Atgriežoties pie būtības, AIGC izrāviens singularitātē ir trīs faktoru kombinācija:

1. GPT ir cilvēka neironu kopija

GPT AI, ko pārstāv NLP, ir datora neironu tīkla algoritms, kura būtība ir simulēt neironu tīklus cilvēka smadzeņu garozā.

Valodas, mūzikas, attēlu un pat garšas informācijas apstrāde un inteliģenta iztēle ir cilvēka uzkrātās funkcijas.

smadzenes kā “olbaltumvielu dators” ilgtermiņa evolūcijas laikā.

Tāpēc GPT, protams, ir vispiemērotākā imitācija līdzīgas informācijas, tas ir, nestrukturētas valodas, mūzikas un attēlu, apstrādei.

Tās apstrādes mehānisms nav nozīmes izpratne, bet gan precizēšanas, identificēšanas un asociēšanas process.Šis ir ļoti

paradoksāla lieta.

Agrīnās runas semantiskās atpazīšanas algoritmi būtībā izveidoja gramatikas modeli un runas datu bāzi, pēc tam attiecināja runu uz vārdu krājumu,

pēc tam ievietoja vārdu krājumu gramatikas datu bāzē, lai saprastu vārdu krājuma nozīmi, un beidzot ieguva atpazīšanas rezultātus.

Šīs "loģiskā mehānisma" balstītās sintakses atpazīšanas atpazīšanas efektivitāte ir bijusi aptuveni 70%, piemēram, ViaVoice atpazīšanas

algoritms, ko IBM ieviesa deviņdesmitajos gados.

AIGC nav par šādu spēlēšanu.Tās būtība ir nevis rūpēties par gramatiku, bet gan izveidot neironu tīkla algoritmu, kas ļauj

datoru, lai saskaitītu varbūtības savienojumus starp dažādiem vārdiem, kas ir neironu savienojumi, nevis semantiskie savienojumi.

Līdzīgi kā bērnībā mācījāmies dzimto valodu, mēs to dabiski mācījāmies, nevis mācījāmies “subjektu, predikātu, objektu, darbības vārdu, papildinājumu”.

un tad saprot rindkopu.

Šis ir AI domāšanas modelis, kas ir atpazīšana, nevis izpratne.

Tā ir arī mākslīgā intelekta graujošā nozīme visiem klasiskajiem mehānismu modeļiem – datoriem šī lieta nav jāsaprot loģiskā līmenī,

bet gan noteikt un atpazīt korelāciju starp iekšējo informāciju un pēc tam zināt to.

Piemēram, elektrotīklu jaudas plūsmas stāvoklis un prognozēšana ir balstīta uz klasisko elektrotīkla simulāciju, kur tiek izmantots matemātiskais modelis

mehānisms tiek izveidots un pēc tam konverģēts, izmantojot matricas algoritmu.Nākotnē tas var nebūt vajadzīgs.AI tieši identificēs un prognozēs a

noteiktu modālu modeli, pamatojoties uz katra mezgla statusu.

Jo vairāk mezglu ir, jo mazāk populārs ir klasiskais matricas algoritms, jo algoritma sarežģītība palielinās līdz ar matricu skaitu.

mezgli un ģeometriskā progresija palielinās.Tomēr AI dod priekšroku ļoti liela mēroga mezglu vienlaicīgumam, jo ​​AI spēj labi identificēt un

prognozējot visticamākos tīkla režīmus.

Neatkarīgi no tā, vai tā ir nākamā Go prognoze (AlphaGO var paredzēt nākamos desmitus soļu ar neskaitāmām iespējām katram solim) vai modālā prognoze

Sarežģītās laikapstākļu sistēmās AI precizitāte ir daudz augstāka nekā mehānisko modeļu precizitāte.

Iemesls, kāpēc elektrotīklam pašlaik nav nepieciešams AI, ir mezglu skaits 220 kV un augstākos elektroenerģijas tīklos, kurus pārvalda provinču

nosūtīšana nav liela, un ir iestatīti daudzi nosacījumi, lai linearizētu un samazinātu matricu, ievērojami samazinot matricas skaitļošanas sarežģītību.

mehānisma modelis.

Tomēr sadales tīkla jaudas plūsmas stadijā, saskaroties ar desmitiem tūkstošu vai simtiem tūkstošu jaudas mezglu, slodzes mezglu un tradicionālo

matricas algoritmi lielā sadales tīklā ir bezspēcīgi.

Es uzskatu, ka AI modeļa atpazīšana izplatīšanas tīkla līmenī kļūs iespējama nākotnē.

2. Nestrukturētas informācijas uzkrāšana, apmācība un ģenerēšana

Otrs iemesls, kāpēc AIGC ir guvis izrāvienu, ir informācijas uzkrāšana.No runas A/D konvertēšanas (mikrofons+PCM

paraugu ņemšana) attēlu A/D konvertēšanai (CMOS+krāsu telpas kartēšana), cilvēki ir uzkrājuši hologrāfiskos datus vizuālajā un dzirdes jomā.

pēdējo desmitgažu laikā ārkārtīgi zemu izmaksu veidos.

Jo īpaši liela mēroga kameru un viedtālruņu popularizēšana, nestrukturētu datu uzkrāšana audiovizuālajā jomā cilvēkiem

gandrīz bez maksas, un sprādzienbīstama teksta informācijas uzkrāšanās internetā ir AIGC apmācības atslēga – apmācības datu kopas ir lētas.

Augšējā attēlā parādīta globālo datu pieauguma tendence, kas skaidri parāda eksponenciālu tendenci.

Šis nelineārais datu uzkrāšanas pieaugums ir pamats AIGC spēju nelineārajai izaugsmei.

BET, lielākā daļa šo datu ir nestrukturēti audiovizuālie dati, kas tiek uzkrāti bez maksas.

Elektrības jomā to nevar panākt.Pirmkārt, lielākā daļa elektroenerģijas nozares ir strukturēti un daļēji strukturēti dati, piemēram,

spriegums un strāva, kas ir laika rindu punktu datu kopas un daļēji strukturētas.

Datoriem ir jāsaprot strukturālo datu kopas, un tām ir nepieciešama “līdzināšana”, piemēram, ierīces līdzināšana — sprieguma, strāvas un jaudas dati.

slēdzis ir jāsaskaņo ar šo mezglu.

Sarežģītāka ir laika izlīdzināšana, kas prasa saskaņot spriegumu, strāvu un aktīvo un reaktīvo jaudu, pamatojoties uz laika skalu, lai

var veikt turpmāku identifikāciju.Ir arī virzieni uz priekšu un atpakaļ, kas ir telpiskā izlīdzināšana četros kvadrantos.

Atšķirībā no teksta datiem, kuriem nav nepieciešama līdzināšana, datorā vienkārši tiek iemesta rindkopa, kas identificē iespējamās informācijas asociācijas

pats.

Lai saskaņotu šo problēmu, piemēram, uzņēmumu izplatīšanas datu aprīkojuma saskaņošanu, saskaņošana ir pastāvīgi nepieciešama, jo mediji un

zemsprieguma sadales tīkls katru dienu pievieno, dzēš un pārveido iekārtas un līnijas, un tīkla uzņēmumi tērē milzīgas darbaspēka izmaksas.

Tāpat kā “datu anotācija”, datori to nevar izdarīt.

Otrkārt, datu iegūšanas izmaksas enerģētikā ir augstas, un, lai runātu un fotografētu, ir nepieciešami sensori, nevis mobilais tālrunis.”

Katru reizi, kad spriegums samazinās par vienu līmeni (vai jaudas sadales attiecība samazinās par vienu līmeni), palielinās nepieciešamais sensora ieguldījums

vismaz par vienu lieluma kārtu.Lai panāktu slodzes puses (kapilāra gala) uztveršanu, tas ir vēl lielāks digitālais ieguldījums.

Ja nepieciešams identificēt elektrotīkla pārejas režīmu, ir nepieciešama augstas precizitātes augstfrekvences paraugu ņemšana, un izmaksas ir vēl augstākas.

Tā kā datu iegūšanas un datu saskaņošanas robežizmaksas ir ārkārtīgi augstās, elektrotīkls pašlaik nespēj uzkrāt pietiekami daudz nelineāro.

datu informācijas pieaugums, lai apmācītu algoritmu, lai sasniegtu AI singularitāti.

Nemaz nerunājot par datu atklātību, jaudīgai AI startēšanai nav iespējams iegūt šos datus.

Tāpēc pirms AI ir jāatrisina datu kopu problēma, pretējā gadījumā vispārējo AI kodu nevar apmācīt, lai izveidotu labu AI.

3. Izrāviens skaitļošanas jaudā

Papildus algoritmiem un datiem, AIGC singularitātes izrāviens ir arī skaitļošanas jaudas izrāviens.Tradicionālie CPU nav

piemērots liela mēroga vienlaicīgai neironu skaitļošanai.Tieši GPU pielietošana 3D spēlēs un filmās padara liela mēroga paralēles

iespējama peldošā komata+straumēšanas skaitļošana.Mūra likums vēl vairāk samazina skaitļošanas izmaksas uz skaitļošanas jaudas vienību.

Elektrotīkla AI, neizbēgama tendence nākotnē

Integrējot lielu skaitu sadalītu fotoelektrisko un sadalīto enerģijas uzglabāšanas sistēmu, kā arī lietojumprogrammu prasības

slodzes puses virtuālās elektrostacijas, objektīvi nepieciešams veikt avotu un slodzes prognozēšanu publisko sadales tīklu sistēmām un lietotājam

sadales (mikro) tīkla sistēmas, kā arī reāllaika jaudas plūsmas optimizācija sadales (mikro) tīklu sistēmām.

Sadales tīkla puses skaitļošanas sarežģītība faktiski ir augstāka nekā pārvades tīkla plānošanas sarežģītība.Pat reklāmai

sarežģīts, var būt desmitiem tūkstošu slodzes ierīču un simtiem slēdžu, kā arī pieprasījums pēc AI balstītas mikrotīkla/sadales tīkla darbības.

radīsies kontrole.

Tā kā sensori ir zemi un plaši tiek izmantotas jaudas elektroniskās ierīces, piemēram, cietvielu transformatori, cietvielu slēdži un invertori (pārveidotāji),

sensoru, skaitļošanas un kontroles integrācija elektrotīkla malās arī ir kļuvusi par novatorisku tendenci.

Tāpēc elektrotīkla AIGC ir nākotne.Tomēr šodien nav nepieciešams nekavējoties izmantot AI algoritmu, lai pelnītu naudu,

Tā vietā vispirms risiniet AI pieprasītās datu infrastruktūras izveides problēmas

AIGC uzplaukuma laikā ir pietiekami mierīgi jādomā par jaudas AI pielietojuma līmeni un nākotni.

Patlaban jaudas AI nozīme nav būtiska: piemēram, fotoelementu algoritms ar prognozēšanas precizitāti 90% tiek laists spot tirgū.

ar tirdzniecības novirzes slieksni 5%, un algoritma novirze iznīcinās visu tirdzniecības peļņu.

Dati ir ūdens, un algoritma skaitļošanas jauda ir kanāls.Kā tas notiks, tā būs.