For å komme tilbake til essensen, er AIGCs gjennombrudd i singularitet en kombinasjon av tre faktorer:

1. GPT er en kopi av menneskelige nevroner

GPT AI representert ved NLP er en nevrale datamaskinnettverksalgoritme, hvis essens er å simulere nevrale nettverk i den menneskelige hjernebarken.

Behandlingen og den intelligente fantasien til språk, musikk, bilder og til og med smaksinformasjon er alle funksjoner akkumulert av mennesket

hjernen som en "proteindatamaskin" under langsiktig evolusjon.

Derfor er GPT naturlig nok den mest egnede imitasjonen for å behandle lignende informasjon, det vil si ustrukturert språk, musikk og bilder.

Mekanismen for dens prosessering er ikke forståelsen av mening, men snarere en prosess med å foredle, identifisere og assosiere.Dette er en veldig

paradoksal ting.

Tidlige semantiske talegjenkjenningsalgoritmer etablerte i hovedsak en grammatikkmodell og en taledatabase, og kartla deretter talen til vokabularet,

deretter plasserte vokabularet i grammatikkdatabasen for å forstå betydningen av vokabularet, og oppnådde til slutt gjenkjennelsesresultater.

Gjenkjenningseffektiviteten til denne "logiske mekanismen"-baserte syntaksgjenkjenningen har svevet rundt 70 %, slik som ViaVoice-gjenkjenningen

algoritme introdusert av IBM på 1990-tallet.

AIGC handler ikke om å spille slik.Essensen er ikke å bry seg om grammatikk, men snarere å etablere en nevrale nettverksalgoritme som lar

datamaskin for å telle de sannsynlige sammenhengene mellom forskjellige ord, som er nevrale forbindelser, ikke semantiske forbindelser.

På samme måte som å lære morsmålet vårt da vi var unge, lærte vi det naturligvis, i stedet for å lære «emne, predikat, objekt, verb, komplement»

og deretter forstå et avsnitt.

Dette er tankemodellen til AI, som er anerkjennelse, ikke forståelse.

Dette er også den subversive betydningen av AI for alle klassiske mekanismemodeller - datamaskiner trenger ikke å forstå denne saken på det logiske nivået,

men heller identifisere og gjenkjenne sammenhengen mellom intern informasjon, og deretter vite det.

For eksempel er kraftflyttilstanden og prediksjonen til kraftnett basert på klassisk kraftnettsimulering, der en matematisk modell av

mekanismen etableres og deretter konvergeres ved hjelp av en matrisealgoritme.I fremtiden er det kanskje ikke nødvendig.AI vil direkte identifisere og forutsi en

bestemt modalt mønster basert på statusen til hver node.

Jo flere noder det er, jo mindre populær er den klassiske matrisealgoritmen, fordi kompleksiteten til algoritmen øker med antall

noder og den geometriske progresjonen øker.Imidlertid foretrekker AI å ha veldig stor skala node samtidighet, fordi AI er god til å identifisere og

forutsi de mest sannsynlige nettverksmodusene.

Enten det er neste prediksjon av Go (AlphaGO kan forutsi de neste dusinvis av trinn, med utallige muligheter for hvert trinn) eller modal prediksjon

av komplekse værsystemer, er AIs nøyaktighet mye høyere enn for mekaniske modeller.

Grunnen til at strømnettet foreløpig ikke krever AI er at antall noder i 220 kV og over kraftnett som administreres av provinsielle

utsendelsen er ikke stor, og mange betingelser er satt for å linearisere og sparsomme matrisen, noe som i stor grad reduserer beregningskompleksiteten til

mekanisme modell.

Imidlertid, i distribusjonsnettverkets kraftstrømstadium, overfor titusenvis eller hundretusenvis av kraftnoder, belastningsnoder og tradisjonelle

matrisealgoritmer i et stort distribusjonsnettverk er maktesløse.

Jeg tror at mønstergjenkjenning av AI på distribusjonsnettnivå vil bli mulig i fremtiden.

2. Akkumulering, opplæring og generering av ustrukturert informasjon

Den andre grunnen til at AIGC har fått et gjennombrudd er akkumulering av informasjon.Fra A/D-konvertering av tale (mikrofon+PCM

sampling) til A/D-konvertering av bilder (CMOS+fargeromskartlegging), har mennesker akkumulert holografiske data i det visuelle og auditive

felt på ekstremt rimelige måter de siste tiårene.

Spesielt den storstilte populariseringen av kameraer og smarttelefoner, akkumulering av ustrukturerte data i det audiovisuelle feltet for mennesker

til nesten null kostnader, og den eksplosive akkumuleringen av tekstinformasjon på Internett er nøkkelen til AIGC-trening – treningsdatasett er rimelige.

Figuren over viser veksttrenden for globale data, som tydelig presenterer en eksponentiell trend.

Denne ikke-lineære veksten av dataakkumulering er grunnlaget for den ikke-lineære veksten av AIGCs evner.

MEN, de fleste av disse dataene er ustrukturerte audiovisuelle data, som akkumuleres til null kostnader.

Innen elektrisk kraft kan dette ikke oppnås.For det første er det meste av elkraftindustrien strukturerte og semistrukturerte data, som f.eks

spenning og strøm, som er punktdatasett av tidsserier og semistrukturerte.

Strukturelle datasett må forstås av datamaskiner og krever "justering", for eksempel enhetsjustering - spennings-, strøm- og strømdata

av en bryter må justeres til denne noden.

Mer plagsomt er tidsjustering, som krever justering av spenning, strøm og aktiv og reaktiv effekt basert på tidsskalaen, slik at

etterfølgende identifikasjon kan utføres.Det er også retninger fremover og bakover, som er romlig justering i fire kvadranter.

I motsetning til tekstdata, som ikke krever justering, blir et avsnitt ganske enkelt kastet til datamaskinen, som identifiserer mulige informasjonsassosiasjoner

på egen hånd.

For å tilpasse dette problemet, for eksempel utstyrsjustering av forretningsdistribusjonsdata, er justering konstant nødvendig, fordi mediet og

lavspentdistribusjonsnettverk legger til, sletter og modifiserer utstyr og linjer hver dag, og nettselskaper bruker enorme arbeidskostnader.

Som "dataannotering" kan ikke datamaskiner gjøre dette.

For det andre er kostnadene for datainnsamling i kraftsektoren høye, og sensorer kreves i stedet for å ha en mobiltelefon for å snakke og ta bilder.”

Hver gang spenningen synker med ett nivå (eller strømfordelingsforholdet reduseres med ett nivå), øker den nødvendige sensorinvesteringen

med minst én størrelsesorden.For å oppnå sensing på lastsiden (kapillærenden), er det enda mer en massiv digital investering.»

Hvis det er nødvendig å identifisere transientmodusen til strømnettet, kreves høypresisjon høyfrekvent prøvetaking, og kostnadene er enda høyere.

På grunn av de ekstremt høye marginale kostnadene ved datainnsamling og datajustering, er strømnettet for øyeblikket ikke i stand til å akkumulere tilstrekkelig ikke-lineært

vekst av datainformasjon for å trene en algoritme for å nå AI-singulariteten.

For ikke å snakke om åpenheten til data, det er umulig for en kraftfull AI-oppstart å få tak i disse dataene.

Derfor, før AI, er det nødvendig å løse problemet med datasett, ellers kan generell AI-kode ikke trenes til å produsere en god AI.

3. Gjennombrudd innen beregningskraft

I tillegg til algoritmer og data, er singularitetsgjennombruddet til AIGC også et gjennombrudd innen beregningskraft.Tradisjonelle CPUer er det ikke

egnet for storskala samtidig nevronal databehandling.Det er nettopp bruken av GPUer i 3D-spill og filmer som gjør storskala parallell

flytepunkt+streaming databehandling mulig.Moores lov reduserer ytterligere beregningskostnaden per enhet av beregningskraft.

Power grid AI, en uunngåelig trend i fremtiden

Med integrasjonen av et stort antall distribuerte solceller og distribuerte energilagringssystemer, samt applikasjonskravene til

virtuelle kraftverk på lastsiden, er det objektivt nødvendig å utføre kilde- og lastprognoser for offentlige distribusjonsnettsystemer og brukere

distribusjon (mikro) nettsystemer, samt sanntids effektstrømoptimalisering for distribusjon (mikro) nettsystemer.

Beregningskompleksiteten til distribusjonsnettsiden er faktisk høyere enn planleggingen av overføringsnettverket.Selv for en reklamefilm

kompleks, kan det være titusenvis av belastningsenheter og hundrevis av brytere, og etterspørselen etter AI-basert mikronett-/distribusjonsnettverksdrift

kontroll vil oppstå.

Med de lave kostnadene for sensorer og den utbredte bruken av kraftelektroniske enheter som solid-state transformatorer, solid-state brytere og omformere (omformere),

integreringen av sensing, databehandling og kontroll i utkanten av strømnettet har også blitt en nyskapende trend.

Derfor er AIGC for strømnettet fremtiden.Det som imidlertid trengs i dag er ikke å umiddelbart ta ut en AI-algoritme for å tjene penger,

I stedet må du først ta opp problemene med konstruksjon av datainfrastruktur som kreves av AI

I oppblomstringen av AIGC, må det være tilstrekkelig rolig tenkning om applikasjonsnivået og fremtiden til kraft-AI.

For tiden er betydningen av kraft AI ikke signifikant: for eksempel er en fotovoltaisk algoritme med en prediksjonsnøyaktighet på 90 % plassert i spotmarkedet

med en terskel for handelsavvik på 5 %, og algoritmeavviket vil slette all handelsfortjeneste.

Dataene er vann, og beregningskraften til algoritmen er en kanal.Som det skjer, vil det være.