Yapay zeka tartışmalarında en sık duyulan kıyaslamalardan biri “AI bizden daha mı zeki?” sorusu. Sayılar dikkat çekici şeyler söylüyor ama çoğu zaman yanlış metrikten bakılıyor. RTX 5090 saniyede 30 token üretiyor, insan beyni 5; o halde GPU 6 kat üstte gibi görünüyor. Ancak bu hesap, denklemin en kritik değişkenini gözden kaçırıyor: enerji verimliliği.
Doğru soru şu: kim watt başına daha fazla token üretiyor? İşte sayılar bu açıdan bakıldığında hikaye tamamen değişiyor.
Sayılar Neyi Söylüyor?
İnsan Beyni
İnsan beyni hayrete düşürecek kadar verimli bir hesaplama makinesi. Yaklaşık 20 watt güç tüketiyor — yani parlak bir LED ampulden bile az. Üstelik bu güçle inanılmaz karmaşık işler yapıyor.
- Konuşma hızı: ~3-4 token/saniye
- Okuma hızı: ~5-6 token/saniye (sessiz okumada bu daha yüksek)
- Verimlilik: ~0,2 token/saniye/watt
Karşılaştırma için: bir saatlik bir kitap okuma seansında beyin yaklaşık 18.000 kelime işliyor ve bunu bir akıllı saatten daha az enerjiyle yapıyor.
NVIDIA GeForce RTX 5090
2025’te piyasaya çıkan amiral gemisi tüketici GPU’su, çıplak güç açısından tam bir canavar. Blackwell mimarili çip, 32 GB GDDR7 bellekle donatılmış ve özellikle yapay zeka iş yüklerinde çığır açıyor.
- Güç tüketimi: ~500-575 watt (TDP)
- LLM hızı: ~30 token/saniye (orta boy modeller için tipik)
- Verimlilik: ~0,06 token/saniye/watt
Sonuç: Beyin 3-5 Kat Daha Verimli
Watt başına token kıyaslaması, beklenmedik bir tabloyu ortaya koyuyor. İnsan beyni, RTX 5090’a göre yaklaşık 3-5 kat daha verimli. Yani aynı miktar enerjiyle beynimiz GPU’dan kat be kat fazla “düşünebiliyor”.
Ancak işin diğer tarafına bakınca farklı bir tablo çıkıyor: GPU, beyinden yaklaşık 10 kat daha hızlı token üretiyor. Yani beyin verimli ama yavaş; GPU savurgan ama hızlı.
Diğer Donanımlarla Karşılaştırma
Tabloyu daha geniş bir perspektifte değerlendirmek için diğer donanımlara da bakalım:
- Apple M4 Max: ~80W ile 25 token/sn ≈ 0,31 token/sn/W (ilginç şekilde beyne yakın)
- NVIDIA H100 (datacenter): ~700W ile 200+ token/sn ≈ 0,28 token/sn/W
- NVIDIA B200 (Blackwell datacenter): ~1000W ile 400+ token/sn ≈ 0,4 token/sn/W
- Cerebras WSE-3: wafer-scale çip, ~20.000 token/sn ama 23 kW güç
Görüldüğü gibi datacenter GPU’ları tüketici GPU’larından daha verimli; Apple Silicon ise unified memory mimarisi sayesinde sürpriz bir şekilde verim tarafında öne çıkıyor. Cerebras gibi özel AI çipleri daha da farklı bir oyun oynuyor: ham hızda muazzam ama enerji açısından bambaşka bir lige ait.
Peki GPU Neden “Daha Zeki” Gibi Görünüyor?
Cevap basit ama önemli: brute force (kaba kuvvet). GPU bir LLM çalıştırırken aslında düşünmüyor, anlamıyor, hissetmiyor. Bir dünya modeli yok. Yaptığı tek şey “bir sonraki token ne olabilir?” sorusunu olağanüstü hızda yanıtlamak.
İnsan beyni ise tamamen farklı bir paradigmada çalışıyor. Yalnızca metin tahmin etmiyor; aynı anda görüntü işliyor, ses tanıyor, motor kontrolü yapıyor, duyguları işliyor, sosyal bağlam çıkarıyor, geçmiş deneyimleri kullanıyor. Tüm bunları o 20 watt içinde gerçekleştiriyor.
Yani 5090’ı bir LLM ile beyne kıyasladığımızda, gerçekte beynin sadece çok küçük bir alt fonksiyonunu (dil üretimi) GPU’nun tüm kapasitesiyle karşılaştırıyoruz. Adil olmayan bir kıyaslama.
Asıl Fark: Hız Makinesi vs Anlam Makinesi
İki sistem arasındaki temel farkı tek cümleye sığdırmak gerekirse:
- GPU → hız makinesi. Çok hızlı, çok paralel, ama tek boyutlu bir görev için optimize edilmiş.
- Beyin → anlam makinesi. Daha yavaş ama bağlamsal, çok modal, sürekli öğrenen, son derece enerji verimli.
GPU bir cümleyi tahmin ederken parametre matrislerinde milyarlarca çarpma işlemi yapıyor. Beyin ise aynı cümleyi üretirken aynı zamanda o cümlenin neden söylendiğini, kime söylendiğini, nasıl algılanacağını da hesaplıyor.
Biyolojinin Verimliliği Neden Bu Kadar İyi?
Beynin enerji verimliliğinin sırrı, milyarlarca yıllık evrimsel optimizasyon. Birkaç teknik faktör öne çıkıyor:
- Spike-based hesaplama: Nöronlar sürekli aktif değil; sadece eşik değeri aşıldığında ateşliyor. Bu, GPU’ların sürekli akan transistörlerine kıyasla muazzam enerji tasarrufu sağlıyor.
- Analog hesaplama: Nöronlar 0/1 değil, sürekli analog değerlerde çalışıyor. Aynı bilgiyi çok daha az “operasyon” ile temsil ediyor.
- Yerelleştirilmiş bellek: Beyinde “bellek” ve “hesaplama” aynı yerde. GPU’da ise verinin VRAM’den compute unit’lere taşınması büyük enerji harcıyor (von Neumann darboğazı).
- Sparse aktivasyon: Beynin herhangi bir anda yalnızca ~%2’si aktif çalışıyor. Bir LLM ise her token için tüm ağırlıkları (en azından MoE değilse) hareket ettirmek zorunda.
Aslında nöromorfik çipler (Intel Loihi 2, IBM TrueNorth gibi), beynin bu prensiplerini taklit etmeye çalışıyor. Ancak henüz LLM tarzı genel görevlerde GPU’larla yarışacak seviyede değiller.
En Kritik Içgörü: AI vs İnsan Yanlış Bir Soru
Bu kıyaslamadan çıkan en önemli sonuç şu: “AI vs insan” diye bir denklem aslında yok. Doğru denklem AI × insan.
GPU hızı sağlıyor, insan anlamı sağlıyor. Bir araştırmacı, geliştirici veya yaratıcı, GPU ile birlikte çalıştığında her ikisinin de avantajlarını birleştiriyor. GPU brute force ile geniş arama uzaylarını taraması; insan ise hangi yolun anlamlı, etik ve değerli olduğunu belirliyor.
Bu tam olarak son dönemde Claude Code, Cursor ve GitHub Copilot gibi araçların yarattığı paradigmanın özü. AI ne sizi taklit ediyor, ne sizin yerinize geçiyor; sizinle birlikte hesaplıyor.
Sonuç: Verimliliğin Geleceği
20 watt’lık beyin, 500 watt’lık RTX 5090’a göre daha verimli olmaya devam edecek. Ancak GPU’ların verimlilik artış hızı çok yüksek. Blackwell mimarisi, önceki nesil Hopper’a göre yaklaşık 2,5 kat daha verimli. Önümüzdeki 10 yılda bu makasın bir miktar daha kapanması bekleniyor.
Yine de biyolojik nöronların kendine has dehası — sparse aktivasyon, analog hesaplama, hesaplama-bellek birleşimi — silikon mimarilere kolay kolay aktarılamayacak. AI ile insan arasındaki gerçek savaş, yarış değil; iş birliği. Beyniniz hâlâ dünyanın en verimli “yapay zekası”. GPU’nuz ise en hızlı asistanınız.
Bir yanıt yazın