BANDAR PINTAR: AI LANGSUNG VS NEURALOPS
Sebagai rakan strategik AINNA kepada pihak berkuasa tempatan dan pengendali perkhidmatan bandar di 马来西亚, perkara pertama yang kami tekankan ialah: bandar berpenduduk 1 juta orang mungkin menghasilkan kira-kira 8.3 juta tan CO₂e setiap tahun.
Bagi pihak berkuasa tempatan, jika pengurusan trafik, tenaga, air, sisa, bangunan dan infrastruktur yang lebih bijak mengurangkan pelepasan sebanyak 6%, bandar tersebut boleh mengelakkan kira-kira:
498,000 tan CO₂e setiap tahunIa bersamaan dengan kira-kira:
46 hari pelepasan daripada sebuah stesen janakuasa arang batu purataBagi kami di AINNA, soalan utamanya bukan sama ada sesebuah bandar menggunakan AI.
Tetapi sejauh mana AI digunakan dengan cekap untuk menyelesaikan masalah bandar dan rakyat.
Pendekatan AI 直接
Setiap tugas dihantar kepada model AI yang besar - termasuk semakan mudah, amaran, pengiraan dan aliran kerja rutin.
Ini menyebabkan:
❌ Penggunaan token lebih tinggi
❌ Penggunaan GPU lebih lama
❌ Permintaan tenaga 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 bebanan kerja berkurang daripada kira-kira 32 bilion token kepada 2–3 bilion token.
Ini mewakili pengurangan bebanan pengkomputeran sebanyak 90.6%–93.8%.
Ini bukan bermakna pelepasan karbon berkurangan pada kadar yang sama, tetapi ia boleh mengurangkan permintaan inferens, jam GPU, penggunaan tenaga, keperluan penyejukan dan kos infrastruktur secara signifikan.
Dari sudut ESG dan kelestarian, IPCC telah menyatakan:
“Peningkatan bahagian pelepasan boleh dikaitkan dengan kawasan bandar.”
Bandar Pintar tidak sepatutnya diukur berdasarkan seberapa banyak AI yang digunakan.
Ia sepatutnya diukur berdasarkan berapa banyak sisa, kos, penggunaan tenaga dan karbon yang dapat dikurangkan.
AI 直接 bertanya:
模型 manakah yang harus menjawab ini?
NeuralOps bertanya:
Adakah tugas ini memerlukan AI langsung?
Dan jika ya:
Apakah model terkecil dan paling cekap yang mampu menyelesaikannya dengan tepat?
Pengiraan lebih sedikit.
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.
anggaran bebanan kerja berkurang daripada这个说法我要拿回去跟同事讨论。
看第二遍才注意到bandar berpenduduk 1 juta orang的细节。 读完之后还有一些疑问。
如果有更多kira-kira:46 hari pele 46的数据和结果会更完整。
这篇内容让我更容易理解为什么kadar yang sama, 90.6%值得关注。
如果可以继续说明sama, tetapi i 93.8%的真实案例，我会想继续阅读。
关于kira-kira 8.3 jut 8.3的例子很实用，适合团队继续讨论。 值得再看一遍。