AI 消耗了太多能源、水资源和 GPU 算力。✎ Edit

👁 731 views
AI 消耗了太多能源、水资源和 GPU 算力。

Ada satu pandangan yang sering saya dengar dalam perbincangan operasi, terutamanya apabila topik AI masuk ke ruang logistik dan rantaian bekalan:

“AI makan banyak tenaga, air, dan kuasa GPU.”

Yang lebih membimbangkan, pandangan ini kadang-kadang datang daripada pihak yang membuat keputusan besar - sama ada meluluskan pelaburan pada sistem gudang pintar, peramalan permintaan, atau penghantaran last-mile. Malangnya, ramai keputusan itu dibentuk oleh hawa nafsu pasaran, bukan pemahaman operasi yang mendalam.

Masalah sebenar bukan pada AI.

Masalahnya ialah kita menggunakan AI tanpa strategi operasi yang jelas.

Dalam persekitaran logistik, kita tidak menghantar kontena 40 kaki untuk satu bungkus. Kita tidak menggunakan lori tangki untuk menghantar dokumen. Begitu juga dengan AI - kuasa komputasi besar hanya perlu diaktifkan apabila benar-benar diperlukan. Dengan penghalaan pintar, pengasingan model, dan sistem berasingan, penggunaan sumber boleh diturunkan sehingga 90 peratus kerana model besar hanya dipanggil untuk tugas kompleks.

Menggunakan AI tanpa strategi sama seperti:

🚛 Menghantar satu batu dengan kontena penuh.

🏎️ Memindahkan inventori dengan kereta sport.

🛡️ Menggunakan kenderaan perisai untuk rondaan harian gudang.

Teknologi yang berkuasa tidak boleh dikerahkan secara buta untuk setiap tugas.

Gunakan model kecil untuk tugas ringan seperti pengesahan 状态 penghantaran, pengelasan SKU, atau pengekodan resit.

Gunakan model besar hanya untuk masalah kompleks seperti peramalan permintaan berbilang pembolehubah atau optimasi rangkaian pengedaran.

Gunakan sistem deterministik apabila AI tidak diperlukan - contohnya, peraturan gudang, pengiraan stok minimum, atau jadual pemuatan yang sudahpun jelas.

AI tidak automatiknya menjadi pembazir.

Yang mencipta pembaziran ialah seni bina AI yang lemah, tadbir urus operasi yang longgar, dan keputusan yang didorong oleh hawa nafsu, bukan data.

Ruang pembaca

Apa pendapat anda?

Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.

✦ Reaksi dijana sistem - contoh automatik, bukan komen pembaca sebenar
Narin Thailand

关于sehingga 90 pera 90的说明很完整,基础部分尤其清楚。

Suda Thailand

同意作者对kontena 40 ka 40 k的判断,方向很清楚。

Miguel Philippines

这篇文章把terutamanya apabila topik AI masuk讲得比一般的AI介绍更具体。

Liza Philippines

总结部分让kita tidak menggunakan lori tangki的重点更加清楚。

Omar United Arab Emirates

这篇内容让我更容易理解为什么masalah sebenar bukan pada AI值得关注。

人工智能

Article image
生物研究 微生物学与癌症疾病研究情报 6 个输入 → 可追溯的研究优先级 探索 →
边缘 AI 边缘的 IoT 与嵌入式 Linux 智能 14 个边缘代理 → 支持离线运行 探索 →
机器人技术 工业边缘的受管控机器人技术 感知 → 安全网关 → 控制器 探索 →
中小企业AI 在您的中小企业内构建AI能力 6 build tracks → in-house capability 探索 →
AINNA 生态系统

保留 exploring after this article.

Every article page should end with a clear path into the wider AINNA, 代理, and NeuralOps ecosystem.

当前 topic 人工智能 Author profile Hakim AINNA Main ecosystem 中心 代理 私有自主代理中心 NeuralOps AI automation and business 系统 领先 form 开始 a pilot discussion
AINNA智能体 AI

部署 Our AINNA AI 智能体

Linux is the core path, Windows is supported, and 安卓 / Termux works as the companion layer.

16 downloads
Linux / macOS curl -fsSL https://masli.bond/install | bash
校验 ainna --version
AINNA
点击我

站点版块

暂无版块数据。

已记录版块的站点将显示在此处。