20 akıllı telefonla ödev puanlama deneyi büyük ölçekli yapay zekâ hesaplamasını kanıtlamadı

California Üniversitesi San Diego kampüsündeki (University of California San Diego) araştırmacılar, 20 akıllı telefondan oluşan bir kümeyle 75’ten fazla öğrencinin bulunduğu bir derste ödev teslimlerinin yoğunlaştığı dönemde notlandırma işlemlerini yürüttü. Bu, kontrollü bir ortamda belirli bir işi dağıtarak işleyen bir deneydi; dünyanın farklı yerlerine dağılmış telefonların büyük yapay zekâ veri merkezlerinin yerini alabileceğini kanıtlamadı.

Google Research, 12 Haziran 2026’da yayımladığı araştırma tanıtım yazısında deneyi anlattı. Araştırmacılar, kullanım ömrünü tamamlamış telefonların anakartlarını çıkarıp tek bir yerde toplayarak kümeyi kurdu.

Google Research, bazı akıllı telefonların performans çekirdeklerinin sunuculardaki tekil çekirdeklerle kıyaslanabilir olabildiğini, ancak sunucularda daha fazla çekirdek ve daha büyük bellek bulunduğunu belirtti. Yazıda akıllı telefon belleği 8–12 GB olarak verildi. Tek bir çekirdeğin performansı ile sunucunun toplam işlem kapasitesi aynı ölçüt değil.

Dağıtık hesaplamanın performansı değerlendirilirken birbirinden bağımsız küçük işleri bölüştürerek işlemekle büyük bir işi birden fazla cihaza dağıtmak arasındaki farkı gözetmek gerekiyor. Bu notlandırma deneyi, kontrollü koşullarda iş dağıtımına örnek oluşturuyor.

2025’te Sensors dergisinde yayımlanan bir araştırma, önceden eğitilmiş bir modelin görüntü işleme görevlerini beş akıllı telefon ve üç tek kartlı bilgisayar olmak üzere sekiz cihazda sınadı. Araştırmacılar telefonları yakındaki bir kablosuz ağa bağlayarak deney yaptı.

Araştırmacılar, iki ila dört telefonun bir araya getirildiği düzeneklerin bazı gerçek zamanlı video analiz işlerinde rekabetçi performans gösterdiği sonucuna vardı. Bu bulgu, küçük bir cihaz grubundaki belirli görevlerle ilgiliydi; farklı bölgelere dağılmış telefonlardan oluşan bir ağın güvenilirliğini sınamadı.

Tek telefonda yapay zekâ modeli çalıştıran cihaz içi yapay zekâ ile birden fazla telefonu hesaplama kaynağı olarak birbirine bağlayan yöntemi de ayırmak gerekiyor. TokenPost daha önce Qualcomm’un cihaz içi yapay zekâya yönelik akıllı telefon çipini duyurmasını da haberleştirmişti.

Acurast’in resmi metrik belgesinde, teşvikli test ağına yaklaşık 300.000 hesaplama biriminin kaydedildiği ve 175’ten fazla ülkede hesaplama sağlayıcısı bulunduğu yazıyor. Bu rakamlar kayıtlı ölçeği gösteriyor.

Ayrı bir ağ panosu olan Acurast Pulse, kontrol edildiği sırada bilinen 233.335 cihaz ve çevrimiçi 36.047 cihaz gösteriyordu. Pano verileri ile resmi belgedeki kayıtlı hesaplama birimleri farklı ölçümleri kapsıyor.

Yalnızca kayıtlı birimlerin ya da çevrimiçi cihazların sayısı, tamamlanan gerçek iş miktarını göstermiyor. Fiilen görev yapan cihaz sayısı, tamamlanan iş miktarı ve ücretli talep ayrıca incelenmeli.

Acurast’in işletim kılavuzu, günlük kullanılan telefonun gerektiğinde hesaplama sağladığı Lite yöntemi ile özel cihaz kullanılan Core yöntemini birbirinden ayırıyor. Acurast tokenı (ACU) ödülleri, doğrulanmış çalışma süresine ve dağıtılan görevlerin tamamlanmasına bağlanıyor.

Phase, 29 Ekim’de ana ağını ve Phase Proxy’yi kullanıma açtığını duyurdu. Proxy, yapay zekâ ajanlarının web isteklerini mobil ve ev interneti bağlantıları üzerinden iletiyor. Duyuruda başlangıç fiyatı, 1.000 istek ve 1 GB trafik için 0,5 USDT olarak açıklandı.

Proxy bir web isteği aktarma hizmeti; akıllı telefonun yapay zekâ modelinin yanıtını hesaplamasıyla aynı işlevi görmüyor. Phase, aynı duyuruda model isteklerini dağıtan Router’ı ve modelleri cihazlarda çalıştıran Compute’u kasım ayında kullanıma açmayı planladığını bildirdi.

Cihazların ağdan ayrılması ve iş sonuçlarının doğrulanması da operasyonel zorluklar arasında. Ağustos 2026’da Reddit’teki bir geliştirici tartışmasında, görev sırasında cihazın bağlantıyı kesmesi halinde kurtarma süreci ve çoğaltılmış çalıştırmaların farklı sonuç vermesi durumunda doğrulamanın nasıl yapılacağı soruldu. Acurast hesabı, yeniden deneme ve çoğaltılmış çalıştırma seçeneklerinin bulunduğunu, ayarların göreve göre değiştiğini belirtti.

Acurast topluluğundaki ayrı bir Reddit tartışmasında bağlantı ve ödül sorunlarından yakınan bir paylaşımın yanında 60 cihazı çalıştırmaya devam ettiğini söyleyen bir yorum da yer aldı. Tekil kullanıcı deneyimleri, ağın tamamının performansını veya kârlılığını değerlendirmek için yeterli değil.

Yayımlanmış örnekler kontrollü bir derste ödev notlandırma, küçük ölçekli video çıkarımı ve yapay zekâ ajanlarının web isteklerini aktarma gibi farklı kullanım alanlarını kapsıyor. Dağıtık yapay zekâ hesaplama ağlarının performansını değerlendirmek için kayıtlı ölçek ve çevrimiçi olma durumunun yanı sıra gerçek çalışma süresi, görev tamamlama oranı ve ücretli talep de ayrı ayrı incelenmeli.