AI Pintar untuk Operasi Lestari: Kurangkan Pembaziran Kompute✎ Edit

👁 791 views
AI Pintar untuk Operasi Lestari: Kurangkan Pembaziran Kompute

Saya melihat AI dari sudut perancangan pengeluaran dan operasi - ia sepatutnya berfungsi seperti sistem triaj di lantai kilang. Anda tidak akan menggerakkan mesin besar atau jurutera pakar hanya untuk memasang pelekat kecil. Prinsip yang sama harus dipakai kepada AI. Tidak setiap tugas memerlukan model terbesar, beban GPU tertinggi, atau lapisan kompute termahal.

Ini penting kerana AI tidak bebas daripada impak ESG. 国际 能源 Agency menjangkakan penggunaan elektrik pusat data boleh lebih dua kali ganda kepada kira-kira 945 TWh menjelang 2030, didorong kuat oleh permintaan AI. Pusat data juga memerlukan air untuk penyejukan dan kecekapan operasi, sebab itu syarikat teknologi besar kini melaporkan penggunaan air, pengambilan air tawar, dan pemulihan air sebagai sebahagian komitmen kemampanan.

Di AINNA, prinsip pasukan Perancangan Pengeluaran dan Operasi kami mudah: kompute paling bersih ialah kompute yang tidak kita bazirkan. Tanpa 分离式系统 dan 智能路由, satu beban kerja boleh menggunakan sekitar 34 bilion token. Dengan arkitektur kami, arahan operasi yang sama boleh dikurangkan kepada kira-kira 1.5 bilion token - pengurangan kira-kira 95.6% dalam penggunaan token.

Sebab itulah kami yakin menyasarkan kira-kira 90% penggunaan kuasa lebih rendah sebagai hala tuju ESG yang praktikal. Tugas mudah dihantar ke sistem ringan. Tugas operasi dihantar ke ejen pakar. Penaakulan kompleks diangkat hanya apabila benar-benar diperlukan. Kami tidak mengaktifkan “jurutera pakar” untuk tampalan kecil.

Masa depan AI tidak seharusnya diukur hanya dengan seberapa banyak kecerdasan yang boleh kita aktifkan, tetapi dengan seberapa banyak kompute yang tidak perlu dapat kita elakkan. ESG sebenar dalam AI bukanlah menggunakan AI di mana-mana. Ia mengenai menggunakan AI dengan bijak.

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
Ayu Indonesia

Prinsip yang sama harus dipakai这个说法我要拿回去跟同事讨论。

Narin Thailand

这篇文章适合团队用来开始讨论saya melihat AI dari sudut。

Suda Thailand

看第二遍才注意到kuasa lebih re 90%的细节。

Miguel Philippines

我特别喜欢pusat data juga memerlukan air这一部分,内容没有把实施过程说得太简单。

Liza Philippines

关于tidak setiap tugas memerlukan model的例子很实用,适合团队继续讨论。

Omar United Arab Emirates

难得有人把ia sepatutnya berfungsi seperti sistem讲得这么直白。

Layla Jordan

文章把didorong kuat oleh permintaan AI和日常运营联系起来,这一点很有帮助。

Kenji Japan

收藏了,主要是为了anda tidak akan menggerakkan mesin。

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 →
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 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。