Nvidia'nın yeni veri merkezi GPU'su: AI eğitiminde 2,4 kat sıçrama

Nvidia, yıllık etkinliğinde yeni nesil veri merkezi GPU'sunu tanıttı. Şirket, eğitim performansında önceki nesle göre 2,4 kat, çıkarım (inference) tarafında ise 3,1 kat iyileşme açıkladı. Rakam tek başına büyük; ama asıl ilginci şu: hiperskaler müşterilerin önümüzdeki dört çeyrek için sipariş hatlarının "dolu" olduğu söyleniyor. Yani çip, daha satışa çıkmadan kapağı kapanmış durumda. Aynı talep dalgası, RAM ve ekran kartı fiyatlarını tüketici tarafında da yukarı itiyor.

Hızlı bakış

Özellik	Detay
Mimari	Blackwell (yeni nesil veri merkezi varyantı)
Eğitim performansı	Önceki nesle göre 2,4 kat artış
Çıkarım (inference)	3,1 kat artış
Hedef pazar	Hiperskaler bulut + büyük AI laboratuvarları
Sipariş durumu	4 çeyreklik bekleme (2026 sonuna kadar dolu)
Birim fiyat	Resmi açıklama yok
Türkiye etkisi	Yerel bulut kapasite artırımı, AI startupları için latency azalması

2,4 kat ne demek?

Bu sayıyı çoğu yerde okuyup geçiyoruz, peki gerçekten ne ifade ediyor? Bir modelin eğitim süresinin yarıdan daha aşağıya inebileceği anlamına geliyor. Bugün 4 günde tamamlanan bir eğitim, yeni nesil çiple 40 saatte bitebilir. Bu, AI laboratuvarlarının bir hafta yerine üç günde yeni model deneyi yapması demek.

Çıkarım tarafındaki 3,1 kat ise daha doğrudan kullanıcıyı ilgilendiriyor. ChatGPT, Claude veya Türkiye'de BtcTurk'ün Bloki AI asistanı gibi servislerin yanıt hızı ve eş zamanlı kullanıcı kapasitesi belirgin şekilde artıyor. Bence en kritik etki burada: kullanıcı tarafında fark hissedilen hız gelir.

Sipariş kuyruğu neden 4 çeyrek?

Hiperskaler dediğimiz oyuncular, AWS, Microsoft Azure, Google Cloud, Meta, Nvidia'nın ilk nesil çiplerini topluyor. Geçmişe baktığımda Hopper neslinde de aynı tabloyu gördük: piyasaya inen ilk her çip aslında "bekleme listesindeki sipariş" idi.

Sebep basit: AI sermayesinin akış yönü. Hisse senedi piyasasında yatırımcılar Nvidia + Microsoft + Anthropic IPO öncesi değerlemelere yöneliyor. Bu rotasyonu Bitcoin'in sert düşüşünde AI sermaye rotasyonu yazımda ayrıntılı işlemiştim. Saylor'ın bile satışını "AI rotasyonu" diye yorumladığı bir ortamda Nvidia çiplerine talep doğal olarak fırlıyor.

Türkiye'deki bulut sağlayıcı neyi değiştirir?

Yerel bulut sağlayıcıları yıl sonuna kadar kapasiteyi artırma planlarını duyurdu. Bunun pratik anlamı şu:

• Türkçe AI startupları: model eğitim maliyeti düşer, deneme döngüsü hızlanır
• AI SaaS şirketleri: müşteriye yanıt süresi ms cinsinden iyileşir
• Bilimsel araştırma: üniversite ekipleri için yerel GPU kümesi erişimi artabilir
• KVKK uyumlu AI: yurt içinde eğitim yapabilen modeller artar

Türkiye'nin Yapay Zeka Vizyonu ve Eylem Planı'nda öne çıkan "yüksek başarımlı hesaplama altyapıları" odağı tam bu noktayla örtüşüyor. Bence Türkiye'nin Nvidia ile doğrudan ortak siparişe gitmesi orta vadede gündeme gelecek bir konu.

Fiyat açıklanmadı, neden?

Nvidia birim fiyat söylemiyor. Bu eskiden de böyleydi: hiperskaler müşterilere özel kontratlar yapılıyor, kamu fiyatlandırması "MSRP gibi" düşünülmüyor. Sektör tahmini her çip için 30.000-40.000 dolar bandı; gerçek satış fiyatı toplu ihale ve ek hizmetlerle değişiyor. Türkiye fiyatı net açıklanmamış olsa da yerli bulut kanalında saatlik kullanım maliyeti 2-4 dolar/saat GPU bandında konumlanması bekleniyor.

Rakipler ne yapıyor?

AMD, MI400 serisi ile alternatif sunuyor ama henüz hiperskaler tarafında yaygın benimsenme zayıf. Intel Gaudi tarafında ise gerilim devam ediyor. Şu an itibarıyla AI veri merkezi pazarında Nvidia'nın yaklaşık %85 pay'a sahip olduğu tahmin ediliyor. Bu oyunda gerçek rekabet ASIC tarafından geliyor, Google TPU, Amazon Trainium gibi şirket içi çipler. Bağımsız tarafta ise Groq gibi çıkarım çipi üreticileri yeni yatırım turlarıyla iddiasını büyütüyor.

Bizim için somut çıkarım

Türk geliştiriciler ve AI severler için bu haberin pratik kısmı: önümüzdeki 6-12 ay içinde AI altyapı maliyetlerinin düşmesi mümkün ama hemen olmayacak. Üretim hacmi piyasaya yansıdıkça yerel bulut sağlayıcılarının saatlik GPU ücretleri kademeli olarak gerileyebilir. Türkiye'de Türkçe büyük dil modeli geliştirmek isteyen ekiplerin önündeki en büyük engel hesaplama maliyetiydi. Bu engel bir tık aşağı iniyor.