Apple’ın yeni gözbebeği M4 işlemcisi, aslına bakarsanız bugüne kadar bize anlatılandan çok daha büyük bir canavarmış. Apple, bu çipin içinde yer alan yapay zeka motorunu, yani Neural Engine birimini sadece hazır modelleri çalıştırmak için kullanabileceğimizi söylüyor ve bizi sınırlandırıyordu. Ancak teknoloji dünyasında sınırlar, aşılmak için vardır.
Siber güvenlik araştırmacısı ve yazılımcı @0x0SojalSec, Apple’ın yazılımsal olarak koyduğu bu duvarları tersine mühendislikle yerle bir etti. Bu kritik gelişme sayesinde, M4 işlemcili bir cihazda artık sıfırdan yapay zeka modeli eğitmek mümkün hale geldi. Böylece Apple’ın bizden sakladığı 15.8 TFLOPS değerindeki devasa yarı iletken gücü tamamen özgürlüğüne kavuştu.
Tersine Mühendislik Süreci ve Mimari Yaklaşım
Projenin teknik temeli, Apple’ın işletim sistemi derinliklerinde saklı tuttuğu özel API’lerin deşifre edilmesine dayanıyor. Geliştirici; _ANEClient, _ANECompiler ve _ANEInMemoryModelDescriptor gibi sistem framework’lerine doğrudan erişim sağlayarak donanımla düşük seviyeli bir iletişim kurdu.
CoreML, Metal API veya standart GPU hızlandırmasına ihtiyaç duyulmadan, doğrudan ANE üzerinde ileri ve geri besleme (forward ve backward pass / backpropagation) işlemleri başarıyla çalıştırıldı. Bu mimariyi ayağa kaldırmak için özel bir MIL (Model Intermediate Language) dili geliştirildi.
Sistem, disk okuma/yazma darboğazlarını aşmak için ağırlıkları doğrudan RAM üzerinde tutacak şekilde tasarlandı. Performans optimizasyonu bağlamında ağırlık gradyanlarının hesaplanması gibi spesifik görevler işlemciye devredilirken, INT8 kuantizasyonu kullanılarak bant genişliği kullanımı minimize edildi.
Arka Kapıdan İçeri Sızmak: Bu İnanılmaz Hack Nasıl Gerçekleşti?
Bu başarı, sadece basit bir yazılım yaması değil; işlemcinin derinliklerine yapılan mikro düzeyde bir mühendislik operasyonudur. Geliştirici, Apple’ın işletim sisteminde gizli tuttuğu ve dışarıya kapatılan özel uygulama programlama arayüzlerini tek tek çözdü. Çipin kalbine giden gizli yolları keşfederek donanımla doğrudan konuşmayı başardı.
Sistem, Apple’ın standart olarak sunduğu yapay zeka kütüphanelerini veya grafik işlemci birimini tamamen devre dışı bırakıyor. Geliştirici, kendi yazdığı özel bir ara dil sayesinde doğrudan yapay zeka motoru üzerinde verilerin ileri ve geri yayılım hesaplamalarını yapmayı başardı. Üstelik bu süreçte disk yazma darboğazına takılmamak için tüm ağırlık verileri doğrudan rastgele erişimli bellekte, yani RAM’de tutuluyor. İşlem yükünü hafifletmek için de veri sıkıştırma yöntemleri kullanılarak işlemciye binen yük dengeleniyor.
Rakamların Dili: Donanımın Geçirdiği Büyük Dönüşüm
Bu mühendislik başarısının çip üzerinde yarattığı köklü değişimi ve test sonuçlarını daha net görmek için verileri iki farklı açıdan ele almak gerekiyor. İlk olarak, yapılan bu müdahalenin çipin temel yeteneklerini nereden nereye taşıdığına göz atalım:
| Donanım Özelliği | Resmi Apple Sınırları (Hack Öncesi) | Serbest Kalan Güç (Hack Sonrası) |
| Temel Kullanım Amacı | Sadece hazır modelleri çalıştırma | Sıfırdan tam model eğitimi yapabilme |
| Yapılan Hesaplama Tipi | Sadece ileri beslemeli veri işleme | Geriye yayılım algoritması çalıştırma |
| Erişilebilir Yapay Zeka Gücü | Sınırlandırılmış ve kapalı kutu | 15.8 TFLOPS saf performans |
| Veri Depolama Stratejisi | Disk tabanlı standart önbellek | Doğrudan RAM üzerinde anlık veri tutma |
| Veri İşleme Esnekliği | Sabit standart kod yapısı | Dinamik veri sıkıştırma desteği |
Bu yeteneklerin gerçek hayattaki karşılığını görmek için ise popüler dil modelleriyle yapılan ilk testlerin sonuçlarına ve işlemcinin ulaştığı tepe performans metriklerine bakmamız gerekiyor:
| Test Edilen Model veya Metrik | Toplam Parametre Sayısı | Adım Başına İşlem Süresi | Yapısal Metrikler ve Notlar |
| Stories110M | 109 Milyon | 91 milisaniye | 12 katmanlı derin mimari |
| Qwen3-0.6B | 596 Milyon | 412 milisaniye | 28 katmanlı gelişmiş mimari |
| Tepe Performans Değeri | – | – | 18.6 TOPS teorik güç |
| Sıkıştırılmış Tepe Performans | – | – | 35.1 TOPS en yüksek verimlilik |
Şu an için bu sistem henüz yolun başında olduğu için çipin teorik gücünün yaklaşık yüzde 5 ile 9’u arasında bir verimlilikle çalışıyor. Ancak bu bile mevcut kısıtlamalar düşünüldüğünde muazzam bir eşiğin aşıldığını gösteriyor.
Bu Gücü Kendi Cihazınızda Test Etmek İçin Ne Gerekiyor?
Eğer masanızda M4 işlemcili bir Mac veya iPad duruyorsa, bu deneysel yapay zeka laboratuvarını kendi evinizde kurabilirsiniz. Projenin en güzel yanlarından biri, sizi dışarıdan hiçbir ek donanıma veya karmaşık kütüphanelere muhtaç bırakmamasıdır.
İhtiyacınız olan tek şey yeni nesil işletim sistemi ve cihazın kendisi. Projenin açık kaynak kodlu deposunu bilgisayarınıza indirdikten sonra, Apple’ın kendi derleyicisini kullanarak saniyeler içinde sistemi ayağa kaldırabiliyorsunuz. Tamamen sistemin kendi yerleşik altyapısı kullanıldığı için kurulum süreci son derece temiz ilerliyor.
Apple Bu Devasa Gücü Bizden Neden Gizledi?
Mühendisler olarak madalyonun diğer yüzünü de görmemiz şart. Apple, bu muazzam gücü mühendislerinden veya kullanıcılarından keyfi olarak saklamıyor. Bunun arkasında çok net fiziksel ve ticari sebepler var.
İlk olarak, bir çip üzerinde aralıksız olarak yapay zeka modeli eğitmek, donanımı sınırlarına kadar zorlar. Bu durum, cihazın aşırı ısınmasına ve pilinin hızla tükenmesine yol açar. Apple, cihazların kararlılığını korumak ve uzun ömürlü olmasını sağlamak için bu kilidi devreye sokuyor. İkinci ve daha ticari sebep ise pazar stratejisi. Şirket, yapay zeka eğitimi yapmak isteyen profesyonellerin daha pahalı olan üst segment işlemcili cihazları satın almasını istiyor.
Unutmamak gerekir ki bu proje şu an için harika bir araştırma ve keşif çalışmasıdır. Günlük işlerinizde kullanabileceğiniz ticari bir ürün değildir. Apple, gelecekte yayınlayacağı bir güvenlik güncellemesiyle bu açık kapıyı tamamen kapatabilir. Ancak bu durum, M4 işlemcisinin içindeki saklı potansiyeli kendi gözlerimizle görmemize engel değil.
