Wright Yasası: Teknoloji neden (ve ne zaman) ucuzlar?

1. Wright Yasası nedir

1936'da, henüz uçaklar el emeğiyle monte edilirken, aeronotik mühendisi Theodore Paul Wright bir makalede basit ama kalıcı bir gözlem paylaştı: bir uçak modelinden ne kadar çok üretilirse, sonraki her uçağın işçilik maliyeti öngörülebilir bir oranda düşüyordu.¹ Tam olarak, kümülatif üretim her iki katına çıktığında doğrudan işçilik yaklaşık %20 azalıyordu. Buna "yüzde 80 eğrisi" denir, çünkü maliyetin kalan kısmı %80'dir.

Bir nüansı baştan koymak dürüstlük olur: Wright'ın o %20'si doğrudan işçilik içindi. Aynı makalede hammadde için eğri çok daha sığdı (yaklaşık %95, yani her katlamada sadece %5 düşüş). Yani "her şey aynı hızda ucuzlar" demiyordu; ucuzlayan, deneyimle iyileşen kısımdı.

Yasanın matematiği bir güç yasasıdır (power law):

C(x) = C₁ · x^-b

Burada x kümülatif üretim (zaman değil), C1 ilk birimin maliyeti, b ise öğrenme üssüdür. Pratikte iki sayı konuşulur, ikisi de "üretim iki katına çıktığında" tanımlıdır: ilerleme oranı (maliyetin kalan yüzdesi) ve öğrenme oranı (düşen yüzde). %20 öğrenme oranı, %80 ilerleme oranı demektir; ikisi 100'e tamamlanır.

Moore Yasası'ndan kritik farkı budur: Moore maliyeti zamana bağlar, Wright ise kümülatif üretime. Bu yüzden bir güç yasası log-log eksende (her iki eksen de logaritmik) düz bir çizgiye dönüşür; o çizginin eğimi öğrenme oranını verir. Aşağıdaki araçla formülü kendiniz oynatabilirsiniz.

2. Neden ucuzluyor: öğrenme döngüsü

Wright bir düzenlilik gözlemledi ama nedenini açıklamadı. O temeli 1962'de iktisatçı Kenneth Arrow attı. Arrow'a göre teknik ilerleme gökten inmez; üretim eyleminin yan ürünüdür. Bir şeyi yaptıkça onu daha iyi yapmayı öğrenirsiniz, ve bu öğrenme bir sonraki birimi ucuzlatır. Arrow bunu "yaparak öğrenme" (learning by doing) diye adlandırdı ve bir ekonomik büyüme teorisine dönüştürdü.² Klasik örneği, hiçbir yeni yatırım yapılmadan üretkenliğin 15 yıl boyunca yılda ~%2 arttığı bir İsveç demir fabrikasıydı.

1960'larda Boston Consulting Group'tan Bruce Henderson bu fikri tüm maliyetlere genelledi ve bir strateji aracına çevirdi: daha çok üreten, kümülatif hacmiyle maliyetini düşürür, böylece fiyatı kırıp daha çok satar. Mekanizmanın özü bir geri besleme döngüsüdür: üret, öğren, ucuzlat, daha çok sat, daha çok üret. Eğriyi döndüren şey budur; ve onu zamanın değil, birikimin sürüklemesinin sebebi de budur.

Peki o zaman Moore Yasası ile Wright Yasası neden çoğu zaman aynı görünür? 1979'da Devendra Sahal bunu çözdü: eğer kümülatif üretim zamanla üstel büyüyorsa, üretime bağlı bir güç yasası (Wright) ile zamana bağlı bir üstel düşüş (Moore) gözlemsel olarak ayırt edilemez hale gelir.³ Yarı iletkenlerde tam da bu oldu: çip üretimi onyıllarca üstel büyüdü, dolayısıyla "her iki yılda bir" (Moore) ile "her katlamada" (Wright) pratikte örtüştü. Bu, ikisini birbirine bağlayan en önemli kavramsal köprüdür.

3. 60+ teknolojide kanıt

Bu güzel bir hikaye, ama ne kadar gerçek? En güçlü cevap 2013'te geldi. Nagy, Farmer, Bui ve Trancik, 62 farklı teknolojinin maliyet tarihini topladı ve hangi modelin geçmişten geleceği en iyi tahmin ettiğini test etti. Sonuç açıktı: Wright Yasası, Moore dahil bütün rakiplerini geçerek en iyi tahminciydi.⁴ Makalenin kendi ifadesiyle, "Wright Yasası en iyi tahminleri üretir, Moore Yasası da çok geride değil."

2016'da Farmer ve Lafond bunu olasılıksal bir tahmine çevirdi: teknolojik ilerleme öngörülebilir, ve tahmin hatası ufuk uzadıkça düzenli, hesaplanabilir bir hızla (tipik olarak yılda ~%2,5) büyüyor.⁵ Yani sadece "ucuzlar" demiyorsunuz; hata payını da matematiksel olarak verebiliyorsunuz. 2022'de Oxford ekibi (Way, Ives, Mealy, Farmer) aynı yöntemi enerjiye uyguladı ve güneşin, en iddialı resmi senaryolardan bile yaklaşık iki kat hızlı ucuzladığını, hızlı bir yeşil geçişin maliyet değil, net tasarruf (~12 trilyon dolar) getireceğini gösterdi.⁶

Öğrenme oranları teknolojiye göre değişir; aşağıda iyi belgelenmiş merkezi değerler var. Çoğunun yaklaşık %20 civarında kümelenmesi tesadüf değil, yasanın imzasıdır.

4. Yapay zeka gerçekten bu eğride mi

Burada işin can alıcı kısmına geliyoruz, çünkü yapay zekada iki ayrı maliyet hikayesi var ve ikisi zıt yönlerde ilerliyor. Karıştırıldığında insan kolayca yanlış sonuca varıyor.

Birinci hikaye: kullanım maliyeti çöküyor

Sabit bir yeteneği elde etmenin maliyeti hızla düşüyor. Stanford'un AI Index 2025 raporuna göre, GPT-3.5 seviyesinde (MMLU'da 64,8 puan) bir modeli çalıştırmanın maliyeti Kasım 2022'de milyon token başına 20 dolarken, Ekim 2024'te 0,07 dolara indi; yaklaşık 280 kat, yani kabaca yılda 9 kat ucuzlama.⁷ Öncü modellerin çıktı fiyatı da aynı yönde hareket etti (soldaki grafik). Bunu besleyen tek şey daha hızlı çip değil: aynı yeteneği elde etmek için gereken hesaplama miktarı yaklaşık her 8 ayda bir yarıya iniyor, bu da donanımın Moore hızından (~2 yıl) belirgin biçimde hızlı.⁸

İkinci hikaye: eğitim maliyeti tırmanıyor

Aynı anda, en güçlü modelleri eğitmenin maliyeti tersine yükseliyor (sağdaki grafik). GPT-3'ün eğitimi 2020'de birkaç milyon dolardı; GPT-4 onlarca milyona, Gemini Ultra yüz milyonun üzerine çıktı. Epoch AI'nin ölçümüne göre öncü model eğitim maliyeti 2016'dan beri yılda ~2,4 kat büyüyor ve 2027'de tek bir eğitimin 1 milyar doları aşması bekleniyor.⁹

Eğitim maliyeti rakamları yönteme göre değişir; buradaki değerler Stanford AI Index'in bulut kiralama tahminleridir (Epoch'un donanım amortismanı yöntemi daha düşük sayılar verir). Önemli olan iki eğrinin yönü: biri aşağı, biri yukarı.

İki hikayeyi birleştirince tablo netleşir. Bir görevin birim maliyeti hızla düşüyor (kullanıcı için ucuzluyor), ama sınırda yeni bir yetenek üretmenin sabit maliyeti artıyor (laboratuvar için pahalılaşıyor). "Yapay zeka pahalı" cümlesi, hangisini kastettiğinize göre hem doğru hem yanlış.

5. Eğrinin kırıldığı yer

Şimdi dürüst olmanın zamanı: Wright Yasası bir doğa yasası değil, ampirik bir düzenliliktir. Bazı teknolojilerde eğri düz kalır, bazılarında ise tam tersine döner.

En çarpıcı karşı örnek nükleer enerjidir. Trancik ekibinin 107 ABD santralini incelediği 2020 çalışması, negatif öğrenme buldu: kümülatif kapasite katlandıkça inşaat maliyeti de neredeyse katlanıyordu, yani sonraki santral öncekinden pahalıya mal oluyordu.¹⁰ Grubler'in 2010'daki çalışması, dünyanın en başarılı nükleer ölçeklemesi sayılan Fransa'da bile maliyetlerin yaklaşık üç kat arttığını gösterdi. Sebep: küçük, modüler, kitlesel üretilen ürünler (güneş hücresi, batarya, çip) hızla öğrenir; büyük, karmaşık, her sahaya yeniden uyarlanan projeler öğrenmez.

İkinci uyarı, düşüşü beslemenin maliyetinden gelir. Bloom, Jones, Van Reenen ve Webb'in 2020 çalışmasına göre fikirler giderek zorlaşıyor: Moore Yasası'nı sürdürmek bugün 1970'lerin yaklaşık 18 katı araştırmacı gerektiriyor, yarı iletken araştırma verimliliği yılda ~%6,8 düşüyor.¹¹ Eğri tutuyor olabilir, ama onu tutan girdi katlanarak pahalılaşıyor.

Üçüncüsü metodolojik: öğrenme eğrisi bir korelasyondur, illa nedensellik değil. Kümülatif hacim; zaman, Ar-Ge birikimi, girdi fiyatları ve ölçek ekonomileriyle iç içe geçer. Üstelik tek bir sabit oran çoğu zaman fazla katıdır; oranlar bir teknolojinin ömrü boyunca kayabilir. Yapay zekada da benzer bir tartışma var: saf ölçeklemenin azalan getiriye ve bir "veri duvarına" çarptığını söyleyenlerle (Sutskever'in deyişiyle "bildiğimiz haliyle ön-eğitim bitecek"), düşüşü artık algoritmik verimin sürdüreceğini söyleyenler karşı karşıya.

6. Birkaç perspektif: bu ne anlama geliyor

Aynı eğriye bakan insanlar çok farklı sonuçlar çıkarıyor. Üç dürüst perspektifi yan yana koymak en sağlıklısı.

İyimserler: eğri en iyi kristal küredir

Ramez Naam (güneş), Tony Seba (RethinkX) ve Oxford ekibi (Farmer, Way) için mesele iyimserlik değil, bir tahmin sicili meselesi. Geçmişte uzman kurumlar maliyetleri sürekli fazla yüksek tahmin etti; eğriyi körü körüne uzatan kişi ise sürekli haklı çıktı. Naam'ın deyişiyle, "bir teknolojinin büyümesini, maliyetini sürekli 2-4 kat fazla tahmin ederek öngöremezsiniz."

Şüpheciler: eğri korelasyondur ve kırılabilir

Karşı kampın çıpaları somut: nükleerdeki negatif öğrenme, fikirlerin zorlaşması ve "korelasyon nedensellik değildir" itirazı. Onlara göre eğri, onu doğuran koşullar (süregelen talep, modüler ürün, istikrarlı girdi) bozulduğunda yatay ya da ters seyredebilir; dünün öğrenme oranı yarınınkini zayıf öngörür.

Yapay zekaya özgü çatlak: gerçek mi, sübvanse mi, kendini mi yiyor

Burada üç ayrı tartışma var. Birincisi balon sorusu: OpenAI 2024'te ~3,7 milyar dolar gelire karşı ~5 milyar dolar zarar etti (her 1 dolarlık gelir için ~1,35 dolar harcama). Bugünkü ucuz fiyatların bir kısmı yatırımcı parasıyla sübvanse olabilir; sermaye disiplini dönerse eğri yatay seyredebilir. İkincisi Jevons paradoksu: birim fiyat ~%99 düştü ama toplam yapay zeka harcaması katlanarak arttı, çünkü ajan benzeri iş yükleri çok daha fazla token tüketiyor (Nadella'nın deyişiyle "Jevons paradoksu yine sahnede"). Üçüncüsü ise Baumol maliyet hastalığı: üretkenliği artmayan insan-yoğun hizmetler (sağlık, eğitim, bakım) tüm ekonomiye göre görece pahalılaşır, dolayısıyla yapay zekanın ikame etmeye çalıştığı emeğin önemli kısmı pahalı kalır.

Bu yüzden "yapay zeka ucuzladı, herkes işsiz kalacak" ile "hiçbir şey değişmeyecek" uçlarının ikisi de eksik. Gerçek, deflasyonist mallar (çip, model, token) ile enflasyonist hizmetlerin (insan emeği) gerilimi arasında bir yerde duruyor.

7. Sonuç

Wright Yasası, teknolojinin neden ucuzladığına dair sahip olduğumuz en güçlü mercek: kanıtlanmış bir teorem değil, ama 60'tan fazla teknolojide tutmuş, formülü olan ve hata payıyla tahmin edilebilen bir ampirik düzenlilik. Onu doğru kullanmak için üç ayrımı korumak gerekiyor:

• Birim maliyet düşer, üstelik yasa-benzeri bir öngörülebilirlikle. Tahmin yaparken takvime değil, kümülatif hacme bakın.
• Toplam fatura aynı anda artabilir. Jevons paradoksu, ucuzlamanın talebi şişirip toplam harcamayı yükseltmesini açıklar.
• İnsan-emeği maliyeti pahalı kalabilir. Baumol, üretkenliği artmayan işlerin görece pahalılaştığını söyler; çip ucuzlarken bakım emeği ucuzlamaz.

Yani çip ve algoritma ucuzlar, bu neredeyse bir yasa; ama faturanın tamamı ve ekonominin tümü otomatik ucuzlamaz. Wright güçlü bir pusuladır, kahin değil. Bir teknolojinin geleceğini merak ediyorsanız sorulacak en yararlı soru hâlâ şu: bu teknoloji bir öğrenme eğrisini takip ediyor mu, ediyorsa hangi koşullar onu kırabilir?