Revenante al la esenco, la sukceso de AIGC en neordinaraĵo estas kombinaĵo de tri faktoroj:

1. GPT estas kopio de homaj neŭronoj

GPT AI reprezentita de NLP estas komputila neŭrala reto-algoritmo, kies esenco estas simuli neŭralajn retojn en la homa cerba kortekso.

La prilaborado kaj inteligenta imago de lingvo, muziko, bildoj kaj eĉ gusto-informoj estas ĉiuj funkcioj akumulitaj de la homo.

cerbo kiel "proteina komputilo" dum longdaŭra evoluo.

Tial, GPT estas nature la plej taŭga imitaĵo por prilaborado de similaj informoj, tio estas, nestrukturita lingvo, muziko kaj bildoj.

La mekanismo de ĝia prilaborado ne estas la kompreno de signifo, sed prefere procezo de rafinado, identigado kaj asocio.Ĉi tio estas tre

paradoksa afero.

Fruaj parolsemantikaj rekonalgoritmoj esence establis gramatikan modelon kaj paroldatumbazon, tiam mapis la paroladon al la vortprovizo,

poste metis la vortprovizon en la gramatikan datumbazon por kompreni la signifon de la vortprovizo, kaj fine akiris rekonrezultojn.

La rekonefikeco de tiu "logika mekanismo" bazita sintaksa rekono ŝvebis ĉirkaŭ 70%, kiel ekzemple la ViaVoice-rekono.

algoritmo lanĉita fare de IBM en la 1990-aj jaroj.

AIGC ne temas pri ludi tiel.Ĝia esenco estas ne zorgi pri gramatiko, sed prefere establi neŭralan reton algoritmon kiu permesas la

komputilo por kalkuli la probabilismajn ligojn inter malsamaj vortoj, kiuj estas neŭralaj ligoj, ne semantikaj ligoj.

Tre kiel lerni nian gepatran lingvon kiam ni estis junaj, ni nature lernis ĝin, prefere ol lerni "subjekton, predikaton, objekton, verbon, komplementon".

kaj poste kompreni alineon.

Ĉi tiu estas la pensa modelo de AI, kiu estas rekono, ne kompreno.

Ĉi tio ankaŭ estas la subfosa signifo de AI por ĉiuj klasikaj mekanismo-modeloj - komputiloj ne bezonas kompreni ĉi tiun aferon je la logika nivelo,

sed prefere identigi kaj rekoni la korelacion inter internaj informoj, kaj poste koni ĝin.

Ekzemple, la potencofluoŝtato kaj prognozo de elektroretoj estas bazitaj sur klasika elektra reto simulado, kie matematika modelo de la

mekanismo estas establita kaj tiam konverĝa uzante matrica algoritmo.En la estonteco, ĝi eble ne estos necesa.AI rekte identigos kaj antaŭdiros a

certa modala ŝablono bazita sur la statuso de ĉiu nodo.

Ju pli da nodoj estas, des malpli populara estas la klasika matrica algoritmo, ĉar la komplekseco de la algoritmo pliiĝas kun la nombro da

nodoj kaj la geometria progresado pliiĝas.Tamen, AI preferas havi tre grandskalan nodan samtempecon, ĉar AI kapablas identigi kaj

antaŭdiri la plej verŝajnajn retajn reĝimojn.

Ĉu temas pri la sekva prognozo de Go (AlphaGO povas antaŭdiri la sekvajn dekojn da paŝoj, kun sennombraj eblecoj por ĉiu paŝo) aŭ la modala prognozo

de kompleksaj vetersistemoj, la precizeco de AI estas multe pli alta ol tiu de mekanikaj modeloj.

La kialo kial la elektroreto nuntempe ne postulas AI estas ke la nombro da nodoj en 220 kV kaj super elektraj retoj administritaj de provincaj

ekspedado ne estas granda, kaj multaj kondiĉoj estas metitaj por linearigi kaj maldensigi la matricon, tre reduktante la komputilan kompleksecon de la

modelo de mekanismo.

Tamen, ĉe la distribua reto potenca fluo stadio, alfrontante dekojn da miloj aŭ centojn da miloj da potenco nodoj, ŝarĝo nodoj, kaj tradicia

matricaj algoritmoj en granda distribua reto estas senpova.

Mi kredas, ke ŝablona rekono de AI ĉe la distribua reto nivelo fariĝos ebla estonte.

2. La amasiĝo, trejnado kaj generacio de nestrukturitaj informoj

La dua kialo kial AIGC faris sukceson estas la amasiĝo de informoj.De la A/D konvertiĝo de parolado (mikrofono+PCM

specimenigo) al la A/D-konverto de bildoj (CMOS+kolorspacmapado), homoj akumulis holografiajn datenojn en la vidaj kaj aŭdaj.

kampoj en ekstreme malmultekostaj manieroj dum la lastaj jardekoj.

Aparte, la grandskala popularigo de fotiloj kaj saĝtelefonoj, la amasiĝo de nestrukturitaj datumoj en la aŭdvida kampo por homoj

je preskaŭ nula kosto, kaj la eksploda amasiĝo de tekstaj informoj en la Interreto estas la ŝlosilo al AIGC-trejnado - trejnaj datumaj aroj estas malmultekostaj.

La supra figuro montras la kreskotendencon de tutmondaj datumoj, kiu klare prezentas eksponencan tendencon.

Tiu ne-linia kresko de datumamasiĝo estas la fundamento por la ne-linia kresko de la kapabloj de AIGC.

SED, la plej multaj el ĉi tiuj datumoj estas nestrukturitaj aŭdvidaj datumoj, kiuj estas akumulitaj je nula kosto.

En la kampo de elektra energio, ĉi tio ne povas esti atingita.Unue, la plej granda parto de la elektra energio industrio estas strukturitaj kaj duonstrukturitaj datumoj, kiel ekzemple

tensio kaj kurento, kiuj estas punktaj datenoj de temposerio kaj duonstrukturaj.

Strukturaj datumserioj devas esti komprenataj de komputiloj kaj postulas "paraleligo", kiel aparatoparaleligo - la tensio, kurento, kaj potenco-datenoj.

de ŝaltilo devas esti vicigita al ĉi tiu nodo.

Pli ĝena estas tempoparaleligo, kiu postulas vicigon de tensio, kurento, kaj aktiva kaj reaktiva potenco bazita sur la temposkalo, tiel ke

posta identigo povas esti farita.Ekzistas ankaŭ antaŭen kaj inversaj indikoj, kiuj estas spaca paraleligo en kvar kvadrantoj.

Male al tekstaj datumoj, kiuj ne postulas vicigon, alineo estas simple ĵetita al la komputilo, kiu identigas eblajn informajn asociojn.

memstare.

Por vicigi ĉi tiun aferon, kiel ekzemple la ekipaĵa vicigo de komercaj distribuaj datumoj, konstante bezonas vicigon, ĉar la medio kaj

distribua reto de malalta tensio aldonas, forigas kaj modifas ekipaĵojn kaj liniojn ĉiutage, kaj retaj kompanioj elspezas enormajn laborkostojn.

Kiel "datuma komentario", komputiloj ne povas fari tion.

Due, la kosto de akiro de datumoj en la potenca sektoro estas alta, kaj sensiloj estas postulataj anstataŭ havi poŝtelefonon por paroli kaj foti.”

Ĉiufoje kiam la tensio malpliiĝas je unu nivelo (aŭ la potenco distribua rilato malpliiĝas je unu nivelo), la bezonata sensilinvesto pliiĝas

per almenaŭ unu grandordo.Por atingi ŝarĝan flankon (kapilaran finon) sentadon, ĝi estas eĉ pli masiva cifereca investo. ".

Se necesas identigi la paseman reĝimon de la elektra reto, necesas alt-precizeca altfrekvenca specimenigo, kaj la kosto estas eĉ pli alta.

Pro la ekstreme alta marĝena kosto de datenakiro kaj datumparaleligo, la elektroreto estas nuntempe nekapabla akumuli sufiĉan ne-linian.

kresko de dateninformoj por trejni algoritmon por atingi la singularecon de AI.

Sen mencii la malfermiteco de datumoj, estas neeble por potenca AI-komenco akiri ĉi tiujn datumojn.

Tial, antaŭ AI, necesas solvi la problemon de datumaj aroj, alie ĝenerala AI-kodo ne povas esti trejnita por produkti bonan AI.

3. Trarompo en komputa potenco

Aldone al algoritmoj kaj datenoj, la neordinareca sukceso de AIGC ankaŭ estas sukceso en komputila potenco.Tradiciaj CPUoj ne estas

taŭga por grandskala samtempa neŭrona komputado.Ĝuste la apliko de GPUoj en 3D ludoj kaj filmoj faras grandskalan paralelon

glitkoma+flua komputado eblas.La Leĝo de Moore plue reduktas la komputilan koston je unuo de komputila potenco.

Elektra reto AI, neevitebla tendenco en la estonteco

Kun la integriĝo de granda nombro da distribuitaj fotovoltaikaj kaj distribuitaj energi-stokaj sistemoj, same kiel la aplikaj postuloj de

ŝarĝaj flankaj virtualaj elektrocentraloj, estas objektive necese fari fontan kaj ŝarĝan prognozon por publikaj distribuaj retaj sistemoj kaj uzanto.

distribuaj (mikro) kradsistemoj, same kiel realtempa potencofluooptimumigo por distribuaj (mikro) kradsistemoj.

La komputila komplekseco de la distriburetoflanko estas fakte pli alta ol tiu de la dissendretplanado.Eĉ por reklamo

kompleksa, povas ekzisti dekoj da miloj da ŝarĝaj aparatoj kaj centoj da ŝaltiloj, kaj la postulo je AI-bazita mikroreto/distribua reto-operacio.

kontrolo estiĝos.

Kun la malalta kosto de sensiloj kaj la ĝeneraligita uzo de potencaj elektronikaj aparatoj kiel ekzemple solidsubstancaj transformiloj, solidsubstancaj ŝaltiloj kaj invetiloj (konvertiloj),

la integriĝo de sentado, komputado kaj kontrolo ĉe la rando de la elektroreto ankaŭ fariĝis noviga tendenco.

Tial, la AIGC de la elektroreto estas la estonteco.Tamen, kio necesas hodiaŭ estas ne tuj elpreni AI-algoritmon por gajni monon,

Anstataŭe, unue traktu la problemojn pri konstruo de datumoj postulitaj de AI

En la pliiĝo de AIGC, devas esti sufiĉa trankvila pensado pri la aplika nivelo kaj estonteco de potenca AI.

Nuntempe, la signifo de potenco AI ne estas signifa: ekzemple, fotovoltaa algoritmo kun prognoza precizeco de 90% estas metita en la spotmerkaton.

kun komerca devio-sojlo de 5%, kaj la algoritmo-devio forviŝos ĉiujn komercajn profitojn.

La datenoj estas akvo, kaj la komputa potenco de la algoritmo estas kanalo.Kiel okazas, estos.