Bir yapay zekâ sorgusunun enerjisi neden tek sayı değildir?

Kısa cevap: Önce paydanın ve sistem sınırının adını koyun

“Bir yapay zekâ sorgusu şu kadar enerji harcar” cümlesinde en az dört tanım eksik olabilir: sorgu hangi model ve yazılım sürümünde çalıştı; kaç giriş ve çıkış tokenı üretti; aynı anda kaç istek toplandı; enerji yalnız hızlandırıcıda mı, bütün sunucuda mı, yoksa veri merkezi tesisinde mi ölçüldü? Kısa metin sınıflandırması ile uzun muhakeme yanıtı, küçük yerel model ile çok büyük bulut modeli aynı iş değildir. Donanım kullanım oranı ve toplu işleme de aynı yanıt başına düşen payı değiştirir.

Karşılaştırılabilir sayı için pay da yazılmalıdır: joule/çıkarım, watt-saat/1.000 token, kWh/1.000 istek veya yıllık TWh gibi. Tek sorguya düşen değer ortalama ise örneklem dönemi ve istek dağılımı gerekir. Sunucunun boşta bekleme enerjisi isteklere nasıl paylaştırıldı; hata ve yeniden denemeler dahil mi; depolama ve ağ nerede; tesis soğutması PUE ile eklendi mi? Bu bilgiler yoksa ondalıklı sayı hassas görünür fakat başka model, hizmet veya veri merkeziyle anlamlı karşılaştırma kurmaz.

Watt ile watt-saat neden karıştırılmamalı?

Watt güç birimidir; bir sistemin o andaki enerji çekiş hızını anlatır. Watt-saat ise enerjidir: bir watt gücün bir saat sürmesi bir watt-saat eder. Bir GPU’nun etiketinde veya telemetrisinde görülen watt değerini doğrudan “sorgu başına enerji” diye yazmak zaman boyutunu kaybeder. Aynı 500 watt ortalama güçte 0,2 saniyelik ve 20 saniyelik iki işin enerjisi aynı değildir. Ayrıca hızlandırıcı gücü, CPU, bellek, depolama, ağ kartı ve güç kaynağı kayıplarını içeren bütün sunucu gücüyle eşit değildir.

MLCommons güç metodolojisinin önemi burada ortaya çıkar. MLPerf Inference sonuçları belirli model, sistem ve senaryo süresince duvardan ölçülen ortalama AC güç veya enerjiyi performansla birlikte raporlar. “Server”, “offline”, tek akış ve çoklu akış senaryoları farklı yük biçimleridir. Duvar ölçümü hızlandırıcının ötesindeki sistem bileşenlerini kapsar, fakat veri merkezi binasının soğutma tesisi veya uzak ağın tamamı bu sınırda olmayabilir. Benchmarkı gerçek çevrimiçi hizmete taşımak için model, hassasiyet, doğruluk hedefi, gecikme, batch ve kullanım oranının eşleşmesi gerekir.

PUE sorgu enerjisine ne ekler, neyi eklemez?

Power Usage Effectiveness, toplam veri merkezi enerjisinin BT ekipmanı enerjisine oranıdır. ENERGY STAR çalışma grubu yıllık hesapta bütün enerji türlerinin kWh cinsinden ölçülmesini önerir. Örneğin BT sayaçları bir dönemde 1.000 kWh, tesisin tamamı 1.300 kWh gösteriyorsa PUE 1,3 olur. Bu yalnız formülü açıklayan örnektir; gerçek bir tesis ölçümü değildir. Aynı oran farklı büyüklükte iki tesiste aynı toplam enerjiyi göstermez: 1,2 PUE’li küçük tesis, 1,1 PUE’li çok büyük tesisten daha az elektrik kullanabilir.

PUE, soğutma ve güç dönüşümü gibi tesis ek yükünü paylaştırmaya yardım eder; model eğitimi sırasında üretilen donanımın gömülü emisyonunu, kullanıcı cihazını, geniş alan ağını veya elektriğin hangi kaynaktan geldiğini tek başına içermez. Karbon hesabı için aynı kWh’nin tüketildiği saat ve bölgedeki şebeke emisyon yoğunluğu gerekir. Yıllık ortalama gCO₂e/kWh ile saatlik marjinal değer de farklı sorulara yanıt verir. “Yenilenebilir enerji satın alındı” beyanı fiziksel saatteki şebeke karışımı, sözleşme muhasebesi ve ek kapasite etkisini ayrı açıklamadıkça tek emisyon sayısına dönüştürülemez.

IEA’nın 945 TWh projeksiyonu tek sorguya çevrilebilir mi?

IEA’nın 10 Nisan 2025 tarihli Energy and AI raporu temel senaryoda küresel veri merkezi elektrik tüketiminin 2030’da yaklaşık 945 TWh’ye ulaşarak iki kattan fazla artmasını öngörür. 2035 için senaryolar 700 ile 1.700 TWh arasında genişler. Bu aralık belirsizliğin büyüklüğünü gösterir: donanım verimliliği, talep artışı, kullanım örüntüsü ve altyapı kısıtları geleceği değiştirir. IEA’nın 16 Nisan 2026 güncellemesi ise veri merkezi talebinin 2025’te yüzde 17 arttığını, küresel elektrik talebinin yüzde 3 büyüdüğünü bildirir.

Bu yıllık toplamlar bir yapay zekâ sohbetinin enerjisi değildir. Veri merkezleri arama, video, depolama, kurumsal yazılım, geleneksel hesaplama ve AI dışı birçok yük taşır. AI payını tahmin etmek de eğitim, çıkarım ve diğer hızlandırılmış işler arasındaki sınıflandırmaya bağlıdır. Küresel TWh’yi tahmini sorgu sayısına bölmek, boşta tüketim, farklı model boyutları, token uzunluğu ve AI dışı işleri kaba varsayımlarla paylaştırır. Sonuç ancak bu varsayımların duyarlılık aralığıyla birlikte “modelleme” diye sunulabilir; doğrudan sayaç ölçümü veya evrensel sorgu sabiti olamaz.

LBNL’nin ABD modeli hangi varsayımlara dayanıyor?

Lawrence Berkeley National Laboratory’nin 2024 raporu ABD’de yıllık sunucu elektrik kullanımını 2014’te yaklaşık 30 TWh, 2023’te yaklaşık 100 TWh olarak modeller. GPU hızlandırmalı AI sunucuları 2017’de 2 TWh’nin altındayken 2023’te 40 TWh’yi aşar. Bu sayılar önemli bir büyümeyi gösterir, fakat veri merkezi toplamı ile sunucu alt bileşeni ayrılmalıdır. Depolama, ağ ve tesis altyapısı başka kalemlerdir. Ayrıca “AI sunucusu” üzerindeki her işin tek bir üretken AI sorgusu olduğu varsayılamaz.

Rapor 2028 için tek nokta yerine aralık üretir. Sunucu elektrik kullanımı düşük ve yüksek senaryoda yaklaşık 240–380 TWh’ye çıkar; gelecek GPU sevkiyatı, ortalama operasyon gücünün anma gücünün yüzde 60–80’i olması ve yıllık çalışma süresinin yüzde 75–85 aralığında kabul edilmesi gibi varsayımlar sonucu değiştirir. Bu parametreler ölçüm değil senaryo girdisidir. Bir haber yalnız üst sınırı alıp “ABD sunucuları 380 TWh harcayacak” derse belirsizliği siler. Sağlam aktarım yıl, coğrafya, kapsanan ekipman, senaryo aralığı ve girdileri birlikte vermelidir.

Karşılaştırılabilir bir enerji iddiası nasıl yazılır?

İyi rapor en az şu alanları taşır: model ve yazılım sürümü; donanım modeli ve sayısı; hassasiyet/quantization; görev ve veri seti; giriş ile çıkış uzunluğu; batch ve eşzamanlılık; gecikme veya throughput hedefi; ölçüm süresi; boşta güç paylaştırması; sayaç konumu ve örnekleme aralığı; W ortalama güç, Wh toplam enerji ve iş başına payda; PUE ve tarihi; veri merkezi bölgesi; kullanılan şebeke emisyon faktörü. Benchmark sonucuysa resmî kural sürümü, açık/kapalı bölüm ve doğruluk eşiği de yazılmalıdır.

Bu alanlar olmadan farklı modellerin “daha yeşil” olduğu sonucu güvenilir değildir. Daha verimli bir sorgu toplam kullanım arttığında daha yüksek yıllık talebe eşlik edebilir; buna geri tepme etkisi denebilir. Tersi yönde, büyüyen veri merkezi TWh’si her tekil görevin daha verimsiz olduğunu göstermez. IEA 2026 güncellemesi görev başına verim hızla artarken kullanım ve enerji yoğun ajan işlerinin toplam talebi büyütebildiğini vurgular. Bu paket enerji ölçmedi ve şirket beyanlarını bağımsız doğrulamadı. Sonuç, tek sayı vermek değil, her sayının birim, payda, dönem ve sistem sınırını görünür kılmaktır.

Belirsizlik de sayı kadar raporlanmalıdır. Ortalama, medyan ve üst yüzdelik aynı hizmet yükünde farklı tablo verebilir; yoğun saat ile gece, yeni hızlandırıcı ile karma donanım filosu aynı değildir. Şirket yalnız en iyi laboratuvar koşulunu açıklıyorsa üretim trafiğine genelleme yapılamaz. İdeal açıklama ham ölçüm aralığını, tekrar sayısını, hata payını ve varsayımların sonucu ne kadar değiştirdiğini yayımlar.