Vrátíme-li se k podstatě, průlom AIGC v singularitě je kombinací tří faktorů:

1. GPT je replika lidských neuronů

GPT AI reprezentovaná NLP je algoritmus počítačové neuronové sítě, jehož podstatou je simulace neuronových sítí v lidské mozkové kůře.

Zpracování a inteligentní představivost jazyka, hudby, obrazů a dokonce i chuťových informací, to vše jsou funkce nahromaděné člověkem

mozek jako „proteinový počítač“ během dlouhodobé evoluce.

Proto je GPT přirozeně nejvhodnější imitací pro zpracování podobných informací, tedy nestrukturovaného jazyka, hudby a obrázků.

Mechanismem jeho zpracování není pochopení významu, ale spíše proces zpřesňování, identifikace a asociace.Toto je velmi

paradoxní věc.

Algoritmy raného sémantického rozpoznávání řeči v podstatě vytvořily gramatický model a databázi řeči, poté zmapovaly řeč do slovní zásoby,

poté umístil slovní zásobu do gramatické databáze, aby pochopil význam slovní zásoby, a nakonec získal výsledky rozpoznávání.

Účinnost rozpoznávání tohoto „logického mechanismu“ založeného na rozpoznávání syntaxe se pohybuje kolem 70 %, jako je rozpoznávání ViaVoice

Algoritmus zavedený IBM v 90. letech 20. století.

AIGC není o hraní takhle.Jeho podstatou není starat se o gramatiku, ale spíše vytvořit algoritmus neuronové sítě, který to umožňuje

počítač k počítání pravděpodobnostních spojení mezi různými slovy, což jsou neuronová spojení, nikoli sémantická spojení.

Podobně jako když jsme se učili svůj mateřský jazyk, když jsme byli mladí, přirozeně jsme se ho učili, spíše než abychom se učili „podmět, přísudek, předmět, sloveso, doplněk“.

a pak pochopit odstavec.

Toto je model myšlení umělé inteligence, což je uznání, nikoli porozumění.

To je také podvratný význam umělé inteligence pro všechny modely klasických mechanismů – počítače nemusí této záležitosti rozumět na logické úrovni,

ale spíše identifikujte a rozpoznávejte korelaci mezi vnitřními informacemi a pak ji poznejte.

Například stav toku energie a predikce energetických sítí jsou založeny na klasické simulaci energetické sítě, kde je vytvořen matematický model

mechanismus je vytvořen a poté konvergován pomocí maticového algoritmu.V budoucnu to možná nebude nutné.AI přímo identifikuje a předpovídá a

určitý modální vzor založený na stavu každého uzlu.

Čím více uzlů je, tím méně populární je klasický maticový algoritmus, protože složitost algoritmu roste s počtem

uzly a geometrická progrese se zvyšuje.Umělá inteligence však upřednostňuje souběžnost uzlů ve velkém měřítku, protože umělá inteligence je dobrá při identifikaci a

předpovídání nejpravděpodobnějších síťových režimů.

Ať už se jedná o další predikci Go (AlphaGO dokáže předpovědět další desítky kroků s nespočtem možností pro každý krok) nebo modální predikci

u komplexních meteorologických systémů je přesnost AI mnohem vyšší než u mechanických modelů.

Důvodem, proč elektrická síť v současné době nevyžaduje umělou inteligenci, je to, že počet uzlů v energetických sítích 220 kV a vyšších spravovaných provinčními

dispečink není velký a mnoho podmínek je nastaveno tak, aby linearizovaly a rozdělovaly matici, což výrazně snižuje výpočetní složitost

model mechanismu.

Ve fázi toku energie distribuční sítě však čelí desítkám tisíc nebo stovkám tisíc energetických uzlů, zátěžových uzlů a tradičních

maticové algoritmy ve velké distribuční síti jsou bezmocné.

Věřím, že rozpoznávání vzorů AI na úrovni distribuční sítě bude v budoucnu možné.

2. Shromažďování, školení a generování nestrukturovaných informací

Druhým důvodem, proč AIGC udělala průlom, je hromadění informací.Z A/D převodu řeči (mikrofon+PCM

vzorkování) na A/D konverzi obrázků (CMOS + mapování barevného prostoru), lidé nashromáždili holografická data ve vizuálním a sluchovém

pole extrémně nízkými náklady v posledních několika desetiletích.

Zejména rozsáhlá popularizace fotoaparátů a chytrých telefonů, hromadění nestrukturovaných dat v audiovizuální oblasti pro lidi

za téměř nulové náklady a explozivní hromadění textových informací na internetu jsou klíčem ke školení AIGC – soubory školicích dat jsou levné.

Obrázek výše ukazuje trend růstu globálních dat, který jasně představuje exponenciální trend.

Tento nelineární růst akumulace dat je základem pro nelineární růst schopností AIGC.

ALE většina těchto dat jsou nestrukturovaná audiovizuální data, která se shromažďují za nulové náklady.

V oblasti elektrické energie toho nelze dosáhnout.Za prvé, většinu elektroenergetiky tvoří strukturovaná a polostrukturovaná data, jako např

napětí a proudu, což jsou bodové datové soubory časových řad a polostrukturované.

Strukturální datové sady musí počítačům rozumět a vyžadují „zarovnání“, jako je vyrovnání zařízení – údaje o napětí, proudu a výkonu

přepínače musí být zarovnány s tímto uzlem.

Obtížnější je časové vyrovnání, které vyžaduje vyrovnání napětí, proudu a činného a jalového výkonu na základě časového měřítka, takže

lze provést následnou identifikaci.Existují také směry vpřed a vzad, což je prostorové zarovnání ve čtyřech kvadrantech.

Na rozdíl od textových dat, která nevyžadují zarovnání, se do počítače jednoduše hodí odstavec, který identifikuje možné asociace informací

na jeho vlastní.

Aby bylo možné sladit tento problém, jako je vyrovnání zařízení obchodních distribučních dat, je neustále nutné sladění, protože médium a

nízkonapěťová distribuční síť každý den přidává, odstraňuje a upravuje zařízení a vedení a distribuční společnosti vynakládají obrovské mzdové náklady.

Stejně jako „anotace dat“ to počítače neumí.

Zadruhé, náklady na získávání dat v energetickém sektoru jsou vysoké a místo mobilního telefonu k hovoru a fotografování jsou zapotřebí senzory.“

Pokaždé, když se napětí sníží o jednu úroveň (nebo se poměr distribuce energie sníží o jednu úroveň), zvýší se požadovaná investice do snímače

alespoň o jeden řád.K dosažení snímání na straně zátěže (konec kapiláry) je to ještě masivní digitální investice.”.

Pokud je nutné identifikovat přechodový režim elektrické sítě, je vyžadováno vysoce přesné vysokofrekvenční vzorkování a náklady jsou ještě vyšší.

Kvůli extrémně vysokým mezním nákladům na získávání dat a zarovnání dat není energetická síť v současné době schopna akumulovat dostatek nelineárních

nárůst datových informací pro trénování algoritmu pro dosažení singularity AI.

O otevřenosti dat ani nemluvě, pro mocný AI startup je nemožné tato data získat.

Před AI je tedy nutné vyřešit problém datových sad, jinak nelze obecný AI kód ​​natrénovat tak, aby produkoval dobrou AI.

3. Průlom ve výpočetním výkonu

Kromě algoritmů a dat je průlom v singularitě AIGC také průlomem ve výpočetním výkonu.Tradiční CPU nejsou

vhodné pro rozsáhlé souběžné neuronové výpočty.Je to právě aplikace GPU ve 3D hrách a filmech, která dělá velké paralely

možný výpočet s plovoucí desetinnou čárkou + streaming.Moorův zákon dále snižuje výpočetní náklady na jednotku výpočetního výkonu.

Power grid AI, nevyhnutelný trend budoucnosti

S integrací velkého počtu distribuovaných fotovoltaických a distribuovaných systémů skladování energie, stejně jako aplikační požadavky

virtuálních elektráren na straně zatížení je objektivně nutné provádět prognózu zdroje a zatížení pro systémy veřejné distribuční sítě a uživatele

distribuční (mikro) grid systémy, stejně jako optimalizace toku energie v reálném čase pro distribuční (mikro) grid systémy.

Výpočetní náročnost na straně distribuční sítě je ve skutečnosti vyšší než u plánování přenosové sítě.I pro reklamu

složité, mohou existovat desítky tisíc zátěžových zařízení a stovky přepínačů a poptávka po provozu mikrosítě/distribuční sítě založené na umělé inteligenci

vznikne kontrola.

Díky nízkým nákladům na senzory a rozšířenému používání výkonových elektronických zařízení, jako jsou polovodičové transformátory, polovodičové spínače a invertory (převodníky),

integrace snímání, výpočetní techniky a řízení na okraji energetické sítě se také stala inovativním trendem.

Proto je AIGC energetické sítě budoucností.Co je však dnes potřeba, není okamžitě použít algoritmus AI, abychom vydělali peníze,

Místo toho nejprve řešte problémy s budováním datové infrastruktury, které AI vyžaduje

V době rozmachu AIGC je třeba dostatečně v klidu přemýšlet o aplikační úrovni a budoucnosti výkonné umělé inteligence.

V současné době není význam power AI významný: například fotovoltaický algoritmus s přesností predikce 90 % je umístěn na spotovém trhu

s prahem obchodní odchylky 5 % a odchylka algoritmu vymaže všechny obchodní zisky.

Data jsou voda a výpočetní výkon algoritmu je kanál.Jak se stane, tak bude.