Volvendo á esencia, o avance de AIGC na singularidade é unha combinación de tres factores:

1. GPT é unha réplica de neuronas humanas

GPT AI representado por NLP é un algoritmo de rede neuronal informática, cuxa esencia é simular redes neuronais na cortiza cerebral humana.

O procesamento e a imaxinación intelixente da linguaxe, a música, as imaxes e mesmo a información gustativa son todas funcións acumuladas polo ser humano.

cerebro como un "computador de proteínas" durante a evolución a longo prazo.

Polo tanto, GPT é naturalmente a imitación máis adecuada para procesar información semellante, é dicir, linguaxe non estruturada, música e imaxes.

O mecanismo do seu procesamento non é a comprensión do significado, senón un proceso de refinamento, identificación e asociación.Isto é moi

cousa paradoxal.

Os primeiros algoritmos de recoñecemento semántico da fala estableceron esencialmente un modelo gramatical e unha base de datos de fala, e logo mapearon a fala co vocabulario.

despois colocou o vocabulario na base de datos gramatical para comprender o significado do vocabulario e, finalmente, obtivo resultados de recoñecemento.

A eficiencia do recoñecemento deste recoñecemento sintáctico baseado en "mecanismos lóxicos" rolda o 70%, como o recoñecemento ViaVoice

algoritmo introducido por IBM na década de 1990.

A AIGC non se trata de xogar así.A súa esencia non é preocuparse pola gramática, senón establecer un algoritmo de rede neuronal que permita o

ordenador para contar as conexións probabilísticas entre diferentes palabras, que son conexións neuronais, non conexións semánticas.

Do mesmo xeito que aprendemos a nosa lingua materna cando eramos novos, aprendemos naturalmente, en lugar de aprender "suxeito, predicado, obxecto, verbo, complemento".

e despois entender un parágrafo.

Este é o modelo de pensamento da IA, que é o recoñecemento, non a comprensión.

Este é tamén o significado subversivo da IA ​​para todos os modelos de mecanismos clásicos: as computadoras non precisan entender este asunto a nivel lóxico,

senón identificar e recoñecer a correlación entre a información interna, e logo coñecela.

Por exemplo, o estado do fluxo de enerxía e a predición das redes eléctricas baséanse na simulación clásica de redes eléctricas, onde un modelo matemático do

Establécese un mecanismo e despois converxe mediante un algoritmo matricial.No futuro, quizais non sexa necesario.A IA identificará e predicirá directamente a

determinado patrón modal baseado no estado de cada nodo.

Cantos máis nodos haxa, menos popular é o algoritmo matricial clásico, porque a complexidade do algoritmo aumenta co número de

nodos e a progresión xeométrica aumenta.Non obstante, a IA prefire ter simultaneidade de nodos a moi grande escala, porque a IA é boa para identificar e

predicir os modos de rede máis probables.

Xa se trate da seguinte predición de Go (AlphaGO pode predecir as próximas ducias de pasos, con innumerables posibilidades para cada paso) ou a predición modal

de sistemas meteorolóxicos complexos, a precisión da IA ​​é moito maior que a dos modelos mecánicos.

O motivo polo que actualmente a rede eléctrica non precisa de IA é que o número de nodos en redes eléctricas de 220 kV ou superiores xestionadas pola provincia.

o despacho non é grande, e se establecen moitas condicións para linealizar e dispersar a matriz, reducindo moito a complexidade computacional do

modelo de mecanismo.

Non obstante, na fase de fluxo de enerxía da rede de distribución, enfrontándose a decenas de miles ou centos de miles de nós de potencia, nodos de carga e tradicionais

algoritmos de matriz nunha rede de distribución grande é impotente.

Creo que o recoñecemento de patróns da IA ​​a nivel de rede de distribución será posible no futuro.

2. A acumulación, formación e xeración de información non estruturada

A segunda razón pola que AIGC logrou un gran avance é a acumulación de información.Desde a conversión A/D de voz (micrófono+PCM

mostraxe) á conversión A/D de imaxes (CMOS+mapeo do espazo de cor), os humanos acumularon datos holográficos no plano visual e auditivo.

campos de forma moi barata durante as últimas décadas.

En particular, a popularización a gran escala de cámaras e teléfonos intelixentes, a acumulación de datos non estruturados no ámbito audiovisual para humanos.

cun custo case cero, e a explosiva acumulación de información de texto en Internet son a clave para a formación da AIGC: os conxuntos de datos de formación son baratos.

A figura anterior mostra a tendencia de crecemento dos datos globais, que presenta claramente unha tendencia exponencial.

Este crecemento non lineal da acumulación de datos é a base para o crecemento non lineal das capacidades de AIGC.

PERO, a maioría destes datos son datos audiovisuais non estruturados, que se acumulan a custo cero.

No campo da enerxía eléctrica, isto non se pode conseguir.En primeiro lugar, a maior parte da industria da enerxía eléctrica é de datos estruturados e semiestruturados, como

tensión e corrente, que son conxuntos de datos puntuais de series temporais e semiestruturados.

Os conxuntos de datos estruturais deben ser entendidos polos ordenadores e requiren un "alineamento", como o aliñamento do dispositivo: os datos de voltaxe, corrente e potencia.

dun interruptor debe estar aliñado a este nodo.

Máis problemático é o aliñamento temporal, que require aliñar a tensión, a corrente e a potencia activa e reactiva en función da escala de tempo, de modo que

pódese realizar a identificación posterior.Tamén hai direccións adiante e inversa, que son a aliñación espacial en catro cuadrantes.

A diferenza dos datos de texto, que non requiren aliñación, simplemente lánzase un parágrafo ao ordenador, que identifica posibles asociacións de información.

pola súa conta.

Para aliñar este problema, como o aliñamento de equipos dos datos de distribución empresarial, é necesario un aliñamento constantemente, porque o medio e

A rede de distribución de baixa tensión está engadindo, eliminando e modificando equipos e liñas todos os días, e as empresas de rede gastan enormes custos laborais.

Do mesmo xeito que a "anotación de datos", os ordenadores non poden facelo.

En segundo lugar, o custo da adquisición de datos no sector eléctrico é elevado, e son necesarios sensores en lugar de ter un teléfono móbil para falar e facer fotos.”

Cada vez que a tensión diminúe nun nivel (ou a relación de distribución de enerxía diminúe nun nivel), o investimento necesario do sensor aumenta

polo menos nunha orde de magnitude.Para lograr a detección do lado de carga (extremo capilar), é aínda máis un investimento dixital masivo.

Se é necesario identificar o modo transitorio da rede eléctrica, requírese unha mostraxe de alta precisión de alta frecuencia e o custo é aínda maior.

Debido ao custo marxinal extremadamente alto da adquisición de datos e o aliñamento dos datos, a rede eléctrica non pode acumular suficientes elementos non lineais.

crecemento da información de datos para adestrar un algoritmo para alcanzar a singularidade da IA.

Sen esquecer a apertura dos datos, é imposible que unha startup de intelixencia artificial poida obter estes datos.

Polo tanto, antes da IA, é necesario resolver o problema dos conxuntos de datos, se non, o código xeral de AI non se pode adestrar para producir unha boa IA.

3. Avance en potencia computacional

Ademais de algoritmos e datos, o avance de singularidade de AIGC tamén é un avance no poder computacional.As CPU tradicionais non o son

adecuado para computación neuronal concurrente a gran escala.É precisamente a aplicación de GPU en xogos e películas en 3D o que fai paralelo a gran escala

computación de coma flotante+transmisión posible.A lei de Moore reduce aínda máis o custo computacional por unidade de potencia computacional.

A IA da rede eléctrica, unha tendencia inevitable no futuro

Coa integración dun gran número de sistemas distribuídos fotovoltaicos e de almacenamento de enerxía distribuída, así como os requisitos de aplicación de

centrais de enerxía virtuais do lado da carga, é obxectivamente necesario realizar previsións de orixe e carga para os sistemas de redes de distribución pública e os usuarios.

sistemas de rede de distribución (micro), así como optimización do fluxo de enerxía en tempo real para sistemas de rede de distribución (micro).

A complexidade computacional do lado da rede de distribución é en realidade maior que a da programación da rede de transporte.Incluso para un comercial

complexo, pode haber decenas de miles de dispositivos de carga e centos de interruptores, e a demanda de operacións de rede de distribución/microrede baseada en intelixencia artificial

xurdirá o control.

Co baixo custo dos sensores e o uso xeneralizado de dispositivos electrónicos de potencia, como transformadores de estado sólido, interruptores de estado sólido e inversores (conversores),

a integración de detección, computación e control no bordo da rede eléctrica tamén se converteu nunha tendencia innovadora.

Polo tanto, a AIGC da rede eléctrica é o futuro.Non obstante, o que se necesita hoxe non é sacar inmediatamente un algoritmo de intelixencia artificial para gañar cartos.

En vez diso, primeiro aborde os problemas de construción da infraestrutura de datos requiridos pola IA

No repunte da AIGC, é necesario pensar con calma suficiente sobre o nivel de aplicación e o futuro da IA ​​de poder.

Na actualidade, a importancia da IA ​​de potencia non é significativa: por exemplo, un algoritmo fotovoltaico cunha precisión de predicción do 90% colócase no mercado spot

cun limiar de desviación comercial do 5% e a desviación do algoritmo eliminará todos os beneficios comerciais.

Os datos son auga e o poder de cálculo do algoritmo é unha canle.Como ocorre, será.