Yapay Zekâ Kendi Çipini Tasarlamaya Başladı: Dokuz Aylık Deney Donanım Dünyasında Yeni Bir Döneme İşaret Ediyor

Yapay zekânın çalışabilmesi için çiplere ihtiyacı var. Milyarlarca hesaplama yapan modeller, veri merkezlerindeki gelişmiş işlemcilerin üzerinde çalışıyor. Şimdi ise bu ilişki ters yönde işlemeye başlıyor: Yapay zekâ, kendisini çalıştıracak çiplerin tasarlanmasına yardım ediyor.

Bu dönüşümün dikkat çekici örneklerinden biri OpenAI ile Broadcom’un geliştirdiği özel yapay zekâ işlemcisi Jalapeño. Projenin ilk tasarımdan üretime gönderilecek nihai tasarıma, yani yarı iletken sektöründeki adıyla tape-out aşamasına ulaşması yalnızca dokuz ay sürdü. OpenAI’ın modelleri de tasarım ve optimizasyon sürecinin çeşitli bölümlerinde mühendislerle birlikte kullanıldı.

Buradaki önemli ayrıntı şu: Yapay zekâ tek başına oturup sıfırdan bir işlemci üretmedi. Ortada hâlâ insan mühendisler, Broadcom’un yarı iletken uzmanlığı, elektronik tasarım araçları ve üretim süreçleri var.

Değişen şey insanın denklemden çıkması değil.

Çip geliştirme hızının değişmeye başlaması.

Dokuz ay neden önemli?

Modern bir gelişmiş işlemci tasarlamak, milyarlarca transistörü bir araya getirmekten çok daha karmaşık bir iş. Mimari oluşturuluyor, devreler tasarlanıyor, bellek ve veri yolları planlanıyor, güç tüketimi hesaplanıyor ve işlemcinin fiziksel yerleşimi optimize ediliyor. Ardından tasarımın gerçekten üretilebilir olduğundan emin olmak için çok sayıda doğrulama aşamasından geçiliyor.

Üstelik bütün bu kararlar birbirini etkiliyor. Performansı artıran bir değişiklik güç tüketimini yükseltebilir. Daha küçük bir tasarım sıcaklık problemleri oluşturabilir. Belleğin konumu veri hareketini yavaşlatabilir. Bir zamanlama problemi ise milyarlarca transistör içeren sistemin başka bölümlerini yeniden düzenlemeyi gerektirebilir.

Bu nedenle gelişmiş ASIC projelerinin tasarım süreci uzun ve pahalı olabiliyor.

Jalapeño’daki dokuz aylık geliştirme döngüsünü ilginç yapan da burada ortaya çıkıyor. Yapay zekâ yalnızca tek bir devreyi çizmek için kullanılmıyor; kod üretme, doğrulama, optimizasyon ve tasarım seçeneklerinin araştırılması gibi mühendislerin büyük zaman harcadığı aşamaları hızlandırabilecek bir araç haline geliyor.

Bir çip projesindeki en pahalı kaynaklardan biri silikon değil.

Zaman.

AI mühendis masasının diğer tarafına geçti

Yapay zekânın çip tasarımındaki rolünü anlamak için onu tamamen bağımsız bir mucit olarak düşünmek gerekmiyor. Daha gerçekçi ve belki de daha önemli değişim, AI’ın mühendislerin inceleyebileceği seçeneklerin sayısını olağanüstü biçimde artırması.

Bir mühendis belirli bir devre için birkaç farklı yaklaşımı ayrıntılı biçimde inceleyebilir. AI destekli sistemler ise çok daha geniş bir tasarım alanını tarayabilir, olası hataları arayabilir, test senaryoları hazırlayabilir ve performans ile enerji tüketimi arasındaki farklı dengeleri karşılaştırabilir.

Böylece insanın görevi yavaş yavaş değişiyor.

Her seçeneği tek tek üretmek yerine hangi hedeflerin önemli olduğunu belirlemek, AI’ın oluşturduğu sonuçları değerlendirmek ve fiziksel dünyada gerçekten çalışacak tasarıma karar vermek daha önemli hale geliyor.

Bu, yazılım geliştirmede son birkaç yıldır gördüğümüz dönüşüme benziyor. Programcılar artık yalnızca satır satır kod yazmıyor; AI tarafından oluşturulan kodu yönlendiriyor, kontrol ediyor ve daha büyük sistem kararlarına odaklanıyor.

Benzer bir model donanım mühendisliğine taşınıyor olabilir.

Neden AI şirketleri kendi çiplerini istiyor?

Bu yarışın arkasında yalnızca teknolojik merak yok.

Yapay zekâ sektörü giderek dev bir altyapı sektörüne dönüşüyor. Büyük modelleri eğitmek ve daha sonra milyonlarca kullanıcıya hizmet verecek şekilde çalıştırmak muazzam miktarda hesaplama gücü ve elektrik gerektiriyor.

Bu nedenle NVIDIA gibi gelişmiş hızlandırıcı üreticileri AI patlamasının merkezine yerleşti.

Ancak büyük teknoloji şirketleri için yalnızca piyasadaki işlemcileri satın almak başka bir bağımlılık yaratıyor. Hem üreticinin tedarik kapasitesine hem de onun belirlediği mimariye bağlı kalıyorsunuz.

Kendi modellerinizi yeterince iyi tanıyorsanız farklı bir seçenek ortaya çıkıyor:

İşlemciyi modele göre tasarlamak.

Genel amaçlı bir işlemcinin çok sayıda farklı görevi yerine getirmesi gerekir. Özel bir AI hızlandırıcısı ise belirli hesaplamalara, bellek kullanımına ve veri hareketlerine göre optimize edilebilir.

Bu yaklaşım yeni değil. Google yıllardır TPU işlemcilerini geliştiriyor. Amazon Trainium ve Inferentia ailesini oluşturdu. Meta ise MTIA hızlandırıcıları üzerinde çalışıyor.

Yeni olan, AI’ın artık bu özel işlemcilerin geliştirilmesini de hızlandırabilecek hale gelmesi.

Böylece yapay zekâ yarışı yalnızca “en iyi modeli kim yapacak?” sorusundan uzaklaşıyor.

Model, çip, bellek, ağ ve veri merkezinin birlikte tasarlandığı tam sistem yarışına dönüşüyor.

Çipler artık yapay zekâya yetişmek zorunda

Donanım sektörünün önündeki ilginç problemlerden biri hız farkı.

AI modelleri birkaç ay içerisinde büyük değişimler yaşayabiliyor. Yeni model mimarileri, farklı veri türleri ve yeni hesaplama yöntemleri ortaya çıkabiliyor.

Çip geliştirme ise çok daha yavaş.

Bir işlemci tasarlanıp fabrikadan çıktığında yazılım dünyası çoktan başka bir noktaya ulaşmış olabiliyor. Bu nedenle AI şirketleri çoğu zaman modellerini mevcut donanıma uydurmak zorunda kalıyor.

Yapay zekâ destekli tasarım bu süreyi ciddi biçimde azaltabilirse ilişki tersine dönebilir.

Yeni bir model geliştirilirken ona uygun işlemci de paralel biçimde tasarlanabilir. Modelin hangi hesaplamaları sık yaptığı, belleği nasıl kullandığı ve veriyi nerede taşıdığı doğrudan donanım mimarisine aktarılabilir.

Böyle bir dünyada artık yalnızca yazılım çipe uyum sağlamayacak.

Çip de yazılıma uyum sağlayacak.

Bunun sonucu çok daha fazla özel işlemci olabilir

Bugün gelişmiş bir çip geliştirmek son derece pahalı olduğu için bunu yapabilen şirketlerin sayısı sınırlı.

Fakat AI tasarım süresini ve mühendislik maliyetini azaltırsa özel çip geliştirmenin ekonomik sınırı değişebilir.

Bir otomobil üreticisi otonom sürüş sistemine göre optimize edilmiş işlemci tasarlayabilir. Robot şirketi görüntü işleme ve motor kontrolüne özel düşük enerjili bir hızlandırıcı geliştirebilir. Telefon üreticisi cihaz üzerinde çalışan yapay zekâ modelleri için farklı bir mimari oluşturabilir.

Böylece geleceğin bilgisayar dünyasında birkaç genel işlemcinin her işi yaptığı yapı yerine, belirli görevler için tasarlanmış çok daha fazla işlemci görebiliriz.

Aslında yarı iletken sektörü uzun süredir bu yönde ilerliyor.

AI ise süreci hızlandırabilir.

Çünkü özel çip üretmenin önündeki engellerden biri yalnızca fabrika maliyeti değil, o çipi tasarlamak için gereken mühendislik zamanı.

Fakat silikon dünyasında hata pahalıdır

AI’ın çip tasarımına girmesi beraberinde önemli bir sınırı da getiriyor.

Yazılımda yanlış üretilmiş bir kod düzeltilebilir ve yeni sürüm birkaç dakika içerisinde dağıtılabilir. Fiziksel çiplerde durum farklı.

Tasarımdaki kritik bir hata üretimden sonra ortaya çıkarsa yeni maskeler hazırlanması, tasarımın değiştirilmesi ve silikonun yeniden üretilmesi gerekebilir. Bunun maliyeti milyonlarca dolara ulaşabilir ve aylar kaybedilebilir.

Bu nedenle AI tarafından oluşturulan tasarımların doğrulanması en kritik konulardan biri olacak.

Bir modelin “bu devre çalışır” demesi yeterli değil.

Elektriksel kuralların, zamanlamanın, güç dağıtımının, sıcaklığın, üretilebilirliğin ve milyarlarca olası çalışma durumunun kontrol edilmesi gerekiyor.

Burada insan mühendislerin rolü azalmak yerine farklılaşabilir.

AI daha fazla tasarım üretirken insanın en değerli işi hangisine güvenilebileceğini anlamak olabilir.

Yapay zekânın en ilginç geri besleme döngüsü

Bu hikâyenin belki de en dikkat çekici tarafı ortaya çıkan döngü.

Yapay zekânın gelişmesi için daha güçlü çiplere ihtiyaç var.

Daha güçlü ve verimli çipler AI modellerinin daha hızlı ve daha düşük maliyetle çalışmasını sağlıyor.

Daha güçlü AI modelleri mühendislerin yeni çipleri daha hızlı tasarlamasına yardım ediyor.

Yeni çipler daha güçlü modellerin çalıştırılmasını mümkün kılıyor.

Sonra döngü yeniden başlıyor.

Bilgisayar tarihinde yazılım ve donanım her zaman birbirini geliştirdi. Ancak yapay zekâ bu ilişkiye yeni bir hız kazandırabilir.

Çünkü yazılım ilk kez donanım tasarım sürecinin aktif bir üreticisine dönüşüyor.

Eğer her yeni AI nesli bir sonraki çip neslinin geliştirilmesini biraz daha hızlandırırsa, ilerleme doğrusal olmaktan çıkabilir.

Bu yüzden dokuz aylık süre yalnızca etkileyici bir mühendislik istatistiği değil.

Geri besleme döngüsünün çalışabileceğine dair bir işaret.

Mühendislikte yeni soru: “Bunu nasıl tasarlarım?” değil, “Ne istiyorum?”

AI destekli tasarımın uzun vadeli etkisi mühendislerin çalışma biçiminde görülebilir.

Bugün bir mühendis çoğu zaman çözümün nasıl gerçekleştirileceğini ayrıntılı biçimde düşünmek zorunda.

Gelecekte hedefleri tarif etmek daha önemli hale gelebilir.

Bu işlemci şu kadar enerji tüketsin.

Şu model ailesini mümkün olduğunca hızlı çalıştırsın.

Şu büyüklüğü geçmesin.

Şu üretim teknolojisiyle üretilebilsin.

Maliyeti şu sınırın altında kalsın.

AI sistemi ardından milyonlarca olası mimari arasından bu koşulları karşılayan tasarımları araştırabilir.

Bu yaklaşım mühendisliği ortadan kaldırmaz.

Tam tersine mühendisliğin en zor kısmını öne çıkarır:

Doğru problemi tanımlamak.

Çünkü milyonlarca çözümü araştırabilen bir makineye sahipseniz asıl değerli soru artık “kaç çözüm deneyebilirim?” olmayabilir.

“Makineden neyi çözmesini istemeliyim?” olabilir.

Dokuz aylık deneyin anlattığı daha büyük hikâye

Jalapeño bugün hâlâ insanların geliştirdiği bir işlemci.

Mühendisler var.

Yarı iletken uzmanları var.

Elektronik tasarım yazılımları var.

Fabrikalar var.

Ve yıllardır biriktirilmiş muazzam bir insan mühendisliği bilgisi var.

Bu nedenle “AI kendi çipini yaptı” demek bugünkü tabloyu olduğundan ileri gösterebilir.

Fakat gelişmenin asıl önemi zaten burada değil.

Yapay zekâ ilk kez yalnızca kendisine verilen donanım üzerinde çalışan bir yazılım olmaktan çıkıyor.

Kendisini çalıştıracak bir sonraki donanım neslinin geliştirilmesine yardım eden bir teknolojiye dönüşüyor.

Bilgisayar tarihinin büyük bölümünde insanlar önce makineyi tasarladı, ardından yazılımı onun üzerinde çalıştırdı.

Şimdi bu ilişkinin iki yönlü hale geldiğini görüyoruz.

İnsanlar yapay zekâyı geliştiriyor.

Yapay zekâ insanlara yeni işlemciler geliştirmelerinde yardım ediyor.

Yeni işlemciler daha güçlü yapay zekâları mümkün kılıyor.

Ve belki de donanım dünyasındaki asıl yeni dönem, yapay zekânın tek başına bir çip tasarladığı gün başlamayacak.

İnsanların artık yapay zekâ olmadan çip tasarlamak istemediği gün başlayacak.