Če se vrnem k bistvu, je preboj AIGC v singularnosti kombinacija treh dejavnikov:

1. GPT je replika človeških nevronov

GPT AI, ki ga predstavlja NLP, je računalniški algoritem nevronske mreže, katerega bistvo je simulacija nevronskih mrež v človeški možganski skorji.

Obdelava in inteligentna domišljija jezika, glasbe, slik in celo informacij o okusu so vse funkcije, ki jih kopiči človek.

možgani kot »proteinski računalnik« med dolgotrajno evolucijo.

Zato je GPT seveda najprimernejša imitacija za obdelavo podobnih informacij, torej nestrukturiranega jezika, glasbe in slik.

Mehanizem njegove obdelave ni razumevanje pomena, temveč proces rafiniranja, identifikacije in povezovanja.To je zelo

paradoksalna stvar.

Zgodnji algoritmi za semantično prepoznavanje govora so v bistvu vzpostavili slovnični model in podatkovno bazo govora, nato pa preslikali govor v besedišče,

nato je besedišče postavil v slovnično zbirko podatkov, da bi razumel pomen besedišča, in končno dobil rezultate prepoznavanja.

Učinkovitost prepoznavanja tega prepoznavanja sintakse, ki temelji na "logičnem mehanizmu", se giblje okoli 70 %, kot je prepoznavanje ViaVoice

algoritem, ki ga je IBM predstavil v devetdesetih letih.

AIGC ne igra tako.Njegovo bistvo ni skrbeti za slovnico, temveč vzpostaviti algoritem nevronske mreže, ki omogoča

računalnik za štetje verjetnostnih povezav med različnimi besedami, ki so nevronske, ne semantične povezave.

Podobno kot pri učenju maternega jezika, ko smo bili mladi, smo se ga naučili naravno, namesto da bi se učili "predmet, povedek, predmet, glagol, dopolnilo,"

in nato razumevanje odstavka.

To je model razmišljanja AI, ki je prepoznavanje, ne razumevanje.

To je tudi subverzivni pomen AI za vse klasične modele mehanizmov – računalnikom ni treba razumeti te zadeve na logični ravni,

temveč raje identificirajte in prepoznajte korelacijo med notranjimi informacijami in jo nato spoznajte.

Na primer, stanje pretoka električne energije in napovedovanje električnih omrežij temeljita na klasični simulaciji električnega omrežja, kjer je matematični model

mehanizem se vzpostavi in ​​nato konvergira z uporabo matričnega algoritma.V prihodnosti morda ne bo potrebno.AI bo neposredno prepoznal in predvidel a

določen modalni vzorec, ki temelji na statusu vsakega vozlišča.

Več kot je vozlišč, manj je priljubljen klasični matrični algoritem, saj se kompleksnost algoritma povečuje s številom

vozlišča in geometrijska progresija se povečuje.Vendar ima AI raje sočasnost vozlišč v zelo velikem obsegu, ker je AI dober pri prepoznavanju in

predvidevanje najverjetnejših načinov omrežja.

Ne glede na to, ali gre za naslednjo napoved Go (AlphaGO lahko napove naslednjih desetine korakov z nešteto možnostmi za vsak korak) ali za modalno napoved

kompleksnih vremenskih sistemov je natančnost umetne inteligence veliko večja od natančnosti mehanskih modelov.

Razlog, zakaj električno omrežje trenutno ne potrebuje umetne inteligence, je, da je število vozlišč v omrežjih z napetostjo 220 kV in več, ki jih upravljajo province

razpošiljanje ni veliko in nastavljenih je veliko pogojev za linearizacijo in redčenje matrike, kar močno zmanjša računsko kompleksnost

model mehanizma.

Vendar pa se na stopnji pretoka električne energije v distribucijskem omrežju sooča z več deset tisoč ali sto tisoči električnih vozlišč, obremenitvenih vozlišč in tradicionalnih

matrični algoritmi v velikem distribucijskem omrežju nemočni.

Verjamem, da bo prepoznavanje vzorcev AI na ravni distribucijskega omrežja postalo mogoče v prihodnosti.

2. Kopičenje, usposabljanje in ustvarjanje nestrukturiranih informacij

Drugi razlog, zakaj je AIGC naredil preboj, je kopičenje informacij.Iz A/D pretvorbe govora (mikrofon + PCM

vzorčenja) do A/D pretvorbe slik (CMOS+kartiranje barvnega prostora) so ljudje nabrali holografske podatke v vidnem in slušnem

poljih na izjemno poceni načine v zadnjih nekaj desetletjih.

Zlasti obsežna popularizacija kamer in pametnih telefonov, kopičenje nestrukturiranih podatkov na avdiovizualnem področju za ljudi

skoraj brez stroškov in eksplozivno kopičenje besedilnih informacij na internetu sta ključ do usposabljanja AIGC – nabori podatkov za usposabljanje so poceni.

Zgornja slika prikazuje trend rasti globalnih podatkov, ki jasno predstavlja eksponentni trend.

Ta nelinearna rast kopičenja podatkov je temelj za nelinearno rast zmogljivosti AIGC.

VENDAR je večina teh podatkov nestrukturiranih avdiovizualnih podatkov, ki se zbirajo brez stroškov.

Na področju elektroenergetike tega ni mogoče doseči.Prvič, večina elektroenergetike je strukturiranih in polstrukturiranih podatkov, kot npr

napetost in tok, ki so točkovni nizi podatkov časovnih vrst in pol strukturirani.

Računalniki morajo razumeti nize strukturnih podatkov in zahtevajo "usklajevanje", kot je na primer poravnava naprav – podatki o napetosti, toku in moči

stikala je treba poravnati s tem vozliščem.

Bolj težavno je časovno usklajevanje, ki zahteva usklajevanje napetosti, toka ter delovne in jalove moči na podlagi časovne lestvice, tako da

se lahko izvede naknadna identifikacija.Obstajata tudi smer naprej in nazaj, ki sta prostorska poravnava v štirih kvadrantih.

Za razliko od besedilnih podatkov, ki ne zahtevajo poravnave, se odstavek preprosto vrže v računalnik, ki identificira možne informacijske povezave

sam.

Za uskladitev tega vprašanja, kot je uskladitev opreme podatkov o poslovni distribuciji, je nenehno potrebna uskladitev, ker medij in

nizkonapetostno distribucijsko omrežje vsak dan dodaja, briše in spreminja opremo in vode, omrežna podjetja pa porabijo ogromne stroške dela.

Podobno kot »označevanje podatkov« računalniki tega ne zmorejo.

Drugič, stroški pridobivanja podatkov v elektroenergetskem sektorju so visoki in za govorjenje in fotografiranje so potrebni senzorji namesto mobilnega telefona.”

Vsakič, ko se napetost zmanjša za eno stopnjo (ali se razmerje porazdelitve moči zmanjša za eno raven), se zahtevana naložba v senzor poveča

vsaj za en red velikosti.Da bi dosegli zaznavanje na strani obremenitve (na koncu kapilare), je to še bolj velika digitalna naložba.«

Če je treba identificirati prehodni način električnega omrežja, je potrebno visoko natančno visokofrekvenčno vzorčenje, stroški pa so še višji.

Zaradi izjemno visokih mejnih stroškov pridobivanja podatkov in usklajevanja podatkov električno omrežje trenutno ne more zbrati dovolj nelinearnih

rast podatkovnih informacij za usposabljanje algoritma za doseganje singularnosti AI.

Da ne omenjam odprtosti podatkov, je nemogoče, da bi močan AI startup pridobil te podatke.

Zato je treba pred umetno inteligenco rešiti problem naborov podatkov, sicer splošne kode umetne inteligence ni mogoče usposobiti za izdelavo dobre umetne inteligence.

3. Preboj v računalniški moči

Poleg algoritmov in podatkov je preboj singularnosti AIGC tudi preboj v računalniški moči.Tradicionalni procesorji niso

primeren za obsežno sočasno nevronsko računalništvo.Ravno uporaba grafičnih procesorjev v 3D-igrah in filmih omogoča obsežne vzporedne

možno računalništvo s plavajočo vejico + pretočno računalništvo.Moorov zakon dodatno zmanjša računske stroške na enoto računske moči.

Umetna inteligenca električnega omrežja, neizogiben trend v prihodnosti

Z integracijo velikega števila porazdeljenih fotonapetostnih sistemov in sistemov za porazdeljeno shranjevanje energije, kot tudi z zahtevami uporabe

virtualnih elektrarn na strani obremenitve, je objektivno potrebno izvesti napovedovanje vira in obremenitve za sisteme javnega distribucijskega omrežja in uporabnika

sisteme distribucijskih (mikro) omrežij, kot tudi optimizacijo pretoka električne energije v realnem času za sisteme distribucijskih (mikro) omrežij.

Računska zapletenost na strani distribucijskega omrežja je dejansko večja kot pri načrtovanju prenosnega omrežja.Tudi za reklamo

zapleteno, lahko obstaja na desettisoče obremenitvenih naprav in na stotine stikal ter povpraševanje po delovanju mikro omrežij/distribucijskih omrežij, ki temelji na umetni inteligenci.

nadzor se bo pojavil.

Z nizkimi stroški senzorjev in široko uporabo močnostnih elektronskih naprav, kot so polprevodniški transformatorji, polprevodniška stikala in inverterji (pretvorniki),

integracija zaznavanja, računalništva in nadzora na robu električnega omrežja je prav tako postala inovativen trend.

Zato je AIGC elektroenergetskega omrežja prihodnost.Vendar pa danes ni treba takoj uporabiti algoritma umetne inteligence, da bi zaslužili denar,

Namesto tega se najprej lotite vprašanj gradnje podatkovne infrastrukture, ki jo zahteva umetna inteligenca

V vzponu AIGC je treba dovolj mirno razmišljati o ravni uporabe in prihodnosti močne umetne inteligence.

Trenutno pomen energetske umetne inteligence ni pomemben: na primer, fotovoltaični algoritem z 90-odstotno natančnostjo napovedi je uvrščen na promptni trg

s pragom odstopanja trgovanja 5 %, odstopanje algoritma pa bo izbrisalo vse dobičke trgovanja.

Podatki so voda, računska moč algoritma pa kanal.Kot se zgodi, bo.