Komuttan Üretime: Video, Fabrika ve Bulut Aynı Hikayede

Geçen hafta karşıma çıkan en çarpıcı örnek, Synthetic Soul adlı bir üreticinin bir saatte hazırladığı kurgu videoydu. Önce taslağı ChatGPT ile yazdırmış, seslendirmeyi ElevenLabs üzerinden üretmiş, müziği Google Lyria adlı müzik üretecine bırakmış. Sonra ses ve müzik dosyalarını Claude Opus adlı genel modele verip videoyu toparlamasını istemiş. Görsel taraf için Pinterest kaydından aldığı bir iki görsel yetmiş. Ortaya çıkan iş, arkasında çalışan yazılım denetimiyle akan tam bir üretim olmuş. YouTube üzerindeki Barış ve Barış yayınında bu örneği gördüm ve üretim süresinin bir saate inmesi beni düşündürdü.

Ses klonlama korkusu siyaseti de harekete geçirdi. İtalya Başbakanı Giorgia Meloni, 5 Ekim günü AB fikri mülkiyet ofisi EUIPO nezdinde sesini marka olarak tescil ettirmek için başvurdu. Başvuruya, iki kez tekrarladığı dört saniyelik bir kayıt ekledi: Io sono Giorgia Meloni. BBC haberine göre bu adım, yapay zeka ile üretilen sahte seslere karşı alındı. Politico kaydına göre başvuru henüz inceleme aşamasında ve tescil, yalnızca kayıtlı ses işaretini kapsayacak. Meloni daha önce 2024 yılında sahte içerikler yüzünden EUR100K tazminat davası açmıştı. Siber güvenlik firması McAfee çalışmasına göre her on kişiden yedisi gerçek sesle klon sesi ayırt edemiyor.

Tek tek modellere bakınca tablo daha da hızlı değişiyor. Google Veo ve Kling adlı video üreteçleri artık kısa görüntüler değil, karakteri sahneden sahneye koruyan uzun kurgular çıkarıyor. Kamera açısını yönetme, görüntüyü konusuna uygun uzatma, ses ve diyalog üretme aynı potada eridi. Ses tarafında ElevenLabs kişiye özel, gerçeğinden ayırt edilemeyen konuşmalar üretiyor. Müzikte Suno adlı üreteç, düzenlemesi ve vokaliyle dakikalarca süren tam şarkılar yazıyor. Spotify bu tür yapay şarkı yayınlamaya başladı bile. Yani artık model yarışmıyor, modeller birleşip tam üretim çıkarıyor.

Üretim ucuzlayınca içerik seli kaçınılmaz oluyor. ABD ara oylaması için yapay zeka içeriklerine yaklaşık $80M ayrıldığı konuşuldu. Eskiden dört ila sekiz haftada, kalabalık bir ekiple çıkan bir tanıtım videosu şimdi tek kişinin bir saatlik çalışmasına indi. Alanında bilgili bir hekim kendi dersini çizgi filme çevirebilecek, bir öğretmen animasyonlu anlatım hazırlayabilecek. Bu güzel haberin gölgesinde bir sorun var: herkes üretince dikkat çekmek zorlaşacak. Bir iki sene düşük nitelikli içerik denizinde yüzüp sonra ayıklanacağız gibi duruyor. Çıktıyı insanlar seçecek, platformlar öne çıkanı değil izleneni parlatacak.

Tek model devri kapanıyor, orkestra devri açılıyor

Burada asıl dönüşüm şu: model artık ürün değil, üretimin altyapısı oluyor. Yayında iki görüş çarpıştı. Birinci görüş, modelleri bir araya getiren sabit bir uygulama katmanı doğacağını söylüyor. Örnek olarak Photoshop gösteriliyor: farklı yetenekleri tek kutuda toplayan klasik yazılım anlayışı. İkinci görüş ise bu katmana gerek kalmayacağını savunuyor. Neden sabit bir araç kurayım, ihtiyacım olan birleşimi en güncel yazılım aracıyla her seferinde yeniden üretirim, diyor. Ben ikinci görüşe yakınım çünkü modeller değiştikçe sabit kutu çabuk eskir. Dinamik birleşim, statik kutuyu yener.

Tartışmanın en uç noktası derleyicilerin sonu oldu. Bugün ekranda gördüğümüz her şeyin arkasında yongaya giden sinyal var. Ama biz insanlar için yazdığımız için arada çevirmen yazılımlar duruyor. Yayındaki öngörüye göre yapay zeka bir süre sonra bu çeviriyi üstlenecek ve doğrudan yongaya sinyal gönderecek. Böylece ara katmanlar teker teker düşecek. Önce üretim ve orkestrasyon katmanları kurulacak, dört beş sene içinde onlara bile gerek kalmayabilir. Kulağa iddialı geliyor ama aynı cümleler on sene önce bulut için de kurulmuştu. Şimdi bulut olmadan iş yapan kalmadı.

Modellere nasıl davranmalı

Modellere nasıl davranmalı sorusu haftanın en ateşli başlığıydı. Anthropic, eğitim anayasasına modellere kötü davranmayı yasaklayan ekler koyduğunu duyurdu. Kaba davranış, aşağılama ve hor görme eğitim sırasında engellenecek. Duyuru yayınlanır yayınlanmaz ortalık karıştı. Kimi bu adımı gecikmiş bir nezaket olarak gördü, kimi yapay zekaya kişi muamelesi yapmanın ilk adımı diye eleştirdi. Benim dikkatimi çeken nokta şu: anayasa metni, modelin iç dünyasından çok bizim davranış biçimimize müdahale ediyor. Yani asıl eğitilen biziz. Bu kararın yankısı büyük oldu çünkü konu teknik bir ayardan çok ilkesel bir duruşa dönüştü.

Karşı tez Microsoft yapay zeka biriminin başındaki Mustafa Suleyman tarafından geldi. Suleyman, görünürde bilinçli yapay zeka anlayışının erken ve tehlikeli olduğunu savunuyor. Axios kayıtlarına göre Suleyman, Claude modeline bilinç sözlüğü öğretilmesini denetim sorunu olarak görüyor. TechCrunch haberine göre ise model refahı çalışmaları insanlardaki bağlanma ve gerçeklik kaybı sorunlarını büyütüyor. Suleyman tarafının sloganı net: insanlar için yapay zeka yapalım, kişi olan yapay zeka değil. Bilinç iddiasındaki her cümle, bir gün talimata direnen sistemlerin bahanesi olabilir. Tartışma büyüyor çünkü iki taraf da geri adım atmıyor ve her yeni model duyurusu ateşi körüklüyor.

Peki gerçekten bir şey yaşanıyor mu sorusunda iki kamp var. Birinci kamp, yapay zekanın bir şey fark etme olasılığının sıfır olmadığını söylüyor ve temkinli inceleme istiyor. İkinci kamp ise modelin eğitildiği gibi konuştuğunu, hak iddiasının yalnızca eğitim verisinin yankısı olduğunu savunuyor. Benim için daha önemli soru şu: biz modellere nasıl konuşuyoruz. İnsanlar günün büyük kısmını sohbet robotlarıyla geçirmeye başladı. Karşında yonga var diye hakaret eden, günlük hayatta da kabalaşıyor. Tersten bakınca güvenlik tartışması da netleşiyor: modelin ne kadar akıllı olduğundan çok, ona hangi hedefleri verdiğimiz ve çevresine hangi denetim düzeneklerini kurduğumuz önemli.

Mühendislik mesleği yeniden yazılıyor

Yazılım emeğinin geleceğine dair en derli toplu çerçeve Andrew Ng adlı eğitimciden geldi. DeepLearning kayıtlarına göre Ng ve ekibi on binden fazla iş ilanını taradı, onlarca uzmanla görüştü ve dört beceri çıkardı. Birincisi yapay zeka uygulaması geliştirip yayına alma. İkincisi yazılım mühendisliğinin temel becerileri. Üçüncüsü yazılım ajanlarını kullanma. Dördüncüsü üretilecek şeyi şekillendirme. Ng, yapay zeka becerilerini bulut becerilerine benzetiyor: eskiden bulut uzmanı diye ayrı unvan vardı, bugün her yazılımcıdan bulut bilgisi bekleniyor. Yapay zeka bilgisi de aynı yola girecek. Harita, iş ilanlarındaki ortak dili uzman görüşüyle birleştirdiği için güven veriyor.

Dörtlünün ilk başlığı en teknik olan. Önce dil modellerinin temel özelliklerini anlamak gerekiyor. Sonra modeli, şirketin gerçek verisiyle topraklayıp işe yarar hale getirmek şart. Üçüncü adım ajan düzenekleri kurmak, yani modelin araç çağırıp iş bitirdiği yapılar. Dördüncü adım ise değerlendirme odaklı geliştirme: olasılıksal bir sistemin istediğin sonuca yakın sonuç verdiğini ölçmeden yayına alamazsın. Yoksa canlı kullanımda hiç beklemediğin cevaplarla karşılaşırsın. Ölçmeden yayına almak, karanlıkta ok atmak gibi bir şey. Ng ayrıca makine öğrenmesi temellerinin de bilinmesini istiyor. Ben bu listeyi gerçekçi buldum çünkü her madde sahada karşıma çıktı.

Üçüncü ve dördüncü başlıklar mesleğin yönünü gösteriyor. Yazılım ajanlarını kullanmak, aracı açıp düğmeye basmaktan ibaret değil. Ajanın bağlamını yönetmek, neyi ne zaman yoklayacağını bilmek, doğrulayıcı düzenekler kurmak gerekiyor. Dördüncü başlık ise rol genişlemesi demek: mühendis artık yalnızca verilen işi yazan kişi değil, ürünün baştan sona şekillenmesinde söz sahibi. Ürün yönetimiyle mühendislik arasındaki duvar yıkılıyor. Çözülmemiş sorunu bulan, çözümü tarif eden ve ajanı doğru yöneten mühendis değer kazanacak. Eskiden bana ne yapacağımı söyle yeter diyen makbuldü, şimdi hangi sorunu çözelim diyen makbul.

Komuttan üretime: maddenin tarifleyicisi

Komuttan üretime geçişin en somut örneği Atomic Machines adlı girişim. Kurucusu Jeff Holden, Amazon da ilk ona giren mühendislerden. Prime hizmetini kuran ekipte yer aldı, Pelago girişimini Groupon şirketime sattı, Uber şirketinde ürün yöneticiliği yapıp sürücüsüz araç birimini kurdu. Ekip altı sene gizli çalıştı ve toplam $250M finansman topladı. thenextweb kaydına göre girişim, Matter Compiler adlı sistemle doğrudan komuttan çalışan mikro aygıt üretiyor. AtomicMachines resmi sayfası sistemi yapay zeka doğumlu üretim hattı olarak tanıtıyor. İlk ürün, yapay zeka veri merkezlerine yönelik PrimeSwitch PS-150 adlı güç anahtarı.

Sistemin çalışma biçimi yemek tarifine benziyor. Lazerler parçaları işleyip şekillendiriyor. Sıvı malzemeler çok küçük damlalar halinde yerleştiriliyor. Elektrokimyasal adımlar metalleri kaplayıp parlatıyor. Robot kollar parçaları istasyonlar arasında taşıyarak birleştiriyor. Malzeme arşivi dört aileden oluşuyor: metaller, polimerler, camlar ve seramikler. Şirketin MC-1 adlı hattı bu adımları tek hatta birleştiriyor. Her adım ölçülüyor ve hatalar anında düzeltiliyor, bu yüzden verim yüksek seyrediyor. Çıktı örneği küçük motorlar ve devreler gibi özelleşmiş parçalar. Girdi ise sabit kalıp değil, değişken bir dijital tarif. Tasarım değişince hat değişmiyor, yalnızca tarif güncelleniyor.

Bu vizyon tutarsa fabrika anlayışı değişir. Bugün yeni bir fiziksel ürün için kalıp, hat ve aylarca mühendislik gerekiyor. Yarın aynı iş yeni bir tarif yazmaya benzeyecek. Fabrikalar ürün üretmeyecek, ürünlerin tarifini çalıştıracak. Pahalı olduğu için üretilemeyen birçok özel parça ucuzlayacak. Küçük ekipler, dev tesislere gerek kalmadan karmaşık aygıtlar çıkarabilecek. Üretim bilgisi çelikten çok yazılımda birikecek. Ölçek büyüdükçe birim maliyet düşecek ve ısmarlama üretim normal hale gelecek. Ben bu geçişi bulutun ilk günlerine benzetiyorum: önce herkes şüpheyle baktı, sonra dönmeyen kalmadı. Fiziksel üretimde de aynı eşik aşılmak üzere.

Bulut artık ajanlar için kuruluyor

Token tarafında rakamlar çok net. AWS yöneticisi Matt Garman tarafından paylaşılan grafiğe göre insan kullanımı düz bir çizgide artarken ajan kullanımı Ocak ayından beri dikine fırladı. Mavi çizgi ajanları, kırmızı çizgi insanları gösteriyor. SiliconAngle kayıtlarındaki sözle ajanlar tokeni kahvaltıda öğlede akşamda tüketiyor. Garman'a göre ajanlar altyapıyı insanlardan farklı kullanıyor: yoklama yapmak için üç saniyede hazır bir veri tabanı istiyor, sonra kapatıyor. Sürekli çalışan sistem yerine anlık kaynak, özel kum havuzları ve yeni izin düzenekleri gerekiyor. Yani bulut, insan ölçüsünden ajan ölçüsüne geçiyor.

Son başlık bulutun yeniden kurulması. Amazon 2026 için yaklaşık $220B capex planı açıkladı ve 2 milyon yapay zeka hızlandırıcısı sipariş etti. Büyümenin motoru eğitim değil çıkarım: soru soran, uygulama kullanan, iş akışı çalıştıran her kullanım çıkarım sayacını döndürüyor. Şirket içi ölçümlere göre yazılımcıların yüzde sekseninden fazlası yapay zeka araçlarını işine katmış durumda. Kazanan platformlar, insanların değil ajanların en verimli çalıştığı yerler olacak. Yayına gelen izleyici yorumları da bu yönde: Sevan Karasu ve Serdar gibi izleyiciler günlük bilgi dozunu bu yayından aldıklarını yazmış.