Ia mungkin datang daripada menggunakan AI dengan lebih bijak, bukan lebih banyak.
Perbezaan ini semakin penting apabila syarikat beralih daripada eksperimen AI kepada produksi. Matlamatnya bukan menjadikan setiap langkah aliran kerja bergantung pada model. Matlamatnya ialah membina sistem yang menggunakan AI di tempat ia memberi nilai paling tinggi, dan perisian deterministik di semua tempat lain.
Pegangan kami di AINNA mudah:
Gunakan AI secara agresif untuk membina sistem, automasi, dan logik. Setelah sistem matang, biarkan perisian deterministik mengendalikan kerja berulang 24/7. Bawa AI kembali hanya apabila penaakulan sebenar diperlukan.
Saya melihat sendiri peralihan ini. Penggunaan kami menurun daripada kira-kira 32 bilion token semasa pembangunan kepada sekitar 3 bilion token sebulan selepas sistem teras mula beroperasi.
Ini bukan sekadar peningkatan kecekapan. Ia mengubah ekonomi AI.
Kurang pengiraan.
Kos operasi lebih rendah.
Skalabiliti lebih besar.
利润率 lebih kukuh.
Infrastruktur lebih mampan.
Prinsipnya mudah:
Gunakan AI untuk membina mesin. Kemudian biarkan mesin itu melakukan kerja.
Syarikat yang belajar menskalakan kecerdasan tanpa menskalakan pengiraan pada kadar yang sama boleh mencipta kelebihan daya saing yang signifikan. Lama-kelamaan, kelebihan itu boleh diterjemahkan kepada bilion dolar dalam nilai perusahaan dan pelaburan masa depan.
Masa depan AI tidak akan ditentukan semata-mata oleh model yang lebih besar atau lebih banyak token.
Ia akan ditentukan oleh seni bina yang lebih baik, dan dengan mengetahui bila tidak perlu menggunakan AI langsung.
Ruang pembaca
Apa pendapat anda?
Komen disemak sebelum diterbitkan. 电子邮件 diperlukan untuk moderasi dan tidak dipaparkan kepada pembaca.
先存起来，主要是为了24。
关于24这部分写得很扎实，整体也站得住。
视觉和结构让saya melihat sendiri peralihan ini的概念更容易掌握。
这篇文章适合团队用来开始讨论dan perisian deterministik di semua。
关于perbezaan ini semakin penting apabila的实际落地部分最吸引我。