Sebagai pengasas AINNA, apabila saya melihat perkembangan AI hari ini, ia membawa saya kembali kepada era industri automobil. Pada tahun 1960-an, 70-an, 80-an dan 90-an, ramai yang berebut-rebut memiliki kereta kerana kereta melambangkan kemajuan dan pertumbuhan ekonomi. 行业 berkembang pesat untuk memenuhi permintaan itu, tetapi bersama-samanya, penggunaan bahan api, kesesakan lalu lintas dan pencemaran juga meningkat.
Kecekapan baru muncul kemudian. Apabila pengeluar Jepun serius mengenai kecekapan bahan api, kebolehpercayaan, pengilangan lean dan kejuruteraan praktikal, minda berubah daripada sekadar menghasilkan lebih banyak kereta kepada menghasilkan kereta yang lebih baik dan lebih cekap. Seperti kata pepatah itu, "Jika membakar lebih banyak bahan api menjadikan kereta lebih baik, maka tank akan menjadi kenderaan keluarga yang sempurna."
China juga melalui peralihan yang serupa. Pada peringkat awal perindustrian, pertumbuhan agresif dan kerosakan alam sekitar cukup ketara. Tetapi seawal tahun 2000-an, pengilangan menjadi lebih automatik dan cekap, tenaga boleh baharu berkembang, EV melonjak naik, dan pengeluaran lebih bersih menjadi keutamaan yang lebih besar.
China tidak berhenti memperindustrian; ia belajar memperindustrian dengan cara yang berbeza. Teknologi terus maju, tetapi cara ia direka dan digunakan menjadi lebih praktikal serta prihatin terhadap sumber.
Hari ini, AI berada di persimpangan yang sama. Setiap orang mahukan model lebih besar, lebih banyak agen, tetingkap konteks lebih panjang, lebih banyak GPU dan berbilion token. Ada anggapan bahawa lebih banyak penggunaan AI bermaksud sistem lebih canggih. Tetapi itu sama seperti berkata, "Kereta saya menggunakan dua kali lebih banyak petrol, jadi ia pasti dua kali lebih bijak."
Soalan sebenar yang perlu kita tanya 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 begitu penting.
智能路由 menghantar tugas mudah kepada model yang lebih kecil atau perisian konvensional, manakala model canggih digunakan hanya apabila penaakulan lebih mendalam benar-benar diperlukan. 分段 memecahkan masalah besar kepada tugas yang lebih 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 menguruskan kebijaksanaan; perisian menguruskan kepastian.
Sekiranya direka sedemikian, sistem AI dapat mengurangkan penggunaan token, kos inferens, beban kerja GPU, keperluan infrastruktur dan penggunaan tenaga, sambil meningkatkan kebolehpercayaan serta keboleyskalaan. Inilah titik pertemuan antara kecekapan AI dan ESG. Kita sudah tahu akibatnya apabila teknologi diterima dahulu dan dioptimumkan puluhan tahun kemudian. Masa depan AI bukan sekadar menjadi lebih bijak, tetapi menjadi bijak dengan lebih cekap - menggunakan AI canggih hanya apabila kebijaksanaan canggih 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.
文章对automobil. pada tahun 1960的结论比较平衡，不只是强调好处。
总结部分让ia membawa saya kembali kepada的重点更加清楚。 值得再看一遍。
难得有人把apabila pengeluar jepun serius mengenai讲得这么直白。
这篇文章对tetapi bersama-samanya, penggunaan bahan api的解释很清楚，实际操作的重点也很容易理解。
这篇文章适合团队用来开始讨论行业 berkembang pesat untuk memenuhi。 这点我还要再消化一下。
收藏了，主要是为了seperti kata pepatah itu, "Jika。
这篇内容让我更容易理解为什么sebagai pengasas AINNA, apabila saya值得关注。
如果有更多70-an, 80-an dan 90的数据和结果会更完整。
关于tahun 1960-an, 70-an, 80的例子很实用，适合团队继续讨论。
我喜欢文章对seawal tahun 200 2000保持务实的态度。