Apple’ın PrismML Görüşmeleri Neden Önemli? iPhone’da 27 Milyar Parametreli Yapay Zekâ Dönemi

Apple ise cihaz içi temel modellerinde bellek ve işlem gücünü daha verimli kullanmak için seyrek mimarilerden yararlanıyor. WWDC 2026’da tanıtıldığı bildirilen yaklaşık 20 milyar parametreli cihaz içi modelde, her çıkarım sırasında yalnızca 1 ila 4 milyar parametrenin etkin olduğu aktarılıyor . PrismML’nin yaklaşımında ise 27 milyar parametrenin tamamı aynı anda etkin kalıyor .

Bu fark, modelin yalnızca kâğıt üzerindeki parametre sayısıyla değil, çalışma anında ne kadarının gerçekten kullanıldığıyla da ilgili. PrismML’nin iddiası doğrulanırsa iPhone’lar; daha karmaşık Siri isteklerini, gelişmiş yazma ve özetleme araçlarını ve daha yetenekli uygulama içi asistanları sunucuya veri göndermeden çalıştırabilir. Apple’ın cihaz içi yapay zekâ platformu da zaten verinin cihazdan ayrılmaması, sunucu yönetimi gerektirmemesi ve buluta bağlı gecikmelerin ortadan kalkması üzerine kuruluyor .

Apple açısından bu teknoloji stratejik olabilir; çünkü şirketin kendi yapay zekâ modellerini iPhone donanımına ciddi performans kaybı yaşamadan sıkıştırmakta zorlandığı bildiriliyor . Bu nedenle PrismML gibi dışarıdan bir çözüm, Apple’ın gizlilik ve cihaz üzerinde çalışma hedeflerini korurken model kapasitesini büyütmesine yardımcı olabilir.

PrismML’nin model sıkıştırma yaklaşımını farklı kılan ne?

1. Ağın tamamında üç değerli ağırlıklar kullanılıyor

PrismML’nin temel yaklaşımı, sinir ağındaki her ağırlığı yalnızca üç olası değerle sınırlamak: -1, 0 ve +1. Bu yapı, parametre başına yaklaşık 1,58 bit bilgi kodlanmasını sağlıyor .

Bu yöntem, yaygın FP16 veya 8 bitlik nicemleme tekniklerinden farklı. Söz konusu yöntemlerde model ağırlıkları daha geniş kayan noktalı ya da tam sayı aralıklarıyla temsil edilirken PrismML, üç değerli yapıyı ağın tamamına uygulamayı hedefliyor.

2. Sıkıştırma sonradan eklenmiyor

Geleneksel yaklaşımda önce tam hassasiyetli bir model eğitilir, ardından model daha düşük bit hassasiyetine dönüştürülür. Bu işlem, özellikle agresif sıkıştırmada doğruluk kaybına yol açabilir.

PrismML ise modellerini baştan 1 bitlik hassasiyetle eğittiğini ve ternary mantığın ağ mimarisinin içine yerleştirildiğini söylüyor . Şirketin anlatımına göre bu, sonradan uygulanan bir “dosya küçültme” işleminden ziyade modelin tasarım aşamasından itibaren düşük bellek kullanımı için optimize edilmesi anlamına geliyor .

3. Bellek kullanımında büyük düşüş hedefleniyor

PrismML’nin 1-bit Bonsai 8B modeli, 8,2 milyar parametreyi yaklaşık 1,15 GB belleğe sığdırdığını ve tam hassasiyetli modellere yakın sonuçlar verdiğini iddia ediyor . Şirketin kendi karşılaştırmasına göre bu, geleneksel 16 bitlik bir modele kıyasla yaklaşık 14 kat daha küçük bir boyut anlamına geliyor.

Aynı yaklaşımın 27 milyar parametreli Qwen 3.6 modeline uygulanması, modelin iPhone 17 Pro’nun belleğinde çalıştırılabilmesini sağladı. Bu, mobil cihazlarda model ölçeği ile bellek sınırları arasındaki dengeyi değiştirebilecek bir gelişme olabilir .

4. Enerji tüketimi ve hız da iddianın parçası

PrismML, 1 bitlik temsilin tam hassasiyetli modellere göre yaklaşık beş kat daha iyi enerji verimliliği sunduğunu belirtiyor. Şirket ayrıca 8B modelinin iPhone 17 Pro’da saniyede 40’tan fazla token ürettiğini ve bunun gerçek zamanlı kullanım için yeterli hızın üzerinde olduğunu söylüyor .

Daha düşük bellek kullanımı, yalnızca büyük modelleri telefona sığdırmakla kalmayabilir; aynı zamanda pil tüketimini, yanıt süresini ve cihazın ısınmasını da etkileyebilir. Ancak bu sonuçların gerçek kullanım koşullarında ve farklı görevlerde nasıl tekrarlanacağı henüz bağımsız biçimde ortaya konmuş değil.

Bu teknoloji gerçekten kanıtlandı mı?

Şimdilik temkinli olmak gerekiyor. PrismML, 31 Mart 2026’da gizlilik döneminden çıkarak ortaya çıkan, Caltech araştırmalarından doğmuş bir girişim olarak tanıtıldı. Şirket Khosla Ventures ve Cerberus Ventures’tan toplam 16,25 milyon dolar yatırım aldığını açıkladı; modellerini de Apache 2.0 lisansıyla açık kaynak olarak yayımladı .

Açık kaynak kod ve model ağırlıkları, bağımsız araştırmacıların iddiaları incelemesini kolaylaştırabilir. Buna rağmen 27 milyar parametreli modelin iPhone üzerinde vaat edilen doğruluk, hız ve enerji verimliliğini geniş ölçekte doğrulayan bağımsız çalışmalar henüz bulunmuyor.

Sonuç olarak Apple’ın PrismML’ye ilgisi, doğrulanmış bir satın alma ya da ortaklık anlamına gelmiyor. Ancak şirketin, buluta daha az bağımlı, gizliliği koruyan ve daha güçlü cihaz içi yapay zekâ deneyimleri geliştirme arayışını gösteriyor. PrismML’nin ternary model yaklaşımı beklendiği gibi çalışırsa, asıl değişim yalnızca daha büyük modellerin iPhone’a sığması değil; mobil yapay zekânın tasarım sınırlarının yeniden çizilmesi olabilir.