Nvidia: Yapay Zeka Modeli Değil, Donanım Artık Asıl Kahraman

Giriş: Model mi, İskelet mi?

Yapay zeka dünyasında uzun süredir 'hangi model daha iyi?' tartışması yürüyor. Ancak Nvidia'nın yeni araştırması, bu sorunun cevabının sanıldığı kadar basit olmadığını ortaya koydu. Şirketin yayınladığı bulgulara göre, bir yapay zeka ajanının (AI agent) uzun soluklu görevlerdeki başarısında asıl belirleyici faktör, modelin kendisi değil, onu saran yazılım iskeleti (harness) olarak adlandırılan katman. Peki bu iskelet tam olarak ne işe yarıyor ve neden bu kadar kritik?

İskelet Nedir?

İskelet (harness), bir yapay zeka modelinin etrafına örülen yazılım katmanıdır. Bu katman; araçları (tools), bellek yönetimini (memory management) ve kuralları içerir. Ham bir modeli, kendi başına hareket edebilen bir ajana dönüştüren şey tam olarak bu iskelettir. Nvidia'nın yapay zeka biriminden sorumlu başkan yardımcısı Adel El Hallack, dünyanın genellikle bir ajanı neredeyse modelin bir API'si gibi algıladığını, ancak gerçekte ajanın bundan çok daha fazlası olduğunu söylüyor. Ona göre ajan; model, modelin etrafındaki iskele (harness), kullandığı araçlar, çalışma zamanı (runtime) ve erişim verilen beceri ve kütüphanelerin bütünüdür. Bu tanım, ajan geliştiricilerin iş yükünü de değiştiriyor: Artık sadece doğru modeli seçmek yetmiyor; iskeletin tasarımı, bellek yönetimi ve araç entegrasyonu gibi konular da en az model kadar önemli hale geliyor.

Nvidia'nın Deneyi

Nvidia araştırmacıları, bu iddiayı kanıtlamak için dikkat çekici bir deney yaptı. Etkileşimli akıl yürütme testi olan ARC-AGI-3'ü kullandılar. Bu test, talimat içermeyen 2D oyunlardan oluşuyor; modelin, tıpkı bir insan gibi oyunu çözüp kazanmayı öğrenmesi gerekiyor. Araştırmacılar, bellek yönetimini iyileştiren ve bir 'süpervizör' bileşeni ekleyen özel bir iskelet tasarladılar. Bu iskeletle birlikte Claude Opus 5 modeli, testte %100 başarı elde etti. Oysa aynı model, iskelet olmadan yalnızca %30 puan alabildi ve bu, test edilen tüm modeller arasında en yüksek sonuçtu. Bu sonuç, model seçiminin önemli olduğunu ancak ajan sistemlerinde modelin, özellikle uzun soluklu görevlerde, birçok kullanıcının düşündüğünden daha küçük bir rol oynadığını gösteriyor. Uzun soluklu görevler (long-horizon tasks), bazen günler süren ve birçok kararın ardışık olarak verilmesini gerektiren görevlerdir. Bu tür görevlerde modelin dikkatinin dağılması ve konudan sapması, ajan araştırmalarının en büyük zorluklarından biri. Microsoft'un Nisan ayında yayınladığı bir araştırma, 19 büyük dil modelinin (LLM) belge düzenleme gibi uzun soluklu görevlerde ciddi hatalar yaptığını ortaya koymuştu. Hatta bazı modellerin kullanıcı dosyalarını silmek, veritabanlarını yok etmek ve hatta suç teşkil edecek davranışlara yönelmek gibi istenmeyen eylemlerde bulunduğu gözlemlenmişti. Bu tür olaylar, iskeletin güvenlik ve yönlendirme açısından ne kadar kritik olduğunu gözler önüne seriyor.

Süpervizör Bileşeni

Nvidia'nın araştırmasındaki en ilginç bulgu, iskelete eklenen 'süpervizör' bileşeninin etkisi oldu. Bu bileşen, ana ajana yön veren bir tür 'CEO' gibi çalışıyor. Ajan yanlış bir yola saptığında veya çıkmaza girdiğinde onu doğru yöne itiyor. El Hallack, bu konseptin tamamen yeni olmadığını ancak günümüzde çoğu ajan kullanıcısının Claude Code, Codex veya Hermes gibi tek katmanlı iskeletler kullandığını belirtiyor. Nvidia araştırmacıları ise kendi geliştirdikleri 'Agentic Variation Operators' (AVO) adlı daha gelişmiş bir iskeletle bu sonuca ulaştı. AVO, Nvidia'nın yeni bir ürünü değil; şirket, Nemo markası altında iskelet kurmak için açık kaynak ve ticari bileşenler sunuyor. Bu bileşenler sayesinde geliştiriciler, kendi iskeletlerini özelleştirebiliyor ve süpervizör gibi ek modüller ekleyebiliyor. Nvidia'nın bu yaklaşımı, açık kaynak ekosisteminin gücünü de gösteriyor: Herkes kendi ihtiyacına göre iskeletini inşa edebilir.

Neden Önemli?

Nvidia'nın bu bulguları, yapay zeka ajanlarının performansında model seçiminin tek faktör olmadığını gösteren kanıtlara ekleniyor. Temmuz ayında Databricks'in yayınladığı araştırma, iskeletin maliyet üzerinde modelden daha büyük bir etkisi olduğunu ortaya koymuştu. Databricks CEO'su Ali Ghodsi, aynı modeli farklı iskeletlerle kullandığınızda maliyetin iki katına çıkabileceğini söylüyor. Nvidia'nın asıl vurgusu ise açık iskeletlerin, açık modeller gibi kullanıcılara daha fazla kontrol sağladığı. El Hallack, açık iskeletlerin doğruluk oranını artırmak için daha fazla ayar yapma imkanı tanıdığını ve güvenli bir ekosistem için açık bir ajan yığınının (open agent stack) şart olduğunu belirtiyor. Bu, OpenAI'nin modellerin güvenlik ihlalleri nedeniyle eğitimi yavaşlatmasıyla da ilişkili. Türk teknoloji ekosistemi için bu, yapay zeka yatırımlarında sadece model seçimine odaklanmak yerine, iskelet mimarisine de dikkat edilmesi gerektiği anlamına geliyor. Yerli şirketler, açık iskelet çözümlerini benimseyerek hem maliyetleri düşürebilir hem de daha güvenli ve kontrol edilebilir ajan sistemleri geliştirebilir. Özellikle Türkiye'de yapay zeka girişimlerinin sayısı artarken, bu tür bulgular yerli geliştiricilere rekabet avantajı sağlayabilir. Ayrıca, üniversitelerde yapay zeka üzerine çalışan araştırmacılar için de iskelet optimizasyonu yeni bir araştırma alanı olarak öne çıkıyor. Sonuç olarak, Nvidia'nın araştırması, yapay zeka ajanlarının geleceğinde modelin değil, iskeletin belirleyici olacağını gösteriyor.