Silikon Vadisi'nde Yapay Zeka Tanrılarının Savaşı

Yazar: Max, 01 Founder

Editör: Max

Dün gece Silikon Vadisi'nde üç büyük olay yaşandı.

Google, Gemini 3.8 Flash'ı yayınladı; Meta, Muse Spark 1.3'ü yayınladı; daha önce kimsenin konuşmadığı bir girişim olan Mostik ise saygın medya kuruluşu WIRED'ın özel röportajına konu oldu.

Sadece ilk ikisine bakılırsa, bu sıradan bir yapay zeka kıyaslama gecesi gibi görünüyor.

Google, Gemini'yi DeepSWE listesinin zirvesine taşıdıktan birkaç saat sonra Meta daha yüksek bir skor açıkladı; dünya birinciliği unvanı yalnızca birkaç saat sürdü.

2026 yılına gelindiğinde insanlar bu tür olaylara neredeyse duyarsızlaşmış durumda.

Model yayınlanıyor, kıyaslama yenileniyor, X'te birkaç saat kutlama yapılıyor ve ardından bir sonraki şirketin rekoru kırması bekleniyor.

Ancak dün geceki bu üç olayı bir arada değerlendirdiğimde, asıl dikkate değer olanın bu listelerde olmadığını düşünüyorum.

Yapay zeka ekonomisi köklü bir değişim geçiriyor.

Son birkaç yıldır yapay zeka maliyetlerini konuşurken en çok baktığımız rakam milyon jeton başına düşen fiyattı.

Ancak ajanlar ortaya çıktıktan sonra bu ölçüm yöntemi giderek yetersiz kalmaya başladı.

Gelecekte asıl önemli soru "bir milyon jeton kaç para" değil; bir hatayı düzeltmenin, bir araştırmayı tamamlamanın veya bir ajanı üç saat boyunca kesintisiz çalıştırmanın maliyeti olacak.

Dün gece ise çıkarım maliyetleri birbirinden tamamen farklı yönlerden aynı anda düşüyordu.

Google, öncü seviyedeki yetenekleri giderek daha ucuz modellere sığdırıyor; Meta, ajanların aynı görevi daha az jeton ve araç çağrısıyla tamamlamasını sağlıyor; Mostik ise bir adım öteye geçerek şu soruyu soruyor:

İletişim kuran iki taraf da yapay zekaysa, modeller neden insanlar için tasarlanmış bir dille konuşmak zorunda?

BÖLÜM 01: Gemini Geri Döndü

Önce Google'a bakalım.

Google, yeni amiral gemisi modeli Gemini 3.8 Flash'ı yayınladı ve resmi olarak bunun şimdiye kadarki en güçlü muhakeme ve kod modeli olduğunu duyurdu.

Bu aynı zamanda Google'ın altı hafta içinde Flash serisine yaptığı üçüncü güncelleme; 3.6'dan 3.7'ye ve şimdi de 3.8'e.

Geçmişte Flash hakkındaki izlenim çok basitti: daha hızlı, daha ucuz ama en güçlü modellere kıyasla biraz daha düşük yetenek.

Google şimdi bu tanımı yavaş yavaş değiştiriyor.

Bu kez 3.8 Flash'ın en önemli gelişimi uzun vadeli kodlama ve ajan iş akışlarına odaklanıyor.

Yapay zekanın uzun dönemli yazılım mühendisliği yeteneğini ölçen DeepSWE v1.1'de yaklaşık %74 başarı elde etti.

DeepSWE'yi geleneksel kod kıyaslamalarından ayıran en büyük fark, modele bir algoritma sorusu vermek yerine ajanı gerçek bir kod deposuna yerleştirmesidir.

Modelin sorunu anlaması, kod araması, dosyaları değiştirmesi, araçları çağırması, testleri çalıştırması ve başarısız olduktan sonra nedenini araştırmaya devam etmesi gerekir.

Tam bir görev onlarca hatta yüzlerce adım sürebilir.

Böyle bir testte Gemini 3.8 Flash bir ara dünya birincisi oldu.

Claude Opus 5 de yaklaşık %74, GPT-5.6 Sol yaklaşık %73 ve daha önce lider olan Fable 5 yaklaşık %70 seviyesinde.

Sadece yeteneğe bakıldığında, bu en güçlü modeller arasında artık çok büyük bir fark yok.

Asıl korkutucu olan başka bir rakam: para.

Gemini 3.8 Flash'ın API lansman fiyatı hâlâ giriş için 0,75 ABD doları / 1M jeton, çıkış için 3,75 ABD doları / 1M jeton seviyesinde.

DeepSWE'de tam bir görevi tamamlamanın ortalama maliyeti yalnızca 2,36 ABD doları.

Karşılaştırma yapmak gerekirse, yine yaklaşık %74 başarı gösteren Claude Opus 5'in görev başına ortalama maliyeti 11,84 ABD dolarına ulaşıyor; yaklaşık %73 başarı gösteren GPT-5.6 Sol'un ortalama maliyeti ise 6,46 ABD doları.

Yani aynı seviyedeki yazılım mühendisliği yeteneğinde yürütme maliyeti birkaç kat fark edebiliyor.

Bu, ajan çağında çok önemli hale gelecek.

Chatbot döneminde bir yanıtın birkaç sent daha pahalı ya da ucuz olması sıradan kullanıcılar tarafından neredeyse hiç fark edilmiyordu.

Ancak ajanlar tamamen farklı; bir kodlama ajanı art arda 100 adım çalıştırabilir, bir araştırma ajanı onlarca web sayfası arayıp yüzlerce sayfa veri okuyabilir ve gelecekte kurumsal ajanlar saatlerce kesintisiz çalışabilir.

Google yetkilileri ayrıca 3.8 Flash'ın karmaşık görevlerle karşılaştığında daha fazla muhakeme ve araç çağrısı yaparak daha çok çalıştığını belirtti.

Google, paradan tasarruf etmek için modelin "daha az düşünmesini" sağlamadı; jetonlar yeterince ucuzladığı için daha uzun döngüler çalıştırmasına izin verilebiliyor.

Bu yüzden bence 3.8 Flash'ın asıl önemi bir kez daha dünya birincisi olması değil.

Asıl önemli olan, geçmişte yalnızca en pahalı öncü modellerin sağlayabildiği yetenekleri Flash fiyat aralığına zorla sıkıştırması.

BÖLÜM 02: Üç Buçuk Saat Sonra Meta Geri Döndü

Google ekibi Gemini 3.8 Flash'ın lansmanını kutlarken Meta aniden karşı atağa geçti.

Meta, Muse Spark 1.3 modelini aniden yayınladı.

Meta'nın açıkladığı değerlendirmelere göre Muse Spark 1.3, DeepSWE v1.1'de %75,4 başarı elde etti.

Bu rakam Gemini 3.8 Flash, Claude Opus 5 ve GPT-5.6 Sol'u geride bıraktı.

Daha da çarpıcı olan, Muse Spark 1.2'nin bu testteki başarısının yalnızca yaklaşık %55 olmasıydı.

1.2'den 1.3'e küçük bir sürüm güncellemesi yaklaşık 20 yüzde puanlık bir artış sağladı.

Ancak bence Meta'nın bu kez asıl dikkate değer yanı %75,4 değil.

İki rakam daha var: araç çağrılarında yaklaşık %20 azalma ve jeton tüketiminde yaklaşık %25 azalma.

Bu kolayca gözden kaçabilir, ancak aslında ajanların gerçek anlamda ticarileşmesinden sonraki en önemli soruna çok yakın.

Bir ajanın en çok para israf ettiği yer çoğu zaman normal düşünme değil, yoldan sapmadır.

Örneğin bir kodlama ajanı 20. adımda gereksinimi yanlış anlarsa, beş dosyayı değiştirmeye, üç tur test çalıştırmaya ve çok sayıda kod aramaya devam edebilir; ancak sonunda rotanın yanlış olduğunu fark edip her şeye baştan başlar.

Onlarca araç çağrısı ve on binlerce jeton böylece boşa gider.

Dolayısıyla bir model, görevdeki belirsizliği daha erken fark edebilir, yapamayacağını daha erken anlayabilir ve kullanıcıya daha erken soru sorabilirse, bu doğrudan maliyet düşüşü anlamına gelir.

Muse Spark 1.3'ün bu kez güçlendirdiği yeteneklerin çoğu bu kategoriye giriyor: uzun konuşma akışlarında birden fazla iş akışını aynı anda sürdürebiliyor, belirsiz görevlerde proaktif olarak soru soruyor, çözemediği sorunlarda yardım istiyor, geri alınamaz işlemlerde önce onay alıyor ve uzun görevlerde birçok tur sonra bile başlangıçtaki kısıtlamaları unutmuyor.

Meta artık modelin kendi yetenek sınırlarına ilişkin farkındalığını da vurgulamaya başladı: neyi yapıp neyi yapamayacağını biliyor.

Bu yetenekler chatbot döneminde kıyaslamada 20 puanlık bir artış kadar çekici görünmeyebilir, ancak ajan çağında doğrudan paraya dönüştürülebilir.

Bir ajanın bir hata daha az yapması başlı başına bir çıkarım optimizasyonudur.

Dolayısıyla Google ve Meta'yı birlikte değerlendirdiğimizde, büyük model rekabetinin ölçü birimi sessizce değişiyor.

Bundan sonra insanlar "bir milyon jeton kaç para" sorusuyla giderek daha az ilgilenip başka bir rakama odaklanabilir:

Gerçek bir görevi baştan sona çalıştırmanın toplam maliyeti ne kadar?

BÖLÜM 03: Mostik, Devrim Niteliğinde Bir Atılım

Google ve Meta hâlâ görevleri daha ucuz ve daha az jeton ile tamamlamanın yollarını araştırırken, Mostik çok daha temel bir soruna dokunuyor:

Bu jetonlar neden var olmak zorunda?

Mostik, Rusça'da "köprü" anlamına geliyor.

CEO Sasha Malysheva bu yöntemin baş geliştiricisi; baş bilim insanı ise Cenevre Üniversitesi profesörü ve 2010 Fields Madalyası sahibi Stanislav Smirnov.

Kulağa çok basit gelen ama aslında son derece zor olan bir şeyi deniyorlar: iki yapay zeka modelinin artık doğal dil aracılığıyla iletişim kurmamasını sağlamak.

Günümüzde çok ajanlı sistemlerin büyük çoğunluğu şöyle çalışıyor:

Model A bazı bilgileri aldıktan sonra önce yüzlerce hatta binlerce jeton üretip sonuçlarını doğal dilde ifade ediyor; Model B ise bu metnin tamamını okuyup yeniden anlamlandırarak kendi iç temsilini oluşturuyor ve ardından muhakemeye devam ediyor.

Ancak sorun şu ki, büyük modellerin içinde gerçekte hesaplanan şey zaten Çince ya da İngilizce değil:

yüksek boyutlu sürekli matematiksel temsiller.

Bu, iki bilgisayarın doğrudan veri aktarabilmesine rağmen A bilgisayarının önce dosyayı yüzlerce sayfa kâğıda yazdırması, ardından B bilgisayarının bu sayfaları bir kamerayla tek tek OCR etmesi gibi bir durum.

Geçmişte herkes baskı maliyetini nasıl düşüreceğini araştırıyordu; Mostik ise yazıcıyı tamamen ortadan kaldırmak istiyor.

Farklı modellerin iç temsilleri arasında bir köprü kurarak modellerin doğal dil üretmek yerine doğrudan gizli temsilleri paylaşmasını sağlamaya çalışıyorlar.

Silikon Vadisi'nin saygın medya kuruluşu WIRED'ın ortaya çıkardığı bir deney oldukça ilginç.

Mostik, tam sürüm GLM-5.2 753B ile yalnızca 4B parametreli ve mobil cihazlarda çalışabilen Qwen 3.5'i köprüledi.

Ortaya çıkan hibrit sistemin yeteneği iki model arasında bir yerde, ancak çıkarım maliyeti tam GLM-5.2'nin yalnızca 1/20'si kadar.

Elbette Mostik'in model iletişimini çözdüğünü söylemek için henüz çok erken.

Gizli iletişim de dün gece ilk kez ortaya çıkmadı; son birkaç yılda gömme, gizli durum, KV cache gibi iç temsilleri paylaşmayı deneyen pek çok araştırma yapıldı.

Asıl zorluk, farklı modellerin mimarilerinin, parametrelerinin, eğitim verilerinin ve iç koordinat sistemlerinin farklı olması; iki modelin birbirinin gizli uzayını gerçekten anlamasını sağlamak başlı başına çok zor bir problem.

Smirnov da şu anda farklı modeller arasındaki ortak temsili tanımlayacak olgun bir matematiksel dilin bile eksik olduğunu kabul ediyor.

Ancak 1/20 rakamı beni yine de çok heyecanlandırdı.

Çünkü bu, tamamen farklı bir gelecek yapay zeka mimarisini ciddi şekilde düşünmemi sağladı.

BÖLÜM 04: Gelecekte Yalnızca 0,xB'lik Bir Modele İhtiyacınız Olacak

Son iki yıldır uçta yapay zeka tartışılırken hep daha büyük modelleri telefona sığdırmanın yollarını araştırdık: 7B, 4B, 3B, 1B; sürekli damıtma, nicemleme ve sıkıştırma.

Ancak Mostik'in bu yolu gerçekten işler hale gelirse, bence gelecekte telefonların "her şeyi bilen" büyük bir modele ihtiyacı olmayabilir.

Cihazınızda yalnızca 0,xB veya birkaç B parametreli küçük bir model çalıştırmanız yeterli olabilir.

Bu model çok ucuzdur, sürekli çalışabilir, hangi uygulamada olduğunuzu, az önce ne yaptığınızı ve cihazın durumunu anlar; basit ve yüksek frekanslı görevlerin büyük çoğunluğunu üstlenir.

Gerçekten zor bir sorunla karşılaştığında ise gizli uzay iletişimi üzerinden uzaktaki büyük modeli çağırır.

Ancak temel fark, bugünkü gibi yüz bin jetonluk bağlamın tamamını buluta yeniden gönderip uzak modelin her şeyi baştan okumasını gerektirmemesidir.

Yalnızca yüksek oranda sıkıştırılmış bir gizli durum iletmesi yeterli olabilir.

Uzaktaki büyük model karmaşık muhakemeyi tamamladıktan sonra da yerel modele binlerce jetonluk doğal dil açıklaması üretmek zorunda kalmayabilir; yeni iç temsili doğrudan geri gönderebilir.

Böylece yerel küçük model yüksek frekanslı, ucuz ve sürekli çalışan görevleri üstlenirken, buluttaki öncü model yalnızca düşük frekanslı ama gerçekten zor muhakemelerle ilgilenir; arada da verimli iletişim için bir tür köprü kullanılır.

Gelecekte bu gerçekten başarılabilirse, çıkarım maliyetlerindeki düşüş bugünkü API fiyatlarının %30 veya %50 azalmasının çok ötesine geçebilir.

Bu, yapay zeka hesaplamasını organize etme biçimimizi değiştirebilir.

BÖLÜM 05: Sonuç

Dolayısıyla dün geceye dönüp baktığımızda, görünüşte birbirinden tamamen farklı üç haber var.

Google, Gemini 3.8 Flash'ı yayınlayarak öncü seviyedeki yetenekleri Flash fiyat aralığına sıkıştırdı;

Meta, Muse Spark 1.3'ü yayınlayarak ajanların daha az jeton ve araç çağrısıyla daha fazla iş yapmasını sağladı;

Mostik ise bir adım öteye geçerek modeller arasındaki bazı jetonların en baştan üretilmemesini denemeye başladı.

Bunların hepsi aslında aynı değişime işaret ediyor:

Zekâ inanılmaz bir hızla ucuzluyor.

Üstelik bu ucuzlama yalnızca API birim fiyatlarının düşmesinden ibaret değil.

Model fiyatları düşüyor, görevleri tamamlamak için gereken hesaplama miktarı azalıyor ve artık modeller arası bilgi alışverişinin yöntemi bile yeniden tasarlanıyor.

Bunun nihai etkisi, kıyaslamaların birkaç yüzde puan daha artmasından çok daha büyük olabilir.

Çünkü birçok teknoloji asıl patlamasını "ilk kez kullanılabilir olduğu" anda değil, "sonunda herkesin dilediği gibi kullanabileceği kadar ucuzladığı" anda yaşar.

Bugün bir ajanın sıradan bir insanın küçük bir görevini tamamlaması için onlarca dolar harcatmak belki de hiç mantıklı değil.

Gelecekte yalnızca birkaç sente mal olursa, bugün kimsenin aklına bile gelmeyen birçok uygulama bir anda mümkün hale gelir.

Bugün onlarca ajanı tek bir kişinin etrafında 7/24 kesintisiz çalıştıramayız; ancak çıkarım maliyetleri bir veya iki basamak daha düşerse bu varsayılan durum haline gelebilir.

Şu an sabah 7 ve aslında birkaç saat önce uyumuş olmam gerekiyordu.

Sonuç olarak Gemini yayınlandı, birkaç saat sonra Meta yetişti ve ardından Mostik'in 1/20'lik deneyini gördüm.

Yatağa uzandıktan sonra zihnimde sürekli bunlar dönüp durdu; telefondaki 0,xB'lik modeli, buluttaki büyük modeli ve belki de artık doğal dilde konuşmalarına hiç gerek kalmayacağını düşündüm.

Düşündükçe uyuyamadım ve sonunda kalkıp bu yazıyı yazdım.

Gemini'nin %74'ü ve Muse'un %75,4'ü birkaç gün içinde yeni rakamlarla gölgede kalabilir.

Ancak şu an bu heyecanı bastırmak gerçekten zor.

Çünkü kimin bir kez daha dünya birincisi olduğundan çok, başka bir soruyla giderek daha fazla ilgileniyorum:

Bu kadar zeki bir yapay zeka en nihayetinde ne kadar ucuzlayabilir?

Güçlü zekâ gerçekten istenildiği gibi çağrılabilecek kadar ucuzladığında, bugün hâlâ çok çılgın görünen birçok yapay zeka ürününün asıl hikâyesi daha yeni başlıyor olabilir.