Bir düşünce deneyi: New York eyaleti, 20 milyon insan, gökdelenler, metrolar, hastaneler, milyonlarca klima. Tüm bu sistemin en yüksek anlık elektrik tüketimi 29.6 GW. 2025 sonu itibarıyla dünya genelindeki AI veri merkezlerinin toplam güç kapasitesi de 30 GW'a ulaştı. Yani sadece AI altyapısı, New York eyaletinin tamamı kadar elektrik çekebilecek durumda. IEA'ya göre 2026'da tüm veri merkezlerinin toplam elektrik tüketimi 1,100 TWh'i bulacak, bu da Japonya'nın yıllık tüketimine eşit. ## Grok 4 ve Tek Bir Eğitimin Faturası xAI, Grok 4'ü eğitmek için Colossus adlı süper bilgisayarında 200.000'den fazla NVIDIA GPU (H100, H200, GB200) çalıştırdı. Toplam hesaplama: 246 milyon H100-saat. Harcanan enerji: 310 GWh. Maliyet: 490 milyon dolar. Somutlaştıralım: •⁠ ⁠140.000 ton CO2 salındı •⁠ ⁠Bu, 4.000 kişilik bir Amerikan kasabasının yıllık elektrik tüketimine denk •⁠ ⁠Soğutma için 750 milyon litre su harcandı (300 olimpik havuz) •⁠ ⁠28.000 benzinli arabanın bir yıl boyunca ürettiği karbon Ve bu sadece tek bir model. Llama 3.1 405B'nin eğitimi 11.390 ton CO2 üretti. GPT-3 zamanında bu rakam 552 tondu. Her nesil, bir öncekinin 10-100 katı enerji istiyor. ## Eğitim Buzdağının Görünen Kısmı Asıl sessiz katil inference, yani modelin her gün milyonlarca kullanıcıya cevap vermesi. 2026'da frontier modellerin toplam yaşam döngüsü enerjisinin %63'ü inference'tan geliyor, sadece %37'si eğitimden. İki yıl öncesinin tam tersi. Bir GPT-5.5 sorgusu ortalama 0.84 Wh harcar. Reasoning modelleri (o3, DeepSeek-R1) tek bir uzun prompt'ta 33 Wh'in üzerine çıkabiliyor, GPT-4.1 nano'nun 70 katı. Google'ın 2024 çevre raporuna göre şirketin toplam karbon emisyonları bir önceki yıla göre %48 arttı. Tek sebep: AI altyapısı. ## Yarış Hızlanıyor, Fren Yok ABD ve Çin arasındaki AI yarışı "önce kazan, sonra temizle" mantığıyla ilerliyor. 2026 sonunda beş ayrı AI veri merkezinin tek başına 1 GW kapasiteye ulaşması bekleniyor. Uptime Institute'a göre büyümenin önündeki tek engel talep değil, şebekenin fiziksel olarak yetişememesi.

10 gün önce bir tweet attım: "Grammarly'nin tweet'ler için versiyonu olsa nasıl olurdu?" GitHub'da duruyor, twitter/the-algorithm. 2024'te open-source ettiler. 36 tane somut kural çıkardım. Ve bunları score'layan bir tool yazdım. Tweet'ini yapıştırıyorsun, tool analiz ediyor, kaç kişiye ulaşacağını tahmin ediyor. Düzeltme önerisi veriyor. Düzeltiyorsun, score değişiyor. İşte kaynak koddan çıkan en sert kurallar: 1. Link koyarsan cezalandırılırsın. Bu komplo teorisi değil. Kaynak kodda var. Dış link içeren tweet'ler %30-50 daha az kişiye gösteriliyor. X seni platformda tutmak istiyor. Sen link paylaşınca algoritma "bu kullanıcıyı başka yere gönderiyor" diye okuyup tweet'ini gömüyor. Çözüm basit: Link'i ilk reply'a taşı. Ana tweet'te sadece içerik olsun. Buffer'ın 2025 verisi daha da sert: Premium olmayan hesaplardan atılan link'li tweet'lerin medyan engagement'ı sıfır. Sıfır. 2. Görsel eklersen ödüllendirilirsin. Fotoğraf veya video eklemek tweet'inin score'unu doğrudan yükseltiyor. Video en güçlüsü, yaklaşık 10x daha fazla engagement. Fotoğraf ve GIF orta seviye boost veriyor. Text-only tweet'ler ceza almıyor ama bonus da almıyor. Neden? X, TikTok ve YouTube Shorts ile yarışıyor. Görsel içeriği pompalıyorlar çünkü kullanıcıları ekranda tutuyorlar. 3. Reply, like'dan 27 kat daha değerli. Kaynak koddaki engagement multiplier'ları: • Like: 1x (baz değer) • Bookmark: 10x • Retweet: 20x • Quote tweet: 25x • Reply: 27x • Reply'a reply (yazar cevap verirse): 150x Bu ne demek? 5 kişi reply atıp sen her birine cevap verirsen, 50 like'dan çok daha fazla algoritmik değer üretiyorsun. Algoritma broadcast değil konuşma istiyor. 4. İlk 30 dakika herşeyi belirliyor. Tweet'in ilk yarım saatteki performansı, toplam reach'inin %80'ini belirliyor. Erken engagement alan tweet'ler daha fazla kişiye gösteriliyor. Gösterilmeyen tweet'ler gömülüyor. Bu yüzden paylaşım saati önemli. Kitlen online değilken attığın tweet, sabah uyandığında zaten ölmüş oluyor. 5. Negatif sinyaller yıkıcı.

YC W26 batch'inden bir startup: GRU Space. Kurucu Skyler Chan, Berkeley EECS'den bir yıl erken mezun olmuş, 22 yaşında. Tesla'da araç yazılımı yazmış, NASA fonuyla uzaya 3D printer göndermiş. Şimdi Ay'a otel inşa etmeye çalışıyor. Kulağa çılgınca geliyor, biliyorum. Ama detaylara bakınca hikaye ilginçleşiyor. GRU'nun yaptığı şey aslında bir inşaat problemi. Ay yüzeyindeki toprağı (regolit) alıp geopolimer işlemiyle yapısal tuğlaya çeviren bir "Ay Fabrikası" prototipini 6 haftada, 5.000 doların altında inşa ettiler. Patent başvurusu yapılmış. Fabrika otonom çalışıyor: kazıyor, rafine ediyor, tuğla üretiyor. Neden önemli? Çünkü şu an Ay'da bir yapı inşa etmenin tek yolu onu Dünya'da yapıp oraya taşımak. Kilogram başına yüz binlerce dolar. Bu maliyetle büyük ölçekli Ay üssü kurmak neredeyse imkansız. GRU bunun yerine "oradaki malzemeyi kullan" diyor. Plan şöyle: • 2029: 10 kg'lık küçük ölçekli demo, ticari bir Ay aracıyla gönderilecek • 2032: Şişirilebilir yapı ile ilk Ay oteli, 4 kişilik kapasite • Sonrası: Ay üssü altyapısı (yollar, depolar), ardından Mars Oda fiyatı? 250.000 dolardan başlayan depozitolarla rezervasyon açık. Ars Technica'nın tabiriyle "kulağa çılgınca geliyor ama" adam gayet ciddi. Takımda eski Ethos Space CTO'su ve Colorado School of Mines profesörü Dr. Kevin Cannon var. Danışman Dr. Robert Lillis ise Blue Origin'in New Glenn'iyle fırlatılan son NASA Mars misyonunun baş araştırmacısı. Bence burada asıl ilginç olan şu: uzay turizmini "milyarderlerin hobisi" olmaktan çıkarıp ticari bir endüstri haline getirmek isteyen bir vizyon var. Gerçekçi mi? Bilmiyorum. Ama Y Combinator'ın fonladığı bir proje, elle tutulur bir prototipi var ve timeline'ları SpaceX'in erken dönem "Mars'a gideceğiz" açıklamalarından daha muhafazakar. Takip edin: gru.space

Son zamanların en popüler ama bir o kadar da ben bununla ne yapacağım ya hissi uyandıran Andrej Karpathy'nin "autoresearch" reposunu görmüşsünüzdür görmediyseniz https://github.com/karpathy/autoresearch Ben bu fikri alıp somut bir şeye uyguladım: OpenClaw hafıza sistemimin retrieval parametrelerini ayarlamaya. Sistemin adı Mahmory (Mahmut + Memory= Mahmory) ve işe yaradı. Mahmory recall işini hallediyor, agent'ınıza "geçen hafta şu restoran hakkında ne demiştim?" diye sorduğunuzda, konuşma geçmişini tarayıp doğru context'i bulması gerekiyor. Bunu ne kadar iyi yaptığını etkileyen bir sürü parametre var: semantic benzerliğe mi yoksa keyword eşleşmesine mi daha çok ağırlık verecek, eski mesajların relevance'ı ne kadar hızlı düşecek, anlatı tarzı hafızaları boost'layacak mı, vs. Bunları deneme yanılma ile ayarlıyordum. Autoresearch'ü entegre ettim. A/B test gibi düşünün, ama 100 varyasyonun arka arkaya koştuğu ve arada hiç insan olmayan bir versiyonu. Sisteme dedim ki: •⁠ ⁠İşte 12 tane ayar, her birinin alt ve üst sınırı bu •⁠ ⁠Rastgele 100 farklı kombinasyon dene •⁠ ⁠Her birini aynı test sorularına karşı koş •⁠ ⁠"Doğru hatırayı bulabildi mi?" diye skorla •⁠ ⁠Çok yavaş olanları direkt ele •⁠ ⁠En iyisini şampiyon ilan et Hepsi bu. Fantezi algoritma yok. Düz rastgele arama. Kulağa basit geliyor ama 12 ayar için şaşırtıcı iyi çalışıyor. Nasıl çalışıyor? İki turda yapıyor: önce 7 ana ayarı optimize ediyor, sonra kazananı sabitleyip 5 ayar daha ekliyor. Toplam 12 ayar, ama arama alanı kontrol altında kalıyor. Ne oldu? •⁠ ⁠29 dakikada 100 farklı kombinasyon denendi •⁠ ⁠18 tanesi "çok yavaş" diye direkt elendi •⁠ ⁠Sadece 4 tanesi mevcut en iyiyi geçebildi •⁠ ⁠Haftalarca elle uğraştığım ayarların sonuçlarını %1 geliştirdi %1 az gibi mi? Haftalarca elle deneyerek bulduğum en iyi değeri, 29 dakikada, ben kahve yaparken geçti. Elle denemede asla bulamayacağım bir şeyi de ortaya çıkardı: sistem, düşündüğümden çok daha eski mesajları hatırlamaktan fayda görüyor. Bu tür insight'ları spreadsheet'e bakarak yakalayamazsınız.

Açıkçası, halen OpenClaw trenine atlayamayanlardan biriyim. Başlamak, nedense zor geliyor; ama bir yandan da özellikle marketing ve uygulama geliştirme tarafını otomatize etmek istiyorum. Şu an, kendi oluşturduğum skill'ler ve yaptığım uygulamalar aslında yeterli, ama çok daha iyi olabilir otomatize biçimde. Hermes'i deneyen oldu mu? Birkaç gündür onunla ilgili bakıyorum X'de. Open Claw'dan daha hızlı bir şekilde kurulduğunu ve işlediğini söylüyorlar. Bu konuda ne dersiniz?