Tornant a l'essència, l'avenç d'AIGC en singularitat és una combinació de tres factors:

1. GPT és una rèplica de neurones humanes

GPT AI representat per NLP és un algorisme de xarxa neuronal informàtica, l'essència de la qual és simular xarxes neuronals a l'escorça cerebral humana.

El processament i la imaginació intel·ligent del llenguatge, la música, les imatges i fins i tot la informació del gust són funcions acumulades per l'ésser humà.

cervell com a "ordinador de proteïnes" durant l'evolució a llarg termini.

Per tant, GPT és naturalment la imitació més adequada per processar informació similar, és a dir, llenguatge no estructurat, música i imatges.

El mecanisme del seu processament no és la comprensió del significat, sinó més aviat un procés de perfeccionament, identificació i associació.Això és molt

cosa paradoxal.

Els primers algorismes de reconeixement semàntic de la parla van establir essencialment un model gramatical i una base de dades de parla, i després van mapar la parla amb el vocabulari,

després va col·locar el vocabulari a la base de dades gramatical per entendre el significat del vocabulari i, finalment, va obtenir resultats de reconeixement.

L'eficiència del reconeixement d'aquest reconeixement de sintaxi basat en un "mecanisme lògic" ha rondat el 70%, com ara el reconeixement ViaVoice

algorisme introduït per IBM a la dècada de 1990.

L'AIGC no es tracta de jugar així.La seva essència no és preocupar-se per la gramàtica, sinó més aviat establir un algorisme de xarxa neuronal que permeti el

ordinador per comptar les connexions probabilístiques entre diferents paraules, que són connexions neuronals, no connexions semàntiques.

Igual que aprendre la nostra llengua materna quan érem joves, l'hem après naturalment, en lloc d'aprendre "subjecte, predicat, objecte, verb, complement".

i després entendre un paràgraf.

Aquest és el model de pensament de la IA, que és el reconeixement, no la comprensió.

Aquesta és també la importància subversiva de la IA per a tots els models de mecanismes clàssics: els ordinadors no necessiten entendre aquesta qüestió a nivell lògic,

sinó identificar i reconèixer la correlació entre la informació interna, i després conèixer-la.

Per exemple, l'estat del flux d'energia i la predicció de les xarxes elèctriques es basen en la simulació clàssica de la xarxa elèctrica, on un model matemàtic de la

s'estableix un mecanisme i després convergeix mitjançant un algorisme matricial.En el futur, potser no serà necessari.La IA identificarà i predirà directament a

determinat patró modal basat en l'estat de cada node.

Com més nodes hi hagi, menys popular és l'algorisme de matriu clàssic, perquè la complexitat de l'algorisme augmenta amb el nombre de

nodes i la progressió geomètrica augmenta.Tanmateix, la IA prefereix tenir concurrència de nodes a molt gran escala, perquè la IA és bona per identificar i

predir els modes de xarxa més probables.

Tant si es tracta de la següent predicció de Go (AlphaGO pot predir les següents dotzenes de passos, amb innombrables possibilitats per a cada pas) o la predicció modal

de sistemes meteorològics complexos, la precisió de la IA és molt superior a la dels models mecànics.

La raó per la qual actualment la xarxa elèctrica no requereix IA és que el nombre de nodes en xarxes elèctriques de 220 kV i superiors gestionades per les províncies.

l'enviament no és gran i s'estableixen moltes condicions per linealitzar i dispersar la matriu, reduint en gran mesura la complexitat computacional de la matriu.

model de mecanisme.

Tanmateix, a l'etapa de flux d'energia de la xarxa de distribució, s'enfronta a desenes de milers o centenars de milers de nodes d'alimentació, nodes de càrrega i tradicionals.

Els algorismes de matriu en una gran xarxa de distribució són impotents.

Crec que el reconeixement de patrons de la IA a nivell de xarxa de distribució serà possible en el futur.

2. L'acumulació, formació i generació d'informació no estructurada

La segona raó per la qual AIGC ha fet un avenç és l'acumulació d'informació.Des de la conversió A/D de la parla (micròfon+PCM

mostreig) a la conversió A/D d'imatges (CMOS + mapeig de l'espai de color), els humans han acumulat dades hologràfiques a la visual i auditiva.

camps de manera molt econòmica durant les últimes dècades.

En particular, la popularització a gran escala de càmeres i telèfons intel·ligents, l'acumulació de dades no estructurades en l'àmbit audiovisual per a humans

a un cost gairebé nul, i l'acumulació explosiva d'informació de text a Internet són la clau per a la formació d'AIGC: els conjunts de dades d'entrenament són barats.

La figura anterior mostra la tendència de creixement de les dades globals, que presenta clarament una tendència exponencial.

Aquest creixement no lineal de l'acumulació de dades és la base per al creixement no lineal de les capacitats d'AIGC.

PERÒ, la majoria d'aquestes dades són dades audiovisuals no estructurades, que s'acumulen a cost zero.

En el camp de l'energia elèctrica, això no es pot aconseguir.En primer lloc, la majoria de la indústria de l'energia elèctrica té dades estructurades i semiestructurades, com ara

tensió i corrent, que són conjunts de dades puntuals de sèries temporals i semiestructurades.

Els ordinadors han d'entendre els conjunts de dades estructurals i requereixen "alineació", com ara l'alineació del dispositiu: les dades de voltatge, corrent i potència.

d'un commutador s'ha d'alinear a aquest node.

Més problemàtica és l'alineació temporal, que requereix alinear la tensió, el corrent i la potència activa i reactiva en funció de l'escala de temps, de manera que

es pot realitzar una identificació posterior.També hi ha direccions endavant i inversa, que són l'alineació espacial en quatre quadrants.

A diferència de les dades de text, que no requereixen alineació, simplement es llança un paràgraf a l'ordinador, que identifica possibles associacions d'informació.

per si mateix.

Per tal d'alinear aquest tema, com ara l'alineació d'equips de dades de distribució empresarial, l'alineació és constantment necessària, perquè el mitjà i

La xarxa de distribució de baixa tensió està afegint, suprimint i modificant equips i línies cada dia, i les empreses de xarxa gasten costos laborals enormes.

Com l'"anotació de dades", els ordinadors no poden fer-ho.

En segon lloc, el cost de l'adquisició de dades en el sector elèctric és elevat i calen sensors en comptes de tenir un telèfon mòbil per parlar i fer fotos.”

Cada vegada que la tensió disminueix en un nivell (o la relació de distribució de potència disminueix en un nivell), la inversió necessària en el sensor augmenta

almenys en un ordre de magnitud.Per aconseguir la detecció del costat de càrrega (extrem capil·lar), és encara més una inversió digital massiva".

Si és necessari identificar el mode transitori de la xarxa elèctrica, es requereix un mostreig d'alta freqüència d'alta precisió i el cost és encara més elevat.

A causa del cost marginal extremadament elevat de l'adquisició de dades i l'alineació de dades, la xarxa elèctrica no pot acumular prou no lineals.

creixement de la informació de dades per entrenar un algorisme per assolir la singularitat de la IA.

Per no parlar de l'obertura de les dades, és impossible que una startup d'IA poderosa obtingui aquestes dades.

Per tant, abans de la IA, cal resoldre el problema dels conjunts de dades, en cas contrari, el codi general d'IA no es pot entrenar per produir una bona IA.

3. Avenç en la potència computacional

A més dels algorismes i les dades, l'avenç de singularitat d'AIGC també és un avenç en la potència computacional.Les CPU tradicionals no ho són

adequat per a la informàtica neuronal concurrent a gran escala.És precisament l'aplicació de les GPU en jocs i pel·lícules en 3D el que fa paral·lel a gran escala

Computació de coma flotant + streaming possible.La llei de Moore redueix encara més el cost computacional per unitat de potència computacional.

La IA de la xarxa elèctrica, una tendència inevitable en el futur

Amb la integració d'un gran nombre de sistemes fotovoltaics distribuïts i d'emmagatzematge d'energia distribuïda, així com els requisits d'aplicació de

centrals elèctriques virtuals del costat de la càrrega, és objectivament necessari dur a terme previsions d'origen i càrrega per als sistemes de xarxa de distribució pública i l'usuari.

sistemes de xarxa de distribució (micro), així com optimització del flux d'energia en temps real per a sistemes de xarxa (micro) de distribució.

La complexitat computacional del costat de la xarxa de distribució és realment superior a la de la programació de la xarxa de transmissió.Fins i tot per a un comercial

complex, pot haver-hi desenes de milers de dispositius de càrrega i centenars d'interruptors, i la demanda d'un funcionament de la xarxa de distribució/microxarxa basada en IA

sorgirà el control.

Amb el baix cost dels sensors i l'ús generalitzat de dispositius electrònics de potència com ara transformadors d'estat sòlid, interruptors d'estat sòlid i inversors (convertidors),

la integració de la detecció, la informàtica i el control a la vora de la xarxa elèctrica també s'ha convertit en una tendència innovadora.

Per tant, l'AIGC de la xarxa elèctrica és el futur.Tanmateix, el que cal avui és no treure immediatament un algorisme d'IA per guanyar diners,

En lloc d'això, primer abordeu els problemes de construcció d'infraestructura de dades requerits per la IA

En l'auge de l'AIGC, cal pensar amb prou calma sobre el nivell d'aplicació i el futur de la IA de poder.

Actualment, la importància de la IA de potència no és significativa: per exemple, un algorisme fotovoltaic amb una precisió de predicció del 90% es col·loca al mercat spot.

amb un llindar de desviació comercial del 5%, i la desviació de l'algorisme eliminarà tots els beneficis comercials.

Les dades són aigua i la potència computacional de l'algorisme és un canal.Tal com passa, serà.