OpenAI, yapay zekâ sistemlerini çalıştırmak için gereken hesaplama altyapısını daha hızlı ve daha düşük maliyetle kurmanın yollarını araştırıyor. Şirketin CEO’su Sam Altman, Stripe’ın kurucu ortağı John Collison’ın sunduğu Cheeky Pint podcast’inde, veri merkezi inşasının yapay zekâ tarafından yönetilen robotlarla otomatikleştirilebileceğini anlattı. Altman’a göre robotların üretimden tesis kurulumuna kadar uzanan bir süreçte görev alması, kendi kapasitesini genişletebilen altyapıların önünü açabilir.

Bu yaklaşımın amacı yalnızca inşaat işlerini hızlandırmak değil. Altman’ın değerlendirmesine göre, çiplerden enerji ekipmanlarına ve veri merkezlerine kadar uzanan üretim zincirinde otomasyonun artması, yapay zekâ için gereken hesaplama gücünün maliyetini düşürebilir. Ancak bu hedefe ulaşmak; üretim kapasitesi, enerji kaynakları, donanım tedariki ve güvenli otomasyon gibi birden fazla alandaki sorunların çözülmesine bağlı.

Robotlardan veri merkezi kurulumuna uzanan otomasyon zinciri

Altman’ın tarif ettiği modelde yapay zekâ, önce çeşitli üretim tesislerinde çalışan robotları yönetiyor. Bu robotlar çiplerin yanı sıra türbin ve güneş paneli gibi enerji altyapısı bileşenlerinin üretiminde görev alabiliyor. Sonraki aşamada aynı otomasyon kapasitesinin yeni veri merkezlerinin kurulmasına katkı sağlaması hedefleniyor. Böylece yapay zekâ sistemlerinin ihtiyaç duyduğu donanım ve enerji altyapısı, kısmen bu sistemlerin yönettiği üretim süreçleriyle genişletilebilir.

Altman, robotların kendi sayılarını artıran ve yeni tesislerin kurulmasına yardımcı olan bir düzeneğin artık erişilebilir bir hedef hâline geldiğini belirtti. Bu ifade, tamamen kendi kendini kuran ve insan müdahalesi olmadan çalışan tesislerin bugün hazır olduğu anlamına gelmiyor. Daha çok, robotik üretim ve yapay zekâ kontrolünün aşamalı biçimde birleştirilmesiyle böyle bir kapasiteye yaklaşılabileceği yönündeki beklentiyi anlatıyor. Uygulamada robotların güvenilirliği, bakım gereksinimleri, malzeme tedariki ve insanların denetim rolü gibi konuların da çözülmesi gerekecek.

OpenAI’nin bu alandaki hedeflerinden biri, büyük ölçekli hesaplama gücünü daha uygun maliyetle elde etmek. Veri merkezleri yalnızca sunuculardan oluşmuyor; güçlü elektrik bağlantıları, soğutma sistemleri, ağ ekipmanları ve kesintisiz enerji altyapısı da gerekiyor. Bu bileşenlerin üretim ve kurulum süreçlerinde yaşanan gecikmeler, yeni hesaplama kapasitesinin devreye alınmasını yavaşlatabiliyor. Otomasyon, söz konusu darboğazları azaltma yollarından biri olarak değerlendiriliyor.

Çip, bellek ve enerji kapasitesi darboğazları

Altman, OpenAI’nin kendi çipi üzerinde de çalıştığını söyledi. Şirketin yaklaşımında önemli ölçütlerden biri, kullanılan elektrik miktarı başına elde edilen yapay zekâ performansı. Başka bir deyişle, bir çipin yalnızca ne kadar hızlı işlem yaptığı değil, bu performansı ne kadar enerji tüketerek sağladığı da önem taşıyor. Daha verimli donanım, aynı enerji kapasitesiyle daha fazla hesaplama yapılmasına ve işletme maliyetlerinin düşmesine yardımcı olabilir.

Bununla birlikte, yalnızca işlemci üretimini artırmak yeterli olmayabilir. Yapay zekâ sistemleri bellek, depolama, ağ bağlantısı ve enerji ekipmanlarına da ihtiyaç duyuyor. Altman’a göre talep, bellek ve diğer bileşenlerde üreticilerin kapasite artış hızını aşabiliyor. Üreticiler yeni fabrika ve üretim hatlarına yatırım yaparken, geçmişte kapasitenin gereğinden fazla artırılmasının ağır mali kayıplara yol açmış olması nedeniyle temkinli davranıyor. Bu durum, talebin hızlı değiştiği bir pazarda arzın neden anında genişleyemediğini açıklıyor.

Veri merkezlerinin maliyetini anlatırken Altman, bir gigavatlık hesaplama kapasitesinin beş yıl boyunca kurulması ve işletilmesi için yaklaşık 70 milyar dolarlık bir toplamdan söz etti. Aynı kapasiteyi 20 milyar dolar civarında bir maliyetle elde etmenin çok daha cazip olacağını belirtti. Bu rakamlar, belirli varsayımlara dayanan bir maliyet örneği olarak değerlendirilmeli; altyapının yeri, enerji fiyatı, donanım seçimi ve işletme koşulları toplam maliyeti değiştirebilir. Yine de örnek, OpenAI’nin neden daha ucuz hesaplama gücüne odaklandığını ortaya koyuyor.

Hesaplama kapasitesini ucuzlatmak, yapay zekâ araştırmalarının ve hizmetlerinin ölçeğini büyütebilir. Ancak bunun gerçekleşmesi, robotların inşaatta kullanılmasıyla sınırlı değil. Çip ve bellek üretiminin artırılması, yeni enerji kaynaklarının sağlanması ve veri merkezlerinin şebekeye bağlanması da aynı planın önemli parçaları. Otomasyon bu süreçleri destekleyebilir, fakat tüm tedarik sorunlarını tek başına ortadan kaldıracağı henüz kesin değil.

Yapay zekâ modelleri, siber güvenlik ve denetim

Podcast’te yapay zekânın siber güvenlikte oluşturabileceği riskler de ele alındı. Altman, modellerin yazılımlardaki güvenlik açıklarını bulma konusunda giderek daha yetenekli hâle geldiğini söyledi. Buna karşın, mevcut yazılım kodlarının tamamının bu sistemlerle kapsamlı biçimde taranmış olmadığını vurguladı. İncelemeler genişledikçe daha ciddi açıkların ortaya çıkabileceği beklentisini dile getirdi. Bu kabiliyet, yazılımların güvenliğini artırmak için kullanılabileceği gibi, kötü niyetli kişilerin elinde saldırıları kolaylaştırma riski de taşıyor.

Altman, yazılım açıklarının ötesinde donanım düzeyindeki güvenlik sorunlarına da dikkat çekti. Bir sistemin güvenliği yalnızca uygulama koduna bağlı değil; kullanılan işlemciler, cihaz yazılımları ve altyapının diğer bileşenleri de risk oluşturabiliyor. Bu nedenle yapay zekâ sistemlerinin güvenlik incelemelerinde hem yazılım hem donanım katmanlarının değerlendirilmesi gerekiyor.

Güvenlik önlemlerinden biri, yapay zekâ modelini sınırları belirlenmiş ve dış sistemlerden yalıtılmış bir ortamda çalıştırmak. “Sandbox” olarak bilinen bu yöntem, modelin erişebileceği kaynakları ve yapabileceği işlemleri kısıtlayabiliyor. Ancak Altman’a göre yalıtım, modelin kabiliyetleri belirli bir seviyeye ulaştığında tek başına yeterli olmayabilir. Sistemin faaliyetlerini izlemek ek bir koruma sağlayabilir; yine de izleme ve teknik sınırlamalar, modelin davranışının geliştiricilerin amaçlarıyla uyumlu olmasının yerini tutmuyor.

Buradaki temel belirsizlik, yapay zekâ sistemleri geliştikçe bugün kullanılan güvenlik yöntemlerinin ne ölçüde etkili kalacağı. Sektör, gelecekte daha yetenekli modeller ortaya çıktığında mevcut denetim araçlarının yeterli olacağından emin değil. Bu nedenle güvenlik tasarımının yalnızca modele sonradan kısıtlamalar eklemekten ibaret olmaması; sistemin nasıl çalıştığının, hangi kaynaklara eriştiğinin ve hangi kararları uygulayabildiğinin baştan belirlenmesi gerekiyor.

Tek bir güçlü model yerine ajan ekipleri

Altman, çok yüksek yeteneklere sahip tek bir model yerine, birbiriyle etkileşen çok sayıda yapay zekâ ajanından oluşan sistemlere sıcak baktığını ifade etti. Bu yaklaşımda her ajan belirli görevlerde çalışabilir; ajanlar bilgiyi paylaşarak veya görevleri bölüşerek ortak bir sonuca ulaşabilir. Altman’ın değerlendirmesine göre, insanlardan yalnızca bir miktar daha yetenekli modellerden oluşan bir ekip, çok daha güçlü tek bir modelden daha yönetilebilir olabilir.

Bu görüş, risklerin ortadan kalktığı anlamına gelmiyor. Birden fazla ajanın etkileşimi, görevlerin nasıl dağıtıldığı ve ajanların birbirlerinin çıktılarından nasıl etkilendiği gibi yeni denetim sorunları doğurabilir. Ayrıca ekipteki her sistemin istenen davranış sınırları içinde kalması ve yanlış bir sonucun diğer ajanlar tarafından büyütülmemesi gerekir. Dolayısıyla daha küçük veya daha sınırlı modellerden oluşan bir düzen, güvenlik açısından otomatik olarak risksiz kabul edilemez.

Altman, bazı modellere gelecekte belirli yetenekler açısından sınır koymanın gerekebileceğini de kabul etti. Böyle bir karar, bir modelin neleri yapabileceğinin teknik olarak kısıtlanması veya belirli kullanım alanlarına erişimin sınırlandırılması anlamına gelebilir. Bunun nasıl uygulanacağı, hangi risk seviyesinde gerekli olacağı ve sınırların nasıl denetleneceği ise açık tartışma konuları arasında yer alıyor.

Bilimsel araştırmalarda yapay zekânın maliyeti

Altman, matematikte başarılı olan yapay zekâ yöntemlerinin bilimsel araştırmalara da uyarlanabileceğini düşünüyor. Matematiksel problemleri çözme becerisi, hipotez üretme, hesaplama yapma ve araştırma adımlarını destekleme gibi alanlarda kullanılabilir. Bu potansiyel, bilimsel çalışmaların hızlanmasına katkı sağlayabilir; ancak sonuçların doğrulanması ve araştırmacıların denetimi önemini koruyor. Yapay zekânın ürettiği yanıtların doğru, tekrarlanabilir ve bilimsel yöntemlerle uyumlu olup olmadığı ayrıca sınanmalı.

Bu çalışmaların hesaplama maliyeti de yüksek olabiliyor. Altman, tek bir matematik problemini çözmeye yönelik çalışmanın yaklaşık 10 milyon dolarlık hesaplama kaynağı gerektirdiği bir örnek verdi. Diğer projelerle birlikte OpenAI’nin matematik araştırmalarına yaptığı harcamaların yüzlerce milyon dolara ulaştığını belirtti. Bu rakamlar, ileri düzey araştırmaların yalnızca uzmanlık ve veri değil, büyük miktarda işlem kapasitesi de gerektirebildiğini gösteriyor.

Altman’a göre yapay zekânın bilimde ve ekonomide sağlayabileceği faydalar çok büyük olabilir. Bununla birlikte, sektörün bu faydaların olası zararları neden haklı çıkaracağını topluma henüz yeterince ikna edici biçimde anlatamadığını da kabul etti. Tartışılan kaygılar arasında kitlesel iş kaybı ve gözetimin artması bulunuyor. Bu nedenle yapay zekâ altyapısının büyümesi, yalnızca daha fazla hesaplama gücü üretme meselesi değil; güvenlik, toplumsal etki ve hesap verebilirlik konularını da içeriyor.

OpenAI’nin tarif ettiği gelecek, otomasyonla daha ucuz hesaplama gücü elde etme hedefini; donanım ve enerji darboğazları, siber güvenlik riskleri ve yapay zekânın toplumsal etkileriyle birlikte ele alıyor. Robotların üretim ve inşaat süreçlerinde daha fazla rol üstlenmesi bu hedefe katkı sağlayabilir. Ancak veri merkezlerinin gerçekten daha hızlı ve düşük maliyetle kurulabilmesi, tedarik zincirinin her aşamasında verimlilik artışına ve güvenilir denetime bağlı olacak.