Grįžtant prie esmės, AIGC proveržis singuliarumo srityje yra trijų veiksnių derinys:

1. GPT yra žmogaus neuronų kopija

NLP atstovaujamas GPT AI yra kompiuterinis neuroninio tinklo algoritmas, kurio esmė – imituoti neuroninius tinklus žmogaus smegenų žievėje.

Kalbos, muzikos, vaizdų ir net skonio informacijos apdorojimas ir protinga vaizduotė yra žmogaus sukauptos funkcijos.

smegenys kaip „baltymų kompiuteris“ ilgalaikės evoliucijos metu.

Todėl GPT natūraliai yra tinkamiausia imitacija panašiai informacijai, tai yra nestruktūruotai kalbai, muzikai ir vaizdams apdoroti.

Jo apdorojimo mechanizmas yra ne prasmės supratimas, o gryninimo, identifikavimo ir susiejimo procesas.Tai yra labai

paradoksalus dalykas.

Ankstyvieji kalbos semantinio atpažinimo algoritmai iš esmės sukūrė gramatikos modelį ir kalbos duomenų bazę, tada susiejo kalbą su žodynu,

tada įdėjo žodyną į gramatikos duomenų bazę, kad suprastų žodyno reikšmę, ir galiausiai gavo atpažinimo rezultatus.

Šio „loginiu mechanizmu“ pagrįsto sintaksės atpažinimo atpažinimo efektyvumas svyruoja apie 70%, pavyzdžiui, „ViaVoice“ atpažinimo.

algoritmas, kurį IBM pristatė 1990 m.

AIGC nėra skirtas žaisti taip.Jo esmė yra ne rūpintis gramatika, o sukurti neuroninio tinklo algoritmą, kuris leistų

kompiuteris, skirtas skaičiuoti tikimybinius ryšius tarp skirtingų žodžių, kurie yra neuroniniai, o ne semantiniai ryšiai.

Panašiai kaip mokydamiesi gimtosios kalbos vaikystėje, mes natūraliai jos išmokome, o ne mokėmės „dalyko, predikato, objekto, veiksmažodžio, papildymo“.

ir tada supranti pastraipą.

Tai yra AI mąstymo modelis, kuris yra pripažinimas, o ne supratimas.

Tai taip pat yra ardomoji AI reikšmė visiems klasikinių mechanizmų modeliams – kompiuteriams nereikia to suprasti loginiu lygmeniu,

o greičiau nustatyti ir atpažinti ryšį tarp vidinės informacijos, o tada žinoti.

Pavyzdžiui, elektros tinklų energijos srauto būsena ir prognozavimas yra pagrįsti klasikiniu elektros tinklo modeliavimu, kai matematinis modelis

mechanizmas nustatomas ir sujungiamas naudojant matricos algoritmą.Ateityje tai gali būti nereikalinga.AI tiesiogiai nustatys ir prognozuos a

tam tikras modalinis modelis, pagrįstas kiekvieno mazgo būsena.

Kuo daugiau mazgų, tuo mažiau populiarus klasikinis matricos algoritmas, nes algoritmo sudėtingumas didėja didėjant

mazgai ir geometrinė progresija didėja.Tačiau AI teikia pirmenybę labai didelio masto mazgų lygiagretumui, nes AI gerai identifikuoja ir

numatant labiausiai tikėtinus tinklo režimus.

Nesvarbu, ar tai kitas „Go“ numatymas (AlphaGO gali numatyti dešimtis žingsnių su daugybe galimybių kiekvienam žingsniui), ar modalinis numatymas

sudėtingų oro sistemų, AI tikslumas yra daug didesnis nei mechaninių modelių.

Priežastis, kodėl šiuo metu elektros tinklui nereikia dirbtinio intelekto, yra ta, kad mazgų skaičius 220 kV ir didesniuose elektros tinkluose, kuriuos valdo provincijos

išsiuntimas nėra didelis ir yra nustatyta daug sąlygų, kad matrica būtų tiesinė ir retesnė, o tai labai sumažina skaičiavimo sudėtingumą.

mechanizmo modelis.

Tačiau paskirstymo tinklo energijos srauto stadijoje susiduriama su dešimtimis tūkstančių ar šimtais tūkstančių galios mazgų, apkrovos mazgų ir tradicinių

matricos algoritmai dideliame paskirstymo tinkle yra bejėgiai.

Manau, kad AI modelio atpažinimas paskirstymo tinklo lygmeniu taps įmanomas ateityje.

2. Nestruktūruotos informacijos kaupimas, mokymas ir generavimas

Antroji priežastis, kodėl AIGC padarė proveržį, yra informacijos kaupimas.Iš A/D kalbos konvertavimo (mikrofonas+PCM

mėginių ėmimas) į A/D vaizdų konvertavimą (CMOS+spalvų erdvės atvaizdavimas), žmonės turi sukaupę holografinius duomenis regos ir klausos srityse.

per pastaruosius kelis dešimtmečius labai pigiais būdais.

Visų pirma, didelio masto fotoaparatų ir išmaniųjų telefonų populiarinimas, nestruktūrizuotų duomenų kaupimas audiovizualinėje žmonių srityje.

beveik be jokių išlaidų, o sprogstamas tekstinės informacijos kaupimas internete yra AIGC mokymų pagrindas – mokymo duomenų rinkiniai yra nebrangūs.

Aukščiau pateiktame paveikslėlyje parodyta pasaulinių duomenų augimo tendencija, kuri aiškiai parodo eksponentinę tendenciją.

Šis nelinijinis duomenų kaupimo augimas yra netiesinio AIGC pajėgumų augimo pagrindas.

BET, dauguma šių duomenų yra nestruktūrizuoti garso ir vaizdo duomenys, kurie kaupiami be jokių išlaidų.

Elektros energijos srityje to pasiekti neįmanoma.Pirma, didžioji dalis elektros energijos pramonės yra struktūrizuoti ir pusiau struktūrizuoti duomenys, pvz

įtampa ir srovė, kurios yra laiko eilučių taškinės ir pusiau struktūrinės duomenų rinkiniai.

Kompiuteriai turi suprasti struktūrinių duomenų rinkinius ir juos reikia „suderinti“, pvz., įrenginio suderinimą – įtampos, srovės ir galios duomenis.

jungiklis turi būti suderintas su šiuo mazgu.

Daugiau problemų kelia laiko derinimas, dėl kurio reikia suderinti įtampą, srovę ir aktyviąją bei reaktyviąją galią pagal laiko skalę, kad

galima atlikti vėlesnį identifikavimą.Taip pat yra kryptys pirmyn ir atgal, kurios yra erdvinis išlyginimas keturiuose kvadrantuose.

Skirtingai nuo tekstinių duomenų, kurių lygiuoti nereikia, pastraipa tiesiog įvedama į kompiuterį, kuri identifikuoja galimas informacijos asociacijas.

savarankiškai.

Norint suderinti šią problemą, pvz., verslo paskirstymo duomenų įrangos derinimą, nuolat reikia derinti, nes terpė ir

Žemos įtampos skirstomasis tinklas kiekvieną dieną papildo, ištrina ir modifikuoja įrangą ir linijas, o tinklo įmonės išleidžia milžiniškas darbo sąnaudas.

Kaip ir „duomenų anotacija“, kompiuteriai to negali padaryti.

Antra, energijos sektoriuje duomenų gavimo kaina yra didelė, o norint kalbėti ir fotografuoti, reikalingi jutikliai, o ne mobilusis telefonas.“

Kiekvieną kartą, kai įtampa sumažėja vienu lygiu (arba galios paskirstymo santykis sumažėja vienu lygiu), reikalingos jutiklio investicijos didėja

bent viena eilės tvarka.Norint pasiekti apkrovos pusės (kapiliaro galo) jutimą, tai dar didesnė skaitmeninė investicija.

Jei reikia nustatyti pereinamąjį elektros tinklo režimą, reikalingas didelio tikslumo aukšto dažnio mėginių ėmimas, o kaina yra dar didesnė.

Dėl itin didelių ribinių duomenų gavimo ir duomenų derinimo sąnaudų elektros tinklas šiuo metu negali sukaupti pakankamai netiesinių

duomenų informacijos augimas, siekiant išmokyti algoritmą pasiekti AI išskirtinumą.

Jau nekalbant apie duomenų atvirumą, galingas AI paleidimas negali gauti šių duomenų.

Todėl prieš dirbtinį intelektą būtina išspręsti duomenų rinkinių problemą, kitaip bendras AI kodas negali būti išmokytas sukurti gerą AI.

3. Proveržis skaičiavimo galioje

Be algoritmų ir duomenų, AIGC išskirtinumo proveržis taip pat yra skaičiavimo galios proveržis.Tradiciniai procesoriai nėra

tinka didelio masto lygiagrečiam neuronų skaičiavimui.Būtent GPU taikymas 3D žaidimuose ir filmuose daro didelio masto lygiagrečius

galimas slankiojo kablelio + srautinis skaičiavimas.Moore'o įstatymas dar labiau sumažina skaičiavimo sąnaudas skaičiavimo galios vienetui.

Elektros tinklo AI – neišvengiama ateities tendencija

Integruojant daugybę paskirstytų fotovoltinių ir paskirstytų energijos kaupimo sistemų, taip pat taikomus reikalavimus

apkrovos pusės virtualiosios elektrinės, objektyviai būtina atlikti viešųjų skirstomųjų tinklų sistemų ir vartotojo šaltinių ir apkrovų prognozavimą

paskirstymo (mikro) tinklų sistemos, taip pat energijos srauto optimizavimas realiuoju laiku paskirstymo (mikro) tinklo sistemoms.

Paskirstymo tinklo pusės skaičiavimo sudėtingumas iš tikrųjų yra didesnis nei perdavimo tinklo planavimo.Net reklamai

sudėtingas, gali būti dešimtys tūkstančių apkrovos įrenginių ir šimtai jungiklių, o dirbtinio intelekto pagrindu veikiančio mikro tinklo / paskirstymo tinklo poreikis

kontrolė atsiras.

Dėl mažų jutiklių kainų ir plačiai naudojamų galios elektroninių prietaisų, tokių kaip kietojo kūno transformatoriai, kietojo kūno jungikliai ir inverteriai (keitikliai),

jutimo, skaičiavimo ir valdymo integravimas elektros tinklo pakraštyje taip pat tapo naujoviška tendencija.

Todėl elektros tinklo AIGC yra ateitis.Tačiau šiandien reikia ne iš karto imtis AI algoritmo, kad užsidirbtumėte pinigų,

Vietoj to pirmiausia spręskite duomenų infrastruktūros kūrimo problemas, kurių reikalauja AI

AIGC pakilimo metu reikia pakankamai ramiai galvoti apie galios AI taikymo lygį ir ateitį.

Šiuo metu galios AI reikšmė nėra reikšminga: pavyzdžiui, fotovoltinis algoritmas, kurio numatymo tikslumas yra 90 proc.

su prekybos nuokrypio riba 5%, o algoritmo nuokrypis nušluos visą prekybos pelną.

Duomenys yra vanduo, o algoritmo skaičiavimo galia yra kanalas.Kaip atsitiks, taip ir bus.