Palatakseni olennaiseen, AIGC:n läpimurto singulaarissa on kolmen tekijän yhdistelmä:

1. GPT on ihmisen hermosolujen kopio

NLP:n edustama GPT AI on tietokonehermoverkkoalgoritmi, jonka ydin on simuloida hermoverkkoja ihmisen aivokuoressa.

Kielen, musiikin, kuvien ja jopa makutiedon käsittely ja älykäs mielikuvitus ovat kaikki ihmisen keräämiä toimintoja.

aivot "proteiinitietokoneena" pitkän aikavälin evoluution aikana.

Siksi GPT on luonnollisesti sopivin jäljitelmä samankaltaisen tiedon eli jäsentämättömän kielen, musiikin ja kuvien käsittelyyn.

Sen käsittelymekanismi ei ole merkityksen ymmärtäminen, vaan pikemminkin jalostus-, tunnistamis- ja assosiointiprosessi.Tämä on erittäin

paradoksaalista asiaa.

Varhaiset puheen semanttiset tunnistusalgoritmit perustivat pohjimmiltaan kielioppimallin ja puhetietokannan ja kartoittivat sitten puheen sanastoon,

sitten asetti sanaston kielioppitietokantaan ymmärtääkseen sanaston merkityksen, ja lopulta saatiin tunnistustuloksia.

Tämän "loogiseen mekanismiin" perustuvan syntaksintunnistuksen tunnistustehokkuus on ollut noin 70 %, kuten ViaVoice-tunnistuksen.

IBM:n 1990-luvulla esittelemä algoritmi.

AIGC:ssä ei ole tarkoitus pelata tällaista.Sen ydin ei ole välittää kielioppia, vaan pikemminkin luoda hermoverkkoalgoritmi, joka mahdollistaa

tietokone laskea eri sanojen väliset todennäköisyysyhteydet, jotka ovat hermoyhteyksiä, eivät semanttisia yhteyksiä.

Aivan kuten nuoruudessa opimme äidinkielemme, opimme sen luonnollisesti sen sijaan, että olisimme oppineet "aihetta, predikaattia, objektia, verbiä, täydennystä".

ja sitten ymmärtää kappaleen.

Tämä on tekoälyn ajattelumalli, joka on tunnustamista, ei ymmärtämistä.

Tämä on myös tekoälyn kumouksellinen merkitys kaikille klassisille mekanismimalleille – tietokoneiden ei tarvitse ymmärtää tätä asiaa loogisella tasolla,

vaan pikemminkin tunnistaa ja tunnistaa sisäisen tiedon välinen korrelaatio ja sitten tietää se.

Esimerkiksi sähköverkkojen tehon virtaustila ja ennuste perustuvat klassiseen sähköverkkosimulaatioon, jossa sähköverkkojen matemaattinen malli.

mekanismi perustetaan ja sitten konvergoidaan käyttämällä matriisialgoritmia.Jatkossa se ei välttämättä ole tarpeen.AI tunnistaa ja ennustaa suoraan a

tietty modaalinen malli kunkin solmun tilan perusteella.

Mitä enemmän solmuja on, sitä vähemmän suosittu klassinen matriisialgoritmi on, koska algoritmin monimutkaisuus kasvaa

solmut ja geometrinen eteneminen kasvaa.Tekoäly suosii kuitenkin erittäin laajamittaista solmujen samanaikaisuutta, koska tekoäly on hyvä tunnistamaan ja

todennäköisimpien verkkotilojen ennustaminen.

Olipa kyseessä seuraava Go-ennuste (AlphaGO voi ennustaa seuraavat kymmenet askeleet, joissa on lukemattomia mahdollisuuksia jokaiselle askeleelle) tai modaalinen ennuste

monimutkaisissa sääjärjestelmissä tekoälyn tarkkuus on paljon suurempi kuin mekaanisten mallien.

Syy siihen, miksi sähköverkko ei tällä hetkellä vaadi tekoälyä, on se, että maakuntien hallinnoimissa 220 kV ja sitä suuremmissa sähköverkoissa on solmuja.

lähetys ei ole suuri, ja monet olosuhteet asetetaan linearisoimaan ja harventamaan matriisia, mikä vähentää huomattavasti matriisin laskennallista monimutkaisuutta.

mekanismin malli.

Jakeluverkon tehonvirtausvaiheessa kohtaa kuitenkin kymmeniä tuhansia tai satoja tuhansia tehosolmuja, kuormitussolmuja ja perinteisiä

matriisialgoritmit suuressa jakeluverkossa on voimaton.

Uskon, että tekoälyn kuviontunnistus jakeluverkkotasolla tulee mahdolliseksi tulevaisuudessa.

2. Strukturoimattoman tiedon kerääminen, koulutus ja tuottaminen

Toinen syy, miksi AIGC on tehnyt läpimurron, on tiedon kertyminen.Puheen A/D-muunnoksesta (mikrofoni+PCM

näytteenotto) kuvien A/D-muunnokseen (CMOS+väriavaruuskartoitus), ihmiset ovat keränneet holografista dataa visuaalisesti ja kuuloon.

kentillä erittäin edullisilla tavoilla viime vuosikymmeninä.

Erityisesti kameroiden ja älypuhelimien laajamittainen popularisointi, jäsentämättömän datan kerääminen audiovisuaalialalla ihmisille

lähes nollakustannuksin, ja räjähdysmäinen tekstitiedon kerääntyminen Internetiin ovat avain AIGC-koulutukseen – koulutustietojoukot ovat edullisia.

Yllä oleva kuva esittää globaalin datan kasvutrendiä, mikä osoittaa selvästi eksponentiaalisen trendin.

Tämä datan kertymisen epälineaarinen kasvu on perusta AIGC:n kykyjen epälineaariselle kasvulle.

MUTTA suurin osa näistä tiedoista on jäsentämätöntä audiovisuaalista dataa, joka kerätään ilman kustannuksia.

Sähkövoiman alalla tätä ei voida saavuttaa.Ensinnäkin suurin osa sähköteollisuudesta on strukturoitua ja puolistrukturoitua dataa, kuten

jännite ja virta, jotka ovat aikasarjojen pistetietosarjoja ja puolirakenteisia.

Tietokoneiden on ymmärrettävä rakennetietojoukot, ja ne vaativat "kohdistusta", kuten laitteen kohdistusta – jännite-, virta- ja tehotiedot

kytkin on kohdistettava tähän solmuun.

Ongelmallisempaa on aikakohdistus, joka vaatii jännitteen, virran sekä pätö- ja loistehon kohdistamista aika-asteikon perusteella, jotta

tunnistus voidaan suorittaa myöhemmin.On myös eteen- ja taaksepäin suunnat, jotka ovat spatiaalinen kohdistus neljässä kvadrantissa.

Toisin kuin tekstidata, joka ei vaadi tasausta, tietokoneelle yksinkertaisesti heitetään kappale, joka tunnistaa mahdolliset tietoyhteydet

omillaan.

Tämän ongelman, kuten yritysjakelutietojen laitteiden kohdistamisen, yhdenmukaistamiseksi tarvitaan jatkuvasti yhdenmukaistamista, koska väline ja

pienjännitejakeluverkko lisää, poistaa ja muuttaa laitteita ja linjoja päivittäin, ja verkkoyhtiöt käyttävät valtavia työvoimakustannuksia.

Kuten "datamerkinnässä", tietokoneet eivät voi tehdä tätä.

Toiseksi tiedonhankintakustannukset sähköalalla ovat korkeat, ja puhelimeen ja valokuvaamiseen tarvitaan antureita matkapuhelimen sijaan.”

Joka kerta kun jännite laskee yhdellä tasolla (tai tehonjakosuhde pienenee yhdellä tasolla), vaadittu anturiinvestointi kasvaa

vähintään yhden suuruusluokan verran.Kuormituspuolen (kapillaaripään) tunnistuksen saavuttaminen on vieläkin massiivinen digitaalinen investointi.

Jos on tarpeen tunnistaa sähköverkon transienttitila, tarvitaan erittäin tarkkaa suurtaajuista näytteenottoa, ja kustannukset ovat vielä korkeammat.

Tiedonkeruun ja tiedon kohdistamisen erittäin korkeiden rajakustannusten vuoksi sähköverkko ei tällä hetkellä pysty keräämään riittävästi epälineaarista

Tietojen lisääminen algoritmin kouluttamiseksi tekoälyn singulaarisuuden saavuttamiseksi.

Tietojen avoimuudesta puhumattakaan, tehotekoälyn on mahdotonta saada näitä tietoja.

Siksi ennen tekoälyä on tarpeen ratkaista tietojoukkojen ongelma, muuten yleistä AI-koodia ei voida kouluttaa tuottamaan hyvää tekoälyä.

3. Laskennallisen tehon läpimurto

Algoritmien ja datan lisäksi AIGC:n singulaarisuuden läpimurto on läpimurto myös laskentatehossa.Perinteiset prosessorit eivät ole

sopii laajamittaiseen samanaikaiseen neuronilaskentaan.Juuri GPU:iden käyttö 3D-peleissä ja elokuvissa tekee suuren mittakaavan rinnakkain

liukuluku+suoratoisto mahdollista.Mooren laki pienentää edelleen laskentakustannuksia laskentatehoyksikköä kohden.

Power grid AI, väistämätön trendi tulevaisuudessa

Kun integroidaan suuri määrä hajautettuja aurinkosähkö- ja hajautettuja energian varastointijärjestelmiä, sekä sovellusvaatimukset

Kuormapuolen virtuaalivoimaloissa on objektiivisesti välttämätöntä tehdä lähde- ja kuormitusennusteita julkisille jakeluverkkojärjestelmille ja käyttäjälle

jakelu (mikro) verkkojärjestelmät sekä reaaliaikainen tehovirran optimointi jakelu (mikro) verkkojärjestelmille.

Jakeluverkkopuolen laskennallinen monimutkaisuus on itse asiassa suurempi kuin siirtoverkon aikataulutuksen.Jopa mainokseksi

monimutkainen, kuormituslaitteita ja satoja kytkimiä voi olla kymmeniä tuhansia, ja kysyntää tekoälypohjaiselle mikrogrid-/jakeluverkkotoiminnalle

valvonta syntyy.

Antureiden alhaiset kustannukset ja tehoelektronisten laitteiden, kuten puolijohdemuuntajien, puolijohdekytkimien ja invertterien (muuntimien) laaja käyttö,

innovatiiviseksi trendiksi on tullut myös tunnistuksen, laskennan ja ohjauksen integrointi sähköverkon reunalla.

Siksi sähköverkon AIGC on tulevaisuus.Nykyään ei kuitenkaan tarvitse ottaa tekoälyalgoritmia heti käyttöön rahan ansaitsemiseksi,

Käsittele sen sijaan ensin tekoälyn edellyttämiä tietoinfrastruktuurin rakentamisongelmia

AIGC:n noususuhdanteessa tarvitaan riittävän rauhallista pohdintaa teho-AI:n sovellustasosta ja tulevaisuudesta.

Tällä hetkellä teho-AI:n merkitys ei ole merkittävä: esimerkiksi aurinkosähköalgoritmi, jonka ennustetarkkuus on 90 %, sijoitetaan spot-markkinoille.

kaupankäynnin poikkeamakynnys on 5%, ja algoritmin poikkeama pyyhkii pois kaikki kaupankäynnin voitot.

Data on vettä, ja algoritmin laskentateho on kanava.Kuten tapahtuu, niin se tulee olemaan.