For at vende tilbage til essensen, er AIGC's gennembrud i singularitet en kombination af tre faktorer:

1. GPT er en kopi af menneskelige neuroner

GPT AI repræsenteret ved NLP er en computerneural netværksalgoritme, hvis essens er at simulere neurale netværk i den menneskelige hjernebark.

Behandlingen og den intelligente fantasi af sprog, musik, billeder og endda smagsinformation er alle funktioner akkumuleret af mennesket

hjernen som en "proteincomputer" under langsigtet evolution.

Derfor er GPT naturligvis den bedst egnede efterligning til at behandle lignende informationer, det vil sige ustruktureret sprog, musik og billeder.

Mekanismen for dens bearbejdning er ikke forståelsen af ​​mening, men snarere en proces med forfining, identificering og associering.Dette er en meget

paradoksal ting.

Tidlige semantiske talegenkendelsesalgoritmer etablerede i det væsentlige en grammatikmodel og en taledatabase, og kortlagde derefter talen til ordforrådet,

placerede derefter ordforrådet i grammatikdatabasen for at forstå betydningen af ​​ordforrådet og opnåede til sidst genkendelsesresultater.

Genkendelseseffektiviteten af ​​denne "logiske mekanisme"-baserede syntaksgenkendelse har ligget omkring 70 %, såsom ViaVoice-genkendelsen

algoritme introduceret af IBM i 1990'erne.

AIGC handler ikke om at spille sådan her.Dens essens er ikke at bekymre sig om grammatik, men snarere at etablere en neural netværksalgoritme, der tillader

computer til at tælle de probabilistiske forbindelser mellem forskellige ord, som er neurale forbindelser, ikke semantiske forbindelser.

Ligesom at lære vores modersmål, da vi var unge, lærte vi det naturligvis i stedet for at lære "emne, prædikat, objekt, verbum, komplement."

og derefter forstå et afsnit.

Dette er den tænkende model for AI, som er anerkendelse, ikke forståelse.

Dette er også den subversive betydning af AI for alle klassiske mekanismemodeller - computere behøver ikke at forstå denne sag på det logiske niveau,

men snarere identificere og genkende sammenhængen mellem intern information og derefter kende den.

For eksempel er strømforsyningstilstanden og forudsigelsen af ​​elnet baseret på klassisk strømnetværkssimulering, hvor en matematisk model af

mekanisme etableres og derefter konvergeres ved hjælp af en matrixalgoritme.I fremtiden er det måske ikke nødvendigt.AI vil direkte identificere og forudsige en

bestemt modalt mønster baseret på status for hver knude.

Jo flere noder der er, jo mindre populær er den klassiske matrixalgoritme, fordi kompleksiteten af ​​algoritmen stiger med antallet af

noder og den geometriske progression øges.Imidlertid foretrækker AI at have meget stor skala node samtidighed, fordi AI er god til at identificere og

forudsige de mest sandsynlige netværkstilstande.

Uanset om det er den næste forudsigelse af Go (AlphaGO kan forudsige de næste snesevis af trin, med utallige muligheder for hvert trin) eller den modale forudsigelse

af komplekse vejrsystemer er AI's nøjagtighed meget højere end for mekaniske modeller.

Grunden til, at elnettet i øjeblikket ikke kræver AI, er, at antallet af noder i 220 kV og derover elnetværk, der administreres af provinsen

afsendelsen er ikke stor, og mange betingelser er sat til at linearisere og sparsomme matrixen, hvilket i høj grad reducerer den beregningsmæssige kompleksitet af

mekanisme model.

Men på distributionsnetværkets strømstrømstrin, står over for titusindvis eller hundredtusindvis af strømknuder, belastningsknuder og traditionelle

matrixalgoritmer i et stort distributionsnetværk er magtesløse.

Jeg tror på, at mønstergenkendelse af AI på distributionsnetværksniveau vil blive mulig i fremtiden.

2. Akkumulering, træning og generering af ustruktureret information

Den anden grund til, at AIGC har fået et gennembrud, er ophobningen af ​​information.Fra A/D-konvertering af tale (mikrofon+PCM

sampling) til A/D-konvertering af billeder (CMOS+farverumskortlægning), har mennesker akkumuleret holografiske data i det visuelle og auditive

felter på ekstremt billige måder i løbet af de sidste par årtier.

Især den store popularisering af kameraer og smartphones, akkumulering af ustrukturerede data på det audiovisuelle område for mennesker

til næsten nul omkostninger, og den eksplosive ophobning af tekstinformation på internettet er nøglen til AIGC-træning – træningsdatasæt er billige.

Figuren ovenfor viser væksttendensen for globale data, som tydeligt viser en eksponentiel tendens.

Denne ikke-lineære vækst af dataakkumulering er grundlaget for den ikke-lineære vækst af AIGC's muligheder.

MEN de fleste af disse data er ustrukturerede audiovisuelle data, som akkumuleres uden omkostninger.

Inden for elektrisk kraft kan dette ikke opnås.For det første er det meste af elkraftindustrien strukturerede og semistrukturerede data, som f.eks

spænding og strøm, som er punktdatasæt af tidsserier og semistrukturerede.

Strukturelle datasæt skal forstås af computere og kræver "justering", såsom enhedsjustering - spændings-, strøm- og effektdata

af en switch skal justeres til denne node.

Mere besværligt er tidsjustering, som kræver justering af spænding, strøm og aktiv og reaktiv effekt baseret på tidsskalaen, så

efterfølgende identifikation kan udføres.Der er også retninger frem og tilbage, som er rumlig justering i fire kvadranter.

I modsætning til tekstdata, som ikke kræver justering, bliver et afsnit simpelthen smidt til computeren, som identificerer mulige informationsassociationer

på egen hånd.

For at tilpasse dette problem, såsom udstyrsjustering af forretningsdistributionsdata, er der konstant behov for justering, fordi mediet og

lavspændingsdistributionsnetværk tilføjer, sletter og ændrer udstyr og linjer hver dag, og netselskaberne bruger enorme arbejdsomkostninger.

Ligesom "dataannotering" kan computere ikke gøre dette.

For det andet er omkostningerne ved dataindsamling i elsektoren høje, og der kræves sensorer i stedet for at have en mobiltelefon til at tale og tage billeder.”

Hver gang spændingen falder med ét niveau (eller strømfordelingsforholdet falder med ét niveau), øges den nødvendige sensorinvestering

med mindst én størrelsesorden.For at opnå registrering af belastningssiden (kapillærenden) er det endnu mere en massiv digital investering.”.

Hvis det er nødvendigt at identificere strømnettets transiente tilstand, kræves højpræcision højfrekvent prøvetagning, og omkostningerne er endnu højere.

På grund af de ekstremt høje marginalomkostninger ved dataindsamling og datajustering er elnettet i øjeblikket ikke i stand til at akkumulere tilstrækkeligt ikke-lineært

vækst af datainformation for at træne en algoritme til at nå AI-singulariteten.

For ikke at nævne åbenheden af ​​data, er det umuligt for en power AI-startup at opnå disse data.

Derfor, før AI, er det nødvendigt at løse problemet med datasæt, ellers kan generel AI-kode ikke trænes til at producere en god AI.

3. Gennembrud inden for beregningskraft

Ud over algoritmer og data er singularitetsgennembruddet af AIGC også et gennembrud inden for beregningskraft.Traditionelle CPU'er er det ikke

velegnet til storskala samtidig neuronal computing.Det er netop anvendelsen af ​​GPU'er i 3D-spil og film, der gør storskala parallel

floating-point+streaming computing muligt.Moores lov reducerer yderligere beregningsomkostningerne pr. enhed af beregningskraft.

Power grid AI, en uundgåelig trend i fremtiden

Med integrationen af ​​et stort antal distribuerede solcelle- og distribuerede energilagringssystemer samt anvendelseskravene til

virtuelle kraftværker på belastningssiden, er det objektivt nødvendigt at udføre kilde- og belastningsprognoser for offentlige distributionsnetsystemer og brugere

distribution (mikro) netsystemer, samt real-time power flow optimering til distribution (mikro) netsystemer.

Den beregningsmæssige kompleksitet af distributionsnetsiden er faktisk højere end planlægningen af ​​transmissionsnetværket.Selv for en reklamefilm

komplekst, kan der være titusindvis af belastningsenheder og hundredvis af switches, og efterspørgslen efter AI-baseret mikronet-/distributionsnetværksdrift

kontrol vil opstå.

Med de lave omkostninger ved sensorer og den udbredte brug af kraftelektroniske enheder såsom solid-state transformere, solid-state switches og invertere (konvertere),

integrationen af ​​sansning, databehandling og kontrol på kanten af ​​elnettet er også blevet en innovativ trend.

Derfor er elnettets AIGC fremtiden.Men det, der er brug for i dag, er ikke straks at udtage en AI-algoritme for at tjene penge,

I stedet skal du først tage fat på de datainfrastrukturkonstruktionsproblemer, der kræves af AI

I opblomstringen af ​​AIGC skal der være tilstrækkelig rolig tænkning om anvendelsesniveauet og fremtiden for power AI.

På nuværende tidspunkt er betydningen af ​​power AI ikke væsentlig: for eksempel placeres en fotovoltaisk algoritme med en forudsigelsesnøjagtighed på 90% på spotmarkedet

med en handelsafvigelsestærskel på 5 %, og algoritmeafvigelsen vil udslette alle handelsoverskud.

Dataene er vand, og algoritmens beregningskraft er en kanal.Som det sker, vil det være.