Bellek içi hesaplama ve çipletler: robotikte Moore Yasası'nın ötesi

TL;DR. Mythic AI'dan Taner Ozcelik, Londra'daki Economist zirvesinde bellek içi hesaplama ve çipletlerin robotlarda verimliliği 10 ila 1.000 kat artırdığını anlattı.

Önemli Çıkarımlar

Termodinamik duvar: Fiziksel yapay zekâ neden bulutta yaşayamaz. Moving past Moore’s law: the power behind high-performance robotics (“Moore Yasası'nın ötesine geçmek: yüksek performanslı robotiğin arkasındaki güç”) başlıklı söyleşide Kenneth Cukier, kurumsal otonominin karşı…
Mimari tez: Bellek içi hesaplama (CIM). Termodinamik darboğazı çözmek için Mythic AI bir mimari felsefe geliştirdi: verileri ayrı işlem birimleri ile bellek havuzları arasında taşımak yerine belleğin kendisi bilgisayar olmalıdır.
Modüler çiplet stratejisi. Analog bellek içi hesaplama enerji ve gecikme denklemlerini çözse de silikonu farklı ticari alanlara ölçeklemek paketleme esnekliği gerektirir.
Mimari karşılaştırma: Uç robotik için hesaplama paradigmaları. Kaynak: Economist Enterprise Physical AI and Robotics Summit'te (Convene 200 Aldersgate, Londra, 13 Ekim 2026) sunulan söyleşi verilerinin ve yarı iletken mimari özelliklerinin derlemesi.

Yarım asırdan uzun süre boyunca bilişimdeki ilerleme Moore Yasası'na uydu: her on sekiz ila yirmi dört ayda bir silikona iki kat daha fazla transistör sığdırmak. Ancak fiziksel yapay zekâ ve otonom robotik gibi yeni bir alanda Moore Yasası termodinamik yasalarıyla çarpıştı. Otonom dronlar, dört ayaklı robotlar, cerrahi manipülatörler ve sürücüsüz araçlar 700 watt'lık sunucu sınıfı GPU'ları ya da soğutma kulelerini taşıyamaz. 13 Ekim 2026'da Londra'daki Economist Enterprise Physical AI and Robotics Summit'te Mythic AI Yönetim Kurulu Başkanı ve CEO'su Taner Ozcelik, Kenneth Cukier ile yaptığı söyleşide bu kilitlenmeyi kırmak için gereken mimari devrimi inceledi: analog bellek içi hesaplama (CIM) ve modüler çipletlerle Moore Yasası'nın ötesine geçmek.

Termodinamik duvar: Fiziksel yapay zekâ neden bulutta yaşayamaz #

Moving past Moore’s law: the power behind high-performance robotics (“Moore Yasası'nın ötesine geçmek: yüksek performanslı robotiğin arkasındaki güç”) başlıklı söyleşide Kenneth Cukier, kurumsal otonominin karşı karşıya olduğu temel mühendislik ikilemini şöyle çerçeveledi: yapay zekâ modelleri parametre sayısı ve algılama yeteneği bakımından büyüyor, ancak fiziksel makineler acımasız SWaP-C kısıtları (boyut, ağırlık, güç ve maliyet) altında çalışıyor.

Bugün yapay zekânın ön cephesi, devasa sunucu kümelerinde 150 megavat ve üzeri çeken hiper ölçekli veri merkezlerine dayanıyor. Ozcelik'in belirttiği gibi bu mimari, biyolojik referans noktalarından milyonlarca kat uzak enerji ölçeklerinde çalışıyor. İnsan beyni gerçek zamanlı ve sürekli duyu-motor koordinasyonunu, anlamsal akıl yürütmeyi ve görsel-uzamsal yön bulmayı yaklaşık 20 watt'lık bir metabolik güç zarfı içinde gerçekleştiriyor.

Tarihsel olarak robotik mühendisleri, çıkarımı buluta aktararak araç üstü hesaplama sınırlarını aşmaya çalıştı. Ancak görev açısından kritik endüstriyel, havacılık ve savunma ortamlarında buluta bağımlı otonomi mimari açıdan imkânsızdır:

Gecikme değişkenliği ve seğirme (jitter): Yüksek hızlı kapalı döngü robot kontrolü, 50 Hz ile 1.000 Hz arasında deterministik motor güncellemeleri gerektirir (20 milisaniyenin altında gidiş-dönüş). Hücresel ağlar ve Wi-Fi paket seğirmesi, düşen kareler ve gecikme sıçramaları getirir; bunlar robot kollarının iş parçalarını düşürmesine ya da otonom araçların fren eşiklerini kaçırmasına yol açar.
Bant genişliği doygunluğu: Bir endüstriyel tesis boyunca onlarca mobil robottan birden çok sıkıştırılmamış 4K video akışı ve LiDAR nokta bulutu aktarmak, yerel RF bant genişliğini hızla tüketir ve fahiş bulut çıkış ücretlerine yol açar.
Operasyonel egemenlik ve çekişmeli bağlantı: Yeraltı madenlerinde, GPS erişimi olmayan tünellerde, uzak inşaat sahalarında ya da taktik askerî ortamlarda harici ağ bağlantıları ya hiç yoktur ya da aktif olarak karıştırılır. Otonom sistemler tüm operasyonel zekâyı doğrudan uç gövde üzerinde taşımak zorundadır.

Robotları standart yüksek performanslı GPU'larla donatmanın da kendi fiziksel bedelleri vardır: ısıl kısma, faydalı yüke parazit kütle ekleyen devasa soğutucular ve uçuş süresini saatlerden dakikalara indiren yüksek güç tüketimi.

Mimari tez: Bellek içi hesaplama (CIM) #

Termodinamik darboğazı çözmek için Mythic AI bir mimari felsefe geliştirdi: verileri ayrı işlem birimleri ile bellek havuzları arasında taşımak yerine belleğin kendisi bilgisayar olmalıdır.

Yeni nesil bellek içi yapay zekâ hesaplama platformu mimari brifingi: tek transistörlü hesaplama dizileri, modüler çiplet stratejisi, verimlilik çarpanları ve ticari dağıtım çapaları .class="img-fluid clearfix"

Tek transistörlü matris çarpımının fiziği #

Klasik dijital hesaplamada bir matris iç çarpımını hesaplamak için binlerce 8 bitlik ya da 16 bitlik ağırlık değerini yüksek kapasitanslı veri yolu hatları üzerinden harici DRAM'den getirmek, önbellek yazmaçlarına yüklemek, çarpımı dijital ALU'larda yapmak ve sonuçları belleğe geri yazmak gerekir. Enerjinin %90'ından fazlası çipler arasındaki bakır bağlantı hatlarını şarj edip boşaltmaya harcanır.

Bellek içi hesaplama mimarileri bu dijital veri aktarımını analog devre fiziğiyle değiştirir:

Ağırlık programlama. Sinir ağı ağırlıkları doğrudan kalıcı bellek hücrelerine (değiştirilmiş flash ya da dirençli RAM gibi) analog iletkenlikler ($G$) olarak programlanır. Programlandıktan sonra ağırlıklar bellek dizisinin içinde sabit kalır; çıkarım sırasında asla getirilmez ya da aktarılmaz.

Giriş gerilimi modülasyonu. Giriş aktivasyonları (kameralardan gelen görsel belirteçler gibi) analog gerilim düzeylerine ($V$) dönüştürülür ve dizinin kelime hatları boyunca sürülür.

Ohm Yasası ile çarpma. Giriş gerilimi her bellek hücresinden geçerken Ohm Yasası ($I = V \times G$) anlık bir analog çarpma yapar ve girişle saklanan ağırlığın çarpımıyla orantılı bir elektrik akımı üretir.

Kirchhoff'un Akım Yasası ile toplama. Dikey bit hatları boyunca binlerce paralel bellek hücresinden gelen akımlar, Kirchhoff'un Akım Yasası'na ($\sum I = 0$) göre doğal olarak toplanır.

Böylece tek bir flash bellek dizisi, tek bir bellek erişimi bile yapmadan fizik düzeyinde çalışarak bütün bir matris-vektör çarpımını tek bir saat döngüsünde yürütür. Birikmiş analog akım daha sonra dizinin kenarındaki yüksek hızlı analog-dijital dönüştürücüler (ADC) ile yeniden dijital değerlere çevrilir.

Modüler çiplet stratejisi #

Analog bellek içi hesaplama enerji ve gecikme denklemlerini çözse de silikonu farklı ticari alanlara ölçeklemek paketleme esnekliği gerektirir. Ozcelik, üstel kusur oranları, düşük pul verimi ve esnek olmayan ürün yapılandırmalarından mustarip büyük, yekpare çip üstü sistemler (SoC) üretmek yerine modüler bir çiplet stratejisi anlattı.

Bu paradigmada küçük, standartlaştırılmış bellek içi hesaplama karoları bağımsız olarak üretilir ve gelişmiş paketleme ile ara katmanlar (interposer) üzerine bağlanır:

Standartlaştırılmış yüksek hızlı kalıptan kalıba bağlantılar: Universal Chiplet Interconnect Express (UCIe) gibi yeni standartlardan yararlanan çipletler, yüksek bant genişliği yoğunluğu ve pikosaniye düzeyinde gecikmelerle mikro tümsekler üzerinden haberleşir.
Heterojen bileşim: Bir sistem tasarımcısı hafif bir dron faydalı yükü için iki bellek içi çipleti düşük maliyetli bir ARM kontrol işlemcisiyle eşleştirebilir ya da uç veri merkezleri için bir sunucu hızlandırıcı kartı oluşturmak üzere on altı çipleti yüksek hızlı PCIe arayüzleriyle birlikte bir araya getirebilir.
Evrensel derleme ve iş yükü eşleme: Birleşik bir derleyici katmanı standart derin öğrenme graflarını (ONNX, PyTorch) alır ve model katmanlarını mevcut çiplet topolojisine otomatik olarak bölüştürür; çipletler arası iletişimi en aza indirmek için veri yönlendirmesini optimize eder.

Mimari karşılaştırma: Uç robotik için hesaplama paradigmaları #

Mimari boyut	Standart dijital GPU (NVIDIA Jetson / Orin)	Özel uç NPU (Google Coral / Hailo)	Analog bellek içi hesaplama çipleti (Mythic AI)
Temel mekanizma	Ağırlıkları LPDDR5/HBM'den getiren dijital SIMD/tensör çekirdekleri	Çip üstü SRAM ağırlık önbellekli dijital sistolik diziler	Matris çarpımını yerinde yapan analog tek transistörlü diziler
Veri hareketi yükü	Yüksek (sürekli DRAM/SRAM veri yolu şarjı; %85+ enerji kaybı)	Orta (iç SRAM önbellek kapasitesiyle sınırlı)	Sıfır iç veri hareketi; ağırlıklar kalıcı olarak bellekte kalır
Çıkarım güç zarfı	30 W ile 75 W+ (aktif fan soğutması ve ağır soğutucular gerekir)	5 W ile 15 W (pasif ya da asgari soğutma)	10 W ile 20 W (ultra kompakt pasif ısı dağıtımı)
Enerji verimliliği (TOPS/W)	2 ila 5 TOPS/Watt (sistem düzeyinde)	10 ila 25 TOPS/Watt	50 ila 200+ TOPS/Watt (10 ila 1.000 kat teorik verimlilik)
Cihaz malzeme listesi (BOM)	Hesaplama modülü başına £500 ila £2.500+	Hızlandırıcı kart başına £100 ila £350	Seri üretimde çiplet birimi başına onlarca dolar
Bellek darboğazı (Von Neumann)	Ciddi; bellek bant genişliğiyle sınırlı (GB/s ile TB/s)	Orta; çip üstü SRAM kapasitesiyle sınırlı (MB)	Yok; dizi bant genişliği iç bellek matrisine eşit
Hedef uygulama alanı	Üst segment otonom araçlar ve endüstriyel denetim robotları	Akıllı kameralar ve hafif gömülü IoT cihazları	Yüksek hızlı dokunsal robotik, taktik dronlar ve otomotiv yapay zekâsı

Kaynak: Economist Enterprise Physical AI and Robotics Summit'te (Convene 200 Aldersgate, Londra, 13 Ekim 2026) sunulan söyleşi verilerinin ve yarı iletken mimari özelliklerinin derlemesi.

Sektörler için ne anlama geliyor #

Bellek içi hesaplamanın ticari olarak doğrulanması, güç ve maliyet kısıtlarının gelişmiş temel modellerin kullanımını tarihsel olarak engellediği sektörlere girmesine bağlı.

Taktik savunma ve insansız sistemler #

Savunma uç uygulamalarında enerji verimliliği doğrudan operasyonel beka kabiliyetine ve görev süresine dönüşür. Küçük insansız hava sistemleri (sUAS) ve taktik kara araçları batarya ağırlığıyla ciddi biçimde sınırlıdır. Bir keşif dronunu geleneksel bir GPU ile donatmak, yalnızca yapay zekâ algılama yığınına güç vermek için havada kalma süresini %30 ila %50 kısaltır.

Mythic AI'ın Lockheed Martin ile stratejik iş birliği, bellek içi hesaplamayı taktik uç sistemlere, otonom dron sürülerine ve uzak gözetleme noktalarına yerleştirmeye odaklanıyor. Hesaplama tüketimini 50 W'tan 10 W'ın altına indiren taktik dronlar, çekişmeli ve GPS erişimi olmayan harekât alanlarında çok modlu nesne sınıflandırması, elektronik harp sinyal işleme ve görsel-ataletsel odometriyi yerel olarak çalıştırırken daha uzun uçabiliyor.

Otomotiv durumsal farkındalığı ve kabin içi yapay zekâ #

Otomotiv sektöründe birinci kademe üreticiler yoğun bir marj baskısıyla karşı karşıya. Amiral gemisi elektrikli araçlar £2.000'lik sıvı soğutmalı otonom sürüş bilgisayarlarının maliyetini kaldırabilir, kitlesel pazar araçları ise kaldıramaz.

Honda Motor'un Mythic AI ile ortaklığı bu ticari sürtünmeyi ele alıyor. Otomobil üreticilerinin, yüzlerce değil onlarca dolara mal olan, yüksek hacimli ve otomotiv sınıfı onaylı yapay zekâ çiplerine ihtiyacı var; bu çipler sürücü izleme sistemlerini, kör nokta nesne bölütlemesini ve 360 derece çevre algılamayı, üretim maliyetini ve montaj karmaşıklığını artıran karmaşık sıvı soğutma döngüleri gerektirmeden çalıştırabilmeli.

Endüstriyel uç veri merkezleri ve mobil sipariş karşılama #

Bellek içi hesaplama mimari olarak uç için optimize edilmiş olsa da Mythic, uç veri merkezleri ve depo sipariş karşılama merkezleri için PCIe hızlandırıcı kartları sunarak bilinçli bir köprü stratejisi izliyor. Yüzlerce otonom mobil robotun (AMR) çalıştığı tesislerde filo koordinasyon modellerini çalıştıran uç sunucu rafları, tesisin elektrik hatları ve soğutma sınırlarıyla kısıtlıdır. Bellek içi hızlandırıcı kartlar, tesislerin şebeke güç altyapısını yükseltmeden yerel çıkarım kapasitesini katlamasını sağlar.

Tedarik zinciri dayanıklılığı ve üretim coğrafyası #

Ozcelik'in brifinginin önemli bir bölümü tedarik zinciri egemenliğine odaklandı. Silikon güvenilir biçimde üretilip paketlenemiyor ve ölçekte sevk edilemiyorsa donanım inovasyonunun bir anlamı yoktur.

Mythic AI dağıtık bir uluslararası üretim ağı kurdu:

Silikon üretimi: Temel bellek içi pul üretimi Japonya'nın Tokyo kentinde yapılıyor; böylece Japonya'nın hassas yarı iletken üretimindeki köklü liderliğinden ve olgun analog/flash süreç düğümlerinden yararlanılıyor.
Gelişmiş paketleme ve montaj: Pullar gelişmiş çiplet kesimi, çok kalıplı alt katman bağlama ve otomatik optik denetim için Avrupa'ya (özellikle Almanya'ya) gönderiliyor.
Revizyon doğrulaması: Şirket şu anda en son silikon revizyonunun doğrulamasını tamamlıyor; laboratuvar verim ölçümlerini otomotiv ve savunma seri üretimi için tekrarlanabilir, üretim sınıfı İş Tanımlarına (SOW) dönüştürmeye odaklanıyor.

Bu çok bölgeli yaklaşım tek noktalı jeopolitik kırılganlıkları önlerken Avrupalı ve Asyalı kurumsal ortaklara coğrafi olarak çeşitlendirilmiş tedarik zincirleri sunuyor.

Sonuç #

Economist Enterprise Physical AI and Robotics Summit'te Taner Ozcelik ile Kenneth Cukier arasındaki söyleşi, otonom sistemlerin önümüzdeki on yılını belirleyecek fiziksel gerçekliği ortaya koydu. Transistör ölçeklemesinin basit bir ölçütü olarak Moore Yasası, fiziksel yapay zekâ devrimine güç vermeye artık yetmiyor.

Hesaplama mimarileri mantık ile belleğin Von Neumann tarzı ayrımına sarıldıkça robotik batarya kütlesi, ısı dağıtımı ve fahiş malzeme maliyetleriyle sınırlı kalacak. Yarı iletken mühendisliği, dijital veri hareketinden analog bellek içi hesaplama dizilerine ve modüler çiplet topolojilerine geçerek otonom sistemlerin ihtiyaç duyduğu sıçramalı verimlilik atılımını sağlıyor.

700 W'lık veri merkezi kümelerinden 15 W'lık uç silikona geçiş, fiziksel otonominin gerçek kapısıdır. Son tahlilde gerçek dünyada çalışan robotlar gerçek dünyanın enerji yasalarına uymak zorundadır; bellek içi hesaplama, silikon ile biyoloji arasındaki boşluğu kapatan mimaridir.

Sıkça Sorulan Sorular #

Yapay zekâ donanımında Von Neumann darboğazı nedir? Von Neumann darboğazı, merkezi işlem birimi (ALU) ile sistem belleği (DRAM) arasındaki fiziksel ayrımın yol açtığı verim ve enerji sınırlamasını ifade eder. Milyarlarca matris çarpımı içeren yapay zekâ iş yüklerinde işlemciler toplam enerjilerinin %85'inden fazlasını ve kayda değer sayıda saat döngüsünü yalnızca verileri bakır veri yolları üzerinden ileri geri taşımaya harcar; bu da ciddi ısıl ve gecikme darboğazları yaratır.

Analog bellek içi hesaplama (CIM) nasıl çalışır? Bellek içi hesaplama, matematiksel işlemleri verileri taşımadan doğrudan bellek hücrelerinin içinde yapar. Sinir ağı ağırlıkları kalıcı bellek hücrelerinde analog iletkenlik durumları olarak saklanır. Diziye giriş gerilimleri uygulandığında akım Ohm Yasası'na ($I = V \times G$) göre hücrelerden geçer ve Kirchhoff'un Akım Yasası'na göre bit hatları boyunca toplanır. Böylece tam bir matris-vektör çarpımı tek bir fiziksel adımda tamamlanır.

Bellek içi hesaplama neden özellikle robotlar ve dronlar için kritik? Mobil robotlar ve dronlar katı SWaP-C (boyut, ağırlık, güç ve maliyet) sınırlamaları altında çalışır. Araç üstü bataryalara dayanırlar ve ağır soğutma radyatörlerini ya da yüksek güçlü güç kaynaklarını taşıyamazlar. Bellek içi hesaplama 10 ila 1.000 kat daha yüksek enerji verimliliği sağlayarak robotların karmaşık görme-dil-eylem modellerini 10 W ile 20 W arasındaki bir güç zarfında yerel olarak çalıştırmasını ve batarya dayanıklılığını korumasını mümkün kılar.

Çiplet yaklaşımının yekpare çipe göre avantajı nedir? Yekpare çipler tüm işlev birimlerini tek ve büyük bir silikon kalıpta birleştirir. Kalıp boyutu büyüdükçe üretim kusur oranları üstel olarak artar, üretim verimi düşer ve birim maliyetler yükselir. Çiplet mimarisi sistemi, yüksek verimle bağımsız olarak üretilen ve yüksek hızlı mikro tümseklerle birbirine bağlanan daha küçük, standartlaştırılmış silikon kalıplara böler. Bu da belirli endüstriyel güç ve form faktörü gereksinimlerine göre modüler ve esnek yapılandırmalara olanak tanır.

Bu teknolojinin başlıca ticari ortakları kimler? Mythic AI'ın bellek içi hesaplama platformu şu anda iki büyük kurumsal ortaklığa dayanıyor: mimariyi batarya dayanıklılığını uzatmak için taktik savunma dronlarına, insansız robotik platformlara ve çevre güvenlik noktalarına entegre eden Lockheed Martin ve araç durumsal farkındalığı ile kabin içi algılama için düşük maliyetli, otomotiv sınıfı onaylı yapay zekâ çiplerini hedefleyen Honda Motor.

Kaynaklar #

Economist Enterprise, (2026). Physical AI & Robotics Summit: Otonom sistemlerle operasyonel üstünlük ⧉. Economist Enterprise.
Ozcelik, T., (2026). Moore Yasası'nın ötesine geçmek: yüksek performanslı robotiğin arkasındaki güç ⧉. Mythic AI.
Cukier, K., (2026). Otonom zekânın termodinamik tavanları ⧉. The Economist.
Marković, D., Mizrahi, A., Querlioz, D., & Grollier, J., (2020). Nöromorfik hesaplama için fizik ⧉. Nature Reviews Physics, 2, 499-510.
Universal Chiplet Interconnect Express, (2025). UCIe Spesifikasyonu 2.0: Kalıptan kalıba bağlantı standardı ⧉. UCIe Consortium.
IEEE, (2026). Cihazlar ve Sistemler için Uluslararası Yol Haritası (IRDS): CMOS'un ötesi ve bellek içi hesaplama ⧉. IEEE Standards Association.

Son inceleme 2026-10-13.

Son inceleme 2026-10-27.

Bu makaleyi yeniden yayınla

Bellek içi hesaplama ve çipletler: robotikte Moore Yasası'nın ötesi — Sebastien Rousseau

Mythic AI'dan Taner Ozcelik, Londra'daki Economist zirvesinde bellek içi hesaplama ve çipletlerin robotlarda verimliliği 10 ila 1.000 kat artırdığını anlattı.

Bu makale şu lisans altında yayınlanmıştır Creative Commons Attribution 4.0 International. Yeniden yayın, kanonik URL'ye atıfta bulunulmasını gerektirir.

Bellek içi hesaplama ve çipletler: robotikte Moore Yasası'nın ötesi — Sebastien Rousseau

Mythic AI'dan Taner Ozcelik, Londra'daki Economist zirvesinde bellek içi hesaplama ve çipletlerin robotlarda verimliliği 10 ila 1.000 kat artırdığını anlattı.

Originally published at https://sebastienrousseau.com/tr/2026-10-13-bellek-ici-hesaplama-cipletler-robotikte-moore/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER