Da se vratimo na suštinu, AIGC-ov proboj u singularnosti kombinacija je tri faktora:

1. GPT je replika ljudskih neurona

GPT AI koju predstavlja NLP je kompjuterski algoritam neuronske mreže, čija je suština simulacija neuronskih mreža u korteksu ljudskog mozga.

Obrada i inteligentna mašta jezika, muzike, slika, pa čak i informacija o ukusu, sve su to funkcije koje akumulira čovjek.

mozak kao "proteinski kompjuter" tokom dugoročne evolucije.

Stoga je GPT prirodno najpogodnija imitacija za obradu sličnih informacija, odnosno nestrukturiranog jezika, muzike i slika.

Mehanizam njegove obrade nije razumijevanje značenja, već proces rafiniranja, identifikacije i povezivanja.Ovo je veoma

paradoksalna stvar.

Rani algoritmi semantičkog prepoznavanja govora u suštini su uspostavili gramatički model i govornu bazu podataka, a zatim mapirali govor u vokabular,

zatim smjestio vokabular u gramatičku bazu podataka kako bi razumio značenje rječnika i konačno dobio rezultate prepoznavanja.

Efikasnost prepoznavanja ovog prepoznavanja sintakse zasnovanog na "logičkom mehanizmu" kretala se oko 70%, kao što je prepoznavanje ViaVoice

algoritam koji je uveo IBM 1990-ih.

AIGC se ne bavi ovakvim igranjem.Njegova suština nije da se brine o gramatici, već da uspostavi algoritam neuronske mreže koji omogućava

kompjuter za prebrojavanje vjerojatnosnih veza između različitih riječi, koje su neuronske veze, a ne semantičke veze.

Slično kao i učenje maternjeg jezika kada smo bili mladi, prirodno smo ga naučili, umjesto da učimo "subjekat, predikat, objekat, glagol, dopunu,"

a zatim razumijevanje pasusa.

Ovo je model razmišljanja AI, koji je prepoznavanje, a ne razumijevanje.

Ovo je takođe subverzivni značaj AI za sve modele klasičnih mehanizama – kompjuteri ne moraju da razumeju ovu materiju na logičkom nivou,

već radije identificirati i prepoznati korelaciju između internih informacija, a zatim ih znati.

Na primjer, stanje toka energije i predviđanje elektroenergetskih mreža zasnivaju se na klasičnoj simulaciji elektroenergetske mreže, gdje je matematički model

mehanizam se uspostavlja i zatim konvergira pomoću matričnog algoritma.U budućnosti to možda neće biti potrebno.AI će direktno identificirati i predvidjeti a

određeni modalni obrazac zasnovan na statusu svakog čvora.

Što više čvorova ima, to je klasični matrični algoritam manje popularan, jer se složenost algoritma povećava sa brojem

čvorovi i geometrijska progresija se povećava.Međutim, AI preferira da ima paralelnost čvorova veoma velikog obima, jer je AI dobra u identifikaciji i

predviđanje najvjerovatnijih mrežnih modova.

Bilo da se radi o sljedećem predviđanju Go (AlphaGO može predvidjeti sljedećih desetine koraka, s bezbroj mogućnosti za svaki korak) ili modalnom predviđanju

složenih vremenskih sistema, tačnost AI je mnogo veća od one mehaničkih modela.

Razlog zašto elektroenergetska mreža trenutno ne zahtijeva AI je taj što je broj čvorova u elektroenergetskim mrežama od 220 kV i više kojima upravljaju pokrajinske

dispečiranje nije veliko, a mnogi uvjeti su postavljeni da lineariziraju i razriješe matrice, uvelike smanjujući složenost računanja matrice

model mehanizma.

Međutim, u fazi protoka električne energije u distributivnoj mreži, suočavajući se sa desetinama hiljada ili stotinama hiljada energetskih čvorova, čvorova opterećenja i tradicionalnih

matrični algoritmi u velikoj distributivnoj mreži su nemoćni.

Vjerujem da će prepoznavanje obrazaca AI na nivou distribucijske mreže postati moguće u budućnosti.

2. Akumulacija, obuka i generisanje nestrukturiranih informacija

Drugi razlog zašto je AIGC napravio iskorak je gomilanje informacija.Od A/D konverzije govora (mikrofon+PCM

uzorkovanje) na A/D konverziju slika (CMOS+mapiranje prostora u boji), ljudi su akumulirali holografske podatke u vizualnom i slušnom

polja na izuzetno jeftin način u proteklih nekoliko decenija.

Konkretno, popularizacija kamera i pametnih telefona velikih razmjera, akumulacija nestrukturiranih podataka u audiovizuelnom polju za ljude

uz gotovo nultu cijenu, a eksplozivna akumulacija tekstualnih informacija na Internetu su ključ za AIGC obuku – skupovi podataka za obuku su jeftini.

Gornja slika prikazuje trend rasta globalnih podataka, koji jasno predstavlja eksponencijalni trend.

Ovaj nelinearni rast akumulacije podataka je temelj za nelinearni rast sposobnosti AIGC-a.

ALI, većina ovih podataka su nestrukturirani audio-vizuelni podaci, koji se akumuliraju uz nultu cijenu.

U oblasti elektroenergetike to se ne može postići.Prvo, većina elektroprivrede su strukturirani i polustrukturirani podaci, kao npr

napon i struja, koji su tačkasti skupovi podataka vremenskih serija i polustrukturirani.

Kompjuteri moraju razumjeti strukturne skupove podataka i zahtijevaju "poravnanje", kao što je poravnanje uređaja - podaci o naponu, struji i snazi

prekidača treba da bude poravnat sa ovim čvorom.

Više problematično je usklađivanje vremena, koje zahtijeva usklađivanje napona, struje, te aktivne i reaktivne snage na osnovu vremenske skale, tako da

može se izvršiti naknadna identifikacija.Postoje i smjerovi naprijed i nazad, koji su prostorno poravnanje u četiri kvadranta.

Za razliku od tekstualnih podataka, koji ne zahtijevaju poravnavanje, pasus se jednostavno baca na računar, koji identificira moguće asocijacije informacija

samostalno.

Da bi se ovo pitanje uskladilo, kao što je usaglašavanje opreme poslovnih distributivnih podataka, usklađivanje je stalno potrebno, jer medij i

distributivna mreža niskog napona svakodnevno dodaje, briše i modificira opremu i vodove, a mrežne kompanije troše ogromne troškove rada.

Poput „beležovanja podataka“, računari to ne mogu da urade.

Drugo, troškovi prikupljanja podataka u elektroenergetskom sektoru su visoki i potrebni su senzori umjesto mobilnog telefona za razgovor i fotografiranje.”

Svaki put kada se napon smanji za jedan nivo (ili se odnos distribucije energije smanji za jedan nivo), potrebno ulaganje u senzor se povećava

za najmanje jedan red veličine.Da bi se postiglo prepoznavanje sa strane opterećenja (kraj kapilare), to je još veća digitalna investicija.”

Ako je potrebno identificirati prolazni način rada električne mreže, potrebno je visoko precizno visokofrekventno uzorkovanje, a trošak je još veći.

Zbog izuzetno visokih marginalnih troškova prikupljanja podataka i usklađivanja podataka, elektroenergetska mreža trenutno nije u stanju da akumulira dovoljno nelinearnih

rast informacija o podacima za treniranje algoritma za postizanje singularnosti AI.

Da ne spominjemo otvorenost podataka, nemoguće je da moćni AI startup dobije ove podatke.

Stoga, prije AI, potrebno je riješiti problem skupova podataka, inače opći AI kod ne može biti obučen da proizvede dobar AI.

3. Proboj u računskoj moći

Pored algoritama i podataka, proboj singularnosti AIGC-a je također i napredak u računskoj moći.Tradicionalni procesori nisu

pogodno za paralelno neuronsko računanje velikih razmjera.Upravo je primjena GPU-a u 3D igrama i filmovima ono što čini paralelu velikih razmjera

moguće računanje s pomičnim zarezom + strujanje.Mooreov zakon dalje smanjuje računske troškove po jedinici računske snage.

Električna mreža AI, neizbježan trend u budućnosti

Uz integraciju velikog broja distribuiranih fotonaponskih i distribuiranih sistema za skladištenje energije, kao i zahtjeve primjene

virtuelne elektrane na strani opterećenja, objektivno je potrebno izvršiti prognozu izvora i opterećenja za sisteme javne distributivne mreže i korisnika

distributivni (mikro) mrežni sistemi, kao i optimizacija toka energije u realnom vremenu za distributivne (mikro) mrežne sisteme.

Računarska složenost na strani distributivne mreže je zapravo veća od složenosti rasporeda prijenosne mreže.Čak i za reklamu

kompleks, može postojati desetine hiljada uređaja za opterećenje i stotine prekidača, a potražnja za mikromrežnom/distributivnom mrežom zasnovanom na AI

kontrola će se pojaviti.

Uz niske cijene senzora i široku upotrebu energetskih elektronskih uređaja kao što su poluprovodnički transformatori, poluprovodnički prekidači i pretvarači (konvertori),

Integracija senzora, računarstva i kontrole na rubu električne mreže također je postala inovativan trend.

Stoga je AIGC elektroenergetske mreže budućnost.Međutim, ono što je danas potrebno je da ne uzimate odmah AI algoritam da biste zaradili novac,

Umjesto toga, prvo se pozabavite pitanjima izgradnje infrastrukture podataka koju zahtijeva AI

U porastu AIGC-a, potrebno je dovoljno mirno razmišljati o nivou primjene i budućnosti moćne AI.

Trenutno, značaj AI snage nije značajan: na primjer, fotonaponski algoritam s preciznošću predviđanja od 90% plasira se na spot tržište

sa pragom odstupanja trgovanja od 5%, a odstupanje algoritma će izbrisati sav profit od trgovanja.

Podaci su voda, a računska snaga algoritma je kanal.Kako bude, tako će i biti.