{
  "language": "tr",
  "interfaceLanguage": "tr",
  "url": "https://voltformer.com/tr/articles/ai-compute-economics-memory-utilisation-october-2026",
  "id": "analysis20261022-ai",
  "slug": "ai-compute-economics-memory-utilisation-october-2026",
  "title": "İşe yarar yapay zekâ hesaplamasının ekonomisi: verimli çipler neden daha büyük bir enerji faturasıyla birlikte görülebilir?",
  "summary": "Yapay zekâ talebi, model verimliliği, HBM ve ağ kısıtları, etkili kullanım, elektrik ve sermaye geri kazanımını inceleyen kaynaklı analiz. Güncel birincil kanıtlar ve yeniden üretilebilir senaryolar, verimliliğin hangi koşullarda donanımın yerini aldığını veya toplam tüketimi artırdığını açıklıyor.",
  "readTime": "18 dk okuma",
  "date": "2026-10-22",
  "author": "Voltformer Araştırma Masası",
  "category": "Yapay Zekâ, Yarı İletkenler ve Hesaplama Ekonomisi",
  "tags": [
    "yapay zekâ hesaplama ekonomisi",
    "yarı iletkenler",
    "HBM",
    "çıkarım verimliliği",
    "hızlandırıcı kullanımı",
    "enerji",
    "sermaye harcaması"
  ],
  "contentMarkdown": "Voltformer Araştırma ve Editör Ekibi · Kaynaklara erişim: 22 Ekim 2026 · Koşullu senaryoları açıkça belirtilmiş analiz\n\nYapay zekâ altyapısı, ekonomik açıdan zor bir döneme girdi. Çiplerdeki ve modellerdeki ilerlemeler belirli hesaplamalar için gereken kaynakları azaltırken yatırımcılar bu hesaplamaları yapan donanıma daha fazla sermaye bağlıyor. Asıl soru, bir sistemin işletme ömrü boyunca kabul edilebilir kalite ve gecikme sınırları içinde ekonomik değeri olan kaç işi tamamladığıdır. Tepe işlem gücü, açıklanan megavatlar ve ham token sayıları, bu sürecin yalnızca birer parçasını ölçer.\n\nTezimiz koşulludur. Talep, yazılım ve destekleyici altyapı verimlilik artışını kullanabiliyorsa mevcut kapasitenin değeri yükselir. Talep doygunluğa ulaşıyorsa veya küçük sistemler büyüklerin yerini alıyorsa yeni kapasite ihtiyacı azalır. Sonuç; talebin tepkisine, iş yüklerinin dağılımına, etkili kullanım oranına ve tedarik taahhütlerinin zamanlamasına bağlıdır. Token maliyetinin düşmesinin toplam elektrik tüketimini mutlaka azaltacağını ya da planlanan her hızlandırıcı alımını haklı çıkaracağını söyleyen bir fizik yasası yoktur.\n\n### 1. En güncel birincil kanıtlar neyi gösteriyor?\n\nTSMC'nin 15 Ekim sonuçlarında üçüncü çeyrek geliri 46,72 milyar USD olarak açıklandı; 2 nanometre teknolojisi wafer gelirinin %8'ini oluşturdu. Bunlar üretim satışını ve ürün bileşimini anlatır. Kurulmuş yapay zekâ sistemlerini saymaz. [TSMC, 2026 üçüncü çeyrek sonuçları](https://pr.tsmc.com/english/news/3346).\n\nNVIDIA, 26 Temmuz'da sona eren çeyrekte Data Center gelirini yıllık %117 artışla 89,0 milyar USD olarak bildirdi. Güçlü tedarikçi geliri satın alma faaliyetini gösterir; müşterinin kârlılığı için ayrıca kanıt gerekir. [NVIDIA, 2027 mali yılı ikinci çeyrek sonuçları](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2027).\n\n| Tarihli kanıt | Gözlem veya iddia | Sınıflandırma | Henüz kanıtlanmayan |\n|---|---|---|---|\n| 29 Temmuz: SK hynix | HBM4'ün seri sevkiyatı ikinci çeyrekte başladı | Şirketin bildirdiği operasyonel gelişme | Her alıcıya ayrılan, kalifikasyonu tamamlanmış miktar [açıklama](https://news.skhynix.com/en/q2-2026-business-results/) |\n| 30 Eylül: Micron | 2026 mali yılında 27,367 milyar USD net sermaye harcaması | Açıklanmış GAAP dışı ölçüt | Yeni kapasitenin üretimi ve verimi [sonuçlar ve mutabakat](https://investors.micron.com/news/press-release/2026/Micron-Technology-Inc--Reports-Record-Fiscal-Fourth-Quarter-and-Full-Year-2026-Results/default.aspx) |\n| 17 Eylül: MLCommons | Inference v6.1'e uçtan uca RAG ve Agentic Edge testleri eklendi | Karşılaştırmalı test yayını | İşletmecinin gerçek iş yükü ekonomisi [çalışma grubu analizi](https://mlcommons.org/2026/09/chairs-mlperf-inference-v6-1/) |\n| 12 Ekim: AMD | Helion taslağı, yapılandırılabilir hesaplama ve model yönlendirmesini birleştiriyor | Ürün duyurusu | Kurulu filo büyüklüğü ve gerçekleşen verimlilik [duyuru](https://ir.amd.com/news-events/press-releases/detail/1301/introducing-amd-helion-agentic-ai-compute-at-rack-scale) |\n| 19 Ekim: Meta | Prometheus'un ilk aşaması tamamlandı ve eğitimde kullanıldı | İşletmecinin bildirdiği kurulum | Sektörün genel kullanım oranı [mühendislik yazısı](https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/) |\n| 21 Ekim: Meta | Finansal kiralama anaparası dâhil 2026 sermaye harcaması beklentisi 135–145 milyar USD'ye daraltıldı | Yönetim öngörüsü | Harcamanın gerçekleşen getirisi [sonuçlar](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Third-Quarter-2026-Results/default.aspx) |\n\nTablo bilerek farklı kanıt türlerini yan yana getiriyor: finansal sonuçlar, çalışan sistemler, araştırma ve duyurular farklı soruları yanıtlar. Bunları birbirinin yerine kullanmak, wafer siparişi ile kârlı hizmet arasındaki bütün aşamaların tamamlandığı yönünde yanlış bir izlenim yaratır.\n\n### 2. Talep tamamlanan işlerle ölçülmeli\n\nToken, ekonomik çıktının sabit birimi değil, mühendislikte kullanılan bir hesap birimidir. Farklı tokenizasyon yöntemleri aynı içeriği farklı biçimde böler. Uzun bir yanıt ek değer de ek israf da içerebilir. Bir ajan; araçları beklerken, başarısız işlemleri yinelerken veya kendi sonucunu değerlendirirken modele tekrar tekrar çağrı yapabilir. Token başına gelir de indirimlere, önbellek kullanımına ve girdi ile çıktı trafiğinin bileşimine bağlıdır.\n\nİşe yarar bir talep modeli; gelen iş sayısını, iş başına model çağrısını, girdi ve çıktı uzunluklarını, başarıyla tamamlanma olasılığını ayırır. Sabit bir iş kümesinde daha fazla akıl yürütme, insan incelemesini azaltırken hesaplamayı artırabilir. Daha küçük bir model de başarı oranını düşürmeden hesaplamanın büyük bölümünü ortadan kaldırabilir. İki olasılık da alıcının gerçek iş dağılımında sınanmalıdır.\n\nKabul edilen işi; dışarıdan değerlendirilen doğruluk, gecikme sınırı ve açık bir üst modele veya insana aktarma politikasıyla tanımlayın. Tekrarlar boyunca harcanan toplam hızlandırıcı süresini, CPU süresini ve enerjiyi kaydedin. Tedarikçi token üretimini artırırken müşterinin başarılı iş başına maliyeti değişmeyebilir. Tersine, yönlendirme gereksiz üretimi önlediği için token miktarı düşerken iş ekonomisi iyileşebilir. Kullanım büyümesi ile üretkenlik büyümesi bu nedenle ayrı raporlanmalıdır.\n\n### 3. Çip performansı kısıtlar içindeki bir akıştır\n\nRoofline modeli, ulaşılabilir aritmetik performansı işlem kapasitesi, bellek bant genişliği ve aritmetik yoğunlukla ilişkilendirir. Birimler üzerinden söylersek saniyedeki işlem sayısı; tepe işlem/s kapasitesi ile bayt/s çarpı işlem/bayt değerinden küçük olanı aşamaz. Bu, darboğazları anlamaya yarayan bir üst sınırdır; uygulama üretim hızının garantisi değildir. [Williams, Waterman ve Patterson, Berkeley teknik raporu, 2008](https://www2.eecs.berkeley.edu/Pubs/TechRpts/2008/EECS-2008-134.html).\n\nYapay zekâ satın alımında aynı mantığı sistemin tamamına genişletmek gerekir. İstem işleme, token üretimi, uzman yönlendirmesi ve haberleşme farklı kaynaklar ister. Hızlı bir aritmetik motoru eksik bellek kapasitesini telafi edemez. Tıkanmayan ağ, sıralı bir bağımlılığı ortadan kaldırmaz. Uyumlu aygıt yazılımı, ağ kalifikasyonu veya devreye alma bekleyen satın alınmış hızlandırıcılar teslim edilmiş işe katkıda bulunmaz.\n\n| Kısıt | İlgili birim | Ekonomik sonuç | Gerekli doğrulama |\n|---|---|---|---|\n| Matris hesaplaması | Belirtilen hassasiyette işlem/s | Çalışmanın üst sınırlarından birini belirler | Aynı model, hassasiyet ve doğruluk |\n| Bellek kapasitesi | Ağırlıklara ve duruma ayrılabilen bayt | Modelin bellekte tutulmasını ve eşzamanlılığı sınırlar | Çalışma zamanı ek yükünden sonraki kapasite |\n| Bellek hareketi | Sürdürülen bayt/s | Üretim hızını belirleyebilir | Tepe bağlantı değeri yerine uygulama izleri |\n| Sistem içi ve sistemler arası ağ | Bayt/s ve gecikme | Eşzamanlamayı ve boşta beklemeyi değiştirir | Gerçekçi çekişme altında toplu iletişim |\n| Güvenilirlik | Ayrılan sürede tamamlanan iş | Kurulu donanımın işe yarar çıktısını belirler | Yeniden başlatma, kontrol noktası ve yedek politikası |\n| Ticari talep | Kabul edilen iş/saat | Teknik kapasitenin gelir getirip getirmediğini belirler | Ücretli kullanım ve müşteri yenilemeleri |\n\nBu kısıtlar etkileşir. Grup büyüklüğünü artırmak ağırlıkları daha etkili kullandırabilir, ancak yanıt süresini kötüleştirebilir. Modeli daha fazla aygıta dağıtmak kapasite sorununu çözerken haberleşme yükü ekleyebilir. Ekonomik açıdan tercih edilen yapılandırma; kalite, gecikme ve maliyet sınırında bulunur. En yüksek ilan edilmiş üretim hızı bu sınırın dışında kalabilir.\n\n### 4. HBM kıtlığı ile model sıkıştırma aynı anda etkili olabilir\n\nHBM kapasitesi ile bant genişliği ayrı kısıtlardır. Modelin durumunu sıkıştırmak daha fazla eşzamanlı isteğe yer açabilir; ancak ağırlıkları okumanın veya yönlendirilmiş tokenları aktarmanın maliyetini kendiliğinden yok etmez. Daha büyük gruplar, kazanılan belleği ek üretime dönüştürebilir. Daha uzun bağlamlar da aynı kazancı tüketebilir.\n\nDeepSeek-AI'nin 17 Eylül tarihli V4.1-Flash ön baskısı, HBM'de tutulan küresel KV önbelleğini token başına 890 bayt, yaklaşık V4-Flash'ın dörtte biri olarak bildiriyor; HBM dışında tutulan kalıcı durumu da ayırıyor. Bu, belirli bir modele ilişkin araştırma iddiasıdır. Filonun elektrik tasarrufu için bağımsız kanıt oluşturmaz. [DeepSeek-AI, V4.1-Flash teknik raporu, v1](https://arxiv.org/abs/2609.19969v1).\n\nEkonomik sonuç, belirli iş yüklerinde belleğin kıtlığından doğan rantın değişmesidir. Mevcut talep daha az aygıta sığıyorsa alıcı satın almayı erteleyebilir. Talep daha önce bağlam uzunluğu veya eşzamanlılıkla sınırlıysa aynı iyileştirme yeni hizmetleri uygulanabilir kılabilir. Dolayısıyla hızlı sıkıştırma döneminde de bellek talebi güçlü kalabilir. Özellikle yeni uygulamalar iş başına daha fazla durum kullandığında veya daha fazla iş karşılanabilir hâle geldiğinde bu olasılık artar.\n\nSatın alma kararında hangi bellek katmanından tasarruf edildiğini, sıkıştırılmış durumu yeniden oluşturmanın ek hesaplama isteyip istemediğini ve dış belleğe aktarmanın baskıyı ana belleğe, depolamaya veya ağa kaydırıp kaydırmadığını sorun. İstek başına HBM baytının azalması yararlıdır; değeri, sırada hangi kaynağın sınıra dayandığına bağlıdır.\n\n### 5. Sunum yazılımı paydayı değiştirir\n\nPagedAttention'ın temel katkısı, büyüyüp küçülen KV önbelleklerini daha az parçalanma ve gereksiz kopyayla yönetmekti. Bu, GPU'nun nominal aritmetik kapasitesini değiştirmekten ziyade sistem kaynaklarının tahsisini iyileştirir. [Kwon ve çalışma arkadaşları, PagedAttention/vLLM makalesi, 2023](https://arxiv.org/abs/2309.06180).\n\nGoogle, Mayıs 2026'da UCSD'nin TPU'larda geliştirdiği difüzyon temelli spekülatif çözümlemeyi anlattı ve belirtilen karşılaştırmada saniyedeki token sayısının ortalama 3,13 katına çıktığını bildirdi. Bu, ölçülmüş bir iş yükü sonucudur; bütün sistemlere uygulanabilecek enerji çarpanı değildir. [Google Developers, DFlash uygulaması ve test açıklaması](https://developers.googleblog.com/en/supercharging-llm-inference-on-google-tpus-achieving-3x-speedups-with-diffusion-style-speculative-decoding/).\n\nSpekülasyon, pahalı hedef model adımlarını azaltmak için taslak üretme işi ekler. Kazancı; kabul oranına, model uyumuna ve gruplamaya bağlıdır. Nicemleme veri hacmini azaltır; ancak işin gerektirdiği kaliteyi korumalıdır. Yönlendirme büyük model çağrılarını önler, fakat üst modele aktarmayı gerektiren hatalar yapabilir. İstem işleme ile üretimi ayırmak kaynak eşleşmesini iyileştirirken durum aktarımı maliyeti yaratabilir.\n\nAyrı deneylerde yayımlanmış hızlanmaları çarpmayın. İki iyileştirme aynı darboğazı kaldırıyor, bellek için rekabet ediyor veya farklı grup büyüklüğünde üstünlüğünü kaybediyor olabilir. Birlikte çalışan sistemi, uç gecikmeler ve hata sonrası toparlanma dâhil hedef trafik bileşiminde yeniden ölçün. İlgili karşılaştırma, geçmişteki iyileştirilmemiş sistem değil, alıcının erişebildiği en iyi uygulanabilir alternatiftir.\n\nDeğişmeyen bir iş yükünün aritmetiği açıklayıcıdır. Uçtan uca sürenin yarısını alan bileşen on kat hızlanır ve kalan süre değişmezse toplam hızlanma on kat değil, `1 / [0.5 + 0.5/10] = 1.818` olur. Genel olarak değişmeyen süre payı `a`, iyileştirilen bileşenin hızlanması `s` ise sınır `1 / [a + (1−a)/s]` olur. Araç çalıştırma ve haberleşme, değişmeyen payı oluşturabilir. Bu model örtüşen çalışma veya ek iş olmadığını varsayar; amacı belirli bir sistemi tahmin etmek değil, paydayı görünür kılmaktır.\n\n### 6. Kullanım oranının birbiriyle uyuşmayan anlamları var\n\nAygıt meşguliyeti, tahsis, planlanmış süre, eğitimde yararlı iş verimi ve gelir üreten kullanım farklı kavramlardır. GPU tahsis edilmişken veri bekleyebilir. Tamamlanan bir çekirdek işlemi, daha sonra yeniden başlayan bir işe ait olabilir. Başarılı istek, ücretsiz tanıtım kredisi tüketmiş olabilir.\n\nMeta'nın ekim yazısı, ön eğitim için %85'in ve pekiştirmeli öğrenme için %90'ın üzerinde yararlı iş verimi bildiriyor. Ayrıca 32.768 etkin GPU'luk çalışma için 37.656 GPU ayrıldığını anlatıyor. Hesaplandığında etkin sayıya göre %14,9 ek envanter, toplam envantere göre %13,0 yedek payı bulunur: paydalar farklıdır. İkisi de sektörün kullanım oranını göstermez. [Meta, Prometheus mühendislik yazısı](https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/).\n\nYedek tutmak ekonomik açıdan akılcı olabilir. Etkin aygıt başına kurulu sermayeyi artırırken iş kesintisinin beklenen maliyetini azaltır. Daha büyük hata alanları, güvenilirlik mühendisliğini değerli kılar. Yedek envanter, yüzeysel bir kullanım oranını düşürürken yararlı çıktıyı artırabilir. Karşılaştırma, aynı dönem boyunca sahip olunan bütün donanımı ve arızalarda kaybedilen işi içermelidir. Paydaları ve örtüşmeleri bilinmiyorsa yayımlanmış yararlı iş verimini yedek oranıyla çarpmayın.\n\n### 7. Joule başına tokendan teslim edilen çıktının maliyetine\n\nMLCommons, doğrulanmış güç ölçümünün test sisteminin tamamında prizden çekilen ortalama AC gücü kapsadığını belirtir. TDP veya güç kaynağı etiketi böyle bir ölçüm değildir. Sonuç sınıfları da satışa veya kiralamaya açık sistemleri ön gösterim ve araştırma yapılandırmalarından ayırır. [MLPerf Inference Datacenter yöntemi](https://mlcommons.org/benchmarks/inference-datacenter/).\n\nNVIDIA'nın temmuz tarihli mimari yazısı, kurum içi iki trilyon parametreli bir uzman karışımı iş yükünde enerji başına ajan işleme hızını on kata kadar artıran karşılaştırma sunuyor. Bu, üreticinin karşılaştırma sınırını tanımlar; her müşterinin faturasının on kat azalacağını göstermez. [NVIDIA, Rubin mimarisi yazısı](https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/).\n\nTesis enerjisi, bilişim tüketimine soğutma ve elektrik kayıplarını ekler. Teslim edilen çıktının maliyeti; sermayenin geri kazanımını, bakımı, işletmeyi ve hazır tutulan kapasitenin maliyetini de içerir. Karbon ise elektriğin tedarik zamanına ve yerine bağlıdır. Satın alma anlaşması veya yıllık sertifika, belirli bir çıkarımla ilişkili marjinal emisyonu tek başına ölçmez. Bu büyüklükler ayrı sütunlarda tutulmalıdır.\n\nAçıkça varsayımsal bir hesaplama bloğunda kullanım oranı `u`, işe yarar çıktının korunma oranı `g`, meşgulken üretim hızı `R` token/s, boşta ve meşgul ortalama bilişim gücü `P0` ve `P1` kW, ek yük çarpanı `h` olsun. Varsayılan bir yılda 8.760 saat ve 31.536.000 saniye kullanıldığında:\n\n`T = R × u × g × 31,536,000` token/yıl\n\n`E = h × [P0 + u(P1 − P0)] × 8,760` kWh/yıl\n\n`C_milyon = 1,000,000 × [K/L + F + pE] / T` USD/milyon korunmuş token.\n\nBurada `K` USD cinsinden kurulu sermaye, `L` yıl cinsinden eşit yıllık geri kazanım süresi, `F` yıllık sabit işletme gideri, `p` USD/kWh fiyatıdır. Basitleştirilmiş muhasebe modeli finansmanı, vergiyi ve kalıntı değeri dışarıda bırakır. Bütün boşta tüketimi bloğa yükler. `g`, harcanmış enerjiyi azaltmadan yararlı çıktı kaybını hesaba katar. Formüllerde hesaplamayı yeniden üretmek için İngilizce sayı yazımı korunmuştur.\n\n### 8. Yeniden üretilebilir senaryo: kullanım oranı tarifeden daha etkili olabilir\n\nAşağıdaki girdilerin tamamı varsayımdır; donanım teklifi veya gözlenmiş test sonucu değildir: `K=4,000,000 USD`, `L=4`, `F=150,000 USD/yıl`, `R=100,000 token/s`, `g=0.90`, `P0=20 kW`, `P1=100 kW`, `h=1.20`, `p=0.08 USD/kWh`. Amaç duyarlılık analizidir. Belirli bir üreticinin ürününü temsil etmezler.\n\n| Kullanım oranı | Yıllık tesis enerjisi, MWh | Yılda korunmuş token, trilyon | Sabit geri kazanım ve işletme, USD/milyon | Elektrik, USD/milyon | Toplam, USD/milyon |\n|---|---:|---:|---:|---:|---:|\n| %25 | 420,480 | 0,70956 | 1,621 | 0,047 | 1,668 |\n| %50 | 630,720 | 1,41912 | 0,810 | 0,036 | 0,846 |\n| %75 | 840,960 | 2,12868 | 0,540 | 0,032 | 0,572 |\n| %100 | 1.051,200 | 2,83824 | 0,405 | 0,030 | 0,435 |\n\n%50'de ek yük öncesi ortalama güç 60 kW olur. Yıllık enerji `60 × 1.2 × 8,760 = 630,720 kWh`; korunan çıktı `100,000 × 0.5 × 0.9 × 31,536,000 = 1,419,120,000,000` tokendır. Yıllık sermaye geri kazanımı ile sabit işletme 1,15 milyon USD, elektrik 50.457,60 USD tutar. Bölme işlemi milyon token başına 0,845917 USD sonucunu yeniden verir.\n\n![Yalnızca senaryo: kullanım oranına göre milyon korunmuş token başına sabit geri kazanım, işletme ve elektrik maliyeti. Varsayımlar: 4 milyon USD sermaye, dört yıl geri kazanım, yılda 150 bin USD sabit işletme, meşgulken 100.000 token/s, %90 korunum, boşta/meşgul 20/100 kW bilişim gücü, 1,20 ek yük, 0,08 USD/kWh elektrik. Gözlenmiş piyasa fiyatı veya test sonucu değildir. Kaynak: Voltformer hesaplamaları.](/content/media/ea40cd7d78797e2813442698e9cb7572e59848d91d0cf38ccb79cb77d0cf94a2.png)\n\n[Grafiği tam çözünürlükte aç](/content/media/ea40cd7d78797e2813442698e9cb7572e59848d91d0cf38ccb79cb77d0cf94a2.png)\n\nŞekil 2. Sabit maliyet ile elektrik maliyeti ayrılarak hesaplanmış varsayımsal kullanım duyarlılığı. Gözlenmiş piyasa fiyatı veya önerilen çalışma noktası değil, senaryo eğrisidir.\n\n%50 kullanımda tarifenin ikiye çıkması milyon token başına yaklaşık 0,03556 USD ekler. Orijinal tarifede kullanımın %25'e düşmesi ise yaklaşık 0,82221 USD ekler. Blok daha fazla iş yaptıkça enerji yine yükselir. Düşük birim maliyet ile yüksek toplam tüketim çelişmeden birlikte görülür. Farklı sermaye fiyatı, iş yükü veya ekonomik ömür, bileşenlerin göreli önemini tersine çevirebilir.\n\n### 9. Sermaye taahhütleri bir darboğazdan uzun yaşayabilir\n\nNVIDIA'nın temmuz çeyreği 10-Q raporu, önceki çeyrekteki 119 milyar USD'ye karşılık 279 milyar USD tedarik ve kapasite taahhüdü kaydediyor. Aşağıdaki vade dağılımı Not 10'dan alınmıştır. Bazı anlaşmalar, koşulları ve olası maliyetleri çerçevesinde değiştirilebilir, ertelenebilir veya iptal edilebilir. Bu, teslim edilmiş kapasite takvimi değil, finansal yükümlülüktür. [NVIDIA, 2027 mali yılı ikinci çeyrek 10-Q, Not 10](https://investor.nvidia.com/files/doc_financials/2027/NVDA-2027-Q2-10Q-Final-including-exhibits.pdf).\n\n![26 Temmuz 2026 itibarıyla bildirilen tedarik ve kapasite taahhütleri, milyar USD. Dönemler şirketin mali yıllarıdır. Yuvarlanmış tutarlar 279 eder. Taahhütler teslim edilmiş kapasite değildir. Kaynak: NVIDIA 2027 mali yılı ikinci çeyrek 10-Q, Not 10.](/content/media/c2cdb292b2c4b949e89ccea941b2fb3ee77461136d4b7490d2fc28e05f861e2f.png)\n\n[Grafiği tam çözünürlükte aç](/content/media/c2cdb292b2c4b949e89ccea941b2fb3ee77461136d4b7490d2fc28e05f861e2f.png)\n\nŞekil 1. 26 Temmuz 2026'da bildirilen tedarik ve kapasite taahhütleri, milyar USD: 2027 mali yılı kalanı 92; 2028 mali yılı 87; 2029 mali yılı 88; 2030 mali yılı 6; 2031 mali yılı 5; 2032 mali yılı ve sonrası 1. Açıklanan yuvarlanmış değerler 279 eder. Dönemler takvim yılı değil, şirketin mali yıllarıdır.\n\nKapasite gecikmelerle genişler. Alıcılar kıtlığa bileşen rezervasyonuyla, tedarikçiler de donanım ve tesise bağlanarak karşılık verir. Yazılım daha sonra iş başına kaynağı azaltırsa sözleşmeli arz ilk kıtlık hafifledikten sonra gelebilir. Tersine, birkaç talep kaynağı birlikte büyürken yetersiz yatırım kıtlığı uzatabilir. Döngü, uzun dönemli talep kadar zamanlama ve sözleşme esnekliğine de bağlıdır.\n\nMicrosoft'un temmuz görüşmesi ayrı bir muhasebe sorununu gösteriyor: veri merkezleri ve ofis binalarının yararlı ömrünü 15'ten 25 yıla çıkarma kararı, gelecekteki bazı kiralamaları finansal ve faaliyet kiralaması sınıfları arasında kaydırıyor. Yönetim, bu etki dışında temel yatırım beklentisinin değişmediğini söylerken 2026 takvim yılı raporlanmış sermaye harcaması beklentisini yaklaşık 175 milyar USD'ye ayarladı. Binalar ile GPU'lar ayrı değerlendirilmelidir. [Microsoft, 2026 mali yılı dördüncü çeyrek görüşme dökümü](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4).\n\nDaha uzun amortisman takvimi raporlanan giderin zamanlamasını değiştirir; eskimiş donanımın fiziksel çıktısını iyileştiremez. Yatırım değerlendirmesi; yeniden satış, başka işte kullanım ve geçiş maliyetleri dâhil ekonomik ömür boyunca geri kazanılabilir nakdi sınamalıdır. Tedarikçi yatırımı, müşteri sermaye harcaması ve finansman taahhütleri de gelişigüzel toplanmamalıdır. Örtüşen işlemler aynı donanımı birden fazla kez anlatabilir.\n\nBasitleştirilmiş senaryo, şeffaflık için eşit yıllık geri kazanım kullanır. Finansman modeli ise nakit akışlarını iskonto etmeli, dönem sonu değeri sınamalıdır. Eşit yıllık sermaye geri kazanımında; sıfır kalıntı değer, yıllık iskonto oranı `r` ve ömür `L` için yıllık tutar `K × r / [1−(1+r)^(−L)]` olur. Sıfır iskonto oranındaki limit `K/L`'dir. Daha hızlı eskime, elektrik tarifesi sabitken bile gereken yıllık tutarı artırır. Donanım siparişini ertelemek bilgi edinme alanı açabilir ve teknoloji seçiminden doğacak kaybı önleyebilir; ancak müşteriler kıt kapasiteye ödeme yapacaksa bu seçeneğin de maliyeti vardır.\n\n### 10. Geri tepme, deneysel olarak yanıtlanacak bir sorudur\n\n`f`, kalitesi sabit bir iş için gerçek enerji verimliliği artış katsayısı olsun. İş fiyatı aynı oranda düşer ve iş talebinin esnekliği `ε` olursa basitleştirilmiş ilişki `Q_yeni/Q_eski = f^ε`, buradan `E_yeni/E_eski = f^(ε−1)` olur. Bu, fiyatın maliyetteki düşüşü tam yansıttığını, iş tanımının değişmediğini ve bağlayıcı arz kısıtı olmadığını varsayar.\n\nDört kat iyileşmede 0,5 esneklik enerjiyi yarıya indirir; 1 esneklik değiştirmez; 1,5 esneklik ikiye katlar. Bunlar tahmin edilmiş esneklikler değil, cebirsel durumlardır. Sermaye veya kıtlık rantı baskınsa maliyet düşüşü fiyata kısmen geçebilir. Talep yalnızca fiyata değil, kalite ve kullanım kolaylığına da tepki verebilir. İş başına ek akıl yürütme, işin kendisini değiştirir ve ayrı bir terim gerektirir.\n\nGeri tepme savının en güçlü yanı, yararlı yeni uygulamaların karşılanabilir hâle gelmesidir. İkame savının en güçlü yanı ise yönlendirme, küçük modeller ve iş doygunluğunun aynı değeri daha az pahalı kaynakla sağlayabilmesidir. Farklı müşterilerde ikisi birlikte görülebilir. Tek bir toplam büyüme oranını evrensel davranış yasası saymak yerine, iş düzeyinde tüketim ve müşteri grubu ekonomisi üzerinden ayırt edilmelidirler.\n\n### 11. Üç koşullu yol ve onları zayıflatacak kanıtlar\n\n| Koşullu yol | Gereken koşullar | Gözlenebilir sonuç | Yolu zayıflatan kanıt |\n|---|---|---|---|\n| Kapasite verimlilik artışını kullanır | Yeni ücretli işler ve daha zor işler, kaynak tasarrufundan hızlı büyür | Gelir getiren çıktı ve güç birlikte yükselir | Yeterli arza rağmen zayıf yenilemeler, boşta envanter ve indirim |\n| Verimlilik donanımın yerini alır | Sabit iş talebi; yönlendirme ve sıkıştırma kaliteyi korur | Kabul edilen iş başına hızlandırıcı-saat azalır, alım ertelenir | Gerçek trafikte tasarrufun kaybolması veya insan incelemesinin artması |\n| Arz gelir yaratmadan önce gelir | Uzun taahhütler; başarılı devreye alma; bekleneni karşılamayan müşteri talebi | Erişilebilirlik artarken gerçekleşen getiri kötüleşir | Yüksek ücretli kullanımla birlikte kalifikasyonu tamamlanmış ürünlerde süren kıtlık |\n\nBu yollara olasılık veya hedef tarih atanmamıştır. Değerleri, kararları yanlışlanabilir kılmalarıdır. Toplam talep büyürken belirli bir mimari, sağlayıcı veya bölgede kapasite fazlası oluşabilir. Tedarik zinciri riski bu nedenle bileşen ve müşteri düzeyinde, iptal hakları ile ekonomik ömür için açık varsayımlarla sınanmalıdır.\n\n### 12. İşletmeciler ve yatırımcılar bundan sonra neyi ölçmeli?\n\nİşletmeci; kabul edilen iş, kalite ve uç gecikmeye göre satın almalı; ardından sonuçları ölçülmüş bilişim ve tesis enerjisiyle uzlaştırmalıdır. Nesiller karşılaştırılırken iş yükü tanımı korunmalıdır. Ücretli kullanım teknik meşguliyetten, envanter etkin tahsisten ayrı izlenmelidir. Yaşam döngüsü maliyetine yedek donanım, boşta tüketim ve geçiş mühendisliği eklenmelidir.\n\nYatırımcı, brüt kârın ve nakit tahsilatının kurulu sermayeye yetişip yetişmediğini sınamalıdır. Tedarikçi geliriyle birlikte bileşen kalifikasyonu, paketleme verimi, teslim süresi, kredi desteği ve müşteri yoğunlaşması izlenmelidir. Taahhüt ile gerçek kurulum, kurulu kapasite ile faturalandırılan kullanım arasındaki açığın büyümesine dikkat edilmelidir. Fiyat düşüşü tek başına açık anlam taşımaz: başarılı verimliliği de sermayeyi geri kazanamama sorununu da gösterebilir.\n\nSenaryomuzun temel sınırı, bilerek sade tutulmasıdır. Tek iş yükü, doğrusal güç davranışı, sabit ek yük vardır; kuyruk cezası ve finansman yoktur. Kamuya açık açıklamalar, filo kullanımının, gerçekleşen hızlandırıcı alım fiyatının veya başarılı iş ekonomisinin temsil edici ve bağımsız denetlenmiş dağılımını vermiyor. Bu eksikler, güvenilir evrensel token maliyeti tahminini engeller. Geniş ölçüde karşılaştırılabilir üretim ölçümleri, birim ekonominin kullanım oranından ve destekleyici sistem kısıtlarından etkilenmediğini gösterirse tezimiz zayıflar. O zamana kadar savunulabilir analiz birimi, her payda ve ölçüm sınırı görünür tutularak varlığın ömrü boyunca yaptığı işe yarar iştir.\n\n### Birincil kaynakça ve ölçüm notları\n\nBütün kaynaklara 22 Ekim 2026'da erişildi. Hiçbiri bu tarihten sonraki olaylara kanıt sayılmadı. Şirketlerin operasyon ve finans açıklamaları kendi raporlama sınırlarıyla kullanıldı; model makalesi ön baskıdır. İki şekil, bir raporlanmış sözleşme veri kümesi ile bağımsız olarak yeniden üretilebilir bir senaryoyu içerir; sınıfları birleştirilmemiştir.\n\n1. [TSMC, *Third Quarter 2026 Results*, 15 Ekim 2026](https://pr.tsmc.com/english/news/3346) — 30 Eylül'de biten çeyrek; gelir ve wafer teknolojisi bileşimi.\n2. [NVIDIA, *Q2 Fiscal 2027 Results*, 26 Ağustos 2026](https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2027) — 26 Temmuz'da biten çeyrek; bölüm geliri.\n3. [NVIDIA, *Q2 Fiscal 2027 Form 10-Q*, imza tarihi 26 Ağustos 2026](https://investor.nvidia.com/files/doc_financials/2027/NVDA-2027-Q2-10Q-Final-including-exhibits.pdf) — Not 10, PDF sayfa 18; sevkiyat tahmini değil, taahhüt.\n4. [SK hynix, *2Q26 Financial Results*, 29 Temmuz 2026](https://news.skhynix.com/en/q2-2026-business-results/) — şirketin HBM4 sevkiyat zamanlaması; ön finansal açıklama.\n5. [Micron, *Fiscal Q4 and FY2026 Results*, 30 Eylül 2026](https://investors.micron.com/news/press-release/2026/Micron-Technology-Inc--Reports-Record-Fiscal-Fourth-Quarter-and-Full-Year-2026-Results/default.aspx) — 3 Eylül'de biten yıl; net sermaye harcaması mutabakatı.\n6. [MLCommons, *Inference v6.1 Working-Group Analysis*, 17 Eylül 2026](https://mlcommons.org/2026/09/chairs-mlperf-inference-v6-1/) — test tanımları ve yeni iş yükü kapsamı.\n7. [MLCommons, *Inference Datacenter Methodology*, güncel dokümantasyon](https://mlcommons.org/benchmarks/inference-datacenter/) — erişim anındaki güç sınırları ve bulunabilirlik sınıfları.\n8. [AMD, *Introducing AMD Helion*, 12 Ekim 2026](https://ir.amd.com/news-events/press-releases/detail/1301/introducing-amd-helion-agentic-ai-compute-at-rack-scale) — filo ölçümü değil, mimari duyurusu.\n9. [Meta Engineering, *Inside Prometheus*, 19 Ekim 2026](https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/) — eğitim, güvenilirlik ve tahsis hakkında işletmeci anlatımı.\n10. [DeepSeek-AI, *DeepSeek-V4.1-Flash*, v1, 17 Eylül 2026](https://arxiv.org/abs/2609.19969v1) — belirli modele ilişkin önbellek iddiaları; ön baskı.\n11. [Google Developers, *Diffusion-Style Speculative Decoding on TPUs*, 4 Mayıs 2026](https://developers.googleblog.com/en/supercharging-llm-inference-on-google-tpus-achieving-3x-speedups-with-diffusion-style-speculative-decoding/) — UCSD uygulaması ve belirtilen hız karşılaştırması.\n12. [NVIDIA, *Inside Rubin GPU Architecture*, 21 Temmuz 2026](https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/) — üreticinin performans karşılaştırması ve iş yükü sınırı.\n13. [Microsoft, *FY2026 Q4 Earnings Call*, 29 Temmuz 2026](https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4) — yararlı ömürler, kiralama sınıfları ve harcama beklentisi.\n14. [Kwon ve diğerleri, *Efficient Memory Management for Large Language Model Serving with PagedAttention*, 12 Eylül 2023](https://arxiv.org/abs/2309.06180) — özgün model sunum sistemi araştırması.\n15. [Williams, Waterman ve Patterson, *Roofline*, UCB/EECS-2008-134, 17 Ekim 2008](https://www2.eecs.berkeley.edu/Pubs/TechRpts/2008/EECS-2008-134.html) — temel performans modeli; güncel donanım verisi değil, tarihsel araştırma.\n16. [Meta, *Third-Quarter 2026 Results*, 21 Ekim 2026](https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Third-Quarter-2026-Results/default.aspx) — sermaye harcaması beklentisi ileriye dönüktür; gerçekleşmiş kurulum değildir.",
  "contentLanguage": "tr",
  "sources": [
    {
      "name": "TSMC Reports Third Quarter EPS of NT$29.43",
      "url": "https://pr.tsmc.com/english/news/3346"
    },
    {
      "name": "NVIDIA Announces Financial Results for Second Quarter Fiscal 2027",
      "url": "https://nvidianews.nvidia.com/news/nvidia-announces-financial-results-for-second-quarter-fiscal-2027"
    },
    {
      "name": "NVIDIA Form 10-Q for quarter ended July 26, 2026",
      "url": "https://investor.nvidia.com/files/doc_financials/2027/NVDA-2027-Q2-10Q-Final-including-exhibits.pdf"
    },
    {
      "name": "SK hynix Announces 2Q26 Financial Results",
      "url": "https://news.skhynix.com/en/q2-2026-business-results/"
    },
    {
      "name": "Micron Reports Record Fiscal Fourth-Quarter and Full-Year 2026 Results",
      "url": "https://investors.micron.com/news/press-release/2026/Micron-Technology-Inc--Reports-Record-Fiscal-Fourth-Quarter-and-Full-Year-2026-Results/default.aspx"
    },
    {
      "name": "Where the Industry Is Investing: A Look at MLPerf Inference v6.1",
      "url": "https://mlcommons.org/2026/09/chairs-mlperf-inference-v6-1/"
    },
    {
      "name": "MLPerf Inference Datacenter: methodology and result categories",
      "url": "https://mlcommons.org/benchmarks/inference-datacenter/"
    },
    {
      "name": "Introducing AMD Helion, Agentic AI Compute at Rack Scale",
      "url": "https://ir.amd.com/news-events/press-releases/detail/1301/introducing-amd-helion-agentic-ai-compute-at-rack-scale"
    },
    {
      "name": "Inside Prometheus: Meta’s Journey to a Gigawatt-Scale Supercluster",
      "url": "https://engineering.fb.com/2026/10/19/data-center-engineering/inside-prometheus-meta-gigawatt-scale-supercluster/"
    },
    {
      "name": "DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression",
      "url": "https://arxiv.org/abs/2609.19969v1"
    },
    {
      "name": "Supercharging LLM inference on Google TPUs: diffusion-style speculative decoding",
      "url": "https://developers.googleblog.com/en/supercharging-llm-inference-on-google-tpus-achieving-3x-speedups-with-diffusion-style-speculative-decoding/"
    },
    {
      "name": "Inside NVIDIA Rubin GPU Architecture: Powering the Era of Agentic AI",
      "url": "https://developer.nvidia.com/blog/inside-nvidia-rubin-gpu-architecture-powering-the-era-of-agentic-ai/"
    },
    {
      "name": "Microsoft Fiscal Year 2026 Fourth Quarter Earnings Conference Call",
      "url": "https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4"
    },
    {
      "name": "Efficient Memory Management for Large Language Model Serving with PagedAttention",
      "url": "https://arxiv.org/abs/2309.06180"
    },
    {
      "name": "Roofline: An Insightful Visual Performance Model for Floating-Point Programs and Multicore Architectures",
      "url": "https://www2.eecs.berkeley.edu/Pubs/TechRpts/2008/EECS-2008-134.html"
    },
    {
      "name": "Meta Reports Third Quarter 2026 Results",
      "url": "https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Third-Quarter-2026-Results/default.aspx"
    }
  ]
}