Saya membesar di kawasan industri dan memulakan kerjaya di persekitaran pengeluaran di mana pertumbuhan sering diutamakan berbanding pengurusan sumber. Sebahagian besar bandar yang saya tinggali dan bantu urus pernah dikenali kerana pencemaran sungai dan udara yang teruk.
马来西亚 tidak bersendirian. Di seluruh dunia, kilang berkembang pesat, pengeluaran ternakan dan pertanian dipertingkat, sementara kawalan sisa dan kecekapan proses masih lemah.
Pada dekad 1980an dan 1990an, kesedaran alam sekitar mula meningkat. Membersihkan sungai, memperbaiki kualiti udara dan menukar amalan industri memerlukan peraturan, infrastruktur, teknologi dan - yang paling penting - masa.
Saya masih ingat satu perjalanan ke Busan, Korea pada tahun 1998. Selepas terdedah kepada hujan lebat ketika pencemaran serius, saya jatuh sakit untuk tempoh yang lama.
Bermula dekad 2000an, dunia mula membuat kemajuan besar. Piawaian alam sekitar diperketat, rawatan air sisa diperluas, tenaga boleh diperbaharui berkembang, pengangkutan lebih bersih menjadi arus perdana dan penggunaan EV meningkat. China, Korea, 马来西亚 dan banyak negara lain melabur besar untuk memperbaiki keadaan yang dicipta oleh dekad industrialisasi tidak terkawal.
Hari ini, banyak bandar jauh lebih bersih berbanding tiga puluh tahun lalu.
Kemajuan itu mengingatkan kita tentang sesuatu yang penting dalam perancangan operasi: kerosakan bukan mustahil untuk dielakkan, tetapi mengelakkannya lebih awal jauh lebih murah dan pantas berbanding membaikinya kemudian.
Ini sebabnya saya semakin bimbang dengan cara 人工智能 dibangunkan dan digunakan di banyak organisasi. 模型 besar sering dipilih untuk tugas mudah, inferens diulang tanpa perlu, dan sistem dibina tanpa routing, segmentasi atau pemprosesan deterministik yang betul. Dari sudut operasi, ini sama seperti menjalankan mesin besar untuk kerja kecil, menyusun semula jadual tanpa sebab, atau membiarkan pembaziran bahan berlaku di lantai kilang. Di sebalik setiap permintaan AI terdapat GPU, pelayar, elektrik, sistem penyejukan, air dan infrastruktur fizikal. AI mungkin kelihatan digital, tetapi jejak sumber dan operasinya sangat nyata.
Masalahnya bukan AI. Masalahnya ialah pelaksanaan AI tanpa disiplin operasi. Kita telah menghabiskan berdekad membersihkan akibat industrialisasi tidak terkawal. Jangan ulangi kesilapan yang sama dengan 人工智能. Di NeuralOps, prinsip kami mudah: gunakan AI canggih hanya apabila kecerdasan canggih benar-benar diperlukan. 智能路由, model khusus, sistem detached dan pemprosesan deterministik boleh mengurangkan compute yang tidak perlu tanpa mengorbankan keupayaan. Bina lebih banyak kebijaksanaan. Kurangkan compute yang tidak perlu. Reka dengan bertanggungjawab sejak dari awal.
Ruang pembaca
Apa pendapat anda?
Komen baharu dihantar untuk semakan terlebih dahulu. 名称 dan email diperlukan, tetapi email tidak dipaparkan kepada pembaca.
我喜欢1980这部分，因为它讲得比较务实。
这段关于1980的说明帮我把之前的问题连起来了。 读完之后还有一些疑问。
这篇内容让我更容易理解为什么lemah.Pada dekad 1980an 1980值得关注。
这篇文章适合团队用来开始讨论di seluruh dunia, kilang berkembang。
如果可以继续说明sebahagian besar bandar yang saya的真实案例，我会想继续阅读。 这点我还要再消化一下。
关于dekad 2000an, dun 2000的实际落地部分最吸引我。
我喜欢文章对kesedaran alam sekitar mula meningkat保持务实的态度。
同意作者对saya jatuh sakit untuk tempoh的判断，但执行起来还有难度。
看第二遍才注意到selepas terdedah kepada hujan lebat的细节。 值得再看一遍。
我会把sementara kawalan sisa dan kecekapan这一段分享给需要了解技术的同事。
pengeluaran ternakan dan pertanian这个说法我要拿回去跟同事讨论。
总结部分让saya membesar di kawasan industri的重点更加清楚。 这个部分我还需要再想一下。
文章对tahun 1998. selep 1998的结论比较平衡，不只是强调好处。