ESG, bagi saya, bukan sekadar pelaporan, pensijilan, atau pemasaran hijau.
Ia bermula dengan persoalan yang lebih mudah:
Bolehkah kita mencapai hasil yang sama - atau lebih baik - sambil menggunakan lebih sedikit sumber secara signifikan?
Dalam pembangunan AI, saya melihat banyak sistem bergantung pada model besar untuk hampir setiap tugas.
Tetapi bukan setiap tugas memerlukan penaakulan AI yang berat.
Di AINNA, melalui NeuralOps, kami menyelidiki pendekatan yang berbeza.
Kami menggunakan pemegahan, pemprosesan deterministik, sistem terpisah, penghalaan pintar, dan penyulingan model supaya model AI yang lebih besar hanya digunakan apabila keupayaan penaakulannya benar-benar diperlukan.
Objektifnya mudah:
Kurangkan token.
Kurangkan pengkomputeran.
Kurangkan beban kerja GPU.
Kurangkan penggunaan tenaga.
Kurangkan kos operasi.
Sambil mengekalkan - atau memperbaiki - hasil perniagaan.
Bagi saya, ini adalah tafsiran ESG yang lebih praktikal:
Kelestarian menerusi reka bentuk.
Bukan menambah “lapisan ESG” selepas sistem sudah siap dibina, kita harus mereka bentuk teknologi dari awal untuk menggunakan lebih sedikit sumber.
Ada satu lagi prinsip yang saya percaya sama penting:
Jangan melebih-lebihkan tuntutan.
Jika kita mengukur pengurangan beban kerja pemprosesan yang signifikan, kita harus melaporkannya sebagai hasil sistem yang diukur.
Tetapi jika pengurangan karbon belum diukur dengan betul menerusi telemetri dan disahkan secara bebas, ia tidak harus menjadi angka pemasaran.
Kerana ESG yang bermakna memerlukan bukti.
Hasil yang lebih baik. Kurang pengkomputeran. Kurang pembaziran.
Itulah arah yang kami usahakan dengan NeuralOps - membina infrastruktur AI di mana kecekapan bukan sesuatu yang dipikir kemudian, tetapi sebahagian daripada reka bentuk itu sendiri.
#ESG #SustainableAI #GreenAI #ArtificialIntelligence #NeuralOps #AIInfrastructure #Kelestarian #DigitalTransformation #SovereignAI #Inovasi #AINNA
