Visszatérve a lényegre, az AIGC áttörése a szingularitás terén három tényező kombinációja:

1. A GPT emberi neuronok másolata

Az NLP által képviselt GPT AI egy számítógépes neurális hálózati algoritmus, amelynek lényege az emberi agykéreg ideghálózatainak szimulálása.

A nyelv, a zene, a képek, sőt az ízinformációk feldolgozása és intelligens képzelete az emberiség által felhalmozott funkciók.

az agy mint „fehérjeszámítógép” a hosszú távú evolúció során.

Ezért a GPT természetesen a legalkalmasabb utánzat hasonló információk, azaz strukturálatlan nyelv, zene és képek feldolgozására.

Feldolgozásának mechanizmusa nem a jelentés megértése, hanem a finomítás, az azonosítás és az asszociáció folyamata.Ez egy nagyon

paradox dolog.

A korai beszédszemantikai felismerési algoritmusok lényegében létrehoztak egy nyelvtani modellt és egy beszédadatbázist, majd leképezték a beszédet a szókincsre,

majd elhelyezte a szókincset a nyelvtani adatbázisban, hogy megértse a szókincs jelentését, és végül felismerési eredményeket kaptam.

Ennek a „logikai mechanizmuson” alapuló szintaktikai felismerésnek a felismerési hatékonysága 70% körül mozog, mint például a ViaVoice felismerés

Az IBM által az 1990-es években bevezetett algoritmus.

Az AIGC nem az ilyen játékról szól.Lényege, hogy ne törődjünk a nyelvtannal, hanem inkább egy neurális hálózati algoritmus létrehozása, amely lehetővé teszi a

számítógép, hogy megszámolja a különböző szavak közötti valószínűségi kapcsolatokat, amelyek neurális kapcsolatok, nem szemantikai kapcsolatok.

Hasonlóan az anyanyelvünk tanulásához fiatal korunkban, természetesen megtanultuk azt, ahelyett, hogy megtanultuk volna a „tárgyat, állítmányt, tárgyat, igét, kiegészítést”.

majd megért egy bekezdést.

Ez az AI gondolkodási modellje, ami felismerés, nem megértés.

Ez a mesterséges intelligencia felforgató jelentősége is minden klasszikus mechanizmusmodell számára – a számítógépeknek nem kell ezt a dolgot logikai szinten megérteniük,

hanem inkább azonosítsa és ismerje fel a belső információk közötti összefüggést, majd ismerje meg.

Például az elektromos hálózatok energiaáramlási állapota és előrejelzése a klasszikus villamosenergia-hálózati szimuláción alapul, ahol egy matematikai modell a

mechanizmust hozunk létre, majd egy mátrixalgoritmus segítségével konvergáljuk.A jövőben előfordulhat, hogy nem lesz rá szükség.Az AI közvetlenül azonosítja és megjósolja a

bizonyos modális mintázat az egyes csomópontok állapota alapján.

Minél több csomópont van, annál kevésbé népszerű a klasszikus mátrixalgoritmus, mivel az algoritmus bonyolultsága a számok számával nő.

csomópontok és a geometriai progresszió növekszik.Az AI azonban előnyben részesíti a nagyon nagy léptékű csomópontok párhuzamosságát, mivel az AI jó az azonosításban és

a legvalószínűbb hálózati módok előrejelzése.

Legyen szó a Go következő előrejelzéséről (az AlphaGO meg tudja jósolni a következő tucatnyi lépést, számtalan lehetőséggel minden lépéshez), vagy a modális előrejelzésről

Az összetett időjárási rendszerek esetében az AI pontossága sokkal nagyobb, mint a mechanikus modelleké.

Az ok, amiért az elektromos hálózat jelenleg nem igényel mesterséges intelligenciát, az az, hogy a tartományi irányítás alatt álló 220 kV-os és afeletti villamosenergia-hálózatokban a csomópontok száma

A kiküldés nem nagy, és sok feltétel van beállítva a mátrix linearizálására és ritkítására, ami nagymértékben csökkenti a mátrix számítási bonyolultságát.

mechanizmus modell.

Az elosztóhálózat energiaáramlási szakaszában azonban több tízezer vagy százezer teljesítménycsomóponttal, terhelési csomóponttal és hagyományos

mátrix algoritmusok egy nagy elosztó hálózatban tehetetlenek.

Úgy gondolom, hogy az AI mintafelismerése elosztóhálózati szinten a jövőben lehetővé válik.

2. A strukturálatlan információ felhalmozása, képzése és generálása

A második ok, amiért az AIGC áttörést ért el, az információk felhalmozódása.A beszéd A/D konverziójából (mikrofon+PCM

mintavételezés) a képek A/D konvertálásához (CMOS+színtér-térképezés), az emberek holografikus adatokat halmoztak fel a vizuális és hallási térben.

az elmúlt néhány évtizedben rendkívül alacsony költségű módon.

Különösen a fényképezőgépek és okostelefonok nagyarányú népszerűsítése, a strukturálatlan adatok felhalmozódása az audiovizuális területen az emberek számára

szinte nulla költséggel, és a szöveges információk robbanásszerű felhalmozódása az interneten az AIGC képzés kulcsa – a képzési adatkészletek olcsók.

A fenti ábra a globális adatok növekedési trendjét mutatja, ami egyértelműen exponenciális tendenciát mutat.

Az adatfelhalmozásnak ez a nemlineáris növekedése az AIGC képességeinek nemlineáris növekedésének alapja.

DE ezeknek az adatoknak a többsége strukturálatlan audiovizuális adat, amelyet nulla költséggel halmoznak fel.

A villamos energia terén ez nem valósítható meg.Először is, a villamosenergia-ipar nagy része strukturált és félig strukturált adat, mint pl

feszültség és áramerősség, amelyek idősorok pontszerű és félig strukturált adatkészletei.

A strukturális adatkészleteket a számítógépeknek meg kell érteniük, és „igazítást” igényelnek, például eszközigazítást – a feszültség-, áram- és teljesítményadatokat.

egy kapcsolót ehhez a csomóponthoz kell igazítani.

Nagyobb gondot okoz az időbeállítás, amelyhez a feszültség, az áram, valamint az aktív és meddő teljesítmény időskála alapján történő összehangolása szükséges, így

utólagos azonosítás végezhető el.Vannak előre és hátra irányok is, amelyek négy kvadránsban térbeli igazodást jelentenek.

Ellentétben a szöveges adatokkal, amelyek nem igényelnek igazítást, egy bekezdés egyszerűen a számítógépre kerül, amely azonosítja a lehetséges információs asszociációkat.

magában.

Ennek a kérdésnek az összehangolása érdekében, mint például az üzleti elosztási adatok berendezés-illesztése, az összehangolásra folyamatosan szükség van, mivel a médiumok ill.

Az alacsony feszültségű elosztóhálózat minden nap új berendezéseket és vezetékeket bővít, töröl és módosít, és a hálózati társaságok hatalmas munkaerőköltségeket költenek.

Az „adat-annotációhoz” hasonlóan a számítógépek ezt nem tudják megtenni.

Másodszor, az energiaszektorban az adatgyűjtés költsége magas, és mobiltelefon helyett szenzorokra van szükség a beszéléshez és fényképezéshez.”

Minden alkalommal, amikor a feszültség egy szinttel csökken (vagy az energiaelosztási viszony egy szinttel csökken), a szükséges érzékelő beruházás növekszik

legalább egy nagyságrenddel.A terhelési oldali (kapillárisvég) érzékelés elérése még inkább hatalmas digitális befektetés.”

Ha az elektromos hálózat tranziens üzemmódját kell azonosítani, akkor nagy pontosságú nagyfrekvenciás mintavételre van szükség, és ennek költsége még magasabb.

Az adatgyűjtés és adatigazítás rendkívül magas határköltsége miatt az elektromos hálózat jelenleg nem képes elegendő nemlineáris felhalmozásra.

az adatinformációk növekedése az AI szingularitás elérésére szolgáló algoritmus betanításához.

Az adatok nyíltságáról nem is beszélve, lehetetlen, hogy egy power AI startup megszerezze ezeket az adatokat.

Ezért a mesterséges intelligencia előtt meg kell oldani az adathalmazok problémáját, különben az általános AI kódot nem lehet jó AI előállítására betanítani.

3. Áttörés a számítási teljesítményben

Az algoritmusok és adatok mellett az AIGC szingularitási áttörése a számítási teljesítményben is áttörést jelent.A hagyományos CPU-k nem

alkalmas nagy léptékű párhuzamos idegrendszeri számításokhoz.Pontosan a GPU-k 3D-s játékokban és filmekben való alkalmazása teszi a nagyszabású párhuzamosságot

lebegőpontos+streaming számítási lehetőség.A Moore-törvény tovább csökkenti az egységnyi számítási teljesítményre eső számítási költséget.

Power grid AI, elkerülhetetlen trend a jövőben

Nagyszámú elosztott fotovoltaikus és elosztott energiatároló rendszer integrálásával, valamint az alkalmazási követelményekkel

terhelésoldali virtuális erőművek esetében objektíven szükséges forrás- és terhelés-előrejelzést végezni a nyilvános elosztóhálózati rendszerek és a felhasználók számára

elosztó (mikro) hálózati rendszerek, valamint valós idejű energiaáramlás optimalizálása elosztó (mikro) hálózati rendszerek számára.

Az elosztóhálózati oldal számítási bonyolultsága valójában magasabb, mint az átviteli hálózat ütemezése.Akár reklámnak is

összetett, több tízezer terhelési eszköz és több száz kapcsoló lehet, és az AI alapú mikrogrid/elosztóhálózati működés iránti igény.

az irányítás fog kialakulni.

Az érzékelők alacsony költsége és az erősáramú elektronikai eszközök, például szilárdtesttranszformátorok, félvezető kapcsolók és inverterek (konverterek) széles körben elterjedt használata miatt

az érzékelés, számítástechnika és vezérlés integrálása az elektromos hálózat szélén szintén innovatív irányzattá vált.

Ezért az elektromos hálózat AIGC-je a jövő.Ma azonban nem kell azonnal kivenni egy mesterséges intelligencia algoritmust, hogy pénzt keressünk,

Ehelyett először foglalkozzon az AI által megkövetelt adatinfrastruktúra-építési problémákkal

Az AIGC felfutásában kellő higgadtsággal kell gondolkodni a power AI alkalmazási szintjéről és jövőjéről.

Jelenleg a power AI jelentősége nem jelentős: például egy 90%-os előrejelzési pontosságú fotovoltaikus algoritmus kerül az azonnali piacra.

5%-os kereskedési eltérési küszöb mellett, és az algoritmus eltérése eltörli az összes kereskedési nyereséget.

Az adatok víz, az algoritmus számítási teljesítménye pedig egy csatorna.Ahogy megtörténik, úgy lesz.