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

1. GPT هو نسخة طبق الأصل من الخلايا العصبية البشرية

GPT AI الذي يمثله NLP هو خوارزمية شبكة عصبية للكمبيوتر ، وجوهرها هو محاكاة الشبكات العصبية في القشرة الدماغية البشرية.

إن المعالجة والتخيل الذكي للغة والموسيقى والصور وحتى معلومات الذوق كلها وظائف تراكمت لدى الإنسان

الدماغ "كجهاز كمبيوتر بروتيني" خلال التطور طويل الأمد.

لذلك ، يعد GPT هو التقليد الأنسب لمعالجة المعلومات المماثلة ، أي اللغة والموسيقى والصور غير المهيكلة.

آلية معالجتها ليست فهم المعنى ، بل هي عملية صقل وتحديد وربط.هذا جدا

شيء متناقض.

أنشأت خوارزميات التعرف الدلالي المبكرة على الكلام أساسًا نموذجًا نحويًا وقاعدة بيانات للكلام ، ثم قامت بتعيين الخطاب إلى المفردات ،

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

كانت كفاءة التعرف على التعرف على النحو المستند إلى "الآلية المنطقية" تحوم حول 70٪ ، مثل التعرف على ViaVoice

الخوارزمية التي قدمتها شركة IBM في التسعينيات.

لا تدور AIGC حول اللعب بهذه الطريقة.لا يتمثل جوهرها في الاهتمام بالقواعد ، بل إنشاء خوارزمية شبكة عصبية تسمح لـ

الكمبيوتر لحساب الاتصالات الاحتمالية بين الكلمات المختلفة ، وهي اتصالات عصبية وليست اتصالات دلالية.

إلى حد كبير مثل تعلم لغتنا الأم عندما كنا صغارًا ، تعلمناها بشكل طبيعي ، بدلاً من تعلم "الموضوع ، المسند ، المفعول به ، الفعل ، التكملة"

ثم فهم فقرة.

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

هذه أيضًا هي الأهمية التخريبية للذكاء الاصطناعي لجميع نماذج الآليات الكلاسيكية - لا تحتاج أجهزة الكمبيوتر إلى فهم هذا الأمر على المستوى المنطقي ،

بل تحديد العلاقة بين المعلومات الداخلية والتعرف عليها ، ومن ثم التعرف عليها.

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

تم إنشاء آلية ثم تقاربت باستخدام خوارزمية مصفوفة.في المستقبل ، قد لا يكون ذلك ضروريًا.سيحدد الذكاء الاصطناعي ويتنبأ بشكل مباشر بملف

نمط مشروط معين يعتمد على حالة كل عقدة.

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

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

توقع أوضاع الشبكة الأكثر احتمالا.

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

لأنظمة الطقس المعقدة ، فإن دقة الذكاء الاصطناعي أعلى بكثير من دقة النماذج الميكانيكية.

السبب في أن شبكة الطاقة حاليًا لا تتطلب AI هو أن عدد العقد في 220 كيلو فولت وما فوق شبكات الطاقة التي تديرها المقاطعات

الإرسال ليس كبيرًا ، وقد تم تعيين العديد من الشروط لتقسيم المصفوفة وتناثرها ، 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 والعقد التقليدية

خوارزميات المصفوفة في شبكة توزيع كبيرة لا حول لها ولا قوة.

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

2. التراكم والتدريب وتوليد المعلومات غير المهيكلة

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

أخذ العينات) لتحويل A / D للصور (CMOS + رسم خرائط مساحة اللون) ، قام البشر بتجميع البيانات الثلاثية الأبعاد في المرئي والسمعي

بطرق منخفضة التكلفة للغاية على مدى العقود القليلة الماضية.

على وجه الخصوص ، الترويج على نطاق واسع للكاميرات والهواتف الذكية ، وتراكم البيانات غير المهيكلة في المجال السمعي البصري للبشر

بتكلفة تقارب الصفر ، والتراكم الهائل للمعلومات النصية على الإنترنت هي 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 عبارة عن بيانات سمعية وبصرية غير منظمة ، والتي تتراكم بدون تكلفة.

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

الجهد والتيار ، وهما مجموعات بيانات نقطية من سلاسل زمنية وشبه منظمة.

تحتاج مجموعات البيانات الهيكلية إلى أن تفهمها أجهزة الكمبيوتر وتتطلب "محاذاة" ، مثل محاذاة الجهاز - بيانات الجهد والتيار والطاقة

من التبديل يجب أن تكون محاذاة لهذه العقدة.

الأكثر إزعاجًا هو محاذاة الوقت ، والتي تتطلب مواءمة الجهد والتيار والقوة النشطة والمتفاعلة بناءً على المقياس الزمني ، بحيث

يمكن إجراء التحديد اللاحق.هناك أيضًا اتجاهات أمامية وعكسية ، وهي محاذاة مكانية في أربعة أرباع.

على عكس البيانات النصية ، التي لا تتطلب المحاذاة ، يتم ببساطة إلقاء فقرة على الكمبيوتر ، والتي تحدد 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 التوزيع ذات الجهد المنخفض بإضافة وحذف وتعديل المعدات والخطوط كل يوم ، وتنفق شركات الشبكات تكاليف عمالة ضخمة.

مثل "شرح البيانات" ، لا يمكن لأجهزة الكمبيوتر القيام بذلك.

ثانيًا ، تكلفة الحصول على البيانات في قطاع الطاقة مرتفعة ، وهناك حاجة إلى 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

بترتيب واحد على الأقل من حيث الحجم.لتحقيق استشعار جانب الحمل (نهاية الشعيرات الدموية) ، يعد استثمارًا رقميًا ضخمًا ".

إذا كان من الضروري تحديد الوضع العابر لشبكة الطاقة ، فإن أخذ العينات عالي الدقة عالي التردد مطلوب ، والتكلفة أعلى.

نظرًا للتكلفة الحدية العالية للغاية لاكتساب البيانات ومواءمة البيانات ، فإن شبكة الطاقة غير قادرة حاليًا على تجميع ما يكفي من غير الخطية

نمو معلومات البيانات لتدريب خوارزمية للوصول إلى تفرد الذكاء الاصطناعي.

ناهيك عن انفتاح البيانات ، من المستحيل أن تحصل شركة AI قوية على هذه البيانات.

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

3. اختراق في القوة الحسابية

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

مناسبة للحوسبة العصبية المتزامنة واسعة النطاق.إن تطبيق وحدات معالجة الرسومات على وجه التحديد في الألعاب والأفلام ثلاثية الأبعاد هو الذي يجعل الموازاة واسعة النطاق

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

شبكة الطاقة AI ، اتجاه لا مفر منه في المستقبل

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

من الضروري بشكل موضوعي إجراء التنبؤ بالمصدر والحمل لأنظمة شبكة التوزيع العامة والمستخدمين

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

التعقيد الحسابي لجانب شبكة التوزيع هو في الواقع أعلى من تعقيد جدولة شبكة النقل.حتى بالنسبة للإعلان التجاري

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

سوف تنشأ السيطرة.

مع التكلفة المنخفضة لأجهزة الاستشعار والاستخدام الواسع النطاق للأجهزة الإلكترونية للطاقة مثل محولات الحالة الصلبة ومفاتيح الحالة الصلبة والمحولات (المحولات) ،

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

لذلك ، فإن AIGC لشبكة الطاقة هو المستقبل.ومع ذلك ، ما نحتاجه اليوم هو عدم استخدام خوارزمية ذكاء اصطناعي على الفور لكسب المال ،

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

في طفرة AIGC ، يجب أن يكون هناك تفكير هادئ كافٍ حول مستوى التطبيق ومستقبل الذكاء الاصطناعي القوي.

في الوقت الحالي ، لا تعد أهمية قوة الذكاء الاصطناعي مهمة: على سبيل المثال ، يتم وضع خوارزمية كهروضوئية بدقة تنبؤ تصل إلى 90٪ في السوق الفوري

مع عتبة انحراف تداول تبلغ 5٪ ، وسيؤدي انحراف الخوارزمية إلى القضاء على جميع أرباح التداول.

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