Merkezi bir yapay zekâya her komut yazdığınızda, o metin bir sunucuya gider, işlenir ve kayda geçer.
O sunucuyu işleten şirket bu metni okuyabilir. Saklayabilir, gelecekteki modelleri bununla eğitebilir, talep edilirse düzenleyicilere teslim edebilir.
Çoğu kullanıcı bu takası neredeyse hiç düşünmeden kabul ediyor.
Ancak Venice başta olmak üzere yükselen bir dizi blokzincir projesi, çok farklı bir mimari geliştiriyor: Ağ operatörünün de, üçüncü tarafların da ne sorduğunuzu göremediği bir yapı.
Bunun nasıl mümkün olduğuna bakmak için iki soruyu ayırmak gerekiyor. Birincisi, bir yapay zekâya soru sorduğunuzda veriniz nereye gidiyor? İkincisi, bu verinin sızmasını kriptografik olarak engellemenin yolları neler?
Yanıtlar sandığınızdan daha somut.
Özet (TL;DR)
- OpenAI gibi merkezi yapay zekâ sağlayıcıları, kullanıcı komutlarını varsayılan olarak logluyor ve sorgularınıza tam görünürlük sağlıyor.
- Zincir üzeri gizli yapay zekâ çıkarımı, istekleri merkeziyetsiz düğüm ağlarından geçirip gizli hesaplama donanımıyla veriyi, düğüm operatörü dahil kimseye açmadan işliyor.
- Venice Token (VVV), şu anda bu modelin en yakından izlenen uygulaması; Base üzerinde, gizlilik odaklı bir uygulama katmanı tasarımıyla çalışıyor.
- Temel ödünleşimler hız, maliyet ve model boyutu: Bugün için gizli çıkarım, klasik bir API çağrısına göre daha yavaş ve daha pahalı.
- Mimari en çok tıbbi, hukuki, finansal ve ticari sır niteliğindeki sorgularda, komut gizliliğinin pazarlık konusu edilemeyeceği alanlarda önem kazanıyor.
“Çıkarım” Nedir ve Neden Gizlilik Darboğazı?
Yapay zekâ modellerinin hayatı iki evrede geçer. İlki, modelin dev veri setlerinden öğrendiği eğitim aşaması. İkincisi ise, eğitilmiş modelin yeni bir girdiyi — sizin sorunuzu — alıp çıktı ürettiği çıkarım (inference) aşaması. ChatGPT, Claude ya da Gemini’yi her kullandığınızda yapılan işlem budur.
Gizlilik tam da çıkarım aşamasında çözülür. Eğitim sırasında kişisel veriniz işin içinde olmayabilir. Ama çıkarımda, komutunuz model tarafından okunabilir olmak zorundadır; en azından hesaplama anında. Modeli bir “kilitli kutuya” kapatıp, soruyu hiçbir şekilde okumadan yanıt vermesini bekleyemezsiniz.
Merkezi sistemlerde bu kısıtın çözümü bir öncelik değildir.
OpenAI’nin usage policies dokümanları, şirketin API girdilerini güvenlik izleme amacıyla ve — kurumsal sözleşmelerle açıkça vazgeçilmediği sürece — model iyileştirmede kullanmasına izin verir. Tüketici tarafındaki kullanıcıların büyük bölümü bu opt‑out adımlarını hiç atmaz. Sonuç olarak, insan düşüncesine dair son derece hassas bir veri yığını kurumsal veri tabanlarında birikiyor.
Yapay zekâ çıkarımındaki gizlilik sorunu teorik bir risk değil, bugün tüm büyük merkezi platformların varsayılan çalışma biçimi.
Merkeziyetsiz yapay zekâ çıkarımı bu varsayımı tersine çeviriyor. Artık soru, “Bu sunucuya güvenebilir miyim?” değil; “Dağıtık ağdaki herhangi bir düğüm, modeli çalıştırırken bile komutumu okuyamayacak şekilde sınırlandırılabilir mi?” oluyor.
Ayrıca Oku: İran Savaşı’nın Faturası 37,5 Milyar Dolara Çıktı, Senatörler Hegseth’e Sırt Çevirdi
Merkezi Yapay Zekâ Loglama Mekanizmasının Perde Arkası
Merkezi bir yapay zekâ API’sine komut gönderdiğinizde isteğiniz HTTPS üzerinden sağlayıcının altyapısına gider. Bu şifreleme, veriyi yolda korur; yani ağdaki üçüncü bir taraf içeriği okuyamaz. Ancak istek sunucuya ulaştığında HTTPS katmanı soyulur.
Sağlayıcının yazılımı metni düz (plaintext) hâlde görür. O andan itibaren, bu metne ne olacağı tamamen sağlayıcının kontrolündedir.
Çoğu kurumsal servis, oturum bittiğinde komutların saklanmadığı sıfır‑tutma modları sunar. Örneğin Microsoft Azure OpenAI Service, girdilerin diske loglanmadığı uç noktaların yapılandırılmasına izin verir.
Ancak bu ayarlar, ücretli kurumsal kontrat ve aktif konfigürasyon gerektirir. Varsayılan tüketici davranışı ise verinin tutulması yönündedir.
Loglama birden fazla katmanda gerçekleşir. Uygulama logları ham isteği kaydeder. Model servis katmanı performans için komutları önbelleğe alabilir. Güvenlik filtreleri ise üretim öncesi ve sonrası içeriği tarar. Her bir katman, verinizin okunabilir biçimde var olduğu ayrı bir sistem anlamına gelir. En katı silme politikalarında bile, veri işleme anında denetime, ihlale ya da mahkeme celbine teorik olarak açık hâle gelir.
Ticari motivasyon da bu eğilimi güçlendirir. Kullanıcı sorgularıyla eğitilmiş modeller daha iyi performans gösterir. Komut verisi toplayan şirketler, ürünlerini geliştirmede yapısal bir avantaja sahip olur. Bu da tasarım gereği, kullanıcı gizliliğiyle iş optimizasyonu arasında kalıcı bir gerilim yaratır; merkezi sağlayıcılar bunu tam olarak gideremez.
Ayrıca Oku: Solana ve Hyperliquid, Altcoin ETF İşlem Hacminin %80’ini Kaptı
Gizli Çıkarımı Mümkün Kılan İki Kriptografik Araç
Bir veriyi işleyen tarafın, girdiyi çıplak hâlde görmeden çıkarım yapabilmesini sağlayan iki ana teknik var. Birbirlerini dışlamıyorlar; pratik uygulamalarda çoğu zaman birlikte kullanılıyorlar.
Güvenilir Çalışma Ortamları (Trusted Execution Environments – TEE), modern işlemcilerdeki donanım düzeyinde güvenli “mahzenlerdir”. Intel SGX ve AMD SEV‑SNP, en yaygın kullanılan örnekler. TEE, ana işletim sistemi, düğüm operatörü hatta donanım üreticisinin bile okuyamadığı yalıtılmış bir bellek alanı yaratır. TEE içinde çalışan kod, uzaktaki bir tarafça kriptografik olarak doğrulanabilir; yani gerçekten beklenen, değiştirilmemiş programın orijinal bir enklafta koştuğu ispatlanır. Komutunuz enklafa şifreli girer, model içeride çalışır, çıktı yine şifreli çıkar. Fiziksel makinenin sahibi olan düğüm operatörü bu sürecin hiçbir düz metnini göremez.
Tam Homomorfik Şifreleme (Fully Homomorphic Encryption – FHE) bambaşka bir yaklaşım sunar. FHE, şifrelenmiş veri üzerinde, veriyi hiç çözmeden matematiksel işlem yapılmasına izin verir. Model, şifreli metinle çalışır ve yalnızca isteği gönderenin çözebileceği şifreli bir çıktı üretir. FHE teorik olarak son derece zarif, hesaplama maliyeti açısından ise bugün için ağırdır. Büyük dil modellerinin FHE altında çıkarımı, standart çalışmaya göre kat kat yavaştır. Bu nedenle güncel pratik kullanım, tam LLM yanıtı yerine daha küçük modeller veya belirli alt hesaplamalarla sınırlı.
TEE’ler, bugün için neredeyse normal hızlarda pratik gizli çıkarım sunuyor. FHE ise teorik güvenceyi daha da güçlendiriyor ama 2026 ortası itibarıyla çoğu gerçek LLM senaryosu için fazla yavaş.
Üçüncü yükselen teknik ise güvenli çok taraflı hesaplama (MPC). Burada model ağırlıkları ve kullanıcı girişi birden fazla tarafa bölünüyor; taraflar, hiçbiri tüm resmi görmeksizin birlikte hesaplama yapıyor. MPC son derece esnek, ancak ciddi bir koordinasyon ve iletişim yükü getiriyor.
Ayrıca Oku: Google’ın Gizli Yapay Zekâ Çipi, Gemini’yi Donanıma Gömerek 10 Kat Hız Kazandırıyor
Venice, Zincir Üzerinde Gizli Çıkarımı Nasıl Kuruyor?
Venice, Ethereum’un (ETH) Layer 2 ağı olan Base üzerinde çalışıyor. Venice mimarisi, merkezi sağlayıcıların tek pakette sunduğu üç unsuru ayrıştırıyor: model barındırma, çıkarım hesaplaması ve ödemelerin takası.
Venice ağındaki düğüm operatörleri, GPU hesaplama gücünü sisteme sunuyor.
Bu düğümler, açık kaynak model ağırlıklarını — Llama, Mistral ve benzeri herkese açık modelleri — indirip bu ağırlıklardan gelen çıkarım isteklerine yanıt veriyor. Modelin açık kaynak olması sayesinde korumaya çalışılan bir “özel model” katmanı yok; gizlilik problemi tamamen kullanıcının girdi ve çıktısında yoğunlaşıyor.
Venice, katılımcı düğümlerde TEE tabanlı yalıtım kullanıyor. Kullanıcı, Venice arayüzü üzerinden sorgu gönderdiğinde istek, TEE ortamı etkin olan bir düğüme yönlendiriliyor. Düğüm operatörünün ana sistemi enklaftaki içeriğe bakamıyor. Doğrulama (attestation) kanıtları sayesinde istemci, komutu iletmeden önce doğru ve değiştirilmemiş çıkarım yazılımının gerçek bir enklafta çalıştığını kriptografik olarak teyit edebiliyor.
Venice Token (VVV), ağın fayda odaklı varlığı konumunda. Token sahipleri, çıkarım kapasitesine erişim elde ediyor; stake edenler öncelikli işlem hakkına sahip oluyor. Token, gizlilik altyapısının üzerine ekonomik bir katman ekliyor: Hesaplama gücü sağlayanlar ücret kazanıyor, kullanıcılar gizli çıkarıma erişmek için VVV harcıyor veya kilitliyor. Böylece gizlilik, pazarlama söylemi olmaktan çıkıp donanım düzeyinde zorlanan bir özellik hâline geliyor; Venice şirketinin ya da operatörlerin niyeti ne olursa olsun TEE mimarisi sınırı dayatıyor.
Bu yaklaşım, geniş anlamda merkeziyetsiz yapay zekâ çıkarımı başlığı altında anılıyor; Venice bu alandaki projelerden sadece biri. Gensyn, io.net ve Akash Network, dağınık GPU hesaplamayı farklı gizlilik seviyeleriyle ele alıyor. Venice’in farkı, komut gizliliğini yan özellik değil, temel tasarım ilkesi olarak benimsemesi.
Ayrıca Oku: Warren Buffett Piyasaları “Kumarhane”ye Benzetti, Sonra Yapay Zekâya Büyük Bahis Koydu
Düğüm Operatörü Ne Görebilir, Ne Göremez?
“Gizli” ifadesi zaman zaman yanıltıcı olabildiği için sınırları net çizmekte fayda var. Venice tarzı bir TEE mimarisinde düğüm operatörünün görüp göremeyecekleri donanım sınırıyla belirleniyor.
Düğüm operatörünün göremediği unsurlar: Komutunuzun düz metni, modelin ara hesaplamaları, çıktı şifrelenmeden önceki çıplak hâli.
Düğüm operatörünün görebildiği unsurlar: Makinesinin bir isteği işlediği gerçeği (bir “iş” geldiği), istek ve yanıtın bayt cinsinden boyutu, işlemin zamanlaması ve ek anonimleştirme yoksa istekle ilişkili cüzdan adresi veya kimlikleyici.
Bu da sistemin, gizliliği metnin içeriği düzeyinde sağlarken, ağ operasyonu için gereken asgari meta veriyi koruduğu anlamına geliyor. İçerik tarafında mahremiyet, kelimenin en güçlü anlamıyla sağlanıyor: içeriğe ne sorduğunuzu ya da modelin ne yanıt verdiğini kimse okuyamıyor. Ancak iş metadataya geldiğinde tam anonimlikten söz etmek mümkün değil. Bir operatör, X adresinin 14:22 UTC’de 340 token’lık bir prompt gönderip 1.200 token’lık yanıt aldığını görebilir. Zaman içinde yapılacak örüntü analizi, içerik hiç görünmese bile kullanım hakkında hassas çıkarımlar yapılmasına kapı aralayabilir.
Çoğu pratik kullanımda – gizli müvekkil dosyalarıyla çalışan bir hukuk bürosu, ayırıcı tanı kontrol eden bir doktor, ticari sır içeren finansal veri analiz eden bir şirket – kritik olan içerik mahremiyetidir. Metadata sızıntısı ise ikincil bir risk ve VPN yönlendirme ya da sıfır bilgili kimlik çözümleri gibi ek ağ katmanı araçlarıyla kısmen yönetilebilir.
TEE tabanlı sistemler, içerik mahremiyetini donanım düzeyinde zorunlu kılar. Metadata gizliliği içinse, mevcut uygulamaların kullanıcıya bıraktığı ek uygulama katmanı anonimizasyon önlemleri gerekir.
Ayrıca Oku: Nvidia, Intel Ve AMD’yi Fiyatla Vurmayı Hedefleyen 88 Çekirdekli Yeni CPU’sunu Anlattı
Hız, Maliyet Ve Model Boyutu Arasındaki Gerçek Dengeler
Özel (private) çıkarım “bedava” değil. Ek yük birden fazla kaynaktan geliyor ve bu dinamikleri anlamak, kendi kullanım senaryonuz için bu fedakârlığa değip değmeyeceğini değerlendirmenizi sağlıyor.
Hız. TEE enklavları, belleği izole ederken performans maliyeti yaratıyor. Şifreli bellek sayfalama mekanizması ve attestation (doğrulama) el sıkışmaları, çıplak metal bir GPU üzerinde çalışan standart bir çıkarım sunucusuna kıyasla ek gecikme doğuruyor.
Pratikte, modern bir AMD EPYC makinede SEV-SNP ile çalışan TEE tabanlı çıkarım, Flashbots’un SUAVE ekibi ve AMD geliştirici dokümantasyonunun yayımladığı kıyaslamalara göre, eşdeğer donanımda TEE’siz çıkarıma kıyasla yaklaşık yüzde 10 ila 30 daha yavaş. Anlamlı bir fark; ancak çoğu sohbet tabanlı uygulama için de engelleyici değil.
Maliyet. Merkeziyetsiz hesaplama ağları, henüz hiperscale GPU kümelerinin birim ekonomi seviyesine inebilmiş değil. Amazon, Google ve Microsoft gibi devler, ölçekleri sayesinde bin token başına marjinal çıkarım maliyetini kuruşun kesirlerine kadar düşürebiliyor. Merkeziyetsiz ağlar, bu yoğun kaynak kullanımına erişemiyor. Venice ve benzeri ağlar, çıkarımı genellikle merkezi API’lere göre primli fiyatlıyor. Bu prim, mahremiyetin açık ve doğrudan maliyeti.
Model boyutu. TEE enklavlarının korunan bellek alanı sınırlı. 70 milyar parametreli bir modeli tümüyle güvenli enklav içine yüklemek, mevcut donanımın çoğunda fiilen mümkün değil.
Gerçek dünyadaki mimariler ya daha küçük modeller (7B–13B parametre bandı) kullanıyor, ya da hibrit bir yaklaşım benimsiyor: hassas giriş-çıkış katmanları TEE içinde, hassas olmayan matris çarpımları ise korumasız bellekte çalışıyor. Alternatif olarak, modelin tamamını enklava taşımak yerine ağırlıklar şifreleniyor. Bu önemli; zira yüz milyarlarca parametreli GPT‑4 sınıfı en güçlü frontier modeller, bugünkü TEE kısıtları altında tam anlamıyla “özel” çalıştırılamıyor.
Dürüst özet şu: Bugün özel çıkarım, 7B–13B parametreli açık modellerle güçlü mahremiyet sağlıyor; ama merkezi API’lere göre yaklaşık 2 ila 5 kat daha yüksek maliyetle. Kullanım senaryonuz bu parametre aralığına sığıyorsa, mimari şu anda üretim ortamında uygulanabilir durumda.
Ayrıca Oku: Claude Fable 5, 87 Yıllık Bir Matematik Açmazını Bitirdi; Bitcoin’in De Gözü Orada
Zincir Üzerinde Özel AI Çıkarıma Gerçekte Kim İhtiyaç Duyuyor?
Her yapay zekâ kullanıcısının bu seviyede korumaya ihtiyacı yok. Ancak bazı profiller, prompt kayıtlarından kaynaklanan somut ve acil risklerle karşı karşıya ve private inference bu sorunu doğrudan çözüyor.
Hukuk ve uyum profesyonelleri, yapay zekâyı düzenli olarak doküman analizi, sözleşme incelemesi ve emsal araştırmaları için kullanıyor. Müvekkil yazışmalarını log tutan merkezi bir AI servisine göndermek, bazı ABD eyaletlerinde avukat–müvekkil gizliliğini ve meslek etik kurallarını ihlal riski taşıyor. Özel çıkarım, devreye üçüncü bir tarafın loglamasını sokmadığı için bu sorunu kökten ortadan kaldırıyor.
Sağlık çalışanları ve araştırmacılar, korunan sağlık bilgisinin nerede iletilebileceğini ve saklanabileceğini kısıtlayan HIPAA rejimi altında faaliyet gösteriyor. Klinik dokümantasyon için standart ChatGPT kullanmak, doğrudan uyum riski yaratıyor. Hasta verisini ispatlanabilir şekilde asla saklamayan TEE tabanlı bir çıkarım sistemi, bambaşka bir risk profili anlamına geliyor.
Finansal analistler ve traderlar, henüz kamuya açıklanmamış önem arz eden bilgileri, loglanıp ortaya çıkabileceği sistemlere yasal olarak aktaramaz. Böyle bir sızıntı, içeriden öğrenenlerin ticareti ve benzeri ağır düzenleyici ihlaller anlamına gelebilir. Özel çıkarım, hassas işlem verilerini regülatör önünde iz bırakmadan yapay zekâ araçlarıyla analiz etme imkânı veriyor.
Yüksek gözetim altındaki ortamlarda yaşayan bireyler – gazeteciler, aktivistler, muhalifler – hassas araştırmalarında geride sorgu izi bırakmadan yapay zekâ desteğine ihtiyaç duyabiliyor. Standart araçlar bu profiller için doğrudan birer risk kaynağı. Özel çıkarım değil.
Ticari sırlarını korumak isteyen şirketler, Ar-Ge sorgularını, rekabet analizlerini ve gizli formüllerini, üçüncü taraf sunucularda depolanıp sonradan hack’lenebilecek, mahkeme kararıyla istenebilecek ya da scrape edilebilecek riski olmadan AI üzerinden işletebiliyor.
Gündelik kullanıcı için – e-posta taslağı yazmak, yaratıcı içerik üretmek, genel kültür sorularını yanıtlatmak gibi – bugün itibarıyla özel çıkarımın getirdiği ek maliyete katlanmak çoğu zaman rasyonel değil. Maliyetler düştükçe mimari bu kitleye de yayılacak, ancak bugünün net değer önerisi, yukarıda sayılan yüksek riskli kullanımlarda en belirgin hâlini buluyor.
Ayrıca Oku: Telegram, Her Uygulamaya Saklama Hizmeti Olmayan Gram Cüzdanı Eklemeye Hazırlanıyor
Son Notlar
Zincir üzerinde özel AI çıkarımı, çoğu insanın varlığından haberdar bile olmadığı bir sorunu çözüyor.
Merkezi AI sağlayıcıları, varsayılan olarak prompt’ları logluyor. Bu da şirketlere – ve potansiyel olarak devletlere – kullanıcıların en mahrem zihinsel süreçlerine dair benzersiz bir görünürlük sağlıyor.
Çözüm yapay zekâdan kaçmak değil, çıkarımın nerede gerçekleştiğini değiştirmek.
Trusted Execution Environment’lar, bugün itibarıyla, merkeziyetsiz bir node operatörünün sizin prompt’unuz üzerinde bir dil modeli çalıştırmasını, ancak bunu okumasını teknik olarak imkânsız kılmasını sağlıyor.
Bu mahremiyet garantisi, hiçbir politika metni ya da kullanım şartının erişemeyeceği bir seviyede donanım tarafından zorunlu kılınıyor.
Venice Token, bu mimarinin şu anki en görünür uygulaması. Ancak çok daha geniş bir tasarım deseninin temsilcisi: GPU hesaplama maliyetleri düştükçe ve TEE donanımı geliştikçe, bu yaklaşımın merkeziyetsiz AI ekosisteminin geneline yayılması bekleniyor.
Sırada Oku: Wawrinka’nın Son Toprak Maçı, 3 Milyon Kullanıcılı Bir Tahmin Piyasasının Ortasında Geliyor