Sektör daha büyük modeller kovalarken Tufts küçülmenin yolunu buldu. Yeni geliştirilen yapay zekâ sistemi, mevcut modellerin yüzde biri kadar enerjiyle eğitilebiliyor ve daha doğru sonuç veriyor.
Yapay zekânın hayatımıza girmesiyle ilgili tartışmalar uzun süredir aynı eksende dönüyor: Daha hızlı, daha güçlü, daha çok. Oysa son birkaç yılda bu eksenin altından sessizce başka bir gerçek belirdi. Yapay zekâ sistemleri, görünmez bir maliyetle çalışıyor: enerji.
Uluslararası Enerji Ajansı’nın verilerine göre yalnızca ABD’de yapay zekâ ve veri merkezleri 2024 yılında yaklaşık 415 teravatsaat elektrik tüketti. Bu, ülkenin yıllık enerji üretiminin yüzde 10’undan fazlasına denk geliyor ve 2030’a kadar bu rakamın iki katına çıkması bekleniyor. Yani yapay zekâ daha akıllı hâle geldikçe, dünyanın enerji kaynaklarını da hızla tüketiyor.
Tam bu noktada, Tufts Üniversitesi Mühendislik Fakültesi’nden gelen bir çalışma, tartışmanın yönünü değiştirebilecek bir öneri sunuyor: Belki de yapay zekâyı daha güçlü kılmanın yolu, ona daha fazla enerji vermek değil; ona daha doğru düşünmeyi öğretmek.
Profesör Matthias Scheutz liderliğindeki ekip, mevcut yapay zekâ modellerinin temel bir sorununu işaret ediyor. Bugünün büyük dil modelleri ve görme-dil-eylem (VLA) sistemleri, devasa veri kümeleri üzerinde çalışarak istatistiksel olarak en olası sonucu üretiyor. Bu yöntem güçlü ama pahalı. Çünkü her sonuç, milyonlarca olasılığın üzerinde yapılan bir hesaplamanın ürünü.
Tufts ekibinin önerdiği yaklaşım ise farklı: nöro-sembolik yapay zekâ. İsmi karmaşık görünebilir ama mantığı sade. Sistem, sinir ağlarının örüntü tanıma yeteneğini sembolik akıl yürütmeyle, yani kuralları ve mantıksal ilişkileri kullanmayla birleştiriyor. Yani tamamen veriden öğrenmek yerine, belirli kuralları zaten bilen ve onlara dayanarak hareket eden bir yapay zekâ.
Bu sayede sistem, çözmesi gereken bir problemde milyonlarca farklı yolu denemek zorunda kalmıyor. Mantık ona zaten birçok seçeneği eliyor. Geriye kalan, çok daha küçük bir hesaplama alanı.
Sorun gücün kendisi değil, gücü kullanma biçimi
Profesör Matthias Scheutz liderliğindeki ekip, mevcut yapay zekâ modellerinin temel bir sorununu işaret ediyor. Bugünün büyük dil modelleri ve görme-dil-eylem (VLA) sistemleri, devasa veri kümeleri üzerinde çalışarak istatistiksel olarak en olası sonucu üretiyor. Bu yöntem güçlü ama pahalı. Çünkü her sonuç, milyonlarca olasılığın üzerinde yapılan bir hesaplamanın ürünü.
Tufts ekibinin önerdiği yaklaşım ise farklı: nöro-sembolik yapay zekâ. İsmi karmaşık görünebilir ama mantığı sade. Sistem, sinir ağlarının örüntü tanıma yeteneğini sembolik akıl yürütmeyle, yani kuralları ve mantıksal ilişkileri kullanmayla birleştiriyor. Yani tamamen veriden öğrenmek yerine, belirli kuralları zaten bilen ve onlara dayanarak hareket eden bir yapay zekâ.
Bu sayede sistem, çözmesi gereken bir problemde milyonlarca farklı yolu denemek zorunda kalmıyor. Mantık ona zaten birçok seçeneği eliyor. Geriye kalan, çok daha küçük bir hesaplama alanı.
Sayılar gösteriyor: Daha az ile daha çok mümkün
Araştırma ekibinin yayımladığı sonuçlar etkileyici. Tufts’ın geliştirdiği nöro-sembolik model, robotik manipülasyon görevlerinde yüzde 95 başarı oranına ulaştı. Aynı görevlerde standart VLA modelleri ancak yüzde 34 başarı gösterdi.
Asıl çarpıcı veri ise enerji tarafında. Standart bir modelin eğitilmesi 36 saatten fazla sürerken, Tufts’ın modeli yalnızca 34 dakikada eğitiliyor. Eğitim sırasında harcanan enerji, geleneksel modellerin yalnızca yüzde 1’i. Sistem çalışırken ise yüzde 5 enerji yetiyor. Yani toplamda 100 kata varan bir verimlilik farkı.
Bu rakamlar, yapay zekâ üretiminin maliyetinin sadece sunucu kiralamak veya çip satın almakla sınırlı olmadığını hatırlatıyor. Bir modeli eğitmek, bir şehri aydınlatmaya yakın enerji gerektirebiliyor. Tufts ekibinin yaklaşımı, bu denklemi tersine çevirmenin teknik olarak mümkün olduğunu gösteriyor.
İnovasyon her zaman daha fazla teknoloji eklemek değildir
Bu çalışmanın ilginç yanı, aslında “yeni bir buluş” değil bir hatırlatma olması. Sembolik akıl yürütme, yapay zekâ tarihinin en eski yaklaşımlarından biri. 1980’lerde gözden düştü çünkü o dönemin sembolik sistemleri esnek değildi, yeni durumlara uyum sağlayamıyordu. Sinir ağları yükseldikçe, sembolik yöntemler unutuldu.
Tufts ekibinin yaptığı, bu iki yöntemi yeniden bir araya getirmek. Yani çözüm, her zaman “bir sonraki büyük şey” olmayabilir. Bazen mevcut iki yaklaşımı doğru noktada birleştirmek de inovasyondur. Ki bu, whyGood’un baştan beri sorduğu soruya doğrudan cevap veriyor: Bir şeyi iyi yapan tek kriter yenilik mi, yoksa bir ihtiyaca verdiği cevabın kalitesi mi?
Sektörde bugün hâkim olan anlatı, yapay zekânın daha büyük modellerle daha güçlü olacağı yönünde. OpenAI, Anthropic ve Google gibi şirketler trilyonlarca parametreli modeller üretmek için milyarlarca dolar yatırıyor. Bu yarış sürerken Tufts’ın çalışması, alternatif bir yolun mümkün olduğunu söylüyor: Daha küçük, daha akıllı, daha az hırslı ama daha tutarlı.
Sürdürülebilirlik artık bir tercih değil, bir mimari sorusu
Yapay zekânın çevresel etkisi, sektörün uzun süre konuşmaktan kaçındığı bir konuydu. Bir ChatGPT sorgusunun kaç litre suya, kaç vatsaat elektriğe mal olduğunu bilmiyorduk; bilseydik de pek umursamazdık. Ama 2026’ya gelindiğinde tablo değişti. Veri merkezleri, şehirlerin elektrik kapasitesini zorluyor. Microsoft ve Google gibi şirketler, yapay zekâ enerjisini karşılamak için nükleer santral anlaşmaları yapıyor. Karbon hedefleri sessizce ertelenmeye başlıyor.
Bu bağlamda, Tufts ekibinin önerisi yalnızca bir akademik çalışma değil. Yapay zekânın gelecekte nasıl tasarlanması gerektiğine dair felsefi bir öneri. Çünkü mesele artık “yapay zekâ ne kadar büyüyebilir?” değil; “yapay zekâ kendi büyümesini sürdürülebilir kılabilir mi?” sorusuna dönüştü.
Çalışma, Haziran 2026’da Viyana’da düzenlenecek ICRA konferansında sunulacak. Yayını öncesinde arXiv üzerinden açık erişimle paylaşılan makale, robotik alanında çalışan girişimler ve büyük teknoloji şirketleri için ciddi bir referans noktası olabilir.
Peki şimdi ne soruyoruz?
Yapay zekânın geleceği üzerine konuşurken çoğu zaman şunu soruyoruz: Daha güçlü modeller ne yapabilir? Tufts’ın çalışması bize bu sorunun yetersiz kaldığını hatırlatıyor. Belki de doğru soru şu: Aynı işi yapmanın daha akıllı, daha ucuz, daha az yıkıcı bir yolu var mı?
İyi inovasyon, çoğu zaman daha fazla şey eklemek değil, gereksiz olanı çıkarmaktır.
Kaynaklar
• Tufts Now (resmi haber portalı)
• ScienceDaily
• SciTechDaily
