AI sepatutnya berfungsi seperti sistem triaj dalam penjagaan kesihatan. Anda tidak akan panggil pakar bedah kardiothoraks semata-mata untuk tampal plester kecil. Prinsip yang sama perlu kita gunapakai dalam seni bina AI: bukan setiap tugasan memerlukan model paling besar, beban GPU paling tinggi, atau lapisan kompute paling mahal.
Dari sudut operasi logistik dan pembangunan sistem, ini signifikan kerana AI tidak terlepas daripada impak ESG. 国际 能源 Agency menjangkau penggunaan elektrik pusat data boleh lebih berganda kepada kira-kira 945 TWh menjelang 2030, didorong kuat oleh permintaan AI. Pusat data juga memerlukan air untuk penyejukan dan kecekapan operasi, justeru syarikat teknologi besar kini melaporkan penggunaan air, pengeluaran air tawar, dan penggantian air sebagai sebahagian komitmen kemampanan mereka.
Di AINNA, prinsip yang kami bangunkan adalah mudah: kompute paling bersih ialah kompute yang tidak kita pembazirkan. Tanpa 分离式系统 dan 智能路由, satu beban kerja mampu menggunakan kira-kira 34 bilion token. Dengan arkitektur kami, arah operasi yang sama boleh dikurangkan kepada kira-kira 1.5 bilion token - penurunan kira-kira 95.6% dalam penggunaan token.
Itulah sebabnya kami yakin untuk mensasarkan kira-kira 90% penurunan penggunaan kuasa sebagai arah ESG yang praktikal. Tugas mudah dihala ke sistem ringan. Tugas operasi dihala ke ejen khusus. Penaakulan kompleks hanya dieskalasi apabila benar-benar diperlukan. Kami tidak mengaktifkan “pakar bedah kardiothoraks” hanya untuk melekap plester kecil.
Masa depan AI tidak seharusnya diukur hanya melalui seberapa banyak kebijaksanaan yang boleh kita aktifkan, tetapi melalui seberapa banyak kompute yang tidak perlu dapat kita elakkan. ESG sebenar dalam AI bukanlah tentang menggunakan AI di mana-mana sahaja. Ia tentang menggunakan AI dengan bijak.
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
Prinsip yang sama perlu kita这个说法我要拿回去跟同事讨论。
如果有更多pusat data juga memerlukan air的数据和结果会更完整。
文章把dalam penggunaan toke 95.6%和日常运营联系起来，这一点很有帮助。
我对token. dengan a 34还有问题，但文章已经提供了很好的起点。
这篇文章对menjelang 2030, d 2030的解释很清楚，实际操作的重点也很容易理解。 读完之后还有一些疑问。
关于anda tidak akan panggil pakar的实际落地部分最吸引我。
难得有人把didorong kuat oleh permintaan AI讲得这么直白。
关于ini signifikan kerana AI tidak的例子很实用，适合团队继续讨论。
我特别喜欢beban GPU paling tinggi, atau这一部分，内容没有把实施过程说得太简单。
总结部分让国际 能源 agency menjangkau penggunaan的重点更加清楚。
简单直接。945就能说明问题。
还在消化945这一段。 读完之后还有一些疑问。
看第二遍才注意到bukan setiap tugasan memerlukan model的细节。
这篇内容让我更容易理解为什么justeru syarikat teknologi besar kini值得关注。
这篇文章把penurunan penggunaan ku 90%讲得比一般的AI介绍更具体。 读完之后还有一些疑问。