AI geliştirme, deney aşamasını geride bırakıyor. Endüstri, büyük modelleri eğitmeyi, sürekli çıkarım yoluyla ölçekli çalıştırmaya kayıyor. Bu geçiş, veri merkezi tasarımının fiziksel gereksinimlerini temelden değiştiriyor.
Altyapı artık sadece depolama ya da web barındırma ile sınırlı değil. Şimdi, büyük ve sürekli elektrik yüklerini ve aşırı ısıyı yönetmekle ilgili.
Yüksek Yoğunluklu Hesaplamaya Geçiş
Geleneksel kurumsal veri merkezleri, ara sıra ve ani iş yükleri için tasarlanmıştı. Tipik olarak raf yoğunluğu 5 ila 10 kW arasında çalışır [1].
Yapay zeka iş yükleri farklı bir mimari gerektiriyor. GPU’lar geleneksel CPU’lara göre çok daha fazla enerji tükettiği için güç yoğunluğu hızla artıyor. Modern yapay zeka rafları genellikle raf başına 40 ila 100+ kW gerektiriyor [2].
Bazı özel sistemler bu sınırları daha da zorluyor. Örneğin, en yeni GB200 sistemleri yaklaşık 132 kW raf yoğunluğuna ulaşabiliyor [2].
Bu yoğunluk artışı donanımın kendisinden kaynaklanıyor. Geleneksel bir CPU 150 ila 200 watt tüketirken, tek bir yapay zeka odaklı GPU 700 ila 1.200 watt arasında enerji harcayabilir [S4, S5].
Eğitim Ani Yükleri ile Çıkarım Temel Seviyeleri
Altyapıyı etkili bir şekilde planlamak için operatörler, yapay zeka yaşam döngüsünün iki ana aşamasını ayırt etmelidir. Bu ikisini karıştırmak, hatalı enerji ve kapasite kararlarına yol açar [1].
Eğitim, bir güç pikidir. Haftalar ya da aylar gibi belirli bir süre boyunca yüksek watt tüketimini içerir [1].
Çıkarım, bir güç temel seviyesidir. Eğitilmiş bir modeli kullanarak çıktı üretme sürecidir ve sürekli çalışır [1].
Çıkarım artık enerji talebinin baskın sürücüsü. Şu anda toplam yapay zeka hesaplamasının yaklaşık %80 ila %90’ını oluşturuyor [S1, S5].
Çıkarım sürekli açık olduğu ve kullanıcı talebiyle ölçeklendiği için, çoğu kuruluşun uzun vadeli güç maliyetlerini belirler [1].
Enerji Temini Açığını Aşmak
Yapay zeka talebi ölçeklendikçe, katı altyapı sınırlarıyla çarpışıyor. Birincil kısıtlama artık çip bulunabilirliği değil, güç bulunabilirliğidir [1].
Büyük veri merkezi merkezlerinde, yeni yüksek kapasiteli şebeke bağlantıları 4 ila 7 yıl bekleme süresiyle karşılaşabilir [3]. Bu durum, hesaplama ihtiyacı ile elektriği sağlama kapasitesi arasında büyük bir boşluk yaratıyor.
Operatörler bu boşluğu yönetmek için çeşitli stratejiler araştırıyor [3]:
- Şebeke Gücü: Çoğu işletme için varsayılan seçenektir, ancak uzun bağlantı kuyruklarına ve acil durumlarda olası kısıtlamalara tabidir [3].
- Küçük Modüler Reaktörler (SMR’ler): Sürekli, karbon içermeyen temel güç sağlar. Hiperskalerler için uzun vadeli bir bahis olmakla birlikte, yüksek sermaye maliyetleri ve düzenleyici karmaşıklık içerir [3].
- Doğal Gaz: Yerinde gaz türbinleri daha hızlı bir seçenek olup, genellikle 12 ila 18 ay içinde devreye alınabilir, ancak karbon emisyonları üretir [3].
Sıvı Soğutmanın Gerekliliği
Aşırı güç yoğunluğu, aşırı bir termal sorun yaratıyor. Raflar yüksek wattlı GPU’larla daha kalabalık hale geldikçe, geleneksel hava soğutmanın kaldırabileceğinden daha fazla ısı üretirler [2].
Bir raf yaklaşık 30 kW’ı aştığında hava soğutma pratik olmaktan çıkar [2]. Bu seviyelerde, gereken hava akışı hacmi verimli olmaktan çok büyük olur.
Modern yapay zeka tesisleri, sıvı soğutma çözümlerine geçmek zorunda. Bu, işlemcilere sıvı uygulanan doğrudan çip soğutma ya da tam daldırma soğutma gibi yöntemleri içerir [2].
Soğutma, toplam enerji dengesinin önemli bir parçasıdır. Büyük yapay zeka tesislerinde, soğutma altyapısı kullanılan toplam elektriğin %30 ila %40’ını tüketebilir [S1, S2].
Kaynaklar
- AI Veri Merkezleri için Güç Gereksinimleri (2026): Tam Kılavuz
- AI Veri Merkezi Tasarım Kılavuzu | AI Wiki
- AI Veri Merkezleri için Güç Gereksinimleri Nedir?
- AI Güç Gereksinimleri Kılavuzu | AI Wiki
- AI Veri Merkezi Güç Gereksinimleri 2026: Şebekeden Çipe Kılavuz
- PDF GPU Raf Güç Gereksinimleri: Veri Merkezi Planlama Kılavuzu
- AI veri merkezleri için güç gereksinimlerini yönetme | Eaton
