Duyuru Merkezi
1.Core Summary
Chutes (SN64), Bittensor ağı üzerine inşa edilmiş merkeziyetsiz bir Serverless AI computing platformudur. Web3’te AI computing yarışında temel konumlandırması, bir ride-hailing platformu ve model PaaS (Platform as a Service) modeline benzer. Platform, küresel ölçekte dağınık boş GPU hesaplama gücünü bir araya getirir ve gelişmiş containerization scheduling teknolojisi ile geliştiricilere hazır kullanıma sunulan, kullandıkça öde (pay-as-you-go) AI inference API’leri sağlar.
Temel mimaride Chutes, klasik bir çift rollü oyun mekanizması kullanır: miner’lar dış taleplere anında yanıt verecek temel donanımı sağlar, validator’lar ise kaliteyi değerlendirir ve ağırlıkları gerçek zamanlı olarak atar. Böylece düşük maliyet ve yüksek eşzamanlılık (concurrency) sunan endüstriyel seviyede bir inference ağı oluşur.
Günümüzde Chutes, gerçek bir iş döngüsü (closed-loop) çalıştırarak merkeziyetsiz hesaplama alanında öncü konumdadır. 9.1 trilyon Token üzerinde işlem gerçekleştirmiştir, 400.000’den fazla aktif kullanıcıya sahiptir ve Bittensor ekosisteminde 100 milyon dolar değerlemeyi aşan ilk self-reported sub-network olmuştur. Gerçek iş gelirini token değerine geri besleyerek uzun vadede merkeziyetsiz AI alanında unicorn seviyesinde bir altyapı olma potansiyeline sahiptir.
2. Industry Background: AI Reasoning’in Yükselişi ve Web2 Modelinin İkilemi
2.1 Model inference nedir? Pre-training’den temel farkı nedir?
AI model yaşam döngüsünü anlamak için iki temel aşama vardır: pre-training (Training) ve inference (Inference).
Model pre-training: AI modellerinin “öğrenme aşaması”dır. Araştırmacılar, büyük veri kümelerini (örneğin internetin tamamına ait metinler) sinir ağlarına besler ve model içindeki milyarlarca hatta trilyonlarca parametreyi büyük ölçekli matris çarpımlarıyla sürekli olarak optimize eder. Bu süreç çok zaman alır ve yüksek bant genişliği gerektiren cluster computing gücüne (örneğin NVLink) ihtiyaç duyar; yani ağır bir sermaye yatırımıdır.
Model inference: AI modelinin “uygulama aşamasıdır”. Model eğitimi tamamlandıktan sonra parametreler sabitlenir. Kullanıcı bir prompt girer ve model forward propagation (Forward Pass) ile bir sonraki en olası kelimeyi üretir. Training’e kıyasla tekil işlem gücü daha düşüktür ancak çok yüksek concurrency, düşük latency (gecikme) ve 7/24 sistem stabilitesi gerektirir.
2.2 Computing power sektörünün gelişim mantığı ve odağın kayışı
Tüm computing power sektörünün gelişimine bakıldığında net bir evrim çizgisi görülür: CPU genel hesaplamadan GPU paralel hesaplamaya (CUDA ekosistemi), ardından AI için özel tasarlanmış TPU ve ASIC çiplerine geçiş.
Son yıllarda yatırım ve teknoloji odağı neredeyse tamamen “daha akıllı modeller nasıl eğitilir” sorusuna yönelmişti. Ancak Llama serisi ve DeepSeek gibi açık kaynak büyük modellerin yükselişiyle birlikte açık ve kapalı kaynak modeller arasındaki fark hızla kapanmıştır. AI endüstrisinde değer yakalama odağı geri döndürülemez şekilde pre-training’den inference aşamasına kaymaktadır.
Bunun nedeni, büyük modellerin gerçek ölçekli monetizasyonu için 7/24 düşük gecikmeli ve yüksek erişilebilirlikte çalışmasının zorunlu olmasıdır. Bu noktada en büyük sorun “modelleri nasıl ucuz, stabil ve hızlı çalıştırırız” haline gelir.
2.3 Web2 döneminde AI inference katılımcıları ve temel sınırlamalar
Mevcut Web2 inference alanında başlıca oyuncular:
Closed-source model API sağlayıcıları: OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini). Kullanımı kolaydır ancak black-box yapı, yüksek maliyet ve güçlü ekosistem bağımlılığı vardır.
Traditional Cloud as a Service devleri: AWS (Amazon Web Services), Microsoft Azure, Google Cloud. Düşük seviye VM veya GPU kiralama sağlarlar ancak operasyonel maliyetler yüksektir.
Vertical MaaS platformları: Together AI, Anyscale, HuggingFace Inference Endpoints. Açık kaynak modeller için inference yönetim hizmeti sağlarlar.
Ancak Web2 devleri (OpenAI API, AWS, Together AI vb.) kullanıldığında üç temel problem ortaya çıkar:
Yüksek “computing power tax” ve kaba settlement granularity:
Merkezi veri merkezlerinin altyapı maliyetleri (soğutma, donanım, bakım) çok yüksektir. API maliyetleri geliştiricilere yansır. Ayrıca saatlik veya tam makine bazlı ücretlendirme, yüksek anlık talep senaryolarında verimsizlik yaratır ve idle resource israfına neden olur.
Karmaşık altyapı zorlukları:
Kendi open-source modelini çalıştırmak isteyen ekipler GPU seçimi, driver kurulumu, vLLM/TensorRT optimizasyonu, node yönetimi ve container orchestration gibi birçok karmaşık teknik süreçle karşılaşır.
Vendor lock-in ve veri gizliliği riskleri:
Tek bir sağlayıcıya bağımlılık gelecekte maliyet ve teknik esnekliği sınırlar. Ayrıca sağlık, finans ve hukuk gibi alanlarda verilerin merkezi API’lara gönderilmesi ciddi veri güvenliği ve compliance riskleri oluşturur.
3. Çözüm: Chutes, AI muhakemesini yeniden inşa etmek için “ağ”ı kullanır
3.1 Temel Konumlandırma: AI Ekosisteminde “Araç Çağırma Platformu” ve Merkeziyetsiz PaaS
Bittensor ekosisteminde her subnet’in kendine ait bir rolü vardır. Örneğin Templar (SN3), bir “otomobil fabrikası” rolünü üstlenir; temel görevi sıfırdan başlayarak hesaplama gücünü bir araya getirip üst düzey açık kaynak modelleri eğitmektir. Buna karşılık Chutes (SN64) tamamen farklı bir konumlandırmaya sahiptir ve “operasyonel hizmetlere” odaklanır; Web3 çağında bir “araç çağırma platformu” rolünü oynar.
Chutes doğrudan model üretmekten sorumlu değildir. Bunun yerine ağ protokolü üzerinden küresel ölçekte dağılmış “araçları” (yani dünya genelinde boşta duran GPU hesaplama gücünü) verimli şekilde birleştirir. Böylece hazır ve üst düzey açık kaynak modellerin bu düğümler üzerinde verimli şekilde çalışmasını sağlar ve dış geliştiriciler için kesintisiz çıkarım (inference) hizmetleri sunar. Özünde Chutes, blok zinciri üzerinde merkeziyetsiz, açık kaynak dostu ve yüksek oranda standartlaştırılmış bir temel PaaS (Platform as a Service) altyapısı kurar.
3.2 Gerçek Sunucusuz Deneyim ve Nihai Maliyet Avantajı
Chutes’un geliştiricilere sunduğu temel değişim, gerçek bir Serverless (sunucusuz) deneyimin hayata geçirilmesidir. Chutes kullanılırken geliştiricilerin donanım seçimi, ortam yapılandırması ve küme yönetimi gibi konularla ilgilenmesine gerek kalmaz. Sadece birkaç satır kod değiştirerek tamamen OpenAI formatıyla uyumlu API’ler üzerinden ağa entegre olabilirler.
Maliyet kontrolü açısından Chutes, blok zincirinin yerel kriptografik mikro ödeme (Micropayments) mekanizmasına dayanarak sektörde nadir görülen çok ince taneli bir hesaplaşma yapısı sağlar. Bu yıkıcı ödeme yöntemi, geleneksel bulut sunucularındaki saatlik faturalandırmadan kaynaklanan kaynak israfını tamamen ortadan kaldırır. Pratikte bu avantaj, maliyetin geleneksel Cloud as a Service (örneğin AWS) çözümlerine kıyasla yaklaşık %85 daha ucuz olmasını sağlar ve piyasadaki çoğu merkezi API platformuna kıyasla en az %40 maliyet tasarrufu sunar.
3.3 Gizlilik Yükseltmesi: TEE Mimarisi Güven Çarkını Oluşturur
Merkeziyetsiz ağlarda en büyük zorluk, kullanıcıların anonim düğümlere gönderdiği prompt ve iş verilerinin nasıl korunacağıdır. Kurumsal kullanıcıların derin gizlilik endişelerine yanıt olarak Chutes, ağında TEE (Trusted Execution Environments) teknolojisini tamamen devreye almaktadır.
TEE teknolojisi, CPU/GPU içinde donanım seviyesinde şifreleme ile sıkı şekilde korunan bir bellek alanı izole eder. Bu sayede merkeziyetsiz düğümler, çıkarım isteklerini şifreli bir “kara kutu” içinde işler ve hesaplama süreci boyunca hesaplama gücü sağlayan miner’lar bile kullanıcının hassas giriş verilerini göremez. Bu temel teknolojinin eklenmesi, merkeziyetsiz ağların kurumsal düzeyde ticari kullanıma geçişindeki uyumluluk ve gizlilik sorunlarını kökten çözer ve Web2 şirketlerinin büyük ölçekli benimsemesinin önünü açar.
4. Çekirdek Mimari: AI Çıkarımı Ağ İçinde Nasıl Gerçekleştirilir
Chutes’un alt katman dağıtık mimarisinde sistem, büyük ölçekli çıkarım görevlerini küresel ağa karmaşık yönlendirme ve yük dengeleme mekanizmalarıyla dağıtır. Temel katılımcılar açık şekilde iki kategoriye ayrılır ve nihai hizmet kalitesi kriptografi ve ekonomik piyasa oyunlarıyla garanti altına alınır.
Miner (Hizmet Sağlayıcı): Dünyanın farklı noktalarındaki hesaplama düğümleri sisteme staking yoluyla katıldıktan sonra, ağın talimatlarına göre sistemin belirlediği “Sürekli Sıcak Modelleri” yüklemek zorundadır. “Sıcak Modeller”, modelin büyük parametrelerinin GPU video belleğine (VRAM) önceden yüklenmiş olması anlamına gelir. Gelişmiş konteynerleştirme planlama teknolojisine dayanarak bu hesaplama düğümleri, düşük soğuk başlangıç gecikmesiyle yüksek eşzamanlı API isteklerini karşılamak için sürekli yüksek sistem erişilebilirliğini korumalıdır.
Validator’lar (Kalite Denetçileri): Merkeziyetsiz bir ağda merkezi bir denetim otoritesi bulunmadığı için validator’lara ihtiyaç vardır. Validator’lar sürekli olarak miner’lara rastgele test istekleri gönderir ve gerçek iş taleplerini yönlendirir. Hizmetleri; yanıt gecikmesi (ilk token üretim süresi TTFT), throughput (saniyede üretilen token sayısı) ve çıktı doğruluğu gibi temel boyutlarda sıkı şekilde puanlarlar. İyi performans gösteren miner’lar ağ token’ları ile ödüllendirilirken, kötü performans gösteren veya kötü niyetli davranış sergileyenler sistem tarafından elenir ve hatta staking teminatları dahi cezai olarak el konulabilir.
Bittensor’un temel konsensüsüne dayanan bu merkeziyetsiz oyun mimarisi, çıkarım odaklı teşvikleri hizmet kalitesi garantisine dönüştürerek, gevşek şekilde dağıtılmış bir ağın bile merkezi en üst seviye veri merkezleriyle karşılaştırılabilir endüstriyel düzeyde sistem kararlılığı üretmesini sağlar.
5. Ekonomik Motor: “Enflasyon odaklı” modelden “gerçek değer üretimine” geçiş
Geçmiş kripto döngülerinde birçok erken dönem Web3 hesaplama gücü projesi bir “ölüm sarmalına” girmiştir: hesaplama gücünü çekmek için token enflasyonuna aşırı bağımlı kalınmış (yani sözde “mining” sübvansiyonları), ikincil piyasa zayıfladığında ise hesaplama gücü hızla sistemden çıkmıştır. Buna karşılık Chutes’un temel rekabet gücü, sağlıklı işleyen merkeziyetsiz bir ticari döngüyü başarıyla kurmuş olmasından gelir.
Günümüzde Chutes ağı, her gün büyük miktarda gerçek B tarafı (kurumsal) ve C tarafı (son kullanıcı) API talebini işleyebilmektedir. Ağ, token sistemi üzerinden bu kullanıcılardan gerçek hizmetler için ücret alır. Daha da önemlisi, sistemin yerleşik otomatik staking ve hesaplaşma mekanizmasına dayanarak, dış dünyadan gelen bu iş gelirleri (başlangıçta fiat ödemelerle olsa bile) nihayetinde doğrudan ağın ekosistem varlıklarına (token’lara) güçlü alım talebi olarak dönüşür. Bu mekanizma, token sahiplerine ve ağı sürdüren tüm katılımcılara sürekli geri besleme sağlar ve “hesaplama gücü satın almak için para yakma” Ponzi modelinden, sürdürülebilir “gerçek iş geliri üretimi” modeline geçişi mümkün kılar.
6. Ekosistemin Mevcut Durumu ve Etkileyici Veri Performansı
Zincir üstü ve iş verilerine ilişkin son takiplere göre, Chutes ağı yüksek eşzamanlı iş senaryolarında son derece güçlü bir işlem kapasitesi ve derin pazar penetrasyonu göstermektedir.
Çekirdek iş hacminde atılım: Chutes Network, toplamda 9.1 trilyondan fazla token işlemiştir; bu rakam hem Web3 hem de birçok orta ölçekli Web2 platformu açısından dikkat çekicidir. Günlük en yüksek işlem kapasitesi 50 milyar seviyesine ulaşabilmekte ve 400.000’den fazla son kullanıcı ile geliştiriciye hizmet vermektedir.
Mutlak lider pazar konumu: Güçlü iş verilerine dayanarak Chutes, Bittensor ekosisteminde kendi beyanına göre 100 milyon dolar değerlemeyi aşan ilk ağ olmuştur.
Derin ekosistem entegrasyonu ve “su, elektrik, kömür” niteliği: Dış tarafta Chutes, birçok farklı uygulama senaryosuna başarıyla hizmet vermiştir. İç tarafta ise çeşitli dikey uygulamalar ve veri işleme odaklı subnet’ler dahil olmak üzere Bittensor ekosistemi içinde temel hesaplama gücü sağlayıcısı hâline gelmiş ve merkeziyetsiz AI ekosisteminin “su, elektrik ve kömür”ü rolünü üstlenmiştir.
Sağlıklı token ekonomik göstergeleri: 7 Nisan 2026 itibarıyla Chutes subnet token’ı Alpha’nın (alpha token) fiyatı yaklaşık 0.085 TAO seviyesindedir. Ağ yaklaşık 13.666 token sahibini çekmiş, 244 aktif miner düğümü ve 12 validator düğümüne ulaşmıştır. Ağ emisyon oranı %8.77 seviyesindedir. Aynı zamanda DEX likidite havuzunda TAO %7.88, Alpha ise %92.12 paya sahiptir. Gerek hesaplama gücü gerek sermaye ölçeği açısından Chutes, TAO ekosisteminin en üst düzey projelerinden biridir. Bu veriler, projenin piyasa ilgisini açık şekilde yansıtmaktadır.
(Veri Kaynağı: https://bittensormarketcap.com/subnets/64 )
7. Rekabet Ortamı, Potansiyel Zorluklar ve Nihai Görünüm
7.1 Core Advantage and Track Competitive Edge Barrier
7.1 Temel Avantaj ve Rekabetçi Üstünlük Bariyeri
Mevcut merkeziyetsiz hesaplama (DePIN + AI) alanı, “konsept anlatma ve white paper yazma” dönemini geride bırakmış ve “teslim kabiliyeti, maliyet ve istikrar” üzerinden rekabet edilen derin bir aşamaya girmiştir. Sadece bare metal kiralama hizmeti sunan platformlarla karşılaştırıldığında, Chutes’un en güçlü rekabet avantajı; büyük ölçekli iş verileriyle doğrulanmış ticari düzeyde çıkarım (inference) sunum kapasitesi ve geleneksel Web2 devlerine kıyasla mutlak maliyet üstünlüğüdür.
Gelecekte tamamen devreye alınacak TEE gizlilik şifreleme mimarisi ile birlikte Chutes, Silikon Vadisi devlerinin tekelinden ve veri hakimiyetinden çekinen geliştiriciler için tamamen izinsiz (permissionless) ve maliyet açısından verimli ideal bir altyapı sunmaktadır.
7.2 Potansiyel Zorluklar ve Aşılması Gereken Engeller
Mevcut iş verileri ve model dolaşımı etkileyici olsa da, Chutes’un Web3’ten daha geniş ana akım dünyaya geçiş yapabilmesi için bazı kritik zorlukları aşması gerekmektedir:
Aşırı eşzamanlılık altında yedeklilik ve dayanıklılık testi: Gelecekte milyon seviyesinde DAU’ya sahip gerçek bir “killer” AI uygulaması çok kısa sürede ağa bağlandığında, merkeziyetsiz ağın hesaplama talebindeki ani artışa rağmen milisaniye seviyesinde düşük gecikmeli yanıtı kesintisiz sürdürebilmesi, zamanlama algoritmasının nihai sınavı olacaktır.
Kurumsal pazarın zihniyet bariyerini aşmak: TEE teknolojisinin desteğine rağmen, geleneksel Web2 şirketlerinin yerleşik algısını kırmak ve daha fazla uyum odaklı işletmenin merkeziyetsiz API protokollerine güvenerek büyük ölçekte benimsemesini sağlamak için uzun vadeli ve sürekli bir pazar eğitimi gerekmektedir.
7.3 Nihai Senaryo
Özetle, MultiModal Machine Learning ve AI agent’larının yüksek frekanslı ve otonom etkileşim çağının gelmesiyle birlikte, makineler arası muhakeme talebi üstel şekilde artacaktır. Bu noktada düşük maliyetli, izinsiz ve talep üzerine mikro ödeme destekli merkeziyetsiz bir muhakeme katmanı, yeni nesil internetin vazgeçilmez altyapılarından biri hâline gelecektir.
Chutes yalnızca alt katman hesaplama tahsis yönteminin merkeziyetsizleşmesini değil, aynı zamanda insan toplumundaki açık kaynak entelektüel kaynakların evrensel dağıtımını da temsil eder. Eğer Chutes, trafik işleme kapasitesine ilişkin yüksek bariyerleri ve geleneksel kurumsal tarafın güven açığını başarıyla aşabilirse, önümüzdeki birkaç yıl içinde merkeziyetsiz AI alanında uzun vadeli değer yakalama potansiyeline sahip süper bir altyapı ve unicorn platform hâline gelebilir.
1.Core Summary
Chutes (SN64), Bittensor ağı üzerine inşa edilmiş merkeziyetsiz bir Serverless AI computing platformudur. Web3’te AI computing yarışında temel konumlandırması, bir ride-hailing platformu ve model PaaS (Platform as a Service) modeline benzer. Platform, küresel ölçekte dağınık boş GPU hesaplama gücünü bir araya getirir ve gelişmiş containerization scheduling teknolojisi ile geliştiricilere hazır kullanıma sunulan, kullandıkça öde (pay-as-you-go) AI inference API’leri sağlar.
Temel mimaride Chutes, klasik bir çift rollü oyun mekanizması kullanır: miner’lar dış taleplere anında yanıt verecek temel donanımı sağlar, validator’lar ise kaliteyi değerlendirir ve ağırlıkları gerçek zamanlı olarak atar. Böylece düşük maliyet ve yüksek eşzamanlılık (concurrency) sunan endüstriyel seviyede bir inference ağı oluşur.
Günümüzde Chutes, gerçek bir iş döngüsü (closed-loop) çalıştırarak merkeziyetsiz hesaplama alanında öncü konumdadır. 9.1 trilyon Token üzerinde işlem gerçekleştirmiştir, 400.000’den fazla aktif kullanıcıya sahiptir ve Bittensor ekosisteminde 100 milyon dolar değerlemeyi aşan ilk self-reported sub-network olmuştur. Gerçek iş gelirini token değerine geri besleyerek uzun vadede merkeziyetsiz AI alanında unicorn seviyesinde bir altyapı olma potansiyeline sahiptir.
2. Industry Background: AI Reasoning’in Yükselişi ve Web2 Modelinin İkilemi
2.1 Model inference nedir? Pre-training’den temel farkı nedir?
AI model yaşam döngüsünü anlamak için iki temel aşama vardır: pre-training (Training) ve inference (Inference).
Model pre-training: AI modellerinin “öğrenme aşaması”dır. Araştırmacılar, büyük veri kümelerini (örneğin internetin tamamına ait metinler) sinir ağlarına besler ve model içindeki milyarlarca hatta trilyonlarca parametreyi büyük ölçekli matris çarpımlarıyla sürekli olarak optimize eder. Bu süreç çok zaman alır ve yüksek bant genişliği gerektiren cluster computing gücüne (örneğin NVLink) ihtiyaç duyar; yani ağır bir sermaye yatırımıdır.
Model inference: AI modelinin “uygulama aşamasıdır”. Model eğitimi tamamlandıktan sonra parametreler sabitlenir. Kullanıcı bir prompt girer ve model forward propagation (Forward Pass) ile bir sonraki en olası kelimeyi üretir. Training’e kıyasla tekil işlem gücü daha düşüktür ancak çok yüksek concurrency, düşük latency (gecikme) ve 7/24 sistem stabilitesi gerektirir.
2.2 Computing power sektörünün gelişim mantığı ve odağın kayışı
Tüm computing power sektörünün gelişimine bakıldığında net bir evrim çizgisi görülür: CPU genel hesaplamadan GPU paralel hesaplamaya (CUDA ekosistemi), ardından AI için özel tasarlanmış TPU ve ASIC çiplerine geçiş.
Son yıllarda yatırım ve teknoloji odağı neredeyse tamamen “daha akıllı modeller nasıl eğitilir” sorusuna yönelmişti. Ancak Llama serisi ve DeepSeek gibi açık kaynak büyük modellerin yükselişiyle birlikte açık ve kapalı kaynak modeller arasındaki fark hızla kapanmıştır. AI endüstrisinde değer yakalama odağı geri döndürülemez şekilde pre-training’den inference aşamasına kaymaktadır.
Bunun nedeni, büyük modellerin gerçek ölçekli monetizasyonu için 7/24 düşük gecikmeli ve yüksek erişilebilirlikte çalışmasının zorunlu olmasıdır. Bu noktada en büyük sorun “modelleri nasıl ucuz, stabil ve hızlı çalıştırırız” haline gelir.
2.3 Web2 döneminde AI inference katılımcıları ve temel sınırlamalar
Mevcut Web2 inference alanında başlıca oyuncular:
Closed-source model API sağlayıcıları: OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini). Kullanımı kolaydır ancak black-box yapı, yüksek maliyet ve güçlü ekosistem bağımlılığı vardır.
Traditional Cloud as a Service devleri: AWS (Amazon Web Services), Microsoft Azure, Google Cloud. Düşük seviye VM veya GPU kiralama sağlarlar ancak operasyonel maliyetler yüksektir.
Vertical MaaS platformları: Together AI, Anyscale, HuggingFace Inference Endpoints. Açık kaynak modeller için inference yönetim hizmeti sağlarlar.
Ancak Web2 devleri (OpenAI API, AWS, Together AI vb.) kullanıldığında üç temel problem ortaya çıkar:
Yüksek “computing power tax” ve kaba settlement granularity:
Merkezi veri merkezlerinin altyapı maliyetleri (soğutma, donanım, bakım) çok yüksektir. API maliyetleri geliştiricilere yansır. Ayrıca saatlik veya tam makine bazlı ücretlendirme, yüksek anlık talep senaryolarında verimsizlik yaratır ve idle resource israfına neden olur.
Karmaşık altyapı zorlukları:
Kendi open-source modelini çalıştırmak isteyen ekipler GPU seçimi, driver kurulumu, vLLM/TensorRT optimizasyonu, node yönetimi ve container orchestration gibi birçok karmaşık teknik süreçle karşılaşır.
Vendor lock-in ve veri gizliliği riskleri:
Tek bir sağlayıcıya bağımlılık gelecekte maliyet ve teknik esnekliği sınırlar. Ayrıca sağlık, finans ve hukuk gibi alanlarda verilerin merkezi API’lara gönderilmesi ciddi veri güvenliği ve compliance riskleri oluşturur.
3. Çözüm: Chutes, AI muhakemesini yeniden inşa etmek için “ağ”ı kullanır
3.1 Temel Konumlandırma: AI Ekosisteminde “Araç Çağırma Platformu” ve Merkeziyetsiz PaaS
Bittensor ekosisteminde her subnet’in kendine ait bir rolü vardır. Örneğin Templar (SN3), bir “otomobil fabrikası” rolünü üstlenir; temel görevi sıfırdan başlayarak hesaplama gücünü bir araya getirip üst düzey açık kaynak modelleri eğitmektir. Buna karşılık Chutes (SN64) tamamen farklı bir konumlandırmaya sahiptir ve “operasyonel hizmetlere” odaklanır; Web3 çağında bir “araç çağırma platformu” rolünü oynar.
Chutes doğrudan model üretmekten sorumlu değildir. Bunun yerine ağ protokolü üzerinden küresel ölçekte dağılmış “araçları” (yani dünya genelinde boşta duran GPU hesaplama gücünü) verimli şekilde birleştirir. Böylece hazır ve üst düzey açık kaynak modellerin bu düğümler üzerinde verimli şekilde çalışmasını sağlar ve dış geliştiriciler için kesintisiz çıkarım (inference) hizmetleri sunar. Özünde Chutes, blok zinciri üzerinde merkeziyetsiz, açık kaynak dostu ve yüksek oranda standartlaştırılmış bir temel PaaS (Platform as a Service) altyapısı kurar.
3.2 Gerçek Sunucusuz Deneyim ve Nihai Maliyet Avantajı
Chutes’un geliştiricilere sunduğu temel değişim, gerçek bir Serverless (sunucusuz) deneyimin hayata geçirilmesidir. Chutes kullanılırken geliştiricilerin donanım seçimi, ortam yapılandırması ve küme yönetimi gibi konularla ilgilenmesine gerek kalmaz. Sadece birkaç satır kod değiştirerek tamamen OpenAI formatıyla uyumlu API’ler üzerinden ağa entegre olabilirler.
Maliyet kontrolü açısından Chutes, blok zincirinin yerel kriptografik mikro ödeme (Micropayments) mekanizmasına dayanarak sektörde nadir görülen çok ince taneli bir hesaplaşma yapısı sağlar. Bu yıkıcı ödeme yöntemi, geleneksel bulut sunucularındaki saatlik faturalandırmadan kaynaklanan kaynak israfını tamamen ortadan kaldırır. Pratikte bu avantaj, maliyetin geleneksel Cloud as a Service (örneğin AWS) çözümlerine kıyasla yaklaşık %85 daha ucuz olmasını sağlar ve piyasadaki çoğu merkezi API platformuna kıyasla en az %40 maliyet tasarrufu sunar.
3.3 Gizlilik Yükseltmesi: TEE Mimarisi Güven Çarkını Oluşturur
Merkeziyetsiz ağlarda en büyük zorluk, kullanıcıların anonim düğümlere gönderdiği prompt ve iş verilerinin nasıl korunacağıdır. Kurumsal kullanıcıların derin gizlilik endişelerine yanıt olarak Chutes, ağında TEE (Trusted Execution Environments) teknolojisini tamamen devreye almaktadır.
TEE teknolojisi, CPU/GPU içinde donanım seviyesinde şifreleme ile sıkı şekilde korunan bir bellek alanı izole eder. Bu sayede merkeziyetsiz düğümler, çıkarım isteklerini şifreli bir “kara kutu” içinde işler ve hesaplama süreci boyunca hesaplama gücü sağlayan miner’lar bile kullanıcının hassas giriş verilerini göremez. Bu temel teknolojinin eklenmesi, merkeziyetsiz ağların kurumsal düzeyde ticari kullanıma geçişindeki uyumluluk ve gizlilik sorunlarını kökten çözer ve Web2 şirketlerinin büyük ölçekli benimsemesinin önünü açar.
4. Çekirdek Mimari: AI Çıkarımı Ağ İçinde Nasıl Gerçekleştirilir
Chutes’un alt katman dağıtık mimarisinde sistem, büyük ölçekli çıkarım görevlerini küresel ağa karmaşık yönlendirme ve yük dengeleme mekanizmalarıyla dağıtır. Temel katılımcılar açık şekilde iki kategoriye ayrılır ve nihai hizmet kalitesi kriptografi ve ekonomik piyasa oyunlarıyla garanti altına alınır.
Miner (Hizmet Sağlayıcı): Dünyanın farklı noktalarındaki hesaplama düğümleri sisteme staking yoluyla katıldıktan sonra, ağın talimatlarına göre sistemin belirlediği “Sürekli Sıcak Modelleri” yüklemek zorundadır. “Sıcak Modeller”, modelin büyük parametrelerinin GPU video belleğine (VRAM) önceden yüklenmiş olması anlamına gelir. Gelişmiş konteynerleştirme planlama teknolojisine dayanarak bu hesaplama düğümleri, düşük soğuk başlangıç gecikmesiyle yüksek eşzamanlı API isteklerini karşılamak için sürekli yüksek sistem erişilebilirliğini korumalıdır.
Validator’lar (Kalite Denetçileri): Merkeziyetsiz bir ağda merkezi bir denetim otoritesi bulunmadığı için validator’lara ihtiyaç vardır. Validator’lar sürekli olarak miner’lara rastgele test istekleri gönderir ve gerçek iş taleplerini yönlendirir. Hizmetleri; yanıt gecikmesi (ilk token üretim süresi TTFT), throughput (saniyede üretilen token sayısı) ve çıktı doğruluğu gibi temel boyutlarda sıkı şekilde puanlarlar. İyi performans gösteren miner’lar ağ token’ları ile ödüllendirilirken, kötü performans gösteren veya kötü niyetli davranış sergileyenler sistem tarafından elenir ve hatta staking teminatları dahi cezai olarak el konulabilir.
Bittensor’un temel konsensüsüne dayanan bu merkeziyetsiz oyun mimarisi, çıkarım odaklı teşvikleri hizmet kalitesi garantisine dönüştürerek, gevşek şekilde dağıtılmış bir ağın bile merkezi en üst seviye veri merkezleriyle karşılaştırılabilir endüstriyel düzeyde sistem kararlılığı üretmesini sağlar.
5. Ekonomik Motor: “Enflasyon odaklı” modelden “gerçek değer üretimine” geçiş
Geçmiş kripto döngülerinde birçok erken dönem Web3 hesaplama gücü projesi bir “ölüm sarmalına” girmiştir: hesaplama gücünü çekmek için token enflasyonuna aşırı bağımlı kalınmış (yani sözde “mining” sübvansiyonları), ikincil piyasa zayıfladığında ise hesaplama gücü hızla sistemden çıkmıştır. Buna karşılık Chutes’un temel rekabet gücü, sağlıklı işleyen merkeziyetsiz bir ticari döngüyü başarıyla kurmuş olmasından gelir.
Günümüzde Chutes ağı, her gün büyük miktarda gerçek B tarafı (kurumsal) ve C tarafı (son kullanıcı) API talebini işleyebilmektedir. Ağ, token sistemi üzerinden bu kullanıcılardan gerçek hizmetler için ücret alır. Daha da önemlisi, sistemin yerleşik otomatik staking ve hesaplaşma mekanizmasına dayanarak, dış dünyadan gelen bu iş gelirleri (başlangıçta fiat ödemelerle olsa bile) nihayetinde doğrudan ağın ekosistem varlıklarına (token’lara) güçlü alım talebi olarak dönüşür. Bu mekanizma, token sahiplerine ve ağı sürdüren tüm katılımcılara sürekli geri besleme sağlar ve “hesaplama gücü satın almak için para yakma” Ponzi modelinden, sürdürülebilir “gerçek iş geliri üretimi” modeline geçişi mümkün kılar.
6. Ekosistemin Mevcut Durumu ve Etkileyici Veri Performansı
Zincir üstü ve iş verilerine ilişkin son takiplere göre, Chutes ağı yüksek eşzamanlı iş senaryolarında son derece güçlü bir işlem kapasitesi ve derin pazar penetrasyonu göstermektedir.
Çekirdek iş hacminde atılım: Chutes Network, toplamda 9.1 trilyondan fazla token işlemiştir; bu rakam hem Web3 hem de birçok orta ölçekli Web2 platformu açısından dikkat çekicidir. Günlük en yüksek işlem kapasitesi 50 milyar seviyesine ulaşabilmekte ve 400.000’den fazla son kullanıcı ile geliştiriciye hizmet vermektedir.
Mutlak lider pazar konumu: Güçlü iş verilerine dayanarak Chutes, Bittensor ekosisteminde kendi beyanına göre 100 milyon dolar değerlemeyi aşan ilk ağ olmuştur.
Derin ekosistem entegrasyonu ve “su, elektrik, kömür” niteliği: Dış tarafta Chutes, birçok farklı uygulama senaryosuna başarıyla hizmet vermiştir. İç tarafta ise çeşitli dikey uygulamalar ve veri işleme odaklı subnet’ler dahil olmak üzere Bittensor ekosistemi içinde temel hesaplama gücü sağlayıcısı hâline gelmiş ve merkeziyetsiz AI ekosisteminin “su, elektrik ve kömür”ü rolünü üstlenmiştir.
Sağlıklı token ekonomik göstergeleri: 7 Nisan 2026 itibarıyla Chutes subnet token’ı Alpha’nın (alpha token) fiyatı yaklaşık 0.085 TAO seviyesindedir. Ağ yaklaşık 13.666 token sahibini çekmiş, 244 aktif miner düğümü ve 12 validator düğümüne ulaşmıştır. Ağ emisyon oranı %8.77 seviyesindedir. Aynı zamanda DEX likidite havuzunda TAO %7.88, Alpha ise %92.12 paya sahiptir. Gerek hesaplama gücü gerek sermaye ölçeği açısından Chutes, TAO ekosisteminin en üst düzey projelerinden biridir. Bu veriler, projenin piyasa ilgisini açık şekilde yansıtmaktadır.
(Veri Kaynağı: https://bittensormarketcap.com/subnets/64 )
7. Rekabet Ortamı, Potansiyel Zorluklar ve Nihai Görünüm
7.1 Core Advantage and Track Competitive Edge Barrier
7.1 Temel Avantaj ve Rekabetçi Üstünlük Bariyeri
Mevcut merkeziyetsiz hesaplama (DePIN + AI) alanı, “konsept anlatma ve white paper yazma” dönemini geride bırakmış ve “teslim kabiliyeti, maliyet ve istikrar” üzerinden rekabet edilen derin bir aşamaya girmiştir. Sadece bare metal kiralama hizmeti sunan platformlarla karşılaştırıldığında, Chutes’un en güçlü rekabet avantajı; büyük ölçekli iş verileriyle doğrulanmış ticari düzeyde çıkarım (inference) sunum kapasitesi ve geleneksel Web2 devlerine kıyasla mutlak maliyet üstünlüğüdür.
Gelecekte tamamen devreye alınacak TEE gizlilik şifreleme mimarisi ile birlikte Chutes, Silikon Vadisi devlerinin tekelinden ve veri hakimiyetinden çekinen geliştiriciler için tamamen izinsiz (permissionless) ve maliyet açısından verimli ideal bir altyapı sunmaktadır.
7.2 Potansiyel Zorluklar ve Aşılması Gereken Engeller
Mevcut iş verileri ve model dolaşımı etkileyici olsa da, Chutes’un Web3’ten daha geniş ana akım dünyaya geçiş yapabilmesi için bazı kritik zorlukları aşması gerekmektedir:
Aşırı eşzamanlılık altında yedeklilik ve dayanıklılık testi: Gelecekte milyon seviyesinde DAU’ya sahip gerçek bir “killer” AI uygulaması çok kısa sürede ağa bağlandığında, merkeziyetsiz ağın hesaplama talebindeki ani artışa rağmen milisaniye seviyesinde düşük gecikmeli yanıtı kesintisiz sürdürebilmesi, zamanlama algoritmasının nihai sınavı olacaktır.
Kurumsal pazarın zihniyet bariyerini aşmak: TEE teknolojisinin desteğine rağmen, geleneksel Web2 şirketlerinin yerleşik algısını kırmak ve daha fazla uyum odaklı işletmenin merkeziyetsiz API protokollerine güvenerek büyük ölçekte benimsemesini sağlamak için uzun vadeli ve sürekli bir pazar eğitimi gerekmektedir.
7.3 Nihai Senaryo
Özetle, MultiModal Machine Learning ve AI agent’larının yüksek frekanslı ve otonom etkileşim çağının gelmesiyle birlikte, makineler arası muhakeme talebi üstel şekilde artacaktır. Bu noktada düşük maliyetli, izinsiz ve talep üzerine mikro ödeme destekli merkeziyetsiz bir muhakeme katmanı, yeni nesil internetin vazgeçilmez altyapılarından biri hâline gelecektir.
Chutes yalnızca alt katman hesaplama tahsis yönteminin merkeziyetsizleşmesini değil, aynı zamanda insan toplumundaki açık kaynak entelektüel kaynakların evrensel dağıtımını da temsil eder. Eğer Chutes, trafik işleme kapasitesine ilişkin yüksek bariyerleri ve geleneksel kurumsal tarafın güven açığını başarıyla aşabilirse, önümüzdeki birkaç yıl içinde merkeziyetsiz AI alanında uzun vadeli değer yakalama potansiyeline sahip süper bir altyapı ve unicorn platform hâline gelebilir.