Om terug te keer na die essensie, AIGC se deurbraak in singulariteit is 'n kombinasie van drie faktore:

1. GPT is 'n replika van menslike neurone

GPT AI verteenwoordig deur NLP is 'n rekenaar neurale netwerk algoritme, waarvan die essensie is om neurale netwerke in die menslike serebrale korteks te simuleer.

Die verwerking en intelligente verbeelding van taal, musiek, beelde en selfs smaakinligting is alles funksies wat deur die mens opgehoop word

brein as 'n "proteïenrekenaar" tydens langtermyn-evolusie.

Daarom is GPT natuurlik die mees geskikte nabootsing vir die verwerking van soortgelyke inligting, dit wil sê ongestruktureerde taal, musiek en beelde.

Die meganisme van die verwerking daarvan is nie die verstaan ​​van betekenis nie, maar eerder 'n proses van verfyning, identifisering en assosiasie.Dit is 'n baie

paradoksale ding.

Vroeë spraak semantiese herkenningsalgoritmes het in wese 'n grammatikamodel en 'n spraakdatabasis gevestig, en dan die spraak na die woordeskat gekarteer,

het dan die woordeskat in die grammatikadatabasis geplaas om die betekenis van die woordeskat te verstaan, en uiteindelik herkenningsresultate verkry.

Die herkenningsdoeltreffendheid van hierdie "logiese meganisme"-gebaseerde sintaksisherkenning het rondom 70% gesweef, soos die ViaVoice-herkenning

algoritme wat in die 1990's deur IBM bekendgestel is.

AIGC gaan nie daaroor om so te speel nie.Die essensie daarvan is om nie oor grammatika om te gee nie, maar eerder om 'n neurale netwerkalgoritme te vestig wat die

rekenaar om die waarskynlike verbande tussen verskillende woorde te tel, wat neurale verbindings is, nie semantiese verbindings nie.

Baie soos om ons moedertaal te leer toe ons jonk was, het ons dit natuurlik geleer, eerder as om "onderwerp, predikaat, voorwerp, werkwoord, komplement" te leer.

en dan 'n paragraaf te verstaan.

Dit is die denkmodel van KI, wat erkenning is, nie verstaan ​​nie.

Dit is ook die ondermynende betekenis van KI vir alle klassieke meganismemodelle – rekenaars hoef nie hierdie saak op die logiese vlak te verstaan ​​nie,

maar identifiseer en herken eerder die korrelasie tussen interne inligting, en weet dit dan.

Byvoorbeeld, die kragvloeitoestand en voorspelling van kragnetwerke is gebaseer op klassieke kragnetwerksimulasie, waar 'n wiskundige model van die

meganisme word gevestig en dan gekonvergeer met behulp van 'n matriksalgoritme.In die toekoms sal dit dalk nie nodig wees nie.KI sal direk identifiseer en voorspel a

sekere modale patroon gebaseer op die status van elke nodus.

Hoe meer nodusse daar is, hoe minder gewild is die klassieke matriksalgoritme, want die kompleksiteit van die algoritme neem toe met die aantal

nodusse en die meetkundige progressie neem toe.KI verkies egter om baie grootskaalse nodus gelyktydig te hê, omdat KI goed is om te identifiseer en

die mees waarskynlike netwerkmodusse te voorspel.

Of dit die volgende voorspelling van Go is (AlphaGO kan die volgende dosyne stappe voorspel, met ontelbare moontlikhede vir elke stap) of die modale voorspelling

van komplekse weerstelsels, is KI se akkuraatheid baie hoër as dié van meganiese modelle.

Die rede waarom die kragnetwerk tans nie KI benodig nie, is dat die aantal nodusse in 220 kV en hoër kragnetwerke wat deur provinsiale bestuur word

versending is nie groot nie, en baie voorwaardes word gestel om die matriks te lineariseer en yl, wat die berekeningskompleksiteit van die

meganisme model.

In die verspreidingsnetwerk-kragvloeistadium, wat egter tienduisende of honderdduisende kragnodusse, lasnodusse en tradisionele

matriksalgoritmes in 'n groot verspreidingsnetwerk is kragteloos.

Ek glo dat patroonherkenning van KI op verspreidingsnetwerkvlak in die toekoms moontlik sal word.

2. Die akkumulasie, opleiding en generering van ongestruktureerde inligting

Die tweede rede waarom AIGC 'n deurbraak gemaak het, is die ophoping van inligting.Van die A/D-omskakeling van spraak (mikrofoon+PCM

steekproefneming) na die A/D-omskakeling van beelde (CMOS+kleurruimtekartering), het mense holografiese data in die visuele en ouditiewe versameling

velde op uiters laekoste maniere oor die afgelope paar dekades.

Veral die grootskaalse popularisering van kameras en slimfone, die ophoping van ongestruktureerde data in die oudiovisuele veld vir mense

teen amper geen koste nie, en die plofbare opeenhoping van teksinligting op die internet is die sleutel tot AIGC-opleiding – opleidingsdatastelle is goedkoop.

Die figuur hierbo toon die groeineiging van globale data, wat duidelik 'n eksponensiële tendens voorstel.

Hierdie nie-lineêre groei van data-akkumulasie is die grondslag vir die nie-lineêre groei van AIGC se vermoëns.

MAAR die meeste van hierdie data is ongestruktureerde oudiovisuele data, wat teen geen koste opgehoop word nie.

Op die gebied van elektriese krag kan dit nie bereik word nie.Eerstens is die meeste van die elektriese kragbedryf gestruktureerde en semi-gestruktureerde data, soos

spanning en stroom, wat puntdatastelle van tydreekse en semi-gestruktureerd is.

Strukturele datastelle moet deur rekenaars verstaan ​​word en vereis "belyning", soos toestelbelyning - die spanning, stroom en kragdata

van 'n skakelaar moet in lyn gebring word met hierdie nodus.

Meer lastig is tydbelyning, wat die belyning van spanning, stroom en aktiewe en reaktiewe krag vereis op grond van die tydskaal, sodat

daaropvolgende identifikasie kan uitgevoer word.Daar is ook vorentoe en agtertoe rigtings, wat ruimtelike belyning in vier kwadrante is.

Anders as teksdata, wat nie belyning vereis nie, word 'n paragraaf eenvoudig na die rekenaar gegooi, wat moontlike inligtingsassosiasies identifiseer

op sy eie.

Om hierdie kwessie te belyn, soos die toerustingbelyning van besigheidsverspreidingsdata, is belyning voortdurend nodig, want die medium en

laespanningverspreidingsnetwerk voeg toe, skrap en wysig toerusting en lyne elke dag, en netwerkmaatskappye spandeer groot arbeidskoste.

Soos "data-aantekening", kan rekenaars dit nie doen nie.

Tweedens is die koste van data-verkryging in die kragsektor hoog, en sensors word vereis in plaas daarvan om 'n selfoon te hê om te praat en foto's te neem.”

Elke keer as die spanning met een vlak afneem (of die kragverspreidingsverhouding met een vlak verminder), neem die vereiste sensorinvestering toe

met ten minste een orde van grootte.Om laskant (kapillêre einde) waarneming te bewerkstellig, is dit selfs meer 'n massiewe digitale belegging.”.

As dit nodig is om die verbygaande modus van die kragnetwerk te identifiseer, word hoë-presisie hoëfrekwensie monsterneming vereis, en die koste is selfs hoër.

As gevolg van die uiters hoë marginale koste van data-verkryging en data-belyning, is die kragnetwerk tans nie in staat om voldoende nie-lineêre op te bou nie

groei van data-inligting om 'n algoritme op te lei om die AI-singulariteit te bereik.

Om nie eens te praat van die openheid van data nie, dit is onmoontlik vir 'n krag-KI-aanskakeling om hierdie data te bekom.

Daarom, voor KI, is dit nodig om die probleem van datastelle op te los, anders kan algemene KI-kode nie opgelei word om 'n goeie KI te produseer nie.

3. Deurbraak in rekenkrag

Benewens algoritmes en data, is die singulariteitsdeurbraak van AIGC ook 'n deurbraak in rekenaarkrag.Tradisionele SVE's is nie

geskik vir grootskaalse gelyktydige neuronale berekening.Dit is juis die toepassing van GPU's in 3D-speletjies en flieks wat grootskaalse parallel maak

drywende punt+stroomberekening moontlik.Moore se wet verminder verder die berekeningskoste per eenheid van rekenkrag.

Kragnetwerk AI, 'n onvermydelike neiging in die toekoms

Met die integrasie van 'n groot aantal verspreide fotovoltaïese en verspreide energiebergingstelsels, sowel as die toepassingsvereistes van

laskant virtuele kragsentrales, is dit objektief nodig om bron- en lasvoorspelling uit te voer vir openbare verspreidingsnetwerkstelsels en gebruikers

verspreiding (mikro) roosterstelsels, sowel as intydse kragvloeioptimalisering vir verspreiding (mikro) roosterstelsels.

Die berekeningskompleksiteit van die verspreidingsnetwerkkant is eintlik hoër as dié van die transmissienetwerkskedulering.Selfs vir 'n advertensie

kompleks, kan daar tienduisende laaitoestelle en honderde skakelaars wees, en die vraag na KI-gebaseerde mikro-netwerk-/verspreidingsnetwerkwerking

beheer sal ontstaan.

Met die lae koste van sensors en die wydverspreide gebruik van krag elektroniese toestelle soos vastestoftransformators, vastestofskakelaars en omsetters (omsetters),

die integrasie van waarneming, berekening en beheer aan die rand van die kragnetwerk het ook 'n innoverende neiging geword.

Daarom is die AIGC van die kragnetwerk die toekoms.Wat egter vandag nodig is, is nie om onmiddellik 'n KI-algoritme uit te neem om geld te maak nie,

In plaas daarvan, spreek eers die data-infrastruktuurkonstruksiekwessies aan wat deur KI vereis word

In die oplewing van AIGC moet daar genoeg kalm gedink word oor die toepassingsvlak en toekoms van krag-AI.

Op die oomblik is die belangrikheid van krag AI nie beduidend nie: byvoorbeeld, 'n fotovoltaïese algoritme met 'n voorspelling akkuraatheid van 90% word in die lokomark geplaas

met 'n handelsafwykingsdrempel van 5%, en die algoritme-afwyking sal alle handelswinste uitwis.

Die data is water, en die rekenkrag van die algoritme is 'n kanaal.Soos dit gebeur, sal dit wees.