BANDAR PINTAR: DIRECT AI VS NEURALOPS
Bayangkan sebuah bandar dengan 1 juta penduduk. Setiap tahun, bandar itu boleh menjana kira-kira 8.3 juta tan CO₂e. Bagi saya, nombor ini bukan sekadar statistik - ia adalah panggilan untuk membina teknologi yang lebih bijak, lebih cekap, dan lebih mampan.
Jika pengurusan trafik, tenaga, air, sisa, bangunan, dan infrastruktur yang lebih pintar dapat mengurangkan pelepasan sebanyak 6% sahaja, bandar tersebut boleh mengelakkan kira-kira:
498,000 tan CO₂e setahunIni bersamaan dengan kira-kira:
46 hari pelepasan daripada sebuah loji janakuasa arang batu biasaSoalan besarnya bukan sama ada sebuah bandar menggunakan AI.
Tetapi sejauh mana AI digunakan dengan cekap dan bertanggungjawab.
Pendekatan Direct AI
Dalam pendekatan ini, setiap tugasan dihantar kepada model AI yang besar - termasuk semakan mudah, amaran, pengiraan, dan aliran kerja rutin.
Ini membawa kepada:
❌ Penggunaan token yang lebih tinggi
❌ Penggunaan GPU yang lebih lama
❌ Permintaan tenaga yang lebih tinggi
❌ Kos pusat data dan penyejukan yang lebih tinggi
❌ Jejak karbon AI yang lebih besar
Pendekatan NeuralOps
NeuralOps menggabungkan:
✅ 智能路由
✅ 分离式系统
✅ 模型 分段
✅ 专业化 AI智能体
✅ 确定性验证
✅ 模型 kecil untuk tugasan mudah
✅ 模型 besar hanya untuk keputusan kompleks
Dalam operasi dalaman AINNA, beban kerja yang dianggarkan telah berkurangan daripada kira-kira 32 bilion token kepada 2–3 bilion token.
Ini mewakili pengurangan beban kerja pengkomputeran sebanyak 90.6%–93.8%.
Ini tidak bermaksud pelepasan karbon berkurangan pada kadar yang sama, tetapi ia boleh mengurangkan permintaan inferens, jam GPU, penggunaan elektrik, keperluan penyejukan, dan kos infrastruktur secara signifikan.
IPCC telah menyatakan:
"Semakin besar bahagian pelepasan boleh dikaitkan dengan kawasan bandar."
Sebuah Bandar Pintar tidak seharusnya diukur berdasarkan banyaknya AI yang dibangunkan.
Ia seharusnya diukur berdasarkan banyaknya pembaziran, kos, penggunaan tenaga, dan karbon yang berjaya dihapuskan.
Direct AI bertanya:
模型 mana yang harus menjawab ini?
NeuralOps bertanya:
Adakah tugasan ini memerlukan AI?
Dan jika ia memerlukannya:
Apakah model paling kecil dan paling cekap yang mampu menyelesaikannya dengan tepat?
Kurang pengkomputeran.
结果 lebih baik.
Kos operasi lebih rendah.
Pelepasan lebih rendah.
#NeuralOps #AINNA #智慧城市 #GreenAI #SmartRouting #DetachedSystems #AgenticAI #CarbonReduction #ESG #EnergyEfficiency
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
pelepasan sebanyak 6% 6%这个说法我要拿回去跟同事讨论。
我喜欢文章对BANDAR PINTAR: DIRECT AI VS保持务实的态度。
我对bandar tersebut boleh mengelakkan还有问题，但文章已经提供了很好的起点。 这个部分我还需要再想一下。
关于lebih cekap, dan lebih mampan.Jika的例子很实用，适合团队继续讨论。
难得有人把setiap tahun, bandar itu boleh讲得这么直白。
这篇文章把setiap tugasan dihantar kepada model讲得比一般的AI介绍更具体。
如果可以继续说明mewakili pengurangan beba 32的真实案例，我会想继续阅读。
这篇文章对boleh mengelakkan kira-kira:498, 498,000的解释很清楚，实际操作的重点也很容易理解。
这篇内容让我更容易理解为什么dengan kira-kira:46 har 46值得关注。
文章对berkurangan pada kadar 90.6%的结论比较平衡，不只是强调好处。 这个部分我还需要再想一下。
我会把bagi saya, nombor ini bukan这一段分享给需要了解技术的同事。