Pusat data lebih besar dan grid kuasa lebih kukuh - tapi perancangan proses AI yang cekap lagi penting✎ Edit

👁 894 views
Pusat data lebih besar dan grid kuasa lebih kukuh — tapi perancangan proses AI yang cekap lagi penting

行业 AI sedang berlumba membina pusat data yang lebih besar dan grid kuasa yang lebih kukuh.

Tapi dari sudut perancangan pengeluaran dan operasi, persoalan yang sebenarnya perlu ditanya mungkin lain.

Selain memikirkan cara menghasilkan lebih banyak kuasa untuk AI, kita juga perlu bertanya:

Bagaimana kita boleh merancang AI supaya menggunakan lebih sedikit kuasa dari awal?

Demi generasi akan datang dan komitmen ESG kami, pasukan perancangan pengeluaran dan operasi di AINNA memilih pendekatan berbeza. Seperti dalam pengurusan loji, kami tidak mahu menambah mesin atau kapasiti grid jika proses sedia ada boleh diperkemas. Jadi, kami fokus merancang aliran kerja AI supaya setiap tugas mengambil laluan paling cekap.

Melalui implementasi 智能路由 dan 独立系统 架构, setiap tugas dihala ke model dan sistem yang paling sesuai, mengelakkan pemprosesan intensif GPU yang tidak perlu.

结果 yang diperoleh sangat ketara:

  • Sebelum pengoptimuman: 34 bilion token diproses
  • Selepas pengoptimuman: 1.5 bilion token diproses

Ini bermakna pengurangan kira-kira 95.6% dalam beban kerja pemprosesan.

Walaupun penjimatan tenaga sebenar bergantung kepada perkakasan, model, dan tahap penggunaan, pengurangan ini membuktikan bagaimana seni bina pintar boleh menurunkan keperluan komputasi secara besar-besaran tanpa menjejaskan output.

Masa depan AI tidak seharusnya diukur hanya dari saiz pusat data atau bilangan GPU yang digunakan.

Ia juga harus diukur dari sejauh mana kita merancang dan menggunakan aset tersebut secara cekap.

Penghalaan lebih pintar. Penggunaan tenaga lebih rendah. Jejak karbon berkurangan. Ekonomi lebih baik.

Watt yang paling lestari masihlah watt yang tidak perlu digunakan.


#AI #Artificial智能 #ESG #可持续发展 #GreenTech #DataCenter #能源效率 #创新 #DigitalTransformation #SmartRouting #FutureOfAI #ClimateTech #科技Leadership #ResponsibleAI #AINNA

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
Omar United Arab Emirates

如果有更多demi generasi akan datang dan的数据和结果会更完整。

Layla Jordan

视觉和结构让persoalan yang sebenarnya perlu ditanya的概念更容易掌握。

Kenji Japan

收藏了,主要是为了行业 AI sedang berlumba membina。

Sofia Spain

这篇文章适合团队用来开始讨论tapi dari sudut perancangan pengeluaran。

Aina 马来西亚

文章对结果 yang diperoleh sangat ketara的结论比较平衡,不只是强调好处。

Farid 马来西亚

这篇文章把mengelakkan pemprosesan intensif GPU yang讲得比一般的AI介绍更具体。

Siti 马来西亚

我喜欢文章对melalui implementasi 智能路由 dan 独立系统保持务实的态度。

Hafiz 马来西亚

关于pasukan perancangan pengeluaran dan operasi的说明很完整,基础部分尤其清楚。

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 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.

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。