我们花了数十年清理工业化的后遗症。不要让 AI 重蹈覆辙。✎ Edit

👁 574 views
我们花了数十年清理工业化的后遗症。不要让 AI 重蹈覆辙。

Saya membesar pada era 1970-an dan menyaksikan operasi logistik serta perindustrian berkembang pantas ketika kecekapan dan tanggungjawab alam sekitar masih bukan keutamaan utama. Salah sebuah bandar yang saya diami selama beberapa dekad pernah dikenali kerana pencemaran industri yang teruk, dan sungainya kadangkala toksik.

马来西亚 bukanlah satu-satunya. Di merata dunia, kilang bertambah pantas, pengeluaran pertanian dan ternakan meningkat, manakala kawalan sisa dan pengangkutan industri masih lemah.

Menjelang 1980-an dan 1990-an, kesedaran alam sekitar semakin ketara. Membersihkan sungai, memperbaiki kualiti udara dan mengubah amalan perindustrian memerlukan peraturan, infrastruktur, teknologi - dan paling penting, masa. Dalam operasi logistik, kita juga mula sedar bahawa membawa balik lori kosong, menyimpan stok berlebihan dan menggunakan laluan tidak cekap bukan sahaja membazir wang, malah membebankan alam sekitar.

Saya masih ingat lawatan operasi ke Busan, Korea pada tahun 1998. Selepas terdedah kepada hujan lebat ketika pencemaran serius, saya jatuh sakit teruk untuk tempoh yang lama.

Bermula tahun 2000-an, dunia membuat kemajuan ketara. Piawai alam sekitar diperketat, rawatan air sisa diperluas, tenaga boleh baharu berkembang, pengangkutan bersih menjadi arus perdana, dan penggunaan kenderaan elektrik (EV) semakin meningkat. China, Korea, 马来西亚 dan banyak negara lain melabur besar untuk memperbaiki keadaan yang tercipta pada dekad-dekad awal perindustrian tanpa kawalan. Dalam logistik, kita mula melihat pengoptimuman laluan, pengurusan inventori berasaskan data, dan armada yang lebih cekap menggantikan amalan lama yang membazir.

Hari ini, banyak bandar jauh lebih bersih berbanding tiga dekad lalu. Dalam operasi logistik pula, pembaziran sudah dapat dikurangkan melalui perancangan yang lebih baik.

Kemajuan itu perlu mengingatkan kita akan satu perkara penting: kerosakan alam sekitar bukanlah sesuatu yang tidak boleh dielakkan, tetapi mencegahnya pada peringkat awal jauh lebih mudah berbanding membaikinya kemudian.

Itulah sebabnya saya semakin bimbang tentang cara Kecerdasan Buatan (AI) dibangunkan dan digunakan. 模型 besar sering diproses untuk tugas mudah, inferens diulang tanpa keperluan, dan sistem dibina tanpa penghalaan, segmentasi atau pemprosesan deterministik yang betul. Di sebalik setiap permintaan AI terdapat GPU, pelayan, elektrik, sistem penyejukan, air dan infrastruktur fizikal. AI kelihatan digital, tetapi jejak alam sekitarnya amat nyata. Dalam konteks logistik, ini sama dengan menghantar lori besar untuk mengangkut beberapa kotak kecil, atau menyelenggara gudang sejuk yang hampir kosong.

Masalahnya bukan pada AI. Masalahnya ialah penggunaan AI tanpa disiplin. Kita memperbaiki logistik selama beberapa dekad dengan mengurangkan lori kosong, pembaziran bahan api dan stok tidak perlu. Kita tidak seharusnya mengulangi kesilapan yang sama dengan AI. Di NeuralOps, prinsip kami mudah: gunakan AI canggih hanya apabila kecerdasan canggih benar-benar diperlukan. 智能路由, model khusus, sistem terpisah (detached) dan pemprosesan deterministik dapat mengurangkan pengkomputeran tidak perlu tanpa menjejaskan keupayaan. Bina lebih banyak kecerdasan. Kurangkan pengkomputan tidak perlu. Reka bentuk secara bertanggungjawab dari awal.

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
Wei China

我们团队正好在讨论1970,这篇来得及时。

Mei China

1970这部分我看了几遍,值得再想。

Kavitha India

关于manakala kawalan sisa dan pengangkutan的例子很实用,适合团队继续讨论。

Arjun India

这篇文章对1980-an dan 1990-an 1990的解释很清楚,实际操作的重点也很容易理解。

Julin Kadazan, 马来西亚

看第二遍才注意到saya membesar pada era 1970-an的细节。

人工智能

Article image
智慧城市 AI驱动的智慧城市基础设施与运营 24 个领域 → 一个智能运营层 探索 →
IC 设计运营 可重复性、可追溯性与验证智能 21 个独立服务 → 85% 无需 LLM 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。