Penggunaan LLM Sekadar Ikut 趋势 Tidak Memberi Nilai Sebenar kepada Operasi✎ Edit

👁 991 views
Penggunaan LLM Sekadar Ikut 趋势 Tidak Memberi Nilai Sebenar kepada Operasi
Memilih LLM hanya kerana ia trending tidak memberi manfaat kepada operasi kita.
Sebaliknya, ia boleh menjejaskan matlamat ESG, membazir tenaga, meningkatkan kos operasi yang tidak perlu, dan akhirnya memberi nilai yang sangat minima kepada pengguna akhir.

Masalahnya bukan pada AI.

Masalahnya terletak pada cara kita merancang penggunaan AI.

Terdapat jurang besar antara menggunakan AI untuk publisiti dan menggunakan AI dengan betul dalam aliran kerja.
Menggunakan AI untuk publisiti bermakna memasang model berkuasa tinggi pada setiap tugas kecil, walaupun tugas tersebut tidak memerlukan kuasa komputasi sedemikian. Ia kelihatan menarik di permukaan, tetapi di belakangnya ia tidak cekap, mahal, dan membazir sumber.

Menggunakan AI dengan betul bermakna mereka sistem yang betul untuk kerja yang betul.

Dari perspektif perancangan dan operasi, saya melihat AI 智能体 sebagai pengatur operasi-bukan sekadar pembantu.

Sebagai pengatur operasi, agent AI ini harus menyusun 'mesin' yang sesuai untuk kerja harian. Seperti di kilang, mesin kecil dan rendah tenaga sudah memadai untuk tugas ringan seperti membersih atau menyusun. Mesin besar dan berkuasa tinggi hanya perlu dihidupkan apabila kerja berat memerlukannya-contohnya mengangkat beban berat atau memproses bahan mentah dalam kuantiti besar.

Jika kita paksa satu agent AI berkuasa tinggi menjalankan setiap tugas, dari yang paling kecil sehingga yang paling besar, penggunaan tenaga akan kekal tinggi sepanjang masa.
Itu bukan automasi pintar.

Itu hanyalah kemalasan yang mahal, diselaputi nama canggih.

Masa depan AI tidak sepatutnya tertumpu pada model terbesar untuk setiap tugas.
Ia sepatutnya membina sistem cekap di mana setiap tugas mendapat tahap kecerdasan, tahap kuasa komputasi, dan nilai perniagaan yang sewajarnya.

AI sepatutnya mengurangkan pembaziran, bukan menambahnya.

Di situlah bermulanya inovasi operasi yang sebenar.

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
Kavitha India

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

Arjun India

关于memilih LLM hanya kerana ia的实际落地部分最吸引我。

Julin Kadazan, 马来西亚

这篇文章对walaupun tugas tersebut tidak memerlukan的解释很清楚,实际操作的重点也很容易理解。

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.

15 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。