Wracając do sedna, przełom AIGC w osobliwości to połączenie trzech czynników:

1. GPT jest repliką ludzkich neuronów

GPT AI reprezentowana przez NLP jest algorytmem komputerowej sieci neuronowej, którego istotą jest symulacja sieci neuronowych w korze mózgowej człowieka.

Przetwarzanie i inteligentna wyobraźnia języka, muzyki, obrazów, a nawet informacji o smaku to funkcje gromadzone przez człowieka

mózg jako „komputer białkowy” podczas długotrwałej ewolucji.

Dlatego GPT jest naturalnie najodpowiedniejszą imitacją do przetwarzania podobnych informacji, czyli nieustrukturyzowanego języka, muzyki i obrazów.

Mechanizm jego przetwarzania nie polega na rozumieniu znaczenia, ale raczej na procesie udoskonalania, identyfikowania i kojarzenia.To jest bardzo

rzecz paradoksalna.

Wczesne algorytmy rozpoznawania semantycznego mowy zasadniczo utworzyły model gramatyczny i bazę danych mowy, a następnie odwzorowały mowę na słownictwo,

następnie umieścił słownictwo w bazie danych gramatyki, aby zrozumieć znaczenie słownictwa i ostatecznie uzyskał wyniki rozpoznawania.

Skuteczność rozpoznawania tego „mechanizmu logicznego” opartego na rozpoznawaniu składni oscyluje wokół 70%, tak jak w przypadku rozpoznawania ViaVoice

Algorytm wprowadzony przez IBM w latach 90.

W AIGC nie chodzi o taką grę.Jego istotą nie jest dbałość o gramatykę, ale raczej ustalenie algorytmu sieci neuronowej, który umożliwia

komputer do liczenia probabilistycznych połączeń między różnymi słowami, które są połączeniami neuronowymi, a nie semantycznymi.

Podobnie jak w dzieciństwie uczyliśmy się języka ojczystego, uczyliśmy się go w naturalny sposób, a nie „podmiotu, orzeczenia, dopełnienia, czasownika, dopełnienia”.

a następnie zrozumienie akapitu.

To jest model myślenia AI, który polega na rozpoznaniu, a nie zrozumieniu.

Na tym polega także wywrotowe znaczenie AI dla wszystkich klasycznych modeli mechanizmów – komputery nie muszą tego rozumieć na poziomie logicznym,

ale raczej zidentyfikować i rozpoznać korelację pomiędzy informacjami wewnętrznymi, a następnie poznać ją.

Na przykład stan przepływu mocy i prognozowanie sieci elektroenergetycznych opierają się na klasycznej symulacji sieci elektroenergetycznej, gdzie matematyczny model sieci elektroenergetycznej

mechanizm jest ustalany, a następnie konwergowany przy użyciu algorytmu macierzowego.W przyszłości może to nie być konieczne.Sztuczna inteligencja bezpośrednio zidentyfikuje i przewidzi:

określony wzorzec modalny oparty na statusie każdego węzła.

Im więcej węzłów, tym mniej popularny jest klasyczny algorytm macierzowy, ponieważ złożoność algorytmu rośnie wraz z liczbą

węzłów chłonnych i wzrasta postęp geometryczny.Jednak sztuczna inteligencja woli współbieżność węzłów na bardzo dużą skalę, ponieważ sztuczna inteligencja jest dobra w identyfikowaniu i

przewidywanie najbardziej prawdopodobnych trybów sieci.

Niezależnie od tego, czy jest to następna prognoza Go (AlphaGO może przewidzieć kolejne dziesiątki kroków, z niezliczonymi możliwościami dla każdego kroku), czy przewidywanie modalne

złożonych systemów pogodowych dokładność sztucznej inteligencji jest znacznie wyższa niż modeli mechanicznych.

Powodem, dla którego sieć elektroenergetyczna nie wymaga obecnie sztucznej inteligencji, jest fakt, że liczba węzłów w sieciach elektroenergetycznych 220 kV i wyższych zarządzanych przez wojewódzkie

dystrybucja nie jest duża, a wiele warunków ma na celu linearyzację i rozrzedzenie macierzy, znacznie zmniejszając złożoność obliczeniową

model mechanizmu.

Jednakże na etapie przepływu mocy w sieci dystrybucyjnej, w obliczu dziesiątek tysięcy lub setek tysięcy węzłów energetycznych, węzłów odbiorczych i tradycyjnych

Algorytmy macierzowe w dużej sieci dystrybucyjnej są bezsilne.

Wierzę, że rozpoznawanie wzorców AI na poziomie sieci dystrybucyjnej stanie się możliwe w przyszłości.

2. Gromadzenie, uczenie i generowanie nieustrukturyzowanych informacji

Drugim powodem, dla którego AIGC dokonała przełomu, jest gromadzenie informacji.Z konwersji A/D mowy (mikrofon + PCM

próbkowanie) do konwersji A/D obrazów (CMOS + mapowanie przestrzeni kolorów), ludzie zgromadzili dane holograficzne w obrazie wzrokowym i słuchowym

dziedzinach w niezwykle tani sposób w ciągu ostatnich kilku dekad.

W szczególności popularyzacja na dużą skalę aparatów fotograficznych i smartfonów, gromadzenie nieustrukturyzowanych danych w polu audiowizualnym dla ludzi

przy niemal zerowych kosztach oraz gwałtowne gromadzenie informacji tekstowych w Internecie są kluczem do szkolenia AIGC – zbiory danych szkoleniowych są niedrogie.

Powyższy rysunek przedstawia trend wzrostowy danych globalnych, który wyraźnie przedstawia trend wykładniczy.

Ten nieliniowy wzrost akumulacji danych jest podstawą nieliniowego wzrostu możliwości AIGC.

ALE większość tych danych to nieustrukturyzowane dane audiowizualne, które są gromadzone bez żadnych kosztów.

W dziedzinie energii elektrycznej nie da się tego osiągnąć.Po pierwsze, większość branży elektroenergetycznej to dane ustrukturyzowane i częściowo ustrukturyzowane, takie jak

napięcie i prąd, które są zbiorami danych punktowych szeregów czasowych i są częściowo ustrukturyzowane.

Zbiory danych strukturalnych muszą być zrozumiałe dla komputerów i wymagają „dopasowania”, np. ustawienia urządzenia – dane dotyczące napięcia, prądu i mocy

przełącznika muszą być dopasowane do tego węzła.

Bardziej kłopotliwe jest wyrównanie czasowe, które wymaga zestrojenia napięcia, prądu oraz mocy czynnej i biernej na podstawie skali czasu, tak aby

można przeprowadzić późniejszą identyfikację.Istnieją również kierunki do przodu i do tyłu, które są wyrównaniem przestrzennym w czterech ćwiartkach.

W przeciwieństwie do danych tekstowych, które nie wymagają wyrównania, akapit jest po prostu rzucany do komputera, który identyfikuje możliwe powiązania informacyjne

na własną rękę.

Aby ujednolicić tę kwestię, np. ujednolicenie sprzętu danych dotyczących dystrybucji biznesowej, stale potrzebne jest ujednolicenie, ponieważ nośnik i

sieć dystrybucyjna niskiego napięcia codziennie dodaje, usuwa i modyfikuje sprzęt i linie, a przedsiębiorstwa zajmujące się sieciami energetycznymi ponoszą ogromne koszty pracy.

Podobnie jak w przypadku „adnotacji danych”, komputery nie mogą tego zrobić.

Po drugie, koszt pozyskiwania danych w energetyce jest wysoki, a do mówienia i robienia zdjęć potrzebne są czujniki zamiast telefonu komórkowego.”

Za każdym razem, gdy napięcie spada o jeden poziom (lub zależność rozdziału mocy zmniejsza się o jeden poziom), wymagana inwestycja w czujnik wzrasta

przynajmniej o jeden rząd wielkości.Uzyskanie czujnika po stronie obciążenia (końca kapilary) jest jeszcze bardziej ogromną inwestycją cyfrową.”.

Jeśli konieczne jest zidentyfikowanie trybu przejściowego sieci energetycznej, wymagane jest bardzo precyzyjne próbkowanie o wysokiej częstotliwości, a koszt jest jeszcze wyższy.

Ze względu na niezwykle wysoki koszt krańcowy gromadzenia i dopasowania danych, sieć energetyczna nie jest obecnie w stanie akumulować wystarczającej ilości energii nieliniowej

wzrost informacji o danych w celu wytrenowania algorytmu umożliwiającego osiągnięcie osobliwości AI.

Nie mówiąc już o otwartości danych, start-up zajmujący się sztuczną inteligencją nie jest w stanie uzyskać tych danych.

Dlatego przed sztuczną inteligencją konieczne jest rozwiązanie problemu zbiorów danych, w przeciwnym razie nie można wytrenować ogólnego kodu AI, aby wygenerował dobrą sztuczną inteligencję.

3. Przełom w mocy obliczeniowej

Oprócz algorytmów i danych przełom w osobliwości AIGC jest także przełomem w mocy obliczeniowej.Tradycyjne procesory nie

nadaje się do współbieżnego przetwarzania neuronowego na dużą skalę.To właśnie zastosowanie procesorów graficznych w grach i filmach 3D stanowi analogię na dużą skalę

możliwe przetwarzanie zmiennoprzecinkowe + przesyłanie strumieniowe.Prawo Moore'a dodatkowo zmniejsza koszt obliczeniowy na jednostkę mocy obliczeniowej.

AI sieci energetycznej, nieunikniony trend w przyszłości

Dzięki integracji dużej liczby rozproszonych systemów fotowoltaicznych i rozproszonych systemów magazynowania energii, a także wymaganiom aplikacyjnym

elektrowni wirtualnych po stronie obciążenia, obiektywnie konieczne jest prowadzenie prognoz źródeł i obciążeń dla systemów publicznych sieci dystrybucyjnych i użytkowników

systemów dystrybucyjnych (mikro)sieci, a także optymalizację rozpływów mocy w czasie rzeczywistym dla systemów dystrybucyjnych (mikrosieci).

Złożoność obliczeniowa po stronie sieci dystrybucyjnej jest w rzeczywistości większa niż w przypadku planowania sieci przesyłowej.Nawet na reklamę

złożone, mogą istnieć dziesiątki tysięcy urządzeń obciążających i setki przełączników, a zapotrzebowanie na działanie mikrosieci/sieci dystrybucyjnej opartej na sztucznej inteligencji

pojawi się kontrola.

Przy niskim koszcie czujników i powszechnym stosowaniu urządzeń energoelektronicznych, takich jak transformatory półprzewodnikowe, przełączniki półprzewodnikowe i falowniki (przetworniki),

Innowacyjnym trendem stała się także integracja czujników, obliczeń i kontroli na obrzeżach sieci energetycznej.

Dlatego AIGC sieci elektroenergetycznej jest przyszłością.Jednak dzisiaj nie jest konieczne natychmiastowe wdrażanie algorytmu sztucznej inteligencji w celu zarabiania pieniędzy,

Zamiast tego zajmij się najpierw kwestiami związanymi z budową infrastruktury danych wymaganymi przez sztuczną inteligencję

W obliczu wzrostu AIGC konieczne jest wystarczające spokojne myślenie o poziomie zastosowań i przyszłości sztucznej inteligencji.

Obecnie znaczenie AI energetycznej nie jest duże: na rynku spot umieszczany jest np. algorytm fotowoltaiczny z dokładnością predykcji na poziomie 90%.

z progiem odchylenia handlu wynoszącym 5%, a odchylenie algorytmu zniknie wszystkie zyski z handlu.

Dane to woda, a moc obliczeniowa algorytmu to kanał.Jak się stanie, tak będzie.