Vráťme sa k podstate, prelom AIGC v singularite je kombináciou troch faktorov:

1. GPT je replika ľudských neurónov

GPT AI reprezentovaná NLP je algoritmus počítačovej neurónovej siete, ktorého podstatou je simulovať neurónové siete v ľudskej mozgovej kôre.

Spracovanie a inteligentná predstavivosť jazyka, hudby, obrazov a dokonca aj chuťových informácií sú funkcie, ktoré človek nahromadil

mozog ako „bielkovinový počítač“ počas dlhodobej evolúcie.

Preto je GPT prirodzene najvhodnejšou imitáciou na spracovanie podobných informácií, teda neštruktúrovaného jazyka, hudby a obrázkov.

Mechanizmom jeho spracovania nie je pochopenie významu, ale skôr proces spresňovania, identifikácie a priraďovania.Toto je veľmi

paradoxná vec.

Algoritmy raného sémantického rozpoznávania reči v podstate vytvorili gramatický model a databázu reči, potom zmapovali reč do slovnej zásoby,

potom umiestnil slovnú zásobu do gramatickej databázy, aby pochopil význam slovnej zásoby, a nakoniec získal výsledky rozpoznávania.

Účinnosť rozpoznávania tohto „logického mechanizmu“ založeného na rozpoznávaní syntaxe sa pohybuje okolo 70 %, ako napríklad rozpoznávanie ViaVoice

Algoritmus zavedený spoločnosťou IBM v 90. rokoch 20. storočia.

AIGC nie je o takomto hraní.Jeho podstatou nie je starať sa o gramatiku, ale skôr vytvoriť algoritmus neurónovej siete, ktorý to umožňuje

počítač na počítanie pravdepodobnostných spojení medzi rôznymi slovami, čo sú neurónové spojenia, nie sémantické spojenia.

Podobne ako keď sme sa učili svoj materinský jazyk, keď sme boli mladí, prirodzene sme sa ho naučili, namiesto toho, aby sme sa učili „podmet, prísudok, predmet, sloveso, doplnok“.

a potom porozumieť odseku.

Toto je model myslenia AI, ktorým je uznanie, nie pochopenie.

V tom spočíva aj podvratný význam AI pre všetky modely klasických mechanizmov – počítače nemusia túto záležitosť chápať na logickej úrovni,

ale skôr identifikujte a rozpoznajte koreláciu medzi internými informáciami a potom to spoznajte.

Napríklad stav toku energie a predikcia energetických sietí sú založené na klasickej simulácii elektrickej siete, kde je vytvorený matematický model

mechanizmus je vytvorený a potom konvergovaný pomocou maticového algoritmu.V budúcnosti to možno nebude potrebné.AI bude priamo identifikovať a predpovedať a

určitý modálny vzor založený na stave každého uzla.

Čím viac uzlov je, tým je klasický maticový algoritmus menej populárny, pretože zložitosť algoritmu sa zvyšuje s počtom

uzly a geometrická progresia sa zvyšuje.AI však uprednostňuje súbežnosť uzlov vo veľkom meradle, pretože AI je dobrá pri identifikácii a

predpovedanie najpravdepodobnejších sieťových režimov.

Či už je to ďalšia predpoveď Go (AlphaGO dokáže predpovedať ďalšie desiatky krokov s nespočetnými možnosťami pre každý krok) alebo modálna predpoveď

pri komplexných poveternostných systémoch je presnosť AI oveľa vyššia ako u mechanických modelov.

Dôvod, prečo elektrická sieť v súčasnosti nevyžaduje AI, je ten, že počet uzlov v 220 kV a vyšších energetických sieťach spravovaných provinčnými

dispečing nie je veľký a mnoho podmienok je nastavených na linearizáciu a rozptýlenie matice, čo výrazne znižuje výpočtovú zložitosť

model mechanizmu.

Avšak vo fáze toku energie distribučnej siete, ktorá čelí desiatkam tisíc alebo stovkám tisícom energetických uzlov, uzlov záťaže a tradičných

maticové algoritmy vo veľkej distribučnej sieti sú bezmocné.

Verím, že rozpoznávanie vzorov AI na úrovni distribučnej siete bude možné v budúcnosti.

2. Zhromažďovanie, školenie a vytváranie neštruktúrovaných informácií

Druhým dôvodom, prečo spoločnosť AIGC urobila prelom, je hromadenie informácií.Z A/D konverzie reči (mikrofón+PCM

vzorkovanie) na A/D konverziu obrazov (CMOS + mapovanie farebného priestoru), ľudia nahromadili holografické dáta vo vizuálnom a sluchovom

oblasti extrémne nízkymi nákladmi za posledných niekoľko desaťročí.

Najmä rozsiahla popularizácia fotoaparátov a smartfónov, hromadenie neštruktúrovaných údajov v audiovizuálnej oblasti pre ľudí

pri takmer nulových nákladoch a explozívne hromadenie textových informácií na internete sú kľúčom k tréningu AIGC – súbory tréningových dát sú lacné.

Vyššie uvedený obrázok ukazuje trend rastu globálnych údajov, ktorý jasne predstavuje exponenciálny trend.

Tento nelineárny rast akumulácie dát je základom pre nelineárny rast schopností AIGC.

ALE väčšina týchto údajov sú neštruktúrované audiovizuálne údaje, ktoré sa hromadia za nulové náklady.

V oblasti elektrickej energie to nie je možné dosiahnuť.Po prvé, väčšina elektroenergetiky sú štruktúrované a pološtruktúrované dáta, ako napr

napätie a prúd, čo sú bodové dátové súbory časových radov a pološtruktúrované.

Súbory štrukturálnych údajov musia počítačom rozumieť a vyžadujú si „zarovnanie“, ako je napríklad zarovnanie zariadenia – údaje o napätí, prúde a výkone.

prepínača je potrebné zarovnať s týmto uzlom.

Problémovejšie je časové vyrovnanie, ktoré si vyžaduje vyrovnanie napätia, prúdu a aktívneho a jalového výkonu na základe časovej mierky, takže

je možné vykonať následnú identifikáciu.Existujú aj smery vpred a vzad, čo sú priestorové zarovnanie v štyroch kvadrantoch.

Na rozdiel od textových údajov, ktoré nevyžadujú zarovnanie, odsek sa jednoducho hodí do počítača, ktorý identifikuje možné asociácie informácií

na vlastnú päsť.

Na zosúladenie tohto problému, ako je zosúladenie zariadení obchodných distribučných údajov, je neustále potrebné zosúladenie, pretože médium a

nízkonapäťová distribučná sieť každý deň pridáva, odstraňuje a upravuje zariadenia a vedenia a distribučné spoločnosti vynakladajú obrovské mzdové náklady.

Podobne ako „anotácia údajov“ to počítače nedokážu.

Po druhé, náklady na získavanie údajov v sektore energetiky sú vysoké a namiesto mobilného telefónu na rozprávanie a fotenie sú potrebné senzory.“

Zakaždým, keď sa napätie zníži o jednu úroveň (alebo sa pomer distribúcie energie zníži o jednu úroveň), zvýši sa potrebná investícia do snímača

aspoň o jeden rád.Na dosiahnutie snímania na strane záťaže (koniec kapiláry) je to ešte masívnejšia digitálna investícia.”.

Ak je potrebné identifikovať prechodný režim elektrickej siete, vyžaduje sa vysoko presné vysokofrekvenčné vzorkovanie a náklady sú ešte vyššie.

V dôsledku extrémne vysokých hraničných nákladov na získavanie údajov a ich zosúladenie nie je v súčasnosti elektrizačná sústava schopná akumulovať dostatočné množstvo nelineárnych

rast dátových informácií na trénovanie algoritmu na dosiahnutie singularity AI.

Nehovoriac o otvorenosti dát, pre mocný AI startup je nemožné tieto dáta získať.

Pred AI je preto potrebné vyriešiť problém súborov údajov, inak sa všeobecný kód AI nedá natrénovať, aby produkoval dobrú AI.

3. Prelom vo výpočtovej sile

Okrem algoritmov a údajov je prielom v singularite AIGC tiež prielomom vo výpočtovom výkone.Tradičné CPU nie sú

vhodné pre veľké súbežné neurónové výpočty.Je to práve aplikácia GPU v 3D hrách a filmoch, ktorá robí veľké paralely

možný výpočet s pohyblivou rádovou čiarkou + streaming.Moorov zákon ďalej znižuje výpočtové náklady na jednotku výpočtového výkonu.

Power grid AI, nevyhnutný trend v budúcnosti

Vďaka integrácii veľkého počtu distribuovaných fotovoltaických a distribuovaných systémov na ukladanie energie, ako aj aplikačným požiadavkám

virtuálnych elektrární na strane zaťaženia je objektívne potrebné vykonávať predpovedanie zdroja a zaťaženia pre systémy verejnej distribučnej siete a užívateľa

distribučné (mikro) rozvodné systémy, ako aj optimalizácia toku energie v reálnom čase pre distribučné (mikro) rozvodné systémy.

Výpočtová náročnosť na strane distribučnej siete je v skutočnosti vyššia ako pri plánovaní prenosovej siete.Aj pre reklamu

komplexné, môžu existovať desiatky tisíc zariadení so záťažou a stovky prepínačov a dopyt po prevádzke mikrosiete/distribučnej siete založenej na AI

vznikne kontrola.

S nízkymi nákladmi na senzory a rozšíreným používaním výkonových elektronických zariadení, ako sú polovodičové transformátory, polovodičové spínače a invertory (konvertory),

Inovatívnym trendom sa stala aj integrácia snímania, výpočtovej techniky a riadenia na okraji elektrickej siete.

AIGC elektrickej siete je preto budúcnosťou.Dnes však nie je potrebné okamžite použiť algoritmus AI, aby sme zarobili peniaze,

Namiesto toho sa najskôr zamerajte na problémy s budovaním dátovej infraštruktúry, ktoré vyžaduje AI

Pri rozmachu AIGC je potrebné dostatočne pokojne premýšľať o aplikačnej úrovni a budúcnosti výkonnej AI.

V súčasnosti nie je význam power AI významný: napríklad fotovoltaický algoritmus s presnosťou predikcie 90 % je umiestnený na spotovom trhu.

s prahom obchodnej odchýlky 5 % a odchýlka algoritmu vymaže všetky obchodné zisky.

Dáta sú voda a výpočtová sila algoritmu je kanál.Ako sa stane, tak aj bude.