Öze 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, hepsi insan tarafından biriktirilen işlevlerdir.

uzun vadeli evrim sırasında bir "protein bilgisayarı" olarak beyin.

Bu nedenle GPT, benzer bilgileri, yani yapılandırılmamış dil, müzik ve görüntüleri işlemek için doğal olarak en uygun taklittir.

İşleme mekanizması, anlamın anlaşılması değil, daha çok rafine etme, tanımlama ve ilişkilendirme sürecidir.Bu çok

paradoksal şey.

İlk konuşma semantik tanıma algoritmaları temel olarak bir gramer modeli ve bir konuşma veritabanı oluşturdu, ardından konuşmayı kelime dağarcığıyla eşledi,

daha sonra kelime dağarcığının anlamını anlamak için kelime dağarcığını gramer veri tabanına yerleştirdi ve sonunda tanıma sonuçları elde etti.

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

IBM tarafından 1990'larda tanıtılan algoritma.

AIGC böyle oynamakla ilgili değil.Özü, dilbilgisini önemsemek değil, daha çok,

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

Tıpkı küçükken anadilimizi öğrenmemiz gibi, “özne, yüklem, nesne, fiil, tümleç” öğrenmek yerine doğal olarak öğrendik.

ve sonra bir paragrafı anlamak.

Bu, anlama değil tanıma olan yapay zekanın düşünme modelidir.

Bu aynı zamanda yapay zekanın tüm klasik mekanizma modelleri için yıkıcı önemidir - bilgisayarların bu konuyu mantıksal düzeyde anlaması gerekmez,

bunun yerine dahili bilgiler arasındaki ilişkiyi tanımlayın ve tanıyın ve sonra onu bilin.

Örneğin, güç şebekelerinin güç akışı durumu ve tahmini, elektrik şebekesinin matematiksel modelinin bulunduğu klasik güç ağı simülasyonuna dayalıdır.

mekanizması kurulur ve daha sonra bir matris algoritması kullanılarak birleştirilir.Gelecekte, gerekli olmayabilir.Yapay Zeka doğrudan tanımlayacak ve tahmin edecek

her düğümün durumuna bağlı olarak belirli bir modal model.

Ne kadar çok düğüm varsa, klasik matris algoritması o kadar az popülerdir, çünkü algoritmanın karmaşıklığı düğüm sayısıyla artar.

düğümler ve geometrik ilerleme artar.Bununla birlikte, yapay zeka, çok büyük ölçekli düğüm eş zamanlılığına sahip olmayı tercih eder, çünkü yapay zeka tanımlamada iyidir ve

en olası ağ modlarını tahmin etmek.

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

karmaşık hava sistemlerinin doğruluğu, mekanik modellerden çok daha yüksektir.

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

gönderim büyük değildir ve matrisin hesaplama karmaşıklığını büyük ölçüde azaltarak doğrusallaştırmak ve seyrekleştirmek için birçok koşul ayarlanmıştır.

mekanizma modeli.

Bununla birlikte, dağıtım şebekesi 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 bilgilerin birikimi, eğitimi ve üretimi

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

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

son birkaç on yılda son derece düşük maliyetli yollarla alanlar.

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

neredeyse sıfır maliyetle ve İnternet'teki 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 temelidir.

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

Elektrik enerjisi alanında bu elde edilemez.İlk olarak, elektrik enerjisi endüstrisinin çoğu yapılandırılmış ve yarı yapılandırılmış verilerdir, örneğin

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

Yapısal veri setlerinin bilgisayarlar tarafından anlaşılması gerekir ve cihaz hizalaması gibi voltaj, akım ve güç verileri gibi “hizalama” gerektirir.

bir anahtarın bu düğüme hizalanması gerekir.

Daha zahmetli olan, zaman ölçeğine göre gerilim, akım ve aktif ve reaktif gücün hizalanmasını gerektiren zaman hizalamasıdır.

sonraki tanımlama yapılabilir.Dört kadranda uzamsal hizalama olan ileri ve geri yönler de vardır.

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

kendi başına.

İş dağıtım verilerinin ekipman hizalaması gibi bu konuyu hizalamak için uyum sürekli olarak gereklidir, çünkü ortam ve

alçak gerilim dağıtım şebekesi her gün ekipman ve hatlar ekliyor, çıkarıyor, değiştiriyor ve şebeke şirketleri çok büyük işçilik maliyetleri harcıyor.

"Veri açıklaması" gibi, bilgisayarlar bunu yapamaz.

İkincisi, enerji sektöründe veri toplama maliyeti yüksektir ve konuşmak ve fotoğraf çekmek için cep telefonu yerine sensörler gerekir.”

Voltaj her bir seviye düştüğünde (veya güç dağıtım ilişkisi bir seviye azaldığında), gerekli sensör yatırımı artar.

en az bir büyüklük sırasına göre.Yük tarafı (kılcal uç) algılaması elde etmek için, bu daha da büyük bir dijital yatırımdır.”.

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

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

AI tekilliğine ulaşmak için bir algoritmayı eğitmek için veri bilgilerinin büyümesi.

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

Bu nedenle, yapay zekadan önce, veri kümeleri problemini çözmek gerekir, aksi takdirde iyi bir yapay zeka üretmek için genel yapay zeka kodu eğitilemez.

3. Hesaplama gücünde atılım

Algoritmalara ve verilere ek olarak, AIGC'nin tekillik atılımı, hesaplama gücünde de bir dönüm noktasıdır.Geleneksel CPU'lar

büyük ölçekli eşzamanlı nöronal hesaplama için uygundur.3D oyunlarda ve filmlerde büyük ölçekli paralellik sağlayan tam olarak GPU'ların uygulanmasıdır.

kayan nokta+akış bilgi işlemi mümkündür.Moore Yasası, hesaplama gücü birimi başına hesaplama maliyetini daha da azaltır.

Güç şebekesi AI, gelecekte kaçınılmaz bir trend

Çok sayıda dağıtılmış fotovoltaik ve dağıtılmış enerji depolama sistemlerinin entegrasyonunun yanı sıra uygulama gereksinimleri ile

yük tarafı sanal enerji santralleri, kamu dağıtım şebekesi sistemleri ve kullanıcı için kaynak ve yük tahmini yapmak objektif olarak gereklidir.

dağıtım (mikro) şebeke sistemleri ve ayrıca dağıtım (mikro) şebeke sistemleri için gerçek zamanlı güç akışı optimizasyonu.

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

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

kontrol doğacak.

Sensör maliyetlerinin düşük olması ve katı hal transformatörleri, katı hal anahtarları ve inverterler (dönüştürücüler) gibi güç elektroniği cihazlarının yaygınlaşması ile birlikte,

elektrik şebekesinin ucunda algılama, bilgi işlem ve kontrolün entegrasyonu da yenilikçi bir trend haline geldi.

Bu nedenle, elektrik şebekesinin AIGC'si gelecek.Ancak günümüzde ihtiyaç duyulan şey, para kazanmak için hemen bir AI algoritması çıkarmak değil,

Bunun yerine, önce yapay zekanın gerektirdiği veri altyapısı oluşturma sorunlarını ele alın

AIGC'nin yükselişinde, güç AI'nın uygulama seviyesi ve geleceği hakkında yeterince sakin düşünmek gerekir.

Şu anda, AI gücünün önemi önemli değil: örneğin, %90 tahmin doğruluğuna sahip bir fotovoltaik algoritma spot piyasaya yerleştirildi

%5'lik bir işlem sapma eşiği ile ve algoritma sapması tüm ticari karları silecektir.

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