Karıncalı Ekrandan Sinema Filmine: Yapay Zekâ Videoları Tam Olarak Nasıl Üretiyor? (Sora, Veo ve DiT Mimarisi)

Sadece üç yıl öncesine kadar yapay zekânın ürettiği videolar; titreyen arka planlardan, altı parmaklı ellerden ve bir saniye sonra bambaşka bir nesneye dönüşen kâbusvari görüntülerden ibaretti. Bugün ise OpenAI’ın Sora, Google DeepMind’ın Veo, Runway’in Gen-3/Gen-4 ve xAI’ın Grok video modelleri; suyun kırılma fiziğini, kamera merceğinin alan derinliğini ve rüzgârda savrulan saç tellerini Hollywood sinematografisiyle ayırt edilemez bir gerçeklikte üretebiliyor.

Peki içinde hiçbir 3 boyutlu oyun motoru (Unreal Engine gibi) veya önceden kodlanmış fizik kuralları bulunmayan bir yapay zekâ, “Yağmurlu bir Tokyo sokağında yürüyen kadın” cümlesini alıp nasıl saniyede 24 kareden oluşan kusursuz bir videoya dönüştürüyor? İşte 3D Gizil Uzay (Latent Space), Gürültü Giderme (Diffusion) ve Diffusion Transformer (DiT) mimarisinin adım adım çalışma anatomisi.

---

1. En Büyük Engel: Neden Ham Piksellerle Video Üretilemez?

Bir fotoğraf üretmekle video üretmek arasındaki matematiksel uçurum korkutucu boyutlardadır. 1920x1080 çözünürlüğünde (Full HD), saniyede 24 kare (fps) akan 10 saniyelik kısa bir video; toplamda 240 ayrı yüksek çözünürlüklü fotoğraf ve yaklaşık 500 milyon ham piksel (RGB kanal değerleriyle 1,5 milyar sayı) demektir.

Eğer bir yapay zekâ modeli bu 1,5 milyar sayıyı doğrudan ham piksel uzayında birbirine bağlamaya çalışsaydı, dünyadaki hiçbir GPU kümesi bu hesaplama yükünün altından kalkamazdı. İşte bu darboğazı aşmak için süreç 3 Boyutlu Sıkıştırma (3D VAE) ile başlıyor.

---

2. Adım 1: 3 Boyutlu Gizil Uzay (3D Latent Space) ve ‘Uzay-Zamansal Yamalar’

Modern video modelleri piksellerle değil, Gizil Uzay (Latent Space) adı verilen sıkıştırılmış matematiksel özetlerle çalışır:

1. Uzaysal ve Zamansal Sıkıştırma (3D Variational Autoencoder): Video modeli eğitim sırasında gerçek videoları alır ve bir 3D Kodlayıcı (Encoder) ağından geçirir. Bu ağ, videoyu sadece genişlik ve yükseklik (2D uzay) olarak değil, aynı zamanda zaman (time) ekseninde de sıkıştırır. Örneğin 10 saniye boyunca hiç kıpırdamayan arka plandaki bina duvarını 240 kez tekrar tekrar kaydetmek yerine, tek bir matematiksel vektöre indirger.
2. Videoyu ‘Token’ Küplerine Bölmek (Spatiotemporal Patches): Büyük dil modelleri (GPT gibi) cümleleri kelimelere (token) böler. William Peebles ve Saining Xie tarafından geliştirilen ve Sora’nın kalbini oluşturan Diffusion Transformer (DiT) mimarisi ise sıkıştırılmış videoyu küçük 3 boyutlu prizmalara (Uzay-Zamansal Yamalar / Patches) böler. Her bir küçük küp; ekranın belirli bir köşesinin (X, Y) birkaç saliselik zaman dilimindeki (T) hareket ve renk bilgisini temsil eden bir “Görsel Token” haline gelir.

---

3. Adım 2: ‘Karıncalı TV Ekranından’ Heykel Yontmak (Diffusion Süreci)

Video parçacıkları (token küpleri) tanımlandıktan sonra devreye Difüzyon (Yayılım) matematiği girer:

• İleri Süreç (Eğitimde Bozulma): Model eğitilirken milyonlarca gerçek videoya adım adım rastgele Gauss gürültüsü (Gaussian Noise) eklenir; ta ki o güzelim sinema sahnesi tamamen eski tüplü televizyonlardaki “karıncalı beyaz gürültüye” (pure static noise) dönüşene kadar.
• Ters Süreç (Üretimde Gürültü Silme / Denoising): Siz modele bir metin komutu (prompt) verdiğinizde, model gizil uzayda tamamen rastgele karıncalı bir 3D gürültü bloğuyla başlar. Tıpkı kaba bir mermer kütlesinden fazlalıkları yontarak heykel çıkaran bir heykeltıraş gibi, 50 ila 100 adım boyunca her adımda “Bu gürültünün içinden birazını silersem kullanıcının istediği sahneye ne kadar yaklaşırım?” sorusunu çözerek görüntüyü berraklaştırır.

---

4. Adım 3: Eski U-Net’in Ölümü ve ‘Diffusion Transformer’ (DiT) Devrimi

Eski nesil video modelleri gürültüyü temizlemek için U-Net adı verilen evrişimli (CNN) ağlar kullanıyordu. Ancak U-Net’in “hafızası” çok kısaydı: Videodaki bir karakter 2. saniyede bir ağacın arkasına geçtiğinde, U-Net 4. saniyede o karakterin neye benzediğini unutuyor ve ağacın diğer tarafından bambaşka bir insan çıkarıyordu.

Diffusion Transformer (DiT) bu sorunu Öz-Dikkat (3D Self-Attention) mekanizmasıyla kökünden çözdü:

Mimari Özellik	Eski Nesil U-Net Video Modelleri	Yeni Nesil Diffusion Transformer (Sora, Veo, Gen-3/4)
Zamansal Hafıza (Nesne Sürekliliği)	Yalnızca komşu birkaç kareyi görebilir; kamera döndüğünde nesneler erir veya kaybolur.	Küresel Öz-Dikkat (Global Attention): 1. saniyedeki ilk küp ile 60. saniyedeki son küp birbirini doğrudan görür ve haberleşir.
Fizik ve 3D Dünya Simülasyonu	2 boyutlu piksel kaydırması yapar; derinlik ve ışık fiziğini anlayamaz.	Ölçeklendikçe (Scaling Laws) 3 boyutlu geometriyi, kamera açısını ve sıvı/ışık fiziğini örtük (implicit) olarak öğrenir.
Çözünürlük ve En-Boy Oranı	Sabit kare boyutlarına (ör. 512x512) mahkûmdur; dikey veya sinemaskop videolarda görüntüyü bozar.	Esnek yama (patch) dizilimi sayesinde 16:9 yatay, 9:16 dikey veya 21:9 sinema formatında doğal (native) üretim yapar.

---

5. Son Aşama: Ses, Metin Hizalaması ve Piksel Kod Çözücü (Decoder)

DiT motoru gizil uzaydaki gürültüyü tamamen temizleyip kusursuz bir 3D matematiksel matris elde ettiğinde son iki dokunuş gerçekleşir:

1. Yeniden Başlıklandırma (Recaptioning): OpenAI ve Google, eğitim sırasında videoları GPT-4o / Gemini gibi görsel dil modelleriyle saniye saniye en ince detayına kadar betimleyerek eğittiği için, model sizin kısa komutunuzu önce zengin bir yönetmen senaryosuna genişletir.
2. 3D VAE Decoder: Temizlenen sıkıştırılmış gizil küpler, Kod Çözücü (Decoder) ağından geçirilerek tekrar milyarlarca parlak RGB piksele dönüştürülür ve MP4 dosyanız saniyeler içinde ekrana düşer.

---

Sonuç: Video Üretimi Değil, ‘Dünya Simülasyonu’

Yapay zekâ videoları aslında kare kare çizilen animasyonlar değildir; üç boyutlu bir uzay-zaman matrisinin içinde gürültüden yontulan olasılıksal dünya simülasyonlarıdır. Bugün film fragmanları ve reklam prodüksiyonlarını dönüştüren bu teknoloji, yarın otonom robotların ve sürücüsüz araçların gerçek dünyaya çıkmadan önce kendi zihinlerinde milyonlarca fiziksel senaryoyu hayal edip deneyimlediği “Dijital Dünya Modelleri”nin (World Models) temelini oluşturacaktır.