WAIC 2026'da, Singapur'lı AI Infra şirketi Acrab, Agent Box ve GΞLIX 1 çipini, uç taraf Agentic AI için hesaplama altyapısı sağlamayı amaçlayarak duyurdu. GΞLIX 1, geleneksel AI çiplerinden farklı olarak CPU ile NPU'nun heterojen işbirliğini, tekil bellek mimarisini ve Prefill optimizasyonunu vurgulayarak 700 TOPS hesaplama gücü ve 273 GB/s bellek bant genişliği sunuyor. CEO Ken Phua, AI'nın heterojen hesaplama çağına girdiğini ve CPU'nun yeniden merkezi konuma geldiğini belirtti; Acrab, toplamda 350 milyon doların üzerinde finansman topladı. Uç taraf AI, «bir modeli çalıştırmaktan» «uzun süreli bir akıllı sistem kümesini çalıştırmaya» doğru ilerliyor ve gerçek rekabet, çip, yazılım yığını ve Agent ekosisteminin tam entegrasyon kapasitesinde yatıyor.Yazan: Yeni Zihin
Agentic AI, hangi hesaplama altyapısı üzerinde çalışmalıdır?
Birkaç gün geçtikten sonra, WAIC 2026'da en kalabalık kavramlardan biri olan Agent Computer, sergi standlarındaki yenilikten gerçek bir mühendislik sorununa dönüşmeye başladı.
Bir cihazda yerel olarak büyük bir model çalıştırmak, en zor kısım artık değil. Daha zor olan, Agent'in dosyaları sürekli okuması, bellekte tutması, araçları çağırması ve arka planda uzun süre çalıştırılması durumunda, çipin tüketim, gecikme ve maliyet kısıtları altında kararlı kalabilmesi.
Bu, kenar taraf çiplerinin değerlendirilmesini değiştirecek. TOPS, model parametreleri ve saniyedeki Token hâlâ önemlidir, ancak bellek bant genişliği yetersizse, CPU ile NPU arasında uyum sağlanamazsa veya yazılım yığını görev durumunu koruyamazsa, en güzel tepe değerleri bile yalnızca bir demo tamamlamak için yeterli olabilir.
Bu hafta, Singapur şirketi Acrab, bir çevrimiçi etkinlik düzenledi ve Agent Box'u duyurdu; bu, incelenebilecek bir örnek sunabilir.
Bu duyuruda, bu AI altyapı şirketi, Prefill, birleşik bellek, CPU-NPU heterojen işbirliği ve Agent düzenlemeyi aynı anda ortaya koydu.
Bu anahtar kelimeler aynı yargıya işaret ediyor: Kenar AI, «bir modeli çalıştırmaktan» «uzun süreli bir akıllı sistem çalıştırmaya» doğru ilerliyor.
Çözülmesi gereken sorun, artık yalnızca yeterli hesaplama gücü değil, verinin nasıl akacağı, görevlerin nasıl planlanacağı ve yazılım ile donanımın nasıl sürekli iş birliği içinde kalacağı.
Bu nedenle, WAIC'in canlılığı ve yeni ürün tanıtımları, endüstri trendleri yavaş yavaş oturduğunda, gerçekten sorulması gereken sorular daha net hale geliyor: Agent, bir çağrıdan sürekli çalışan bir sisteme dönüştüğünde, uç cihaz çipleri neleri yeniden yapmalı?
Bir çıkarımdan sürekli çalışmaya
Agent, kenar tarafı yükünü değiştirdi
Chat botlar genellikle bir soru-cevap döngüsünü tamamlar. Agent bir görev aldığında önce kaynak araştırabilir, dosyaları okuyabilir, ardından kodu, tarayıcıyı, takvimi veya ofis yazılımlarını çağırabilir; bir kısmını tamamladıktan sonra sonucu kontrol eder, görev durumunu korur ve bir sonraki tetikleyiciyi bekler. Bir görev genellikle birden fazla model çağrısını içerir ve farklı modeller, araçlar ve uygulamalar arasında sürekli geçişler yapar.
Acrab, tanıtım etkinliğinde nispeten tam bir görev akışı sergiledi: kullanıcı, çocuğuna uzay temalı bir hediye hazırlamak istiyor, sistem fikirler sunuyor, çözüm seçimi konusunda yardımcı oluyor, ilgili araçları çağırıyor ve üretim ilerlemesini takip ediyor; ortamda yeni bir durum ortaya çıktığında, diğer akıllı cihazlara bağlanarak işlem yapıyor.
Bu gösterimin amacı, bir cevabın ne kadar akıllı olduğunu değil, bir doğal dil ifadesinin sürekli bir eylem dizisine dönüştürülebilir olup olmadığını ortaya koymaktır. Hesaplama sistemleri için, Agent artık yalnızca “bir modeli çağırma” değil, model, veri, yazılım ve cihazlar arasında sürekli geçiş yapmaktadır.
Bu çalışma yöntemi, uç ile bulut arasındaki iş bölümüne öncelik verir.
Tek bir çıkarım maliyeti düşük olabilir, ancak çağrılar sık ve sürekli hale geldikçe Token, teknik bir göstergeden gerçek bir fatura haline gelir; bir ağ bekleme süresi sohbet üzerinde sınırlı etki yaratır, ancak çok adımlı görevlere dahil edildiğinde katmanlı olarak birikir; Agent, daha tam bir bireysel bağlamı elde etmek için verilerin buluta sürekli gidip gelmesi, maruz kalma alanını genişletir.
Bu nedenle, uç ve bulut tamamen birbirinin yerini tutan seçenekler değildir. Daha gerçekçi yapı şudur: yüksek frekanslı, gizlilik açısından hassas, hızlı yanıt gerektiren ve uzun süre durum korumayı gerektiren görevler mümkün olduğunca yerelde tutulur; cihaz kapasitesinin dışına çıkan karmaşık çıkarımlar ise bulut kaynakları çağrılır.
Gerçek değişiklik, uç tarafın yalnızca bir kez model çıkarımı yürütmekten ziyade, kolayca kesilemeyen bir akıllı sistem yüklemesidir.
Büyük modelleri çalıştırmalı, uzun bağlamları, çoklu görevleri ve araç çağrısını işlemelidir; performans yeterince güçlü olmalı, ancak güç tüketimi ve maliyet kontrol dışına çıkmamalıdır; Runtime, araç zinciri ve Agent ekosistemi aynı anda gelişmelidir.
Yan taraftaki büyük modeller, modelin cihaza sığıp sığamayacağını çözer; Agentic AI ise modelin, belleğin, araçların ve uygulamaların cihaz içinde uzun süreli olarak birlikte çalışıp çalışamayacağını çözer.
Yalnızca NPU yığmak yeterli değil
CPU, bellek ve yazılım yığını birlikte yeniden yapılmalıdır.
Geçmişte, CPU veya SoC'ye bir NPU eklemek, cihazlara ses tanıma, görüntü işleme gibi AI yetenekleri kazandırıyordu. Ancak Agent, ek bir fonksiyondan cihazın çekirdeğine dönüştüğünde, sadece tepe hesaplama kapasitesini artırmak yeterli değil.
Çünkü Agent, sabit bir sinir ağı çıkarım zinciri değildir. Büyük ölçekli paralel hesaplama, NPU'ya bırakılmalıdır; görevlerin ayrıştırılması, koşullu kararlar, sistem planlaması, araç çağrısı, hata yönetimi ve çoklu sistem iş birliği ise CPU'ya yüksek oranda bağımlıdır. Görev yolları ne kadar dinamikse, CPU ile NPU arasındaki koordinasyon o kadar önemlidir.
Acrab CEO Ken Phua, bu değişimi şu şekilde özetliyor: «CPU, AI çağında yeniden merkeze döndü.»
Onun görüşüne göre, AI, heterojen hesaplama ortamına girmektedir ve performans, NPU performansından ziyade CPU ile NPU'nun sorunsuz şekilde iş birliği yapabilmesine bağlıdır.
Bu, Acrab'ın az sayıda geliştirilebilir takım ipucundan biridir.
Ken Phua, Arm UK'de Asya-Pasifik uygulama mühendisliği ekibini yönetmiş ve küresel IP stratejisi oluşturmaya katılmıştır; daha sonra Arm Çin'in ortak CEO'su olmuştur.
Bu deneyimin anlamı sadece bir endüstri geçmişi değil, aynı zamanda bu şirketin neden CPU mimarisi, heterojen hesaplama ve gerçek uygulama ihtiyaçlarının kesişiminden Agent iş yükünü yeniden tanımladığını açıklar.
Acrab, GΞLIX 1'i geleneksel bir AI işlemci olarak tanımlamıyor, bunun yerine kenar AI döneminin hesaplama platformu olarak tanımlıyor.
Donanım tarafı GΞLIX 1 üzerinde temellenmiştir; yazılım tarafı büyük modeller, optimize edilmiş Runtime, tam bir araç zinciri ve modelleri, araçları, cihazları ve hizmetleri birbirine bağlayan Agent düzenleme katmanını kapsar; bu temel üzerinde şirket, geliştiricilerin ve ekosistem ortaklarının uygulamaları daha hızlı oluşturmasına yardımcı olmak için tipik senaryolara yönelik Agent referans tasarımları sunar.
Agent Box, bu yazılım-hardware platformunun tam ürün formunda ilk kez ortaya çıkışıdır. Yerelde yüz milyar parametreli modelleri çalıştırmak için Personal AI Center olarak tanımlanmıştır ve ağ bağlantısı olmasa bile temel yeteneklerini korur.
Acrab, Agentic Compute, Reasoning, Action ve Brain'in baş harflerinden türetilmiştir ve aynı zamanda astronomide çoklu yıldız sistemlerinden birinin adıdır—bu da tasarım felsefesi gibidir: farklı hesaplama birimlerinin, yıldız sistemleri gibi birlikte çalışmasını sağlamaktır.
Şirket, Agent için düşünüp harekete geçebilen bir beyni oluşturarak bir sonraki nesil hesaplama platformunu inşa etmeyi hedefliyor.
Singapur merkezli Acrab, Temasek'in küresel sermaye yatırımı platformu Vertex (Xiangfeng Yatırım) ve Singapur'un ünlü teknoloji yatırım kurumu K3 Ventures dahil olmak üzere 350 milyon doların üzerinde finansman toplamıştır.
İlk nesil hesaplama platformu GΞLIX, sıkı gerçek dünya dağıtım ortamlarında doğrulandı ve şimdi ilk endüstriyel entegrasyon ve ölçekli üretim aşamasına giriyor.
Finansman, proje için zaman kazandırabilir, ancak rota'nın başarısını belirleyen, sistemin teslim edilebilmesidir.
Bu açıdan bakıldığında, "CPU merkeze geri dönüyor" ifadesi, NPU'nun artık önemli olmadığını anlamına gelmiyor.
Tam tersine, bu, AI hesaplama kadar karmaşık hale geldi ki, artık tüm sorunları tek başına bir akseleratörle çözmek mümkün değil.
700 TOPS'in dışında
Prefill ve veri yolu gerçek deneyimi belirler.
Sık sık, büyük modellerin çıkarımındaki darboğaz, hesaplama birimlerinin yeterince hızlı olmaması değil, verilerin hesaplama birimlerine zamanında ulaştırılamamasıdır.
Yüksek tepe hesaplama gücüne sahip olsalar bile, bellek bant genişliği yetmezse NPU hâlâ beklemek zorunda kalır.
Ajan, veri taşıma sorunlarını daha da büyütecektir. Sık sık geçmiş verileri okumalı, farklı modeller ve yazılımlar arasında veri iletmeli ve görev durumunu sürekli olarak kaydetmelidir. Her kopyalama işlemi gecikmeyi ve enerji tüketimini artırır; görev ne kadar uzun sürerse, sistem tasarımı o kadar önem kazanır.
GΞLIX 1 tasarımı, modelin ihtiyaç duyduğu verileri hesaplama birimlerine mümkün olduğunca yakın tutmayı ve CPU, NPU, bellek ile farklı işletim sistemleri arasında veri taşımalarını azaltmayı hedefler.
Acrab'ın açıkladığı mimariye göre, GΞLIX 1, 700'den fazla TOPS AI gücü ve 273 GB/s birleşik bellek bant genişliği sunar; çip içinde 8 MB L1 önbellek, 768 GB/s bant genişliğine sahip paylaşımlı L2 önbellek, dört paralel NPU çekirdeği ve Attention hesaplamaları için özel olarak tasarlanmış bir hızlandırma modülü bulunur.
Acrab, bunun ilgili hesaplama verimliliğini üç katına çıkarabileceğini belirtti.
Daha büyük bir çip üzerindeki önbellek, kritik verileri hesaplama birimlerine daha yakına getirir; paylaşılan L2 önbelleği, parametreleri ve ara özelliklerini hesaplama birimleri arasında verimli bir şekilde paylaşır; tekil bellek mimarisi ise model, işletim sistemi ve uygulamalar arasında gereksiz veri kopyalamalarını azaltır.
Acrab, farklı işletim sistemlerinin belleği daha verimli paylaşmasını sağlayan çoklu sistem birleşik bellek mimarisi kullanır. Sadece bir model çalıştıran cihazlar için bu yalnızca verimlilik iyileştirmesi olabilir; ancak sürekli uygulamalar ve araçlar arasında geçiş yapması gereken Agent'lar için, bu doğrudan görevlerin sorunsuz ilerleyip ilerlemeyeceğini etkiler.
Bu, Acrab'ın Prefill'i duyuru merkezine yerleştirmesinin nedenini de açıklar. Agent, yeni dosyalar eklerken, görev durumunu geri yüklerken veya bağlamı güncellerken genellikle eklenen bilgileri tekrar işlemek zorundadır. Görev zinciri ne kadar uzunsa, Prefill verimliliği genel deneyim üzerinde o kadar belirgin etki yapar.
Acrab'ın gerçekleştirdiği kendi kendine testlerde, GΞLIX 1, 40K KV Cache ve 10.000 Token girdi kullanarak 26 milyar parametreli Gemma modelini çalıştırıyor ve Prefill hızı saniyede 1416 Token'i aşıyor; aynı yük altında, bu performans, bir ana akım genel masaüstü platformunun 7 katından fazla.
Acrab, GΞLIX 1'i aynı test çerçevesinde benzer bir masaüstü AI hesaplama platformuyla karşılaştırıyor.
Veriler, GΞLIX 1'in Prefill ve Decode gibi iki temel ölçütte benzer bir performans aralığına girdiğini ve daha düşük güç tüketimi ile daha rekabetçi bir tam sistem maliyeti sunduğunu göstermektedir.
Acrab, Prefill ve veri yollarını vurgulamayı seçerek bir ürün yaklaşımını gösteriyor: uç taraf Agent çipleri yalnızca model çıktısının ne kadar hızlı olduğunu değil, modelin uzun bağlamı hızlıca okuyup, görev durumunu geri yükleyip çalışmaya başlayıp başlayamayacağını da çözmelidir.
Kullanıcı, bir akıl yürütme zincirinin içinde kaç katman önbellek geçtiğini fark etmez ve her etkileşimden önce TOPS'yi kontrol etmez. Kullanıcının gerçekten hissettiği yalnızca üç şey vardır: hızlıca anlayabiliyor mu, sürekli çalışabiliyor mu ve sahip olmak yeterince karlı mı.
Çipten platforma
Gerçek rekabet parametrelerin dışındadır
Bu yıl WAIC'te ortaya çıkan Agent Computer, bireysel AI merkezleri ve kurumsal uç cihazlar henüz birleşik bir ürün formu oluşturmadı.
Ev senaryolarında bireysel hafıza, içerik ve cihaz koordinasyonu ön plandadır; kurumsal senaryolarda ise bilgi tabanı, dosya işleme ve dahili veri güvenliği önceliklidir. Farklı müşterilerin model boyutu, bellek kapasitesi, güç tüketimi ve arayüz ihtiyaçları büyük ölçüde farklılık göstermektedir.
Çözüm ne kadar parçalı olursa, hesaplama platformu oluşturmak o kadar zor olur. Bir çip, yalnızca parametrelerle tüm senaryoları kapsayamaz; ayrıca müşterilerin alt seviyeli hesaplama gücünü teslim edilebilir ürünler haline getirmelerine yardımcı olmak için Runtime, model uyumluluğu, geliştirme araçları ve Agent çerçevesi sunulmalıdır.
Bu, agentic AI çiplerinin normal çıkarım çiplerinden daha fazla bir sorunu daha vardır: Çip performansı modelin çalışıp çalışmayacağını belirler, yazılım yığını geliştiricilerin bunu kullanıp kullanamayacağını belirler, Agent ekosistemi ise cihazın nihai olarak hangi görevleri tamamlayabileceğini belirler. Herhangi bir katmanın eksik olması, parametreleri güzel bir çipi Demo aşamasında kalmasına neden olabilir.
Acrab, bu aşamaları aynı anda elinde tutmaya çalışıyor. Avantajı ürün tanımının daha tamamlanmış olması, riski ise çok uzun bir cephe olması.
Çipler, performansı, kararlılığı ve ölçeklenebilir teslim yeteneğini kanıtlamalı, yazılım yığını modelin hızlı yinelemelerine ayak uydurmalı ve Agent düzenleme katmanı sürekli değişen araçları ve uygulamalarla uyumlu olmalı. Kişisel dosyalar ve uzun vadeli bellek yerelde kalırken, izin izolasyonu, eklenti güvenliği ve işlem denetimi de aynı anda çözülmelidir.
Bu nedenle, Acrab'ın Agentic AI çağının hesaplama platformu olup olamayacağı, etkinlikte kaç Token'in çalıştırıldığına veya Agent Box'ın kaç görevi gösterebildiğine bağlı değildir.
Daha kritik doğrulamalar şunlardır: Geliştiriciler bu platformda ürünleri hızlıca oluşturabilir mi; Agent, saatlerce sürekli çalıştığında performans, güç tüketimi ve stabilite aynı anda sağlanabilir mi; model ve Agent çerçevesi değişmeye devam ettiğinde alt yapı yazılım ve donanımı bu değişiklikleri takip edebilir mi.
Mimarideki yenilik, bir çip şirketinin kapasite sınırını belirler; mühendislik ve ekosistem ise bu sınırın siparişe dönüşüp dönüşmeyeceğini belirler.
WAIC'de yoğun şekilde ortaya çıkan yeni terminaller, sektörün «büyük modelleri çalıştırmak»dan «Agent'ların sürekli çalışmasını sağlamak» yönüne doğru ilerlediğini gösteriyor. Önceki aşamada hesaplama gücü, bellek ve model boyutu karşılaştırılıyordu; bir sonraki aşamada uzun bağlam, kişisel hafıza, araç çağrısı ve çoklu görev koordinasyonu çözülmelidir.
Acrab, tam olarak bu değişimi tahmin ediyor.
Agent Box, bir bitiş değil, bir platform yeteneğinin açık bir testidir.
Yan taraf çipinin yeniden yapılması gerekiyor, çünkü TOPS önemli değil, Agent hesaplama gücünü tepe değerlerden uzun süreli sistem yeteneklerine taşıyor. Bu sistemin başarılı olup olmayacağını sonunda, bu çipin, yazılımın ve cihazın gerçek iş akışlarına girebilmesi belirleyecek.