Επιστρέφοντας στην ουσία, η σημαντική ανακάλυψη της AIGC στη μοναδικότητα είναι ένας συνδυασμός τριών παραγόντων:

1. Το GPT είναι ένα αντίγραφο ανθρώπινων νευρώνων

Το GPT AI που αντιπροσωπεύεται από το NLP είναι ένας αλγόριθμος νευρωνικών δικτύων υπολογιστών, η ουσία του οποίου είναι η προσομοίωση νευρωνικών δικτύων στον ανθρώπινο εγκεφαλικό φλοιό.

Η επεξεργασία και η έξυπνη φαντασία της γλώσσας, της μουσικής, των εικόνων, ακόμη και των πληροφοριών γεύσης είναι όλες λειτουργίες που συσσωρεύονται από τον άνθρωπο

εγκέφαλος ως «υπολογιστής πρωτεΐνης» κατά τη μακροπρόθεσμη εξέλιξη.

Επομένως, το GPT είναι φυσικά η πιο κατάλληλη απομίμηση για την επεξεργασία παρόμοιων πληροφοριών, δηλαδή μη δομημένης γλώσσας, μουσικής και εικόνων.

Ο μηχανισμός της επεξεργασίας του δεν είναι η κατανόηση του νοήματος, αλλά μάλλον μια διαδικασία εξευγενισμού, ταυτοποίησης και συσχέτισης.Αυτό είναι ένα πολύ

παράδοξο πράγμα.

Οι πρώιμοι αλγόριθμοι σημασιολογικής αναγνώρισης ομιλίας καθιέρωσαν ουσιαστικά ένα γραμματικό μοντέλο και μια βάση δεδομένων ομιλίας και στη συνέχεια αντιστοιχούσαν την ομιλία στο λεξιλόγιο,

στη συνέχεια τοποθέτησε το λεξιλόγιο στη βάση δεδομένων γραμματικής για να κατανοήσει το νόημα του λεξιλογίου και τελικά έλαβε αποτελέσματα αναγνώρισης.

Η αποτελεσματικότητα αναγνώρισης αυτής της αναγνώρισης σύνταξης που βασίζεται σε «λογικό μηχανισμό» κυμαίνεται γύρω στο 70%, όπως η αναγνώριση ViaVoice

αλγόριθμος που εισήχθη από την IBM τη δεκαετία του 1990.

Η AIGC δεν είναι να παίζει έτσι.Η ουσία του δεν είναι να νοιάζεται για τη γραμματική, αλλά μάλλον να δημιουργήσει έναν αλγόριθμο νευρωνικών δικτύων που επιτρέπει την

υπολογιστή για να μετρήσει τις πιθανολογικές συνδέσεις μεταξύ διαφορετικών λέξεων, οι οποίες είναι νευρικές συνδέσεις και όχι σημασιολογικές συνδέσεις.

Σαν να μάθαμε τη μητρική μας γλώσσα όταν ήμασταν μικροί, την μάθαμε φυσικά, αντί να μάθουμε «θέμα, κατηγόρημα, αντικείμενο, ρήμα, συμπλήρωμα».

και στη συνέχεια κατανόηση μιας παραγράφου.

Αυτό είναι το μοντέλο σκέψης της AI, που είναι η αναγνώριση και όχι η κατανόηση.

Αυτή είναι επίσης η ανατρεπτική σημασία της τεχνητής νοημοσύνης για όλα τα κλασικά μοντέλα μηχανισμών – οι υπολογιστές δεν χρειάζεται να κατανοήσουν αυτό το θέμα σε λογικό επίπεδο,

αλλά μάλλον αναγνωρίστε και αναγνωρίστε τη συσχέτιση μεταξύ των εσωτερικών πληροφοριών και στη συνέχεια να τη γνωρίσετε.

Για παράδειγμα, η κατάσταση ροής ισχύος και η πρόβλεψη των δικτύων ισχύος βασίζονται στην κλασική προσομοίωση δικτύου ισχύος, όπου ένα μαθηματικό μοντέλο του

ο μηχανισμός καθιερώνεται και στη συνέχεια συγκλίνει χρησιμοποιώντας έναν αλγόριθμο μήτρας.Στο μέλλον, μπορεί να μην είναι απαραίτητο.Η τεχνητή νοημοσύνη θα εντοπίσει και θα προβλέψει άμεσα α

συγκεκριμένο μοτίβο με βάση την κατάσταση κάθε κόμβου.

Όσο περισσότεροι κόμβοι υπάρχουν, τόσο λιγότερο δημοφιλής είναι ο κλασικός αλγόριθμος μήτρας, επειδή η πολυπλοκότητα του αλγορίθμου αυξάνεται με τον αριθμό των

κόμβους και η γεωμετρική πρόοδος αυξάνεται.Ωστόσο, η τεχνητή νοημοσύνη προτιμά να έχει πολύ μεγάλης κλίμακας συγχρονισμό κόμβων, επειδή η τεχνητή νοημοσύνη είναι καλή στον εντοπισμό και

πρόβλεψη των πιο πιθανών λειτουργιών δικτύου.

Είτε πρόκειται για την επόμενη πρόβλεψη του Go (το AlphaGO μπορεί να προβλέψει τα επόμενα δεκάδες βήματα, με αμέτρητες δυνατότητες για κάθε βήμα) είτε η τροπική πρόβλεψη

των πολύπλοκων καιρικών συστημάτων, η ακρίβεια του AI είναι πολύ υψηλότερη από αυτή των μηχανικών μοντέλων.

Ο λόγος για τον οποίο το ηλεκτρικό δίκτυο δεν απαιτεί επί του παρόντος τεχνητή νοημοσύνη είναι ότι ο αριθμός των κόμβων σε δίκτυα ισχύος 220 kV και άνω που διαχειρίζονται επαρχιακά

η αποστολή δεν είναι μεγάλη και πολλές συνθήκες έχουν ρυθμιστεί για να γραμμικοποιήσουν και να αραιώσουν τον πίνακα, μειώνοντας σημαντικά την υπολογιστική πολυπλοκότητα του

μοντέλο μηχανισμού.

Ωστόσο, στο στάδιο ροής ισχύος του δικτύου διανομής, αντιμετωπίζοντας δεκάδες χιλιάδες ή εκατοντάδες χιλιάδες κόμβους ισχύος, κόμβους φορτίου και παραδοσιακούς

Οι αλγόριθμοι μήτρας σε ένα μεγάλο δίκτυο διανομής είναι ανίσχυροι.

Πιστεύω ότι η αναγνώριση προτύπων της τεχνητής νοημοσύνης σε επίπεδο δικτύου διανομής θα καταστεί δυνατή στο μέλλον.

2. Η συσσώρευση, η εκπαίδευση και η παραγωγή μη δομημένων πληροφοριών

Ο δεύτερος λόγος για τον οποίο η AIGC έκανε μια σημαντική ανακάλυψη είναι η συσσώρευση πληροφοριών.Από τη μετατροπή A/D ομιλίας (μικρόφωνο+PCM

δειγματοληψία) στη μετατροπή A/D εικόνων (CMOS+χρωματική χαρτογράφηση χώρου), οι άνθρωποι έχουν συσσωρεύσει ολογραφικά δεδομένα στο οπτικό και ακουστικό

πεδία με εξαιρετικά χαμηλού κόστους τρόπους τις τελευταίες δεκαετίες.

Ειδικότερα, η μεγάλης κλίμακας εκλαΐκευση των καμερών και των smartphone, η συσσώρευση αδόμητων δεδομένων στον οπτικοακουστικό τομέα για τον άνθρωπο

με σχεδόν μηδενικό κόστος και η εκρηκτική συσσώρευση πληροφοριών κειμένου στο Διαδίκτυο είναι το κλειδί για την εκπαίδευση της AIGC – τα σύνολα δεδομένων εκπαίδευσης είναι φθηνά.

Το παραπάνω σχήμα δείχνει την αυξητική τάση των παγκόσμιων δεδομένων, η οποία παρουσιάζει σαφώς μια εκθετική τάση.

Αυτή η μη γραμμική αύξηση της συσσώρευσης δεδομένων είναι το θεμέλιο για τη μη γραμμική ανάπτυξη των δυνατοτήτων της AIGC.

ΑΛΛΑ, τα περισσότερα από αυτά τα δεδομένα είναι μη δομημένα οπτικοακουστικά δεδομένα, τα οποία συσσωρεύονται με μηδενικό κόστος.

Στον τομέα της ηλεκτρικής ενέργειας, αυτό δεν μπορεί να επιτευχθεί.Πρώτον, το μεγαλύτερο μέρος της βιομηχανίας ηλεκτρικής ενέργειας είναι δομημένα και ημιδομημένα δεδομένα, όπως π.χ

τάση και ρεύμα, τα οποία είναι σύνολα σημειακών δεδομένων χρονοσειρών και ημιδομημένων.

Τα σύνολα δομικών δεδομένων πρέπει να είναι κατανοητά από τους υπολογιστές και απαιτούν "ευθυγράμμιση", όπως η ευθυγράμμιση συσκευών - τα δεδομένα τάσης, ρεύματος και ισχύος

ενός διακόπτη πρέπει να ευθυγραμμιστεί με αυτόν τον κόμβο.

Πιο ενοχλητική είναι η ευθυγράμμιση χρόνου, η οποία απαιτεί ευθυγράμμιση τάσης, ρεύματος και ενεργού και άεργου ισχύος με βάση τη χρονική κλίμακα, έτσι ώστε

μπορεί να πραγματοποιηθεί μεταγενέστερη αναγνώριση.Υπάρχουν επίσης κατευθύνσεις προς τα εμπρός και προς τα πίσω, οι οποίες είναι χωρική ευθυγράμμιση σε τέσσερα τεταρτημόρια.

Σε αντίθεση με τα δεδομένα κειμένου, τα οποία δεν απαιτούν ευθυγράμμιση, μια παράγραφος απλώς ρίχνεται στον υπολογιστή, η οποία προσδιορίζει πιθανούς συσχετισμούς πληροφοριών

μόνο του.

Προκειμένου να ευθυγραμμιστεί αυτό το ζήτημα, όπως η ευθυγράμμιση εξοπλισμού των δεδομένων διανομής επιχειρήσεων, χρειάζεται συνεχώς ευθυγράμμιση, επειδή το μέσο και

Το δίκτυο διανομής χαμηλής τάσης προσθέτει, διαγράφει και τροποποιεί εξοπλισμό και γραμμές καθημερινά και οι εταιρείες δικτύου ξοδεύουν τεράστιο εργατικό κόστος.

Όπως και ο "σχολιασμός δεδομένων", οι υπολογιστές δεν μπορούν να το κάνουν αυτό.

Δεύτερον, το κόστος απόκτησης δεδομένων στον τομέα της ενέργειας είναι υψηλό και απαιτούνται αισθητήρες αντί να έχουν κινητό τηλέφωνο για να μιλάνε και να βγάζουν φωτογραφίες.”

Κάθε φορά που η τάση μειώνεται κατά ένα επίπεδο (ή η σχέση διανομής ισχύος μειώνεται κατά ένα επίπεδο), η απαιτούμενη επένδυση αισθητήρα αυξάνεται

τουλάχιστον κατά μία τάξη μεγέθους.Για να επιτευχθεί ανίχνευση από την πλευρά του φορτίου (τριχοειδές άκρο), είναι ακόμη πιο τεράστια ψηφιακή επένδυση.»

Εάν είναι απαραίτητο να προσδιοριστεί η μεταβατική λειτουργία του ηλεκτρικού δικτύου, απαιτείται δειγματοληψία υψηλής ακρίβειας υψηλής συχνότητας και το κόστος είναι ακόμη υψηλότερο.

Λόγω του εξαιρετικά υψηλού οριακού κόστους απόκτησης δεδομένων και ευθυγράμμισης δεδομένων, το ηλεκτρικό δίκτυο δεν είναι επί του παρόντος σε θέση να συγκεντρώσει επαρκή μη γραμμική

ανάπτυξη πληροφοριών δεδομένων για την εκπαίδευση ενός αλγόριθμου για την επίτευξη της μοναδικότητας της τεχνητής νοημοσύνης.

Για να μην αναφέρουμε τη διαφάνεια των δεδομένων, είναι αδύνατο για μια εκκίνηση ισχυρής τεχνητής νοημοσύνης να αποκτήσει αυτά τα δεδομένα.

Επομένως, πριν από την τεχνητή νοημοσύνη, είναι απαραίτητο να λυθεί το πρόβλημα των συνόλων δεδομένων, διαφορετικά ο γενικός κώδικας τεχνητής νοημοσύνης δεν μπορεί να εκπαιδευτεί για να παράγει ένα καλό AI.

3. Ανακάλυψη στην υπολογιστική ισχύ

Εκτός από τους αλγόριθμους και τα δεδομένα, η ανακάλυψη της μοναδικότητας του AIGC είναι επίσης μια σημαντική ανακάλυψη στην υπολογιστική ισχύ.Οι παραδοσιακές CPU δεν είναι

κατάλληλο για μεγάλης κλίμακας ταυτόχρονο νευρωνικό υπολογισμό.Είναι ακριβώς η εφαρμογή των GPU σε τρισδιάστατα παιχνίδια και ταινίες που κάνει παραλληλισμό μεγάλης κλίμακας

Δυνατότητα υπολογισμού κινητής υποδιαστολής+ ροής.Ο νόμος του Moore μειώνει περαιτέρω το υπολογιστικό κόστος ανά μονάδα υπολογιστικής ισχύος.

Power grid AI, μια αναπόφευκτη τάση στο μέλλον

Με την ενσωμάτωση μεγάλου αριθμού κατανεμημένων φωτοβολταϊκών και κατανεμημένων συστημάτων αποθήκευσης ενέργειας, καθώς και τις απαιτήσεις εφαρμογής του

εικονικών σταθμών ηλεκτροπαραγωγής στην πλευρά φορτίου, είναι αντικειμενικά απαραίτητο να γίνει πρόβλεψη πηγής και φορτίου για δημόσια συστήματα δικτύων διανομής και χρήστη

συστήματα διανομής (μικρο) δικτύων, καθώς και βελτιστοποίηση ροής ισχύος σε πραγματικό χρόνο για συστήματα δικτύων διανομής (μικρο).

Η υπολογιστική πολυπλοκότητα της πλευράς του δικτύου διανομής είναι στην πραγματικότητα υψηλότερη από αυτή του προγραμματισμού του δικτύου μεταφοράς.Ακόμα και για διαφημιστικό

πολύπλοκο, μπορεί να υπάρχουν δεκάδες χιλιάδες συσκευές φόρτωσης και εκατοντάδες διακόπτες και η ζήτηση για λειτουργία μικροδικτύων/δικτύων διανομής με βάση την τεχνητή νοημοσύνη

θα προκύψει έλεγχος.

Με το χαμηλό κόστος των αισθητήρων και την ευρεία χρήση ηλεκτρονικών συσκευών ισχύος, όπως μετασχηματιστές στερεάς κατάστασης, διακόπτες στερεάς κατάστασης και μετατροπείς (μετατροπείς),

Η ενσωμάτωση αισθητήρων, υπολογιστών και ελέγχου στην άκρη του δικτύου ηλεκτρικής ενέργειας έχει γίνει επίσης μια καινοτόμος τάση.

Επομένως, το AIGC του ηλεκτρικού δικτύου είναι το μέλλον.Ωστόσο, αυτό που χρειάζεται σήμερα δεν είναι να βγάλουμε αμέσως έναν αλγόριθμο AI για να βγάλουμε χρήματα,

Αντίθετα, αντιμετωπίστε πρώτα τα ζητήματα κατασκευής υποδομής δεδομένων που απαιτούνται από την τεχνητή νοημοσύνη

Στην άνοδο του AIGC, χρειάζεται να υπάρχει επαρκής ήρεμη σκέψη σχετικά με το επίπεδο εφαρμογής και το μέλλον της τεχνητής νοημοσύνης ισχύος.

Προς το παρόν, η σημασία του power AI δεν είναι σημαντική: για παράδειγμα, ένας φωτοβολταϊκός αλγόριθμος με ακρίβεια πρόβλεψης 90% διατίθεται στην αγορά spot

με όριο απόκλισης συναλλαγών 5%, και η απόκλιση αλγορίθμου θα εξαλείψει όλα τα κέρδη συναλλαγών.

Τα δεδομένα είναι νερό και η υπολογιστική ισχύς του αλγορίθμου είναι ένα κανάλι.Όπως συμβαίνει, θα είναι.