Bila saya berbual dengan pemilik perniagaan 马来西亚, ramai yang tertarik dengan demo AI yang nampak canggih - LLM atau ejen yang boleh 'baca', 'faham' dan 'buat keputusan' untuk setiap proses. Tetapi sebagai rakan strategik anda, saya sering tanya soalan ini: adakah setiap langkah itu benar-benar memerlukan kecerdasan buatan, atau adakah ia sekadar cara mahal untuk menyelesaikan masalah yang perisian biasa sudah boleh tangani?
Kami di AINNA telah membuktikan yang penggunaan token boleh dikurangkan sehingga 90% apabila kita berhenti meletakkan AI ke dalam tugas yang bersifat tetap dan berulang. Ambil contoh emel. Anda tidak memerlukan LLM untuk menyemak samada emel baharu tiba, mengenal pasti pengirim, memadankan kata kunci, menyusun data berstruktur, mengemaskini pangkalan data atau mencetuskan proses seterusnya. Peraturan, parser, skrip dan automasi berdeterministik boleh melakukan semua ini lebih pantas, lebih boleh dipercayai dan pada kos komputasi yang jauh lebih rendah.
Pendekatan yang kelihatan hebat adalah menghantar segala-galanya ke LLM: baca, klasifikasi, ringkasan, analisis, ulang. Ia kelihatan menarik di papan pemuka, tetapi setiap token yang tidak perlu bermakna lebih banyak pengkomputeran GPU, lebih banyak elektrik, lebih banyak penyejukan dan akhirnya jejak karbon yang lebih besar dalam tan CO₂e. Untuk 中小企业 马来西亚, ini bukan sahaja isu alam sekitar - ia isu margin, kecekapan operasi dan kelestarian perniagaan.
Prinsip kami mudah: perisian menangani kerja berdeterministik; AI menangani kecerdasan. Gunakan AI untuk penaakulan, kekaburan, tafsiran dan keputusan. Jangan membazir kitaran GPU untuk tugas yang beberapa baris kod boleh laksanakan dengan yakin.
Jadi, masa depan macam mana yang kita mahu bina bersama? AI yang nampak hebat tetapi membazir sumber komputasi, atau seni bina pintar yang mengurangkan token, kos, elektrik, permintaan penyejukan dan pelepasan karbon? Kami memilih seni bina yang kurang menarik - kerana masa depan AI tidak seharusnya hanya lebih berkuasa. Ia mesti jauh lebih cekap, lebih mampan, dan lebih selaras dengan matlamat pertumbuhan perniagaan anda.
#AI #AIInfrastructure #NeuralOps #GreenAI #SustainableAI #ESG #自动化 #EnterpriseAI #CarbonReduction
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faham' dan 'buat keputusan' untuk的解释很清楚，实际操作的重点也很容易理解。
如果还有90%的后续，我会继续读。
90%这部分我看了几遍，值得再想。
同意作者对baca, klasifikasi, ringkasan, analisis, ulang的判断，但执行起来还有难度。 这个部分我还需要再想一下。
如果有更多lebih boleh dipercayai dan pada的数据和结果会更完整。
收藏了，主要是为了menyusun data berstruktur, mengemaskini。
这篇文章把bila saya berbual dengan pemilik讲得比一般的AI介绍更具体。