Sisu juurde tagasi tulles on AIGC läbimurre singulaarsuses kolme teguri kombinatsioon:

1. GPT on inimese neuronite koopia

GPT AI, mida esindab NLP, on arvuti närvivõrgu algoritm, mille põhiolemus on inimese ajukoores olevate närvivõrkude simuleerimine.

Keele, muusika, piltide ja isegi maitseteabe töötlemine ja intelligentne kujutlusvõime on kõik inimese poolt kogutud funktsioonid.

aju kui "valguarvuti" pikaajalise evolutsiooni käigus.

Seetõttu on GPT loomulikult kõige sobivam imitatsioon sarnase teabe, st struktureerimata keele, muusika ja piltide töötlemiseks.

Selle töötlemise mehhanism ei ole tähenduse mõistmine, vaid pigem täpsustamise, tuvastamise ja seostamise protsess.See on väga

paradoksaalne asi.

Varase kõne semantilise tuvastamise algoritmid lõid sisuliselt grammatikamudeli ja kõneandmebaasi, seejärel kaardistasid kõne sõnavaraga,

seejärel paigutas sõnavara grammatika andmebaasi, et mõista sõnavara tähendust, ja lõpuks saadi äratundmistulemused.

Selle "loogilisel mehhanismil" põhineva süntaksituvastuse tuvastamise efektiivsus on olnud umbes 70%, näiteks ViaVoice'i tuvastamise puhul

Algoritm, mille IBM tutvustas 1990. aastatel.

AIGC ei seisne sellises mängimises.Selle olemus ei ole grammatikast hoolimine, vaid pigem närvivõrgu algoritmi loomine, mis võimaldab

arvuti, et loendada erinevate sõnade vahelisi tõenäosuslikke seoseid, mis on närviühendused, mitte semantilised ühendused.

Sarnaselt emakeele õppimisega noorena, õppisime seda loomulikult, selle asemel, et õppida „subjekti, predikaati, objekti, verbi, täiendit”.

ja siis lõigust aru.

See on AI mõtlemismudel, mis on äratundmine, mitte mõistmine.

See on ka AI õõnestav tähtsus kõigi klassikaliste mehhanismide mudelite jaoks – arvutid ei pea sellest asjast loogilisel tasandil aru saama,

vaid pigem tuvastada ja ära tunda korrelatsioon sisemise teabe vahel ning seejärel seda teada.

Näiteks põhinevad elektrivõrkude toitevoo olek ja prognoosimine klassikalisel elektrivõrgu simulatsioonil, kus elektrivõrgu matemaatiline mudel.

mehhanism luuakse ja seejärel konvergeeritakse maatriksalgoritmi abil.Tulevikus ei pruugi see vajalik olla.AI tuvastab ja ennustab otseselt a

teatud modaalne muster, mis põhineb iga sõlme staatusel.

Mida rohkem sõlmi on, seda vähem populaarne on klassikaline maatriksalgoritm, sest algoritmi keerukus suureneb koos sõlmede arvuga.

sõlmed ja geomeetriline progressioon suureneb.Tehisintellekt eelistab aga väga laiaulatuslikku sõlmede samaaegsust, kuna tehisintellekt on hea tuvastada ja

kõige tõenäolisemate võrgurežiimide ennustamine.

Olgu see siis järgmine Go ennustus (AlphaGO suudab ennustada järgmisi kümneid samme, iga sammu jaoks on lugematu arv võimalusi) või modaalne ennustus

keeruliste ilmastikusüsteemide puhul on tehisintellekti täpsus palju suurem kui mehaanilistel mudelitel.

Põhjus, miks elektrivõrk praegu tehisintellekti ei vaja, on see, et sõlmede arv 220 kV ja kõrgemates elektrivõrkudes, mida haldab provintsi

saatmine ei ole suur ja maatriksi lineariseerimiseks ja hõrendamiseks on seatud paljud tingimused, mis vähendab oluliselt maatriksi arvutuslikku keerukust.

mehhanismi mudel.

Jaotusvõrgu toitevoo etapis seisavad silmitsi kümned tuhanded või sajad tuhanded toitesõlmed, koormussõlmed ja traditsioonilised

maatriksalgoritmid suures jaotusvõrgus on jõuetu.

Usun, et tehisintellekti mustrituvastus jaotusvõrgu tasemel saab tulevikus võimalikuks.

2. Struktureerimata teabe kogumine, väljaõpe ja genereerimine

Teine põhjus, miks AIGC on teinud läbimurde, on teabe kuhjumine.Kõne A/D teisendamisest (mikrofon+PCM

proovide võtmine) piltide A/D teisendamiseks (CMOS+värviruumi kaardistamine), on inimesed kogunud holograafilisi andmeid visuaalsesse ja kuulmisvõimesse.

viimastel aastakümnetel äärmiselt odavalt.

Eelkõige kaamerate ja nutitelefonide laiaulatuslik populariseerimine, struktureerimata andmete kogumine audiovisuaalses valdkonnas inimeste jaoks

peaaegu nullkuluga ja tekstiteabe plahvatuslik kuhjumine Internetis on AIGC koolituse võti – koolitusandmestikud on odavad.

Ülaltoodud joonis näitab globaalsete andmete kasvutrendi, mis näitab selgelt eksponentsiaalset trendi.

See andmete kogumise mittelineaarne kasv on aluseks AIGC võimete mittelineaarsele kasvule.

AGA enamik neist andmetest on struktureerimata audiovisuaalsed andmed, mida kogutakse nullkuluga.

Elektrienergia valdkonnas pole seda võimalik saavutada.Esiteks on suurem osa elektrienergiatööstusest struktureeritud ja poolstruktureeritud andmed, näiteks

pinge ja vool, mis on aegridade punktandmed ja poolstruktureeritud.

Arvutid peavad mõistma struktuurseid andmekogumeid ja vajavad "joondamist", näiteks seadme joondust – pinge, voolu ja võimsuse andmed

lüliti tuleb selle sõlmega joondada.

Tülikam on aja joondamine, mis nõuab pinge, voolu ning aktiiv- ja reaktiivvõimsuse joondamiseks ajaskaala alusel, nii et

hilisemat tuvastamist saab teha.Samuti on ette- ja tagasisuunad, mis on ruumiline joondus neljas kvadrandis.

Erinevalt tekstiandmetest, mis ei vaja joondamist, visatakse arvutisse lihtsalt lõik, mis tuvastab võimalikud infoseosed

omaette.

Selle probleemi, näiteks ettevõtete levitamisandmete seadmete joondamise, ühtlustamiseks on joondamine pidevalt vajalik, kuna meedium ja

madalpinge jaotusvõrk lisab, kustutab ja muudab seadmeid ja liine iga päev ning võrguettevõtted kulutavad suuri tööjõukulusid.

Nagu "andmete annotatsioon", ei saa arvutid seda teha.

Teiseks on andmete hankimise kulud energeetikasektoris kõrged ning rääkimiseks ja pildistamiseks on mobiiltelefoni asemel vaja andureid.”

Iga kord, kui pinge langeb ühe taseme võrra (või võimsuse jaotuse suhe väheneb ühe taseme võrra), suureneb anduri vajalik investeering

vähemalt ühe suurusjärgu võrra.Koormuspoolse (kapillaari otsa) tuvastamise saavutamiseks on see veelgi suurem digitaalne investeering.

Kui on vaja kindlaks teha elektrivõrgu siirderežiim, on vaja ülitäpset kõrgsageduslikku diskreetimist ja selle maksumus on veelgi suurem.

Andmehõive ja andmete joondamise ülikõrgete piirkulude tõttu ei suuda elektrivõrk praegu koguda piisavalt mittelineaarset

andmeteabe kasv, et treenida algoritmi AI singulaarsuse saavutamiseks.

Rääkimata andmete avatusest, on võimsal tehisintellektil neid andmeid võimatu hankida.

Seetõttu on enne AI-d vaja lahendada andmehulkade probleem, vastasel juhul ei saa üldist AI koodi treenida head tehisintellekti tootma.

3. Läbimurre arvutusvõimsuses

Lisaks algoritmidele ja andmetele on AIGC singulaarsuse läbimurre läbimurre ka arvutusvõimsuses.Traditsioonilised CPU-d ei ole

sobib suuremahuliseks samaaegseks neuronaalseks andmetöötluseks.Just GPU-de rakendamine 3D-mängudes ja -filmides muudab suuremahulise paralleelseks

võimalik ujukoma+voogesitus.Moore'i seadus vähendab veelgi arvutuskulusid arvutusvõimsuse ühiku kohta.

Elektrivõrgu AI, vältimatu trend tulevikus

Suure hulga hajutatud fotogalvaaniliste ja hajutatud energiasalvestussüsteemide integreerimisega, samuti rakendusnõuetega

koormuse poolsed virtuaalelektrijaamad, on objektiivselt vajalik läbi viia allika ja koormuse prognoosimine avalike jaotusvõrgusüsteemide ja kasutaja jaoks

jaotus (mikro) võrgusüsteemid, samuti reaalajas energiavoo optimeerimine jaotus (mikro) võrgusüsteemide jaoks.

Jaotusvõrgu poole arvutuslik keerukus on tegelikult suurem kui põhivõrgu sõiduplaanide oma.Isegi reklaami jaoks

keeruline, võib olla kümneid tuhandeid laadimisseadmeid ja sadu lüliteid ning nõudlus AI-põhise mikrovõrgu/jaotusvõrgu toimimise järele

kontroll tekib.

Andurite odavuse ja jõuelektroonikaseadmete, nagu pooljuhttrafode, pooljuhtlülitite ja inverterite (muundurite) laialdase kasutamise tõttu

Uuenduslikuks trendiks on saanud ka anduri, andmetöötluse ja juhtimise integreerimine elektrivõrgu serval.

Seetõttu on elektrivõrgu AIGC tulevik.Kuid täna pole vaja raha teenimiseks kohe AI ​​algoritmi välja võtta,

Selle asemel tegelege esmalt tehisintellekti nõutavate andmetaristu ehitamise probleemidega

AIGC tõusu ajal tuleb piisavalt rahulikult mõelda võimsa AI rakendustasemele ja tulevikule.

Praegu ei ole võimsus-AI tähtsus märkimisväärne: näiteks paigutatakse hetketurule fotogalvaaniline algoritm, mille ennustustäpsus on 90%.

mille kauplemishälbe lävi on 5% ja algoritmi kõrvalekalle hävitab kogu kauplemiskasumi.

Andmed on vesi ja algoritmi arvutusvõimsus on kanal.Nii nagu juhtub, nii saab.