Uluslararası Enerji Ajansı verilerine göre 2030 yılına kadar yapay zeka veri merkezlerinin elektrik talebinin Japonya'nın toplam tüketimine ulaşması bekleniyor. Araştırmacılar, devasa enerji krizini aşmak için fiziksel donanımların yanı sıra yazılım ve algoritmik optimizasyonların en hızlı ve etkili çıkış yolu olabileceğini belirtiyor.
Yapay zeka teknolojilerinin hızla yaygınlaşması, veri merkezlerinin elektrik tüketimini benzeri görülmemiş seviyelere taşıyor. Uluslararası Enerji Ajansı'nın (IEA) öngörülerine göre, yapay zekanın veri merkezlerindeki elektrik talebi 2030 yılına kadar 945 TWh seviyesine ulaşacak. Bu rakam, Japonya'nın bugünkü toplam elektrik tüketimine denk geliyor.
Sektör bu devasa enerji açığıyla başa çıkabilmek için genellikle fiziksel altyapıya odaklanıyor; daha verimli grafik işlemciler (GPU) üretmek ve sıkışık elektrik şebekelerinden daha fazla güç tedarik etmek atılan ilk adımlar arasında yer alıyor. Ancak Uptime Institute'ün 2025 yılına ait anketi, sunucu soğutma ve güç sistemlerinin verimliliğini gösteren PUE (Güç Kullanım Etkinliği) ortalamalarının son altı yıldır neredeyse hiç değişmediğini ortaya koyuyor. Modern bir veri merkezinde elektrik talebinin yaklaşık yüzde 60'ını sunucular oluştururken, soğutma oranları verimli tesislerde yüzde 7'den daha az verimli kurumsal tesislerde ise yüzde 30'un üzerine çıkabiliyor. Bu tablo, donanım odaklı yaklaşımın yanı sıra yazılım tarafında da ciddi bir optimizasyon potansiyeli bulunduğunu gösteriyor.
Yazılım ve Algoritmik Katmanlar Nasıl Tasarruf Sağlıyor?
Michigan Üniversitesi Bilgisayar Bilimleri ve Mühendisliği doktora öğrencisi ve ML.Energy girişimi araştırmacısı Jae-Won Chung, hesaplama sistemlerinin donanımın en altta yer aldığı, sistem yazılımları, algoritmalar ve uygulamalarla desteklenen bir yığın olarak ele alınması gerektiğini savunuyor. Donanım bileşenlerini değiştirmenin maliyetli ve yavaş bir süreç olduğunu belirten Chung, diğer üç katmanda yapılacak değişikliklerin katlanarak verimlilik artışı sağlayabileceğini ifade ediyor.
ML.Energy tarafından Alibaba Qwen 3 235B A22B Thinking modeli üzerinde gerçekleştirilen testler, çıkarım (inference) işlemlerinin daha düşük hassasiyetli bir format olan FP8'de çalıştırılmasının, bfloat16 versiyonlarına kıyasla problem çözme görevlerinde üçte bir oranında daha az enerji tükettiğini gösterdi. Benzer şekilde Chung'ın geliştirdiği Perseus eğitim optimizatörü, büyük model eğitim işlerindeki daha az iş yükü içeren kısımları yavaşlatarak yoğun kısımlarla aynı anda bitmesini sağlıyor. Bu sistem, donanım değişikliğine gitmeden veya veri işleme kapasitesinden (throughput) ödün vermeden eğitim enerjisini yüzde 30'a kadar azaltmayı başardı.
Donanım Üreticileri ve Altyapı Uzmanlarının Hamleleri
Yalnızca bağımsız araştırmacılar değil, sektörün dev isimleri de benzer yazılım tabanlı yaklaşımları hayata geçiriyor. Nvidia'nın Blackwell mimarisine ait güç profilleri; GPU işlem ve bellek frekanslarını, güç sınırlarını, NVLink durumlarını ve önbellek ayarlarını iş yüküne göre hassas bir şekilde ayarlayabiliyor. Bu yaklaşımın, performansın yüzde 97 veya daha fazlasını korurken yüzde 15'e varan enerji tasarrufu sağlayabildiği ve güç kısıtlaması bulunan tesislerin daha fazla GPU çalıştırarak veri işleme kapasitesini yüzde 13 oranında artırabileceği ifade ediliyor.
SHI veri merkezi altyapısı iş geliştirme müdürü Chetan Visrolia ise karşılaştığı en bariz israfın eski kodları çalıştıran eski ekipmanlar olduğunu belirtiyor. Bu tür donanımların veri merkezlerinde en kolay tasarruf yapılabilecek alanlar olduğunu vurgulayan Visrolia, bunların tesisin "en gürültülü raflarını" oluşturduğunu dile getiriyor. Bulut örneklerinin (cloud instances) daha akıllı boyutlandırılması, sık kullanılan yapay zeka istemlerinin (prompts) yeniden hesaplanmak yerine önbellekte tutulması ve rutin isteklerin küçük modellere yönlendirilerek ağır işlerin zorlu görevlere saklanması da yazılım tabanlı tasarruf yöntemleri arasında gösteriliyor.
İş Yükü Kaydırma ve Şebeke Entegrasyonu
ETH Zürih Otomatik Kontrol Laboratuvarı'nda Google'ın küresel veri merkezi filosu üzerinde iş yükü kaydırma çalışmaları yürüten doktora öğrencisi Sophie Hall, temel sorunun yalnızca toplam tüketim olmadığını, enerjinin ne zaman, nerede ve şebeke ile nasıl bir etkileşim içinde tüketildiğinin de büyük önem taşıdığını belirtiyor. Zaman açısından hassas olmayan toplu işlerin (batch jobs), yerel talebin düştüğü saatlere ertelenebileceğini veya daha düşük karbonlu ve yedek kapasiteye sahip bir bölgeye yönlendirilebileceğini kaydeden Hall, gün öncesi planlama ve gerçek zamanlı zamanlamanın performans garantilerini korurken şebeke sinyallerine yanıt verebildiğini vurguluyor.
Ancak bu stratejilerin de belirli sınırları bulunuyor. Ülkelerin veri egemenliği kuralları iş yüklerinin sınır ötesine taşınmasını engelleyebiliyor ve büyük veri setlerinin ağlar üzerinden taşınması süreçlerinde riskler barındırabiliyor.
Uzmanlar, yapay zekanın yarattığı devasa talep karşısında yazılımın tek başına sihirli bir değnek olmadığını, daha iyi çip tasarımlarının ve yeni elektrik altyapılarının yerini tutamayacağını belirtiyor. Buna rağmen yazılım, giderek pahalılaşan bu varlıklardan maksimum verim alınmasını sağlayan kritik bir kontrol katmanı görevi görüyor. Öte yandan sistemlerin daha verimli hale gelmesinin her zaman toplam elektrik tüketimini azaltmadığı, tasarruf edilen her watt'ın daha fazla token üretmek için kullanılması durumunda Jevons Paradoksu'nun devreye girebileceği de araştırmacılar tarafından hatırlatılıyor.
