با بازگشت به اصل، پیشرفت AIGC در تکینگی ترکیبی از سه عامل است:

1. GPT یک کپی از نورون های انسانی است

GPT AI ارائه شده توسط NLP یک الگوریتم شبکه عصبی کامپیوتری است که ماهیت آن شبیه سازی شبکه های عصبی در قشر مغز انسان است.

پردازش و تخیل هوشمند زبان، موسیقی، تصاویر و حتی اطلاعات مربوط به طعم، همه کارکردهایی هستند که توسط انسان انباشته شده است.

مغز به عنوان یک "کامپیوتر پروتئینی" در طول تکامل طولانی مدت.

بنابراین، GPT طبیعتا مناسب ترین تقلید برای پردازش اطلاعات مشابه، یعنی زبان، موسیقی و تصاویر بدون ساختار است.

مکانیسم پردازش آن درک معنا نیست، بلکه فرآیند پالایش، شناسایی و تداعی است.این خیلی

چیز متناقض

الگوریتم های اولیه تشخیص معنایی گفتار اساساً یک مدل دستور زبان و یک پایگاه داده گفتار را ایجاد کردند، سپس گفتار را با واژگان ترسیم کردند.

سپس واژگان را در پایگاه داده گرامر قرار داد تا معنای واژگان را درک کند و در نهایت نتایج تشخیص را به دست آورد.

راندمان تشخیص این تشخیص نحو مبتنی بر "مکانیسم منطقی" حدود 70٪ است، مانند تشخیص ViaVoice.

الگوریتمی که توسط IBM در دهه 1990 معرفی شد.

AIGC در مورد این بازی نیست.ماهیت آن اهمیت دادن به دستور زبان نیست، بلکه ایجاد یک الگوریتم شبکه عصبی است که به

کامپیوتر برای شمارش ارتباطات احتمالی بین کلمات مختلف، که اتصالات عصبی هستند، نه ارتباطات معنایی.

درست مانند یادگیری زبان مادری خود در دوران جوانی، ما به طور طبیعی آن را یاد گرفتیم، نه اینکه «موضوع، محمول، مفعول، فعل، متمم» را یاد بگیریم.

و سپس درک یک پاراگراف.

این مدل تفکر هوش مصنوعی است که تشخیص است نه درک.

این نیز اهمیت خرابکارانه هوش مصنوعی برای همه مدل‌های مکانیزم کلاسیک است - کامپیوترها نیازی به درک این موضوع در سطح منطقی ندارند.

بلکه ارتباط بین اطلاعات داخلی را شناسایی و تشخیص دهید و سپس آن را بشناسید.

به عنوان مثال، وضعیت جریان برق و پیش‌بینی شبکه‌های قدرت بر اساس شبیه‌سازی کلاسیک شبکه قدرت است که در آن یک مدل ریاضی از

مکانیسم ایجاد شده و سپس با استفاده از یک الگوریتم ماتریس همگرا می شود.در آینده، ممکن است لازم نباشد.هوش مصنوعی مستقیماً a را شناسایی و پیش بینی می کند

الگوی معینی بر اساس وضعیت هر گره.

هرچه تعداد گره‌ها بیشتر باشد، الگوریتم ماتریس کلاسیک محبوبیت کمتری دارد، زیرا پیچیدگی الگوریتم با تعداد گره‌ها افزایش می‌یابد.

گره ها و پیشرفت هندسی افزایش می یابد.با این حال، هوش مصنوعی ترجیح می دهد همزمانی گره در مقیاس بسیار بزرگ داشته باشد، زیرا هوش مصنوعی در شناسایی و شناسایی خوب است.

پیش بینی محتمل ترین حالت های شبکه

چه پیش‌بینی بعدی Go (AlphaGO می‌تواند ده‌ها مرحله بعدی را با امکانات بی‌شماری برای هر مرحله پیش‌بینی کند) یا پیش‌بینی مدال

در سیستم های آب و هوایی پیچیده، دقت هوش مصنوعی بسیار بالاتر از مدل های مکانیکی است.

دلیل اینکه شبکه برق در حال حاضر به هوش مصنوعی نیاز ندارد این است که تعداد گره ها در شبکه های برق 220 کیلو ولت و بالاتر توسط استان ها مدیریت می شود.

ارسال زیاد نیست، و بسیاری از شرایط برای خطی کردن و پراکندگی ماتریس تنظیم شده است که پیچیدگی محاسباتی را تا حد زیادی کاهش می دهد.

مدل مکانیزم

با این حال، در مرحله جریان برق شبکه توزیع، با ده ها هزار یا صدها هزار گره قدرت، گره های بار و سنتی مواجه است.

الگوریتم های ماتریسی در یک شبکه توزیع بزرگ بی قدرت است.

من معتقدم که تشخیص الگوی هوش مصنوعی در سطح شبکه توزیع در آینده امکان پذیر خواهد شد.

2. انباشت، آموزش و تولید اطلاعات بدون ساختار

دومین دلیلی که AIGC به موفقیت دست یافته است، انباشت اطلاعات است.از تبدیل A/D گفتار (میکروفون + PCM

نمونه‌برداری) به تبدیل A/D تصاویر (CMOS + نقشه‌برداری فضای رنگی)، انسان‌ها داده‌های هولوگرافیک را در بصری و شنوایی جمع‌آوری کرده‌اند.

زمینه های بسیار کم هزینه در چند دهه گذشته.

به طور خاص، محبوبیت گسترده دوربین ها و تلفن های هوشمند، انباشته شدن داده های بدون ساختار در زمینه سمعی و بصری برای انسان

با هزینه تقریباً صفر، و انباشت انفجاری اطلاعات متنی در اینترنت، کلید آموزش AIGC است – مجموعه داده های آموزشی ارزان هستند.

شکل بالا روند رشد داده های جهانی را نشان می دهد که به وضوح روندی نمایی را نشان می دهد.

این رشد غیرخطی انباشت داده ها پایه و اساس رشد غیرخطی قابلیت های AIGC است.

اما، بیشتر این داده ها داده های سمعی و بصری بدون ساختار هستند که با هزینه صفر انباشته می شوند.

در زمینه برق این امر محقق نمی شود.اولاً، بیشتر صنعت برق، داده های ساختار یافته و نیمه ساختار یافته است، مانند

ولتاژ و جریان، که مجموعه داده های نقطه ای سری های زمانی و نیمه ساخت یافته هستند.

مجموعه‌های داده‌های ساختاری باید توسط رایانه‌ها درک شوند و به «هم‌ترازی» نیاز دارند، مانند هم‌ترازی دستگاه - داده‌های ولتاژ، جریان و توان.

یک سوئیچ باید با این گره تراز شود.

مشکل تر، تراز زمانی است که نیاز به تراز کردن ولتاژ، جریان و توان اکتیو و راکتیو بر اساس مقیاس زمانی دارد، به طوری که

شناسایی بعدی قابل انجام است.جهات رو به جلو و معکوس نیز وجود دارد که هم ترازی فضایی در چهار ربع است.

برخلاف داده‌های متنی که نیازی به تراز کردن ندارند، یک پاراگراف به سادگی به رایانه پرتاب می‌شود که ارتباط‌های اطلاعاتی احتمالی را شناسایی می‌کند.

تنهایی.

به منظور تراز کردن این موضوع، مانند همترازی تجهیزات داده‌های توزیع کسب‌وکار، هم‌ترازی دائماً مورد نیاز است، زیرا رسانه و

شبکه توزیع فشار ضعیف هر روز تجهیزات و خطوط را اضافه، حذف و اصلاح می‌کند و شرکت‌های شبکه هزینه‌های زیادی برای نیروی کار صرف می‌کنند.

مانند "حاشیه نویسی داده ها"، رایانه ها نمی توانند این کار را انجام دهند.

ثانیاً، هزینه جمع‌آوری داده در بخش برق بالا است و به جای داشتن تلفن همراه برای صحبت و عکس گرفتن، به سنسورها نیاز است.”

هر بار که ولتاژ یک سطح کاهش می یابد (یا رابطه توزیع توان یک سطح کاهش می یابد)، سرمایه گذاری حسگر مورد نیاز افزایش می یابد.

حداقل با یک مرتبه بزرگی.برای دستیابی به حسگر سمت بار (انتهای مویرگی)، این یک سرمایه گذاری دیجیتال عظیم تر است."

در صورت نیاز به شناسایی حالت گذرا شبکه برق، نمونه برداری با فرکانس بالا با دقت بالا مورد نیاز است و هزینه آن حتی بیشتر است.

به دلیل هزینه نهایی بسیار بالای جمع‌آوری داده‌ها و تراز کردن داده‌ها، شبکه برق در حال حاضر قادر به جمع‌آوری کافی غیرخطی نیست.

رشد اطلاعات داده برای آموزش یک الگوریتم برای رسیدن به تکینگی هوش مصنوعی.

ناگفته نماند باز بودن داده ها، برای یک استارتاپ قدرتمند هوش مصنوعی غیرممکن است که این داده ها را به دست آورد.

بنابراین قبل از هوش مصنوعی باید مشکل مجموعه داده ها را حل کرد وگرنه نمی توان کدهای هوش مصنوعی عمومی را برای تولید یک هوش مصنوعی خوب آموزش داد.

3. پیشرفت در قدرت محاسباتی

علاوه بر الگوریتم‌ها و داده‌ها، پیشرفت تکینگی AIGC نیز پیشرفتی در قدرت محاسباتی است.CPU های سنتی اینطور نیستند

مناسب برای محاسبات عصبی همزمان در مقیاس بزرگ.این دقیقاً کاربرد پردازنده‌های گرافیکی در بازی‌ها و فیلم‌های سه بعدی است که در مقیاس بزرگ موازی می‌شود

محاسبات ممیز شناور + جریان امکان پذیر است.قانون مور هزینه محاسباتی در واحد توان محاسباتی را بیشتر کاهش می دهد.

هوش مصنوعی شبکه برق، روندی اجتناب ناپذیر در آینده

با ادغام تعداد زیادی از فتوولتائیک توزیع شده و سیستم های ذخیره انرژی توزیع شده، و همچنین الزامات کاربردی

نیروگاه های مجازی سمت بار، به طور عینی لازم است پیش بینی منبع و بار برای سیستم های شبکه توزیع عمومی و کاربر انجام شود.

سیستم های شبکه توزیع (میکرو) و همچنین بهینه سازی جریان برق بلادرنگ برای سیستم های شبکه توزیع (ریز).

پیچیدگی محاسباتی سمت شبکه توزیع در واقع بیشتر از زمان‌بندی شبکه انتقال است.حتی برای تبلیغات

پیچیده، ممکن است ده‌ها هزار دستگاه بار و صدها سوئیچ وجود داشته باشد، و تقاضا برای عملیات میکرو شبکه/شبکه ​​توزیع مبتنی بر هوش مصنوعی

کنترل بوجود خواهد آمد.

با هزینه کم سنسورها و استفاده گسترده از وسایل الکترونیکی قدرت مانند ترانسفورماتورهای حالت جامد، کلیدهای حالت جامد و اینورترها (مبدل)

ادغام سنجش، محاسبات و کنترل در لبه شبکه برق نیز به یک روند نوآورانه تبدیل شده است.

بنابراین، AIGC شبکه برق آینده است.با این حال، آنچه امروز مورد نیاز است این نیست که فوراً یک الگوریتم هوش مصنوعی را برای کسب درآمد حذف کنیم.

در عوض، ابتدا به مسائل مربوط به ساخت زیرساخت داده مورد نیاز هوش مصنوعی بپردازید

در ظهور AIGC، نیاز به تفکر آرام کافی در مورد سطح کاربرد و آینده هوش مصنوعی قدرت وجود دارد.

در حال حاضر، اهمیت هوش مصنوعی قدرت قابل توجه نیست: به عنوان مثال، یک الگوریتم فتوولتائیک با دقت پیش‌بینی 90 درصد در بازار نقدی قرار می‌گیرد.

با آستانه انحراف معاملاتی 5٪ و انحراف الگوریتم تمام سود معاملات را از بین می برد.

داده ها آب است و قدرت محاسباتی الگوریتم یک کانال است.همانطور که اتفاق می افتد، خواهد بود.