Yayımlanma Tarihi
27 Ekim 2026
Okuma Süresi
12 dk
Yazar
vMind Ekibi
GPU (Graphics Processing Unit, Türkçesiyle grafik işlem birimi), aynı matematiksel işlemi binlerce veri parçası üzerinde aynı anda yürütmek için tasarlanmış bir işlemcidir. İlk görevi ekrana görüntü çizmekti; bugün yapay zeka modellerinin eğitimi ve çalıştırılması büyük ölçüde GPU'lar üzerinde yapılıyor.
Yapay zeka projesine başlayan ekiplerin ilk sorusu çoğu zaman hangi donanıma ihtiyaç duyacakları oluyor. Bu rehberde GPU'nun ne olduğunu, CPU'dan neden farklı çalıştığını ve hangi türlerinin bulunduğunu anlatıyor; ardından yapay zeka iş yükleri için veri merkezi GPU modellerini ve en çok sorulan H100 ile H200 farkını karşılaştırıyoruz. vMind olarak bu kartları İstanbul'daki veri merkezlerimizde sunuyoruz; yapay zeka çözümlerimizin tamamına da göz atabilirsiniz.
İçindekiler
GPU Nedir?
GPU, işi çok sayıda küçük çekirdeğe bölüp paralel çalıştıran bir işlemci türüdür. Bir CPU'da birkaç ile birkaç düzine arasında güçlü çekirdek bulunur. Veri merkezlerinde kullanılan GPU'larda bu sayı binlerle ifade edilir; NVIDIA H100'ün SXM sürümünde 16.896 CUDA çekirdeği var. Bu çekirdeklerin her biri tek başına bir CPU çekirdeğinden zayıftır. Hepsi aynı anda çalıştığında ise matris çarpımı gibi tekrar eden hesaplar çok daha kısa sürede biter.
"GPU" terimini yaygınlaştıran ürün, NVIDIA'nın 1999'da piyasaya sürdüğü GeForce 256 oldu. O yıllarda kartların işi oyunlardaki üç boyutlu sahneleri çizmekti. 2007'de CUDA yayınlanınca geliştiriciler GPU'yu grafik dışındaki hesaplar için de programlayabilmeye başladı. Yapay zeka tarafındaki asıl değişim 2012'de geldi: AlexNet adlı görüntü tanıma modeli iki adet GTX 580 oyun kartında eğitildi ve o yılki ImageNet yarışmasını açık farkla kazandı. Derin öğrenme modellerinin GPU üzerinde eğitilmesi o tarihten sonra standart hale geldi.
GPU'nun Açılımı Nedir, Türkçesi Ne?
GPU, İngilizce Graphics Processing Unit kelimelerinin baş harflerinden oluşur. Türkçede grafik işlem birimi ya da kısaca grafik işlemci denir. "GPU ne demek" diye arama yapanların önemli bir kısmı aslında ekran kartını kastediyor; bu yüzden iki kavramı ayırmakta fayda var.
GPU Ekran Kartı mıdır?
Tam olarak değil. GPU, ekran kartının üzerindeki işlemci yongasıdır. Ekran kartı ise bu yonganın yanında bellek (VRAM), güç devreleri, soğutucu ve görüntü çıkışlarını taşıyan kartın tamamıdır. Dizüstü bilgisayarların çoğunda ve telefonlarda ayrı bir kart bulunmaz; GPU, ana işlemciyle aynı yongaya yerleştirilir. Veri merkezi GPU'larının birçoğunda ise görüntü çıkışı hiç yoktur, çünkü bu kartlar yalnızca hesaplama için üretilir.
GPU Ne İşe Yarar?
Ev ya da ofis bilgisayarında GPU; oyunların, video düzenleme programlarının ve tarayıcıdaki animasyonların takılmadan çalışmasını sağlar. Kurumlarda kullanım alanı çok daha geniştir. Aşağıdaki işlerin hepsinde aynı hesap milyonlarca kez tekrarlanır ve GPU'nun avantajı da buradan gelir:
- Büyük dil modellerinin eğitimi ve kurum verisiyle ince ayarı (model eğitim altyapısı)
- Eğitilmiş bir modelin canlı ortamda kullanıcıya cevap vermesi, yani inference
- Tıbbi görüntü analizi ve üretim hattında kamerayla kalite kontrol
- Üç boyutlu render, video işleme ve mühendislik simülasyonları
- Finansal risk modelleme ve büyük veri setleri üzerinde analiz
GPU Nasıl Çalışır?
12 megapiksellik bir fotoğrafı düşünün. İçinde 12 milyon piksel var ve her birine aynı filtreyi uygulamanız gerekiyor. CPU bu işi az sayıdaki çekirdeğine paylaştırır ve pikselleri büyük ölçüde sırayla işler. GPU ise pikselleri binlerce çekirdeğe dağıtır ve aynı anda işler. Bir sinir ağını eğitmek de matematiksel olarak buna benzer: büyük matrisler birbiriyle çarpılır, sonuca göre ağırlıklar güncellenir ve bu döngü milyonlarca kez tekrarlanır.
Yapay zeka için tasarlanmış kartlarda bu işe ayrılmış Tensor çekirdekleri de bulunur. Tensor çekirdekleri matris çarpımını FP16 ya da FP8 gibi daha düşük hassasiyetlerde, çok daha yüksek hızla yapar.
Kartın gerçek performansını yalnızca çekirdek sayısı belirlemez. İki değere daha bakmak gerekir: bellek kapasitesi ve bellek bant genişliği. Model kartın belleğine sığmıyorsa birden fazla karta bölünmek zorunda kalır. Bant genişliği yetersizse çekirdekler veri beklerken boşta durur. H100 ile H200 arasındaki farkın büyük bölümü de bu iki değerden gelir.
CPU ile GPU Arasındaki Fark
CPU ile GPU birbirinin rakibi gibi anlatılsa da bir GPU sunucusunda ikisi birlikte çalışır. CPU veriyi hazırlar, GPU'ya gönderir ve sonuçları toplar; GPU yoğun hesabı yapar. vMind GPU sunucularında kart başına 16 vCPU ve 128 GB sistem belleği ayrılmasının sebebi de bu iş bölümü. Web sitesi, veritabanı ya da ERP gibi genel amaçlı iş yükleri içinse CPU tabanlı Compute sunucular yeterlidir ve daha ekonomiktir.
| Çekirdek yapısı | Az sayıda güçlü çekirdek. Masaüstü işlemcilerde genellikle 4 ile 24 arası, sunucu işlemcilerinde 100'ün üzerine çıkabilir. | Binlerce basit çekirdek. NVIDIA H100 SXM'de 16.896 CUDA çekirdeği bulunur. |
| Çalışma biçimi | Sıralı, dallanan, karar ağırlıklı işler | Aynı işlemin çok sayıda veri üzerinde paralel yürütülmesi |
| Bellek | Sistem RAM'i; kapasite yüksek, bant genişliği görece düşük | Kart üzerindeki HBM ya da GDDR bellek; bant genişliği çok yüksek (H200'de 4,8 TB/s) |
| İyi olduğu işler | İşletim sistemi, veritabanı, web sunucusu, iş uygulamaları | Model eğitimi, inference, render, simülasyon |
| Zorlandığı işler | Büyük matris hesapları | Çok dallanan, sıralı mantıkla ilerleyen kod |
| Sistemdeki rolü | Sistemi yönetir, GPU'ya iş dağıtır | CPU'nun gönderdiği yoğun hesabı yapar |
GPU Türleri: iGPU, dGPU, Veri Merkezi GPU'su ve Bulut GPU
"Kaç çeşit GPU var?" sorusunun cevabı, GPU'nun nerede durduğuna ve belleğini nereden aldığına göre değişir.
| Entegre GPU (iGPU) | İşlemciyle aynı yongada; dizüstü, ofis bilgisayarı, telefon | Sistem RAM'ini paylaşır | Ofis işleri, video izleme, hafif oyun |
| Harici GPU (dGPU) | Anakarta takılan ayrı ekran kartında | Kendi VRAM'i (GDDR6, GDDR7) | Oyun, tasarım, video kurgu, küçük model denemeleri |
| Veri merkezi GPU'su | Sunucu içinde, genellikle 8 kartlık gruplar halinde NVLink ile bağlı | HBM (yüksek bant genişlikli bellek) | Model eğitimi, inference, HPC |
| Bulut GPU | Sağlayıcının veri merkezinde, ağ üzerinden erişilir | Tahsis edilen kartın belleği | GPU kiralama ve GPU as a Service |
Kurumların yapay zeka projeleri için konuştuğu GPU neredeyse her zaman üçüncü satırdaki kartlardır. Tek bir H100 SXM kartı 700 watt'a kadar güç çeker ve bu kartlar çoğunlukla 8'li sunucular halinde kurulur. Bir ofis sunucu odası bu yükü taşıyamaz; veri merkezi ortamı gerekir. Dördüncü satırdaki bulut GPU, bu sunuculara sahip olmadan aynı güce erişmenin yoludur.
Yapay Zeka için Hangi GPU? Veri Merkezi GPU Modelleri
Kart seçerken ilk bakılacak iki değer bellek ve bant genişliğidir. vMind GPU altyapısında sunulan modellerin özeti aşağıda; değerler NVIDIA'nın resmi ürün sayfalarında yayımlanan teknik özelliklerle uyumludur.
NVIDIA H100 | Hopper | 80 GB HBM3 | 3,35 TB/s | Büyük model eğitimi, dağıtık eğitim |
| NVIDIA H200 | Hopper | 141 GB HBM3e | 4,8 TB/s | Uzun bağlam, büyük model inference |
| NVIDIA L40S | Ada Lovelace | 48 GB GDDR6 | 0,86 TB/s | Inference, görüntü işleme, render |
| NVIDIA A100 | Ampere | 80 GB HBM2e | 2,0 TB/s | İnce ayar, orta ölçekli eğitim |
Son güncelleme: 27 Ekim 2026
NVIDIA H100 ve H200 Farkı Nedir?
H100 ve H200 aynı Hopper mimarisini ve aynı hesaplama çekirdeklerini kullanır; iki kart arasındaki fark neredeyse tamamen bellektedir. H200, H100'ün 80 GB'lık HBM3 belleği yerine 141 GB HBM3e bellek taşır ve bant genişliği 3,35 TB/s'den 4,8 TB/s'ye çıkar. Yani H200 daha hızlı hesap yapmaz; daha büyük modeli tek kartta tutar ve veriyi çekirdeklere daha hızlı taşır.
| Mimari | Hopper | Hopper |
| Bellek | 80 GB HBM3 | 141 GB HBM3e |
| Bellek bant genişliği | 3,35 TB/s | 4,8 TB/s |
| Hesaplama gücü (FP8, FP16) | Aynı | Aynı |
| Güç tüketimi (SXM) | 700 watt'a kadar | 700 watt'a kadar |
| Öne çıktığı iş | Hesaplama ağırlıklı eğitim, belleğe sığan modeller | Bellek ağırlıklı inference, uzun bağlam, büyük modeller |
Farkın pratikteki karşılığını bir örnekle görmek kolay. 70 milyar parametreli bir model FP8 hassasiyette yaklaşık 70 GB yer kaplar. Bu model tek bir H100'e sığar, ama uzun metinlerle çalışırken gereken ara bellek (KV cache) için geriye yalnızca 10 GB civarı alan kalır. Aynı model H200'de yaklaşık 70 GB boş alanla çalışır; bu da aynı kartta daha uzun bağlam ve daha fazla eşzamanlı kullanıcı demektir. FP16 hassasiyette ise aynı model yaklaşık 140 GB'a çıkar ve H100'de en az iki karta bölünmesi gerekir.
Bu yüzden karar, iş yükünün hesaplamaya mı yoksa belleğe mi dayandığına göre verilir. Model belleğe rahat sığıyorsa ve iş eğitim ağırlıklıysa H100 aynı hesaplama gücünü daha düşük maliyetle sunar. Model büyükse, bağlam uzunsa ya da canlı ortamda çok sayıda isteğe cevap veren bir inference servisi kuruyorsanız H200'ün ek belleği, kart sayısını azaltarak toplam maliyeti düşürebilir.
Kart Seçimi İçin Pratik Rehber
- Çok kartlı bir kümede model eğitiyorsanız ve model 80 GB belleğe sığıyorsa: NVIDIA H100 kiralama
- Model H100'ün belleğine sığmıyorsa ya da uzun metinlerle çalışan bir inference servisi kuruyorsanız: NVIDIA H200 kiralama
- Görüntü işleme, render ve orta boy modellerin servis edilmesi: NVIDIA L40S
- Açık kaynak bir modele kurum verisiyle ince ayar: çoğu projede NVIDIA A100 yeterli olur
Hangi kartın size uygun olduğundan emin değilseniz AI danışmanlık ekibimiz iş yükünüzü birlikte boyutlandırabilir.
GPU Satın Almadan GPU Gücüne Erişmek
Veri merkezi sınıfı GPU'lara sahip olmanın tek yolu donanımı satın almak değil. Kurumlar bu kartları iki modelle bulut üzerinden kullanabilir. GPU kiralama modelinde kart size tahsis edilir, üzerindeki yazılımı ve işletmeyi kendi ekibiniz yürütür. GPU as a Service modelinde ise kurulum, sürücü güncellemeleri, 7/24 izleme ve kapasite planlaması da sağlayıcıya geçer.
vMind'da her iki model de aynı donanım üzerinde, İstanbul lokasyonlu ve ISO 27001 sertifikalı veri merkezlerinde çalışır; veri yurt dışına çıkmaz ve fatura Türk lirasıdır. Satın alma ile kiralamanın toplam maliyetini kalem kalem karşılaştırdığımız GPU kiralama mı satın alma mı? sayfamız karar sürecinde yol gösterebilir.
Sıkça Sorulan Sorular
GPU kısaca nedir?
GPU (grafik işlem birimi), aynı işlemi binlerce veri parçası üzerinde aynı anda yürüten bir işlemcidir. Grafik çizmek için geliştirildi; bugün yapay zeka modellerinin eğitimi ve çalıştırılması büyük ölçüde GPU'lar üzerinde yapılıyor.
GPU ile ekran kartı aynı şey mi?
Hayır. GPU, ekran kartının üzerindeki işlemci yongasıdır. Ekran kartı ise GPU'nun yanında bellek, güç devreleri, soğutucu ve görüntü çıkışlarını da taşıyan kartın tamamıdır.
Yapay zeka için CPU yeterli olmaz mı?
Küçük modellerin denenmesi için CPU iş görebilir, ancak model eğitimi ve canlı ortamda inference gibi yoğun paralel hesap gerektiren işlerde CPU ile GPU arasındaki süre farkı saatlerle, bazen günlerle ölçülür. Genel amaçlı iş yükleri için CPU tabanlı sunucular hâlâ en ekonomik seçenektir.
H100 mü H200 mü seçmeliyim?
Model 80 GB belleğe rahat sığıyorsa ve iş eğitim ağırlıklıysa H100 daha ekonomiktir. Model büyükse, uzun bağlamla çalışıyorsanız ya da yoğun bir inference servisi kuruyorsanız H200'ün 141 GB belleği daha az kartla aynı işi yapmanızı sağlar.
Yapay zeka ve GPU altyapısıyla ilgili diğer soruların cevapları Bilgi Merkezi sayfamızda.
vMind ile Doğru GPU'yu Birlikte Seçin
vMind, iş yükünüzü, model büyüklüğünüzü ve bütçenizi değerlendirerek kart modeli, kart sayısı ve hizmet modeli için en uygun yapıyı önerir. H100, H200, L40S ve A100 kartlarını İstanbul'daki veri merkezlerimizde saatlik kullanımla ya da yönetilen hizmet olarak sunuyoruz.
Pilot bir proje için saatlik kullanımla hızlı başlayabilir; kurumsal ölçekte bir küme planlıyorsanız iş yükü değerlendirmemizle bir çözüm mimarı eşliğinde ihtiyaçlarınızı netleştirebilirsiniz. Kart modeli, adet ve süreye göre size özel fiyatlandırma için vMind ekibiyle iletişime geçin.
