İşin özüne dönecek olursak, AIGC'nin tekillik alanındaki atılımı üç faktörün birleşimidir:

1. GPT insan nöronlarının bir kopyasıdır

NLP tarafından temsil edilen GPT AI, özü insan serebral korteksindeki sinir ağlarını simüle etmek olan bir bilgisayar sinir ağı algoritmasıdır.

Dilin, müziğin, görüntülerin ve hatta tat bilgilerinin işlenmesi ve akıllı hayal gücü, insan tarafından biriktirilen işlevlerdir.

Uzun vadeli evrim sırasında beynin bir “protein bilgisayarı” olduğu ortaya çıktı.

Dolayısıyla GPT doğal olarak benzer bilgilerin yani yapılandırılmamış dil, müzik ve görsellerin işlenmesi için en uygun taklittir.

İşleme mekanizması anlamın anlaşılması değil, daha ziyade bir arıtma, tanımlama ve ilişkilendirme sürecidir.Bu çok

paradoksal bir şey.

İlk konuşma anlamsal tanıma algoritmaları esas olarak bir dilbilgisi modeli ve konuşma veritabanı oluşturdu, ardından konuşmayı kelime dağarcığıyla eşleştirdi.

daha sonra kelimelerin anlamını anlamak için kelimeleri dil bilgisi veri tabanına yerleştirdi ve sonunda tanıma sonuçları elde etti.

Bu "mantıksal mekanizma" tabanlı sözdizimi tanımanın tanıma verimliliği, ViaVoice tanıma gibi %70 civarında seyrediyor

IBM'in 1990'larda tanıttığı algoritma.

AIGC'nin bu şekilde oynamakla alakası yok.Bunun özü, dilbilgisine önem vermek değil, daha ziyade,

anlamsal bağlantılar değil, sinirsel bağlantılar olan farklı kelimeler arasındaki olasılıksal bağlantıları saymak için bilgisayar.

Anadilimizi gençken öğrendiğimiz gibi, “özne, yüklem, nesne, fiil, tümleç” öğrenmek yerine doğal olarak öğrendik.

ve sonra bir paragrafı anlamak.

Bu, yapay zekanın anlama değil tanıma olan düşünme modelidir.

Bu aynı zamanda yapay zekanın tüm klasik mekanizma modelleri için yıkıcı önemidir; bilgisayarların bu konuyu mantıksal düzeyde anlamasına gerek yoktur.

bunun yerine içsel bilgiler arasındaki ilişkiyi tanımlayıp tanıyın ve sonra onu bilin.

Örneğin, güç akış durumu ve güç şebekelerinin tahmini, klasik güç ağı simülasyonuna dayanmaktadır;

mekanizma kurulur ve daha sonra bir matris algoritması kullanılarak birleştirilir.Gelecekte buna gerek kalmayabilir.Yapay zeka, bir durumu doğrudan tanımlayacak ve tahmin edecek

Her düğümün durumuna bağlı olarak belirli bir modal model.

Düğüm sayısı arttıkça klasik matris algoritması daha az popüler olur çünkü düğüm sayısı arttıkça algoritmanın karmaşıklığı da artar.

düğümler ve geometrik ilerleme artar.Ancak yapay zeka, çok büyük ölçekli düğüm eşzamanlılığına sahip olmayı tercih ediyor çünkü yapay zeka, tanımlama ve düğüm oluşturma konusunda iyi.

en olası ağ modlarını tahmin etmek.

İster Go'nun bir sonraki tahmini (AlphaGO, her adım için sayısız olasılıkla sonraki düzinelerce adımı tahmin edebilir) veya modal tahmin olsun

Karmaşık hava durumu sistemlerinde yapay zekanın doğruluğu, mekanik modellerden çok daha yüksektir.

Elektrik şebekesinin şu anda yapay zekaya ihtiyaç duymamasının nedeni, il yönetimleri tarafından yönetilen 220 kV ve üzeri elektrik şebekelerindeki düğüm sayısının fazla olmasıdır.

dağıtım büyük değildir ve matrisi doğrusallaştırmak ve seyrekleştirmek için birçok koşul ayarlanmıştır, bu da matrisin hesaplama karmaşıklığını büyük ölçüde azaltır.

mekanizma modeli.

Ancak dağıtım ağı güç akışı aşamasında, onbinlerce veya yüzbinlerce güç düğümü, yük düğümü ve geleneksel

Büyük bir dağıtım ağındaki matris algoritmaları güçsüzdür.

Yapay zekanın dağıtım ağı düzeyinde örüntü tanımasının gelecekte mümkün olacağına inanıyorum.

2. Yapılandırılmamış bilginin birikmesi, eğitimi ve üretilmesi

AIGC'nin çığır açmasının ikinci nedeni ise bilgi birikimidir.Konuşmanın A/D dönüşümünden (mikrofon+PCM)

örnekleme) görüntülerin A/D dönüşümüne (CMOS+renk alanı haritalaması) kadar, insanlar görsel ve işitsel olarak holografik veriler biriktirmiştir.

Son birkaç on yılda son derece düşük maliyetli yollarla alanlar.

Özellikle kameraların ve akıllı telefonların büyük çapta yaygınlaşması, görsel-işitsel alanda insanlar için yapılandırılmamış verilerin birikmesi

neredeyse sıfır maliyetle sağlanır ve internetteki metin bilgilerinin patlayıcı birikimi AIGC eğitiminin anahtarıdır; eğitim veri setleri ucuzdur.

Yukarıdaki şekil, açıkça üstel bir eğilim sergileyen küresel verilerin büyüme eğilimini göstermektedir.

Veri birikimindeki bu doğrusal olmayan büyüme, AIGC'nin yeteneklerinin doğrusal olmayan büyümesinin temelini oluşturur.

AMA bu verilerin çoğu, sıfır maliyetle biriktirilen, yapılandırılmamış görsel-işitsel verilerdir.

Elektrik enerjisi alanında ise bu sağlanamaz.İlk olarak, elektrik enerjisi endüstrisinin çoğu yapılandırılmış ve yarı yapılandırılmış verilerden oluşmaktadır.

zaman serisi ve yarı yapılandırılmış nokta veri setleri olan gerilim ve akım.

Yapısal veri kümelerinin bilgisayarlar tarafından anlaşılması gerekir ve cihaz hizalaması (gerilim, akım ve güç verileri) gibi "hizalama" gerektirir

Bir anahtarın bu düğüme hizalanması gerekir.

Daha zahmetli olan zaman hizalamasıdır; bu, voltajın, akımın ve aktif ve reaktif gücün zaman ölçeğine göre hizalanmasını gerektirir, böylece

daha sonra kimlik tespiti yapılabilir.Ayrıca dört kadranda uzaysal hizalama olan ileri ve geri yönler de vardır.

Hizalama gerektirmeyen metin verilerinin aksine, bilgisayara olası bilgi ilişkilerini tanımlayan bir paragraf atılır.

kendi başına.

İş dağıtım verilerinin ekipman hizalaması gibi bu konuyu hizalamak için sürekli olarak hizalamaya ihtiyaç vardır, çünkü ortam ve

alçak gerilim dağıtım şebekesine her gün ekipman ve hatlar ekleniyor, siliniyor ve değiştiriliyor ve şebeke şirketleri büyük işçilik maliyetleri harcıyor.

Tıpkı “veri açıklaması” gibi bilgisayarlar da bunu yapamaz.

İkincisi, enerji sektöründe veri toplamanın maliyeti yüksektir ve konuşmak ve fotoğraf çekmek için cep telefonu yerine sensörlere ihtiyaç duyulmaktadır.”

Gerilimin bir seviye azaldığı her seferde (veya güç dağıtım ilişkisinin bir seviye azalması), gerekli sensör yatırımı artar

en az bir büyüklük sırası ile.Yük tarafı (kılcal uç) algılamayı başarmak daha da büyük bir dijital yatırımdır.".

Güç şebekesinin geçici modunu belirlemek gerekiyorsa, yüksek hassasiyetli, yüksek frekanslı örnekleme gerekir ve maliyet daha da yüksektir.

Veri toplama ve veri hizalamanın son derece yüksek marjinal maliyeti nedeniyle, elektrik şebekesi şu anda yeterli düzeyde doğrusal olmayan veri biriktirememektedir.

Yapay zeka tekilliğine ulaşmak için bir algoritmayı eğitmek amacıyla veri bilgilerinin büyümesi.

Verilerin açıklığından bahsetmiyorum bile, güçlü bir yapay zeka girişiminin bu verileri elde etmesi imkansızdır.

Bu nedenle yapay zekadan önce veri seti sorununu çözmek gerekir, aksi takdirde genel yapay zeka kodu iyi bir yapay zeka üretecek şekilde eğitilemez.

3. Hesaplama gücünde atılım

Algoritmalar ve verilere ek olarak, AIGC'nin tekillik atılımı aynı zamanda hesaplama gücünde de bir atılımdır.Geleneksel CPU'lar

büyük ölçekli eşzamanlı nöronal hesaplama için uygundur.Büyük ölçekli paralel hale getiren şey tam da GPU'ların 3D oyunlarda ve filmlerde uygulanmasıdır.

kayan nokta+akış hesaplaması mümkün.Moore Yasası, birim hesaplama gücü başına hesaplama maliyetini daha da azaltır.

Elektrik şebekesi yapay zekası, gelecekte kaçınılmaz bir trend

Çok sayıda dağıtılmış fotovoltaik ve dağıtılmış enerji depolama sisteminin entegrasyonunun yanı sıra uygulama gereksinimleriyle

yük tarafı sanal enerji santralleri, kamu dağıtım ağı sistemleri ve kullanıcı için kaynak ve yük tahminlerinin yapılması objektif olarak gereklidir.

dağıtım (mikro) şebeke sistemlerinin yanı sıra dağıtım (mikro) şebeke sistemleri için gerçek zamanlı güç akışı optimizasyonu.

Dağıtım ağı tarafının hesaplama karmaşıklığı aslında iletim ağı planlamasından daha yüksektir.Bir reklam için bile

karmaşık, on binlerce yükleme cihazı ve yüzlerce anahtar olabilir ve yapay zeka tabanlı mikro şebeke/dağıtım ağı operasyonuna yönelik talep olabilir

kontrol ortaya çıkacak.

Sensörlerin düşük maliyetli olması ve katı hal transformatörleri, katı hal anahtarları ve invertörler (konvertörler) gibi güç elektroniği cihazlarının yaygın kullanımıyla birlikte,

Güç şebekesinin ucunda algılama, hesaplama ve kontrolün entegrasyonu da yenilikçi bir trend haline geldi.

Bu nedenle, elektrik şebekesinin AIGC'si gelecek.Ancak bugün ihtiyaç duyulan şey, para kazanmak için bir yapay zeka algoritmasını hemen devre dışı bırakmak değil,

Bunun yerine öncelikle yapay zekanın gerektirdiği veri altyapısı oluşturma sorunlarını ele alın

AIGC'nin yükselişinde, güç yapay zekasının uygulama düzeyi ve geleceği hakkında yeterince sakin düşünmenin olması gerekiyor.

Şu anda yapay zeka gücünün önemi önemli değil: örneğin, tahmin doğruluğu %90 olan bir fotovoltaik algoritma spot piyasaya yerleştiriliyor

%5'lik bir ticaret sapması eşiğiyle ve algoritma sapması tüm ticari karları silecektir.

Veri sudur ve algoritmanın hesaplama gücü bir kanaldır.Olduğu gibi olacak.