**
Çin Yapay Zekasının Üç Savaş Arabası
Uzun bir süredir, Çin'in yapay zeka modelleri kabaca üç yolu izledi.
İlk yol, bilinçli olarak küçük gitmektir. Örnekler arasında minimax-m3, Kimi K2.5 ve hy3 yer alır; bunlar aktif parametreleri aktif olarak yaklaşık 20B ile sınırlar. 20B'nin gerçekten "küçük" olup olmadığı ince bir sorudur, ancak mühendislik açısından genellikle öyle kabul ederiz.
Daha küçük aktif parametreler genellikle zorlu bir ekonomik kısıtlamadır. Bu kısıtlamalar içinde performansı en üst düzeye çıkarmak, tipik bir "küçük model" zihniyetidir.
İkinci yol, DeepSeek ve ondan sonra ortaya çıkan benzer teknik yığınlara ve boyutlara sahip üreticilerdir. DeepSeek rotasının ayırt edici özelliği sadece tamamen açık kaynak olması değil, daha da önemlisi, DeepSeek-V3/R1'in baştan itibaren OpenAI'in en iyi modelleriyle rekabet eden büyük ölçekli modeller olmasıdır.
R1'in patlamasıyla birlikte DeepSeek, ekonomik verimliliğe odaklanan geniş bir teknik yığın ekledi. Bu nedenle, DeepSeek rotası "çıkarım ekonomisini sağlarken yüksek performans" ile karakterize edilir. GLM-5 bu yolun sistematik bir halefi ve uygulayıcısıdır ve GLM-5.2 bu yolun iyi bilinen sonuçlarından biridir.
Üçüncü yol ise Kimi'dir. Kimi'nin teknik yığını her zaman bağımsız olmuştur ve DeepSeek ile uzaktan ilişkilidir. K2.5'ten K2.7'ye kadar olan seri, DeepSeek'in teknik yığınını önemli ölçüde özümsemiş olsa da, yeni K3 serisi kendi özel teknolojisine geri dönmüştür.
K3, toplam parametreleri 2.8T'ye çıkardı, aktif parametrelerin 50B olduğu tahmin ediliyor ve tamamen özel teknoloji kullanıyor. Boyutun ölçeklendirme yasası etkisini gösterdi, ancak aynı zamanda Kimi K3'ün ekonomik verimliliğinin önemli ölçüde düşmesine ve Claude Sonnet'in fiyat aralığına girmesine neden oldu.
Claude'a kıyasla hala çok ucuz olmasına rağmen, Kimi'nin çıkarım kümeleri Çin'de bulunuyor. GPU sayısındaki kısıtlamalar göz önüne alındığında, Kimi muhtemelen K3'ü oluştururken ekonomiyi önceliklendirmedi.
Başka bir deyişle, K3, bağımsız bir teknik yığının, devasa boyutun ve yüksek performans için her şeyi göze almanın ürünüdür.
Performans ve ekonomiyi dengeleyen DeepSeek yolundaki modellerin aksine, K3'ün hedefi baştan itibaren daha iyi bir R1 yapmak değil, OpenAI ve Anthropic'in en son teknoloji, ultra büyük modelleriyle rekabet etmekti.
K3 Neden Bu Kadar Büyük?
Kimi'yi DeepSeek ile hiçbir zaman ilgisi olmayan bağımsız bir teknik rota olarak tanımlamak tamamen doğru değil.
Kimi K2 makalesi bunu açıkça belirtti: K2, DeepSeek-V3'e benzer ultra seyrek bir MoE ve MLA mimarisi kullandı. Her ikisinde de 61 katman ve paylaşılan uzmanlar var ve her token 8 yönlendirilmiş uzmanı etkinleştiriyor. K2, bu temeli uzman sayısını 384'e çıkararak, dikkat başlıklarını yarıya indirerek ve kendi geliştirdiği MuonClip, veri tarifleri, aracı sonrası eğitim ve bağımsız altyapıyı kullanarak kendi çatalını oluşturarak iyileştirdi.
Bu nedenle, K2, sıfırdan farklı bir türden ziyade, DeepSeek-V3 tarzı bir şasi üzerinde bir Kimi dalı gibiydi.
Gerçekten dikkate değer olan şey, K2.5'ten K2.7'ye kadar olan temel boyutun genişlemeye devam etmemesidir: toplam parametreler yaklaşık 1T, aktif parametreler yaklaşık 32B civarında kaldı ve hala 384 uzmandan 8'i seçiliyordu.
Başka bir deyişle Kimi, temeli genişletmeden sonrası eğitim ve aracı sistemleri kullanarak aynı şasiden birçok nesil sıkıştırabileceğini kanıtladı.
Ancak K3 farklı. K3 sadece rutin bir sürüm yükseltmesi değil. Kimi'nin "mevcut bir temelde sonrası eğitime devam etme" aşamasını sona erdirme ve öncesi eğitim ölçeği genişletmesine geri dönme yönündeki aktif kararını işaret ediyor.
K3, daha önce dağınık olan özel teknolojilerinden, örneğin kendi eğitim temeli, dikkat mekanizması ve uzman yönlendirme yapısından yoğun bir şekilde yararlanıyor. Bu aşamada, K3'ün DeepSeek ile akrabalığı oldukça uzaklaştı.
K3 iki şeyi kanıtlamayı amaçlıyor: birincisi, Kimi'nin kendi teknik paradigmasını tanımlayabileceği; ikincisi, Kimi'nin OpenAI ve Anthropic ile rekabet eden, yepyeni, ultra büyük modelleri eğitmek için yeni teknoloji kullanmaya yetkili olduğu.
Görünen o ki, K3 başarılı oldu.
Kamusal Hizmetten Ayrıcalıklı Tekele
DeepSeek'ten önce Çin'de kullanılabilir modeller yok değildi, ancak zar zor işlevseldiler.
DeepSeek'in ortaya çıkışı, Çin'de ilk kez yüksek performanslı bir modeli kullanılabilir hale getirerek, bir nesil Çin yapay zekası için kamusal bir hizmet haline geldi. Bir kamusal hizmetin temel misyonu Benimsemedir: "iyi" yetenekleri büyük ölçekte nasıl teşvik edeceğiniz - özellikle de tam olarak zengin olmayan bir çıkarım tabanında.
Bu nedenle, DeepSeek'in rolü sadece bir performans atılımı değil, aynı zamanda ekonomik optimizasyon için ağır bir sorumluluktu.
V3'ten V4'e kadar DeepSeek, çıkarım optimizasyonuna yönelik olgun bir teknik yığın tarafından desteklenen, neredeyse hayırsever API fiyatlandırmasını sürdürdü.
Bu aşamada, Çin yapay zekasının karşılaştığı sorun şuydu: önce kamusal hizmetin performans ihtiyaçlarını karşılamak, ardından bu hizmetin bilgi işlem maliyetlerini düşürmek.
DeepSeek dışındaki Çinli üreticiler için görev aniden iki katına çıktı: birincisi, performans R1'e yetişmeliydi, aksi takdirde modelin rekabetçi bir konumu olmazdı; ikincisi, fiyat, verim ve dağıtım verimliliği DeepSeek'e mümkün olduğunca yakın olmalıydı, aksi takdirde benimseme gerçekleşmezdi.
GLM'nin aşamalı yığın geçişi, bu endüstriyel baskının en net mikrokozmosudur.
Bu anlamda DeepSeek, Çin modellerini Benimseme aşamasına getirdi. Bu aşamanın temel sorusu şudur: yeterince güçlü zekayı daha fazla insanın kullanmasına nasıl izin verilir ve bunun sonucunda ortaya çıkan çağrı hacmi patlaması nasıl yönetilir.
Ancak bir sınır laboratuvarının sonunda başka bir soruyu yanıtlaması gerekir: eğer sadece başkalarının daha ucuz bir versiyonu olmaya çalışırsanız, daha yüksek performanslı modeller nereden gelecek?
Tüm büyük internet şirketleri bir seçim yaptı: yasakları aşmanın ve ABD'den ithalat yapmanın yollarını bulmak. Örneğin, Alibaba'nın ünlü Singapur varlığı, kullanıcıların Singapur makinelerine uzaktan bağlanarak Claude Code'u çalıştırmasına izin verdi.
Sonra engellendiler. Sam Amca 5.6-Sol darbesini hızlıca iletmeseydi, Dario Çinlilerin başlarına basan birkaç makale daha yayınlayabilirdi.
Kapsamlı mühendislik optimizasyonu sayesinde Çin, yapay zekanın kamusal hizmetinin temelini yavaş yavaş gerçekleştirdi. Ancak daha büyük, daha yüksek performanslı sınır modelleri olmadan, her zaman bir adım geride kalacak ve uzun vadeli dezavantajlı bir "ayrıcalıklı rekabete" düşecektir.
Xiang Zhuang'ın Kılıç Dansı: Yüzeyin Ötesini Hedeflemek
K3'ün 2.8T'si, Moonshot'ın bu soruna verdiği yanıttır.
K2.5'ten K2.7'ye kadar olan seri, hala sürekli öncesi eğitim, RL, araç ortamları ve aracı sistemleri aracılığıyla 1T-A32B tabanında maliyet-performansı iyileştirmek olarak anlaşılabilir.
K3 ise toplam kapasiteyi doğrudan 2.8T'ye çıkararak, 64'ten fazla hızlandırma kartının dağıtım gereksinimlerini kabul ediyor ve API fiyatlarını K2.7 Code'un $0.95/$4'ünden $3/$15'e yükseltiyor. Bu fiyat sadece Sonnet ile karşılaştırılabilir olmasına rağmen, hala çok pahalı.
Anahtar nokta 64 hızlandırma kartı. Çin'deki çıkarım kümelerinde bu kadar çok 64 kartlı düğümü nerede bulacaksınız?
K3 hala ekonomiyi korumayı umuyor olabilir, ancak bu K3 için neredeyse imkansız. 2.8T'lik bir dev model, Amerikan çıkarım şirketleri için bile büyük bir testtir. Bu nedenle, K3'ün amacı açıkça yaygın benimseme değil, en son teknoloji savaş alanlarında yaygın olarak benimsenebilecek bir model standardını açık kaynak olarak sunmaktır.
Amerikan modellerini ezmekle övünen çoğu PR yazısına kıyasla, Kimi'nin resmi ifadesi daha ılımlı: K3 genel olarak hala Fable 5 ve GPT-5.6 Sol'un gerisinde kalıyor.
Elbette, başka bir açıdan bakıldığında, çok agresif: OpenAI ve Anthropic'in en iyi modellerinin sadece biraz gerisinde.
Bu gruba girdikten sonra, K3 öncelikle Anthropic'in geçen yılki en önemli ticari anlatısını istikrarsızlaştırıyor.
Anthropic'in Sürekli Hareket Hikayesi
Anthropic'in metodolojisi her zaman net olmuştur: yeri doldurulamaz bir model yaratıyoruz ve kullanıcılar onun diğer modellerin yapamadığı görevleri tamamlayabildiğini bulduklarında, daha yüksek performans için prim ödemeye istekli olacaklar.
Fable 5, bu metodolojinin en uç ürünüdür. En zorlu bilgi çalışmalarını, kodlamayı ve günlerce sürebilen karmaşık asenkron görevleri hedefler; API fiyatları milyon giriş token'ı başına $10 ve milyon çıkış token'ı başına $50'ye ulaşır - bu, Opus 4.8'in normal fiyatının iki katıdır.
Anthropic daha pahalı token'lar satmıyor; yeni bir görev aralığı satıyor: geçmişte istikrarlı bir şekilde tamamlanamayan projeler artık Fable tarafından halledilebiliyor. Bu senaryolarda, Fable'ın yeri doldurulamaz bir değeri var.
Bu yeri doldurulamazlık var olduğu sürece, fiyat primi tamamen makuldür. Sonuçta, yüksek performanslı modeller yüksek bilgili işgücünün yerini alır ve ikincisinin maaşı modelden çok daha pahalıdır.
Fable'ın piyasaya sürülmesinden sonra, piyasa kısa süreliğine OpenAI'in artık Anthropic'e yetişemeyeceği yanılsamasını oluşturdu. SemiAnalysis'in aşırı boğa tahmini, Anthropic'in 2027 sonuna kadar 300 milyar dolarlık bir ARR'ye ve 20x ARR katında 6 trilyon dolarlık bir kurumsal değere ulaşabileceğini bile tahmin etti.
Bu tahmin bir dizi varsayıma dayanıyordu: gelirin %75-85'ini oluşturan API, yüksek API brüt marjları, son derece yüksek net gelir elde tutma ve Claude Code'un sürekli nüfuzu.
18 Temmuz itibarıyla bakıldığında, SemiAnalysis halüsinasyon görüyor gibiydi. Ancak 8 Temmuz'da birçok kişi bunu oldukça makul buldu.
Gerçeklik, bu anlatı için son derece dramatik bir zaman çizelgesi düzenledi. 6 trilyon dolarlık değerleme tahmini 8 Temmuz'da yaygın olarak dolaştı ve GPT-5.6 Sol resmi olarak 9 Temmuz'da yayınlandı.
Anthropic'in sürekli hareket hikayesi, alt üst edilmeden önce bir aydan az sürdü. Bu süre zarfında, Çin modellerinin damıtılmasını eleştiren birkaç makale de ortaya atıldı.
Kekliği Kim Öldürdü?
GLM-5.2'nin yayınlanmasından sonra, öneminin sistematik bir analizini yazdım ve halk tarafından "şaheser" olarak selamlandı.
Zhipu'nun bana tanıtım için hiç para ödemediğini düşünürsek, bağımsız bir araştırmacı olarak kalıyorum (gülüyor).
Ancak, GLM-5.2 gerçekten de Anthropic'in temelini sarstı; insanlar o sırada durumun ciddiyetini fark etmemişlerdi.
GLM-5.2, çoğu görevde Opus 4.8'den daha iyi performans gösteriyor, yalnızca Opus 4.7'nin ardından geliyor. Doğru okudunuz: 4.8'den daha iyi, ancak 4.7'nin ardından geliyor, bu da insanı Anthropic'in 4.8'e ne kadar su kattığını merak ettiriyor.
Bu arada, GLM-5.2'nin fiyatı Opus'un yalnızca beşte biri ve Anthropic'in abonelik planlarının hız sınırlama sorunlarından muzdarip değil. GLM-5.2'nin ortaya çıkışı, Anthropic'in ana model segmentinin fiyat çıpasını zaten önemli ölçüde tehdit etti.
Sonuç olarak, piyasa Anthropic'i "daha son teknoloji modeller" için fiyatlandırmayı umdu ve bu da SemiAnalysis'in 6 trilyon dolarlık değerleme tahminine yol açtı.
Hemen ardından, Sol en yüksek yetenek katmanında Fable ile kafa kafaya çarpıştı. Anthropic daha sonra Fable'ın abonelik sınırlarını birkaç kez uzattı ve sonunda Max ve Team Premium için kalıcı bir fayda haline geleceğini duyurdu.
Sonra K3 çıktı. Kapsamlı yeteneği Fable ve Sol'un gerisinde kalıyor - ve yalnızca Fable ve Sol'un. Bu arada, K3 açık kaynak ve herhangi bir çıkarım kümesi onu dağıtabilir.
Çocuklar, gelişmiş yapay zeka modelleri gerçekten de tarlalarda büyüyor.
Asimetrik Rekabet
Geçmişte, ABD'nin Çin'e yönelik gelişmiş bilgi işlem çipi kontrollerinin mantığı basitti: yukarı akış bilgi işlem gücünü sınırlayarak Çin'in sınır modellerini eğitmesini ve bağımsız bir yarı iletken ekosistemi kurmasını yavaşlatmak. Ulusal güvenlik, askeri ve gözetleme kullanımları kamusal yasal gerekçelerdi, ABD'nin kilit teknolojilerdeki liderliğini sürdürmek ise eşzamanlı bir endüstriyel hedefti.
Elbette, daha büyük sorun ABD'nin kendi gelişmiş çiplerinin yeterli olmamasıydı. ABD sadece Çin'in bilgi işlem gücü elde etmesinden endişelenmekle kalmıyor, aynı zamanda Çinli şirketlerin ihalelere katılarak ABD laboratuvarlarının ve veri merkezlerinin kart satın alma kapasitesini daraltmasını da istemiyordu.
Bu kontroller kesinlikle Çin'in sınır modellerini eğitme zorluğunu artırdı, ancak aynı zamanda ince bir karşı etki yarattı: Çinli yapay zeka şirketlerinin aşırı kar elde etme yeteneğini ellerinden aldı ve aynı zamanda bu dezavantajı oyunda bir silaha dönüştürdü.
Madem aşırı kar elde etmeme izin vermiyorsun ve teknolojimin engellenmesini istemiyorum, yapar yapmaz bedava vereceğim.
Ve açık kaynak modeller grafik kartları konusunda seçici değil. Çin kartları dağıtabilir, ABD bilgi işlem kümeleri de. Fireworks, TogetherAI ve bir sürü NeoCloud'un hepsinde bol miktarda GPU var.
Böylece, ABD-Çin yapay zeka rekabetinde oldukça soyut bir kombinasyon ortaya çıktı:
Çin Modelleri + ABD ve Küresel Çıkarım Kümeleri VS ABD Kapalı Kaynak Yapay Zeka Laboratuvarları
Çin laboratuvarları pahalı model Ar-Ge'sini üstleniyor, açık ağırlıkları benimseme ve sınır statüsü karşılığında takas ediyor; ABD'li bulut sağlayıcıları ve çıkarım platformları, çağrıları işlemek için yerel GPU'ları kullanıyor, maliyete göre fiyatlandırma yapıyor ve büyük kazanç sağlıyor.
Gerçekten kar kaybedenler, prim fiyatları uygulamak için kapalı ağırlıklara ve yetenek kıtlığına güvenen ABD sınır laboratuvarlarıdır.
Çinli laboratuvarlar için açık ağırlıkları feda etmek, zaten kendi çıkarım kapasiteleriyle sınırlı olan potansiyel API kirasından vazgeçmek anlamına geliyor.
ABD'li kapalı laboratuvarlar için feda edilen şey, bol miktarda yerel bilgi işlem gücü ve küresel yetenek kıtlığı üzerine inşa edilen gerçek aşırı kardır.
Bu nedenle, ABD basit bir "yaptırımlara devam et veya satışları aç" seçeneğiyle değil, imkansız bir üçlemeyle karşı karşıyadır:
- Çin'e yaptırım uygulayın, Çin açık kaynak modelleri yayınlamaya devam edecek, böylece kimse para kazanamaz.
- Çin'in kart satın almasına izin verin, toplu teklif verme yerel laboratuvarların kartlarını eksik bırakabilir.
- Bir uzlaşmaya varmak için Çin'e uygun miktarda kart verin, ancak ne kadar uygun? Kimse bilmiyor ve kimse söylemeye cesaret edemiyor.
Bu tipik bir asimetrik rekabettir. Washington asimetrik rekabet hakkında konuşmayı sever; şimdi bu terim Washington'u rahatsız etmek için geri geldi.
Micron'a Sadakat!
Bu zinciri bir adım daha yukarı akışa itmek, tüm AI CapEx anlatısına dokunur.
Geçmişte, kapalı kaynak sınır modellerinin yüksek çıkarım brüt marjları, AI CapEx zinciri için en önemli yastıktı. Model yetenekleri kıt olduğu sürece, API'ler ve abonelikler yüksek fiyatları koruyabilirdi; laboratuvarlar ve bulut sağlayıcıları yüksek brüt marjlar elde ederdi, bu da daha pahalı GPU'lara, daha hızlı amortismana ve daha agresif veri merkezi yatırımlarına tahammül etmelerini sağlardı; yukarı akış daha sonra üretimi genişletmeye ve yüksek fiyatlandırmayı sürdürmeye devam ederdi.
Bu zincir basitçe şu şekilde yazılabilir:
Model Yetenek Kıtlığı → Yüksek API Fiyatları → Aşağı Akış Yüksek Brüt Marjları → GPU Primlerine Dayanma Yeteneği → CapEx Genişlemesi → Yukarı Akış Sürekli Refahı.
Birden fazla platform aynı ağırlığı dağıtabildiğinde, çıkarım fiyatları "sınır laboratuvarının ne kadar talep etmeye istekli olduğundan", "verimli bir kümenin başarılı bir görevi çalıştırmasının ne kadara mal olduğuna" kayar.
Açık ağırlıklar, bilgi işlem gücünün paraya mal olduğu gerçeğini değiştirmez; bilgi işlem tüketimine eklenen "model vergisini" kaldırırlar. Fireworks, K3'ün Moonshot için öncesi eğitim maliyetlerini üstlenmek zorunda değildir, ne de token başına yukarı akıştaki kapalı kaynak bir modele tam model kirası ödemek zorundadır.
Yine de GPU'ların, çıkarım motorlarının, nicelemenin, önbelleğe almanın, ağ oluşturmanın, finansmanın, SLA'ların ve kurumsal satışların maliyetlerini üstlenmesi gerekir, ancak yalnızca gerçek bilgi işlem maliyetlerine, kullanıma, hizmet maliyetlerine ve rekabetçi kara dayalı teklif vermesi gerekir. Bu, tipik maliyet bazlı fiyatlandırma mantığıdır ve refaha bağımlı bir endüstri için maliyet bazlı fiyatlandırma, yukarı akış üzerinde yıkıcı bir etkiye sahiptir.
Bu, her GPU için sermaye getirisi hesaplamasını tersine çevirecektir.
Geçmişte, hizmet sağlayıcıları pahalı donanım maliyetlerini yüksek fiyatlı model API'lerine koyabilir ve son müşterilere aktarabilirdi.
Çıkarım platformları aynı açık ağırlıklar etrafında rekabet ettiğinde, herhangi birinin bu primi aktarmaya devam etmesi zorlaşır. Bu nedenle, GPU tedariki daha yüksek kullanım, daha kısa geri ödeme süreleri, daha düşük finansman maliyetleri ve daha kesin müşteri sözleşmeleri gerektirir.
Kısa vadede, daha dağınık aşağı akış alıcıları, bilgi işlem üreticilerinin (özellikle NVDA) pazarlık gücünü zayıflatmayacaktır. Ancak uzun vadede, aşağı akış brüt marjlarındaki sistematik düşüş, kaçınılmaz olarak yukarı akış için daha kötü pazarlık esnekliğine yol açacaktır; bu, tüm AI CapEx anlatısı için kontrol edilemez ve büyük bir risktir.
Batamayacak Kadar Büyük
Bu noktada, K3'ün 2.8T'si görünüşte çelişkili iki anlam ortaya çıkardı.
Bir yandan, K3 çok ekonomik bir model değil, modelleri Sonnet fiyat aralığına ve 64 kart+ dağıtım grubuna itiyor.
Öte yandan, tam da bu "ekonomiyi önceliklendirmeme" özelliği, K3'ü en yüksek yetenek grubuna girme, Anthropic'in model kirasını istikrarsızlaştırma, ABD-Çin çıkarım karlarını yeniden yapılandırma ve AI CapEx anlatısını etkileme hakkına sahip kılıyor.
Geçmişte, birçok şirket uç taraf, küçük boyutlar ve "yeterince iyi" hakkında konuşmayı severdi. Bu yollar kesinlikle önemlidir; mevcut zekanın cihazlara, kullanıcılara ve endüstrilere ne kadar yayılabileceğini belirlerler.
Ancak "yeterince iyi" terimi çok sıkıcıdır; yalnızca yetenek sınırlarının zaten sabit olduğu pazarlar için geçerlidir.
Sınır yapay zekası asla sabit bir dizi görevle karşı karşıya kalmaz: az önce tek dosyalı programlamayı öğrenen bir model, yarın tüm kod tabanlarını halletmek zorunda kalacak; araç çağırmayı yeni öğrenen bir model, bir sonraki nesilde saatlerce hatta günlerce sürekli çalışmak zorunda kalacak.
Orta büyüklükteki modeller "daha fazla insan tarafından nasıl kullanılacağını" yanıtlarken, daha büyük modeller "kehaneti iletme hakkına kimin sahip olduğu" için rekabet eder.
Zaten güçlü ancak pahalı olan bir model, daha sonra seyrekleştirme, niceleme, önbelleğe alma, damıtma ve çıkarım mühendisliği yoluyla daha hızlı ve daha ucuz hale getirilebilir; ayrıca bir dizi küçük model için öğretmen modeli olarak hizmet edebilir.
Baştan itibaren belirli bir yeteneği öğrenmemiş küçük bir modelin ise, bu yeteneği genişletilmiş düşünme veya dağıtım optimizasyonu yoluyla sonradan kazanması zordur.
Bu asimetri, "kaybetmemek için büyük gitmeyi" kaba ancak genellikle etkili bir sınır metodolojisi haline getirir.
2024'te OpenAI, o1'i yayınlayarak ölçeklendirmenin odağını daha büyük öncesi eğitim tabanlarından, eğitim zamanı takviyeli öğrenmeye ve test zamanı düşünme hesaplamasına kaydırdı.
o1'in kendisi daha küçük bir çıkarım modelidir. "Daha küçük taban + daha fazla düşünme"nin matematik, kod ve biçimsel akıl yürütmede şaşırtıcı ilerlemeler yaratabileceğini kanıtladı, böylece parametreleri küçültme döngüsünü başlattı.
Taban ne kadar küçükse, test zamanı hesaplama telafisine o kadar bağımlı olur; çıkarım hileleri ne kadar başarılıysa, kuruluşun tabanı genişletme motivasyonu o kadar azalır. Sonuç olarak, OpenAI'in modelleri hızla bozulmaya başladı.
2025'te Anthropic ters yöne gitti. Anthropic daha büyük, daha pahalı modeller yapmakta ısrar etti, ardından Claude Code'u kullanarak yetenekleri ürünlere dönüştürdü.
Kullanıcıların Claude'a olan bağlılığı ucuz olmasından değil, en zorlu gerçek dünya yazılım mühendisliği görevlerinde işi Opus'a verme konusunda kendilerini daha güvende hissetmelerindendir. 2025'in sonunda Anthropic, Claude Code'un yapay zeka kodlama pazarının yarısından fazlasını işgal ettiğini ve kurumsal pazar payının %24'ten %40'a yükseldiğini iddia etti. Gelir de OpenAI'i geride bıraktı.
OpenAI daha sonra çıkarım verimliliği ve yönlendirmenin en yüksek yetenek tabanının yerini alamayacağını fark etti. GPT-5, ana, düşünme, mini ve Pro'nun tam bir merdivenini yeniden oluşturdu; GPT-5.6'da açıkça üç model boyutu belirledi - Sol, Terra ve Luna - ve büyük ölçekli Sol'u en zorlu işler için amiral gemisi konumuna geri koydu.
Sonuç olarak, Codex kullanıcıları hızla 10 milyonu aştı ve Anthropic'i Fable'ı abonelik planlarına geri eklemeye zorladı.
Şimdi, K3 yayınlandı, yalnızca Sol ve Fable'ın ardından geliyor ve hatta ABD sınır yapay zekasının hala işe yarayıp yaramadığına dair tartışmaları alevlendiriyor.
Birinci olmak için gerçekten rekabet etmeye istekli olduğunuzda, sonuç genellikle çok kötü olmaz. Bu, Batamayacak Kadar Büyük'tür.
Sonuç: Küçük Kasabalı Gençler Kapitalistleri Dövüyor
Çinli yapay zeka model şirketleri genellikle küçük kasabalı gençler olarak tanımlanır: sınırlı kaynaklar, kötü konum, daha da kötü uluslararası itibar ve GPU'ları çıkarımı sürdürebilirse şanslı, eğitim bir yana - yeter ki geri kalmasınlar.
Bu arada, gelişmiş ABD yapay zeka laboratuvarları kapitalist bir havaya sahiptir: antropoloji ve güvenlik hakkında, yardımsever makineler hakkında, gelecek dünyanın özgürlüğe mi yoksa özgürlüksüzlüğe mi ait olduğu, yapay zekanın dünyaya mı yoksa gökyüzüne mi ait olduğu hakkında tartışmak.
Böylesine dramatik bir uçurum altında, küçük kasabalı gençlerin kapitalistleri dövdüğü bir oyun sahnelenebilir. Nasıl çevirirseniz çevirin, insanı kahkahadan kırıp geçirmeye yeter.
—Aslında, acele etmeye gerek yok. En iyisi henüz gelmedi.
