BANDAR PINTAR: DIRECT AI VS NEURALOPS
Sebuah bandar dengan 1 juta penduduk boleh menjana kira-kira 8.3 juta tan CO₂e setahun - ini beban operasi yang besar, dan setiap penjimatan yang kita buat mampu memberi impak ketara.
Jika pengurusan trafik, tenaga, air, sisa, bangunan dan infrastruktur dijalankan dengan lebih bijak, dan berjaya mengurangkan pelepasan hanya 6%, bandar itu sudah boleh mengelak kira-kira:
498,000 tan CO₂e setahunSama dengan lebih kurang:
46 hari pelepasan dari sebuah loji kuasa arang batu biasaSoalnya bukanlah sama ada bandar itu guna AI.
Tetapi sejauh mana AI digunakan dengan cekap.
Pendekatan Direct AI
Dalam pendekatan ini, setiap tugas - termasuk semakan mudah, amaran, pengiraan dan aliran kerja rutin - dihantar terus ke model AI besar.
Dari sudut operasi, ini bermakna:
❌ Penggunaan token lebih tinggi
❌ Penggunaan GPU lebih lama
❌ Permintaan elektrik lebih tinggi
❌ Kos pusat data dan penyejukan meningkat
❌ Jejak karbon AI menjadi lebih besar
Pendekatan NeuralOps
NeuralOps menggabungkan:
✅ 智能路由
✅ 分离式系统
✅ 模型 分段
✅ 专业化 AI智能体
✅ 确定性验证
✅ 模型 kecil untuk tugas mudah
✅ 模型 besar hanya untuk keputusan kompleks
Dari pengalaman operasi dalaman AINNA, beban kerja anggaran berkurang daripada kira-kira 32 bilion token kepada 2–3 bilion token.
Ini bersamaan pengurangan beban kerja komputasi sebanyak 90.6%–93.8%.
Bukanlah bermakna pelepasan karbon jatuh pada kadar yang sama, tetapi pengurangan ini memang boleh menurunkan permintaan inferens, jam GPU, penggunaan elektrik, keperluan penyejukan dan kos infrastruktur secara nyata.
IPCC telah menyatakan:
“Semakin besar bahagian pelepasan boleh dikaitkan dengan kawasan bandar.”
Sebuah bandar pintar tidak sepatutnya diukur berdasarkan banyaknya AI yang dibangunkan.
Ia sepatutnya diukur berdasarkan banyaknya pembaziran, kos, penggunaan tenaga dan karbon yang dapat disingkirkan dalam operasi harian.
Direct AI bertanya:
模型 manakah yang patut menjawab ini?
NeuralOps bertanya:
Tugas ini perlukan AI langsung?
Dan jika ia memang perlukan:
Apakah model paling kecil dan paling cekap yang mampu menyelesaikannya dengan tepat?
Kurang komputasi.
结果 lebih baik.
Kos operasi lebih rendah.
Pelepasan lebih rendah.
#NeuralOps #AINNA #智慧城市 #GreenAI #SmartRouting #分离式系统 #AgenticAI #碳减排量 #ESG #能源效率
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
dan setiap penjimatan yang kita这个说法我要拿回去跟同事讨论。
如果有更多bandar itu sudah boleh mengelak的数据和结果会更完整。
我喜欢32这部分，因为它讲得比较务实。
这段关于32的说明帮我把之前的问题连起来了。