Revenind la esență, descoperirea AIGC în singularitate este o combinație de trei factori:

1. GPT este o replică a neuronilor umani

GPT AI reprezentat de NLP este un algoritm de rețea neuronală computerizată, a cărui esență este simularea rețelelor neuronale în cortexul cerebral uman.

Procesarea și imaginația inteligentă a limbajului, muzicii, imaginilor și chiar informațiilor despre gust sunt toate funcții acumulate de om.

creierul ca „calculator de proteine” în timpul evoluției pe termen lung.

Prin urmare, GPT este în mod natural cea mai potrivită imitație pentru procesarea informațiilor similare, adică limbajul nestructurat, muzica și imaginile.

Mecanismul procesării sale nu este înțelegerea sensului, ci mai degrabă un proces de rafinare, identificare și asociere.Asta este o foarte

lucru paradoxal.

Algoritmii timpurii de recunoaștere semantică a vorbirii au stabilit în esență un model gramatical și o bază de date de vorbire, apoi au mapat vorbirea la vocabular,

apoi a plasat vocabularul în baza de date gramaticală pentru a înțelege semnificația vocabularului și, în final, a obținut rezultate de recunoaștere.

Eficiența de recunoaștere a acestui „mecanism logic” de recunoaștere a sintaxei a fost în jurul a 70%, cum ar fi recunoașterea ViaVoice

algoritm introdus de IBM în anii 1990.

AIGC nu este despre a juca așa.Esența sa nu este să-i pese de gramatică, ci mai degrabă de a stabili un algoritm de rețea neuronală care să permită

computer pentru a număra conexiunile probabilistice dintre diferite cuvinte, care sunt conexiuni neuronale, nu conexiuni semantice.

La fel ca să ne învățăm limba maternă când eram tineri, am învățat-o în mod natural, mai degrabă decât să învățăm „subiect, predicat, obiect, verb, complement”

și apoi înțelegerea unui paragraf.

Acesta este modelul de gândire al AI, care este recunoașterea, nu înțelegerea.

Aceasta este, de asemenea, semnificația subversivă a inteligenței artificiale pentru toate modelele de mecanism clasic – computerele nu trebuie să înțeleagă această chestiune la nivel logic,

ci mai degrabă să identifice și să recunoască corelația dintre informațiile interne și apoi să o cunoști.

De exemplu, starea fluxului de energie și predicția rețelelor electrice se bazează pe simularea clasică a rețelei de energie, unde un model matematic al

mecanismul este stabilit și apoi convergent folosind un algoritm matrice.În viitor, s-ar putea să nu fie necesar.AI va identifica direct și va prezice a

un anumit model modal bazat pe starea fiecărui nod.

Cu cât sunt mai multe noduri, cu atât algoritmul matriceal clasic este mai puțin popular, deoarece complexitatea algoritmului crește odată cu numărul de

noduri și progresia geometrică crește.Cu toate acestea, AI preferă să aibă simultan concurență la scară foarte mare, deoarece AI este bun la identificarea și

prezicerea modurilor de rețea cele mai probabile.

Fie că este vorba de următoarea predicție a Go (AlphaGO poate prezice următoarele zeci de pași, cu nenumărate posibilități pentru fiecare pas) sau de predicția modală

a sistemelor meteorologice complexe, precizia AI este mult mai mare decât cea a modelelor mecanice.

Motivul pentru care rețeaua electrică nu necesită în prezent AI este că numărul de noduri din rețelele electrice de 220 kV și mai sus gestionate de provincial

dispecerizarea nu este mare și multe condiții sunt stabilite pentru a lineariza și rară matricea, reducând foarte mult complexitatea de calcul a

model de mecanism.

Cu toate acestea, la etapa de flux de putere a rețelei de distribuție, se confruntă cu zeci de mii sau sute de mii de noduri de putere, noduri de încărcare și tradiționale

algoritmii matrici într-o rețea mare de distribuție este neputincios.

Cred că recunoașterea modelelor AI la nivelul rețelei de distribuție va deveni posibilă în viitor.

2. Acumularea, instruirea și generarea de informații nestructurate

Al doilea motiv pentru care AIGC a făcut o descoperire este acumularea de informații.Din conversia A/D a vorbirii (microfon+PCM

eșantionare) la conversia A/D a imaginilor (CMOS+maping spațiu de culoare), oamenii au acumulat date holografice în vizual și auditiv

câmpuri în moduri extrem de ieftine în ultimele decenii.

În special, popularizarea pe scară largă a camerelor și smartphone-urilor, acumularea de date nestructurate în domeniul audiovizual pentru oameni

la costuri aproape zero, iar acumularea explozivă de informații text pe Internet reprezintă cheia instruirii AIGC – seturile de date de instruire sunt ieftine.

Figura de mai sus arată tendința de creștere a datelor globale, care prezintă în mod clar o tendință exponențială.

Această creștere neliniară a acumulării de date este fundamentul creșterii neliniare a capacităților AIGC.

DAR, majoritatea acestor date sunt date audio-vizuale nestructurate, care sunt acumulate la cost zero.

În domeniul energiei electrice, acest lucru nu poate fi realizat.În primul rând, cea mai mare parte a industriei de energie electrică este date structurate și semistructurate, cum ar fi

tensiune și curent, care sunt seturi de date punctuale ale serii de timp și semi-structurate.

Seturile de date structurale trebuie să fie înțelese de computere și necesită „aliniere”, cum ar fi alinierea dispozitivului - datele de tensiune, curent și putere

a unui comutator trebuie aliniat la acest nod.

Mai deranjantă este alinierea în timp, care necesită alinierea tensiunii, curentului și puterii active și reactive bazate pe scara de timp, astfel încât

se poate efectua identificarea ulterioară.Există, de asemenea, direcții înainte și invers, care sunt alinierea spațială în patru cadrane.

Spre deosebire de datele text, care nu necesită aliniere, un paragraf este pur și simplu aruncat pe computer, care identifică posibile asocieri de informații

pe cont propriu.

Pentru a alinia această problemă, cum ar fi alinierea echipamentelor datelor de distribuție a afacerii, alinierea este în mod constant necesară, deoarece mediul și

Rețeaua de distribuție de joasă tensiune adaugă, șterge și modifică echipamente și linii în fiecare zi, iar companiile de rețea cheltuiesc costuri uriașe cu forța de muncă.

La fel ca „adnotarea datelor”, computerele nu pot face acest lucru.

În al doilea rând, costul achiziției de date în sectorul energetic este mare, iar senzorii sunt necesari în loc de a avea un telefon mobil pentru a vorbi și a face fotografii.”

De fiecare dată când tensiunea scade cu un nivel (sau relația de distribuție a puterii scade cu un nivel), investiția necesară în senzor crește

cu cel puţin un ordin de mărime.Pentru a realiza detectarea laturii de sarcină (capitul capilar), este și mai mult o investiție digitală masivă.”

Dacă este necesar să se identifice modul tranzitoriu al rețelei electrice, este necesară eșantionarea de înaltă precizie de înaltă frecvență, iar costul este și mai mare.

Datorită costului marginal extrem de ridicat al achiziției de date și al alinierii datelor, rețeaua electrică nu este în prezent în măsură să acumuleze suficient neliniar.

creșterea informațiilor de date pentru a antrena un algoritm pentru a ajunge la singularitatea AI.

Ca să nu mai vorbim de deschiderea datelor, este imposibil pentru o pornire de IA puternică să obțină aceste date.

Prin urmare, înainte de AI, este necesar să se rezolve problema seturilor de date, altfel codul AI general nu poate fi antrenat pentru a produce un AI bun.

3. Revoluție în puterea de calcul

Pe lângă algoritmi și date, descoperirea singularității AIGC este, de asemenea, o descoperire în puterea de calcul.Procesoarele tradiționale nu sunt

potrivit pentru calculul neuronal concurent la scară largă.Tocmai aplicarea GPU-urilor în jocuri și filme 3D face paralele la scară largă

este posibilă calculul în virgulă mobilă+streaming.Legea lui Moore reduce și mai mult costul de calcul pe unitatea de putere de calcul.

Inteligența artificială a rețelei electrice, o tendință inevitabilă în viitor

Odată cu integrarea unui număr mare de sisteme fotovoltaice distribuite și de stocare a energiei distribuite, precum și cerințele de aplicare ale

centralele electrice virtuale pe partea de sarcină, este în mod obiectiv necesar să se efectueze prognoza sursei și a sarcinii pentru sistemele de rețea publică de distribuție și utilizator.

sisteme de distribuție (micro) rețele, precum și optimizare în timp real a fluxului de energie pentru sistemele de distribuție (micro) rețea.

Complexitatea de calcul a rețelei de distribuție este de fapt mai mare decât cea a programării rețelei de transport.Chiar și pentru o reclamă

complex, pot exista zeci de mii de dispozitive de încărcare și sute de comutatoare, iar cererea de funcționare a rețelei de microrețea/rețea de distribuție bazată pe AI

va apărea controlul.

Cu costul scăzut al senzorilor și utilizarea pe scară largă a dispozitivelor electronice de putere, cum ar fi transformatoare cu stare solidă, comutatoare cu stare solidă și invertoare (convertoare),

integrarea detectării, calculului și controlului la marginea rețelei electrice a devenit, de asemenea, o tendință inovatoare.

Prin urmare, AIGC al rețelei electrice este viitorul.Cu toate acestea, ceea ce este nevoie astăzi este să nu scoți imediat un algoritm AI pentru a face bani,

În schimb, abordați mai întâi problemele de construcție a infrastructurii de date cerute de AI

În creșterea AIGC, trebuie să existe o gândire suficientă calmă despre nivelul de aplicare și viitorul AI de putere.

În prezent, semnificația puterii AI nu este semnificativă: de exemplu, un algoritm fotovoltaic cu o precizie de predicție de 90% este plasat pe piața spot

cu un prag de abatere de tranzacționare de 5%, iar abaterea algoritmului va șterge toate profiturile de tranzacționare.

Datele sunt apă, iar puterea de calcul a algoritmului este un canal.După cum se întâmplă, va fi.