Amazon Web Services ve NVIDIA, AWS’nin küresel altyapısına iki milyon ek NVIDIA GPU yerleştirmeyi planladıklarını 26 Ağustos 2026’da açıkladı. Duyuru yalnız ekran kartı tedariki anlamına gelmiyor; yapay zekâ fabrikaları, yeni Vera işlemciler, gelişmiş ağ, açık Nemotron modelleri, veri işleme ve fiziksel yapay zekâ araçları arasında daha derin bir bütünleşme hedefleniyor. Ölçek, bulut yapay zekâ kapasitesi yarışının ne kadar hızlandığını gösteriyor.
“İki milyon GPU” tek tarihte çalışacak iki milyon aynı çip demek değildir. Plan farklı nesil ve kullanım amaçlarına sahip hızlandırıcıların zaman içinde AWS bölgelerine kurulmasını kapsayabilir. Kesin model dağılımı, teslim takvimi, yatırım tutarı, coğrafi dağılım ve enerji kapasitesi duyuruda tam açıklanmadı. Bu nedenle sayı güçlü bir yön işareti olsa da kullanılabilir kapasiteyi değerlendirmek için ayrıntı gerekir.
Anlaşmanın Ana Bileşenleri
- AWS küresel altyapısına iki milyon ek NVIDIA GPU dağıtma planı.
- Model eğitimi, büyük ölçekli çıkarım, ajan sistemleri ve fiziksel yapay zekâ için AI factory mimarileri.
- NVIDIA Vera CPU’ların AWS altyapısıyla daha derin bütünleşmesi.
- Yüksek hızlı ağ, veri işleme ve hızlandırılmış hesaplama katmanlarının birlikte tasarlanması.
- NVIDIA Nemotron açık modellerinin ve araçlarının AWS hizmetlerinde daha kolay kullanılması.
- Robotik, simülasyon ve endüstriyel yapay zekâ iş yüklerine odaklanan çözümler.
Neden Bu Kadar Fazla GPU Gerekiyor?
Büyük dil modellerinin eğitimi binlerce hızlandırıcıyı haftalar veya aylar boyunca kullanabiliyor. Ancak 2026’da asıl büyüyen yük yalnız eğitim değil. Milyonlarca kullanıcının aynı anda modelden yanıt alması, ajanların arka planda çok adımlı görev yürütmesi, video üretimi ve robotların gerçek zamanlı karar vermesi sürekli çıkarım kapasitesi istiyor.
Ajan sistemi tek kullanıcı isteği için birden fazla model çağrısı, arama, kod çalıştırma ve doğrulama yapabilir. Böylece “bir soru, bir yanıt” dönemine göre hesaplama tüketimi katlanır. Fiziksel yapay zekâ da kamera, sensör, simülasyon ve dijital ikiz verisini birlikte işler. İki milyon GPU hedefi bu talep beklentisine karşı kapasite rezervi oluşturuyor.
AI Factory Ne Demek?
NVIDIA “AI factory” ifadesini veriyi modele, modeli üretken çıktıya dönüştüren uçtan uca altyapı için kullanıyor. Burada GPU yalnız hesap motoru. CPU, bellek, depolama, ağ anahtarları, veri hazırlama yazılımı, iş zamanlayıcı, güvenlik, izleme ve soğutma birlikte çalışmak zorunda. Binlerce GPU’dan biri veri beklerse pahalı kapasite boşta kalır.
AWS’nin avantajı veri merkezi, ağ ve yönetilen hizmet deneyimi. NVIDIA’nın avantajı hızlandırıcı, CUDA yazılım ekosistemi ve yüksek hızlı bağlantı. Ortak tasarım, müşterinin bu parçaları tek tek kurma yükünü azaltabilir. Buna karşılık daha sıkı bütünleşme sağlayıcı bağımlılığını artırabilir; uygulamayı başka buluta veya farklı hızlandırıcıya taşımak zorlaşabilir.
Vera CPU ve Ağ Neden Önemli?
Yapay zekâ sistemi her işi GPU’da yapmaz. Veri yükleme, istek yönlendirme, bellek yönetimi, ön ve son işleme için güçlü CPU gerekir. NVIDIA’nın Vera mimarisi GPU’larla yüksek bant genişliği ve enerji verimliliği hedefliyor. AWS entegrasyonu, işlemci ile hızlandırıcı arasındaki veri hareketini azaltarak toplam gecikme ve enerji tüketimini düşürebilir.
Ağ ise büyük kümelerin görünmeyen darboğazı. Model tek GPU belleğine sığmadığında katmanlar ve veriler birçok sunucuya dağılır. Bu sunucuların çok düşük gecikmeyle sürekli haberleşmesi gerekir. Duyurudaki gelişmiş ağ vurgusu, ham GPU sayısı kadar önemli. Gerçek performans, tek çip hızından çok kümenin ne kadar verimli çalıştığıyla belirlenecek.
AWS’nin Kendi Trainium Çipleri Ne Olacak?
AWS aynı zamanda Trainium adlı kendi yapay zekâ hızlandırıcılarını geliştiriyor. NVIDIA ile dev kapasite anlaşması, Trainium’un bırakıldığı anlamına gelmiyor. Bulut sağlayıcıları maliyet, erişim ve iş yükü ihtiyacına göre farklı çipleri aynı katalogda tutuyor. CUDA uyumlu mevcut yazılım NVIDIA’yı kolay seçenek yaparken belirli eğitim işlerinde Trainium fiyat-performans avantajı sunabilir.
Müşteri için sağlıklı rekabet, yazılımın tek donanıma kilitlenmemesine bağlı. Model biçimi, dağıtık eğitim kütüphanesi ve konteyner yapısı taşınabilir olursa ekip fiyat ve kapasiteye göre seçim yapabilir. Kapalı özelliklere yoğun bağımlılık kısa vadede geliştirmeyi hızlandırırken uzun vadede pazarlık gücünü azaltabilir.
Nemotron ve Açık Modellerin Rolü
NVIDIA’nın Nemotron ailesi, kurumların ajan ve özel alan uygulamaları kurması için açık model ve araçlar sunuyor. AWS üzerinde hazır erişim, ekiplerin altyapı kurmadan ince ayar ve dağıtım yapmasını kolaylaştırabilir. Ancak “açık model” ifadesi lisans, eğitim verisi ve kullanım kısıtları açısından her zaman aynı anlama gelmez; her sürümün lisansı ayrı okunmalı.
Modelin açık ağırlıklı olması toplam maliyeti otomatik düşürmez. GPU saati, depolama, veri aktarımı, gözlemleme ve uzman ekip maliyeti devam eder. Kurum önce görev başarısını küçük ölçekte test etmeli, ardından daha büyük kapasiteye geçmeli. İki milyon GPU’nun varlığı kötü tasarlanmış ajanı ekonomik hâle getirmez.
Enerji ve Su Tüketimi
Milyonlarca hızlandırıcının güç ihtiyacı yalnız cihazların TDP değerlerini toplamakla hesaplanamaz. CPU, ağ, depolama, güç dönüşümü ve soğutma ek tüketim yaratır. Kurulum nesillere ve kullanım oranına yayılsa bile yeni elektrik bağlantıları, şebeke anlaşmaları ve yedek enerji sistemleri gerekir. Sıvı soğutma yüksek yoğunlukta verim sağlayabilir, fakat su kaynağı ve ısı geri kullanımı bölgeye göre planlanmalı.
AWS ve NVIDIA’nın sürdürülebilirlik iddiaları mutlak enerji tüketimi, karbon yoğunluğu, su kullanımı ve kapasite kullanım oranıyla raporlanmalı. Watt başına daha hızlı çip toplam talep daha hızlı büyürse elektrik tüketimini yine artırabilir. Müşteriler model başına enerji ve maliyet ölçümü isteyerek gereksiz büyük modeli daha küçük çözümle değiştirebilir.
Müşteriye Faydası ve Riski
- Fayda: Yoğun dönemde GPU bulma ve uzun kapasite kuyruğu riski azalabilir.
- Fayda: Eğitim, çıkarım, ağ ve model araçlarının yönetilen hizmette birleşmesi kurulumu hızlandırabilir.
- Fayda: Daha fazla bölge, veri yerleşimi ve gecikme seçeneklerini geliştirebilir.
- Risk: NVIDIA ve AWS’ye aynı anda derin bağımlılık maliyet ve taşınabilirlik riski yaratabilir.
- Risk: Kapasite büyümesi fiyatların otomatik olarak düşeceği anlamına gelmez.
- Risk: Enerji, su, izin ve tedarik zinciri hedef takvimini etkileyebilir.
Türkiye’deki Ekipler İçin Anlamı
Türkiye’deki girişim ve kurumlar için asıl soru toplam küresel sayıdan çok, hangi AWS bölgesinde hangi GPU’nun hangi tarihte ve fiyatta açılacağı. Veri koruma, gecikme, döviz maliyeti ve yurtdışı veri aktarımı birlikte değerlendirilmeli. Bir prototipi en pahalı GPU ile kurmak yerine görev başına maliyet, yanıt süresi ve kalite ölçülmeli.
Kapasite planı yaparken spot örnekler, ayrılmış kapasite, çoklu bölge yedeği ve farklı model boyutları karşılaştırılmalı. Kritik hizmette tek GPU türüne bağlı kalmamak, yoğun dönemde alternatif çıkarım sağlayıcısı tutmak iş sürekliliğini güçlendirir. Büyük anlaşma heyecan verici; iyi mimari yine sade, ölçülebilir ve taşınabilir olandır.
Almadanincele Yorumu
İki milyon GPU, yapay zekânın deneysel araçtan temel bulut hizmetine dönüştüğünün güçlü işareti. Ancak gerçek yenilik yalnız çip sayısında değil; CPU, ağ, sıvı soğutma ve yazılımın tek sistem gibi çalışmasında.
Müşteriler “daha çok kapasite” söylemini otomatik ucuzluk olarak okumamalı. Görev başına maliyet, bölgesel erişim, enerji raporu ve sağlayıcıdan çıkış planı birlikte düşünülmeli. Ölçek büyürken en değerli mühendislik kararı hâlâ gereksiz hesaplamayı azaltmak.
Kapak görseli: Almadanincele özgün yapay zekâ veri merkezi görseli. Kullanım bilgisi: Almadanincele için OpenAI ImageGen ile özgün üretilmiştir.
