Werom nei de essinsje, de trochbraak fan AIGC yn singulariteit is in kombinaasje fan trije faktoaren:

1. GPT is in replika fan minsklike neuroanen

GPT AI fertsjintwurdige troch NLP is in kompjûterneuraal netwurkalgoritme, waans essinsje is om neurele netwurken te simulearjen yn 'e minsklike cerebral cortex.

De ferwurking en yntelliginte ferbylding fan taal, muzyk, bylden, en sels smaakynformaasje binne alle funksjes sammele troch de minske

harsens as in "proteïnekompjûter" tidens evolúsje op lange termyn.

Dêrom is GPT natuerlik de meast geskikte imitaasje foar it ferwurkjen fan ferlykbere ynformaasje, dat is ûnstrukturearre taal, muzyk en bylden.

It meganisme fan syn ferwurking is net it begryp fan betsjutting, mar earder in proses fan ferfine, identifisearje en assosjearje.Dit is in heul

paradoksaal ding.

Algoritmen foar iere semantyske erkenning fan spraak hawwe yn essinsje in grammatikamodel en in spraakdatabase fêststeld, en dêrnei de spraak yn kaart brocht oan 'e wurdskat,

pleatste dan de wurdskat yn 'e grammatikadatabank om de betsjutting fan' e wurdskat te begripen, en krige úteinlik erkenningsresultaten.

De herkenningseffisjinsje fan dizze "logyske meganisme" basearre syntaksisherkenning hat om 70% sweefd, lykas de ViaVoice-erkenning

algoritme yntrodusearre troch IBM yn 'e jierren 1990.

AIGC giet net oer spyljen lykas dit.De essinsje dêrfan is net te soargen oer grammatika, mar leaver om in neuronale netwurkalgoritme op te stellen dat de

kompjûter om de probabilistyske ferbiningen te tellen tusken ferskate wurden, dy't neurale ferbiningen binne, gjin semantyske ferbiningen.

Krekt as it learen fan ús memmetaal doe't wy jong wiene, learden wy it fansels, ynstee fan it learen fan "ûnderwerp, predikaat, objekt, tiidwurd, oanfolling,"

en dan begripe in paragraaf.

Dit is it tinken model fan AI, dat is erkenning, net begripe.

Dit is ek de subversive betsjutting fan AI foar alle klassike meganismemodellen - kompjûters hoege dizze saak net op logysk nivo te begripen,

mar leaver identifisearje en werkenne de korrelaasje tusken ynterne ynformaasje, en dan witte it.

Bygelyks, de macht stream tastân en foarsizzing fan macht grids binne basearre op klassike macht netwurk simulaasje, dêr't in wiskundige model fan de

meganisme wurdt oprjochte en dan converged mei help fan in matrix algoritme.Yn 'e takomst kin it net nedich wêze.AI sil direkt identifisearje en foarsizze a

bepaalde modale patroan basearre op de status fan elke knooppunt.

Hoe mear knooppunten der binne, hoe minder populêr it klassike matrixalgoritme is, om't de kompleksiteit fan it algoritme ferheget mei it oantal

knopen en de geometryske foarútgong nimt ta.AI wol lykwols leaver heul grutskalige knooppuntengefal, om't AI goed is yn it identifisearjen en

it foarsizzen fan de meast wierskynlike netwurkmodi.

Oft it no de folgjende foarsizzing is fan Go (AlphaGO kin de folgjende tsientallen stappen foarsizze, mei ûntelbere mooglikheden foar elke stap) as de modale foarsizzing

fan komplekse waarsystemen is de krektens fan AI folle heger dan dy fan meganyske modellen.

De reden wêrom't it stroomnet op it stuit gjin AI fereasket is dat it oantal knooppunten yn 220 kV en boppe stroomnetwurken beheard troch provinsjale

dispatching is net grut, en in protte betingsten binne ynsteld om de matrix te linearisearjen en te sparjen, wat de berekkeningskompleksiteit fan 'e

meganisme model.

Lykwols, yn it poadium fan 'e machtstream fan' e distribúsjenetwurk, konfrontearre mei tsientûzenen as hûnderttûzenen machtknooppunten, loadknooppunten, en tradisjonele

matrix algoritmen yn in grut distribúsje netwurk is machteleas.

Ik leau dat patroanerkenning fan AI op it nivo fan distribúsjenetwurk yn 'e takomst mooglik wurdt.

2. De accumulation, training en generaasje fan unstrukturearre ynformaasje

De twadde reden wêrom't AIGC in trochbraak makke hat is de accumulation fan ynformaasje.Fan 'e A/D-konverzje fan spraak (mikrofoan + PCM

sampling) nei de A / D-konverzje fan ôfbyldings (CMOS + kleurromtemapping), hawwe minsken holografyske gegevens sammele yn 'e fisuele en auditive

fjilden yn ekstreem lege kosten manieren oer de ôfrûne pear desennia.

Benammen de grutskalige popularisearring fan kamera's en smartphones, de accumulation fan unstrukturearre gegevens op it audiofisuele fjild foar minsken

op hast nul kosten, en de eksplosive accumulation fan tekst ynformaasje op it ynternet binne de kaai foar AIGC training - training gegevens sets binne goedkeap.

De figuer hjirboppe toant de groeitrend fan globale gegevens, dy't dúdlik in eksponinsjele trend presintearret.

Dizze net-lineêre groei fan gegevensakkumulaasje is de basis foar de net-lineêre groei fan AIGC's mooglikheden.

MAAR, de measte fan dizze gegevens binne unstrukturearre audiofisuele gegevens, dy't op nul kosten wurde sammele.

Op it mêd fan elektryske krêft kin dit net berikt wurde.As earste is it measte fan 'e elektryske enerzjysektor struktureare en semi-strukturearre gegevens, lykas

spanning en stroom, dat binne punt gegevens sets fan tiid rige en semi strukturearre.

Strukturele gegevenssets moatte wurde begrepen troch kompjûters en fereaskje "ôfstimming", lykas apparaatôfstimming - de spannings-, stroom- en machtgegevens

fan in switch moatte wurde ôfstimd op dit knooppunt.

Mear lestich is tiidôfstimming, dy't it ôfstimmen fan spanning, stroom, en aktive en reaktive krêft fereasket op basis fan 'e tiidskaal, sadat

folgjende identifikaasje kin wurde útfierd.D'r binne ek foar- en efterút rjochtingen, dy't romtlike ôfstimming binne yn fjouwer kwadranten.

Oars as tekstgegevens, dy't gjin ôfstimming nedich binne, wurdt in paragraaf gewoan nei de kompjûter smiten, dy't mooglike ynformaasjeferienings identifisearret

allinnich.

Om dit probleem op te rjochtsjen, lykas de ôfstimming fan apparatuer fan bedriuwsdistribúsjegegevens, is ôfstimming konstant nedich, om't it medium en

leechspanningsdistribúsjenetwurk tafoegje, wiskje en wizigje apparatuer en rigels elke dei, en netbedriuwen besteegje enoarme arbeidskosten.

Lykas "dataannotaasje", kinne kompjûters dit net dwaan.

Twads binne de kosten fan gegevenswinning yn 'e enerzjysektor heech, en sensors binne ferplicht ynstee fan in mobile tillefoan om te praten en foto's te nimmen.”

Elke kear as de spanning mei ien nivo ôfnimt (as de machtferdielingsrelaasje mei ien nivo ôfnimt), nimt de fereaske sensorynvestearring ta

op syn minst ien folchoarder fan grutte.Om loadside (kapillêre ein) sensing te berikken, is it noch mear in massive digitale ynvestearring. ”.

As it nedich is om de transiente modus fan it stroomnet te identifisearjen, is hege-precision hege frekwinsje sampling nedich, en de kosten binne noch heger.

Troch de ekstreem hege marzjinale kosten fan gegevenswinning en gegevensôfstimming is it stroomnet op it stuit net yn steat om genôch net-lineêr te sammeljen

groei fan gegevensynformaasje om in algoritme te trenen om de AI-singulariteit te berikken.

Om de iepenheid fan gegevens net te hawwen, is it ûnmooglik foar in power AI-startup om dizze gegevens te krijen.

Dêrom, foardat AI, is it nedich om it probleem fan datasets op te lossen, oars kin algemiene AI-koade net trainearre wurde om in goede AI te produsearjen.

3. Trochbraak yn berekkeningskrêft

Neist algoritmen en gegevens is de singulariteitstrochbraak fan AIGC ek in trochbraak yn berekkeningskrêft.Tradysjonele CPU's binne net

geskikt foar grutskalige simultane neuronale komputer.It is krekt de tapassing fan GPU's yn 3D spultsjes en films dy't grutskalige parallel makket

floating-point + streaming computing mooglik.Moore's Law ferleget fierder de berekkeningskosten per ienheid fan berekkeningskrêft.

Power grid AI, in ûnûntkombere trend yn 'e takomst

Mei de yntegraasje fan in grut oantal ferspraat fotovoltaïsche en ferdielde enerzjyopslachsystemen, lykas ek de tapassingseasken fan

loadside firtuele krêftsintrales, is it objektyf needsaaklik om boarne- en loadprognose út te fieren foar iepenbiere distribúsjenetwurksystemen en brûker

distribúsje (mikro) grid systemen, likegoed as real-time power flow optimalisaasje foar distribúsje (micro) grid systemen.

De berekkeningskompleksiteit fan 'e kant fan' e distribúsjenetwurk is eins heger as dy fan 'e scheduling fan' e oerdrachtnetwurk.Sels foar in reklamespotsje

kompleks, kinne d'r tsientûzenen loadapparaten en hûnderten skeakels wêze, en de fraach nei AI basearre mikroraster- / distribúsjenetwurkoperaasje

kontrôle sil ûntstean.

Mei de lege kosten fan sensoren en it wiidferspraat gebrûk fan macht elektroanyske apparaten lykas solid-state transformatoren, solid-state switches, en inverters (converters),

de yntegraasje fan sensing, berekkenjen en kontrôle oan 'e râne fan it stroomnet is ek in ynnovative trend wurden.

Dêrom is de AIGC fan it stroomnet de takomst.Wat hjoed lykwols nedich is, is net direkt in AI-algoritme út te nimmen om jild te meitsjen,

Nim ynstee dêrfan earst de problemen foar de bou fan gegevensynfrastruktuer oan dy't nedich binne troch AI

Yn 'e opkomst fan AIGC moat d'r genôch rêstich tinken wêze oer it tapassingsnivo en takomst fan macht AI.

Op it stuit is de betsjutting fan macht AI net signifikant: bygelyks in fotovoltaïsk algoritme mei in foarsizzing fan krektens fan 90% wurdt pleatst yn 'e spotmerk

mei in hannel ôfwiking drompel fan 5%, en de algoritme ôfwiking sil wiskje alle hannel winst.

De gegevens binne wetter, en de berekkeningskrêft fan it algoritme is in kanaal.As it bart, sil it wêze.