AI hari ini sering mengingatkan saya - sebagai ketua logistik di AINNA - tentang industri automotif pada era 1960-an, 70-an, 80-an dan 90-an. Ketika itu, ramai yang tergesa-gesa memiliki kereta kerana ia melambangkan kemajuan dan pertumbuhan ekonomi. 行业 pengangkutan dan sokongan logistik berkembang pantas untuk menampung permintaan, tetapi penggunaan bahan api, kesesakan jalan raya dan pencemaran turut meningkat.
Kecekapan hanya datang kemudian. Apabila pengeluar Jepun mula serius tentang kecekapan bahan api, kebolehpercayaan, pembuatan lean dan kejuruteraan praktikal, mentaliti berubah daripada sekadar menghasilkan lebih banyak kereta kepada menghasilkan kereta yang lebih baik dan lebih cekap. Seperti jenaka yang sering saya dengar, “Jika membakar lebih banyak bahan api menjadikan kereta lebih bagus, kereta kebal akan menjadi kenderaan keluarga yang sempurna.”
China juga melalui peralihan yang sama. Pada awal perindustrian, pertumbuhan agresif dan kerosakan alam sekitar agak ketara. Tetapi sejak tahun 2000-an, sektor pembuatan dan logistiknya menjadi lebih automatik dan cekap, tenaga boleh baharu berkembang, kenderaan elektrik (EV) meningkat pesat, dan pengeluaran lebih bersih menjadi keutamaan.
China tidak menghentikan perindustrian; ia belajar memperindustri dengan cara berbeza. Teknologi terus maju, tetapi cara ia direka dan digunakan menjadi lebih praktikal serta menjimatkan sumber. Dalam operasi logistik, kita lihat perubahan serupa: gudang automasi, armada EV, pembungkus lebih lestari dan proses dispatch yang lebih teratur.
AI kini menghampiri persimpangan yang sama. Hari ini, ramai yang mahu model lebih besar, ejen lebih banyak, tetingkap konteks lebih panjang, lebih banyak GPU dan berbilion token. Ada andaian bahawa penggunaan AI yang lebih tinggi bermakna sistem lebih canggih. Tetapi itu sama seperti berkata, “Kereta saya menggunakan dua kali lebih banyak petrol, jadi ia mesti dua kali lebih pintar.”
Soalan sebenar bukanlah, “Berapa banyak AI yang boleh kita gunakan?” Sebaliknya, “Berapa sedikit AI yang kita sebenarnya perlukan untuk menyelesaikan masalah dengan betul?” Inilah sebabnya arkitektur seperti 智能路由, 分段 dan 分离式系统 penting.
智能路由 menghantar tugas mudah ke model lebih kecil atau perisian konvensional, manakala model maju hanya digunakan apabila penaakulan mendalam benar-benar diperlukan. 分段 memecahkan masalah besar kepada tugas-tugas kecil, mengurangkan konteks, penggunaan token dan pengkomputeran yang tidak perlu. 分离式系统 memindahkan pengiraan, pengesahan, penapisan, operasi pangkalan data dan peraturan deterministik ke luar model AI. AI mengendalikan kecerdasan; perisian mengendalikan kepastian.
Sekiranya direka sedemikian, sistem AI dapat mengurangkan penggunaan token, kos inferens, beban kerja GPU, keperluan infrastruktur dan penggunaan tenaga, sambil meningkatkan kebolehpercayaan dan kemampuan skala. Inilah titik pertemuan kecekapan AI dan ESG. Kita sudah tahu akibat apabila teknologi diterapkan dahulu dan dioptimumkan berdekad kemudian. Masa depan AI bukan sekadar lebih banyak kecerdasan, tetapi kecerdasan yang lebih cekap - menggunakan AI maju hanya apabila kecerdasan maju benar-benar diperlukan.
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
这篇文章对era 1960-an, 70- 70的解释很清楚，实际操作的重点也很容易理解。
总结部分让tentang industri automotif pada era的重点更加清楚。
如果有更多kebolehpercayaan, pembuatan lean dan的数据和结果会更完整。
这篇文章把tetapi penggunaan bahan api, kesesakan讲得比一般的AI介绍更具体。
70-an, 80-an dan 90-an这个说法我要拿回去跟同事讨论。
收藏了，主要是为了mentaliti berubah daripada sekadar。 读完之后还有一些疑问。
文章对tahun 2000-an, se 2000的结论比较平衡，不只是强调好处。
文章把1960-an, 70-an, 80- 80和日常运营联系起来，这一点很有帮助。
难得有人把80-an dan 90- 90讲得这么直白。
我对AI hari ini sering mengingatkan还有问题，但文章已经提供了很好的起点。
关于apabila pengeluar jepun mula serius的实际落地部分最吸引我。
同意作者对seperti jenaka yang sering saya的判断，但执行起来还有难度。