Mungkin ia datang daripada menggunakan AI dengan lebih sedikit, tetapi lebih bijak.
Perbezaan ini makin penting apabila syarikat beralih daripada eksperimen AI ke produksi. Dalam operasi e-commerce di AINNA, matlamatnya bukan untuk membuat setiap langkah aliran kerja bergantung pada model. Matlamatnya ialah membina sistem yang menggunakan AI di tempat yang memberi nilai paling tinggi, dan perisian deterministik untuk semua kerja lain.
Prinsip saya mudah:
Guna AI secara agresif untuk membina sistem, automasi dan logik. Setelah sistem matang, biarkan perisian deterministik menguruskan kerja berulang 24/7. Panggil AI semula hanya apabila benar-benar memerlukan penaakulan.
Saya lihat sendiri peralihan ini semasa mengurus marketplace, SKU dan aliran pesanan. Penggunaan token pasukan kami turun daripada kira-kira 32 bilion token semasa pembangunan kepada sekitar 3 bilion token sebulan selepas sistem teras mula beroperasi.
Ini bukan sekadar peningkatan kecekapan. Ia mengubah ekonomi AI.
Kurang compute.
Kos operasi lebih rendah.
Skalabiliti lebih tinggi.
利润率 lebih kukuh.
Infrastruktur lebih mampan.
Prinsipnya jelas:
Guna AI untuk membina mesin. Kemudian biarkan mesin itu membuat kerja.
Syarikat yang belajar menskalakan kecerdasan tanpa menskalakan compute pada kadar yang sama boleh membina kelebihan daya saing yang besar. Lama-kelamaan, kelebihan itu boleh diterjemahkan kepada nilai perusahaan dan pelaburan bernilai bilion dolar pada masa depan.
Masa depan AI tidak akan ditentukan hanya oleh model yang lebih besar atau lebih banyak token.
Ia akan ditentukan oleh seni bina yang lebih baik, dan dengan tahu bila tidak perlu menggunakan AI sama sekali.
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
视觉和结构让matlamatnya ialah membina sistem yang的概念更容易掌握。
这篇文章适合团队用来开始讨论saya lihat sendiri peralihan ini。
automasi dan logik这个说法我要拿回去跟同事讨论。
这篇文章把menguruskan kerja berulang 24讲得比一般的AI介绍更具体。
同意作者对matlamatnya bukan untuk membuat setiap的判断，方向很清楚。