Tüm insanlar model katmanında savaşırken, açık kaynaklı çıkarım standartlarını elinde tutan bir ekip, Silicon Valley'in en prestijli tohum sermaye yatırımcıları ile yeni nesil AI altyapısına odaklanıyor.

Yazar ve kaynak: Machine Heart

5 Mayıs'ta AI altyapısı startup'ı RadixArk, 100 milyon dolarlık tohum sermaye round'unu tamamladığını ve 400 milyon dolarlık post-money değerlemeye sahip olduğunu duyurdu. Tutar, değerleme ve yatırımcı listesi açısından bu, 2026 yılında AI Infra sektöründe şu ana kadar yapılan en büyük erken dönem yatırımı.

Bu tur, Accel tarafından öncülük edilerek Spark Capital ile ortak olarak öncülük edildi. Kurumsal yatırımcılar, NVIDIA'nın NVentures, AMD, MediaTek, Databricks ile Salience Capital, HOF Capital, Walden Catalyst, A&E Investment, LDVP, WTT Fubon Family gibi önde gelen kurumları kapsıyor. GPU'dan CPU'ya, kenar çipinden veri platformuna kadar temel donanım ve sistem katmanındaki ana oyuncular neredeyse tamamı bir araya geldi.

Üst düzey kurumsal gruptan dışarıda, Intel, Broadcom, OpenAI, xAI, PyTorch gibi alanlardan gelen birçok küresel teknoloji lideri de bu sermaye artırım turuna meleki yatırımcı olarak katıldı.

Donanımın üç büyük lideri + en üst düzey model laboratuvarı kurucusu + PyTorch’un yaratıcısı, AI Infra tarihinde bu kombinasyonu bir tohum sermaye turunda bir araya getirmek son derece nadirdir. Bu alanda uzman yatırımcılar doğrudan şunu söylüyor: “Bu, bir sonraki nesil altyapı standartlarını desteklemektedir.”

En iyi mantık motoru, onların elinde

RadixArk'in hikayesi, SGLang adlı bir açık kaynak projesiyle başlamalıdır.

2023 yılında doğuşundan bu yana, SGLang iki yıl içinde inanılmaz bir geliştirme hızıyla açık kaynak büyük model çıkarımının gerçek standartlarından biri haline geldi ve GitHub'da 27K+ yıldız topladı, 400K+ GPU üzerinde dağıtıldı. Günlük olarak trilyonlarca token'lık üretim trafiği SGLang üzerinde çalışıyor ve kullanıcıları arasında Google, Microsoft, NVIDIA, Oracle, AMD, LinkedIn, xAI ve Thinking Machines Lab bulunuyor.

Geçen iki yıl içinde, model mimarileri MoE, uzun bağlam, Akıl Yürütme modelleri ve çoklu modallik entegrasyonu gibi bir dizi büyük değişiklik yaşadı. Her mimari yeniden yapılandırmasında, SGLang Day-0 uyumluluğu sağlamıştır—açık kaynaklı modellerin yayınlandığı andan itibaren destekleyen ilk mekanizmayı geliştirmiştir ve performansı makinenin fiziksel sınırlarına yaklaşmıştır. Yatırımcılar tarafından sıkça vurgulanan bir değerlendirme, SGLang'ın yenileme hızının ve mühendislik disiplininin birleşimi, açık kaynak projelerinde kesinlikle en üst düzeydedir.

Alt yapı disiplininin arkasında, sistem ve algoritmalar alanında derin bir birikime sahip kurucu ekip yer alıyor.

CEO Ying Sheng, Shanghai Jiao Tong University'den ACM sınıfından mezun oldu ve Stanford Üniversitesi'nden doktora derecesini aldı. LMSYS Org'un kurucusu ve SGLang'ın temel kurucularından biridir. Doktora döneminde UC Berkeley Sky Lab'da ziyaretçi araştırmacı olarak çalıştı ve sırasıyla Databricks ve xAI'de çalıştı; xAI'de inference ekibinin liderliğini yaptı. Ying Sheng, dikkat seyreltme ve KV önbelleği yeniden kullanım gibi alanlardaki çalışmaları endüstride büyük ilgi gördü; SGLang'ın erken dönem RadixAttention mekanizması, onun en önemli eserlerinden biridir.

CTO Zhu Banghua,清华大学电子工程系本科毕业，加州大学伯克利分校博士毕业，师从机器学习泰斗Michael I. Jordan ve Jiantao Jiao. Doktora döneminde Nexusflow'u ortak kurdu ve ardından NVIDIA tarafından satın alınarak NVIDIA Principal Research Scientist olarak görev yaptı. Elinden geçen projeler arasında endüstriyel düzeydeki eğitim sistemlerinin tamamının kurulması ve NVIDIA içi alt seviye sistem optimizasyonu ile büyük ölçekli eğitimde uzun yılların birikimi yer alır.

Bir temel donanım üreticisinin teknik sorumlusu, bunun 2026 AI Infra girişimlerinde en değerli kurucu ekibini oluşturduğunu değerlendirdi: Bir tarafta açık kaynak çıkarım standartlarını elinde tutan araştırmacı girişimci, diğer tarafta GPU üreticisinin en temel araştırma katmanından gelen büyük model algoritma uzmanı.

Günlük trilyonlarca token işleyen SGLang adlı bir çıkarım motoruna sahip olmak, AI Infra girişimleri için kendi başına hayal edilebilir bir başlangıçtır. Ancak bu ekip elinde bunun dışında da kartlar tutuyor.

Gün-0: DeepSeek V4 Güçlendirilmiş Öğrenmeyi Kovalamak

İnferans motorunun yanı sıra RadixArk, eğitim tarafında da bir atılım gerçekleştirdi.

Kasım 2025'te ekip, büyük ölçekli RL eğitimi için kararlılık ve verimlilik odaklı olan Miles adlı takviyeli öğrenme çerçevesini açık kaynak hale getirdi ve şu anda MoE modellerinin takviyeli öğrenme eğitimi için 20'den fazla ekip tarafından kullanılıyor.

2025–2026 yılları arasında Reasoning, Tool Use ve Agentic yetenekleri üzerindeki rekabet tamamen artıyor ve her adım ilerlemesi, aşırı büyük dağıtık RL'yi kaldıracak bir sisteme ihtiyaç duyuyor. Sektör gözlemcileri, tekrar tekrar vurgulanmasına rağmen uzun süredir çözülemeyen bir soruna işaret ediyor: Bugün büyük modeller ekiplerinin en büyük zorluğu, herhangi bir tek nokta optimizasyonundan çok daha fazlası. Eğitimden RL'ye ve ardından üretimde çıkarıma kadar olan tam zincirdeki sınırlar arasındaki sürtünmeler, her biri ayrı ayrı bakıldığında neredeyse en iyi durumda olsa da, bir araya getirildiğinde her yerde verimlilik kaybına neden oluyor.

Miles ve SGLang kombinasyonu, şu anda büyük modeller ekiplerinin «eğitim-RL-çıkarım» tam zincirinde karşılaştığı verimlilik boşluğunu doldurmaya çalışıyor.

Yeni model Day-0 desteği, Infra ekibinin mühendislik gücünün doğrudan bir göstergesidir.

25 Nisan'da karmaşık mimarisi olan DeepSeek-V4 yayınlandı. Aynı gün, SGLang ve Miles, DeepSeek-V4 için hem çıkarım hem de RL eğitimi desteği sağlamayı başardı. Bu, karışık dikkat için tasarlanan ShadowRadix önek önbelleği, tek bir çip üzerinde sıkıştırma yapan Flash Compressor ve Top-K gecikmesini 15 mikrosaniyeye düşüren Lightning TopK gibi alt seviye sistem optimizasyonları sayesinde mümkün oldu. Ayrıca FP8 çıkarımından BF16 eğitime kadar tam bir RL hattı kuruldu.

Tam yığın uyumu destekliyor:

Büyük oyuncular birlikte girdi, neden endişeli?

NVIDIA, AMD, Mediatek, Broadcom, Intel — donanım katmanındaki en kritik şirketlerin aynı anda tohum turunda yer alması, sektörde neredeyse hayal edilemezdir. Aslında donanım üreticileri, şu anda hesaplama gücü hâlâ pahalı ve sınırlı olduğunu ve sadece donanım biriktirmenin sürdürülebilir olmadığını en iyi bilir. Gerçekten donanımsal olarak bağımsız, heterojen platformlarda çip performansını maksimum seviyeye çıkarabilecek bir açık kaynak çıkarım sistemi, onların en acil ihtiyaçlarıdır.

Databricks, PyTorch'un kurucusu, OpenAI / Thinking Machines / xAI'nin önde gelen kişilerinin aynı anda girmesi, model ve sistem katmanında "eğitim-çıkarım entegre altyapısı"na yönelik güçlü bir beklentiyi temsil eder. Meleksel kadrodaki her isim, son derece hassas bir yatırım bakış açısını ifade eder:

• Intel CEO Chen Liwu, yarı iletken endüstrisinde onlarca yıldır faaliyet gösteren bir efsane.
• John Schulman, OpenAI'nin eski ortak kurucusu, Thinking Machines Lab'in ortak kurucusu ve pekiştirmeli öğrenmenin kurucularından biridir.
• Soumith Chintala — PyTorch ortak kurucusu, küresel derin öğrenme çerçevelerinin bekçisi.
• Igor Babuschkin, xAI'nin eski ortak kurucusu, endüstrinin en karmaşık eğitim sistemlerini ve donanım platformlarını kendi elle kurdu.
• Lilian Weng, Thinking Machines Lab ortak kurucusu, AI sistemlerinin endüstriyel ölçekli uygulanması konusunda en önde gelen görüşlere sahiptir.

Bu kişiler, her yerde tek başlarına bir finansman turunu yönetebilirken, aynı cap table'da birlikte ortaya çıktıklarında, geleceğe yönelik sıcak bir tahmin yapmış olurlar.

Herkes için altyapı: AI oluşturma hakkı, azınlık tarafından monopolize edilmeyecek

RadixArk'in vizyonu, bir cümleyle özetlenebilir: AI altyapısını, elektrik gibi yaygın, güvenilir ve kimse tarafından monopolize edilmeyen bir kamu malı haline getirmek. Bu, idealist bir ilan gibi görünse de, pratikte onlar bu cümleyi gerçekliğe dönüştürüyor:

• Akademi

Üç yıl önce, bir LLM çıkarım optimizasyonu doktora öğrencisinin önünde genellikle iki seçenek vardı: biri, token bazlı ücretlendirilen ve hiçbir iç yapıyı göremediğiniz OpenAI API'si; diğeri, README'sinde "tek bir GPU'da çalışır" yazan eski açık kaynak kodu, makalede gerçekleştirilmek istenen gerçek dağıtık senaryodan yıllarca mühendislik mesafesiyle ayrılmıştı.

SGLang, bu ikili seçimleri ortadan kaldırıyor—endüstriyel düzeyde günlük işlem hacmi ve tamamen açık kaynak kod; Stanford, Berkeley, CMU ve UW sistem araştırma grupları bunu varsayılan temel olarak kabul ediyor. Agent çalışmaları yapan araştırmacılar için RadixAttention’in prefix cache özelliği, ortak önekleri ağaç yapısında organize ederek aynı KV’leri yalnızca bir kez hesaplıyor; eski yöntemle iki gün süren deneyler artık yarım günde tamamlanabiliyor ve yerel çıkarımlarda SGLang’ın referans gösterilmesi neredeyse standart hale geldi.

• Yeni kurulan şirket

Büyük bir şirketten ayrılan bir grup mühendis, belirli bir dikey alandaki derin anlayışla girişimde bulunuyor. Milyon dolarlık hesaplama bütçeleri yok, özel Infra ekibi yok, sadece ürüne yönelik bir sezgi var.

Geçmişte, üretim seviyesinde bir çıkarım hattı kurmak ve çapraz donanım uyumluluğunu korumak, tohum turu şirketleri için genellikle taşıyabilecekleri sınırın ötesindeydi ve çok fazla zaman tekrar tekerlek icat etmeye harcanıyordu. Şimdi, doğrudan SGLang üzerine kurularak önde gelen performansa yakın çıkarım hizmetleri başlatabiliyorlar ve Miles ile alanlara özel modeller eğitiyorlar—altyapı artık bir engel değil, tasarruf edilen zaman ve para tamamen gerçekleştirmek istedikleri şeye yatırılabilir.

• Teknoloji devi

NVIDIA, AMD, MediaTek, Broadcom ve Intel gibi beş temel donanım üreticisi aynı anda devreye girdiğinde, Google, Microsoft ve NVIDIA gibi dünyanın en güçlü iç altyapısına sahip devlerin SGLang kullanıcı listesinde yer almasının nedeni, bu yatırım yapısı içinde gizlidir. Bu şirketler, herkesden daha iyi bilir ki, herhangi bir donanıma bağımlı olmayan ve hiçbir rakip tarafından kilitlenmeyen açık kaynaklı bir çıkarım sistemi, tüm ekosistem için ne anlama gelir. Topluluk tarafından ortak olarak korunan ve birçok donanım üreticisi tarafından desteklenen bir açık kaynak sistemi kullanmak, kendi başına daha yüksek bir altyapı stratejisidir.

RadixArk'in resmi açıklaması duygusal değildir, ancak yeterince keskindir:

Gelecek nesil yapay zeka, özel altyapılara erişim hakkıyla sınırlı olmamalıdır. Daha fazla ekip, kendi modellerine, sistemlerine ve kendi geleceğine sahip olabilmelidir.

Bu 100 milyon dolarlık tohum sermaye finansmanı, SGLang'ı her yeni modelin Day-0 üretim standardı haline getirmek; Miles'ı büyük ölçekli eğitim ve RL için altyapı düzeyinde bir çerçeve haline getirmek; ardından açık kaynak çekirdeğinin üzerine, modeli kilitlemeyen, müşteriyi esirgemeyen ancak en üst düzey altyapı yeteneklerini sağlayan bir barındırma platformu inşa etmek amacıyla yapılmıştır.

RadixArk'in vizyonu, hiçbirini yerine geçmek değildir. Akademik bir laboratuvarı, üç kişilik bir stüdyoyu, sermaye toplama aşamasındaki bir girişimi ve trilyon dolarlık değerindeki devleri aynı altyapı başlangıç çizgisine getirmektir.

2023'te Anthropic, 2024'te Mistral ve 2025'te Thinking Machines Lab'ın her biri AI model katmanında yön belirleyen bir yatırımdı; ancak 2026'da RadixArk, daha temel ve daha uzun vadeli bir şey üzerine yatırıyor: önde gelen AI'ların geliştirme hakkını, gerçekten yeterli sayıda insana geri vermek.

Finansman tamamlandıktan sonra, ekip, açık kaynak topluluğuna bir geri ödeme başlatmıştır: Platforma kayıt olup Twitter’ı paylaşanlar, RadixArk barındırma platformu resmen açıldığında ücretsiz kullanım puanları kazanacaktır. Açık kaynak topluluğundan büyüyen bu ekip için, bu, SGLang’ı bugüne kadar taşıyanlara gerçek hesaplamalı güçle teşekkür etmenin bir yoludur.

• Bağlantı: platform.radixark.com