Hindistan’ın Egemen Yapay Zeka Hamlesi: IndiaAI Misyonu ‘EKA-1’ (26,3B) ve ‘Dhīr 2B / 5B’ Yerli Temel Modellerini Tanıttı

Egemen Yapay Zeka (Sovereign AI) Yarışında Mimari Özerklik: Neden Yerli Temel Modeller?

Küresel ölçekte üretken yapay zeka altyapıları birkaç büyük teknoloji devinin kapalı API'leri etrafında yoğunlaşırken, ulusal güvenlik, finansal regülasyonlar, savunma sanayii ve çok dilli kamu hizmetleri Egemen Yapay Zeka (Sovereign AI) mimarilerini zorunlu kılıyor. Yabancı bulut sınırları içinde çalışan genel amaçlı büyük dil modelleri (LLM); hem hassas kamu/savunma verilerinin ülke dışına çıkması riskini barındırıyor hem de Latin alfabesi dışındaki yerel dillerde yüksek tokenizasyon vergisi (tokenization tax) nedeniyle 3 ila 5 kat daha yavaş ve maliyetli çalışıyor.

Hindistan Elektronik ve Bilgi Teknolojileri Bakanlığı (MeitY) tarafından 10.372 crore rupi (~1,25 milyar ABD doları) bütçeyle yürütülen IndiaAI Misyonu, yabancı teknoloji bağımlılığını azaltmak ve ulusal hesaplama altyapısı üzerinde çalışan yerli temel modeller (indigenous foundation models) geliştirmek amacıyla üç yeni egemen modeli resmen tanıttı:

1. EKA-1 (Soket AI Labs): Yaklaşık 7,5 trilyon token üzerinde eğitilen, 26,3 milyar parametreli açık ağırlıklı (open-weights) seyrek hibrit (sparse hybrid) dil ve akıl yürütme modeli.
2. Dhīr 2B ve Dhīr 5B (ZenteiQ AiTech Innovations): Savunma, kamu, endüstriyel otomasyon ve düşük bağlantılı saha operasyonları için buluttan bağımsız, hava boşluklu (air-gapped / offline) ortamlarda çalışmak üzere tasarlanan 2 milyar ve 5 milyar parametreli açık kaynaklı çok dilli modeller.

1. Soket AI Labs ‘EKA-1’: 26,3 Milyar Parametreli Seyrek Hibrit Mimari ve 22 Resmi Dil Desteği

IndiaAI Innovation Centre kapsamında sübvanse edilen ulusal GPU kümeleri kullanılarak Soket AI Labs tarafından geliştirilen EKA-1, Hindistan'ın dilsel çeşitliliğini ileri seviye matematiksel akıl yürütme ve otonom ajan yetenekleriyle birleştiren amiral gemisi temel model olarak konumlanıyor.

flowchart TD
    subgraph SovereignInfra["IndiaAI Misyonu Ulusal Altyapı Katmanı (MeitY)"]
        C1["Ulusal GPU Hesaplama Havuzu (18.000+ GPU)"]
        C2["AIKosh Ulusal Çok Dilli Veri Seti Platformu"]
    end

    subgraph Models["Yeni Tanıtılan 3 Yerli Egemen Temel Model"]
        M1["EKA-1 (26,3B Parametre — Soket AI Labs)\nSeyrek Hibrit Mimari, 7,5T Token, 22 Resmi Dil"]
        M2["Dhīr 2B (2B Parametre — ZenteiQ AiTech)\nMobil / Uç Cihaz ve Çevrimdışı Saha Otomasyonu"]
        M3["Dhīr 5B (5B Parametre — ZenteiQ AiTech)\nHava Boşluklu (Air-Gapped) Savunma & Kamu RAG"]
    end

    subgraph Domains["Kritik Sektörel Dağıtım ve Güvenlik Zarfı"]
        D1["Bankacılık, Finans (BFSI) ve Siber Güvenlik Ajanları"]
        D2["Bulut Bağımsız Savunma, Endüstri ve Kamu Hizmetleri"]
    end

    C1 & C2 --> M1 & M2 & M3
    M1 --> D1
    M2 & M3 --> D2

EKA-1 Modelinin Mühendislik Özellikleri

• Seyrek Hibrit Mimari (Sparse Hybrid Architecture): Toplam 26,3 milyar parametreye sahip olan EKA-1, yoğun (dense) dikkat katmanlarını seyrek uzman yönlendirme (sparse routing) ve doğrusal durum geçiş bloklarıyla birleştiren hibrit bir omurga kullanıyor. Bu sayede 26B ölçeğindeki bilgi kapasitesini korurken, token başına aktif hesaplama maliyetini (FLOPs) çok daha küçük yoğun modeller seviyesinde tutuyor.
• 7,5 Trilyon Tokenlık Eğitim Korpusu ve 22 Dil: Model, İngilizcenin yanı sıra Hindistan Anayasası'nın 8. Cetvelinde (Eighth Schedule) yer alan 22 resmi dilin tamamını (Hintçe, Bengalce, Tamilce, Teluguca, Marathice, Urduca, Güceratça, Kannadaca, Malayalamca, Pencapça, Odia, Assamca vb.) kapsayan yaklaşık 7,5 trilyon tokenlık yüksek kaliteli bir veri kümesi üzerinde sıfırdan eğitildi.
• Tokenizasyon Doğruluğu (Fertility Optimizasyonu): Çok dilli yerel hece yapısına göre optimize edilen sözlük (tokenizer), yerel dillerde kelime başına düşen token sayısını (fertility rate) düşürerek bağlam penceresinin verimli kullanılmasını ve çıkarım hızının artmasını sağlıyor.
• Sektörel Odak (BFSI, Kodlama ve Siber Güvenlik): EKA-1; genel sohbetin ötesinde karmaşık matematik, kod üretimi, çok adımlı ajan iş akışları (agentic workflows), bankacılık ve finansal hizmetler (BFSI) regülasyon uyumu ile siber güvenlik tehdit analizi için özelleştirilmiş durumda.

2. ZenteiQ AiTech ‘Dhīr 2B’ ve ‘Dhīr 5B’: Hava Boşluklu (Air-Gapped) ve Çevrimdışı Egemenlik

Ulusal yapay zeka stratejilerinde yalnızca veri merkezlerinde çalışan devasa modeller yeterli olmuyor; askeri üsler, bakanlık içi kapalı ağlar, enerji santralleri ve internet erişiminin kesintili olduğu kırsal kamu noktaları bulut bağlantısı gerektirmeyen (zero-cloud dependency) kompakt modellere ihtiyaç duyuyor.

ZenteiQ AiTech Innovations tarafından geliştirilen açık kaynaklı Dhīr 2B (2 milyar parametre) ve Dhīr 5B (5 milyar parametre) modelleri doğrudan bu boşluğu dolduruyor:

1. Hava Boşluklu (Air-Gapped) ve Şirket İçi (On-Premise) Dağıtım: Dhīr 2B ve 5B, dış internet bağlantısının fiziksel olarak yasak olduğu savunma, istihbarat ve kritik altyapı ağlarında yerel GPU, TPU, NPU veya standart istemci donanımları üzerinde tamamen çevrimdışı çalışacak şekilde optimize edildi.
2. Belge Temelli Otomasyon (Document-Grounded RAG): 10 yerel dili ve İngilizceyi destekleyen Dhīr ailesi, serbest metin üretimindeki halüsinasyonları en aza indirmek için kurumsal belgelere dayalı bilgi getirimi (Retrieval-Augmented Generation), mevzuat taraması ve vatandaş başvuru otomasyonu görevlerine göre hizalandı.
3. Donanım Taşınabilirliği: INT4 / INT8 nicemleme (quantization) profilleriyle Dhīr 2B modeli mobil cihazlarda ve sınır (edge) geçitlerinde 1,5 GB'ın altında bellek ayak iziyle çalışırken; Dhīr 5B modeli kurum içi sunucularda çok dilli belge sentezi yürütüyor.

3. IndiaAI Ekosisteminin Bütünsel Mimarisi: AIKosh ve Çok Katmanlı Model Yığını

Yeni tanıtılan EKA-1, Dhīr 2B ve Dhīr 5B modelleri, IndiaAI Misyonunun daha önce desteklediği girişimlerle birleşerek eksiksiz bir ulusal yapay zeka yığını oluşturuyor:

• AIKosh (Ulusal Veri ve Model Platformu): Yerli modellerin eğitimi için anonimleştirilmiş, telif ve veri egemenliği temizlenmiş çok dilli veri kümelerini ve ortak hesaplama havuzunu sağlayan merkezi platform.
• Ekosistem Tamamlayıcıları: Sarvam AI (kamu hizmetleri için yerel LLM'ler), BharatGen (IIT Bombay liderliğindeki akademik konsorsiyumun geliştirdiği Param metin, Shrutam ses tanıma, Sooktam ses sentezi ve Patram belge görme modelleri), Gnani AI (gerçek zamanlı çok dilli ses-odaklı yapay zeka) ve Gan AI (metinden sese ve video üretimi) ile birlikte Hindistan, metin, ses ve görüntü katmanlarının tamamında yerli alternatiflere ulaşmış oluyor.

Mühendislik Uygulaması: Çok Katmanlı Egemen AI Yönlendiricisi ve Token Verimlilik Analizörü

Aşağıdaki referans Python uygulaması, kurumsal veya kamu iş yüklerini veri gizliliği seviyesine, ağ bağlantısı durumuna (çevrimiçi vs. hava boşluklu) ve görev karmaşıklığına göre EKA-1 (26.3B), Dhīr 5B veya Dhīr 2B modellerine deterministik olarak yönlendiren ve çok dilli tokenizasyon tasarrufunu hesaplayan bir egemen yapay zeka yönlendiricisini (SovereignAIRouter) göstermektedir:

from dataclasses import dataclass
from typing import Dict, List
import json


@dataclass(frozen=True)
class SovereignModelSpec:
    model_id: str
    developer: str
    total_params_b: float
    active_params_b: float
    supported_languages: int
    supports_air_gapped: bool
    min_vram_gb_int4: float
    avg_indic_fertility: float  # Kelime başına düşen ortalama token sayısı (düşük = daha verimli)


@dataclass(frozen=True)
class WorkloadRequest:
    request_id: str
    sector: str                # 'DEFENSE', 'BFSI', 'PUBLIC_FIELD', 'CYBERSECURITY'
    network_mode: str          # 'AIR_GAPPED', 'OFFLINE_EDGE', 'SOVEREIGN_CLOUD'
    requires_complex_reasoning: bool
    available_vram_gb: float
    word_count: int


class SovereignAIRouter:
    """IndiaAI Misyonu modellerini ağ izolasyonu, donanım bütçesi ve görev karmaşıklığına göre seçen yönlendirici."""

    def __init__(self) -> None:
        self._models: Dict[str, SovereignModelSpec] = {
            "EKA-1-26.3B": SovereignModelSpec(
                model_id="EKA-1-26.3B",
                developer="Soket AI Labs",
                total_params_b=26.3,
                active_params_b=6.8,  # Seyrek hibrit aktif parametre tahmini
                supported_languages=23,  # 22 resmi dil + İngilizce
                supports_air_gapped=True,
                min_vram_gb_int4=16.0,
                avg_indic_fertility=1.35,
            ),
            "Dhir-5B": SovereignModelSpec(
                model_id="Dhir-5B",
                developer="ZenteiQ AiTech",
                total_params_b=5.0,
                active_params_b=5.0,
                supported_languages=11,  # 10 yerel dil + İngilizce
                supports_air_gapped=True,
                min_vram_gb_int4=3.5,
                avg_indic_fertility=1.45,
            ),
            "Dhir-2B": SovereignModelSpec(
                model_id="Dhir-2B",
                developer="ZenteiQ AiTech",
                total_params_b=2.0,
                active_params_b=2.0,
                supported_languages=11,
                supports_air_gapped=True,
                min_vram_gb_int4=1.4,
                avg_indic_fertility=1.48,
            ),
        }
        self._foreign_baseline_fertility: float = 4.20  # Yabancı LLM'lerde yerel alfabe token şişmesi

    def route_workload(self, req: WorkloadRequest) -> Dict[str, object]:
        if req.network_mode == "OFFLINE_EDGE" or req.available_vram_gb < 3.5:
            chosen = self._models["Dhir-2B"]
            rationale = "Düşük bellek / çevrimdışı saha cihazı için kompakt Dhīr 2B seçildi."
        elif req.network_mode == "AIR_GAPPED" and not req.requires_complex_reasoning:
            chosen = self._models["Dhir-5B"]
            rationale = "Hava boşluklu (air-gapped) belge tabanlı RAG otomasyonu için Dhīr 5B seçildi."
        elif req.requires_complex_reasoning or req.sector in ("BFSI", "CYBERSECURITY"):
            chosen = self._models["EKA-1-26.3B"]
            rationale = "Finans/siber güvenlik ve ileri seviye akıl yürütme için seyrek hibrit EKA-1 seçildi."
        else:
            chosen = self._models["Dhir-5B"]
            rationale = "Standart kurum içi çok dilli iş yükü için Dhīr 5B seçildi."

        sovereign_tokens = int(req.word_count * chosen.avg_indic_fertility)
        foreign_tokens = int(req.word_count * self._foreign_baseline_fertility)
        token_savings_pct = round((1.0 - (sovereign_tokens / foreign_tokens)) * 100.0, 2)

        return {
            "request_id": req.request_id,
            "selected_model": chosen.model_id,
            "developer": chosen.developer,
            "network_mode": req.network_mode,
            "sovereign_token_count": sovereign_tokens,
            "foreign_llm_token_count": foreign_tokens,
            "tokenizer_efficiency_gain_pct": token_savings_pct,
            "rationale": rationale,
        }


if __name__ == "__main__":
    router = SovereignAIRouter()
    workloads: List[WorkloadRequest] = [
        WorkloadRequest("req_bfsi_01", "BFSI", "SOVEREIGN_CLOUD", True, 24.0, 2500),
        WorkloadRequest("req_def_02", "DEFENSE", "AIR_GAPPED", False, 8.0, 1800),
        WorkloadRequest("req_edge_03", "PUBLIC_FIELD", "OFFLINE_EDGE", False, 2.0, 600),
    ]

    print("=== IndiaAI Egemen Model Yönlendirme ve Token Tasarruf Raporu ===")
    for wl in workloads:
        print(json.dumps(router.route_workload(wl), indent=2, ensure_ascii=False))

Mimari Değerlendirme

IndiaAI Misyonunun EKA-1 (26,3B), Dhīr 2B ve Dhīr 5B hamlesi, ulusal yapay zeka girişimlerinin artık trilyon parametreli tekil bir "gösteriş modeli" peşinde koşmak yerine gerçek üretim kısıtlarına göre optimize edilmiş çok katmanlı mimarilere yöneldiğini kanıtlıyor. Finans ve siber güvenlik için 7,5 trilyon tokenla eğitilmiş seyrek hibrit EKA-1, savunma ve saha operasyonları içinse buluttan tamamen bağımsız çalışan hava boşluklu Dhīr ailesi, gelişmekte olan ülkeler için uygulanabilir bir Egemen Yapay Zeka referans mimarisi sunuyor.