Berbalik kepada intipati, kejayaan AIGC dalam ketunggalan ialah gabungan tiga faktor:

1. GPT ialah replika neuron manusia

GPT AI yang diwakili oleh NLP ialah algoritma rangkaian saraf komputer, yang intipatinya adalah untuk mensimulasikan rangkaian saraf dalam korteks serebrum manusia.

Pemprosesan dan imaginasi pintar bahasa, muzik, imej, dan juga maklumat rasa adalah semua fungsi yang terkumpul oleh manusia.

otak sebagai "komputer protein" semasa evolusi jangka panjang.

Oleh itu, GPT secara semula jadi adalah tiruan yang paling sesuai untuk memproses maklumat yang serupa, iaitu bahasa, muzik dan imej yang tidak berstruktur.

Mekanisme pemprosesannya bukanlah kefahaman makna, melainkan proses pemurnian, mengenal pasti dan mengaitkan.Ini adalah sangat

perkara paradoks.

Algoritma pengecaman semantik pertuturan awal pada asasnya membentuk model tatabahasa dan pangkalan data pertuturan, kemudian memetakan pertuturan kepada perbendaharaan kata,

kemudian meletakkan kosa kata tersebut ke dalam pangkalan data tatabahasa untuk memahami maksud kosa kata tersebut, dan akhirnya memperoleh hasil pengiktirafan.

Kecekapan pengecaman pengecaman sintaks berasaskan "mekanisme logik" ini telah berlegar sekitar 70%, seperti pengecaman ViaVoice

algoritma yang diperkenalkan oleh IBM pada tahun 1990-an.

AIGC bukan tentang bermain seperti ini.Intipatinya bukan untuk mengambil berat tentang tatabahasa, tetapi untuk mewujudkan algoritma rangkaian saraf yang membolehkan

komputer untuk mengira sambungan kebarangkalian antara perkataan yang berbeza, iaitu sambungan saraf, bukan sambungan semantik.

Sama seperti mempelajari bahasa ibunda kita semasa kita masih muda, kita secara semula jadi mempelajarinya, bukannya mempelajari "subjek, predikat, objek, kata kerja, pelengkap,"

dan kemudian memahami perenggan.

Ini adalah model pemikiran AI, iaitu pengiktirafan, bukan pemahaman.

Ini juga merupakan kepentingan subversif AI untuk semua model mekanisme klasik - komputer tidak perlu memahami perkara ini pada tahap logik,

sebaliknya mengenal pasti dan mengiktiraf perkaitan antara maklumat dalaman, dan kemudian mengetahuinya.

Sebagai contoh, keadaan aliran kuasa dan ramalan grid kuasa adalah berdasarkan simulasi rangkaian kuasa klasik, di mana model matematik

mekanisme ditubuhkan dan kemudian menumpu menggunakan algoritma matriks.Pada masa hadapan, ia mungkin tidak perlu.AI akan mengenal pasti dan meramalkan secara langsung a

corak modal tertentu berdasarkan status setiap nod.

Semakin banyak nod, semakin kurang popular algoritma matriks klasik, kerana kerumitan algoritma meningkat dengan bilangan

nod dan janjang geometri bertambah.Walau bagaimanapun, AI lebih suka mempunyai konkurensi nod skala yang sangat besar, kerana AI pandai mengenal pasti dan

meramalkan mod rangkaian yang paling mungkin.

Sama ada ramalan Go yang seterusnya (AlphaGO boleh meramalkan berpuluh-puluh langkah seterusnya, dengan banyak kemungkinan untuk setiap langkah) atau ramalan mod

sistem cuaca yang kompleks, ketepatan AI jauh lebih tinggi daripada model mekanikal.

Sebab mengapa grid kuasa pada masa ini tidak memerlukan AI ialah bilangan nod dalam rangkaian kuasa 220 kV dan ke atas yang diuruskan oleh wilayah

penghantaran tidak besar, dan banyak keadaan ditetapkan untuk melinearkan dan mengurangkan matriks, dengan banyak mengurangkan kerumitan pengiraan

model mekanisme.

Walau bagaimanapun, pada peringkat aliran kuasa rangkaian pengedaran, menghadapi puluhan ribu atau ratusan ribu nod kuasa, nod beban dan tradisional

algoritma matriks dalam rangkaian pengedaran yang besar tidak berkuasa.

Saya percaya bahawa pengecaman corak AI pada peringkat rangkaian pengedaran akan menjadi mungkin pada masa hadapan.

2. Pengumpulan, latihan, dan penjanaan maklumat tidak berstruktur

Sebab kedua mengapa AIGC telah membuat penemuan adalah pengumpulan maklumat.Daripada penukaran A/D pertuturan (mikrofon+PCM

pensampelan) kepada penukaran A/D imej (pemetaan ruang CMOS+warna), manusia telah mengumpul data holografik dalam visual dan pendengaran

bidang dengan cara kos yang sangat rendah sejak beberapa dekad yang lalu.

Khususnya, pempopularan besar-besaran kamera dan telefon pintar, pengumpulan data tidak berstruktur dalam bidang audiovisual untuk manusia

pada kos hampir sifar, dan pengumpulan maklumat teks yang meletup di Internet adalah kunci kepada latihan AIGC - set data latihan adalah murah.

Angka di atas menunjukkan arah aliran pertumbuhan data global, yang jelas menunjukkan arah aliran eksponen.

Pertumbuhan bukan linear pengumpulan data ini adalah asas untuk pertumbuhan bukan linear keupayaan AIGC.

TETAPI, kebanyakan data ini adalah data audio-visual tidak berstruktur, yang terkumpul pada kos sifar.

Dalam bidang kuasa elektrik, ini tidak boleh dicapai.Pertama, kebanyakan industri kuasa elektrik adalah data berstruktur dan separa berstruktur, seperti

voltan dan arus, yang merupakan set data titik siri masa dan separa berstruktur.

Set data struktur perlu difahami oleh komputer dan memerlukan "penjajaran", seperti penjajaran peranti - voltan, arus dan data kuasa

suis perlu diselaraskan dengan nod ini.

Lebih menyusahkan ialah penjajaran masa, yang memerlukan penjajaran voltan, arus, dan kuasa aktif dan reaktif berdasarkan skala masa, supaya

pengenalan seterusnya boleh dilakukan.Terdapat juga arah hadapan dan belakang, iaitu penjajaran ruang dalam empat kuadran.

Tidak seperti data teks, yang tidak memerlukan penjajaran, perenggan hanya dibuang ke komputer, yang mengenal pasti kemungkinan perkaitan maklumat

dengan sendirinya.

Untuk menyelaraskan isu ini, seperti penjajaran peralatan data pengedaran perniagaan, penjajaran sentiasa diperlukan, kerana medium dan

rangkaian pengedaran voltan rendah menambah, memadam dan mengubah suai peralatan dan talian setiap hari, dan syarikat grid membelanjakan kos buruh yang besar.

Seperti "anotasi data", komputer tidak boleh melakukan ini.

Kedua, kos pemerolehan data dalam sektor kuasa adalah tinggi, dan penderia diperlukan berbanding telefon mudah alih untuk bercakap dan mengambil gambar.”

Setiap kali voltan berkurangan satu tahap (atau hubungan pengagihan kuasa berkurangan satu tahap), pelaburan sensor yang diperlukan meningkat

dengan sekurang-kurangnya satu urutan magnitud.Untuk mencapai penderiaan sisi beban (hujung kapilari), ia lebih merupakan pelaburan digital yang besar-besaran.”.

Sekiranya perlu untuk mengenal pasti mod sementara grid kuasa, pensampelan frekuensi tinggi berketepatan tinggi diperlukan, dan kosnya lebih tinggi.

Disebabkan oleh kos marginal pemerolehan data dan penjajaran data yang sangat tinggi, grid kuasa pada masa ini tidak dapat mengumpul bukan linear yang mencukupi

pertumbuhan maklumat data untuk melatih algoritma untuk mencapai ketunggalan AI.

Belum lagi keterbukaan data, adalah mustahil untuk permulaan AI berkuasa untuk mendapatkan data ini.

Oleh itu, sebelum AI, adalah perlu untuk menyelesaikan masalah set data, jika tidak, kod AI am tidak boleh dilatih untuk menghasilkan AI yang baik.

3. Terobosan dalam kuasa pengiraan

Sebagai tambahan kepada algoritma dan data, kejayaan ketunggalan AIGC juga merupakan satu kejayaan dalam kuasa pengiraan.CPU tradisional tidak

sesuai untuk pengkomputeran neuron serentak berskala besar.Ia adalah tepat penggunaan GPU dalam permainan dan filem 3D yang menjadikan skala besar selari

pengkomputeran floating-point+streaming mungkin.Undang-undang Moore mengurangkan lagi kos pengiraan seunit kuasa pengiraan.

Grid kuasa AI, trend yang tidak dapat dielakkan pada masa hadapan

Dengan penyepaduan sejumlah besar sistem storan tenaga fotovoltaik dan teragih yang diedarkan, serta keperluan aplikasi

loji kuasa maya sisi beban, secara objektifnya adalah perlu untuk menjalankan ramalan sumber dan beban untuk sistem rangkaian pengedaran awam dan pengguna

sistem grid pengedaran (mikro), serta pengoptimuman aliran kuasa masa nyata untuk sistem grid pengedaran (mikro).

Kerumitan pengiraan bahagian rangkaian pengedaran sebenarnya lebih tinggi daripada penjadualan rangkaian penghantaran.Walaupun untuk iklan

kompleks, mungkin terdapat puluhan ribu peranti pemuatan dan ratusan suis, dan permintaan untuk operasi rangkaian grid mikro/pengedaran berasaskan AI

kawalan akan timbul.

Dengan kos penderia yang rendah dan penggunaan meluas peranti elektronik kuasa seperti pengubah keadaan pepejal, suis keadaan pepejal dan penyongsang (penukar),

penyepaduan penderiaan, pengkomputeran dan kawalan di pinggir grid kuasa juga telah menjadi trend yang inovatif.

Oleh itu, AIGC grid kuasa adalah masa depan.Walau bagaimanapun, apa yang diperlukan hari ini ialah tidak segera mengeluarkan algoritma AI untuk menghasilkan wang,

Sebaliknya, atasi dahulu isu pembinaan infrastruktur data yang diperlukan oleh AI

Dalam peningkatan AIGC, perlu ada pemikiran tenang yang mencukupi tentang tahap aplikasi dan masa depan kuasa AI.

Pada masa ini, kepentingan kuasa AI tidak penting: contohnya, algoritma fotovoltaik dengan ketepatan ramalan 90% diletakkan di pasaran spot

dengan ambang sisihan dagangan sebanyak 5%, dan sisihan algoritma akan menghapuskan semua keuntungan dagangan.

Data adalah air, dan kuasa pengiraan algoritma adalah saluran.Apabila ia berlaku, ia akan menjadi.