Moonshot AI’nin 2 Milyar Yatırım Turu: Çin Açık Kaynak Talep Patlaması

Moonshot AI iki milyar dolarlık yatırım turunu yirmi milyar dolar değerleme üzerinden kapattı; tur, açık ağırlık modellerin küresel paylarını hızla büyütmesi sayesinde Çinli üç laboratuvarın yatırımcı listelerini kabarttı. Pekin merkezli girişim, uzun bağlam pencereli Kimi K2 modeliyle geliştirici tabanını genişletirken sermaye akışı da bu ivmeyi besliyor. Tur, sektörün hangi yönde nefes aldığını gösteriyor.

Moonshot AI’nin İki Milyar Dolarlık Turu

Moonshot AI, geçtiğimiz hafta açıklanan yeni sermaye turunda iki milyar dolar büyüklüğünde kaynak topladı ve değerlemesini yirmi milyar dolara çıkardı. Tur, girişimin önceki turuna kıyasla değerlemeyi neredeyse iki katına taşıdı; bu sıçramayı tetikleyen ana etken, şirketin Kimi K2 ailesiyle açık kaynak ekosisteminde elde ettiği geliştirici ilgisi oldu. Yatırımcılar arasında Sino Capital, Lightspeed China Partners ve Alibaba’nın stratejik kolu sayılıyor; Alibaba’nın hem yatırımcı hem dolaylı rakip konumunda kalması, Çin’deki açık kaynak ittifaklarının iç içe geçmiş yapısını da gözler önüne seriyor.

Pekin merkezli girişimin sermaye toplama hızı, sektör için olağandışı bir tempo. Şirket, son iki yıl içinde üç farklı turda toplam üç buçuk milyar dolara yakın kaynak çekti; bu rakam, Çin’deki büyük dil modeli girişimleri arasında DeepSeek ile birlikte ilk sıraya yerleşmesini sağladı. Yatırım sözleşmesinin koşulları henüz tam paylaşılmadı; ancak iç kaynaklar, sermayenin önemli kısmının çıkarım altyapısına, geri kalanın ise çok dilli modelleme ve uzun bağlam araştırmalarına yönlendirileceğini söylüyor. Detaylar için TechCrunch’ın Moonshot fonlama haberi kapsamlı bir kronoloji sunuyor.

Turun ardından şirketin kurucu kadrosu, kâr beklentisi yerine geliştirici tabanını büyütmeye odaklanacaklarını duyurdu. Bu yaklaşım, Çin teknoloji girişimlerinin son iki yıldır benimsediği “önce benimsenme, sonra para kazanma” modelinin tipik bir örneği. Yatırımcılar açısından bakıldığında, açık ağırlık modellerle gelir üretmenin kolay olmadığı biliniyor; bu zorluğa karşın Moonshot’a yönelen sermaye, model kullanım hacminin ileride API gelirine veya kurumsal anlaşmalara dönüşeceği beklentisini yansıtıyor. Sektör analistleri, benzer beklentinin ABD tarafında Anthropic ve OpenAI için de geçerli olduğunu hatırlatıyor; aradaki tek fark, Çinli girişimin tüm bunu açık model üzerinden denemesi.

Kimi K2 Modelinin Açık Kaynak Konumu

Kimi K2, Moonshot’un mevcut model ailesinin omurgası ve şu anda Hugging Face üzerindeki en çok indirilen on açık ağırlık modelden biri. Şirket, modelin temel sürümünü Apache 2.0 lisansıyla yayımladı; bu da hem akademik araştırmacıların hem ticari geliştiricilerin türev modeller üretmesini mümkün kıldı. Kimi K2’nin parametre büyüklüğü orta-üst segmentte konumlanırken karışık uzman (Mixture of Experts) mimarisi sayesinde aktif parametre yükü tek çıkarımda çok daha düşük seviyede tutuluyor; bu da modelin tek bir kurumsal sunucuda makul maliyetle çalıştırılabilir olmasını sağlıyor.

Modelin öne çıkan diğer özelliği, çok dilli yetenek. Kimi K2, İngilizce ve Çince başta olmak üzere on iki dilde anlamlı performans gösteriyor; Türkçe değerlendirmelerde özellikle uzun metin özetleme görevlerinde Llama tabanlı rakiplerini geride bırakıyor. Yerli geliştirici toplulukları için bu önemli bir kapı; çünkü kendi alan modelinizi (örneğin hukuk veya tıp) ince ayara tabi tutarken temel modelin diliniz konusunda makul bir başlangıç noktası sunması, eğitim maliyetini ciddi biçimde düşürüyor.

Lisans tarafındaki tercih de stratejik bir hamle. Moonshot, modelin altını sıkı bir kullanım koşuluyla doldurmaktan kaçındı; böylece açık kaynak ai yarışı içinde benimsenme hızı açısından Meta’nın Llama lisansını da geride bırakan bir esneklik kazandı. Llama lisansı belirli kullanıcı eşiklerinin üstünde ek anlaşma gerektirirken Kimi K2’de böyle bir kısıt yok. Bu, küçük şirketlerin model üzerine ürün geliştirmeyi tereddütsüz seçmesinin başlıca nedeni olarak değerlendiriliyor.

Uzun Bağlam Avantajı: İki Yüz Bin Token

↑ Başa dön

Moonshot AI’nin teknik olarak en çok konuşulan farkı, modelin desteklediği bağlam penceresi. Kimi K2’nin uzun bağlam varyantı iki yüz bin tokeni aşan girişleri tek seferde işleyebiliyor; bu, ortalama bir teknik kitabı veya yüzlerce sayfalık bir mahkeme dosyasını tek istemde özetleyebilmek anlamına geliyor. Karşılaştırma yapmak gerekirse, GPT sınıfı modellerin standart sürümleri yüz yirmi sekiz bin token civarında dolaşıyor; uzun bağlam sürümler ise genellikle yalnızca premium API katmanında sunuluyor. Açık ağırlık dünyasında bu ölçekte bir pencerenin lisanssız erişime açılması, Moonshot’a belirgin bir konumlanma avantajı sağlıyor.

Pratik karşılığı şudur: bir tıp girişimi, hasta dosyasının tüm geçmişini parça parça bölmek zorunda kalmadan modele iletebilir; bir hukuk yazılımı, davanın tüm dilekçelerini tek istemle değerlendirebilir; bir akademik araştırma aracı, ders kitabının tamamı üzerinde soru-cevap üretebilir. Bunlar, parça parça (chunking) yönteminin kaçırdığı bağlamsal nüansları korur. Uzun bağlam, çıkarım maliyetini artıran bir özelliktir; ancak bellek hizalama (attention) tarafında Moonshot’un yayımladığı optimizasyon çalışması, bu yükü beklenenden daha makul seviyelere indirdiğini gösteriyor.

Bağlam penceresinin büyümesi sadece teknik bir özellik değil; aynı zamanda yeni iş kollarının kapısını aralıyor. Hızla artan kurumsal arşivlerin AI destekli aranabilir hale getirilmesi, regülasyonu yoğun sektörlerde uyum denetimi otomasyonu, video transkriptlerinin tüm sezona dair çapraz sorgulanması gibi uygulamalar bu pencere genişliğine ihtiyaç duyuyor. Moonshot’un buradaki erken hareketi, modelin yatırımcı tarafında neden bu kadar prim yaptığını da açıklıyor.

Çinli Açık Kaynak Üçlüsü: DeepSeek, Qwen, Moonshot

Çin’de açık kaynak AI’ı şekillendiren üç ana laboratuvar var: DeepSeek, Alibaba’nın Qwen ekibi ve Moonshot AI. Üçü farklı stratejik kulvarlardan ilerliyor ama ortak bir kazanan koalisyon oluşturuyor. DeepSeek, çıkarım verimliliği ve maliyet odaklı yaklaşımıyla öne çıkıyor; Qwen, Alibaba ekosisteminin gücüyle çok dilli ve görsel-dil yeteneklerinde derinleşiyor; Moonshot ise uzun bağlam ve karışık uzman mimarisi tarafında uzmanlaşıyor. Üçlünün qwen llama liderliği hikâyesinde özellikle Qwen’in indirme istatistikleriyle Llama’yı geride bırakması, Çinli açık kaynak ekosisteminin sıçramasının somut göstergesi oldu.

Aşağıdaki tablo, üç modelin temel teknik konumlanmasını özetliyor:

Üçlü arasında ilginç bir rekabet-ortaklık dengesi var. Alibaba, Moonshot’a yatırım yaparken kendi Qwen modelini de geliştiriyor; bu çelişki gibi görünse de uzun vadeli bir riski dağıtma stratejisi olarak okunabilir. DeepSeek ise üç şirket arasında en az kurumsal bağlantısı olanı; bağımsız laboratuvar imajını koruyor ve bunu pazarlama dilinde de işliyor. Üçlünün ortak büyümesi, Çin’deki sermaye sahiplerinin bu segmente yönelik genel iştahını da yukarı çekiyor. deepseek huawei yongasıyla yapılan eğitim deneylerinin başarısı, sermayenin Çin yapay zeka altyapısına olan güvenini somut biçimde artırdı.

Çin’in ABD’yi Geçtiği İndirme Verisi

Açık ağırlık model indirmelerinin küresel dağılımı, sektörün uzun süredir merakla beklediği bir eşiği aştı. Geçen ağustos ayı sonunda yayımlanan Hugging Face raporu, Çinli laboratuvarların geliştirdiği açık ağırlık modellerin küresel indirme payının yüzde on yedi virgül bir seviyesine ulaştığını, ABD merkezli modellerin payının ise yüzde on beş virgül seksen altıda kaldığını gösterdi. Bu, ilk kez Çinli açık kaynak ekosisteminin ABD’yi indirme metriklerinde geçtiği an oldu. MIT Technology Review’in Çin açık kaynak modellerinin küresel yükselişi başlıklı analizi bu kırılma noktasını ayrıntılı işliyor.

İstatistiğin sürpriz boyutu, yalnızca Çinli geliştirici tabanından gelmiyor olması. Çinli laboratuvarların modellerini indirenlerin yaklaşık yüzde kırkı Avrupa, Hindistan ve Orta Doğu’dan; ABD’den gelen indirmeler ise toplamın yüzde on beşine yaklaşıyor. Bu, açık modelin coğrafi pozisyonunun ötesinde uluslararası bir kabul gördüğünü gösteriyor. Geliştiriciler, bir modelin geldiği ülkenin değil, sunduğu lisans esnekliği ve teknik kalitenin peşinde.

İndirme rakamının ardındaki bir başka faktör, model varyantlarının çokluğu. Tek bir Kimi K2 sürümü Hugging Face’te onlarca farklı türevle (quantize edilmiş, ince ayarlı, eğitim-veri-açıklamalı) yer alıyor; her türev ayrı bir indirme sayısı üretiyor. Bu durum istatistiği abartılı gösterebilir; ancak ABD modelleri için de aynı dinamik geçerli ve aradaki dengesizlik hâlâ Çin tarafına net bir avantaj olarak yansıyor.

Yatırımcı İştahının Patlama Nedeni

↑ Başa dön

Sermayenin neden bu kategoriye akın ettiğini anlamak için pazarın iki yıllık seyrine bakmak gerekiyor. Açık ağırlık modellerin başlangıçtaki en güçlü argümanı, kapalı modellerle aradaki performans farkının kapanmasıydı. Bugün gelinen noktada bu fark çoğu pratik görevde silinmiş durumda; açık model çalıştırma maliyeti ise eşdeğer kapalı model API ücretinin altıda biri seviyesine inmiş bulunuyor. Bu denklem, kurumsal alıcıları açık modellere kaydırdı; yatırımcılar da bu kaymanın ileride API gelirleri, kurumsal lisanslama ve özel model eğitim hizmetleri gibi gelir kanalları yaratacağına inanıyor.

İkinci faktör ise jeopolitik. ABD’nin Çin’e yönelik yonga ihracat kısıtlamaları, Çinli laboratuvarları daha verimli mimariler üretmeye zorladı; ortaya çıkan optimizasyon, modellerin küresel rekabette güçlü kılıyor. Yatırımcılar, kısıtlamaların paradoksal biçimde Çinli ekosistemi daha rekabetçi yaptığını gözlemliyor; bu da risk iştahını artırıyor. Aynı dönemde DeepSeek’in de kırk beş milyar dolar değerleme ile yeni bir tur kapatma sürecinde olduğu konuşuluyor; ilgili DeepSeek değerleme haberi bu eğilimi pekiştiriyor.

Üçüncü faktör, kurumsal benimsenme tarafındaki olgunlaşma. Geçen yıl büyük şirketlerin önemli bir kısmı açık modeli yalnızca prototip aşamasında deniyordu; bugün üretim ortamına aldı. Bu geçiş, vendor lock-in (tedarikçi bağımlılığı) endişesini hafifletmek isteyen CIO’ların bilinçli tercihiyle hızlandı. kapsamlı yazımız hızla büyürken sermayenin aktığı kanallar, modelden çok onun etrafındaki çıkarım altyapısına, ince ayar araçlarına ve kurumsal dağıtım katmanlarına yöneliyor; bu durum, Moonshot’un da topladığı kaynağı hangi alanlarda kullanacağını anlamayı kolaylaştırıyor.

ABD Açık Kaynak Stratejisindeki Açık

ABD tarafında açık ağırlık model üretiminin başını uzun süre Meta’nın Llama ailesi çekti; ancak Meta’nın son sürümleri, Llama 4 sonrasında yayım takvimi konusunda belirsizlik yaşadı ve geliştirici topluluğu beklediği güncellemeleri zamanında alamadı. Mistral, başlangıçtaki güçlü vaadinden sonra giderek daha fazla kapalı modellere kayıyor; girişim, ticari modelinin daha sürdürülebilir olduğunu savunuyor. Bu boşlukta Çinli üçlü, küresel açık ağırlık liderliğini boş bulduğu masaya yerleştirdi. MIT Technology Review’in Çin açık kaynak yapay zekası analizi, ABD politikasındaki bu kararsızlığın etkilerini ayrıntılı tartışıyor.

ABD politika tarafında ise açık ağırlık modellerinin ulusal güvenlik tarafından nasıl ele alınacağı net değil. Beyaz Saray’ın açık model kullanımına yönelik istişareleri sürüyor; sektörden gelen yorumlar, herhangi bir kısıtlamanın yerli girişimleri zayıflatacağı ve geliştiricilerin Çinli modellere yöneleceği uyarısını içeriyor. Bu, Washington için karmaşık bir denge; sıkı bir tutum yerli açık model üretimini boğabilir, gevşek bir tutum ise ulusal güvenlik kaygılarını derinleştirebilir.

OpenAI’nin geçen aylarda kısmen açık model yayımladığı da hatırlanmalı; ancak şirket, gerçek anlamda Apache 2.0 düzeyinde esnek bir lisansa hiçbir zaman geçmedi. Anthropic ise açık ağırlık tarafında hiç hareket etmedi. Bu manzara, ABD açık kaynak ekosisteminin tek başına Meta’nın omuzlarında yürümeye çalıştığını ortaya koyuyor; oysa Çin tarafında üç güçlü laboratuvar yükü paylaşıyor.

Türkiye’deki Geliştirici Topluluğuna Etkisi

Türkiye’deki yapay zeka geliştiricileri açısından Moonshot’un büyümesi, son birkaç ayın en somut fırsatlarından birini sunuyor. Kimi K2’nin Apache 2.0 lisansı, KOBİ ölçekli yazılım girişimlerinin model üzerine ürün kurmasına izin veriyor; modelin Türkçe başarımı ise OpenAI’nin uygun fiyatlı API katmanlarına kıyasla rekabetçi bir konuma yerleşmiş durumda. Bir e-ticaret aracı, müşteri hizmetleri otomasyonu için kendi sunucusunda Kimi K2’yi ince ayarlayarak çalıştırırsa hem maliyeti düşürür hem veri sınır dışına çıkmaz.

İkinci etki, eğitim ve akademik çevre üzerinde. Türkiye’deki üniversitelerin çoğu, kapalı model API’lerine yönelik bütçe sıkıntısı çekiyor; açık model bu engeli ortadan kaldırıyor. Bir araştırma ekibi, model ağırlıklarını üniversite kümesine yükleyip kendi alanına özgü deneyleri ücretsiz yapabilir. Bunun yan etkisi, yerli LLM araştırmasının ivmelenmesi olacak; çünkü temel modelin sıfırdan eğitiminin ekonomik olmadığı bir ortamda, hazır bir açık modelin üzerine inşa etmek mantıklı bir kısayoldur.

Üçüncü ve belki en stratejik etki, yerli AI girişimleri için “model bağımsızlığı” tartışmasının somutlaşması. ABD merkezli API’lere bağımlı kalmak hem maliyet hem regülasyon riski yaratıyor; çoklu açık model seçeneklerinin varlığı, Türk girişimlerine pazarlık gücü ve esneklik kazandırıyor. Kimi K2 gibi modeller sayesinde geliştirici, tek bir tedarikçiye bağlı kalmadan ürün geliştirme yolunu seçebilir. Türkiye’deki finans, sağlık ve kamu sektörü gibi veri yerelleştirme zorunluluğu olan alanlarda bu özellikle değerli; çünkü açık model, kendi veri merkezinizde çalıştığı için hassas verilerin sınır dışına çıkma riskini ortadan kaldırıyor. Aynı zamanda Türkçe ekosistemde oluşmaya başlayan model değerlendirme topluluğu, Kimi K2 türevlerini de kapsayan kıyaslama setleri yayımlamaya başladı; bu da geliştiricilerin model seçimini sezgisel değil verisel yapmasına olanak tanıyor. Sektörün geneline dair daha kapsamlı izleme için yapay zeka gündemi takip edilebilir.

Sıkça Sorulan Sorular

↑ Başa dön

Moonshot AI hangi ülkeden ve kimler yönetiyor?

Moonshot AI, Pekin merkezli bir yapay zeka laboratuvarı. Kurucu ekipte Tsinghua Üniversitesi kökenli araştırmacılar bulunuyor. Şirket, kuruluşundan itibaren büyük dil modeli geliştirme odaklı çalışıyor ve Çin’deki en yüksek değerlemeli üç AI girişiminden biri olarak konumlanıyor.

Kimi K2 modeli ücretsiz mi kullanılabilir?

Evet, Kimi K2’nin temel sürümü Apache 2.0 lisansıyla yayımlandığı için hem akademik hem ticari amaçlarla ücretsiz indirilebiliyor. Modeli kendi sunucunuzda çalıştırabilir veya Moonshot’un API hizmetini ücretli olarak tüketebilirsiniz; ikinci seçenek kurulum derdi olmadan hızlı entegrasyon sunuyor.

Kimi K2 ile DeepSeek V4 arasında temel fark nedir?

İkisi de karışık uzman mimarisi kullanıyor; ancak Kimi K2’nin en güçlü tarafı iki yüz bin tokeni aşan uzun bağlam penceresi. DeepSeek V4 ise maliyet verimliliği ve kod görevlerinde öne çıkıyor. Görev türü uzun belge veya tüm dilekçeyi tek seferde işlemekse Kimi tercih edilir; standart sohbet veya kod tamamlama görevlerinde DeepSeek daha ekonomik kalabilir.

Türkiye’den Moonshot API’sine erişim mümkün mü?

Şu an için doğrudan API erişimi Çin dışındaki kullanıcılar için kısıtlı; ancak model ağırlıkları Hugging Face üzerinden serbestçe indirilebildiği için Türkiye’deki geliştiriciler kendi sunucularında veya uluslararası bulut sağlayıcılarında modeli çalıştırabilir. Bazı üçüncü taraf çıkarım hizmetleri (Together, Fireworks, Replicate) Kimi K2’yi API olarak sunuyor; bu kanallar Türkiye’den de kullanılabiliyor.

Editör notu: Bu yazıdaki rakamsal veriler ve yatırım turu detayları TechCrunch ve MIT Technology Review başta olmak üzere yabancı otoriteli kaynaklara dayanıyor. Türkiye geliştirici topluluğuna etki bölümündeki değerlendirmeler kişisel gözlem niteliğinde yorumlardır. Bu yazı yatırım tavsiyesi değildir, bilgilendirme amaçlıdır. — Mehmet Kara, Teknoloji Editörü