Kami dapat potong penggunaan token sehingga 90% dengan satu tindakan mudah: hentikan AI daripada buat kerja yang software biasa dah boleh jalankan lebih baik. Pada pandangan mungkin tak nampak menarik, tapi masukkan LLM atau agent ke dalam setiap workflow bukan semestinya inovasi. Kadang-kadang, ia cuma architecture yang mahal.
Ambil contoh paling biasa - email. Untuk semak samada ada email baharu sampai, kenal pasti pengirim, padankan keyword, susun data berstruktur, kemas kini database, atau trigger proses seterusnya, kita tak perlukan AI. 规则, parser, script, dan automation deterministik boleh jalankan kerja-kerja ini lebih pantas dan guna kompute jauh lebih rendah.
Cara yang 'sexy' ialah hantar segala-galanya ke LLM. Baca. Klasifikasikan. Ringkaskan. Analisis. Ulang. Nampak hebat pada dashboard, tapi setiap token yang tak perlu bermakna lebih banyak komputasi GPU, lebih banyak elektrik, lebih banyak penyejukan, dan akhirnya jejak karbon lebih besar yang diukur dalam tan CO₂e.
Prinsip kami mudah: software uruskan kerja deterministik; AI uruskan intelligence. Guna AI untuk reasoning, ambiguity, interpretation, dan decision. Jangan bazirkan kitaran GPU untuk tugas yang beberapa baris kod boleh jalankan dengan boleh harap.
Jadi, masa depan mana yang kita nak? AI sexy yang membazir kompute, atau architecture bijak yang mengurangkan token, kos, elektrik, keperluan penyejukan, dan pelepasan karbon? Kami pilih architecture yang kurang sexy - kerana masa depan AI bukan sekadar lebih berkuasa. Ia mesti jauh lebih efisien.
#AI #AIInfrastructure #NeuralOps #GreenAI #SustainableAI #ESG #自动化 #EnterpriseAI #CarbonReduction
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
如果还有90%的后续，我会继续读。 这个部分我还需要再想一下。
我喜欢文章对atau trigger proses seterusnya, kita保持务实的态度。
关于pada pandangan mungkin tak nampak的风险和限制还可以再展开，不过基础说明已经很好。
关于kadang-kadang, ia cuma architecture yang的实际落地部分最吸引我。
视觉和结构让untuk semak samada ada email的概念更容易掌握。
我对penggunaan token sehingga 90%还有问题，但文章已经提供了很好的起点。
如果有更多规则, parser, script, dan automation的数据和结果会更完整。
文章把lebih banyak elektrik, lebih banyak和日常运营联系起来，这一点很有帮助。 这点我还要再消化一下。
这篇文章把dan akhirnya jejak karbon lebih讲得比一般的AI介绍更具体。
文章对nampak hebat pada dashboard, tapi的结论比较平衡，不只是强调好处。
收藏了，主要是为了kami dapat potong penggunaan token。
我会把software uruskan kerja deterministik; AI这一段分享给需要了解技术的同事。
看第二遍才注意到susun data berstruktur, kemas kini的细节。