Pagbabalik sa esensya, ang tagumpay ng AIGC sa singularity ay isang kumbinasyon ng tatlong salik:

1. Ang GPT ay isang replika ng mga neuron ng tao

Ang GPT AI na kinakatawan ng NLP ay isang computer neural network algorithm, na ang esensya ay upang gayahin ang mga neural network sa cerebral cortex ng tao.

Ang pagpoproseso at matalinong imahinasyon ng wika, musika, mga imahe, at kahit na impormasyon sa panlasa ay lahat ng mga function na naipon ng tao.

utak bilang isang "protina computer" sa panahon ng pangmatagalang ebolusyon.

Samakatuwid, natural na ang GPT ang pinakaangkop na imitasyon para sa pagproseso ng katulad na impormasyon, iyon ay, hindi nakaayos na wika, musika, at mga imahe.

Ang mekanismo ng pagproseso nito ay hindi ang pag-unawa sa kahulugan, kundi isang proseso ng pagpino, pagtukoy, at pag-uugnay.Ito ay isang napaka

bagay na kabalintunaan.

Ang mga algorithm sa maagang pagkilala ng semantiko ng pagsasalita ay mahalagang nagtatag ng isang modelo ng gramatika at isang database ng pagsasalita, pagkatapos ay nakamapa ang pagsasalita sa bokabularyo,

pagkatapos ay inilagay ang bokabularyo sa database ng grammar upang maunawaan ang kahulugan ng bokabularyo, at sa wakas ay nakakuha ng mga resulta ng pagkilala.

Ang kahusayan sa pagkilala ng "lohikal na mekanismo" na ito na nakabatay sa syntax na pagkilala ay uma-hover sa humigit-kumulang 70%, gaya ng ViaVoice recognition

algorithm na ipinakilala ng IBM noong 1990s.

Ang AIGC ay hindi tungkol sa paglalaro ng ganito.Ang kakanyahan nito ay hindi pagmamalasakit sa gramatika, ngunit sa halip na magtatag ng isang neural network algorithm na nagpapahintulot sa

computer upang mabilang ang probabilistikong koneksyon sa pagitan ng iba't ibang salita, na mga neural na koneksyon, hindi semantikong koneksyon.

Tulad ng pag-aaral ng ating sariling wika noong tayo ay bata pa, natural nating natutunan ito, sa halip na pag-aralan ang "paksa, panaguri, layon, pandiwa, pandagdag,"

at pagkatapos ay unawain ang isang talata.

Ito ang modelo ng pag-iisip ng AI, na kung saan ay pagkilala, hindi pag-unawa.

Ito rin ang subersibong kahalagahan ng AI para sa lahat ng klasikal na modelo ng mekanismo - hindi kailangang maunawaan ng mga computer ang bagay na ito sa lohikal na antas,

ngunit sa halip ay kilalanin at kilalanin ang ugnayan sa pagitan ng panloob na impormasyon, at pagkatapos ay alamin ito.

Halimbawa, ang estado ng daloy ng kuryente at hula ng mga power grid ay batay sa klasikal na power network simulation, kung saan ang isang mathematical na modelo ng

ang mekanismo ay itinatag at pagkatapos ay pinagsama-sama gamit ang isang matrix algorithm.Sa hinaharap, maaaring hindi ito kinakailangan.Direktang tutukuyin at hulaan ng AI ang a

ilang pattern ng modal batay sa katayuan ng bawat node.

Kung mas marami ang node, hindi gaanong sikat ang classical matrix algorithm, dahil ang pagiging kumplikado ng algorithm ay tumataas sa bilang ng

node at tumataas ang geometric progression.Gayunpaman, mas gusto ng AI na magkaroon ng napakalaking sukat na pagkakatugma ng node, dahil ang AI ay mahusay sa pagtukoy at

hinuhulaan ang pinaka-malamang na mga mode ng network.

Kung ito man ang susunod na hula ng Go (Maaaring hulaan ng AlphaGO ang susunod na dose-dosenang mga hakbang, na may hindi mabilang na mga posibilidad para sa bawat hakbang) o ang modal na hula

ng mga kumplikadong sistema ng panahon, ang katumpakan ng AI ay mas mataas kaysa sa mga mekanikal na modelo.

Ang dahilan kung bakit kasalukuyang hindi nangangailangan ng AI ang power grid ay ang bilang ng mga node sa 220 kV at mas mataas na mga network ng kuryente na pinamamahalaan ng probinsiya.

hindi malaki ang pagpapadala, at maraming kundisyon ang nakatakdang i-linearize at i-sparse ang matrix, na lubos na binabawasan ang computational complexity ng

modelo ng mekanismo.

Gayunpaman, sa yugto ng daloy ng kuryente sa network ng pamamahagi, na humaharap sa libu-libo o daan-daang libong power node, load node, at tradisyonal

Ang mga algorithm ng matrix sa isang malaking network ng pamamahagi ay walang kapangyarihan.

Naniniwala ako na ang pattern recognition ng AI sa antas ng distribution network ay magiging posible sa hinaharap.

2. Ang akumulasyon, pagsasanay, at pagbuo ng hindi nakaayos na impormasyon

Ang pangalawang dahilan kung bakit nakagawa ng tagumpay ang AIGC ay ang akumulasyon ng impormasyon.Mula sa A/D conversion ng pagsasalita (microphone+PCM

sampling) sa conversion ng A/D ng mga imahe (CMOS+color space mapping), ang mga tao ay may naipon na holographic na data sa visual at auditory

mga patlang sa napakababang halaga sa nakalipas na ilang dekada.

Sa partikular, ang malakihang pagpapasikat ng mga camera at smartphone, ang akumulasyon ng hindi nakaayos na data sa larangan ng audiovisual para sa mga tao.

sa halos walang halaga, at ang paputok na akumulasyon ng impormasyon ng teksto sa Internet ang susi sa pagsasanay ng AIGC – mura ang mga set ng data ng pagsasanay.

Ipinapakita ng figure sa itaas ang trend ng paglago ng global data, na malinaw na nagpapakita ng exponential trend.

Ang non-linear na paglago ng akumulasyon ng data ay ang pundasyon para sa hindi linear na paglago ng mga kakayahan ng AIGC.

PERO, karamihan sa mga data na ito ay hindi nakaayos na audio-visual na data, na naipon sa zero cost.

Sa larangan ng electric power, hindi ito makakamit.Una, karamihan sa industriya ng electric power ay structured at semi structured na data, gaya ng

boltahe at kasalukuyang, na mga point data set ng time series at semi structured.

Ang mga istrukturang set ng data ay kailangang maunawaan ng mga computer at nangangailangan ng "alignment", tulad ng pag-align ng device - ang boltahe, kasalukuyang, at data ng kuryente

ng isang switch ay kailangang ihanay sa node na ito.

Ang mas mahirap ay ang pag-align ng oras, na nangangailangan ng pag-align ng boltahe, kasalukuyang, at aktibo at reaktibong kapangyarihan batay sa sukat ng oras, upang

maaaring isagawa ang kasunod na pagkakakilanlan.Mayroon ding mga pasulong at pabalik na direksyon, na spatial na pagkakahanay sa apat na kuwadrante.

Hindi tulad ng data ng teksto, na hindi nangangailangan ng pagkakahanay, ang isang talata ay inihahagis lamang sa computer, na nagpapakilala sa mga posibleng asosasyon ng impormasyon

sa sarili.

Upang ihanay ang isyung ito, tulad ng pagkakahanay ng kagamitan ng data ng pamamahagi ng negosyo, patuloy na kailangan ang pagkakahanay, dahil ang daluyan at

Ang mababang boltahe na pamamahagi ng network ay nagdaragdag, nagtatanggal, at nagbabago ng mga kagamitan at linya araw-araw, at ang mga kumpanya ng grid ay gumagastos ng malaking gastos sa paggawa.

Tulad ng "data annotation," hindi ito magagawa ng mga computer.

Pangalawa, mataas ang halaga ng pagkuha ng data sa sektor ng kuryente, at kailangan ng mga sensor sa halip na magkaroon ng mobile phone para magsalita at kumuha ng litrato.”

Sa bawat oras na ang boltahe ay bumababa ng isang antas (o ang ugnayan ng pamamahagi ng kuryente ay bumababa ng isang antas), ang kinakailangang puhunan ng sensor ay tumataas

sa pamamagitan ng hindi bababa sa isang pagkakasunud-sunod ng magnitude.Para makamit ang load side (capillary end) sensing, ito ay mas malaking digital investment.”.

Kung kinakailangan upang matukoy ang transient mode ng power grid, kinakailangan ang high-precision high-frequency sampling, at mas mataas pa ang gastos.

Dahil sa napakataas na marginal cost ng data acquisition at data alignment, ang power grid ay kasalukuyang hindi nakakaipon ng sapat na non-linear.

paglago ng impormasyon ng data upang sanayin ang isang algorithm upang maabot ang AI singularity.

Hindi banggitin ang pagiging bukas ng data, imposible para sa isang power AI startup na makuha ang mga data na ito.

Samakatuwid, bago ang AI, kinakailangan upang malutas ang problema ng mga set ng data, kung hindi, ang pangkalahatang AI code ay hindi maaaring sanayin upang makagawa ng isang mahusay na AI.

3. Pambihirang tagumpay sa computational power

Bilang karagdagan sa mga algorithm at data, ang singularity breakthrough ng AIGC ay isa ring tagumpay sa computational power.Ang mga tradisyonal na CPU ay hindi

angkop para sa malakihang kasabay na neuronal computing.Ito ay tiyak na ang aplikasyon ng mga GPU sa mga 3D na laro at pelikula na gumagawa ng malakihang parallel

posible ang floating-point+streaming computing.Ang Batas ni Moore ay higit na binabawasan ang gastos sa pagkalkula sa bawat yunit ng kapangyarihan sa pagkalkula.

Power grid AI, isang hindi maiiwasang trend sa hinaharap

Sa pagsasama ng isang malaking bilang ng mga ibinahagi na photovoltaic at distributed na mga sistema ng imbakan ng enerhiya, pati na rin ang mga kinakailangan sa aplikasyon ng

load side virtual power plants, ito ay talagang kinakailangan upang magsagawa ng source at load forecasting para sa mga pampublikong sistema ng network ng pamamahagi at gumagamit

distribution (micro) grid system, pati na rin ang real-time na power flow optimization para sa distribution (micro) grid system.

Ang computational complexity ng bahagi ng distribution network ay talagang mas mataas kaysa sa transmission network scheduling.Kahit sa commercial

kumplikado, maaaring mayroong libu-libong mga load device at daan-daang switch, at ang pangangailangan para sa AI based micro grid/distribution network operation

lalabas ang kontrol.

Sa mababang halaga ng mga sensor at malawakang paggamit ng mga power electronic device tulad ng mga solid-state transformer, solid-state switch, at inverter (converter),

ang pagsasama ng sensing, computing, at kontrol sa gilid ng power grid ay naging isang makabagong trend.

Samakatuwid, ang AIGC ng power grid ay ang hinaharap.Gayunpaman, ang kailangan ngayon ay hindi agad kumuha ng AI algorithm para kumita ng pera,

Sa halip, tugunan muna ang mga isyu sa pagtatayo ng imprastraktura ng data na kinakailangan ng AI

Sa pagtaas ng AIGC, kailangang may sapat na kalmadong pag-iisip tungkol sa antas ng aplikasyon at hinaharap ng power AI.

Sa kasalukuyan, ang kahalagahan ng power AI ay hindi makabuluhan: halimbawa, isang photovoltaic algorithm na may katumpakan ng hula na 90% ay inilalagay sa spot market

na may limitasyon sa paglihis ng kalakalan na 5%, at ang paglihis ng algorithm ay buburahin ang lahat ng kita sa pangangalakal.

Ang data ay tubig, at ang computational power ng algorithm ay isang channel.Habang nangyayari ito, ito ay magiging.