Duke iu rikthyer esencës, përparimi i AIGC në singularitet është një kombinim i tre faktorëve:

1. GPT është një kopje e neuroneve njerëzore

GPT AI i përfaqësuar nga NLP është një algoritëm i rrjetit nervor kompjuterik, thelbi i të cilit është të simulojë rrjetet nervore në korteksin cerebral të njeriut.

Përpunimi dhe imagjinata inteligjente e gjuhës, muzikës, imazheve, madje edhe informacionit të shijes janë të gjitha funksione të grumbulluara nga njeriu

truri si një "kompjuter proteinash" gjatë evolucionit afatgjatë.

Prandaj, GPT është natyrshëm imitimi më i përshtatshëm për përpunimin e informacionit të ngjashëm, domethënë të gjuhës, muzikës dhe imazheve të pastrukturuara.

Mekanizmi i përpunimit të tij nuk është të kuptuarit e kuptimit, por një proces i përpunimit, identifikimit dhe shoqërimit.Kjo është një shumë

gjë paradoksale.

Algoritmet e hershme të njohjes semantike të të folurit themeluan në thelb një model gramatikor dhe një bazë të dhënash të të folurit, më pas e lidhën të folurin me fjalorin,

më pas vendosi fjalorin në bazën e të dhënave gramatikore për të kuptuar kuptimin e fjalorit dhe në fund mori rezultatet e njohjes.

Efikasiteti i njohjes së këtij njohjeje sintaksore të bazuar në "mekanizëm logjik" ka lëvizur rreth 70%, siç është njohja ViaVoice

algoritmi i prezantuar nga IBM në vitet 1990.

AIGC nuk është për të luajtur kështu.Thelbi i tij nuk është të kujdeset për gramatikën, por më tepër të krijojë një algoritëm të rrjetit nervor që lejon

kompjuteri për të numëruar lidhjet probabilistike ndërmjet fjalëve të ndryshme, të cilat janë lidhje nervore, jo lidhje semantike.

Ashtu si të mësojmë gjuhën tonë amtare kur ishim të rinj, ne natyrshëm e mësuam atë, në vend që të mësojmë "subjekti, kallëzuesi, objekti, folja, plotësimi".

dhe më pas të kuptuarit e një paragrafi.

Ky është modeli i të menduarit i AI, që është njohja, jo të kuptuarit.

Kjo është gjithashtu rëndësia subversive e AI për të gjitha modelet klasike të mekanizmave - kompjuterët nuk kanë nevojë ta kuptojnë këtë çështje në nivelin logjik,

por më tepër identifikoni dhe njihni korrelacionin midis informacionit të brendshëm dhe më pas njihni atë.

Për shembull, gjendja e rrjedhës së energjisë dhe parashikimi i rrjeteve të energjisë bazohen në simulimin klasik të rrjetit të energjisë, ku një model matematikor i

krijohet mekanizmi dhe më pas konvergohet duke përdorur një algoritëm matricë.Në të ardhmen, mund të mos jetë e nevojshme.AI do të identifikojë dhe parashikojë drejtpërdrejt a

model i caktuar modal bazuar në statusin e secilës nyje.

Sa më shumë nyje të ketë, aq më pak popullor është algoritmi klasik i matricës, sepse kompleksiteti i algoritmit rritet me numrin e

nyjet dhe progresioni gjeometrik rritet.Megjithatë, AI preferon të ketë njëkohshmëri të nyjeve në shkallë shumë të madhe, sepse AI është e mirë në identifikimin dhe

parashikimi i mënyrave më të mundshme të rrjetit.

Nëse është parashikimi i radhës i Go (AlphaGO mund të parashikojë dhjetëra hapat e ardhshëm, me mundësi të panumërta për çdo hap) ose parashikimi modal

e sistemeve komplekse të motit, saktësia e AI është shumë më e lartë se ajo e modeleve mekanike.

Arsyeja pse rrjeti elektrik aktualisht nuk kërkon AI është se numri i nyjeve në rrjetet energjetike 220 kV e lart të menaxhuara nga provinciale

dispeçimi nuk është i madh dhe shumë kushte janë vendosur për të linearizuar dhe rralluar matricën, duke reduktuar në masë të madhe kompleksitetin llogaritës të

modeli i mekanizmit.

Megjithatë, në fazën e rrjedhës së energjisë së rrjetit të shpërndarjes, përballë dhjetëra mijëra ose qindra mijëra nyjeve të energjisë, nyjeve të ngarkesës dhe tradicionale

algoritmet e matricës në një rrjet të madh shpërndarjeje janë të pafuqishme.

Unë besoj se njohja e modelit të AI në nivelin e rrjetit të shpërndarjes do të bëhet e mundur në të ardhmen.

2. Akumulimi, trajnimi dhe gjenerimi i informacionit të pastrukturuar

Arsyeja e dytë pse AIGC ka bërë një përparim është akumulimi i informacionit.Nga konvertimi A/D i të folurit (mikrofon+PCM

kampionimi) në konvertimin A/D të imazheve (CMOS + harta e hapësirës me ngjyra), njerëzit kanë grumbulluar të dhëna holografike në pamjen dhe dëgjimin

fusha në mënyra jashtëzakonisht me kosto të ulët gjatë dekadave të fundit.

Në veçanti, popullarizimi në shkallë të gjerë i kamerave dhe telefonave inteligjentë, akumulimi i të dhënave të pastrukturuara në fushën audiovizive për njerëzit

me kosto pothuajse zero, dhe akumulimi shpërthyes i informacionit të tekstit në internet janë çelësi i trajnimit të AIGC – grupet e të dhënave të trajnimit janë të lira.

Figura e mësipërme tregon tendencën e rritjes së të dhënave globale, e cila paraqet qartë një tendencë eksponenciale.

Kjo rritje jolineare e akumulimit të të dhënave është baza për rritjen jolineare të aftësive të AIGC.

POR, shumica e këtyre të dhënave janë të dhëna audio-vizuale të pastrukturuara, të cilat grumbullohen me kosto zero.

Në fushën e energjisë elektrike kjo nuk mund të arrihet.Së pari, shumica e industrisë së energjisë elektrike janë të dhëna të strukturuara dhe gjysmë të strukturuara, si p.sh

tension dhe rrymë, të cilat janë grupe të të dhënave pikash të serive kohore dhe gjysmë të strukturuara.

Grupet strukturore të të dhënave duhet të kuptohen nga kompjuterët dhe kërkojnë "radhitje", siç është shtrirja e pajisjes - të dhënat e tensionit, rrymës dhe fuqisë

i një ndërprerësi duhet të përafrohet me këtë nyje.

Më problematike është shtrirja e kohës, e cila kërkon përafrimin e tensionit, rrymës dhe fuqisë aktive dhe reaktive bazuar në shkallën kohore, në mënyrë që

mund të kryhet identifikimi i mëvonshëm.Ka edhe drejtime përpara dhe të kundërta, të cilat janë shtrirje hapësinore në katër kuadrate.

Ndryshe nga të dhënat e tekstit, të cilat nuk kërkojnë përafrim, një paragraf thjesht hidhet në kompjuter, i cili identifikon lidhjet e mundshme të informacionit

më vete.

Për të harmonizuar këtë çështje, siç është radhitja e pajisjeve të të dhënave të shpërndarjes së biznesit, nevojitet vazhdimisht harmonizim, sepse mediumi dhe

Rrjeti i shpërndarjes së tensionit të ulët po shton, fshin dhe modifikon pajisjet dhe linjat çdo ditë, dhe kompanitë e rrjetit shpenzojnë kosto të mëdha pune.

Ashtu si "shënimi i të dhënave", kompjuterët nuk mund ta bëjnë këtë.

Së dyti, kostoja e marrjes së të dhënave në sektorin e energjisë elektrike është e lartë dhe kërkohen sensorë në vend që të keni një celular për të folur dhe për të bërë foto.”

Sa herë që voltazhi zvogëlohet me një nivel (ose lidhja e shpërndarjes së energjisë zvogëlohet me një nivel), investimi i kërkuar i sensorit rritet.

me të paktën një rend të madhësisë.Për të arritur sensorin nga ana e ngarkesës (fundi kapilar), është edhe më shumë një investim dixhital masiv.”

Nëse është e nevojshme të identifikohet mënyra kalimtare e rrjetit të energjisë, kërkohet marrja e mostrave me frekuencë të lartë me saktësi të lartë dhe kostoja është edhe më e lartë.

Për shkak të kostos marxhinale jashtëzakonisht të lartë të përvetësimit të të dhënave dhe shtrirjes së të dhënave, rrjeti elektrik aktualisht nuk është në gjendje të grumbullojë mjaftueshëm jolineare

rritja e informacionit të të dhënave për të trajnuar një algoritëm për të arritur singularitetin e AI.

Për të mos përmendur hapjen e të dhënave, është e pamundur që një startup i fuqishëm i inteligjencës artificiale të marrë këto të dhëna.

Prandaj, para AI, është e nevojshme të zgjidhet problemi i grupeve të të dhënave, përndryshe kodi i përgjithshëm i AI nuk mund të trajnohet për të prodhuar një AI të mirë.

3. Përparim në fuqinë llogaritëse

Përveç algoritmeve dhe të dhënave, zbulimi i singularitetit të AIGC është gjithashtu një përparim në fuqinë llogaritëse.CPU-të tradicionale nuk janë

i përshtatshëm për llogaritjen e njëkohshme të neuroneve në shkallë të gjerë.Është pikërisht aplikimi i GPU-ve në lojëra dhe filma 3D ai që bën paralele në shkallë të gjerë

floating-point+streaming computing i mundshëm.Ligji i Moore redukton më tej koston llogaritëse për njësi të fuqisë llogaritëse.

Rrjeti i energjisë AI, një trend i pashmangshëm në të ardhmen

Me integrimin e një numri të madh të sistemeve të shpërndara fotovoltaike dhe të ruajtjes së energjisë së shpërndarë, si dhe kërkesat e aplikimit të

termocentralet virtuale nga ana e ngarkesës, është objektivisht e nevojshme të kryhet parashikimi i burimit dhe ngarkesës për sistemet e rrjetit publik të shpërndarjes dhe përdoruesit

sistemet e rrjetit të shpërndarjes (mikro), si dhe optimizimi i rrjedhës së energjisë në kohë reale për sistemet e rrjetit të shpërndarjes (mikro).

Kompleksiteti llogaritës i anës së rrjetit të shpërndarjes është në fakt më i lartë se ai i planifikimit të rrjetit të transmetimit.Edhe për një reklamë

komplekse, mund të ketë dhjetëra mijëra pajisje ngarkimi dhe qindra ndërprerës, dhe kërkesa për funksionimin e mikro rrjetit/rrjetit të shpërndarjes bazuar në AI

do të lindë kontrolli.

Me koston e ulët të sensorëve dhe përdorimin e gjerë të pajisjeve elektronike të fuqisë si transformatorët e gjendjes së ngurtë, çelsat në gjendje të ngurtë dhe invertorët (konvertorët),

integrimi i sensorit, llogaritjes dhe kontrollit në skajin e rrjetit të energjisë është bërë gjithashtu një trend inovativ.

Prandaj, AIGC e rrjetit të energjisë është e ardhmja.Sidoqoftë, ajo që nevojitet sot nuk është që të nxjerrim menjëherë një algoritëm AI për të fituar para,

Në vend të kësaj, së pari trajtoni çështjet e ndërtimit të infrastrukturës së të dhënave të kërkuara nga AI

Në ngritjen e AIGC-së, duhet të ketë një mendim të mjaftueshëm të qetë për nivelin e aplikimit dhe të ardhmen e fuqisë AI.

Aktualisht, rëndësia e fuqisë AI nuk është e rëndësishme: për shembull, një algoritëm fotovoltaik me një saktësi parashikimi prej 90% vendoset në tregun spot

me një prag devijimi tregtar prej 5%, dhe devijimi i algoritmit do të fshijë të gjitha fitimet e tregtimit.

Të dhënat janë uji, dhe fuqia llogaritëse e algoritmit është një kanal.Siç ndodh, do të jetë.