وبالعودة إلى الجوهر، فإن اختراق AIGC في التفرد هو مزيج من ثلاثة عوامل:

1. GPT هو نسخة طبق الأصل من الخلايا العصبية البشرية

GPT AI ممثلة بـ NLP هي خوارزمية شبكة عصبية حاسوبية، جوهرها هو محاكاة الشبكات العصبية في القشرة الدماغية البشرية.

إن المعالجة والخيال الذكي للغة والموسيقى والصور وحتى معلومات الذوق كلها وظائف متراكمة لدى الإنسان

الدماغ باعتباره "كمبيوتر بروتيني" أثناء التطور طويل المدى.

ولذلك، فإن GPT هو بطبيعة الحال التقليد الأكثر ملاءمة لمعالجة المعلومات المشابهة، أي اللغة والموسيقى والصور غير المنظمة.

وآلية معالجته ليست فهم المعنى، بل هي عملية صقل وتحديد وربط.هذا هو جدا

شيء متناقض.

أنشأت خوارزميات التعرف على الدلالات المبكرة للكلام بشكل أساسي نموذجًا نحويًا وقاعدة بيانات للكلام، ثم قامت بتعيين الكلام وفقًا للمفردات،

ثم وضع المفردات في قاعدة بيانات القواعد لفهم معنى المفردات، وحصل في النهاية على نتائج التعرف.

لقد كانت كفاءة التعرف على التعرف على بناء الجملة المستند إلى "الآلية المنطقية" تحوم حول 70%، مثل التعرف على ViaVoice

الخوارزمية التي قدمتها شركة IBM في التسعينيات.

AIGC لا يتعلق باللعب بهذه الطريقة.جوهرها ليس الاهتمام بالقواعد، بل إنشاء خوارزمية شبكة عصبية تسمح بذلك

الحاسوب لحساب الروابط الاحتمالية بين الكلمات المختلفة، وهي روابط عصبية وليست روابط دلالية.

مثلما تعلمنا لغتنا الأم عندما كنا صغارًا، فقد تعلمناها بشكل طبيعي، بدلاً من تعلم "الفاعل، المسند، المفعول به، الفعل، المكمل".

ومن ثم فهم فقرة.

هذا هو نموذج التفكير للذكاء الاصطناعي، وهو الاعتراف وليس الفهم.

وهذه أيضًا هي الأهمية الهدامة للذكاء الاصطناعي بالنسبة لجميع نماذج الآليات الكلاسيكية – ولا تحتاج أجهزة الكمبيوتر إلى فهم هذا الأمر على المستوى المنطقي،

بل تحديد والتعرف على العلاقة الارتباطية بين المعلومات الداخلية، ومن ثم معرفتها.

على سبيل المثال، تعتمد حالة تدفق الطاقة والتنبؤ بشبكات الطاقة على محاكاة شبكة الطاقة الكلاسيكية، حيث يتم وضع نموذج رياضي لـ

يتم إنشاء الآلية ومن ثم تقاربها باستخدام خوارزمية المصفوفة.في المستقبل، قد لا يكون ذلك ضروريا.سوف يقوم الذكاء الاصطناعي بتحديد والتنبؤ بشكل مباشر بـ

نمط مشروط معين بناءً على حالة كل عقدة.

كلما زاد عدد العقد، قلت شعبية خوارزمية المصفوفة الكلاسيكية، لأن تعقيد الخوارزمية يزداد مع عددها

العقد ويزداد التقدم الهندسي.ومع ذلك، يفضل الذكاء الاصطناعي أن يكون لديه تزامن عقدة واسع النطاق، لأن الذكاء الاصطناعي جيد في تحديد و

التنبؤ بأوضاع الشبكة الأكثر احتمالا.

سواء كان ذلك التنبؤ التالي لـ Go (يمكن لـ AlphaGO التنبؤ بالعشرات من الخطوات التالية، مع احتمالات لا حصر لها لكل خطوة) أو التنبؤ المشروط

وفي أنظمة الطقس المعقدة، تكون دقة الذكاء الاصطناعي أعلى بكثير من دقة النماذج الميكانيكية.

السبب وراء عدم حاجة شبكة الكهرباء حاليًا إلى الذكاء الاصطناعي هو أن عدد العقد في شبكات الطاقة 220 كيلو فولت وما فوق التي تديرها المقاطعات

الإرسال ليس كبيرًا، ويتم تعيين العديد من الشروط لجعل المصفوفة خطية ومتناثرة، مما يقلل بشكل كبير من التعقيد الحسابي للمصفوفة

نموذج الآلية.

ومع ذلك، في مرحلة تدفق الطاقة لشبكة التوزيع، تواجه عشرات الآلاف أو مئات الآلاف من عقد الطاقة وعقد التحميل والشبكات التقليدية

خوارزميات المصفوفة في شبكة توزيع كبيرة عاجزة.

أعتقد أن التعرف على أنماط الذكاء الاصطناعي على مستوى شبكة التوزيع سيصبح ممكنًا في المستقبل.

2. تراكم وتدريب وتوليد المعلومات غير المنظمة

السبب الثاني وراء تحقيق AIGC انفراجة هو تراكم المعلومات.من تحويل الكلام A/D (ميكروفون + PCM

أخذ العينات) إلى التحويل A/D للصور (CMOS+رسم خرائط مساحة اللون)، قام البشر بتجميع بيانات ثلاثية الأبعاد في المجال البصري والسمعي

الحقول بطرق منخفضة التكلفة للغاية على مدى العقود القليلة الماضية.

على وجه الخصوص، الانتشار الواسع النطاق للكاميرات والهواتف الذكية، وتراكم البيانات غير المنظمة في المجال السمعي البصري للبشر

بتكلفة صفر تقريبًا، ويعد التراكم الهائل للمعلومات النصية على الإنترنت هو المفتاح لتدريب AIGC - مجموعات بيانات التدريب غير مكلفة.

يوضح الشكل أعلاه اتجاه نمو البيانات العالمية، والذي يمثل بوضوح اتجاهًا أسيًا.

هذا النمو غير الخطي لتراكم البيانات هو الأساس للنمو غير الخطي لقدرات AIGC.

ولكن معظم هذه البيانات هي بيانات سمعية وبصرية غير منظمة، والتي يتم تجميعها دون أي تكلفة.

وفي مجال الطاقة الكهربائية لا يمكن تحقيق ذلك.أولاً، معظم صناعة الطاقة الكهربائية عبارة عن بيانات منظمة وشبه منظمة، مثل

الجهد والتيار، وهي عبارة عن مجموعات بيانات نقطية من السلاسل الزمنية وشبه المنظمة.

يجب أن تفهم أجهزة الكمبيوتر مجموعات البيانات الهيكلية وتتطلب "محاذاة"، مثل محاذاة الجهاز - بيانات الجهد والتيار والطاقة

يجب محاذاة التبديل إلى هذه العقدة.

الأمر الأكثر إزعاجًا هو محاذاة الوقت، الأمر الذي يتطلب محاذاة الجهد والتيار والطاقة النشطة والمتفاعلة بناءً على مقياس الوقت، بحيث

يمكن إجراء تحديد لاحق.هناك أيضًا اتجاهات أمامية وعكسية، وهي محاذاة مكانية في أربعة أرباع.

على عكس البيانات النصية التي لا تتطلب المحاذاة، يتم ببساطة طرح فقرة على الكمبيوتر، مما يحدد ارتباطات المعلومات المحتملة

من تلقاء نفسها.

من أجل مواءمة هذه المشكلة، مثل محاذاة المعدات لبيانات توزيع الأعمال، هناك حاجة إلى المحاذاة باستمرار، لأن الوسيط و

تقوم شبكة توزيع الجهد المنخفض بإضافة وحذف وتعديل المعدات والخطوط كل يوم، وتنفق شركات الشبكات تكاليف عمالة ضخمة.

مثل "التعليق التوضيحي للبيانات"، لا تستطيع أجهزة الكمبيوتر القيام بذلك.

ثانياً، تكلفة الحصول على البيانات في قطاع الطاقة مرتفعة، ويلزم وجود أجهزة استشعار بدلاً من امتلاك هاتف محمول للتحدث والتقاط الصور."

في كل مرة ينخفض ​​فيها الجهد بمستوى واحد (أو تقل علاقة توزيع الطاقة بمستوى واحد)، يزداد استثمار المستشعر المطلوب

بأمر واحد على الأقل من حيث الحجم.ولتحقيق استشعار جانب الحمل (نهاية الشعيرات الدموية)، يعد الأمر بمثابة استثمار رقمي ضخم.

إذا كان من الضروري تحديد الوضع العابر لشبكة الطاقة، فستكون هناك حاجة إلى أخذ عينات عالية الدقة وعالية التردد، وتكون التكلفة أعلى.

ونظرًا للتكلفة الحدية المرتفعة للغاية للحصول على البيانات ومواءمتها، فإن شبكة الطاقة غير قادرة حاليًا على تجميع ما يكفي من البيانات غير الخطية

نمو معلومات البيانات لتدريب الخوارزمية للوصول إلى تفرد الذكاء الاصطناعي.

ناهيك عن انفتاح البيانات، فمن المستحيل أن تحصل شركة ناشئة تعمل بالذكاء الاصطناعي على هذه البيانات.

لذلك، قبل الذكاء الاصطناعي، من الضروري حل مشكلة مجموعات البيانات، وإلا فلن يمكن تدريب كود الذكاء الاصطناعي العام لإنتاج ذكاء اصطناعي جيد.

3. اختراق في القوة الحسابية

بالإضافة إلى الخوارزميات والبيانات، يعد اختراق التفرد لـ AIGC أيضًا اختراقًا في القوة الحسابية.وحدات المعالجة المركزية التقليدية ليست كذلك

مناسبة للحوسبة العصبية المتزامنة واسعة النطاق.إن تطبيق وحدات معالجة الرسومات في الألعاب والأفلام ثلاثية الأبعاد هو بالضبط ما يجعل التوازي واسع النطاق

النقطة العائمة + الحوسبة المتدفقة ممكنة.يقلل قانون مور أيضًا من التكلفة الحسابية لكل وحدة من القوة الحسابية.

الذكاء الاصطناعي لشبكة الكهرباء، اتجاه لا مفر منه في المستقبل

مع تكامل عدد كبير من أنظمة تخزين الطاقة الكهروضوئية الموزعة والطاقة الموزعة، بالإضافة إلى متطلبات التطبيق

من جانب محطات الطاقة الافتراضية، من الضروري بشكل موضوعي إجراء التنبؤ بالمصدر والأحمال لأنظمة شبكات التوزيع العامة والمستخدمين

أنظمة شبكات التوزيع (الجزئية)، بالإضافة إلى تحسين تدفق الطاقة في الوقت الفعلي لأنظمة شبكات التوزيع (الجزئية).

إن التعقيد الحسابي لجانب شبكة التوزيع أعلى في الواقع من تعقيد جدولة شبكة النقل.حتى بالنسبة للتجارية

معقدة، قد يكون هناك عشرات الآلاف من أجهزة التحميل ومئات المحولات، والطلب على تشغيل شبكة التوزيع/الشبكة الصغيرة القائمة على الذكاء الاصطناعي

سوف تنشأ السيطرة.

مع انخفاض تكلفة أجهزة الاستشعار والاستخدام الواسع النطاق للأجهزة الإلكترونية الطاقة مثل محولات الحالة الصلبة، ومفاتيح الحالة الصلبة، والعاكسات (المحولات)،

أصبح تكامل الاستشعار والحوسبة والتحكم على حافة شبكة الطاقة أيضًا اتجاهًا مبتكرًا.

ولذلك، فإن AIGC لشبكة الكهرباء هو المستقبل.ومع ذلك، ما نحتاجه اليوم ليس القضاء على خوارزمية الذكاء الاصطناعي على الفور لكسب المال،

بدلاً من ذلك، قم أولاً بمعالجة مشكلات إنشاء البنية التحتية للبيانات التي يتطلبها الذكاء الاصطناعي

في تصاعد AIGC، يجب أن يكون هناك تفكير هادئ كافٍ بشأن مستوى التطبيق ومستقبل قوة الذكاء الاصطناعي.

في الوقت الحاضر، أهمية الذكاء الاصطناعي للطاقة ليست كبيرة: على سبيل المثال، يتم وضع خوارزمية كهروضوئية بدقة تنبؤ تبلغ 90٪ في السوق الفورية

مع حد انحراف تجاري قدره 5%، وسيؤدي انحراف الخوارزمية إلى مسح جميع أرباح التداول.

البيانات عبارة عن ماء، والقوة الحسابية للخوارزمية عبارة عن قناة.كما يحدث، سيكون.