Wracając do istoty, przełom AIGC w dziedzinie osobliwości jest połączeniem trzech czynników:

1. GPT jest repliką ludzkich neuronów

GPT AI reprezentowana przez NLP to algorytm komputerowej sieci neuronowej, którego istotą jest symulowanie sieci neuronowych w korze mózgowej człowieka.

Przetwarzanie i inteligentna wyobraźnia języka, muzyki, obrazów, a nawet informacji smakowych to wszystkie funkcje nagromadzone przez człowieka

mózg jako „komputer białkowy” podczas długoterminowej ewolucji.

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

Mechanizmem jej przetwarzania nie jest rozumienie znaczeń, lecz proces udoskonalania, identyfikowania i kojarzenia.To jest bardzo

rzecz paradoksalna.

Algorytmy semantycznego rozpoznawania mowy wczesnej zasadniczo stworzyły model gramatyczny i bazę danych mowy, a następnie zmapowały mowę na słownictwo,

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

Skuteczność rozpoznawania tego rozpoznawania składni opartego na „mechanizmie logicznym” oscyluje wokół 70%, na przykład rozpoznawanie ViaVoice

algorytm wprowadzony przez IBM w latach 90.

AIGC nie polega na graniu w ten sposób.Jego istotą nie jest dbanie o gramatykę, ale raczej ustanowienie algorytmu sieci neuronowej, który pozwala

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

Podobnie jak w przypadku uczenia się naszego języka ojczystego w młodości, nauczyliśmy się go naturalnie, zamiast uczyć się „podmiotu, orzeczenia, dopełnienia, czasownika, dopełnienia”

a następnie zrozumienie akapitu.

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

To jest też wywrotowe znaczenie AI dla wszystkich klasycznych modeli mechanizmów – komputery nie muszą rozumieć tej kwestii na poziomie logicznym,

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

Na przykład stan przepływu mocy i przewidywanie sieci elektroenergetycznych opiera się na klasycznej symulacji sieci elektroenergetycznej, w której model matematyczny sieci elektroenergetycznej

mechanizm jest ustalany, a następnie zbieżny przy użyciu algorytmu macierzowego.W przyszłości może nie być konieczne.Sztuczna inteligencja bezpośrednio zidentyfikuje i przewidzi m.in

pewien 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

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

przewidywanie najbardziej prawdopodobnych trybów sieciowych.

Niezależnie od tego, czy jest to kolejna prognoza Go (AlphaGO może przewidzieć kolejne dziesiątki kroków, z niezliczonymi możliwościami dla każdego kroku), czy też prognoza modalna

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

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

wysyłanie nie jest duże, a wiele warunków jest ustawionych w celu linearyzacji i rozrzedzenia macierzy, znacznie zmniejszając złożoność obliczeniową

model mechanizmu.

Jednak na etapie rozpływu mocy w sieci dystrybucyjnej, w obliczu dziesiątek tysięcy lub setek tysięcy węzłów elektroenergetycznych, węzłów odbiorczych oraz 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, szkolenie i generowanie nieustrukturyzowanych informacji

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

samplowania) do konwersji A/D obrazów (CMOS + mapowanie przestrzeni kolorów), ludzie zgromadzili dane holograficzne w zakresie wizualnym i słuchowym

pola w niezwykle tani sposób w ciągu ostatnich kilku dekad.

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

przy prawie zerowych kosztach i gwałtowne gromadzenie informacji tekstowych w Internecie są kluczem do szkolenia AIGC – zestawy danych szkoleniowych są niedrogie.

Powyższy rysunek pokazuje trend wzrostowy danych globalnych, który wyraźnie pokazuje 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 można tego osiągnąć.Po pierwsze, większość branży elektroenergetycznej to dane strukturalne i półstrukturalne, takie jak np

napięcie i prąd, które są punktowymi zestawami danych szeregów czasowych i częściowo ustrukturyzowanymi.

Zestawy danych strukturalnych muszą być rozumiane przez komputery i wymagają „wyrównania”, takiego jak wyrównanie urządzeń – dane dotyczące napięcia, prądu i mocy

przełącznika muszą być wyrównane do tego węzła.

Bardziej kłopotliwe jest wyrównanie czasowe, które wymaga wyrównania napięć, prądów oraz mocy czynnej i biernej w oparciu o skalę czasu, tak aby

możliwa jest późniejsza identyfikacja.Istnieją również kierunki do przodu i do tyłu, które są przestrzennym wyrównaniem w czterech ćwiartkach.

W przeciwieństwie do danych tekstowych, które nie wymagają wyrównania, akapit jest po prostu wrzucany do komputera, który identyfikuje możliwe skojarzenia informacji

na własną rękę.

Aby wyrównać ten problem, taki jak wyrównanie sprzętu dystrybucji danych biznesowych, wyrównanie jest stale potrzebne, ponieważ medium i

sieć dystrybucyjna niskiego napięcia codziennie dodaje, usuwa i modyfikuje urządzenia i linie, a firmy sieciowe ponoszą ogromne koszty pracy.

Podobnie jak „adnotacja 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 stosunek dystrybucji mocy zmniejsza się o jeden poziom), wymagana inwestycja czujnika wzrasta

co najmniej o jeden rząd wielkości.Aby osiągnąć wykrywanie strony obciążenia (koniec kapilary), jest to jeszcze większa cyfrowa inwestycja.

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

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

wzrost informacji o danych w celu wyszkolenia algorytmu w celu osiągnięcia osobliwości AI.

Nie wspominając już o otwartości danych, uzyskanie tych danych przez startup zajmujący się sztuczną inteligencją jest niemożliwe.

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

3. Przełom w mocy obliczeniowej

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

nadaje się do współbieżnych obliczeń neuronowych na dużą skalę.To właśnie zastosowanie procesorów graficznych w grach i filmach 3D zapewnia równoległość na dużą skalę

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

Power grid AI, nieunikniony trend w przyszłości

Dzięki integracji dużej liczby rozproszonych systemów fotowoltaicznych i rozproszonych systemów magazynowania energii, a także wymagań aplikacji

Wirtualne elektrownie po stronie obciążenia obiektywnie konieczne jest prowadzenie prognozowania źródła i obciążenia publicznych systemów sieci dystrybucyjnej i użytkownika

systemy dystrybucyjne (mikro) sieciowe, a także optymalizację przepływu mocy w czasie rzeczywistym dla systemów dystrybucyjnych (mikro)sieciowych.

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

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

pojawi się kontrola.

Przy niskich kosztach czujników i powszechnym stosowaniu urządzeń energoelektronicznych, takich jak transformatory półprzewodnikowe, przełączniki półprzewodnikowe i inwertery (przetworniki),

innowacyjnym trendem stała się również integracja czujników, obliczeń i sterowania na obrzeżach sieci energetycznej.

Dlatego AIGC sieci elektroenergetycznej to przyszłość.Jednak to, co jest dziś potrzebne, to nie natychmiastowe usunięcie algorytmu AI do zarabiania pieniędzy,

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

W okresie wzrostu AIGC konieczne jest spokojne myślenie o poziomie aplikacji i przyszłości sztucznej inteligencji.

Obecnie znaczenie mocy AI nie jest znaczące: na przykład algorytm fotowoltaiczny z dokładnością przewidywania 90% jest umieszczany na rynku spot

z progiem odchylenia handlowego wynoszącym 5%, a odchylenie algorytmu zniweczy wszystkie zyski handlowe.

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