Küresel ekonomide kriz, rekabet ve savaş hayallerinin, yanıltıcı bir şekilde Yapay Zeka (YZ) olarak adlandırılan şeyin üretiminde olduğu kadar sıkı bir şekilde iç içe geçtiği çok az alan vardır. Donald Trump’ın yemin töreni sırasında arkasında sırıtan teknoloji kankaları, yarı iletken üretimi üzerindeki küresel “çip savaşları”, İşçi Partisi’nin İngiltere’nin düşen üretkenlik oranlarını canlandırmak için YZ’yi gerekçe göstermesi ve İsrail’in Gazze’deki otomatik suikast fabrikasının operasyonları – hepsi bu yöne işaret ediyor.
Bu makale, YZ üretimindeki son yatırım patlamasının temellerini atan küresel üretimdeki, özellikle de yüksek teknolojili dijital ekonomideki değişikliklerin analizine dayanan bir perspektiften YZ endüstrisinin kısa bir taslağını sunmaktadır. YZ ürünlerinin yeniliğine vurgu yapan açıklamaların aksine, endüstriyel gelişimin aşamalı ve kümülatif süreçlerinin altını çiziyorum. Bunlar, sektördeki mevcut yatırım ve üretim patlamasına yol açmıştır.
Aşağıdaki hikaye, Karl Marx’ın 19. yüzyılda küresel endüstriyel makine sistemlerinin gelişimi üzerine yaptığı çalışmalar hakkında az da olsa bilgi sahibi olan herkese tanıdık gelecektir. Bu süreç, muazzam miktarlarda hammadde, enerji, su ve emeğin gezegen ölçeğinde seferber edilmesine, milyonlarca işçinin fabrikalara sürüklenmesine ama aynı zamanda yeni mücadele ve örgütlenme alanlarının açılmasına tanıklık etti. Bu dönemin makineleri, tıpkı bugünün yapay zeka sistemleri gibi, yabancı ve insanüstü güçler olarak görünerek, işçilerin yaratıcı yeteneklerine, fiziksel becerilerine ve zihinsel becerilerine sistematik olarak el koydu. Marx’ın ifade ettiği gibi,
‘Bireysel makinenin yerini; vücudu tüm bir fabrika binasını dolduran ve ilk başta devasa parçalarının ölçülü, neredeyse ciddi hareketleriyle gizlenen şeytani gücü, şimdi sayısız çalışan organının vahşi, dönen ateşli dansında sergilenen mekanik bir canavar almıştır.’
Yapay zeka endüstrisinin yükselişine güçlü bir makineye tapınma ideolojisinin eşlik etmesi, bu teknolojileri üretmek için gereken insan emeği, enerji ve malzemenin büyüklüğü göz önüne alındığında şaşırtıcı değildir. Bununla birlikte, YZ endüstrisinin en çarpıcı özelliği, üretim sürecinin tüm aşamalarına nüfuz eden sermayeler ve devletler arasındaki rekabetin artan yoğunluğudur. Bu rekabet, endüstriyel ve askeri araç ve amaçların birleştirilmesine yönelik baskıyı arttıran uzun süreli bir çoklu kriz bağlamında ortaya çıkmaktadır.
Çıkarım endüstrisini anlamak
YZ doğal olarak yüklü bir terimdir ve şu anda bu teknolojilerin insan emeğinin ürünlerinden ziyade bir tür uzaylı zekası olduğu iddiasının ve abartının arkasına geçmek zordur.2 Bu makale, son zamanlarda akademiden endüstriye sıçrama yapan YZ araştırmalarının belirli bir alt alanına odaklanmaktadır: çok büyük Makine Öğrenimi (ML) modellerinin üretimi. Bilgisayar biliminin bir dalı olan makine öğrenimi, sınıflandırma ve tahmin amacıyla istatistiksel çıkarımlar kullanır. Son on yılda görüntüleri ve metinleri sınıflandırmak için kullanılan ML sistemlerindeki gelişmeler, OpenAI’nin ChatGPT, Google’ın Gemini, Anthropic’in Claude, Alibaba’nın Qwen ve DeepSeek’in R1 gibi hizmetlerinin arkasında yatan büyük ML modellerini üreten bir endüstri sektörünün ortaya çıkmasına zemin hazırladı.
Daha da önemlisi ve mevcut chatbot furyasından çok daha büyük bir etkiye sahip olması muhtemel olanı, bu Büyük Dil Modellerinin (LLM) üretim sürecinin temelinde yatan ilkelerdir. Sektör genelinde, şirketler ve devletler, model performansındaki son önemli sıçramaların, bunları üretmek için gereken ağ altyapılarının, enerjinin, suyun, hesaplama işlem gücünün ve eğitim verilerinin dramatik bir şekilde ölçeklendirilmesinin bir sonucu olduğu sonucuna varmıştır. Bu, bu girdilerin herhangi birindeki büyümenin basit doğrusal modelleriyle eşitlenmemeli veya tek bir “sihirli mermi” çözümüne (bir yarı iletken üzerinde nanometre başına daha fazla transistör sıkıştırmak gibi) indirgenmemelidir. Üretimi şekillendiren teknik, sosyal ve politik faktörler arasında karmaşık ve çoğu zaman kaotik etkileşimler vardır. Bununla birlikte, toplu bir düzeyde, eğilimler bunun büyük ölçekli ve uzun vadeli yatırımın önemli olduğu bir teknolojik yarış olduğunu açıkça göstermektedir.
Aşağıda, bu yeni endüstriyel sürecin yükselişinin yüksek teknoloji endüstrisinin mevcut dallarını (örneğin veri merkezi operasyonları) nasıl dönüştürdüğünün, elektrik, su ve bilgisayar donanımı tüketimini nasıl katlanarak arttırdığının ve madencilik, lojistik ve taşımacılık alanlarında milyonlarca işçiyi harekete geçirirken, eğitim veri açıklama fabrikalarında yepyeni sömürü sistemleri yarattığının izini sürüyorum. Madenlerin ve doğal kaynakların açgözlülükle çıkarılması ile sermaye yatırımlarının yoğunlaştırılması ve merkezileştirilmesine ilişkin benzer modeller, üretim sürecinin tüm aşamalarında ortaya çıkmaktadır. Makine öğrenimi modellerinin üretildiği veri merkezi fabrikaları, sabit sermayenin (mülk, tesis ve ekipman) işgücüne oranının son derece yüksek olmasıyla karakterize edilir. Bu fabrikalar, ML modellerinin üretimi için ön koşul olan fosil yakıtlar, petrokimyasallar, plastikler ve yarı iletkenler gibi benzer nitelikteki endüstriler zincirinin sonunda yer almaktadır.
Buradaki “model” kelimesi bir dizi olasılığı ve bunları oluşturmak için gereken matematiksel fonksiyonları ifade eder. LLM’lerde bu, daha sonra bir dizideki bir sonraki kelimeyi tahmin etmek için kullanılabilecek bir metin koleksiyonunun kurucu unsurları arasındaki ilişkilerin istatistiksel bir açıklamasıdır. Mevcut LLM’lerdeki sürecin gerçek versiyonu, bu olasılıkları kelimelere göre değil, doğal dil işlemede belirteçler olarak bilinen kelime parçalarına göre hesaplar. Bu olasılıklar da yeni bir metin oluşturmak için kullanılabilir ve böylece eğitim verilerindeki belirteçlerin düzenine istatistiksel olarak benzer bir harf ve boşluk kombinasyonu oluşturulur. Eğitim verisi olarak kullanılan koleksiyonlar yeterince büyük ve çeşitliyse, metinlerin iç yapılarının bu istatistiksel gösterimleri çok daha geniş bir görev yelpazesi için kullanılabilir. Model artık milyarlarca belirteç arasındaki ilişkiler için istatistiksel bir rehberdir ve tahminlerinin sonuçları yapay olarak oluşturulmuş dil görünümünü alır.
Görüntü koleksiyonları da benzer şekillerde modellenebilir. Bu durumda, hesaplama görevleri biraz farklıdır, ancak genel yöntem aynıdır: bir istatistik koleksiyonunun ve bunları üreten matematiksel fonksiyonların bir araya getirilmesi, tüm koleksiyon boyunca pikseller arasındaki ilişkilerin toplamını tanımlar. Metinlerde olduğu gibi, bu istatistiksel kılavuzlar kullanıcıların koleksiyonda aradıkları şeyleri bulmalarını sağlar (görüntüleri istatistiksel benzerliklerine veya “en yakın komşularına” göre sıralayarak). Dahası, birkaç işlemle, pikselleri istatistiksel olarak modeldekilere benzer düzenlemelerde bir araya getirerek yeni görüntüler oluşturabilirler. Bu piksel düzenlemelerinin birçok kişiye gerçek nesnelerin, insanların veya yerlerin görüntüleriyle aynı görünmesi çok muhtemeldir. Ancak makine öğrenimi modellerinin bu şekilde kullanılması, Alan Turing’in “taklit oyunu” olarak adlandırdığı, bir insanın hangi piksel grubunu ya da harf kombinasyonunu “kedi resmi” ya da “Shakespeare’den bir alıntı” olarak etiketleme olasılığının en yüksek olduğunu bulma sürecini hızlandırmak için istatistiksel çıkarım tekniklerini kullanma yönteminin hızlandırılmış bir versiyonudur.
Çok büyük ve çeşitli veri kümeleri üzerinde eğitilmiş olan son derece büyük modeller genellikle temel modeller olarak adlandırılır, çünkü çok çeşitli görevler için kullanılabilirler. Yukarıda vurgulanan LLM’ler ve Metin-Görüntü modelleri en bilinen modellerden bazılarıdır. Ancak, uydu görüntüleri ve giyilebilir aktivite takip cihazlarındaki sensörlerden gelen veriler gibi coğrafi veriler de dahil olmak üzere farklı veri türleri üzerinde eğitilen yeni temel modeller her zaman üretilmektedir. Model geliştirmedeki son gelişmelerin çoğu, üretim sürecinde hem hesaplama hem de eğitim verilerinin kitleselleştirilmesi yoluyla elde edilmiştir. Bu kitleselleştirme, yarı iletken teknolojisindeki gelişmelere (daha büyük miktarlarda veriyi işlemeyi daha kolay ve ucuz hale getiren) ve modelleri üreten hesaplamalı sinir ağları için daha verimli mimarilerin oluşturulmasına dayanmaktadır.
Çok büyük makine öğrenimi modellerinin üretim süreci zaman alıcıdır. Tipik bir büyük ölçekli model, sinir ağının tahminlerinin dayandığı veri kümesine dayalı istatistikler ürettiği eğitim aşamasında 1.000 grafik işlem birimi (GPU) saati gerektirebilir. Bunu, ince ayar adı verilen bir süreç için 500 GPU saati daha izleyebilir: belirli bir görev kümesine göre uyarlanmış çıktılar üretmek için modeli iyileştirmek. Çıkarım aşaması için daha fazla zaman ve hesaplama kaynağı gereklidir. Burada model sorulara yanıt verir, metin oluşturur veya sınıflandırmalar üretir.
Üretim girdilerinin ölçeklendirilmesi önemlidir çünkü egemen YZ (ulusal dilleri, kültürel mirası ve yasaları yansıtan belirli veri kümeleriyle üretilen temel modeller) de dahil olmak üzere yeni temel modeller üretmek için küresel bir rekabet başlatmıştır. En önemlisi, temel modellerin büyük ölçekli üretimi, yapılandırılmamış, “dağınık” verilerin büyük koleksiyonlarını makinelerin eylemlerini yönlendiren bir programlama diline dönüştürmek için genelleştirilebilir bir dizi teknik ortaya koymuştur. Daha ayrıntılı olarak tartışacağım üzere, temel model yaklaşımı, dijital platform şirketlerinin (mühendisleri, rekabetin en son yoğunlaşmasını teşvik eden Transformer sinir ağı mimarisini özetleyen 2017 araştırma makalesini yazan Google dahil) ihtiyaçları ve kapasiteleri arasındaki uyumdan ortaya çıkmıştır. Gelecekte, YZ teknolojileri üretmenin başka yolları da ortaya çıkacaktır ve bunlardan bazıları en azından geçici olarak geçmiş ve gelecekteki yatırımların ölçeğinden başka faktörlere öncelik verecektir. Ancak şu an için, üretim girdilerinin bu şekilde kitleselleşmesinin etkisi, ekonomik rekabetin yoğunlaşmasında ve askeri rekabete dönüşümünün hızlanmasında çok önemli bir rol oynamaktadır. YZ üretiminin devletler arası ve kapitalistler arası rekabetin birleşmesi yoluyla ölçeklendirilmesi, ML’nin yükselişini toplumsal işbölümünün otomatikleştirilmesinin bir örneği olarak analiz eden açıklamalarda büyük ölçüde eksik olan önemli bir boyuttur.
Büyük ölçekli genel amaçlı yapay zeka ürünlerinin yaratılması, dijital iletişim ve dağıtık bilgi işlem altyapısına, tüketici elektroniği üretimine ve doğal dil işleme ve bilgisayarla görme gibi alanlardaki araştırmalara yapılan onlarca yıllık yatırımların sonucudur.
Büyük özel ve devlet sermayelerinin elektrik şebekelerini, veri ağlarını ve veri merkezlerini kullanma biçimindeki değişiklikler, makine öğrenimi modellerinin endüstriyel üretiminin temellerini atmış ve model üretim ve dağıtım sürecinde sermaye birikiminin ihtiyaçlarına daha iyi hizmet etmek için bu altyapıların daha fazla dönüşümünü hızlandıran bir faktör haline gelmiştir. 2016 yılından bu yana, ML model üretiminin talepleriyle tetiklenen veri merkezlerinin katlanarak artan elektrik talebi, bu rekabetteki başarının büyük ölçüde altyapı yatırım kapasitesine bağlı olduğunu kanıtlamaktadır. Bu durum kaçınılmaz olarak sermayenin yoğunlaşması ve merkezileşmesi süreçlerini yoğunlaştırma etkisine sahip olacaktır ki bu da ML model üretimi için elektrik talebi modellerinde zaten görülebilen bir özelliktir.
Amerika Birleşik Devletleri hükümeti ve Uluslararası Enerji Ajansı tarafından yapılan son araştırmalar, makine öğrenimi modeli üretiminin önce ABD’de sonra da başta Çin olmak üzere rakip ülkelerde veri merkezlerinden gelen enerji taleplerinde nasıl bir adım değişikliğe yol açtığını göstermektedir. Veri merkezi elektrik talebinde aslan payını yüzde 45 ile hala ABD alırken, onu yüzde 25 ile Çin ve yüzde 15 ile Avrupa Birliği (AB) takip ediyor. 2010 ve 2017 yılları arasında ABD’deki veri merkezlerinin elektrik tüketimi, yıllık minimum artışla 60 Terawatt saat (TWh) seviyesinde büyük ölçüde sabit kalmıştır. Bu, veri merkezlerinin veri depolama, nispeten düşük yoğunluklu veri işleme ve veri ağlarındaki bağlantıları barındırma yerleri olarak birincil rolünü yansıtmaktadır. Bununla birlikte, 2017 ve 2023 yılları arasında ABD veri merkezi elektrik tüketimi 176 TWh’ye çıkarak ABD’nin toplam ulusal elektrik tüketiminin yüzde 4,4’üne denk gelmiştir ve bu rakamın 2028 yılına kadar yüzde 12’ye çıkacağı tahmin edilmektedir. Elektrik kullanımındaki bu dramatik artış, üretim sürecinin çeşitli aşamalarında yoğun hesaplama gerektiren daha büyük ve daha büyük makine öğrenimi modelleri geliştirme telaşından kaynaklanmaktadır. Çin de hem veri merkezlerinin elektrik talebinde benzer bir sıçrama hem de bu veri merkezlerinde nispeten pasif bir altyapı olarak hareket etmek yerine endüstriyel ölçekte hesaplama motorları olmaya doğru önemli bir kayma yaşamıştır. Çin hükümetinin rakamlarına göre talep 2022’de 77 TWh, 2025’te 150-200 TWh ve 2030’da tahmini 400 TWh olacaktır. ABD Enerji Bilgi İdaresi 2024’te 100 TWh’lik daha muhafazakar bir temel tahmininde bulunmuş ancak yine de 2027’ye kadar iki katına çıkacağını öngörmüştür. ABD ve Çin’den sonra küresel veri merkezi elektrik talebinde üçüncü büyük paya sahip olan AB’de de hem veri merkezi inşaatlarında hem de öngörülen elektrik talebinde bir patlama yaşanıyor. Yakın zamanda Goldman Sachs, mevcut veri merkezi inşaatı dalgasının önümüzdeki on yıl içinde Avrupa elektrik talebini yüzde 10-15 oranında artırabileceğini tahmin etmiştir.
Berkeley Lab araştırmacılarının belirttiği gibi, veri merkezleri şu anda elektrik tüketiminin nispeten küçük bir kısmını oluştursa da, makine öğrenimi modellerinin endüstriyel üretiminin güç gereksinimlerini karşılama zorluğu, diğer kaynaklardan artan elektrik talepleriyle daha da artmaktadır. Bunlar arasında elektrikli araçların benimsenmesi, üretimin yer değiştirmesi, hidrojen kullanımı ve sanayi ile binaların elektrifikasyonu yer almaktadır. ABD, Çin ve AB olmak üzere her üç lokasyondaki zorluklar, enerji yoğun veri merkezlerinin kümelenmesine ilişkin ciddi sorunlarla daha da artmaktadır: ABD’deki veri merkezi kapasitesinin neredeyse yarısı beş bölgede bulunmaktadır.
Makine öğrenimi modeli üretiminin enerji talepleri nedeniyle elektrik tüketiminin ölçeklendirilmesi, genel enerji talebini artırmaktadır. Örneğin geçen yıl İrlanda’nın veri merkezi kümeleri, şehirdeki hanelerin tamamından daha fazla enerji tüketmiştir. Ayrıca, yeni enerji kaynaklarının eklenmesi için rekabetçi baskıları yoğunlaştırarak enerji üretiminin karbonsuzlaştırılmasına yönelik hamleleri yavaşlatma veya rayından çıkarma tehdidinde bulunuyor. Büyük makine öğrenimi modelleri üretmek için kullanılan yeni tür süper bilgisayarların bulunduğu kampüsler inanılmaz derecede enerjiye açtır: Colossus (Elon Musk’ın xAI şirketine ait) 250.000 kişilik bir şehir kadar enerji tüketiyor. Eylül 2024’te Microsoft, ML model üretim süreçlerine güç sağlamak için yeniden açılan Three Mile Island nükleer santralinde üretilen enerjinin yüzde 100’ünü kullanmak üzere 20 yıllık bir anlaşma yaptığını duyurdu. Yapay zeka yatırımlarına hücum aynı zamanda ABD’de kömürle çalışan elektrik santrallerinin yeniden açılmasına yol açıyor ve Trump’ın tam desteğiyle üretim hızını korumak için “iyi, temiz kömürün” gerekli olduğunu iddia ediyor.
Veri merkezlerinin soğutulması için gereken büyük miktardaki suyu bulma yarışında da çok benzer dinamikler iş başında. İspanya’daki kampanyacılar “Bulutunuz Nehrimi Kurutuyor!” (Tu Nube Seca Mi Río) başlığı altında örgütleniyor ve Amazon gibi büyük şirketlerin her yıl milyonlarca litre su tüketmesi nedeniyle veri merkezi inşası için moratoryum çağrısında bulunuyor. ABD veri merkezi endüstrisi Mesa, Arizona gibi aşırı kuraklığın yaşandığı bölgelerde kümelenmiştir. Veri merkezlerindeki yüksek su tüketim oranları özellikle makine öğrenimi modeli üretiminden kaynaklanmaktadır. Teknoloji şirketlerinin “sıfır su” tesisleri kurma iddialarına rağmen, gerçek şu ki su bazlı soğutma, özellikle ML iş yükleri için hava soğutmadan çok daha etkili olarak tanıtılmaktadır.
Çip savaşları: fizik kurallarını kaba kuvvetle zorlamak
Endüstriyel ölçekte ML model üretimine geçiş, en gelişmiş yarı iletken bilgisayar çiplerine olan talebi de yoğunlaştırmış ve yüksek sermaye yoğun endüstriyel süreçlerin onlarca yıllık gelişimini sonlandırmıştır. Intel, 1971 yılında mikroişlemcinin ilk büyük ticari örneği olan 4004’ü piyasaya sürdüğünde, bu yarı iletken yaklaşık 10 µm boyutunda 2.300 transistör içeriyordu. On yıl içinde transistörlerin boyutu 1 µm’ye düştü ve üreticiler her bir çipe 100.000 transistör yerleştirmeye başladı. Üstel büyüme devam ederek 1990’larda çip başına 1 milyon transistöre ulaştı, 2000’lerin başında 10 milyona ve on yıl sonra 100 milyona yükseldi. Günümüzde çip üreticileri genellikle milimetre kare başına 100 milyon transistör yerleştiren 5 nanometrelik (nm) bir süreç kullanmaktadır, ancak 3 nm hızla bir endüstri standardı haline gelmektedir. Tayvan Yarı İletken Üretim Şirketi (TSMC), 2 nm’lik bir sürecin üretimine başlamayı vaat etmekte ve bunun daha önceki en gelişmiş yarı iletkenlerine kıyasla yüzde 10-15 performans artışı, yüzde 25-30 güç tüketimi azalması ve transistör yoğunluğunda yüzde 15 artış sağlayacağını iddia etmektedir.
TSMC’nin 2 nm’de seri üretime geçeceğini duyurması birkaç nedenden ötürü önemlidir. TSMC’nin son derece uzmanlaşmış bir üretim alanındaki hakimiyetini teyit ediyor. Tayvanlı şirket 2024 yılında yarı iletken üretiminde küresel pazar payının yüzde 64’üne ve en gelişmiş yarı iletkenlerin üretiminde neredeyse tekele sahipti.27 TSMC’nin çipleri Apple, Nvidia, Qualcomm ve diğer birçok büyük şirket tarafından üretilen ürünler için temel girdilerdir. TSMC’nin nano ölçekli üretimin fiziksel sınırlarında ya da yakınında inovasyon yapmaya devam edebilmesi, yalnızca şirketin jeopolitik önemini değil, aynı zamanda çip dökümhanelerini Tayvan’ın kendisi için bir tür “silikon kalkanı” olarak dikkatle konumlandıran Tayvan egemen sınıfının önemini de artırmaktadır.
Bu durum, TSMC’nin Tayvan’ın Hsinchu ve Kaohsiung şehirlerindeki yeni mikroçip üretim tesislerinde (2025’in sonlarında başlayacak) seri üretimde ilk 2 nm çiplerin piyasaya sürülmesi için seçilen yer ile gösterilmektedir. 29 Ancak on yılın sonunda bunu TSMC’nin Arizona’daki yeni fabrikasında 2 nm ve 1,6 nm’de seri üretim izleyecek ve bu üretim kısmen ABD hükümeti tarafından Yarı İletken Üretmek için Faydalı Teşvikler Yaratma (CHIPS) ve Bilim Yasası kapsamında 6,6 milyar $ (5,2 milyar £) hibe yoluyla finanse edilecektir.30 Son yıllarda ABD, ihracat kontrolleri de dahil olmak üzere Çin’in en gelişmiş yarı iletkenlere erişimini engellemeyi amaçlayan agresif politikalar izlemiştir. CHIPS ve Bilim Yasası’nın kendisi de yarı iletken üretiminin ABD’ye “yeniden taşınmasını” teşvik etmektedir.
Fiziğin sınırlarını bu şekilde zorlamanın kaynak ve enerji açısından olağanüstü maliyetler getirmesi şaşırtıcı değildir. Çiplerin üretimi, yukarıda tartışılan veri merkezlerinde gözlemlenen modellere benzer bir ölçekte elektrik ve su tüketmektedir. Greenpeace Asya, 2023 yılında Samsung’un yarı iletken üretiminin 2030 yılına kadar yıllık 32 milyon ton CO2’yi aşma yolunda olduğunu ve bu rakamın Danimarka’nın 2021 yılındaki toplam emisyonundan daha fazla olduğunu tespit etmiştir. TSMC’nin enerji kullanımının yüzde 267 oranında artacağı ve üreticinin, çoğunlukla fosil yakıtlar kullanılarak üretilen 5,8 milyon insan kadar enerji tüketeceği tahmin ediliyor. Su tüketimi, özellikle de çip üretim süreci için gerekli olan ultra saf su, ML operasyonları için optimize edilmiş gelişmiş çiplerin yaygınlaşmasıyla birlikte artmıştır.
Sektör genelinde sermayenin yoğunlaşması ve merkezileşmesine ilişkin kalıcı modeller mevcuttur ve genellikle yakından korunan teknik bilgi birikimine dayanan kilit üretim süreçlerinde tekeller ya da tekele yakın tekeller ortaya çıkmaktadır. Çip üretimi için kritik öneme sahip iki örnek, yüksek oranda yoğunlaşmış çip tasarım endüstrisi ve litografi makinelerinin üretimidir. ABD merkezli teknoloji devi Nvidia, TSMC’nin dökümhanelerinde ürettiği çipleri tasarlayıp pazarlamakta ve böylece küresel ML çip pazarında baskın bir gücü temsil etmektedir. Nvidia’nın pazardaki payının yüzde 90 olduğu tahmin ediliyor ve şirket, Nvidia’nın ABD’den sonra en büyük ikinci pazarı olan Çin’e ihracatını kısıtlayacak bir kuralı iptal etmesi için Trump’a başarılı bir şekilde lobi yaptı. Aşırı Ultraviyole (EUV) litografi, yarı iletken üretiminde bir diğer kritik süreçtir. EUV makinelerinin tek üreticisi Hollandalı ASML firmasıdır, ancak Canon alternatif bir nanoprint litografi yöntemi kullanarak “düşük maliyetli” bir alternatif geliştirmiştir. ASML’nin makinelerinin 370 milyon dolara (310 milyon sterlin) mal olduğu, Canon’un versiyonunun ise bu fiyatın onda biri civarında olduğu bildiriliyor.
ABD merkezli kar amacı gütmeyen bir araştırma merkezi olan Epoch AI’daki analistler, yakın zamanda yayınlanan bir makalede, OpenAI’nin GPT serisi, Meta’nın Llama’sı ve Google’ın Gemini 2.0’ı gibi mevcut LLM’lerin üretiminde devasa süper bilgisayar kümelerinin temel bir rol oynadığını savunuyor. Bu tesislerin boyutu ve gereksinimleri bu süre zarfında katlanarak artmıştır. Colossus süper bilgisayarı 200.000 gelişmiş yapay zeka için optimize edilmiş yarı iletken çip üzerinde çalışıyor. 2019’da 10.000’den fazla çipe sahip süper bilgisayarlar nadirdi. Epoch AI tarafından takip edilen süper bilgisayar grubunda donanım ve güç ihtiyaçları her yıl iki katına çıkmasına rağmen, hesaplama performansı büyük ölçüde daha fazla ve daha iyi yarı iletkenlerin satın alınmasına bağlı olarak her dokuz ayda bir iki katına çıkmıştır.
İnsanlardan istifade, eğitim verileri
ML model üretiminin ikiz kitleselleşme ve sanayileşme süreçlerine tabi olan bir diğer yönü de modeli oluşturmak için gereken eğitim verileridir. İlk nesil LLM’ler genellikle atıfta bulunulmadan veya izin alınmadan çevrimiçi kaynaklardan toplanan metinleri kullanmıştır. OpenAI’nin GPT serisi büyük dil modellerinin ilk versiyonlarını eğitmek için kullandığı derlem olan WebText, Reddit kullanıcıları tarafından sağlanan derecelendirmeler rehber olarak kullanılarak 2017 yılında internetten kazınan metinlere dayanılarak derlenmiştir. Birkaç önemli LLM’nin üretiminde kullanılan devasa bir eğitim veri seti olan English Cleaned Common Crawl Corpus’un bileşimi üzerine 2021 yılında yapılan bir çalışmada, en yaygın kaynağın Google tarafından barındırılan patentler web sitesi olduğu, ardından Wikipedia, daha sonra New York Times, Los Angeles Times ve Guardian’ın geldiği görülmüştür. Bu nispeten ana akım küratörlü ve düzenlenmiş kaynaklar arasında çok sayıda hayran kurgusu (Archive of Our Own’dan çalınan 32 milyon kelime dahil) ve çok sayıda aşırı sağcı, kadın düşmanı ve ırkçı içerik de dahil olmak üzere sosyal medya platformlarındaki kullanıcı yorumları bulunmaktadır.
Eğitim verisi görüntü koleksiyonları, 2000’li yılların sonlarında görüntü sınıflandırma modellerinin geliştirilmesinin temellerini oluşturan ImageNet’ten 2023 yılında piyasaya sürülen StableDiffusion görüntü oluşturma aracını eğitmek için kullanılan beş milyar öğeli LAION veri setine kadar uzanmaktadır. Bu veri setleri genellikle açık internet taramalarından elde edilmiştir ve sonuç olarak dijitalleştirilmiş müze ve kültürel miras koleksiyonlarından tatil fotoğraflarına, sanatsal çalışmalara ve pornografiye kadar geniş bir yelpazede görüntüler içermektedir.
Bununla birlikte, bu tür görüntüleri ve metinleri daha sonra makine öğrenimi boru hatlarına beslenen standartlaştırılmış koleksiyonlara dönüştüren işleme türleri, genellikle uluslararası kabul görmüş “kıyaslama” sistemlerinden türetilen tutarlı etiketleme şemalarının uygulanmasını içerir (görüntülerin standartlaştırılmasından ve “iş için güvenli olmadığı” düşünülen içeriğin bir kısmının kaldırılmasından sorumludur). Bugün, bu genellikle Küresel Güney’deki tehlikeli, fabrika tarzı koşullarda düşük ücretli insan emeği ile elde edilmektedir. Facebook gibi sosyal medya platformları tarafından kullanılan içerik denetleme modelleri, platformun kendi verileri kullanılarak eğitilmekte ve Sonia Kgomo’nun Şubat 2025’te ifade ettiği gibi, işçiler her türlü derin travmatik içeriği akıl almaz hızlarda doğrulamakta ve etiketlemektedir:
‘İki yıl boyunca günde 10 saatimi çocuk istismarına, insan sakatlamasına, ırkçı saldırılara ve internetin en karanlık kısımlarına bakarak geçirdim ki siz bakmak zorunda kalmayın… Travmatik bir şey gördüğünüzde duramazdınız. Akıl sağlığınız için duramazdınız. Tuvalete gitmek için duramazdınız. Sadece duramazdınız. Bize müşterinin, bizim durumumuzda Facebook’un, devam etmemizi gerektirdiği söylendi.’
Bu insan emeği, makine sistemleriyle uyum içinde çalışmaktadır. Makine öğrenimine giriş için ön işlemedeki temel unsurların otomasyonu, eğitim verisi üretiminin kendi başına bir endüstri olarak olgunlaşmasını ifade eden ölçekteki sıçramanın önemli bir itici gücü olmuştur.
Eğitim verisi üretiminin son 25 yılda nasıl değiştiğine bakmak bunu net bir şekilde göstermektedir. Etiketli görüntü veri koleksiyonları eskiden son derece yetenekli araştırmacılar tarafından zanaat benzeri süreçlerle oluşturulurdu. 1998’de Michael Lyons ve işbirlikçileri, Japon insanlarının yüzlerinin sadece 213 görüntüsünden oluşan JAFFE veri kümesini oluşturdu ve daha sonra bu görüntüler 60 yorumlayıcı tarafından yüz ifadeleriyle etiketlendi. JAFFE veri seti, yüz ifadesi tanımayı otomatikleştirdiğini iddia eden bilgisayarla görme modellerinin geliştirilmesinde temel bir rol oynadı ve görüntü/belge kümeleme ve kümeleme algoritmalarının değerlendirilmesi de dahil olmak üzere çeşitli diğer modellerde kullanıldı. Lyons ve meslektaşları, veri setini oluşturmak için yüzleri fotoğraflanan gönüllülerin işe alınması ve onlarla şahsen etkileşime geçilmesi de dahil olmak üzere, bu son derece uzmanlaşmış araştırma aracını oluşturma sürecinin tamamını denetledi.
Ancak birkaç yıl içinde, bu tür özenli yöntemler araştırmacılar tarafından, aralarında 2004 yılında kurulan fotoğraf paylaşım platformu Flickr’ın da bulunduğu çevrimiçi kaynaklardan kazınan çok daha büyük görüntü koleksiyonları lehine terk edildi. Makine öğrenimi modeli üretimi için kullanılan ilk büyük ölçekli görüntü koleksiyonu olan ImageNet, birkaç yıl sonra Fei-Fei Li liderliğindeki bir araştırmacı ekibi tarafından oluşturuldu. Creative Commons lisanslama sisteminden yararlanarak, akademik araştırmalar da dahil olmak üzere “ticari olmayan” amaçlar için yeniden kullanıma izin veren çok sayıda Flickr kullanıcısının fotoğrafını içeriyordu. ImageNet’in üretimi aynı zamanda ilk kez, araştırma ekibi tarafından dijital bir parça başı iş platformu olan Amazon Mechanical Turk (MTurk) aracılığıyla metalaştırılmış emek gücü elde edilen büyük ölçekte ücretli işçilere dayanıyordu. Akademik araştırmacıların “yarı sanatsal”, vasıflı emeğinin (ki bu araştırmacıların sözleşmeli saatlerinin ötesinde pek çok saat “gönüllü” emek harcadıklarına şüphe yok) anonim MTurker’lar tarafından evde yürütülen bir parça başı iş sistemiyle birleşimi ImageNet’e özgü değildi. Bu, makine öğrenimi üretim sürecinin gelişimindeki bu aşamanın genel bir özelliğiydi.
Bazı veri etiketleme biçimleri “gönüllülerin” çalışmalarına dayanmakta ya da büyük dijital platformların CAPTCHA testleri aracılığıyla içerik ve hizmetlere erişmek için veri etiketlemeyi bir tür mikro işlem haline getirme becerisinden yararlanmaktadır. Ancak genel gidişat genellikle daha geleneksel sömürü modellerine doğrudur. Bunun bir nedeni, kalite güvencesinin endüstriyel kimyasallar ya da çırçırlanmış pamuk üreticileri için olduğu kadar birincil ürünleri eğitim veri setleri olan kapitalistler için de bir sorun olmasıdır. Örneğin, MTurkers’ın sıkıcı işleri hızlandırmak için LLM’leri kullandığı tespit edilmiştir.
Bu sorunun bariz bir çözümü, çalışanları işe almak, eğitmek ve onlara sadece tıklama başına değil, düzenli bir ücret ödemektir. Bu, ABD merkezli şirketlere hizmet veren bir endüstri olarak veri açıklamasının ABD’den ilgili becerilere sahip işgücünün daha ucuz olduğu ülkelere (Hindistan, Kenya ve Uganda) kaymasının nedenlerinden biridir. Bir başka etken de üretimde ölçek ve hız ihtiyacıdır. Alexandr Wang’ın Scale AI veri açıklama işi, dünyanın dört bir yanından işgücü sağlayan RemoTasks adlı bir tıklama işi platformu olan MTurk’ün şirket içi bir versiyonunu oluşturdu. Bu versiyon, doğrudan istihdam edilen mühendislik ve ürün geliştirme ekipleri tarafından denetleniyor ve bu ekiplerin görevlerinden biri de eğitim veri setlerinin ISO sertifikasyonunun gereklilikleri gibi çeşitli kalite güvence standartlarını karşılamasını sağlamak. Scale’in iş modeli bugüne kadar olağanüstü başarılı oldu ve şirket, ABD ordusunun büyük bölümünün de dahil olduğu bir dizi müşteriyi listeliyor. Ancak, diğer tüm endüstriyel üretim süreçlerinde olduğu gibi, diğer işverenlerle rekabet, jeopolitik faktörler ve finansal piyasalardaki dalgalanmalar nedeniyle vasıflı işgücü arzındaki kesintilere karşı savunmasızdır. Bu örnekler, dijital olarak aracılanmış ve ağlarla birbirine bağlanmış dünyamızdaki herkesi dev bir sosyal fabrikanın işçisi olarak gören teorilerin neden yanlış olduğunu göstermektedir. Eğitim verisi işinin tarihi kesinlikle insanın yaratıcı çabasının sistematik olarak yağmalanmasından ibaret olsa da, makine öğrenimi modellerini büyük ölçekte meta olarak üreten endüstri, doğrudan sömürü biçimleri ve bununla birlikte işçi direnişi (veri etiketleyicileri ve diğer teknoloji işçileri tarafından kolektif eylem ve örgütlenmenin ortaya çıkmasıyla gösterilmiştir) yaratmadan ortaya çıkamazdı.
Eğitim verileri, makine öğrenimi modeli üretim sürecinin diğer girdileri gibi, şirketler ve hatta devletler arasında giderek daha şiddetli bir rekabete konu olmaktadır. Temmuz 2024’te yayınlanan bir çalışma, yapay zeka şirketlerinin eğitim verileri için açık Web’in bazı bölümlerini taramasını durdurmayı amaçlayan artan kısıtlamalara dikkat çekiyor. Sanatçıların, yazarların ve aktörlerin, çalışmalarının eğitim verisi tarayıcıları tarafından ele geçirilmesine karşı artan protestoları ve telif hakkı ihlali ile ilgili yasal işlemlerin bu kısıtlamaların bazılarının arkasında olması muhtemeldir. Büyük yapay zeka şirketleri, Google ve OpenAI, eğitim verisi kullanımındaki kısıtlamaların zayıflatılması için lobi yaparak yanıt vermiştir. İngiltere’de İşçi Partisi hükümeti, hak sahipleri açıkça vazgeçmediği sürece, YZ şirketlerinin çevrimiçi olarak istedikleri her şeyi ele geçirmelerine izin vermeyi vaat ederek onları memnun etmeye çalışıyor. İşçi Partisi aynı zamanda ülkenin yüksek kaliteli kamu veri setlerini, örneğin milyonlarca dolarlık bir sözleşme sayesinde büyük miktarda NHS verisine erişimi olan ABD askeri firması Palantir gibi YZ şirketlerine açmaya da hevesli. Palantir, İşçi Partili bakanlarla samimi bir ilişki kurdu ve Keir Starmer yakın zamanda ABD’ye yaptığı bir ziyarette şirketin ofislerini gezdi.
Model tasarımı yoluyla yıkım
Ocak 2025’te Çinli DeepSeek şirketi, önde gelen Batılı şirketlerin LLM’lerinden daha iyi performans gösterdiğini iddia ettiği bir LLM piyasaya sürdü. Piyasada bu konuda yaşanan panik, ML model üretiminde araştırma ve geliştirmenin önemini ortaya koyuyor ve devlet-sermaye kümeleri arasındaki şiddetli rekabetin bir başka alanını gözler önüne seriyor. Yüksek performanslı bir LLM’yi rakiplerinden çok daha küçük bir GPU kümesi üzerinde eğiten ve çok daha az sayıda özel yapay zeka için optimize edilmiş yarı iletkene dayanan DeepSeek’in duyurusu, ABD’li çip tasarımcısı Nvidia’nın piyasa değerinden 593 milyar $ (438 milyon £) sildi.
DeepSeek’in araştırmacıları yöntemlerini Ocak 2025’te ana hatlarıyla açıklamışlardır. Modellerinin tasarımında düşünce zinciri muhakemesi olarak bilinen bir teknik uygulayan araştırmacılar, temel olarak açık kaynaklı LLM’ler Qwen (Çinli şirket Alibaba tarafından oluşturulmuştur) ve Llama’yı (Meta tarafından oluşturulmuştur) kullanmışlardır. Bu alandaki araştırma literatürünün çoğu gibi, makale de antropomorfik bir dil ve modeldeki “zeka” ve “muhakeme” kapasitesi hakkında sorgulanmamış varsayımlarla doludur, ancak ana noktaların anlaşılması nispeten kolaydır. Düşünce zinciri model mimarileri, bir çıktı (örneğin bir sorunun cevabı) üretme sürecindeki ara adımları açıklayarak LLM’nin çalıştığını göstermesini ister ve tasarımcıların doğru olduğuna inandıkları cevapların üretimini teşvik etmek için takviyeli öğrenme (RL) adı verilen yaygın bir teknik kullanır. Diğer makine öğrenimi araştırmacıları tarafından geliştirilen model görev ve çözüm setlerine dayanan DeepSeek’in R1 modeli, OpenAI’nin LLM’lerinden birinin puanlarını büyük ölçüde azaltılmış maliyetle eşleştirdi veya geçti.
Verimlilik kazanımlarının ölçeği ve bunların makine öğrenimi modellerinin üretimini yeniden şekillendirme potansiyeli küçümsenmemelidir. Google’dan bir araştırma ekibi tarafından 2017 yılında geliştirilen Transformer model mimarisi, mevcut nesil büyük makine öğrenimi modellerinin birçoğunun ve dolayısıyla eğitim verilerinin büyük ölçüde ölçeklendirilmesinin ve metin işleme görevlerinde performans sıçramalarının temelini oluşturmuştur. Verileri sırayla işleyen önceki model mimarilerinin aksine Transformer’lar, eğitim sürecinin çok daha fazlasının paralel olarak yürütülmesine olanak sağlamıştır. Bu, daha önce olduğundan çok daha büyük veri kümeleri için modeller oluşturmayı mümkün kılmıştır. Model mimarisindeki değişimin, daha büyük LLM’ler inşa etme yarışını hızlandırmak ve dolayısıyla yukarıda özetlenen süper bilgisayarların genişlemesine güç vermek gibi dramatik gerçek dünya etkileri oldu.
Devlete geri dönersek
22 Ocak 2025’te, DeepSeek’in R1 modellerini ve kodunu yayınlamasından iki gün sonra, Scale AI CEO’su Alexandr Wang, Trump’a biraz panikle yazılmış bir mektup yayınlayarak ABD hükümetinin “YZ savaşını kazanmasının” yollarını ortaya koydu. Wang, ABD yönetimini, Çin’in tam tersine, YZ üretiminin temel direklerinin (hesaplama, veri ve modeller) hesaplama bölümü yerine algoritmalara yatırım yaparak harcamaları yanlış tahsis ettiği için eleştirdi:
‘Sadece daha az harcama yapmakla kalmıyoruz, aynı zamanda iyi yatırım da yapmıyoruz. Kazanmak için hükümetimiz, yatırım stratejimizi sektörü daha yakından yansıtacak şekilde değiştirerek uyum sağlamalıdır. Ardından, Çin’in YZ çözümlerini sahaya sürmeye ve uygulamaya odaklanan agresif YZ finansmanını sadece eşleştirmekle kalmamalı, aynı zamanda aşmalıyız.’
Wang’ın daha müdahaleci bir ABD devletine yönelik çağrısı, özellikle askeri endüstriler etrafında kümelenen YZ şirketlerinin bir bölümünün artan yatırım ölçeğinden daha fazlasına yönelik arzusunu yansıtmaktadır. Sonuçta, Amazon Web Services (AWS) ve Google’da olduğu gibi ağa bağlı altyapı sağlayan birçok büyük teknoloji şirketi, halihazırda milyarlarca dolarlık sermaye harcaması taahhüt etmiştir.
Şubat 2025’te Amazon, bu yıl yaklaşık 100 milyar $ (74 milyar £) harcamayı planladığını açıkladı; bu rakam, 2008’den bu yana mülk, tesis ve ekipman (PPE) için harcanan tahmini toplam miktarın beşte biri. Bu, son on buçuk yılda PPE harcamalarında zaten dik bir artış eğrisine rağmen yapay zeka hizmetlerine yönelik artan talebin etkisini göstermektedir. Bu harcama eğilimleri, Alibaba’nın 2025 yılında 52 milyar $ (38 milyar £) harcama öngörmesi, ByteDance’ın 20 milyar $ (14 milyar £) harcama planlarını açıklaması ve Tencent’in milyar ABD dolarının “düşük onlu” seviyelerinde yatırım öngörmesi ile Çin’in büyük teknoloji şirketleri arasında da yansıtılmaktadır.
Wang’ın mektubunun da gösterdiği gibi, Çinli şirketlerin kamuya açıkladığı yatırım rakamları, Çin devletinin YZ geliştirme konusundaki kararlılığının tam ölçeğini yansıtmıyor. ABD’li YZ şirketleri ve hükümet yetkilileri DeepSeek’in atılımından ürktüler, çünkü Çinli şirket, bazı kritik teknolojilere erişimi engelleyerek Çin YZ araştırmalarını engellemek için tam olarak tasarlanmış ABD ihracat kontrollerine rağmen önemli verimlilik kazanımları elde etti. Aslında, ABD’nin gelişmiş çiplere erişimi engelleme çabalarının Çin’in YZ üretim endüstrisindeki araştırma ve inovasyonu bastırmak yerine teşvik etmiş olması tamamen akla yatkındır. ABD tarihinde jeopolitik krizlerin teknolojik inovasyonda bir sıçrama için gerekli koşulları sağlayan nispeten kapalı bir “sera” sistemi yarattığı pek çok örnek var. İkinci Dünya Savaşı’nın doğal kauçuğa erişimi kesmesinin ardından ABD’de sentetik kauçuk üretimi buna iyi bir örnektir. Petrokimya endüstrisi ile işbirliği içinde gerçekleştirilen büyük çaplı devlet müdahalesi, bir alternatifin geliştirilmesini hızlandırmış ve bu da savaş sonrasında ABD kapitalizminin petrol destekli genişlemesinin kritik bir bileşenini oluşturmuştur.
Askeri-endüstriyel-tanrı-kompleksiyle yüzleşmek
Yeni tür savunma teknolojisi yapay zeka kapitalistleri – Wang ya da Palantir’den Alex Karp ve Shyam Sankar – tam da 1940’lar ve 1950’lerdeki bu tür örneklere saplanıp kalmışlardır. Amerikan imalatının, teknolojik araştırmalarının ve askeri sanayiciliğinin altın çağına duyulan nostalji ile vatanseverlik ve “Batı ”yı savunma ihtiyacının baş döndürücü bir karışımını bir araya getiriyorlar. Bu bakış açısının Trump yönetiminde başkan yardımcısı JD Vance de dahil olmak üzere güçlü destekçileri var. Mart 2025’teki “Amerikan Dinamizmi” yatırım zirvesinde Vance, “Amerikan endüstriyel rönesansının” merkezinde yapay zekanın yer aldığı bir vizyon ortaya koydu. Vance, küreselleşmenin, işlerin işgücü maliyetlerinin daha düşük olduğu yerlere kaydırılması nedeniyle başarısız olduğunu ve rakip ülkelerin ABD’yi geçme yolunda ilerlemesine yardımcı olduğunu açıkladı. Sözlerine şöyle devam etti:
‘Bence yanlış anladık. İmalat yapan coğrafyaların, bir şeylerin tasarımında son derece iyi oldukları ortaya çıktı. Hepinizin çok iyi anladığı gibi ağ etkileri var. Ürün tasarlayan firmalar üretim yapan firmalarla birlikte çalışıyor. Fikri mülkiyeti paylaşıyorlar. En iyi uygulamaları paylaşırlar. Ve hatta bazen kritik çalışanları paylaşırlar. Şimdi, diğer ulusların değer zincirinde her zaman bizi takip edeceğini varsayıyorduk, ancak değer zincirinin alt ucunda daha iyi hale geldikçe, üst ucunda da bizi yakalamaya başladıkları ortaya çıktı. Her iki uçtan da sıkıştırıldık.’
Vance toplanan kalabalığa bir alternatif sundu: üretim süreçlerini ABD’ye geri döndürmek, montaj hattındaki üretkenliği yapay zeka ile arttırmak, “Birleşik Arap Emirlikleri’ndeki dostlarımız” sayesinde bol fosil yakıtlı enerji ile her şeyi güçlendirmek ve göçmen işgücünü dışarıda tutmak için askerileştirilmiş bir sınır rejimi uygulamak (Palantir ve diğerleri tarafından sağlanan yapay zeka teknolojileri için başka bir kullanım). Vance’in kapanış sözleri, endüstriyel hakimiyet için yapılan bu ölümcül yarışta savaşın da bir rol oynadığının farkında olduğunu göstermektedir. “İster geleceğin savaşı, ister geleceğin istihdamı, ister geleceğin ekonomik refahı olsun,” dedi, “bunu burada, Amerika Birleşik Devletleri’nde inşa etmemiz gerektiğine inanıyoruz. ”
American Dynamism’deki izleyiciler arasında da benzer argümanları dile getiren çok sayıda kişi vardı. Drone üreticisi Adam Bry, daha sonraki bir panelde Vance’in açılış konuşmasını takip ederek, drone’ların seri üretiminin ülkenin yeniden sanayileşmesinde “iğneyi hareket ettirmeye” nasıl yardımcı olabileceğine dair bir vizyon çizdi. Ukrayna ordusunun savaş alanında yılda 1.000.000 insansız hava aracı kullandığını belirtti. Bry bundan yola çıkarak şunları savundu:
‘Bu, askeri satın alma gücünün büyük bir fark yarattığı yeniden sanayileşme ile ilgili bir noktadır. Tüketici sivil quadcopter pazarları tek haneli milyarlar ölçeğinde ölçülmektedir. İddia ediyorum ki bu rakam, ordunun bu alanda harcaması gereken rakamla kıyaslanabilir.’
Drone savaşı, yapay zeka araştırmalarının askeri uygulamalarının, özellikle de otonom ve sürü davranışıyla ilgili olarak hararetle tartışıldığı bir alandır. Yirmi yıl önce ABD ordusu, çok farklı türde silahlarla savaşan düşmanlara karşı emperyalist hava gücünün teknolojik “yığınında” en düşük seviye olarak insansız hava araçlarını konuşlandırdı. Bugünlerde insansız hava araçlarının satın alınması ucuz, yapımı nispeten basit ve savaş alanında çok çeşitli roller üstleniyorlar. Ticari insansız hava araçları GPS ve radyo karıştırma yoluyla bozulması kolay iletişim bağlantılarına dayanıyor. Drone üretiminde inovasyonun sınırlarından biri, droneların elektronik savaş koşullarında yön bulmasını sağlayacak ML bilgisayar görüşüdür. Dronlar arasındaki sürü davranışları, örneğin İsrail ordusunun 2022-3’te araştırmacıları bu konu üzerinde çalışmak üzere görevlendirdiği Massachusetts Teknoloji Enstitüsü’nde olduğu gibi, mevcut askeri yapay zeka araştırmalarının bir başka alanıdır.
Gazze’nin ölüm tarlaları, İkinci Dünya Savaşı’ndan bu yana nadiren görülen insan hayatının ahlaksızca yok edilme seviyelerinin normalleştirilmesinde önemli bir rol oynamıştır ve YZ teknolojileri bunun tam merkezinde yer almaktadır. İsrail’in kitlesel gözetleme sistemlerinden ölüm listeleri oluşturan makine öğrenimi modellerine ve mülteci kamplarındaki yaralı çocukları yok eden insansız hava araçlarına kadar, YZ bu soykırımın her yerinde yer almaktadır. Bu yeni teknolojik militarizm çağının peygamberlerinin söylemeyi sevdikleri ısrarlı yalanlardan biri de “ nokta atışı ” saldırıları mümkün kıldıklarıdır. Anlatıya göre bunlar, görünüşe göre sivillerin hayatlarını kurtaran yapay zeka ile daha iyi bir şekilde mümkün olmaktadır. Bir kez daha, İsrail’in Gazze’deki bombalama kampanyasının merkezindeki alanların ürkütücü boşluğu farklı bir hikaye anlatıyor, belki de Ağustos 1945’teki nükleer bombalamadan sonra Hiroşima’nın (Japonya) merkezindeki patlamış çorak araziye veya aynı yılın Şubat ayında Müttefiklerin bombalama saldırılarının ardından Dresden’in (Almanya) ateşle kavrulmuş kalıntılarına daha yakın.
Yapay zeka savaşının yeni müstakbel efendileri en azından geçmişteki kitle imha silahlarıyla karşılaştırma yapma konusunda dürüstler. Bry’nin dediği gibi: “Bireysel düzeyde, nükleer silah kullanmak sefil, korkunç, berbat bir şeydir, ancak sizin ve düşmanınızın nükleer silahlara sahip olduğu bir dünyadan daha kötü olan tek dünya, sadece düşmanınızın [nükleer silahlara] sahip olduğu bir dünyadır”.
Elbette ne savunma teknolojisi kardeşleri ne de Vance ABD kapitalist sınıfının tüm çıkarlarını, hatta büyük ABD teknoloji şirketleri yelpazesinin tamamının çıkarlarını temsil ediyor. Trump’ın gümrük vergileri sadece uluslararası tahvil piyasalarından değil, aynı zamanda Nvidia, Amazon ve Apple gibi büyük teknoloji firmaları da dahil olmak üzere ABD’li kapitalistlerin geniş bir kesiminden gelen yoğun lobi faaliyetleriyle de büyük baskı altına girdi. Özellikle Nvidia, 15 Mayıs 2015’te yürürlüğe girecek olan ve yapay zeka çiplerinin ihracatı için özel hükümet onayı gerektiren ve böylece Nvidia’nın Çin de dahil olmak üzere uluslararası pazarlardan elde ettiği karlara darbe vuracak olan Yapay Zeka Yayılım Kuralı konusunda yönetimin büyük bir geri adım atmasını sağlamış gibi görünüyor. Bunun Trump ile karşı karşıya gelmek yerine dalkavukluk yoluyla elde edilmiş olması önemli değil. Açıkçası, bu kritik alanda bile, ABD devleti henüz Karp’ın fantezilerinde hayal ettiği her şeye gücü yeten bir varlık değil ve hala kendi büyük kapitalistleriyle pazarlık yapmak zorunda.
Yapay zeka teknolojilerini benimseme yarışının altında yatan varsayımlarda çok daha temel bir dizi sorun var – Marx’ın büyük ölçekli makine analizinde ortaya koyduğu bir sorun. Herhangi bir üretim sürecinin makineleşmesi, bu tekniği ilk kullanan kapitalistlere, işgücünden elde ettikleri artı değerden daha büyük bir pay almalarını sağlayarak fayda sağlama potansiyeline sahiptir. Marx bunun, iş yoğunluğunun arttırılması, iş gününün uzatılması ve işçi sınıfının yeni katmanlarının sömürülmesi yoluyla işgücünün genişletilmesi gibi çeşitli yollarla gerçekleşebileceğini belirtmiştir. Ancak, sistemin bütünü üzerindeki etkisi felakettir çünkü yaşayan işçiler, kendilerinden öncekilerin ölü emeğinin ürünü olan makinelerle çevrili olarak çalıştıkça, tüm değerin kaynağı olan canlı emek gücünün oranı azalır. Sermayenin zaman içinde artan bu organik bileşimi, kâr oranının uzun vadede düşme eğiliminin başlıca faktörüdür. Açıkça söylemek gerekirse, hiçbir robot kapitalizmin uzun vadeli krizini çözmeyecektir. Aksine, onları inşa etmek yalnızca sistem genelindeki düşüş yörüngesini yoğunlaştıracaktır. Bu, geçici olarak toparlanmanın bir yolu olmadığı anlamına gelmez. Ekonomik kriz dönemlerinde üretimdeki döngüsel düşüşler sermayeyi yok edebilir ve sistem genelinde ölü ve canlı emek arasındaki dengeyi yeniden kurabilir.
Savaşlar, sistemi tıkayan sermayeyi temizlemek ve sıfırlamaya olanak sağlamak için bir başka mekanizmadır. İçinde bulunduğumuz dönemin tehlikelerinden biri, ABD egemen sınıfının ve onun Çin’deki muadilinin, müttefiklerinin ve büyük güç rakiplerinin çoğuyla birlikte, “geleceğin savaşına” hazırlıkla doğrudan bağlantılı ölümcül bir devletlerarası endüstriyel rekabet mekanizmasının faaliyetlerini nasıl hızlandırdıklarını görüyor olmamızdır. Geçmişten de bildiğimiz gibi, üretim araçlarını yıkım araçları yaratmaya odaklamak, enerji ağlarının inşası, madenlerin ve su kaynaklarının ele geçirilmesi, endüstriyel montaj hatlarının genişletilmesi ve sayısız işçi ordusunun seferber edilmesi yoluyla yoğun bir rekabet yaratmaktadır. Yapay zeka teknolojilerinin insan emeğinin ürünleri olarak net bir şekilde analiz edilmesinin elzem olmasının nedeni de budur – günümüz dünyasında savaş sarmalını durdurmak için hiçbir şey yapamayacağımızı fısıldayan yanılsamadan daha tehlikeli bir yanılsama yoktur. Direniş her zaman verimlidir ve YZ’ye güç veren gizli emeğin ortaya çıkarılması, gerçek düşmanlarımıza karşı daha etkili bir şekilde harekete geçebileceğimiz yeni bir alan ortaya çıkarabilir.
_________________________________________________________________________
Bu yazı 1 Temmuz 2025’te orijinali İngilizce olarak International Socialism dergisinde yayınlanmıştır. Yazar, Anne Alexander, Revolution is the Choice of the People: Crisis and Revolt in the Middle East and North Africa (Bookmarks, 2022) adlı kitabın yazarıdır. MENA Solidarity Network’ün kurucu üyesi, Middle East Solidarity’nin eş editörü ve Üniversite ve Kolej Birliği üyesidir.
