Возвращаясь к сути, прорыв AIGC в области сингулярности — это сочетание трёх факторов:

1. GPT — точная копия нейронов человека

GPT AI в лице NLP — это компьютерный нейросетевой алгоритм, суть которого заключается в моделировании нейронных сетей в коре головного мозга человека.

Обработка и интеллектуальное воображение языка, музыки, изображений и даже вкусовой информации — все это функции, накопленные человеком.

мозг как «белковый компьютер» в ходе длительной эволюции.

Поэтому GPT, естественно, является наиболее подходящей имитацией для обработки подобной информации, то есть неструктурированного языка, музыки и изображений.

Механизм его обработки — это не понимание значения, а скорее процесс уточнения, идентификации и ассоциации.Это очень

парадоксальная вещь.

Ранние алгоритмы семантического распознавания речи, по сути, создавали грамматическую модель и базу данных речи, а затем сопоставляли речь со словарем.

затем поместил словарь в базу данных грамматики, чтобы понять значение словаря, и, наконец, получил результаты распознавания.

Эффективность распознавания синтаксиса, основанного на «логическом механизме», колеблется около 70%, как, например, при распознавании ViaVoice.

Алгоритм, представленный IBM в 1990-х годах.

Целью AIGC не является такая игра.Его суть не в том, чтобы заботиться о грамматике, а в том, чтобы создать алгоритм нейронной сети, который позволяет

компьютер для подсчета вероятностных связей между разными словами, которые представляют собой нейронные, а не семантические связи.

Подобно тому, как мы изучали родной язык в детстве, мы выучили его естественным путем, а не изучали «подлежащее, сказуемое, дополнение, глагол, дополнение».

а затем понимание абзаца.

Это модель мышления ИИ, которая заключается в распознавании, а не понимании.

В этом и заключается подрывное значение ИИ для всех классических моделей механизмов – компьютерам не нужно понимать этот вопрос на логическом уровне,

а скорее выявить и распознать корреляцию между внутренней информацией, а затем узнать ее.

Например, состояние потока электроэнергии и прогнозирование электросетей основаны на классическом моделировании электросетей, где математическая модель

Механизм устанавливается, а затем сходится с использованием матричного алгоритма.В будущем, возможно, это не понадобится.ИИ будет напрямую идентифицировать и прогнозировать

определенный модальный шаблон, основанный на состоянии каждого узла.

Чем больше узлов, тем менее популярен классический матричный алгоритм, поскольку сложность алгоритма возрастает с увеличением количества узлов.

узлов и геометрическая прогрессия увеличивается.Однако ИИ предпочитает иметь очень крупномасштабный параллелизм узлов, поскольку ИИ хорошо умеет идентифицировать и

прогнозирование наиболее вероятных режимов сети.

Будь то следующее предсказание Go (AlphaGO может предсказать следующие десятки шагов с бесчисленными возможностями для каждого шага) или модальное предсказание

В случае сложных погодных систем точность ИИ намного выше, чем у механических моделей.

Причина, по которой энергосистема в настоящее время не требует искусственного интеллекта, заключается в том, что количество узлов в электросетях напряжением 220 кВ и выше, управляемых провинциальными

диспетчеризация невелика, и задано множество условий для линеаризации и разрежения матрицы, что значительно снижает вычислительную сложность

модель механизма.

Однако на этапе распределения электроэнергии в распределительной сети приходится сталкиваться с десятками тысяч или сотнями тысяч узлов питания, узлов нагрузки и традиционных

матричные алгоритмы в крупной торговой сети бессильны.

Я считаю, что распознавание образов ИИ на уровне дистрибьюторской сети станет возможным в будущем.

2. Накопление, обучение и генерация неструктурированной информации.

Вторая причина, по которой AIGC совершила прорыв, — это накопление информации.Из аналого-цифрового преобразования речи (микрофон+PCM

выборка) до аналого-цифрового преобразования изображений (CMOS+картография цветового пространства), люди накопили голографические данные в зрительных и слуховых системах.

месторождения чрезвычайно дешевыми способами в течение последних нескольких десятилетий.

В частности, масштабная популяризация фотоаппаратов и смартфонов, накопление неструктурированных данных в аудиовизуальной сфере для человека.

практически при нулевой стоимости, а стремительное накопление текстовой информации в Интернете являются ключом к обучению AIGC: наборы обучающих данных недороги.

На рисунке выше показана тенденция роста глобальных данных, которая явно представляет собой экспоненциальную тенденцию.

Этот нелинейный рост накопления данных является основой нелинейного роста возможностей AIGC.

НО, большая часть этих данных представляет собой неструктурированные аудиовизуальные данные, которые накапливаются с нулевой стоимостью.

В сфере электроэнергетики этого добиться невозможно.Во-первых, большая часть электроэнергетики представляет собой структурированные и полуструктурированные данные, такие как

напряжение и ток, которые представляют собой точечные наборы данных временных рядов и полуструктурированные.

Наборы структурных данных должны пониматься компьютерами и требовать «выравнивания», например, выравнивания устройства – данные о напряжении, токе и мощности.

коммутатора необходимо совместить с этим узлом.

Более сложной является синхронизация по времени, которая требует выравнивания напряжения, тока, активной и реактивной мощности на основе шкалы времени, чтобы

возможна последующая идентификация.Существуют также прямое и обратное направления, которые представляют собой пространственное выравнивание в четырех квадрантах.

В отличие от текстовых данных, не требующих выравнивания, абзац просто перебрасывается в компьютер, который выявляет возможные информационные ассоциации.

самостоятельно.

Чтобы согласовать этот вопрос, например, согласование оборудования для данных о распределении бизнеса, согласование постоянно необходимо, потому что среда и

В распределительной сети низкого напряжения каждый день добавляется, удаляется и модифицируется оборудование и линии, а сетевые компании тратят огромные затраты на рабочую силу.

Как и в случае с «аннотацией данных», компьютеры не могут этого сделать.

Во-вторых, стоимость сбора данных в энергетическом секторе высока, и вместо мобильного телефона требуются датчики, чтобы говорить и фотографировать.»

Каждый раз, когда напряжение снижается на один уровень (или соотношение распределения мощности уменьшается на один уровень), необходимые инвестиции в датчики увеличиваются.

хотя бы на один порядок.Чтобы добиться измерения на стороне нагрузки (на конце капилляра), необходимы еще более масштабные инвестиции в цифровые технологии».

Если необходимо выявить переходный режим электросети, требуется высокоточная высокочастотная выборка, а стоимость еще выше.

Из-за чрезвычайно высоких предельных затрат на сбор и согласование данных энергосистема в настоящее время не может накапливать достаточное количество нелинейных данных.

рост объема данных для обучения алгоритма достижения сингулярности ИИ.

Не говоря уже об открытости данных, запуск мощного ИИ не может получить эти данные.

Поэтому перед ИИ необходимо решить проблему наборов данных, иначе общий код ИИ невозможно обучить для создания хорошего ИИ.

3. Прорыв в вычислительной мощности

Помимо алгоритмов и данных, прорыв в области сингулярности AIGC также является прорывом в вычислительной мощности.Традиционные процессоры не

подходит для крупномасштабных параллельных нейронных вычислений.Именно применение графических процессоров в 3D-играх и фильмах делает крупномасштабные параллельные

Возможны вычисления с плавающей запятой + потоковые вычисления.Закон Мура еще больше снижает вычислительные затраты на единицу вычислительной мощности.

ИИ электросетей: неизбежная тенденция будущего

Благодаря интеграции большого количества распределенных фотоэлектрических и распределенных систем хранения энергии, а также требованиям применения

виртуальные электростанции со стороны нагрузки, объективно необходимо проводить прогнозирование источников и нагрузки для систем распределительных сетей общего пользования и пользователей.

распределительные (микро)сетевые системы, а также оптимизация потоков электроэнергии в режиме реального времени для распределительных (микро)сетевых систем.

Вычислительная сложность распределительной сети на самом деле выше, чем сложность планирования передающей сети.Даже для рекламы

сложно, могут существовать десятки тысяч нагрузочных устройств и сотни переключателей, а также потребность в работе микросетей/распределительных сетей на основе искусственного интеллекта.

возникнет контроль.

Благодаря невысокой стоимости датчиков и широкому использованию силовых электронных устройств, таких как полупроводниковые трансформаторы, полупроводниковые переключатели и инверторы (преобразователи),

интеграция датчиков, вычислений и управления на границах энергосистемы также стала инновационной тенденцией.

Поэтому за АИГК энергосистемы – это будущее.Однако сегодня нужно не сразу вынимать алгоритм ИИ для зарабатывания денег,

Вместо этого сначала решите проблемы построения инфраструктуры данных, необходимые для ИИ.

Для развития AIGC необходимо достаточно спокойно подумать об уровне применения и будущем мощного ИИ.

В настоящее время значимость энергетического ИИ незначительна: например, на спотовом рынке размещен фотоэлектрический алгоритм с точностью прогнозирования 90%.

с порогом торгового отклонения 5%, и отклонение алгоритма уничтожит всю торговую прибыль.

Данные — это вода, а вычислительная мощность алгоритма — это канал.Как получится, так и будет.