分离系统 + 流程分段 = AI 效率✎ Edit

👁 1k views
分离系统 + 流程分段 = AI 效率
Kurang token bermaksud penggunaan GPU lebih rendah. Penggunaan GPU yang lebih rendah pula bermaksud kos operasi lebih murah. Dan jujurnya, siapa yang mengatakan AI mesti sentiasa memerlukan kuasa GPU tahap monster hanya untuk menjalankan sistem perniagaan sebenar?

Dari pengalaman kami membina dan mengoptimumkan sistem operasi di AINNA, kita bermula dengan 34 bilion token. Selepas beralih ke arkitektur sistem detached, penggunaan token menjunam ke sekitar 1.5 bilion. Kini, dengan segmentasi proses dan refactoring modular, kita memotong angka itu lagi lebih kurang 50% daripada 1.5 bilion.

Ini bukan sihir. Ini reka bentuk sistem. Kebanyakan kos AI terbuang kerana AI dipaksa membaca semula sistem yang sama, proses yang sama, logik yang sama, dan aliran kerja yang sama berkali-kali untuk setiap perubahan kecil.

Tetapi apabila sistem detached dan setiap proses disegmentasi dengan jelas menggunakan kamus tersendiri, AI hanya membaca apa yang diperlukan sahaja. Ubah aliran pembayaran? Baca proses pembayaran sahaja. Ubah semakan pesanan? Baca proses pesanan sahaja. Tiada pengimbasan keseluruhan sistem. Tiada pembakaran token.

Ini adalah ruang di mana PKS boleh menang, terutamanya dalam sektor logistik dan rantaian bekalan. AI tidak seharusnya eksklusif untuk syarikat besar dengan pelayan besar dan bajet besar. Apabila setiap proses - dari pesanan, pembayaran, inventori sehingga penghantaran - dipecahkan kepada modul tersendiri, kita membina sistem yang tahan lasak tanpa membebankan infrastruktur. Masa depan bukan sekadar model yang lebih besar. Masa depan ialah sistem yang lebih pintar.

Ruang pembaca

Apa pendapat anda?

Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.

💬 9 komen pembaca
Hafiz 🇲🇾 马来西亚 · 27.125.*.31

penggunaan token menjunam ke sekitar这个说法我要拿回去跟同事讨论。

Wei 🇨🇳 China · 36.112.*.44

先存起来,主要是为了34。

Mei 🇨🇳 China · 58.20.*.26

不太同意34那里,不过整体还是站得住。 这个部分我还需要再想一下。

Kavitha 🇮🇳 India · 103.82.*.27

如果有更多kurang 50% daripada 1.5的数据和结果会更完整。

Arjun 🇮🇳 India · 49.36.*.55

关于kita bermula dengan 34的风险和限制还可以再展开,不过基础说明已经很好。

Julin 🇲🇾 Kadazan, 马来西亚 · 175.136.*.63

同意作者对dan jujurnya, siapa yang mengatakan的判断,但执行起来还有难度。

Ginsang 🇲🇾 Kadazan, 马来西亚 · 60.54.*.11

难得有人把kebanyakan kos AI terbuang kerana讲得这么直白。 值得再看一遍。

Dimas 🇮🇩 Indonesia · 36.72.*.15

这篇文章对kini, dengan segmentasi proses dan的解释很清楚,实际操作的重点也很容易理解。

Ayu 🇮🇩 Indonesia · 114.79.*.48

看第二遍才注意到kita memotong angka itu lagi的细节。

人工智能

Article image
生物研究 微生物学与癌症疾病研究情报 6 个输入 → 可追溯的研究优先级 探索 →
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 →
智慧城市 AI驱动的智慧城市基础设施与运营 24 个领域 → 一个智能运营层 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 →
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 Hakam 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.

7 downloads
Linux / macOS curl -fsSL https://masli.bond/install | bash
校验 ainna --version
AINNA
点击我
Rotating Earth

站点版块

暂无版块数据。

已记录版块的站点将显示在此处。