Vraćajući se suštini, AIGC-ov proboj u singularnost je kombinacija tri faktora:

1. GPT je replika ljudskih neurona

GPT AI kojeg predstavlja NLP je računalni algoritam neuronske mreže, čija je bit simulacija neuronskih mreža u ljudskom cerebralnom korteksu.

Obrada i inteligentna mašta jezika, glazbe, slika, pa čak i informacija o okusu, sve su to funkcije koje je akumulirao čovjek

mozak kao “proteinsko računalo” tijekom dugotrajne evolucije.

Stoga je GPT prirodno najprikladnija imitacija za obradu sličnih informacija, odnosno nestrukturiranog jezika, glazbe i slika.

Mehanizam njegove obrade nije razumijevanje značenja, već proces pročišćavanja, identificiranja i povezivanja.Ovo je vrlo

paradoksalna stvar.

Algoritmi za semantičko prepoznavanje ranog govora u biti su uspostavili gramatički model i govornu bazu podataka, zatim preslikali govor u vokabular,

zatim smjestio vokabular u gramatičku bazu podataka kako bi razumio značenje vokabulara i konačno dobio rezultate prepoznavanja.

Učinkovitost prepoznavanja ovog prepoznavanja sintakse temeljenog na "logičkom mehanizmu" kreće se oko 70%, kao što je ViaVoice prepoznavanje

algoritam koji je uveo IBM 1990-ih.

AIGC ne igra ovako.Njegova bit nije briga o gramatici, već uspostavljanje algoritma neuronske mreže koji omogućuje

računalo za brojanje vjerojatnosnih veza između različitih riječi, koje su neuronske veze, a ne semantičke veze.

Slično kao što smo učili svoj materinji jezik kad smo bili mladi, prirodno smo ga učili, umjesto da učimo "subjekt, predikat, objekt, glagol, dopuna",

a zatim razumijevanje odlomka.

Ovo je model razmišljanja umjetne inteligencije, koji je prepoznavanje, a ne razumijevanje.

To je također subverzivni značaj umjetne inteligencije za sve klasične modele mehanizama – računala ne moraju razumjeti ovu materiju na logičkoj razini,

nego radije identificirajte i prepoznajte korelaciju između internih informacija, a zatim je spoznajte.

Na primjer, stanje toka električne energije i predviđanje energetskih mreža temelje se na klasičnoj simulaciji elektroenergetske mreže, gdje se matematički model

mehanizam se uspostavlja i zatim konvergira korištenjem matričnog algoritma.U budućnosti možda neće biti potrebno.AI će izravno identificirati i predvidjeti a

određeni modalni uzorak temeljen na statusu svakog čvora.

Što je više čvorova, klasični matrični algoritam je manje popularan, jer se složenost algoritma povećava s brojem

čvorova i povećava se geometrijska progresija.Međutim, umjetna inteligencija preferira konkurentnost čvorova vrlo velikih razmjera jer je umjetna inteligencija dobra u identificiranju i

predviđanje najvjerojatnijih načina rada mreže.

Bilo da se radi o sljedećem predviđanju Go (AlphaGO može predvidjeti sljedeće desetke koraka, s nebrojenim mogućnostima za svaki korak) ili modalnom predviđanju

složenih vremenskih sustava, točnost umjetne inteligencije puno je veća od točnosti mehaničkih modela.

Razlog zašto elektroenergetska mreža trenutačno ne zahtijeva AI je taj što broj čvorova u mrežama od 220 kV i više kojima upravljaju pokrajinski

dispečiranje nije veliko, a postavljeni su mnogi uvjeti za linearizaciju i prorjeđivanje matrice, uvelike smanjujući računsku složenost

model mehanizma.

Međutim, u fazi protoka električne energije distribucijske mreže, suočavajući se s desecima tisuća ili stotinama tisuća energetskih čvorova, čvorova opterećenja i tradicionalnih

matrični algoritmi u velikoj distribucijskoj mreži je nemoćan.

Vjerujem da će prepoznavanje uzoraka AI na razini distribucijske mreže postati moguće u budućnosti.

2. Akumulacija, obuka i generiranje nestrukturiranih informacija

Drugi razlog zašto je AIGC napravio iskorak je akumulacija informacija.Iz A/D konverzije govora (mikrofon+PCM

uzorkovanje) u A/D konverziju slika (CMOS+mapiranje prostora boja), ljudi su akumulirali holografske podatke u vizualnom i slušnom

polja na iznimno jeftine načine tijekom posljednjih nekoliko desetljeća.

Konkretno, velika popularizacija kamera i pametnih telefona, gomilanje nestrukturiranih podataka u audiovizualnom polju za ljude

uz gotovo nultu cijenu, a eksplozivno gomilanje tekstualnih informacija na Internetu ključni su za AIGC obuku – skupovi podataka za obuku su jeftini.

Gornja slika prikazuje trend rasta globalnih podataka, koji jasno predstavlja eksponencijalni trend.

Ovaj nelinearni rast akumulacije podataka je temelj za nelinearni rast AIGC-ovih sposobnosti.

ALI, većina tih podataka su nestrukturirani audio-vizualni podaci, koji se prikupljaju bez troškova.

U području elektroenergetike to se ne može postići.Prvo, većina elektroprivrede su strukturirani i polustrukturirani podaci, kao npr

napona i struje, koji su točkasti skupovi podataka vremenskih serija i polustrukturirani.

Računala trebaju razumjeti skupove strukturnih podataka i zahtijevaju "usklađivanje", kao što je usklađivanje uređaja - podaci o naponu, struji i snazi

prekidača moraju biti usklađeni s ovim čvorom.

Više problema je vremensko usklađivanje, koje zahtijeva usklađivanje napona, struje i aktivne i jalove snage na temelju vremenske skale, tako da

može se izvršiti naknadna identifikacija.Također postoje smjerovi naprijed i nazad, koji su prostorno poravnanje u četiri kvadranta.

Za razliku od tekstualnih podataka, koji ne zahtijevaju poravnanje, odlomak se jednostavno baca na računalo, koje identificira moguće asocijacije informacija

samostalno.

Kako bi se ovo pitanje uskladilo, kao što je usklađivanje opreme podataka o poslovnoj distribuciji, stalno je potrebno usklađivanje, jer medij i

niskonaponska distribucijska mreža svakodnevno dodaje, briše i modificira opremu i vodove, a mrežne tvrtke troše ogromne troškove rada.

Poput "označavanja podataka", računala to ne mogu učiniti.

Drugo, cijena prikupljanja podataka u elektroenergetskom sektoru je visoka, a umjesto mobilnog telefona potrebni su senzori za razgovor i fotografiranje.”

Svaki put kada se napon smanji za jednu razinu (ili se odnos distribucije snage smanji za jednu razinu), potrebno ulaganje senzora se povećava

za najmanje jedan red veličine.Da bi se postiglo očitavanje na strani opterećenja (na kraju kapilare), to je čak i više golema digitalna investicija.”

Ako je potrebno identificirati prijelazni način električne mreže, potrebno je visoko precizno uzorkovanje visoke frekvencije, a cijena je još veća.

Zbog iznimno visokih graničnih troškova prikupljanja podataka i usklađivanja podataka, elektroenergetska mreža trenutno ne može akumulirati dovoljno nelinearnih

rast podatkovnih informacija za treniranje algoritma za postizanje singularnosti umjetne inteligencije.

Da ne spominjemo otvorenost podataka, nemoguće je za pokretač moćne umjetne inteligencije doći do tih podataka.

Stoga je prije umjetne inteligencije potrebno riješiti problem skupova podataka, inače se opći kod umjetne inteligencije ne može osposobiti za proizvodnju dobre umjetne inteligencije.

3. Proboj u računalnoj moći

Uz algoritme i podatke, AIGC-ov singularni proboj također je i proboj u računalnoj snazi.Tradicionalni procesori nisu

pogodan za paralelno neuronsko računanje velikih razmjera.Upravo je primjena GPU-a u 3D igrama i filmovima ono što čini velike paralelne

moguće računalstvo s pomičnim zarezom + strujanje.Mooreov zakon dodatno smanjuje računalni trošak po jedinici računalne snage.

Power grid AI, neizbježan trend u budućnosti

Uz integraciju velikog broja distribuiranih fotonaponskih i distribuiranih sustava za pohranu energije, kao i zahtjevima primjene

virtualnih elektrana na strani opterećenja, objektivno je potrebno provesti prognozu izvora i opterećenja za sustave javne distribucijske mreže i korisnika

distribucijskih (mikro) mrežnih sustava, kao i optimizacija protoka energije u stvarnom vremenu za distribucijske (mikro) mrežne sustave.

Računalna složenost na strani distribucijske mreže zapravo je veća od one za planiranje prijenosne mreže.Čak i za reklamu

složen, mogu postojati deseci tisuća uređaja za opterećenje i stotine prekidača, a potražnja za radom mikro mreže/distribucijske mreže temeljene na umjetnoj inteligenciji

kontrola će se pojaviti.

S niskom cijenom senzora i širokom upotrebom energetskih elektroničkih uređaja kao što su poluvodički transformatori, poluprovodnički prekidači i pretvarači (pretvarači),

integracija senzora, računalstva i kontrole na rubu električne mreže također je postala inovativni trend.

Stoga je AIGC elektroenergetske mreže budućnost.Međutim, ono što je danas potrebno nije odmah uzeti algoritam umjetne inteligencije kako bi zaradili novac,

Umjesto toga, prvo se pozabavite problemima izgradnje podatkovne infrastrukture koje zahtijeva AI

U usponu AIGC-a, potrebno je dovoljno mirno razmišljati o razini primjene i budućnosti AI-ja.

Trenutačno značaj energetske umjetne inteligencije nije značajan: na primjer, fotonaponski algoritam s točnošću predviđanja od 90% plasiran je na spot tržište

s pragom odstupanja trgovanja od 5%, a odstupanje algoritma će izbrisati svu zaradu od trgovanja.

Podaci su voda, a računska snaga algoritma je kanal.Kako bude, bit će.