GPU Madenciliği vs LLM Kiralama 2026: Hangisi Daha Karlı?

Kaspa veya Clore gibi PoW ağlarında RTX 4090'ın kârlılığı artık elektrik tarifesi ve zorluğa toslamış durumda; kWh başına $0.06 maliyetle kart başına günlük en iyi ihtimalle $0.40–$0.60 net bırakıyor. Aynı 8x RTX 4090 rig'ini Vast.ai, Render Network veya io.net'e bağlayıp vLLM üzerinde Qwen 2.5 72B ya da Llama 3.3 70B inference'ına koşturduğunuzda tablo çok değişiyor, ancak uğraşı da katbekat artıyor.

PoW tarafında BIOS'u atıp Power Limit'i 250W'a sabitliyor, lock memory clock'u 810 MHz'e çekiyor, fanları yönlendirip pool'a stratum'u salıyorsunuz; ancak inference için böyle bir setup asla yeterli verimliliği sunmaz.

Ekran kartlarını yapay zeka yükleri için kiraya vermenin en büyük baş ağrısı veri yolu (bus) gecikmesi ve bellek. Decentralized marketplace'lerde müşteriler node'ları spesifik işler için kiralıyor: Kimi FP8/INT4 inference koşturuyor, kimi de LoRA üzerinden ufak çaplı fine-tuning için tensor core'lara ihtiyaç duyuyor.

Donanım ve kurulum farkları şu şekilde özetlenebilir:

• PCIe Hattı: PoW için (örneğin Ethash benzeri veya HeavyHash algoritmaları) x1 PCIe 2.0/3.0 riser'lar hayli hayli yeterlidir. Inference için ise tam teşekküllü bir bant genişliği şarttır. Kart PCIe 3.0 x1 üzerinde çalışıyorsa, 40+ GB model ağırlıklarını sistem RAM'inden VRAM'e taşımak latency açısından tam bir faciadır. Slot başına en az PCIe 4.0 x8, tercihen x16 desteği sunan anakartlar veya Broadcom/PLX switch'li sunucu kartları gereklidir.
• VRAM Kapasitesi ve Hızı: PoW'da DAG dosyasının boyutu veya veri yolu genişliği önemlidir. LLM inference'da ise VRAM kapasitesi bir numaralı kısıtlayıcı faktördür. RTX 3090 (24GB), RTX 4080'den (16GB) çok daha değerlidir; çünkü KV-cache üzerinden aynı anda birden fazla kullanıcıya hizmet verirken 16 GB alana quantized Llama 3 70B bile sığmaz.
• Güç Tüketimi ve Yük Sıçramaları: Madencilikte güç tüketimi lineerdir. nvidia-smi -pl 280 komutunu verirsiniz ve tüketim grafiği düz bir çizgide ilerler. Inference'da ise bir prompt grubu geldiğinde kart boştaki 30W'tan execution anındaki 450W'a anında fırlar. Güç kaynağınız ucuzsa veya tek bir hat üzerinden besleniyorsa (örneğin eski Çin malı 2000W PSU'lar), ani dI/dt değişimleri yüzünden aşırı akım koruması (OVP/OCP) devreye girer.
• Yazılım ve Sürücüler: Madencilik, temel NVIDIA sürücüsüne sahip HiveOS veya RaveOS gibi herhangi bir işletim sisteminde çalışır. Yapay zeka için ise Linux (Ubuntu Server 22.04/24.04), güncel CUDA Toolkit (12.x), Docker, nvidia-container-toolkit ve platformun kimlik doğrulama daemon'larının düzgünce yapılandırılması gerekir.

Ekonomi kısmına gelirsek: Vast.ai üzerinde bir RTX 4090 için saatlik yaklaşık $0.35–$0.50 isteniyor, ancak bu %100 kullanım (On-Demand) senaryosu için geçerli. Statik IP'si olmayan ve ana veri merkezlerine 50 ms'den yüksek pinge sahip bir node'un gerçek doluluk oranı nadiren %50–%60'ı geçer. Kartı kiralayan kimse olmadığında, cihaz boşta 40–50W yakmaya devam eder ve sıfır getiri sağlar.

Sonuç olarak; düzgün soğutma altyapınız, en az 1 Gbps stabil internet hattınız, VRAM kapasitesiyle en az 1:1 oranında sistem RAM'iniz ve konteynerleri düzenli olarak güncelleme sabrınız varsa, kartları inference için kiraya vermek PoW'a kıyasla 2x ila 3x arası daha yüksek kazanç sağlar. Eğer rig'iniz tahta çıtalar üzerine kurulmuş, x1 riser'lar ve Celeron işlemciyle "çuvaldız ve koli bandından" ibaretse, yapabileceği tek şey Pyrin veya NEXA gibi algoritmaları acınası bir şekilde döndürmekten ibaret kalır.

İşletim Sistemi ve Yönetim

İşletim sistemi ve yönetim; marketplace tanıtım videolarında kimsenin bahsetmediği, gerçek emek ve zaman maliyetinin patlak verdiği noktadır.

OS ve Yazılım Tarafında Neler Oluyor?

Madencilikte tüm kurulum tek bir yetkilendirme betiğine (script) ve özelleştirilmiş bir madenci config dosyasına (Gminer, LOLMiner veya Rigel) bakar. Yapay zeka kiralama platformlarında (Vast.ai, Clore.ai veya RunPod gibi) ise host makineniz tam teşekküllü bir sanallaştırma düğümüne (node) dönüşür.

Yığın (stack) mimarisindeki temel farklar şöyledir:

[ PoW Mining ]
Linux Kernel -> NVIDIA Driver -> Mining Executable -> Stratum Pool
[ AI Inference Node ]
Ubuntu Server 22.04/24.04 LTS 
  ├── NVIDIA Driver (535/550+ Open Kernel Modules)
  ├── CUDA Toolkit (12.x) & nvidia-container-toolkit
  ├── Docker Daemon (GPU limitleri için yerel cgroupsv2 entegrasyonu ile)
  ├── Platform Host Daemon (Vast/Clore client: izleme, port yönlendirme, SSH anahtarları)
  └── Container Context (vLLM / Ollama / ComfyUI / PyTorch + HuggingFace Cache)

Madenciniz çökerse watchdog süreci 3 saniyede yeniden başlatır. Ancak kiracının konteynerinde uzun bağlamda (örneğin Llama-3 üzerinde 32k token) şişen KV-cache yüzünden Out-Of-Memory (OOM) hatası patlarsa ve vllm.entrypoints.openai.api_server çökerse, müşteri doğrudan kiralamayı iptal eder. Platformdaki host puanınız (Uptime Score) düşer ve node'unuz arama sonuçlarından günlerce düşer.

Ağ Bant Genişliği ve Disk G/Ç (I/O)

Madencilikte gelen/giden trafik hacmi devede kulaktır: Stratum protokolü üzerinden paylaşımlar (shares) birkaç kilobaytlık paketler halinde gönderilir. 80ms ping'li bir 4G modem bile iş görür.

Inference ve fine-tuning amaçlı kiralamalarda ise ağ, doğrudan ana dar boğazdır (bottleneck):

• Model Ağırlıklarının İndirilmesi: Müşteri kartı kiralar ve HuggingFace'ten INT4 kuantizasyonuna sahip Llama-3-70B modelini (yaklaşık 40 GB) çeker. 100 Mbps'lik bir hatta bu işlem neredeyse bir saat sürer. Bu süre zarfında müşteri hem boşta kalma ücreti öder hem de kötü bir değerlendirme bırakır. Hattın en az 1 Gbps simetrik fiber (tercihen 2.5–10 Gbps) olması şarttır.
• Disk Altsistemi: HiveOS açılış diski için idare eden ucuz SATA SSD'leri veya eski HDD'leri unutun. AI konteynerleri sürekli cache yazar ve gigabaytlarca tensör okur. DRAM cache'e sahip kontrolörlü NVMe depolama birimleri (PCIe 4.0 x4) gereklidir (örn. Samsung 980 Pro / Kingston KC3000); her 4 ekran kartı başına en az 2 TB kapasite şarttır. Ucuz, DRAM'siz SSD'ler çabucak aşırı ısınır, IOPS throttling'e girer ve tüm Docker daemon'ını kilitler.

Güvenlik ve Host İzolasyonu

GPU'larınızı hesaplama görevleri için dışarıdan insanlara açtığınızda, kendi donanımınız üzerinde konteyner içinde rastgele kod çalıştırılmasına fiilen izin vermiş olursunuz.

Host sisteminde Docker yanlış yapılandırıldıysa veya Container Escape (konteynerden kaçış) gibi açıklar kapatılmamış eski bir çekirdek (kernel) kullanılıyorsa, kiracı ana işletim sistemine root erişimi elde edebilir.

Node güvenliğini sağlamak için zorunlu adımlar:

• Host daemon ayarlarında privileged modunun kapatılması.
• Yerel ağın sıkı bir şekilde izole edilmesi için iptables / ufw ayarlarının yapılması (kiracının konteyner içinden ev ağınızı veya router'ınızı taramaması için).
• Madencilik segmenti ve hesaplama düğümleri için ayrı VLAN'lar kullanılması.
• Host makinede şifreli SSH erişiminin kapatılması ve kesinlikle Ed25519 anahtarlarıyla kimlik doğrulama yapılması.

Finansal Riskler ve Likidite Akışı

PoW'da kazanç doğrudan poole yatar: coin'leri kazarsın -> günde bir kez cüzdana ödemen gelir. Risk/Reward (Risk/Ödül) dengesi şeffaftır.

AI servislerinde ise ödemeler platformun dahili tokeniyle veya kripto olarak (USDT/BTC) bir bekleme süresiyle (Hold Period) yapılır. Örneğin Clore.ai veya Render'da ödülün bir kısmı, kurları ciddi dalgalanmalara maruz kalan kendi tokenleriyle ödenir. Platform tokeni günde %20 düşerse, kiralamadan elde ettiğiniz gerçek kârlılık PoW seviyelerinin altına geriler.

Terminal başında nöbet tutmak, nvidia-persistenced yetkilerini düzeltmek, docker system prune -a komutuyla Docker cache'lerini temizlemek ve PyTorch'un cuDNN sürüm çakışması yüzünden neden segfault ile çöktüğünü araştırmak istemiyorsanız, AI için donanım kiralamak kısa sürede likit olmayan bir baş ağrısına dönüşecektir.

Compute Ağlarına Cihaz Kiralamak İçin Adım Adım Masaüstü Kurulum Rehberi

Elinizde diyelim ki 2x RTX 4090 / 3090 tabanlı bir iş PC'si veya rig varsa ve bunu PoW'dan inference (çıkarım) iş yüklerine geçirmek istiyorsanız, tipik bir yazılım altyapısı kurulumu şöyledir:

1. Temiz Linux Kurulumu ve Temel Ortam

Flash belleklerden çalışan o özel madencilik imajlarını unutun. NVMe disk üzerinde temiz bir Server sürümü dağıtımı gerekiyor:

# Paketleri güncelleyelim ve temel yazılımları kuralım
sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential dkms git curl wget htop nvme-cli net-tools ufw

2. Gereksiz Kalıntılardan Arındırılmış NVIDIA Sürücüleri ve CUDA Kurulumu

Sürücüleri standart ubuntu-drivers autoinstall ile kurmayın — genellikle masaüstü kütüphanelerini de beraberinde çekip Headless modu bozuyor. Doğrudan resmi sürücü dalını alın (örneğin 550+):

# NVIDIA reposunu ekleyelim
sudo add-apt-repository ppa:graphics-drivers/ppa -y
sudo apt update
sudo apt install -y nvidia-driver-550-server nvidia-utils-550-server
# Persistence mode'u aktif edelim (GPU'lar uyku moduna geçmesin ve konteyner başlarken takılmasın)
sudo nvidia-smi -pm 1

Yeniden başlattıktan sonra veri yolu durumunu ve güç limitlerini kontrol ediyoruz. 7/24 kararlılık için, VRAM'in ani sıcaklık sıçramalarını azaltmak adına TDP'yi biraz kısmakta fayda var:

# Varsayılan 450W yerine RTX 4090'ı 350-380W ile sınırlayalım
sudo nvidia-smi -pl 360

3. Docker и NVIDIA Container Toolkit Yapılandırması

GPU'ları izole konteynerlere passthrough yapmadan hiçbir marketplace (Vast.ai, Render, RunPod) çalışmaz:

# Docker CE Kurulumu
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh
# NVIDIA Container Toolkit Ekleme
curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
  sed 's#deb [^ ]* #&[signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] #' | \
  sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt update
sudo apt install -y nvidia-container-toolkit
# Runtime ayarlarını yapıp daemon'ı yeniden başlatalım
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

Ekran kartının konteyner içinde göründüğünü doğrulama:

docker run --rm --gpus all nvidia/cuda:12.0.0-base-ubuntu22.04 nvidia-smi

Farklı Ekran Kartı Türleri İçin Finansal Karşılaştırma Tablosu

Piyasa gerçeklerini anlamak için, popüler donanımların amörtisman ve uygunluk özet tablosu:

* Gelir, ortalama kullanım oranları (%50-70) ve $0.06/kWh elektrik tarifesi düşülerek hesaplanmıştır.

Alternatif Senaryo: Otomatik Geçişli Hibrit Madencilik/Inference

AI marketplace'lerinde node boştayken para kaybetmek istemeyenler için dinamik görev değiştirme şeması mevcut:

• Ana Öncelik: Vast.ai / Clore.ai daemon'ı müşteriden sipariş bekler.
• Arka Plan Süreci: Kartı kiralayan kimse yokken (aktif kiralama yokken), worker betiği hafif bir PoW madencisi çalıştırır (örn. CPU/GPU üzerinde Kaspa lub Zephyr).
• Geçiş Tetikleyicisi: Yapay zeka için bir Docker konteyneri oluşturma API isteği gelir gelmez, betik anında madenciye SIGKILL sinyali gönderir, VRAM'i boşaltır ve kartı müşteriye devreder.

Bunu, Docker konteynerlerinin durumunu izleyen basit bir bash betiği ile uygulayabilirsiniz:

#!/bin/bash
# Aktif AI konteynerlerini izleyen basit worker
MINER_PID=""
while true; do
    # Sistem konteynerleri dışında çalışan konteyner var mı kontrol edelim
    ACTIVE_CONTAINERS=$(docker ps -q --filter "label=ai_workload=true" | wc -l)
    if [ "$ACTIVE_CONTAINERS" -gt 0 ]; then
        if [ ! -z "$MINER_PID" ]; then
            echo "[+] AI iş yükü geldi. Arka plan madenciliği durduruluyor..."
            kill -9 $MINER_PID
            MINER_PID=""
            # Fanları ve limitleri AI için eski haline getirelim
            nvidia-smi -pl 380
        fi
    else
        if [ -z "$MINER_PID" ]; then
            echo "[-] Kiracı yok. Arka planda PoW madencisi başlatılıyor..."
            # Elektrik tasarrufu için madencilik güç limitini kısalım
            nvidia-smi -pl 250
            /opt/miners/rigel --algo kaspa --pool stratum+tcp://... --wallet ... &
            MINER_PID=$!
        fi
    fi
    sleep 10
done

Bu tür bir sarmal yapı, AI kiralamanın en büyük sorunu olan — müşteri beklenirken sıfır gelir elde etme durumunu — ortadan kaldırırken, node'un yüksek ödemeli bir görevi birkaç saniye içinde kabul etmeye hazır olmasını sağlar.

Nihai seçim tamamen stack'i yönetmeye olan hazırlığınıza dayanır. PoW, minimum operasyonel maliyetle donanım yatırımı yapmanın klasik bir hikayesidir. Kartları AI için kiraya vermek ise tam anlamıyla bir micro-IaaS işidir; burada bir mini bulut bilişim sağlayıcısı rolünü üstlenirsiniz.