我们不需要更大的 AI。我们需要更智能的 AI 基础设施。
如今，我们已经拥有了第一个重要的基础：一个运行在基于 LAMP 架构之上的成熟分离式系统。我们的原则很简单--并非每项任务都需要 LLM。验证、业务规则、对账、工作流控制、重复性逻辑以及许多运营决策都可以在模型之外处理。
在过去六个月里，尽管整个平台仍只部分完成，我们已经构建了大约250 个分离式系统。总开发成本不到 200 美元，其中还包括了试验、失败的方法、反复的测试以及一路上的许多错误。对我们而言，这证明有用的业务系统并不总是需要巨额资金。
目前正在推进的第二层是我们的带有智能路由能力的改装版 AI 智能体。该系统不是自动将每项任务都发送给现有最大的模型，而是被设计为持续识别出能够可靠完成每项任务的最小且成本最低的 LLM。
逻辑很简单：简单任务 → 小模型，困难任务 → 更强的模型，无需智能 → 分离式系统。目标不仅仅在于减少 token 用量，更在于通过只在真正需要智能的地方使用智能，使 AI 基础设施在经济上可持续。
第三层是我们自己的专用 LLM 模型，专门设计用于与我们的分离式系统协同工作。我们目前正在试验7 个开源 LLM 模型作为这项工作的基础。Hugging Face 将成为我们技术生态系统的一部分，为开源模型生态系统、数据集、训练工具和基础设施提供支持。
但这三项发展最终都指向一个更宏大的目标。我们希望让系统开发本身对普通 SME 业主开放，尤其是那些没有无限资金、GPU 能力、IT 团队或技术资源的企业。
总有一天，即使是在路边卖炸香蕉的大婶，也应该能成为她自己业务的系统开发者。她只需简单地说一声：“帮我管理库存，计算我每天的利润，监控原料成本，记住我的常客，并告诉我什么时候该买更多香蕉，”然后这个智能体就应该在幕后帮她组装起这套系统。
我们的方向很明确：分离式系统 → 智能路由 → 最低适配 LLM → 专用自有 LLM → 面向所有人的 AI 辅助系统开发。最低成本是眼前的目标。免费是梦想。我们不是要构建最大的 AI；我们是想要让 AI 和系统开发变得足够小、足够便宜、足够简单，以至于即便是最小的 SME 也能用它来构建。
#AINNA #NeuralOps #HuggingFace #打开来源AI #LLM #AI基础设施 #Smart路由 #独立式系统 #SME #系统开发ment #自动化
