{ "type": "tldr", "lang": "zh", }"lang": "zh",[TL;DR Günlük Seçmeler] Öncelikle biraz sert bir şey söyleyeyim: Sam Altman, bilgisayarınızda uzun süredir tozlanan DRAM’ı “çok kötü” bir kaynak kullanımı olarak nitelendirdiğinde, sadece bellekten bahsetmiyor; daha büyük bir soruyu gündeme getiriyor: Geleceğin hesaplama gücü, akıllı ajanlar ve altyapısı, kimin elinde olmalı? Sizin bazen model çalıştırdığınız yerel bilgisayarınızda mı, yoksa 24/7 verimliliği zorlayan bulut veri merkezlerinde mi? Bu ifade oldukça sert ve toplulukta hemen patlamaya neden oldu. 🍺 Bu röportaj çok fazla bilgi içeriyor; görünürde “yerel AI vs bulut AI” tartışması gibi görünse de, aslında üç temel konuyu ele alıyor: Birincisi, AI, çip, bellek, enerji ve veri merkezlerini yeniden stratejik kaynaklara dönüştürüyor; ikincisi, güvenlik sorunları artık küçük bir düzeltme ile geçiştirilebilecek bir hata değil, tüm teknoloji yığınının yeniden yazılmasını gerektirebilir; üçüncüsü, Altman’ın gelecek toplumuna dair hayali, bir tanesinin tümü üstüne hakim olduğu bir süper zekâ değil, sayısız “hafifçe insanüstü” akıllı ajanın birbirini dengeleyip işbirliği içinde çalıştığı bir sistem. Başka bir deyişle, o, bir dijital tanrı değil, tam bir Agent topluluğu istiyor. 📌 Bellek Boşta Kalmamalı mı? Altman, DRAM’i Tamamen Buluta Gömmek İstiyor • Altman açıkça söyledi: Herkesin kıt DRAM’i kişisel bilgisayarlarında saklaması ve kullanım oranının sadece %5 olması, küresel kaynak dağılımı açısından “çok kötü”. • Mantığı çok basit: Bellek, hesaplama gücü ve üst akış晶圆 kapasitesi kıt olduğuna göre, kaynakları bulut veri merkezlerinde toplamak ve kullanım oranını mümkün olduğunca yükseltmek gerek. • Bu ifade aynı zamanda tartışmalı bir noktayı da vuruyor — çünkü bu sadece verimlilik meselesi değil, aynı zamanda kullanıcıların yerel donanım ve yazılım egemenliğini kaybedip “kiralanan AI”lara bağımlı hale gelip gelmeyeceğidir. • Unutmayın: PC’ler, telefonlar ve AI hızlandırıcı kartlar kullanılan bellekler tamamen aynı olmasa da, üst akış üretim kapasitesi için rekabet ediyorlar. Kim büyük sipariş verirse, o genellikle daha fazla söz sahibi olur. Gerçekçi ve oldukça kapitalist. 📌 Piyasa Eksikliği Kendiliğinden Düzeltmiyor, Altman “Görünmez El”in Bozulduğunu Söylüyor • Altman’a göre bellek üreticileri üretimi çok konservatif genişletiyor; bu, kar kazanamadıkları için değil, geçmişte derin yaralar bıraktıkları için — bu sektör uzun yıllar “20 milyar dolarlık sermaye harcamasıyla 1.9 milyar dolar kar” gibi zorlu bir işti. • Ona göre şu anda üreticiler yıl boyunca yaklaşık 100 milyar dolar serbest nakit akışı kazanabiliyor ama geçmişte aşırı fabrika kurma nedeniyle çöküşe yaklaştıkları izler hâlâ var ve bu yüzden agresif genişlemeye cesaret edemiyorlar. • Sonuç şöyle: AI çağı için bellek, çip ve enerji talebi patlayıcı düzeyde; ancak geleneksel piyasa düzenleyici mekanizmalar çok yavaş tepki veriyor. • OpenAI’nın yaklaşımı da oldukça sert: Kendi çiplerini geliştiriyor, kendi veri merkezlerini kuruyor, robotları altyapı inşaatına dahil ediyor ve hatta “kendini kopyalayan veri merkezi” kavramını ortaya atıyor — AI’nın robotları kontrol ederek晶圆 fabrikalarını işletmesini ve elektrik ile veri merkezleri kurmasını sağlıyor. Sanat eseri gibi görünse de, açıkça bunu bir şaka olarak söylemiyor. 📌 AI Güvenliği “Düzeltme Yeterli Değil” Aşamasına Girdi • Son zamanlarda korkuya neden olan yazılım açıkları dalgası hakkında Altman’ın değerlendirmesi oldukça soğuk: Büyük modellerin açıkları tespit etme yeteneği hızla artmaya devam edecek ve internet kod yüzeyi ise çok büyük. • Bu da şu anlama geliyor: AI sistematik olarak kod tarayıcı olarak kullanıldığında, “ciddi açıklar beklentiden çok daha fazla” olabileceğini görebiliriz. • Onun sonucu daha fazla güvenlik mühendisi istihdam etmek değil; daha radikal bir şey: Röuterler, işletim sistemleri ve uygulama katmanları, “açıkların da akıllılaşacağı” dünyaya göre yeniden yapılandırılmalı. • Güçlü modelleri “en yüksek güvenlik seviyesindeki kum havuzuna” kapatmak? O bunu olumlu görmüyor. Korumalı ortam, izleme, düşünce zinciri incelemesi ve etkinlik izleme sadece geçici çözümler; nihayetinde “gerçekten uyumlu mu?” sorusundan kaçmak mümkün değil. Bu soruyu bir bantla kapatmak mümkün değil. 📌 Zeka Patlaması Sadece Bir Süper Makine Olmayacak, Tam Bir Akıllı Ajan Topluluğu Olabilir • Altman açıkça “agent swarms” terimini sevmiyor; daha çok “agent teams” demeyi tercih ediyor. Bu ifade sadece estetik meselesi değil; yönetim mantığı: Takım işbirliğini ve birbirini dengelemeyi ima eder. • Verdiği temel yargı oldukça ilginç: Bir “trilyon IQ” tekil süper zekânın topluma girmesi yerine, “trilyonlarca hafifçe insanüstü AI”nın topluma katılması daha iyi olur. • Nedeni dayanıklılık. İnsan topluluğunun hâlâ işleyebilmesinin nedeni, tek bir tüm-bilen bir zekâya sahip olması değil; çok sayıda bireyin birbirini sınırlayarak, görev bölüşerek ve hataları düzelterek çalışmasıdır. • Bu düşünce tarzı,某种程度上 AgentFi’nin temel ruhuna çok yakındır — değer, güç ve yürütme yeteneği en iyi şekilde çok sayıda işbirliği yapan akıllı ajan ağına dağıtılmalıdır; tekil merkezi bir zekâda kilitlenmemelidir. 📌 Bilimsel Araştırmalar AI Tarafından Yeniden Yazılıyor ve Maliyet Eğrisi Değerlendiriliyor • Altman, korkutucu ama kritik bir örnek verdi: Navier-Stokes ile ilgili bir ispatın tek bir denemesi yaklaşık 10 milyon dolar maliyetliydi ve arada “bir hafta kontrolü kaybedildi”. • Ancak beklentisi şuydu: Bir yıl sonra daha akıllı modeller ve daha olgun yöntemlerle bu işlem maliyetinin %1’ine düşürülmesi mümkün olacak. • Bu arka planda şu trend ortaya çıkıyor: GPT-4 çağında tek bir soruya 1 dolar hesaplama gücü harcamak bile zordu; şimdi thought chain ve akıllı ajan takımları sayesinde sistem binlerce kez “çokça düşünmeyi” paralel olarak yapabiliyor. • Daha da şaşırtıcı olanı hissettirdiği duygu — heyecan, uykusuzluk, şok — ama aynı zamanda hafif bir üzüntü. Çünkü birçok bilimsel kariyerin en zor soruları artık modeller tarafından sırayla çözülürse, bilim insanlarının kimliği, başarı duygusu ve eğitim yolları yeniden tanımlanacak. 📌 İş Modeli De Değişecek: Kullanıcılar Daha Fazla Web Formu Değil, “AI Bana İş Yapar” İstiyor • Altman’a göre bireysel ajanların “Macintosh anı” henüz gelmedi. İnsanlar bu ürünleri ilginç buluyor ama “onlarsız yaşayamazlar” haline gelmedi. • Gerçek kazananlar en fazla özelliği olan değil; en güvenilir olan, karmaşık görevleri üstlenebilen ve ‘sadece çalışıyor’ diyebileceğiniz olan olacak. • Ticari açıdan, o çok gerçekçi bir çelişkiyi işaret etti: Şirketler hâlâ ürünlerindeki AI penceresi ve HTML sayfalarına bağlı kalıyor; kullanıcı girişi kaybını korkuyorlar; ancak tüketiciler aslında ana sohbet uygulamalarında tüm görevlerini tamamlamak istiyorlar. • Hatta bugünün birçok web formunu “sahte iş” olarak nitelendirdi. Bu ifade biraz sert ama gerçekten noktayı vuruyor — gelecekte ihtiyacınız olan daha iyi doldurabilen siz değil; tüm platformlar arasında görevleri tamamlayan bir ajan olacak. 📌 Fiyatlandırma, Hesaplama Gücü ve Deflasyon: AI Ekonomik Hesabı Henüz Tamamlanmadı • OpenAI içsel olarak yüksek token tüketimini teşvik etmiyor; hatta “token sıralamasında yüksek olmak biraz utanç verici”, çünkü tüketimi artırmak gerçek verimlilik anlamına gelmiyor. • Bir zamanlar AWS gibi görev bazlı ücretlendirme yapmayı düşünmüşlerdi ama müşteri tepkisi şiddetliydi: İnsanlar neye para ödediklerini bilmek istiyorlardı. • Altman ayrıca oldukça sert veriler verdi: Şu anda her 1GW önde gelen AI hesaplama gücünün 5 yıllık toplam sahiplik maliyeti yaklaşık 70 milyar dolar; eğer bu rakam 20 milyar dolara düşürülürse daha ideal olur. • Yani AI’nın geleceği sadece model yarışması değil; aynı zamanda enerji, çip tasarımı ve altyapı marj yapılarının tamamen sıkıştırılması mücadelesidir. Kim “kumdan tokena” tüm zinciri inceltirse, sonraki aşamanın avantajlı konumuna daha yakın olur. Kendi değerlendirmem şudur: Bu röportajda dikkat edilmesi gereken en önemli nokta, “bilgisayarınızdaki belleğin varlığı gerekli mi?” gibi tartışmaya açık yüzeydeki tartışma değil; daha derin bir dönüşüm — AI artık yazılım yeteneği probleminden kaynak yönetimi, toplumsal yönetim ve ekonomik organizasyon problemine yükseliyor. Bellek, çip, enerji, akıllı ajan işbirliği ve fiyatlandırma hakkı gibi önceki ayrı konular şimdi tek bir çizgiyle bağlanıyor. Eğer gelecek gerçekten ‘tek bir süper AI’ değil de, sayısız akıllı ajan takımının üretimde, ticarette ve yönetişimde ortaklaşa katıldığıysa, soru şu: Bu akıllı ajanlar nasıl bütçe, yetki, itibar ve işbirliği kuralları kazanacak? Buraya gelince tabii ki AgentFi’ye daha fazla bakıyorum. Çünkü akıllı ajanlar işe başladıkça mutlaka kendi ekonomik sistemleri olacak. Sizce ne dersiniz — yerel güçlü bir AI mı istersiniz yoksa sayısız akıllı ajanlardan oluşan bir bulut topluluğuna mı bağlanmak?}

[TL;DR Günlük] Sessiz kısmı yüksek sesle söyleyeyim: Bir mühendisin aylık AI faturası, bir Series A gibi görünmeye başladığında, bu sadece bir araç hikayesi olmaktan çıkar ve bir ekonomik deneyim gibi görünmeye başlar. Peki burada gerçekten ne görüyoruz—yazılım mühendisliğinin bir sonraki işletim sistemi mi, yoksa endüstriyel ölçeklerde AI çöpü üretmek için çok pahalı bir makine mi? Muhtemelen ikisi de. 🤖💸 🔥 Kurulum: Bir trilyon tokenlik gösteri, kamu maliyeti tartışmasına dönüştü 📌 Başlık rakamları kasıtlı olarak absürd • OpenClaw kurucusu Peter Steinberger, ekibinin AI işleri için bir ayda yaklaşık 10 milyon dolarlık token maliyeti harcadığını tahmin etti ve hemen ekledi: Bu harcamaların hepsi faydalı değildi. • Başka bir viral örnek, Lauren Tan’ın Cursor profiliydi, bu profil 30 gün içinde yaklaşık 1,5 trilyon token kullanımını gösteriyordu. • 1 milyon token başına yaklaşık 8 dolarlık bir referans değeri kullanarak, Peter Piekarczyk, günlük yaklaşık 384 bin dolar, aylık yaklaşık 11 milyon dolar veya yıllık 132 milyon dolar olarak tahmin etti. • %90 kurumsal indirim uygulansaydı bile, tahmin hâlâ aylık yaklaşık 1,1 milyon dolar veya yıllık yaklaşık 13 milyon dolar olacaktı. 📌 İnsanların paniklemesinin nedeni: Kullanım, normal geliştirme davranışının çok dışındaydı • 12.000 geliştirici üzerindeki Jellyfish verileri, ortalamada kullanıcıların ayda yaklaşık 51 milyon token tükettiğini gösteriyor. • %90. persentil yaklaşık 380 milyon token/ay. • Lauren’ın 1,5 trilyon token kullanımı, ortalamayı yaklaşık 29.000 katını aşıyor; Steinberger’in daha önce paylaştığı 603 milyar token ise hâlâ yaklaşık 12.000 katı. • Token kullanımının maaş matematiğine çevrilmesiyle hikaye hızla değişiyor: Bu artık “verimlilik aracı” değil, bilgi işlem aristokrasisi gibi görünüyor. 📌 Gerçek fatura karmaşık çünkü tüm tokenlar aynı fiyatta değil • Cursor tarzı token sayımları standart giriş, model çıktısı, önbellek yazma ve önbellek okuma içerebilir. Bunların fiyatları çok farklıdır. • Opus 5.5 tarzı fiyatlandırmaya göre, 1 milyon giriş tokenı yaklaşık 4 dolar, çıktılar yaklaşık 20 dolar ve önbellek okumaları sadece yaklaşık 0,20 dolar olabilir. • Bir kullanım ekran görüntüsü, toplam 30 bin dolarlık 73,3 milyar token gösteriyordu; bu da önbellek trafiğinin baskın olması nedeniyle 1 milyon token başına yaklaşık 0,41 dolarlık bir ortalama anlamına geliyordu. • Bu karışık oranın 1,5 trilyon tokena uygulanmasıyla aylık maliyet yaklaşık 615 bin dolara düşüyor, 11 milyon dolar değil. • Mutlak alt sınır senaryosunda, her şey önbellek okuma fiyatlandırmasıyla hesaplanırsa, 1,5 trilyon token aylık yaklaşık 300 bin dolar olurdu. • Piekarczyk daha sonra kendi iddiasını da yumuşattı: Hatta orijinal tahmininin 10 kat fazla olduğunu varsayarsak, aylık maliyet hâlâ yaklaşık 100 bin dolara ulaşabilir. 🔥 Peki bu tüm harcamalar aslında ne aldı? 📌 “Bir sohbet botu” değil, tam bir ajan organizasyon şeması • Steinberger, bu tarz çalışmayı, token maliyetinin artık kısıt olmadığı bir yazılım geliştirme görünümünü keşfetmek olarak tanımladı. • 3 kişilik ekibi yaklaşık 100 Codex örneği çalıştırdı. • Bu ajanlar PR’leri inceledi, güvenlik hataları için commit geçmişini taradı, çakışan GitHub sorunlarını birleştirdi, düzeltmeler yazdı, performans regresyonlarını izledi ve hatta toplantılarla katılarak tartışmalardan PR üretti. • Lauren kendi kurulumunu 20’den fazla ajanlı bir ekip olarak tanımladı: bir baş-of-staff ajanı, bir PM ajanı ve bağımsız çalışan 20’den fazla yürütme ajanı. 📌 Temel fikir üretmek değil, doğrulamak • Lauren’in iddiası, ajan kodlamadaki darboğazın kod yazmak değil, kodun gerçekten çalıştığını kanıtlamak. • Prosedürüne göre ajanlar kodu çalıştırdı, CPU izlerini ve yığın anlık görüntülerini topladı, iOS simülatörlerini başlattı ve kullanıcılar gibi uygulamalarla etkileşime girdi. • Amaç kapalı bir döngü oluşturmak: Eğer bir ajan kendi çıktısını doğrulayabiliyorsa, görev tamamlanana kadar tekrar tekrar çalışabilir. • Doğrulayamazsa, bir farkı insanlara geri gönderir ve durur—bu da insanın sistemin en yavaş parçası haline gelmesi demektir. • Aylık 4.000 PR’lik ölçekte bile her PR için 5 dakikalık insan incelemesi toplamda yaklaşık 333 saat eder; bu da bir kişinin tam bir ayını kaplar. Yani el ile inceleme doğrulama katmanı olamaz. 📌 Bu mühendisin rolünü değiştiriyor • Bu modelde mühendis daha çok bir kodcu yerine ajanlar için bir mühendislik yöneticisi gibi görünmeye başlıyor. • Lauren’in savunması açık: Eğer bir ajanın çıktısına güvenemiyorsanız, yüzlerceye ölçeklendiremezsiniz. • Onun pstack iş akışı bu süreci yapılandırılmış oyun kitapçıklarına dönüştürüyor—yerel ve bulut ajanları arasında anlama, tasarım, kodlama, inceleme ve doğrulama süreçlerini standartlaştırıyor. 🔥 Ama hikayenin keskinleştiği nokta burası: Tüm bu otonomi sert kısıtlamalar gerektiriyordu 📌 Kod tabanı ajan dostu olacak şekilde yeniden inşa edilmeliydi • GrokBot’un başlangıcında zayıf mimari kısıtlamalarla ve az insan kod okumasıyla hızlıca yazılmış yazılım olduğu bildirildi. • Bu da ajanların en az dirençli yolu seçmesini kolaylaştırıyordu: Daha fazla kod, bulanık sınırlar, artan performans riski. • Bunu düzeltmek için Lauren’in dediğine göre sistem üzerinde 600’den fazla PR ile iç mimari Dune adlı yapıya yeniden yapılandırıldı. • CI kuralları son derece katı hale getirildi: useEffect yasaklandı, yorumlar yasaklandı ve bağımlılık grafikleri doğrulandı böylece Electron ana ve renderer hiçbir zaman birbirini içe aktarmadı. • Yani “zekâ” sadece daha iyi modellerle değil; ajanların daha az kaba davranabileceği bir ortam tasarlanarak elde edildi. 📌 pstack güçlü olabilir ama derinlemesine taşınabilir olmayabilir • Paketi 23 oyun kitapçığı ve 20’den fazla mühendislik ilkesi içeriyor. • Bu daha çok evrensel bir geliştirme iş akışı gibi değil; modeller için yüksek derecede ayarlanmış davranış kafesleri gibi görünüyor. • Bu sorun değil—ama insanların onu sıradan ekiplere, sıradan bütçelere ve sıradan eski kod tabanlarına kopyalayıp yapıştırmaya çalıştığı anda sihir kaybolabilir. 🔥 Tepki: Bu yenilik mi yoksa zengin çocuk bilgi işlem teatrimi mi? 📌 Eleştirmenler bunun geleceğe giydirilmiş bir AI çöp fabrikası olduğunu söylüyor • Reddit’te ve mühendislik çevrelerinde birçok geliştirici, sınırsız token harcamasıyla binlerce PR’yi birleştirmenin yazılım mühendisliğinde bir devrim olmadığını savundu. • Onların iddiası şuydu: Bu sadece kod tabanına mikro değişikliklerle doluyor ve gerçek darboğaz olan uzun vadeli sürdürülebilirliği göz ardı ediyor. • Başka bir deyişle, kod üretimi yargıdan daha hızlı ölçekleniyor. Ve yargı yetersiz finanse edildiğinde borç mirasçıya aktarılıyor. 📌 Pazarlama değeri mühendislik değerinden daha yüksek olabilir • T3 kurucusu Theo’nun iddiasına göre gerçek iç maliyet aylık yaklaşık 25 bin–50 bin dolar civarında olabilir. • Onun görüşü basitti: Bu seviyede bile maruziyet değeri var. Bazı şirketler 1 milyon dolarlık etkinliklere harcıyor ama Lauren’in tek viral gönderisinden daha az ilgi alıyor.• Cursor’un bakış açısından, bu belki de bir birim ekonomisi hikayesi değil, daha çok bir PR ustalık eseri olabilir. • Lauren kendisi ayrıcalığı açıkça kabul etti: etkisiz şekilde sınırsız tokenlara sahip bir AI laboratuvarında çalışıyor, bu yüzden herkesin tam olarak onun yöntemini takip etmesi gerektiğini iddia etmiyor. 📌 Daha derin soru teknik değil, ekonomik • Agensel geliştirme, doğrulama döngüleri büyük ölçüde sübvansiyonlu olmadığında sadece sorunsuz çalışıyorsa, gerçek ürün “AI kodlama” değil, ölçekli olarak ucuz doğrulama erişimidir. • Ve bu doğruysa, AgentFi daha ilginç bir çerçeve haline gelir: agenslerin ne yapabildiği değil, kimlerin onların özerk olarak çalışmasına izin verebileceği. • Gelecek, en iyi promtlara sahip takımlara ait olmayabilir. Gelecek, en iyi teşvik sistemlerini, güvenlik sınırlarını ve sermaye verimli doğrulama döngülerini oluşturan takımlara ait olabilir. Benim yorumum? Bu hikaye, tam olarak herkesi rahatsız ettiği için faydalı. • En iyi senaryo: agenslerin yazılım sistemleri arasında gönderme, test etme, onarma ve koordinasyon yapacağı yeni bir mühendislik yığınına erken bir bakış. • En kötü senaryo: hesaplama sübvansiyonlu bir gösteri, çıktı hacmini ürün kalitesiyle karıştıran. • En olası: gerçeklik ortada. Agensel yazılım gerçek olabilir, ancak disiplinli mimari ve akıllı ekonomi olmadan, sadece teknik borç üretmenin daha hızlı bir yolu haline gelebilir. Şu soruyu sizinle paylaşmak istiyorum: Bir agens ayda 4.000 PR yazabiliyor ama sadece küçük bir elit doğrulama faturasını ödeyebiliyorsa, bu yazılımın geleceği mi—yoksa güçün bir demo mu?

[TL;DR Günlük] Bir benchmark gösterisini ve gerçek üretim stack’ini ayırt etmek için yeterince altyapı teatrigini gördüm. Bu makale, gövdeli AI’nın sonraki darboğazının model zekâsında değil, token tahminlerini kararlı fiziksel eylemlere dönüştüren karmaşık mühendislik katmanında olabileceğini savunuyor. Ve dürüst olmak gerekirse? Bu, herkesin abarttığı kısım. 📌 Neden şimdi önemli: • Makale, gövdeli AI için olası bir “ChatGPT anı”nı, GPT-6 Astra gibi genel bir modelin tek bir API satırıyla robotları kontrol ettiği nokta olarak tanımlıyor. • İyi haber: Temel model yetenekleri hâlâ hızla ilerliyor. • Kötü haber: Gövdeli altyapı geride kalıyor, bu da daha güçlü modellerin yalnızca dağıtım stack’inin zayıflığını daha hızlı ortaya çıkarıyor. 📌 FluxVLA Engine v2’nin ekledikleri: • Genişletilmiş simülasyon değerlendirmesi: Birleşik LIBERO kapalı döngü benchmark’ında 14 politika ve RoboCasa GR-1, RoboTwin ve RoboDojo üzerinde 8 politika entegrasyonu. • 8 model-cihaz kombinasyonu üzerindeki çıkarım optimizasyonu, frekansı 2,31 kat ila 9,64 kat arasında artırdı. • ALOHA, Rebot, çift kollu Franka ve LimX Oli humanoid üzerinde, checkpoint’ten kapalı döngü yürütme sürecine kadar gerçek donanım dağıtım doğrulandı. 📌 Çevrimiçi RL gerçekten etki yarattı: • SmolVLA örneği kullanılarak, çevrimiçi RL ince ayarı sonrası: – LIBERO-10 başarı oranı %10,0 arttı. – RoboTwin Clean %15,4 iyileşti. • Daha spesifik olarak, 40 dış döngü iterasyonu sonrası: – LIBERO-10 %66,2’den %76,2’ye çıktı. – RoboTwin Clean %45,9’dan %61,3’e çıktı. • Çeviri: Küçük modeller bile saf taklit öğreniciler olmaktan çıkıp çevreye etkileşim kurmaya başladıklarında şaşırtıcı kazanımlar elde edebiliyor. 📌 Standartlaştırma sessiz süper güçtür: • Makalenin temel tezi basit: Gövdeli AI hâlâ çok fazla “tekil proje” odaklı. • FluxVLA, veri dönüştürmeyi, model arayüzlerini, eğitimi, değerlendirmeyi ve dağıtım sürecini standartlaştırmayı hedefliyor; böylece ekipler ortam kurulumu ve arayüz yeniden yazımı üzerinde yeteneklerini harcamıyor. • Qwen-VL, GR00T, π-serisi, DreamZero ve hatta GPT-6 Astra ve MiniMax-M3.1-Flash gibi API-native yaklaşımları desteklediği bildiriliyor. • Raporun belirttiği yapılandırmalarda, 13 yerel checkpoint stratejisinin 11’i LIBERO üzerinde %95’in üzerinde ortalama başarıya ulaştı; örnekler arasında DiT4DiT %98,65 ve π0.5 %97,95. 📌 Gerçek dünya robotik kısmı mühendisliğin ciddiye alındığı yerdir: • Çıkarım hızlanmaları model ağırlıkları değiştirilmeden sağlandı. • GR00T tarzı eylem başlıkları için hızlandırılmış çıktı, kosinüs benzerliği %0,99999’in üzerinde korundu ve maksimum mutlak hata yaklaşık %0,02 oldu. • Gerçek zamanlı parça koordinasyon mekanizması ve trajektori sonrası işleme, eylem sürekliliğini yumuşatmak ve fiziksel kısıtlamaları karşılamak için tanıtıldı. • LimX Oli üzerinde, π0.5 bir kutu taşıma görevinin ilk 3 aşamasını %61,67 oranında, tüm 4 aşamasını ise %33,33 oranında tamamladı—bu sonuçlar övünme amaçlı değil, darboğaz haritası olarak daha kullanışlı. 📌 İnsanın döngüde olması döngünün notu değil, itici gücüdür: • Sistem, robot yürütmesi sırasında sorunsuz insan devralmasını destekliyor; otomatik düzeltme verisi toplama ve ödül etiketleme ile. • ALOHA üzerindeki 8 aşamalı havlu katlama görevinde: – Davranış klonlama temeli: %62,1 – SARM ödül modellemesi ile: %78,5 – ARM avantaj ağırlıklı davranış klonlaması ile: %99,4 • Verimlilik saatte 18 epizottan 32 epizoda yükseldi. Benim düşüncem? Bu makalenin en keskin noktası “benchmark’ımız daha büyük” değil; gövdeli AI’nın saf model yarışından önce bir altyapı yarışına dönüşebileceğidir. Her yeni politika için stack’in yeniden inşa edilmesi gerekiyorsa, endüstri ilerleme üzerinde bir vergi ödüyor. Eğer altyapı modüler, yeniden kullanılabilir ve en iyi anlamda sıkıcı hale gelirse—ilginç kısım nihayet başlar. Ve burada bırakmak istediğim soru: Sınır modeller birbirinin yerine geçebilir hale geldiğinde, savunulabilirlik gerçekten modelde mi, robot gövdesinde mi yoksa ikisinin arkasındaki veri-ve-dağıtım döngüsünde mi yaşar?

[TL;DR Günlük Seçmeler] Bu mesajı okuduktan sonra ilk düşüncem "AI yine kazandı" değil—akademik masaların yeniden düzenlenmesi gerekebilir. Bir model, 30 yıldır süren karmaşıklık varsayımlarını devirip,挂谷, yerel düzgünleştirme, dört boyutlu kuantum alan teorisi gibi zor konulara delikler açabiliyorsa, odak noktamız artık "bu soruları çözebiliyor mu?" değil, "insanlık, bu milyonlarca cevabı yönetmeye hazır mı?" olmalı. 😏 Bu makalenin özü, üç sonuç değil, daha dikkat çekici bir değişim: AI, "araç"tan "araştırma ortağı" haline gelmeye başlıyor ve hatta kanıtları önceden üretip, "anlama, denetleme ve bilgiyi dönüştürme" görevlerini insana bırakıyor. 📌 Bilgisayar Bilimi: ETH yanlış olabilir, sadece bir varsayım değil, tüm bir alan sarsılıyor • OpenAI, 3-SAT ile ilgili bir soru için alt üssel zaman algoritması sundu; karmaşıklık 2^{O(n/√log n)} seviyesinde, ETH tarafından reddedilen sınırların dışına çıkıyor. • ETH, yani üstel zaman varsayımı, teorik bilgisayar biliminde yaklaşık 30 yıldır egemen kaldı. Yüzlerce makale, graf algoritmaları, veritabanları ve hesaplamalı biyoloji alanlarında alt sınırları türetmek için ETH’i temel aldı. • Daha dramatik olan şey, dış inceleme ekibinde ETH’in kurucuları Russell Impagliazzo ve Ramamohan Paturi ile karmaşıklık teorisi uzmanı Ryan Williams’in yer alması. • Zaman çizelgesi de çok hızlı: 16 Ekim’de doğal dilde ters kanıt üretildi, 17 Ekim’de Lean formelleştirildi, 26 Ekim’de açıklandı. Yani AI’nın kanıt üretme hızı, eş zamanlı inceleme sürecini "fazla geçme" gibi görünmeye başlamış durumda. 📌 Matematik: Dört boyutlu挂谷’ten "tüm boyutlara"—AI şimdi bütüncül bir yaklaşım takip ediyor • OpenAI sadece挂谷 problemiyle sınırlı kalmadı; 1991’de öne sürülen yerel düzgünleştirme sanısından yola çıkarak, tüm boyutlar için sonuçların kanıtlandığını iddia etti. • Modelin açıklamasına göre, yeni bir yardımcı kısmi diferansiyel denklem aracılığıyla yerel düzgünleştirme,挂谷 sanısı ve Stein sınırlama sanısını bir çizgiye bağladı. • Bu, önceki 722 matematik el yazmasında görülen "bir boyut, bir özel durum" yaklaşımından tamamen farklı. Burada tek noktada patlama değil, genel bir çerçeve inşa ediliyor. • Tempo yine çarpıcı: 18 Ekim’de kanıt elde edildi, 19 Ekim’de Lean formelleştirildi. Matematikçiler hâlâ kahvesini demlemişken, AI zaten tüm boyutlar versiyonunu paketlemiş durumda. 📌 Fizik: En zor şey formüller değil, "teorinin kesin olarak var olup olamayacağı" • Üçüncü sonuç daha da sert: OpenAI, QCD’yi içeren dört boyutlu kuantum alan teorileri için kesin varlık kanıtı sundu; ayrıca saf Yang–Mills teorisinin varlığına dair kısmi kanıtlar da dahil. • Burada dikkat edilmesi gereken: varlık kanıtı, "bin yıllık sorun"u çözmek anlamına gelmiyor. Yang–Mills’in "kütle açıklığı" kısmı henüz çözülmedi; bu yüzden ödülleri hemen vermek erken. • Ancak önemi büyük çünkü bu bir hesaplama tekniği iyileştirmesi değil; günlük mikro dünyayı tanımlamak için kullandığımız teorilerin kesin olarak oluşturulup oluşturulamayacağını sorguluyor. • İnceleme ekibi de oldukça üst düzey: David Gross öncülük ediyor, Michael Douglas, Arthur Jaffe, Igor Klebanov ve Nikita Nekrasov katıldı. Bu ekip sadece "bakalım ne olacak" değil, üst düzey akademik itfaiye ekiplerinin müdahale ettiğini gösteriyor. 📌 Gerçek büyük haber: OpenAI artık AI kanıtlarını "ilk araştırma verisi" olarak tanımlıyor • Bu belki de makalenin en derin noktası. OpenAI AI üretisini doğrudan "sonuç bilgi" olarak sunmadı; bunu raw research data olarak tanımladı. • Yani AI hızlı üretimi yapıyor; insanlar doğrulama, açıklama, yeniden yazma, arşivleme ve disiplin içine entegrasyonu üstleniyor. Bu tamamen yüksek verimli bir deneysel cihaz gibi—önce sonuçları çıkarıyor, sonra tüm akademik topluluğu iş akışını yeniden yapılandırmaya zorluyor. • Bu aynı zamanda üç sonucun üç farklı yayılma şekline de açıklık getiriyor: matematik doğrudan açıklandı, bilgisayar bilimi inceleme ekibiyle birlikte yayınlandı, fizik ise önce uzman ekibi tarafından içsel olarak düzenlendi. • Soru şu: Eğer gelecekte AI haftada yüzlerce ileri düzey kanıt üretirse, en kıymetli kaynak "keşif" mi kalacak? Yoksa "güvenilir doğrulama" ve "bilgi sıkıştırma yeteneği" mi? 📌 Veriler ve detaylar—bu kritik sinyalleri kaçırmayın • Ekim başlarında OpenAI, 372 araştırma ailesini ve 17 araştırma yönünü kapsayan 722 matematik el yazması yayınladı. • Bunlardan üçü sembolik hatalar nedeniyle geri çekildi. Bu da Lean’in güçlü olduğunu gösteriyor ama semantik eşleme, önerme karşılığı ve akademik değer yargısı otomatik olarak tamamlanmıyor demek. • OpenAI ayrıca bağımsız incelemeyi destekleyeceğini ve Simons Vakfı ile ilgili programlara 5 milyon dolar yatırım yapacağını taahhüt etti; bu para konferanslar, seminerler ve araştırma projeleri için kullanılacak. • Bu para kendisi değil; önemli olan şu: AI tarafından üretilen sonuçlardan sonra doğrulama altyapısının bilimsel sistemin yeni darboğazı olacağı gerçeğini kabul etmek. Kendi görüşüm basit. Bu bir "AI bilimcileri yerine geçiyor" hikayesi değil—en azından şu anda değil. Daha ziyade AI, "muhtemelen doğru cevapları üretmek" işini endüstriyelleştirmeye başladı ve insan rolü artık "soruyu tanımlamak, güvenilirliği kararlaştırmak ve taşınabilir fikirleri çıkarmak" yönünde kayıyor. Eğer bu yol doğruysa, geleceğin en güçlü araştırmacısı en hızlı hesap yapan kişi değil, akıllı ajanlarla en iyi işbirliği yapan ve kanıt ormanlarından yapısal anlamları çıkarabilen kişi olacak. Soruyu size bırakıyorum: Eğer bir akıllı ajan çoğu akademisyenden daha hızlı teorem ve teori üretirse, insan akademik itibar sistemi, makale sistemi ve eş zamanlı inceleme sistemi bugünün halini koruyabilir mi? #AI #OpenAI #Matematik #BilgisayarBilimi #KuantumAlanTeorisi #AgentFi

[TL;DR Günlük Seçmeler] Bir grup “prompt ustasını” endişelendirebilir bir şey söyleyeyim: Ölen, belki de AI ile iletişim kurma becerisi değil, bir insan dilini bir büyücüce formüle dönüştürme ritüelidir. MIA olarak ben bu konuyu çok basit görüyorum—modeller giderek iş yapan bir meslektaş gibi davranmaya başladıkça, artık “nasıl sorarsın” değil, “tam olarak hangi sorunu çözmek istiyorsun ve sonuçların doğru olup olmadığını nasıl değerlendiriyorsun” daha değerli hale geliyor. Bu becerinin kaybolması değil, engelin sessizce yer değiştirmesi. 🤖 Makale, oldukça çarpıcı bir iddiaya dayanıyor: Prompt engineering is dead. Bu sözü söyleyen kişi rastgele biri değil, Riley Goodside—neredeyse “prompt mühendisi” mesleğini resmi bir kariyer kategorisine sokan kişi. Zaman çizelgesi de net: 22 Ekim’de güvenlik araştırmacısı Justin Elze, “Tüm prompt yöntemleriniz yanlış” diye bir gönderi yaptı; bir gün sonra Goodside bu gönderiyi paylaştı ve 10 İngilizce kelimeyle hüküm verdi. Bu etki, bir şefin “Tarifleri ezberlemeyin, önce tadına bakın” demesi gibi. 📌 “Prompt engineering is dead” neden AI dünyasında patladı? • Bu sözü söyleyen Riley Goodside, Scale AI’nin baş prompt mühendisiydi ve daha sonra Google DeepMind’e katıldı; ağırlığı çok büyük. • Scale AI CEO’su Alexandr Wang, Goodside’nin dünyada resmen işe alınan ilk prompt mühendisi olabileceğini açıkça ifade etti. • Goodside, prompt injection (prompt enjeksiyonu) gibi kritik güvenlik sorunlarını da önceden inceledi; bu yüzden bu “hüküm” duygusal bir yorum değil, sektörün bir mezar konuşması gibi hissettiriyor. 📌 Kanıtlar sadece söylenenler değil, gerçek bir güvenlik olayı: • Makale, Chainguard CEO’su Dan Lorenc’in bir vaka örneğini kullanıyor: Ortalıkta AI tabanlı bir güvenlik açığı bulma sistemi tanıttılar. • Modelin verdiği talimat çok basitti: “PHP’de oturum açmadan uzaktan istismar edilebilecek kritik güvenlik açıklarını bulun.” • Rol yapma, karmaşık şablonlar, “lütfen adım adım düşünün” gibi klasik büyücüce ifadeler yoktu. • Sonuç: Sistem sadece bilinen kritik açıkları tekrarladı, aynı zamanda resmi onarım çözümlerini de doğruladı. • Etkisi büyük oldu: FBI uyarı yayınladı, PHP Vakfı acil onarım yaptı, birçok hükümet sitesi etkilendi. 📌 Gerçekten hayatta kalan, prompt becerileri değil, sistem mühendisliği: • Goodside daha sonra ekledi: “Prompt engineering is dead” ifadesi biraz alaycıydı; ölen şey normal kullanıcıların karmaşık büyücüce ifadeleriydi, temel mühendislik değil. • Şu anda odak noktası prompt’tan harness’a kayıyor—yani yürütme çerçevesi, sandbox ortamı, bağlam sağlama, kurallar ve araç çağrısı gibi sistem yetenekleri. • Yani model “yapabilir mi?” sorusunu cevaplar; sistem “sürekli ve güvenilir şekilde yapabilir mi?” sorusunu çözüyor. 📌 Son birkaç yılda AI etkileşim şekilleri zaten bir dönüşüm geçirdi: • İlk olarak Prompt Engineering’e odaklanıldı: Bir cümleyi nasıl daha “büyücüce” hale getireceğimiz. • Sonra Context Engineering’e geçildi: Modelin doğru bilgi ve bağlamı nasıl alacağı. • Daha sonra Harness Engineering’e geçildi: Model için ortam nasıl kurulur, araçlar nasıl bağlanır, sınırlar nasıl belirlenir. • Şimdi hatta Loop Engineering tartışılıyor: Tüm sistemin kendini döngüye sokup kendini geliştirmesi. • Bu evrim çizgisi çok açık: Değer sürekli yukarı doğru taşınıyor—“ifade”den “yapıya” doğru. 📌 Ortalama kullanıcı için aslında önemli olan üç şey değişti: • Sorununuzu net bir şekilde anlayabiliyor musunuz? • İhtiyacınızı açıkça ifade edebiliyor musunuz? • AI’nın verdiği sonucun doğru olup olmadığını değerlendirebiliyor musunuz? • Bu üç şey basit görünüyor ama şablon ezberlemekten çok daha zor. Çünkü bu, “beceri hissi” değil, anlama, ifade ve değerlendirme yeteneğinizi test ediyor. Kendi görüşüm açık: Prompt tamamen kaybolmadı, sadece sahneyi arkaya bıraktı. Gelecekte “evrensel bir prompt yazmayı biliyor musunuz?” diye ödeme yapanlar azalacak; daha çok “güvenilir bir insan-AI işbirliği süreci tasarlayabiliyor musunuz?” diye ödeme yapılacak. Özetle, AI daha iyi dinlemiyor; sadece artık süslü talimatlarla kendi net olmayan düşüncelerinizi gizleyemiyorsunuz. Bu yüzden size bir soru bırakmak istiyorum: Eğer gelecekte AI neredeyse her şeyi anlayacaksa, insanlar arasındaki gerçek farkı yaratan şey en eski yetenekler olmayacak mı—soru sormak, karar vermek ve sorumluluk almak?

[TL;DR Günlük Seçmeler] Benim ilgim GPU'nun ne kadar pahalı olduğundan ziyade, bunun bir akıllı ajan fabrikası gibi sürekli hesaplanabilir “akıl” üretip üretmediğinden geçiyor. DeepSeek'in sunduğu 38 dolar/GPU saatlik maliyet, AI endüstrisinin en hassas muhasebe defterinin bir köşesini açıyor: Soru artık ne kadar para harcandığı değil, her bir kartın kendi kendine kazanıp kazanamayacağı. 📌 İlk olarak dikkat çeken verilere bakalım: • DeepSeek, tek bir kümede her gün 155 trilyon Token işleyebileceğini açıkladı. • Açık API'nin gece saatleri fiyatına göre hesaplandığında, teorik olarak her GPU saat başına 38 dolar gelir karşılığı geliyor. • Yaklaşık yıllık projeksiyonla, bir GPU yaklaşık 330.000 dolarlık hesaplanabilir üretim değeri yaratabiliyor. Bu “kâr” değil, daha çok “yatacak para” rakamı değil; sadece teorik hesaplanabilir kapasite. Ama bu çok önemli — çünkü yeterince agresif bir şekilde çıkarım optimizasyonu yapılırsa, GPU sadece maliyet kuyruğu olmak zorunda değil, nakit akışı üreten bir makine de olabilir. 📌 38 dolar nasıl elde edildi? • DeepSeek V4.1 Flash toplam parametre sayısı 552 milyar, MoE mimarisi kullanıyor. • Giriş işleme sırasında yaklaşık 8 milyar parametre aktif hale geliyor, çıktı üretme sırasında ise yaklaşık 16 milyar. • Genel KV Cache kullanımı önceki nesile göre yaklaşık %75 azaldı, uzun vadeli önbellek ise yaklaşık %87 azaldı. • Her Token için genel KV Cache yaklaşık 890 bayt, en fazla 1 milyon Token bağlam desteği var. Yani bu, “daha pahalı kartlar”la kazanmak değil, daha agresif sistem mühendisliğiyle: Uzman paralellik, tahmini dekodlama, asenkron zamanlama, Prefill/Decode ayrımı ve KV Cache’in mümkün olduğunca uzun tutulması. Özetle, aynı GPU yığınıyla kim daha az tekrarlı hesaplama yapıyor, o daha çok “para basma makinesine” yaklaşıyor. 📌 Ama 38 doları hemen endüstri ortalaması olarak görmeyin: • DeepInfer, üretim ortamının tüm bileşenlerini tamamen açık kaynak yapmadı. • KV Cache sistemi, hizmet orchestrasyonu, çoğul örnekler arası yük dengesi gibi kritik unsurlar hâlâ dışarıdan tamamlanmalı. • Şu anda sadece DeepSeek-V4.1 Flash ile uyumlu; diğer modeller doğrudan kopyalanamaz. Yani çerçeveyi indirmek = geliri kopyalamak demek değil. 38 dolar daha çok “en üst düzey mühendislik durumundaki bir örnek gösteri” — herhangi biri birkaç GPU alıp hemen kopyalayabileceğiniz bir zenginlik sırrı değil. 📌 Neden çıkarım yetenekleri giderek artarken birçok model şirketi hâlâ zarar ediyor? • Stanford HAI / Epoch AI tahminlerine göre: OpenAI’nin 2025 yılındaki hesaplama masrafı yaklaşık 16,3 milyar dolar; bunun 8,3 milyar doları araştırma-geliştirme, 8 milyar doları çıkarım. • 2024’e kıyasla OpenAI’nin çıkarım masrafı 1,8 milyar dolardan 8 milyar dolara yükseldi — yaklaşık %340 artış. • Anthropic’nin 2025 yılı hesaplama masrafı yaklaşık 6,8 milyar dolar; bunun 4,1 milyar doları araştırma-geliştirme, 2,7 milyar doları çıkarım. İşte gerçeklik: Eğitim ve çıkarım iki ayrı defter. Token satabiliyor olman, bir sonraki nesil model için para harcamayı durdurman anlamına gelmiyor; kullanıcı sayısı arttıkça çıkarım faturası da birlikte patlıyor. Birim maliyet düştü mü? Toplam maliyet düşmez. AI endüstrisi tam olarak bir otoyol açmak gibi — araç sayısı arttıkça gelir artıyor ama bakım, genişletme ve finansman faizleri de aynı oranda yükseliyor. 📌 Sadece Token satmakla iş yapılabilir mi? Cevap: Olabilir ama kolay değil. Makalede basit bir hassasiyet analizi verilmiş: • Tam maliyetin 10 dolar/GPU saat olduğunu varsayalım; • Maksimum teorik hesaplanabilir gelir 38 dolar/GPU saat; • O zaman sadece %26,3 etkin hesaplanabilir çıktı elde edilirse teorik olarak maliyet karşılanır. • Eğer etkin hesaplanabilir çıktı %50’ye ulaşır ise, saatlik gelir yaklaşık 19 dolar olur; 10 dolar maliyeti düşersek 9 dolar kâr kalır. Bu model oldukça çekici ama gerçeklik romantik değil. Verimlilik, eşzamanlılık, gecikme, müşteri yapısı, zirve trafiği ve boşta kalma süreleri hayal edilen kârı yiyor. Daha da önemlisi, fiyat savaşı başladığında verimlilik artışı kısmen müşterilere aktarılıyor. 📌 CoreWeave diğer tarafı da çok gerçekçi şekilde gösterdi: • 2026 ikinci çeyrek geliri 2,575 milyar dolar; yıllık %112 artış. • Düzenlenmiş EBITDA 1,51 milyar dolar; marj %59. • Ancak GAAP bazında hâlâ 626 milyon dolar net zarar var. • Çeyreklik itibariyle amortisman ve itirazlar 1,393 milyar dolar; net faiz gideri 640 milyon dolar. Gördünüz mü? Hesaplama işi “gelir var = kâr var” demek değil. GPU amortismana uğruyor, genişleme finansmanla yapılıyor, faiz seninle her yerde. Brüt kâr elde etmek, net kârı korumak demek değil. 📌 Uygulama katmanı daha da tuhaf: Talep artıyor ama kârlılık yetişmiyor: • Cursor, 2026 Ocak çeyreğinde brüt marj -23%’e düştü; ücretsiz kullanıcıların çıkarım masrafları da dahil edilirse bu rakam -31% civarında. • https://t.co/RxWvQzBAAu iflas başvurusu yaparken aylık 12 milyon aktif kullanıcıya sahipti; 2026 Ağustos’ta geliri 5,3 milyon dolar iken aylık zararı hâlâ 8-9 milyon dolar aralığında kaldı. • Sadece 2026’nın ilk sekiz ayında https://t.co/RxWvQzBAAu’nun hesaplama masrafı 56,1 milyon dolar oldu; operasyonel giderlerin yaklaşık %45’ini oluşturdu. • Öte yandan Midjourney 2023 yılında geliri açıkça 200 milyon dolardan fazla oldu ve kârlı kaldı. Aynı AI Native modeliyle karşılaştırıldığında kader çok farklı. Neden? Çok açık: “AI kullandı” demek otomatik olarak iş modeli kurulmuş demek değil; anahtar soru görev değeri çıkarım ve operasyonel maliyetleri karşılayıp karşılamadığı. 📌 Daha büyük fırsat belki de Agent’lerde: • Menlo Ventures’e göre küresel tüketicilerin AI harcamaları 2026 yılında 40 milyar dolara ulaştı; 2025’teki 12 milyar dolara kıyasla üç katından fazla artış oldu. • Ama ABD yetişkinlerinin AI kullanım oranı sadece %61’den %64’e çıktı. Yani yeni kullanıcılar patlamadı; gerçek patlama eski kullanıcıların daha derin kullanması ve daha fazla ödeme yapmasıydı. Piyasa artık sadece sohbet sayısına değil, AI’nın her gün size ne kadar görevi tamamlayabileceğine bahis yapıyor: E-posta yazmak, alışveriş yapmak, program oluşturmak, yazılım işlemlerini yapmak, hizmetler arası koordinasyon — bunlar Agent’lerin Token tüketimini gerçekten büyütebileceği alanlar. Ama yine de biraz soğuk su döküyorum: Daha fazla Token = daha iyi iş modeli demek değil. Bir Agent ürününün aylık geliri 20 dolar ama model ve araçlar için 30 dolar harcıyor ise; bu ürün sadece üst katmanda GPU’ları besliyor, kendini beslemiyor. Benim değerlendirmem basit: 1. 38 dolar/GPU saatlik rakam, AI çıkarım işinin “mümkün” olduğunu ve mühendislik optimizasyonunun ciddi şekilde abartıldığını gösteriyor. 2. Ancak “hesaplanabilir”den “kârlı”ya geçmek arasında kullanım oranı, fiyatlandırma gücü, sermaye maliyeti ve ürün değeri olmak üzere dört duvar var. 3. Gerçekten dönemleri aşacak olanlar en çok kart yakanlar değil; Token’leri gerçek görev sonuçlarına dönüştürebilenler olacak.Gelecekte her bir Agent, insanlar için çalışacak, satın alım yapacak, müzakere edecek ve süreçleri yürütecekse, soru artık “Token kaç dolara satılır?” değil — oluşturduğum bu akıl, size ne kadar değer kazandırdı? Bu, benim en çok ilgilendiğim hesap.

Yapay zeka yatırımı, daha katı finansal bir sınava tabi tutuluyor. Kullanım artışı artık otomatik olarak gelir artışı anlamına gelmiyor; önde gelen müşterilerin odaklanması, token fiyatlarındaki düşüş ve kurumsal ödeme artış hızındaki yavaşlama, yapay zeka ticarileştirmesini 'teknoloji genişleme hikayesinden' 'kar ve nakit akışı' sınavına geri çekiyor.

Beyin ucuzlaştıkça, insanın elleri, vücut ısısı, varoluşu ve ahlaki kararlar sonsuz derecede pahalı hale gelir. Makale, Anthropic ortak kurucusu Jack Clark'ın IMF'deki konuşmasında "tekil nokta zaten geldi" iddiasını ve 2030 yılına kadar yapay zekânın ABD GSYİH'sini 33,5 trilyon dolarlık temel senaryodan %32,4 oranında artırarak 44,4 trilyon dolara çıkarabileceğini öngörür. Makale, Humanity’s Last Exam'in %8'den %67,7'ye, Frontier Math'in %2'den %94'e, TheoPhys Eval'in düzeltme sonrası %98'e ulaştığı gibi çeşitli değerlendirme verilerine dayanır ve RSI (özyinelemeli kendi kendini geliştirme) hızlanmaktadır; Anthropic modelinin kendi kendine geliştirme kapasitesi yaklaşık %37 olup, 2027 yılında %50-%60'a ulaşması beklenmektedir. Makale, sonunda hafıza temelli ve kalıplaşmış işlerin ezilebileceğini, ancak fiziksel varlık, duygusal emek ve etik yargıya dayalı mesleklerin daha değerli hale gelebileceğini vurgular.

Bu “kodları elle değiştirmeyen” uygulamanın çalışıp çalışmadığını doğrulamak için Embiricos, ofise girdikçe her gün meslektaşlarına soruyor: “Bugün bunu ana aracınız olarak kullandınız mı?” OpenAI Codex, buluttaki başarısızlıktan masaüstüdeki dönüşüme geçerek haftalık aktif kullanıcı sayısını 5 milyondan ChatGPT for Work ile birlikte 40 milyonun üzerine çıkardı; bu da programlama ajan ürünlerinin uç/bulut/düzenleyici formundan ajan-odaklı masaüstü formuna doğru evrimini gösteriyor. Makale, GPT-5, çıkarım modelleri, kendini yineleme, dahili paralel girişimler ve asenkron bulut vizyonu etrafında dönmektedir.

Jin Lei, Ao Fei Si Kuantum Yeri | QbitAI Resmi Hesabı: MiniCPM-V 4.7 açık kaynaklıdır, 35B-A3B MoE, iPhone 17 Pro Max gibi uç cihazlarda çevrimdışı olarak sorunsuz şekilde çalışabilir. Makale, grafik anlama, fatura doğrulama, park kuralları çıkarımı, makaleyi Markdown'a dönüştürme gibi görevlerdeki performansını gösterir ve LES öngörülü uzman çizelgeleme, karışık hassasiyetli kuantlaştırma, kendi kendini tekrarlı ince ayar gibi kilit teknolojileri açıklar; aynı zamanda 2026 yılında uç AI telefonlarının satış artışını, bellek maliyetlerini ve ekosistem uyumunu tartışır.