DeepSeek V4'ün piyasaya sürülmesi, geçen yılki çılgınlığı tekrarlamadı. Aslında, altı ay önce piyasaya sürülen Claude Sonnet 4.5 ile karşılaştırıldığında, yetenekleri kabaca aynı seviyede, ancak aradaki fark altı aydan çok daha büyük çünkü Sonnet 4.5, yarım yıl önce yalnızca ikinci sınıf olarak kabul ediliyordu. Ancak sosyal medya makalelerinde, Çinli büyük modellerin giderek daha güzel kıyaslama verileri ürettiğini, "sadece altı ay geride" veya "temelde yakaladı" iddialarının her yerde duyulduğunu görüyoruz.
Çin ve ABD arasındaki yapay zeka farkının gerçek durumu nedir?
22 Nisan'da, "Into Asia" podcast'inde, Pekin Üniversitesi'nde yapay zeka yardımcı doçenti olan Zhang Chi, gördüğü gerçeği anlattı. Zhang Chi şu anda Pekin Üniversitesi'nde yardımcı doçent ve yakın zamanda ByteDance'in çekirdek büyük model ekibinden (Seed LLM) ayrıldı.
Büyük bir teknoloji şirketinin ön saflarında gerçekten çalışmış bir Ar-Ge uzmanı olarak, mevcut yerli yapay zeka hakkındaki yargısı oldukça sert:
"Çin modellerinin yetiştiği görüşüne katılmıyorum. Hâlâ çok geride olduğumuza ve bu farkın açılabileceğine inanıyorum."
▸ Sahte Refah: Herkes "Sınava Hazırlanıyor", Ama Gerçek Savaş Eksik
Dışarıya bakıldığında, çeşitli teknoloji devlerinin modelleri çeşitli kıyaslamalarda kıyasıya bir savaş veriyor ve puanlar defalarca yeni zirvelere ulaşıyor. Ancak dahili olarak, bu sadece büyük modeller için devasa bir "sınav odaklı eğitim".
Zhang Chi röportajda, ByteDance içinde (ve diğer büyük teknoloji firmalarının da benzer olduğundan şüpheleniyor) çalışma ortamının aslında nispeten "rahat" olduğunu (iki saatlik öğle arası ve günde yaklaşık 9 fiili çalışma saati) ancak herkesin örtük bir KPI baskısıyla karşı karşıya olduğunu açıkladı—Bench-maxing.
Liderler, belirli liderlik tablolarındaki model puanlarına çok dikkat ediyor. Sorumlu olduğunuz modül, önde gelen ABD modellerinin puanlarıyla eşleşmezse, performans değerlendirmeniz çok kötü görünecektir.
Sonuç: Kağıt üzerindeki veriler son derece göz alıcı, ancak karmaşık gerçek dünya uygulamalarına gelindiğinde deneyim sinir bozucu.
▸ Hesaplama ve Altyapıdaki Uçurum: Başkaları İçin Üç Ay, Bizim İçin Belki Altı Ay
Donanım darboğazları eski bir hikaye, ancak neden oldukları zincirleme reaksiyon hayal ettiğimizden daha derin.
Şu anda, yerli devlerin çekirdek modellerini eğitmek için kullandıklarının büyük bir kısmı hâlâ yasak öncesi stoklanan NVIDIA çipleri veya uyumlu H20 özel sürümleri. Neyse ki, DeepSeek V4 ile başlayarak, Huawei Ascend grafik kartlarına tam bir geçiş var ve bunun yerli eğitim ekosistemini iyileştirmesi bekleniyor.
Ancak hesaplama gücündeki fark zaten doğrudan "yineleme hızına" yansıyor.
Zhang Chi, bir endüstri söylentisinden bahsetti: Google'ın artık büyük bir dil modeli için tam bir ön eğitim ve son eğitim turunu tamamlamasının yalnızca 3 ay sürebileceği. Yerli devler için, hesaplama gücü ölçeği ve altyapı ile sınırlı olan bu döngü altı ay kadar uzun olabilir.
Daha gizli olan ise altyapı (Infra) daki fark. Google'da staj yapan Zhang Chi, oradaki temel altyapının o kadar iyi yapıldığını ve araştırmacıların yalnızca pürüzsüz bir grafik arayüzünde kod yazması gerektiğini, temel mimari hakkında endişelenmelerine gerek olmadığını söyledi. Yerli teknoloji devlerinde, eğitim sık sık donuyor veya hata veriyor; bu sürtünme maliyetleri, yetişme hızını görünmez bir şekilde yavaşlatıyor.
▸ "Kullanıcıların hepsi ABD modellerini kullanıyor; iyileştirme için veriyi nereden alacağız?"
Hesaplama gücü, Çin yapay zekasının üzerindeki ilk kılıçsa, Zhang Chi'ye göre ikinci kılıç—ve şu anda en çözümsüz olanı—"veri çarkının" kırılmasıdır.
Röportajda çok keskin bir içgörü sundu: Önde gelen ABD modelleri, üstesinden gelinmesi son derece zor bir pozitif döngü oluşturdu. GPT ve Claude'un devasa küresel kullanıcı tabanları var. Bu kullanıcılar modelleri fiili işlerinde kullanıyor ve sonuçları "beğeniyor" veya "beğenmiyor". Bu yüksek kaliteli geri bildirim, gerçek dünya senaryoları için en değerli eğitim verilerini oluşturuyor.
Buna karşılık, temel yeteneklerdeki nesnel fark nedeniyle, AI yardımına en çok ihtiyaç duyan yüksek değerli kullanıcılar—örneğin programcılar ve çekirdek araştırmacılar—toplu halde "kaçıyor".
"Artık programlama için çoğunlukla Claude Code ve Cursor kullanıyorum," dedi Zhang Chi açıkça. "Hatta bana yardım edecek bu kadar çok doktora öğrencisi almama gerek olmadığını hissediyorum; Claude Code ve Cursor'u tamamen öğrencilerim olarak görebilirim. Onlara rehberlik edebilir ve istediğimi yapmaları için talimat verebilirim. Ama aynı zamanda çelişki içindeyim: benim neslim yeni insanlar yetiştirmezse, ben yaşlandığımda araştırmaya kim devam edecek?"
En iyi Çinli yapay zeka bilim insanının bu günlük seçimi, soğuk gerçeği yansıtıyor: Yerli modellere geri bildirim verileri sağlaması gereken en iyi Çinli geliştiricilerin tamamı verimliliği artırmak için ABD modellerini kullanırken, Çinli büyük model şirketleri programlama ve akıl yürütme yeteneklerini optimize etmek için yüksek kaliteli etkileşim verilerini nereden bulacak?
▸ Kestirmelerin Bedeli: "Damıtılmış" Zekanın Ruhu Yok
Altyapıyı cilalamak için zaman yoksa ve KPI'ları yakalama acil baskısıyla karşı karşıyaysanız, yerli devler ne yapar?
Cevap tek kelime: Damıtma.
Yüksek zekalı bir model eğitmek istiyorsanız, en zorlu yol, son derece profesyonel endüstri uzmanlarını işe alarak yüksek kaliteli akıl yürütme verilerini satır satır yazdırmaktır; bu hem pahalı hem de zaman alıcıdır.
Ancak bir kestirme yol var: Doğrudan GPT, Claude veya Gemini'ye sormak. Doğru cevabı ve akıl yürütme sürecini aldıktan sonra, kopyalayıp kendi modelinize beslemek. AI çevrelerinde buna "damıtma" denir—esasen birincinin ödevini kopyalamak.
Zhang Chi, "damıtma" teknolojisinde zaten dünya çapında olabileceğimizi kabul etti, ancak bunun uzun vadede gerçek bir avantaja dönüşmeyebileceğini söyledi. Ödev kopyalamak, hızlı bir şekilde başarısızlıktan geçmeye, hatta 80 puana ulaşmanıza yardımcı olabilir, ancak kopyalayarak asla gerçek bir birinci olamazsınız.
Çünkü kendi derin veri boru hattınızdan yoksunsunuz. Yabancı modeller kendi kendine evrimleşmeye başladığında, "kestirmeler" bunun yerine orijinal yeteneklerimizi bağlayan prangalar haline gelir.
▸ Kalan Tek Güven: Donanım ve "Bedensel AI" Rüyası
Saf büyük dil modellerinde yetişme beklentilerine ilişkin güçlü karamsarlığına rağmen, Zhang Chi yine de Çin'in AI ekosistemindeki birkaç yapısal avantaja dikkat çekti.
Ona göre avantaj üretimde yatıyor. Son zamanlarda kamuoyunda tartışma yaratan Unitree'den bahsederek, Çin'in donanım gövdeleri ve motor hareket kontrolünde küresel rekabet gücüne sahip olduğuna inanıyor. Şu anda popüler olan "Bedensel AI" hakkında Zhang Chi'nin görüşü şu: Dil modeliniz yalnızca nispeten basit görevleri (nesneleri kavramak gibi) gerçekleştirmek için kullanılıyorsa, mevcut Çinli büyük modellerin yetenekleri "yeterince iyi".
Ancak aynı zamanda soğuk su döktü: Şu anda, robot üreticilerinin büyük çoğunluğu hâlâ "hareket kontrolü" aşamasında sıkışıp kalmış durumda ve zekayı gerçekten robotun beynine koymadı. Karmaşık akıl yürütme ve genelleştirilmiş "hünerli manipülasyon" söz konusu olduğunda, büyük olasılıkla büyük dil modellerinin şu anda karşılaştığı aynı tavana çarpacağız.
▸ Gelecek?
Sınırlı çipler, zayıf veri boru hatları, geri kalmış altyapı, kullanıcı geri bildirim döngülerinin eksikliği ve damıtmaya aşırı güven—bu sorunların birleşimi tek bir teknik atılımla çözülemez. Neyse ki, DeepSeek V4 yerli grafik kartlarına tamamen uyarlandı. Genel yetenek biraz geride olsa da, ekosistem mükemmelleştirildikten ve damıtmaya güvenmeden yetişme umudu hâlâ var.
Orijinal Podcast Bağlantısı: [https://www.buzzsprout.com/2546300/episodes/19057945-a-year-inside-bytedance-s-ai-lab](https://www.buzzsprout.com/2546300/episodes/19057945-a-year-inside-bytedance-s-ai-lab)
