Perlumbaan AI Sebenar Mungkin Bukan Tentang 模型 Lebih Besar Mungkin Tentang Kecerdasan Lebih Murah✎ Edit

👁 571 views
Perlumbaan AI Sebenar Mungkin Bukan Tentang Model Lebih Besar Mungkin Tentang Kecerdasan Lebih Murah

Perlumbaan AI Sebenar Mungkin Bukan Tentang 模型 Lebih Besar  Mungkin Tentang Kecerdasan Lebih Murah

Melihat perbandingan ini, bahagian yang menarik bukan hanya nama model.

Cerita yang lebih besar ialah keluk kos.

Dalam susunan ini, harga menurun daripada kira-kira $0.20/M input dan $1.20/M output kepada $0.10/M input dan $0.50/M output, sambil mengekalkan tetingkap konteks dan keupayaan alat yang sama seperti yang dinyatakan.

Jika trend ini berterusan, ia mengubah ekonomi pembinaan sistem AI.

Dalam perancangan produksi, ini memberi satu lagi sebab kukuh untuk menyuling secara pukal LLM tempatan  dan mungkin juga SLM.

Daripada bergantung secara kekal pada inferens luaran yang mahal, kita boleh menggunakan model yang semakin dioptimumkan sebagai guru untuk menjana data latihan, memperhalusi aliran kerja, membina corak penaakulan khusus domain, dan terus menambah baik model tempatan kita sendiri.

Matlamatnya bukan semestinya untuk membina model terbesar.

Matlamatnya adalah untuk membina model yang cukup dioptimumkan untuk kerja sebenar.

Bagi perniagaan, ini boleh bermakna model yang lebih kecil mengendalikan perakaunan, inventori, operasi, perkhidmatan pelanggan, kawalan mesin, pemprosesan dokumen, atau automasi dalaman, sementara model luaran yang lebih besar hanya digunakan apabila benar-benar perlu.

Saya berharap trend harga ini berterusan.

Sekurang-kurangnya sehingga LLM tempatan kita sendiri cukup matang untuk mengendalikan sebahagian besar beban kerja secara bebas.

Gunakan model yang dioptimumkan untuk membina. Suling apa yang penting. Kurangkan kebergantungan dari semasa ke semasa.

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
Arjun India

我特别喜欢kita boleh menggunakan model yang这一部分,内容没有把实施过程说得太简单。

Julin Kadazan, 马来西亚

文章把sambil mengekalkan tetingkap konteks dan和日常运营联系起来,这一点很有帮助。

Ginsang Kadazan, 马来西亚

视觉和结构让matlamatnya adalah untuk membina model的概念更容易掌握。

Dimas Indonesia

这篇内容让我更容易理解为什么matlamatnya bukan semestinya untuk membina值得关注。

Ayu Indonesia

这篇文章把daripada bergantung secara kekal pada讲得比一般的AI介绍更具体。

Narin Thailand

文章对cerita yang lebih besar ialah的结论比较平衡,不只是强调好处。

人工智能

Article image
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 →
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 →
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 Siti Nur Najiha 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.

14 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。