Ucuza Alışmak

Distilasyon neden bir bağımlılık gibi işliyor

Ben bu satırları yazarken Moonshot AI’ın yeni modeli Kimi K3 teknoloji gündeminin bir numarası durumunda. 2,8 trilyon parametreyle şimdiye kadarki en büyük açık ağırlıklı model unvanını taşıyan model özellikle frontend kodlama testlerinde Anthropic’in Fable 5’ini ve OpenAI’nin GPT-5.6 Sol’unu geride bıraktı. Üstelik yaklaşık üçte bir maliyetle. Axios bunu “Çin, Amerika’nın yapay zekâ liderliğini sildi” başlığıyla duyurdu. Fakat asıl çarpıcı olan, bu sıçramanın nereden geldiği sorusu. Çünkü Moonshot, tam olarak beş ay önce, Şubat 2026’da, Anthropic tarafından “büyük ölçekli distilasyon saldırısı” yapmakla suçlanan üç Çinli firmadan biriydi.

Anthropic’in o dönemki iddiasına göre DeepSeek, Moonshot ve MiniMax, yaklaşık 24 bin sahte hesap üzerinden Claude ile 16 milyondan fazla etkileşim kurarak modelin yeteneklerini kendi ürünlerine aktarmaya çalışmıştı; benzer suçlamalar OpenAI ve Google’dan da gelmişti. Şimdi aynı firmanın yeni modeli, o dönem suçlandığı modellerle yarışıyor hatta geçiyor. Bu, tartışmayı yeniden alevlendirdi: Moonshot bu açığı gerçekten bağımsız araştırmayla mı kapattı, yoksa öncü öğretmen modelleri distile ederek mi? Moonshot’ın ağırlıkları 27 Temmuz’da açıklayacağı sözü bu soruyu kısmen cevaplayabilir ama muhtemelen tartışmayı bitirmeyecek. Mesele artık sadece teknik bir terim değil, ABD ile Çin arasındaki yapay zekâ rekabetinin de merkezinde duruyor.

Baştan rengimi belli edeyim: distilasyonun bugün ilerlediği yönde devam etmesinin sektör için iyi bir şey olduğunu düşünmüyorum. Bunun nedeni sadece kimin kimden kopya çektiği değil. Asıl endişem, modellerin birbirinden ayrışmak yerine tek bir noktaya doğru yakınsaması ve bu sürecin, gelişimin gerçek motoru olan öncü şirketlerin altını oyması. Bu yazı boyunca hem savunan hem karşı çıkan görüşleri aktaracağım ama sonuçta nereye varacağımı şimdiden biliyorsunuz.

Distilasyon Nedir, Ne Değildir

Önce ne olduğunu netleştirelim. Distilasyon terimi 2015’te derin öğrenmenin öncülerinden ve 2024 Nobel Fizik Ödülü sahibi Geoffrey Hinton ve ekibinin ortaya attığı bir teknikten geliyor. Büyük ve karmaşık bir “öğretmen” modelin çıktılarından öğrenerek, çok daha küçük bir “öğrenci” modeli eğitmek. Aslında bu teknik tamamen meşru olarak da kullanılıyor. Mesela GPT-4o mini, Claude Haiku ve Gemini Flash gibi hafif modeller, kendi büyük kardeşlerinden bu şekilde damıtılıyor. Bugün tartışılan ise farklı bir versiyon. Bir firma, rakibinin API’sini milyonlarca kez sorgulayıp aldığı yanıtları eğitim verisi olarak kullanıyor ve bu sayede rakibinin yıllarca süren araştırma ve milyarlarca dolarlık yatırımının sonucunu, çok daha ucuza kendi modeline aktarabiliyor.

Savunmanın Mantığı

Bu tekniği savunanların argümanı basit ve kısmen haklı. Distilasyon, devasa miktarda çipe erişimi olmayan startuplar ve araştırmacılar için rekabetçi modeller üretmenin neredeyse tek yolu. Kaynağı kısıtlı cihazlarda gelişmiş yapay zekâyı çalıştırılabilir kılıyor, maliyetleri düşürüyor, bazı durumlarda öğrenci model öğretmenini belirli görevlerde geçebiliyor bile. “Demokratikleşme” savına göre distilasyon yaygın ve serbest bir uygulama olarak kalırsa, inovasyon yalnızca birkaç dev şirketin elinde kalmaz, startuplar, akademik kurumlar ve bağımsız geliştiricilerden oluşan geniş bir ağ da rekabete katılabilir. Michigan Üniversitesi’nden istatistik profesörü Ambuj Tewari’nin de belirttiği gibi, eğer güçlü modelin lisansı buna izin veriyorsa, bu tamamen normal bir uygulama. Nitekim Anthropic bile kendi açıklamasında, firmaların “kendi modellerini daha küçük ve ucuz versiyonlara damıtmasının” sektörde rutin bir uygulama olduğunu kabul ediyor. Sorun, tekniğin kendisinde değil. DeepSeek örneğinde olduğu gibi, kullanım şartlarını ihlal ederek ve kimliği gizleyerek yapılan sistematik çıkarım saldırılarında.

Bedelin Üç Katmanı

Fakat bence tartışmanın büyük kısmı yanlış yere odaklanıyor. Fikri mülkiyet ihlali önemli bir konu; kim kimin API’sini kime sorduğu, hangi sözleşmenin ihlal edildiği elbette hukuken önemli. Ama asıl kalıcı zarar, bunların dışında, üç farklı yerde sessizce birikiyor.

Birincisi, ekonomik. DeepSeek’in R1 modelini duyurduğu Ocak 2025’te Nvidia bir günde 589 milyar dolar değer kaybetti. ABD teknoloji hisseleri toplamda yaklaşık bir trilyon dolar eridi. Bu tepki abartılı olabilir ama arkasındaki mantık gayet sağlam, distile edilmiş bir model, öncü modele yakın bir performansa ulaştığı anda, rekabet fiyatları hesaplama maliyetine doğru çeker. Gerçekten kar elde edemeyen bir şirket, eğitim ve geliştirme için milyarlarca dolar harcamanın mantığını sorgulamaya başlar. Çünkü bu maliyetler gerçekten çarpıcı. Öncü modelleri eğitmenin maliyeti 2016’dan bu yana yılda yaklaşık 2,4 kat arttı. Yani bir tarafta katlanarak büyüyen bir yatırım, diğer tarafta bu yatırımın çıktısını marjinal maliyetle kopyalayabilen bir rakip var. Bu denklem uzun vadede sürdürülebilir değil. Şirketler de bunun farkında; bazıları API’larına daha sıkı koruma koyuyor, bazı özelliklerini gizliyor, hatta model satmak yerine kendi ürünlerine odaklanan bir şirket yapısına doğru evrilmeyi konuşuyor. Bu savunma refleksleri kısa vadede işe yarasa da, uzun vadede sektörün şeffaflığını ve dışarıdan denetlenebilirliğini azaltıyor, yani distilasyona karşı alınan önlemler bile başlı başına bir maliyet.

İkincisi, ve bence asıl kritik olan, yakınsama riski. Eğer sektördeki her yeni model aynı birkaç öncü öğretmenden damıtılıyorsa, ortaya çıkan öğrenciler zamanla birbirine benzer akıl yürütme kalıplarına, aynı hata modlarına ve aynı körlüklere sahip oluyor. Araştırmacılar bunu siber güvenlikteki monokültür riskine benzetiyor. Yani kritik altyapının aynı yazılım tabanında çalıştığı durumlarda tek bir güvenlik açığının (2024’teki CrowdStrike kesintisinde olduğu gibi) sistemin tamamını aynı anda çökertebilmesi gibi. Aynı şey burada da geçerli. Tek bir jailbreak, aynı öğretmenden türeyen binlerce modeli aynı anda etkileyebilir. Daha da önemlisi, yapay zekânın tek tip olması gerekmiyor. Yerel dille, yerel hukuki çerçeveyle ve yerel ihtiyaçlarla eğitilmiş bağımsız bir model, farklı ve gerçekten daha isabetli çözümler üretebilir. Distilasyon, bu farklılaşma çabasını en baştan kısa devre yaptırıyor çünkü sıfırdan bir şey inşa etmek yerine öncü modeli sorgulayıp üzerine ince ayar yapmak çok daha ucuz. Bu durum, ekosisteme yeni fikir veya yeni eğitim yöntemi teşvikini de ortadan kaldırabilir. Neden özgün bir araştırma yoluna baş koyasınız ki, önünüzde çok daha ucuz ve çok daha hızlı bir kestirme varken?

Üçüncüsü, güvenlik borcu. Araştırmalar, ince ayar ve distilasyon sürecinin modellerin güvenlik katmanlarını yapısal olarak aşındırdığını gösteriyor. ABD’nin NIST kurumuna bağlı CAISI’nin DeepSeek değerlendirmesi çarpıcı. Test edilen en güvenli DeepSeek modeli, yaygın bir jailbreak tekniği altında kötü niyetli isteklerin yüzde 94’üne yanıt verirken, aynı testte ABD öncü modelleri sadece yüzde 8’inde açık veriyor. Aynı raporda, kötü niyetli metinle ele geçirilen DeepSeek modelinin, kullanıcı giriş bilgilerini sızdırmaya çalışma oranı yüzde 37 iken, ABD öncü modellerinde bu ortalama yüzde 4’te kalıyor. Yapay zekâ ajanlarının e-posta yönetiminden finansal işlemlere kadar gerçek sistemlere erişmeye başladığı bir dönemde, bu fark gerçek bir risk.

Sonuç: Neden Buna Alışmamalıyız

Peki bundan sonra ne olur? Bence yakınsama ve ucuza yönelme eğilimi bu hızla devam ederse, sonuç sektörün topyekun durması olmayacak. Para akışı hala güçlü ve kısa vadede kesilecek gibi görünmüyor. Ama bazı şirketler konsolide olacak ya da model sunma işinden çekilip kendi ürünlerine yönelecekler. Bu da sahadaki oyuncu ve yaklaşım çeşitliliğini azaltacak, gelişme durmasa da tekilleşecek ve yavaşlayacak. Şeker hastası her lokmanın bedelini bilir, yine de bırakamaz. Ucuza ve “yeterince iyi” olana alışan bir sektör de aynı sarmalda. Yakınsamanın kendi çeşitliliğini, öncü model geliştiren şirketlerin kapanmasının ise sektörün geleceğini tükettiğini görüyor, biliyor, hatta bazen kendi ağzıyla itiraf ediyor. Ama alışkanlık bir kere yerleşti mi bilmek yetmiyor, vazgeçmek gerekiyor. Distilasyonun asıl bedeli kimin kimden çaldığı değil, hepimizin aynı birkaç zihnin yankısını dinlemeye razı olmamız.

Kaynaklar

• Anthropic, “Detecting and preventing distillation attacks,” 23 Şubat 2026 — anthropic.com

• Asher Trockman & Yash Savani, “Antidistillation preserves AI openness, originality, and safety,” 19 Şubat 2026 — antidistillation.com

• NIST CAISI, “Evaluation of DeepSeek AI Models,” 30 Eylül 2025 — nist.gov

• Epoch AI, “The Rising Costs of Training Frontier AI Models” — epoch.ai

• Geoffrey Hinton, Oriol Vinyals, Jeff Dean, “Distilling the Knowledge in a Neural Network,” 2015 — arxiv.org

• Axios, “China just erased America’s AI lead,” 17 Temmuz 2026 — axios.com