarım zamanında bir soruya yanıt vermeden önce ‘düşündüğü’ ‘test zamanı hesaplaması’ ( TTC ) arıyor. Mevcut düşünce, TTC'nin bir zamanlar ön eğitimi teşvik edenlere benzer ölçeklendirme yasası iyileştirmeleri sergileyebileceği ve potansiyel olarak bir sonraki dönüştürücü AI ilerlemeleri dalgasını mümkün kılabileceği yönündedir.

    Bu gelişmeler iki önemli değişime işaret ediyor: Birincisi, daha küçük ( bildirilen ) bütçelerle çalışan laboratuvarlar artık son teknoloji modelleri piyasaya sürme yeteneğine sahip. İkinci değişim, yapay zeka ilerlemesinin bir sonraki potansiyel itici gücü olarak TTC'ye odaklanmaktır. Aşağıda, bu eğilimlerin her ikisini de ve rekabet ortamı ve daha geniş yapay zeka pazarı için potansiyel etkilerini açıklıyoruz.

Yapay zeka endüstrisi için çıkarımlar

    TTC'ye geçişin ve akıl yürütme modelleri arasındaki artan rekabetin, donanım, bulut platformları, temel modeller ve kurumsal yazılımlar genelinde daha geniş yapay zeka ortamı için bir dizi etkisi olabileceğine inanıyoruz. 

1. Donanım ( GPU'lar, özel çipler ve bilgi işlem altyapısı )

• Büyük eğitim kümelerinden isteğe bağlı "test zamanı" artışlarına kadar: Bizim görüşümüze göre, TTC'ye geçişin, AI şirketlerinin ihtiyaç duyduğu donanım kaynaklarının türü ve bunların nasıl yönetildiği üzerinde etkileri olabilir. Yapay zeka şirketleri, iş yüklerini eğitmeye adanmış, giderek daha büyük GPU kümelerine yatırım yapmak yerine, artan TTC ihtiyaçlarını desteklemek için çıkarım yeteneklerine yatırımlarını artırabilir. Yapay zeka şirketleri, çıkarım iş yüklerini işlemek için büyük olasılıkla çok sayıda GPU'ya ihtiyaç duyacak olsa da, eğitim iş yükleri ile çıkarım iş yükleri arasındaki farklar, bu yongaların nasıl yapılandırıldığını ve kullanıldığını etkileyebilir. Özellikle, çıkarım iş yükleri daha dinamik ( ve "ani artış" ) olma eğiliminde olduğundan, kapasite planlaması toplu iş yükleri için olduğundan daha karmaşık hale gelebilir.
• Çıkarım için optimize edilmiş donanımın yükselişi: Odağın TTC'ye kaymasının, düşük gecikmeli çıkarım süresi hesaplamasında uzmanlaşmış alternatif yapay zeka donanımı fırsatlarını artıracağına inanıyoruz. Örneğin, çıkarım için uygulamaya özel entegre devreler ( ASIC'ler ) gibi GPU alternatiflerine daha fazla talep görebiliriz. TTC'ye erişim, eğitim kapasitesinden daha önemli hale geldikçe, hem eğitim hem de çıkarım için kullanılan genel amaçlı GPU'ların hakimiyeti azalabilir. Bu değişim, özel çıkarım çipi sağlayıcılarına fayda sağlayabilir.

2. Bulut platformları: Hiper ölçekleyiciler ( AWS, Azure, GCP ) ve bulut bilişim

• Hizmet kalitesi ( QoS ) önemli bir farklılaştırıcı haline gelir: Kuruluşta yapay zekanın benimsenmesini engelleyen bir sorun, model doğruluğuyla ilgili endişelere ek olarak, çıkarım API'lerinin güvenilmezliğidir. Güvenilir olmayan API çıkarımıyla ilişkili sorunlar arasında dalgalanan yanıt süreleri, hız sınırlaması ve eşzamanlı istekleri işleme ve API uç nokta değişikliklerine uyum sağlama zorluğu yer alır. Artan TTC bu sorunları daha da kötüleştirebilir. Bu koşullarda, bu zorlukları ele alan QoS güvencelerine sahip modeller sağlayabilen bir bulut sağlayıcısı, bize göre önemli bir avantaja sahip olacaktır.
• Verimlilik kazanımlarına rağmen artan bulut harcaması: Yapay zeka donanımına olan talebi azaltmak yerine, büyük dil modeli ( LLM ) eğitimi ve çıkarımına yönelik daha verimli yaklaşımların, gelişmiş verimliliğin daha yüksek genel tüketimi artırdığı tarihsel bir gözlem olan Jevons Paradoksu'nu takip etmesi mümkündür. Bu durumda, verimli çıkarım modelleri, daha fazla yapay zeka geliştiricisini akıl yürütme modellerinden yararlanmaya teşvik edebilir ve bu da bilgi işlem talebini artırır. Son model ilerlemelerinin hem model çıkarımı hem de daha küçük, özel model eğitimi için bulut yapay zeka bilişimine yönelik talebin artmasına yol açabileceğine inanıyoruz.

3. Vakıf modeli sağlayıcıları ( OpenAI, Anthropic, Cohere, DeepSeek, Mistral )

• Önceden eğitilmiş modeller üzerindeki etkisi: DeepSeek gibi yeni oyuncular, bildirilen maliyetlerin çok altında sınır AI laboratuvarlarıyla rekabet edebilirse, tescilli önceden eğitilmiş modeller bir hendek olarak daha az savunulabilir hale gelebilir. Transformatör modelleri için TTC'de daha fazla yenilik bekleyebiliriz ve DeepSeek'in gösterdiği gibi, bu yenilikler daha köklü AI laboratuvarlarının dışındaki kaynaklardan gelebilir.

4. Kurumsal yapay zekanın benimsenmesi ve SaaS ( uygulama katmanı )

• Güvenlik ve gizlilik endişeleri: DeepSeek'in Çin'deki kökenleri göz önüne alındığında, firmanın ürünlerinin güvenlik ve gizlilik perspektifinden sürekli olarak incelenmesi muhtemeldir. Özellikle, firmanın Çin merkezli API ve sohbet robotu tekliflerinin ABD, Kanada veya diğer Batı ülkelerindeki kurumsal yapay zeka müşterileri tarafından yaygın olarak kullanılması pek olası değil. Birçok şirketin DeepSeek'in web sitesinin ve uygulamalarının kullanımını engellemek için harekete geçtiği bildiriliyor. DeepSeek'in modellerinin, ABD'deki üçüncü taraflar ve diğer Batılı veri merkezleri tarafından barındırıldıklarında bile, modellerin kurumsal olarak benimsenmesini sınırlayabilecek şekilde incelemeye tabi tutulmasını bekliyoruz. Araştırmacılar zaten hapisten kaçış, önyargı ve zararlı içerik üretimi ile ilgili güvenlik endişelerinin örneklerine işaret ediyorlar. Tüketicinin ilgisi göz önüne alındığında, DeepSeek'in modellerinin işletmede denendiğini ve değerlendirildiğini görebiliriz, ancak kurumsal alıcıların bu endişeler nedeniyle yerleşik şirketlerden uzaklaşması pek olası değildir.
• Dikey uzmanlaşma çekiş kazanıyor: Geçmişte, temel modelleri kullanan dikey uygulamalar, esas olarak belirli iş ihtiyaçları için tasarlanmış iş akışları oluşturmaya odaklanıyordu. Geri alma artırılmış oluşturma ( RAG ), model yönlendirme, işlev çağırma ve korkuluklar gibi teknikler, bu özel kullanım durumları için genelleştirilmiş modellerin uyarlanmasında önemli bir rol oynamıştır. Bu stratejiler kayda değer başarılara yol açmış olsa da, temel modellerde yapılan önemli iyileştirmelerin bu uygulamaları geçersiz kılabileceğine dair sürekli bir endişe var. Sam Altman'ın uyardığı gibi, model yeteneklerindeki büyük bir atılım, temel modellerin etrafında sarmalayıcı olarak inşa edilen uygulama katmanı yeniliklerini "buharla yuvarlayabilir".

    Bununla birlikte, tren süresi hesaplamasındaki ilerlemeler gerçekten durağanlaşıyorsa, hızlı yer değiştirme tehdidi azalır. Model performansındaki kazanımların TTC optimizasyonlarından geldiği bir dünyada, uygulama katmanı oyuncuları için yeni fırsatlar ortaya çıkabilir. Yapılandırılmış istem optimizasyonu, gecikmeye duyarlı akıl yürütme stratejileri ve verimli örnekleme teknikleri gibi alana özgü eğitim sonrası algoritmalardaki yenilikler, hedeflenen dikeylerde önemli performans iyileştirmeleri sağlayabilir.

    Herhangi bir performans iyileştirmesi, genellikle çok saniyelik yanıt süreleri sergileyen OpenAI'nin GPT-4o ve DeepSeek-R1 gibi akıl yürütme odaklı modeller bağlamında özellikle alakalı olacaktır. Gerçek zamanlı uygulamalarda, belirli bir etki alanındaki gecikmeyi azaltmak ve çıkarım kalitesini artırmak rekabet avantajı sağlayabilir. Sonuç olarak, alan uzmanlığına sahip uygulama katmanı şirketleri, çıkarım verimliliğini optimize etmede ve çıktılarda ince ayar yapmada çok önemli bir rol oynayabilir.

    DeepSeek, model kalitesinin tek itici gücü olarak giderek artan miktarda ön eğitime azalan bir vurgu göstermektedir. Bunun yerine, gelişme TTC'nin artan öneminin altını çiziyor. DeepSeek modellerinin kurumsal yazılım uygulamalarında doğrudan benimsenmesi, devam eden incelemeler nedeniyle belirsizliğini korurken, mevcut diğer modellerde iyileştirmeler sağlama üzerindeki etkileri daha net hale geliyor.

    DeepSeek'in ilerlemelerinin, yerleşik AI laboratuvarlarını benzer teknikleri mühendislik ve araştırma süreçlerine dahil etmeye ve mevcut donanım avantajlarını desteklemeye teşvik ettiğine inanıyoruz. Tahmin edildiği gibi model maliyetlerinde ortaya çıkan azalma, Jevons Paradoksu'nun ilkeleriyle uyumlu olarak model kullanımının artmasına katkıda bulunuyor gibi görünmektedir.

   Pashootan Vaezipoor