智慧城市 Tanpa Pembaziran: AI Terus vs NeuralOps
Sebuah bandar berpenduduk 1 juta orang mampu menghasilkan kira-kira 8.3 juta tan CO₂e setahun.
Dari pengalaman saya menguruskan operasi logistik di AINNA, sekiranya pengurusan trafik, tenaga, air, sisa, bangunan dan infrastruktur lebih bijak mengurangkan pelepasan sebanyak 6% sahaja, bandar tersebut boleh mengelak kira-kira:
498,000 tan CO₂e setahunIa bersamaan lebih kurang:
46 hari pelepasan dari sebuah loji janakuasa arang batu purataPersoalan utamanya bukan sama ada sebuah bandar menggunakan AI.
Tetapi sejauh mana AI itu digunakan secara cekap.
Pendekatan AI Terus
Setiap tugas dihantar ke model AI besar-termasuk pemeriksaan mudah, amaran, pengiraan inventori dan aliran kerja rutin di gudang serta pusat pengagihan.
Ini membawa kepada:
❌ Penggunaan token lebih tinggi
❌ Penggunaan GPU lebih lama
❌ Permintaan elektrik lebih tinggi
❌ Kos pusat data dan penyejukan 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 tugas mudah
✅ 模型 besar hanya untuk keputusan kompleks
Dalam operasi dalaman AINNA, anggaran beban kerja telah dikurangkan daripada kira-kira 32 bilion token kepada 2–3 bilion token.
Ini mewakili pengurangan beban kerja komputasi sebanyak 90.6%–93.8%.
Ini tidak bermaksud pelepasan karbon berkurangan pada kadar yang sama, tetapi ia boleh mengurangkan permintaan inference, jam GPU, penggunaan elektrik, keperluan penyejukan dan kos infrastruktur secara material.
IPCC telah menyatakan:
“Semakin banyak pelepasan boleh dikaitkan dengan kawasan bandar.”
Sebuah 智慧城市 tidak seharusnya diukur dengan berapa banyak AI yang dilancarkannya.
Ia seharusnya diukur dengan berapa banyak pembaziran, kos, penggunaan tenaga dan karbon yang disingkirkan-sama seperti kita menilai kecekapan rantaian bekalan dan pergerakan armada.
AI Terus bertanya:
模型 mana yang harus menjawab ini?
NeuralOps bertanya:
Adakah tugas ini memerlukan AI langsung?
Dan jika ia memang perlu:
Apakah model terkecil dan paling cekap yang mampu menyelesaikannya dengan tepat?
Kurang komputasi.
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.
这篇内容让我更容易理解为什么pada kadar yang 90.6%值得关注。
我特别喜欢kurang:46 hari pele 46这一部分，内容没有把实施过程说得太简单。
我会把sisa, bangunan dan infrastruktur lebih这一段分享给需要了解技术的同事。
先存起来，主要是为了8.3。 这点我还要再消化一下。
关于8.3的数字比我平时看到的大多数文章靠谱。
难得有人把bandar tersebut boleh mengelak讲得这么直白。
看第二遍才注意到kira-kira 8.3 jut 8.3的细节。
总结部分让yang sama, tet 93.8%的重点更加清楚。
这篇文章对智慧城市 tanpa pembaziran: AI terus的解释很清楚，实际操作的重点也很容易理解。
sebanyak 6% sahaja 6%这个说法我要拿回去跟同事讨论。
同意作者对tetapi ia boleh mengurangkan permintaan的判断，但执行起来还有难度。 读完之后还有一些疑问。
文章把amaran, pengiraan inventori dan aliran和日常运营联系起来，这一点很有帮助。