AI应用做减法:砍范围、压步骤、铺地基
AI应用

AI应用做减法:砍范围、压步骤、铺地基

AI应用拼到最后,比的是谁敢砍。最近三个动向看着不搭界,一条讲企业战略,一条讲图像压缩,一条讲理论物理教材,但指向同一件事:把范围缩小,把步骤压平,把地基建好。AI才真正跑得动。

先说战略。AINews那篇《为什么最明智的AI战略始于一点"懒惰"》讲得直白:先想清楚业务目标,再列出哪些项目根本不值得做。这里的"懒惰"指的是找更省事的路子。常被安在比尔·盖茨头上的那句老话,说的是把难活交给懒人,他会想办法找到更简单的做法。放到今天照样成立。不少AI项目死在贪多上。

再看工程。无损图像压缩一直有个两难:学习型编解码器能把文件压得更小,解码却慢得多。FMT(Fixed-step Multiscale Tree)把分层解码顺序和并行熵解码拼在一起,连续执行的步骤数就不随图像大小变化,图再大也一样。测试结果挺硬:不用网络的版本在文件大小和速度上都压过NVIDIA HTJ2K;大网络版本在A100上解码Kodak图像,比受测的学习型编解码器快9到61倍,文件大小持平或更小。在同一块GPU上,没有哪个受测方法能两项都赢它。

科研侧的逻辑一样。arXiv上的StringQFT收了18卷、190章,把弦论构造量子场论的教材整理成一套AI能直接调用的基础设施。AI帮理论物理,卡点就在知识没被结构化到能喂进去的程度。地基铺平了,模型才使得上劲。

三件事合起来,就是一套减法:战略上少立项,工程上少串行,数据上少含糊。AI应用的红利,多半藏在这些"不做"和"压缩"里。