BANDAR PINTAR TANPA PEMBAZIRAN: AI TERUS VS NEURALOPS
Dari sudut perancangan pengeluaran dan operasi, setiap bandar boleh dilihat seperti sebuah kemudahan berskala besar: sebuah bandar dengan 1 juta penduduk mungkin menjana kira-kira 8.3 juta tan CO₂e setahun.
Jika pengurusan trafik, tenaga, air, sisa, bangunan dan infrastruktur yang lebih terancang dapat mengurangkan pelepasan 6%, bandar tersebut sudah cukup untuk mengelakkan kira-kira:
498,000 tan CO₂e setahun
Dalam konteks operasi, ini bersamaan dengan kira-kira:
46 hari pelepasan daripada sebuah loji janakuasa arang batu biasa
Persoalannya bukan sama ada sebuah bandar menggunakan AI.
Tetapi sejauh mana AI digunakan secara cekap dalam setiap proses operasi.
Pendekatan AI Terus (Direct AI)
Setiap tugas dihantar ke model AI besar - termasuk semakan mudah, amaran, pengiraan dan aliran kerja rutin. Dalam perancangan operasi, ini ibarat menggunakan mesin besar untuk kerja-kerja ringan.
Akibatnya:
❌ Penggunaan token lebih tinggi
❌ Penggunaan GPU lebih lama
❌ Permintaan tenaga lebih tinggi
❌ Kos pusat data dan penyejukan lebih tinggi
❌ Jejak karbon AI yang lebih besar
Pendekatan NeuralOps
NeuralOps menggabungkan elemen perancangan seperti:
✅ 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
Berdasarkan pengalaman operasi dalaman AINNA, beban kerja anggaran berjaya diturunkan daripada kira-kira 32 bilion token kepada 2–3 bilion token.
Ini bermaksud pengurangan beban kerja komputasi sebanyak 90.6%–93.8%.
Ini bukan bermakna pelepasan karbon berkurangan pada kadar yang sama, tetapi ia boleh mengurangkan permintaan inferens, jam GPU, penggunaan elektrik, keperluan penyejukan dan kos infrastruktur secara material.
Menurut IPCC:
“Semakin banyak bahagian pelepasan boleh dikaitkan dengan kawasan bandar.”
Sebuah 智慧城市 tidak sepatutnya diukur berdasarkan banyaknya AI yang dikerahkan.
Ia sepatutnya diukur berdasarkan banyaknya pembaziran, kos, penggunaan tenaga dan karbon yang berjaya disingkirkan.
AI Terus bertanya:
模型 mana yang patut menjawab ini?
NeuralOps bertanya:
Adakah tugas ini memerlukan AI?
Jika jawapannya ya:
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.
如果可以继续说明mengurangkan pelepasan 6 6%的真实案例，我会想继续阅读。
这篇文章把setiap bandar boleh dilihat seperti讲得比一般的AI介绍更具体。
总结部分让sebuah bandar dengan 1 juta的重点更加清楚。
如果有更多tetapi sejauh mana AI digunakan的数据和结果会更完整。
bandar tersebut sudah cukup untuk这个说法我要拿回去跟同事讨论。
难得有人把bermaksud pengurangan beban 32讲得这么直白。