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

1. GPT — копия нейронов человека

GPT AI, представленный NLP, представляет собой компьютерный нейросетевой алгоритм, суть которого заключается в моделировании нейронных сетей в коре головного мозга человека.

Обработка и интеллектуальное воображение языка, музыки, образов и даже вкусовой информации — все это функции, накопленные человеческим организмом.

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 — не понимание смысла, а скорее процесс уточнения, идентификации и ассоциирования.Это очень

парадоксальная вещь.

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

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

Эффективность распознавания синтаксиса на основе этого «логического механизма» колеблется около 70%, например, распознавание ViaVoice.

алгоритм, представленный IBM в 1990-х годах.

AIGC не для того, чтобы играть так.Его суть не в том, чтобы заботиться о грамматике, а в том, чтобы установить алгоритм нейронной сети, позволяющий

компьютер для подсчета вероятностных связей между разными словами, которые являются нейронными связями, а не семантическими связями.

Подобно изучению нашего родного языка в молодости, мы выучили его естественным образом, а не заучивали «подлежащее, сказуемое, дополнение, глагол, дополнение».

а затем понимание абзаца.

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

В этом же и подрывное значение ИИ для всех классических моделей механизмов — компьютеру не нужно разбираться в этом вопросе на логическом уровне,

а лучше определить и распознать корреляцию между внутренней информацией, а затем узнать ее.

Например, состояние потока мощности и прогнозирование электрических сетей основаны на классическом моделировании электрических сетей, где математическая модель

механизм устанавливается, а затем сходится с использованием матричного алгоритма.В будущем может и не понадобится.ИИ будет напрямую определять и прогнозировать

определенный модальный шаблон, основанный на статусе каждого узла.

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

узлы и геометрическая прогрессия увеличивается.Однако ИИ предпочитает иметь очень крупномасштабный параллелизм узлов, потому что ИИ хорошо идентифицирует и

предсказание наиболее вероятных режимов сети.

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

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

Причина, по которой энергосистема в настоящее время не требует ИИ, заключается в том, что количество узлов в электрических сетях 220 кВ и выше, находящихся в ведении провинциальных

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

модель механизма.

Однако на этапе потока мощности распределительной сети, сталкиваясь с десятками тысяч или сотнями тысяч силовых узлов, узлов нагрузки и традиционных

матричные алгоритмы в крупной торговой сети бессильны.

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

2. Накопление, обучение и генерация неструктурированной информации

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

сэмплирования) к аналого-цифровому преобразованию изображений (CMOS+отображение цветового пространства), люди накопили голографические данные в зрительном и слуховом аппаратах.

месторождения чрезвычайно дешевыми способами за последние несколько десятилетий.

В частности, масштабная популяризация камер и смартфонов, накопление неструктурированных данных в аудиовизуальном поле для человека

практически без затрат, а взрывное накопление текстовой информации в Интернете является ключом к обучению AIGC — обучающие наборы данных недороги.

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

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

НО, большая часть этих данных представляет собой неструктурированные аудиовизуальные данные, которые накапливаются без каких-либо затрат.

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

напряжения и тока, которые представляют собой точечные наборы данных временных рядов и полуструктурированы.

Наборы структурных данных должны быть поняты компьютерами и требуют «выравнивания», такого как согласование устройств — данные о напряжении, токе и мощности.

свича должны быть выровнены по этому узлу.

Более проблематичным является выравнивание по времени, которое требует выравнивания напряжения, тока, активной и реактивной мощности на основе временной шкалы, чтобы

последующая идентификация может быть выполнена.Есть также прямое и обратное направления, которые представляют собой пространственное выравнивание в четырех квадрантах.

В отличие от текстовых данных, не требующих выравнивания, абзац просто перекидывается на компьютер, в котором выявляются возможные информационные ассоциации

самостоятельно.

Чтобы согласовать этот вопрос, такой как согласование оборудования с данными о распределении бизнеса, согласование необходимо постоянно, потому что среда и

В распределительной сети низкого напряжения каждый день добавляют, удаляют и модифицируют оборудование и линии, а сетевые компании тратят огромные трудозатраты.

Подобно «аннотации данных», компьютеры не могут этого сделать.

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

Каждый раз, когда напряжение уменьшается на один уровень (или отношение распределения мощности уменьшается на один уровень), требуемые инвестиции в датчик увеличиваются.

по крайней мере на один порядок.Чтобы добиться обнаружения со стороны нагрузки (конец капилляра), это еще более масштабная цифровая инвестиция».

При необходимости выявления переходного режима электросети требуется высокоточная высокочастотная дискретизация, а стоимость еще выше.

Из-за чрезвычайно высокой предельной стоимости сбора и согласования данных энергосистема в настоящее время не в состоянии аккумулировать достаточное количество нелинейных

рост информации о данных для обучения алгоритма для достижения сингулярности ИИ.

Не говоря уже об открытости данных, для запуска мощного ИИ невозможно получить эти данные.

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

3. Прорыв в вычислительной мощности

В дополнение к алгоритмам и данным, прорыв AIGC в сингулярности 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 дополнительно снижает вычислительные затраты на единицу вычислительной мощности.

ИИ энергосистемы, неизбежная тенденция в будущем

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

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

распределительных (микро)сетевых систем, а также оптимизацию потока мощности в режиме реального времени для распределительных (микро)сетевых систем.

Вычислительная сложность стороны распределительной сети на самом деле выше, чем у планирования сети передачи.Даже для рекламы

сложные, могут быть десятки тысяч нагрузочных устройств и сотни коммутаторов, а также потребность в работе микросетей/распределительных сетей на основе ИИ.

возникнет контроль.

При низкой стоимости датчиков и широком использовании силовых электронных устройств, таких как твердотельные трансформаторы, твердотельные переключатели и инверторы (преобразователи),

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

Поэтому будущее за АИГК энергосистемы.Однако сегодня нужно не сразу выводить алгоритм ИИ для заработка,

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

При подъеме AIGC необходимо достаточно спокойно думать об уровне приложений и будущем мощного ИИ.

В настоящее время значение мощного ИИ невелико: например, на спотовом рынке размещается фотоэлектрический алгоритм с точностью предсказания 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.