सारमा फर्केर, एकलतामा AIGC को सफलता तीन कारकहरूको संयोजन हो:

1. GPT मानव न्यूरोन्स को एक प्रतिकृति हो

NLP द्वारा प्रतिनिधित्व गरिएको GPT AI एक कम्प्युटर न्यूरल नेटवर्क एल्गोरिथ्म हो, जसको सार मानव सेरेब्रल कोर्टेक्समा न्यूरल नेटवर्कहरू सिमुलेट गर्नु हो।

भाषा, संगीत, छविहरू, र स्वाद जानकारीको प्रशोधन र बौद्धिक कल्पना सबै मानव द्वारा संचित कार्यहरू हुन्।

दीर्घकालीन विकासको क्रममा मस्तिष्क "प्रोटिन कम्प्युटर" को रूपमा।

तसर्थ, GPT स्वाभाविक रूपमा समान जानकारी प्रशोधन गर्नको लागि सबैभन्दा उपयुक्त अनुकरण हो, त्यो हो, असंरचित भाषा, संगीत, र छविहरू।

यसको प्रशोधनको संयन्त्र भनेको अर्थ बुझ्ने होइन, बरु परिष्कृत गर्ने, पहिचान गर्ने र सम्बद्ध गर्ने प्रक्रिया हो।यो एक धेरै हो

विरोधाभासपूर्ण कुरा।

प्रारम्भिक वाणी सिमान्टिक मान्यता एल्गोरिदमले अनिवार्य रूपमा व्याकरण मोडेल र भाषण डेटाबेस स्थापना गर्‍यो, त्यसपछि बोलीलाई शब्दावलीमा म्याप गर्यो,

त्यसपछि शब्दावलीको अर्थ बुझ्नको लागि व्याकरण डेटाबेसमा शब्दावली राखियो, र अन्तमा पहिचान परिणामहरू प्राप्त भयो।

यस "तार्किक मेकानिज्म" आधारित सिन्ट्याक्स पहिचानको पहिचान दक्षता लगभग ७०% घुमिरहेको छ, जस्तै ViaVoice पहिचान

1990 मा IBM द्वारा पेश गरिएको एल्गोरिथ्म।

AIGC यसरी खेल्ने बारे होइन।यसको सार व्याकरणको ख्याल गर्नु होइन, बरु एक न्यूरल नेटवर्क एल्गोरिथ्म स्थापना गर्नु हो जसले अनुमति दिन्छ।

विभिन्न शब्दहरू बीचको सम्भाव्य जडानहरू गणना गर्न कम्प्युटर, जुन न्यूरल जडानहरू हुन्, सिमान्टिक जडानहरू होइन।

हामी सानै छँदा हाम्रो मातृभाषा सिक्ने जस्तै, हामीले "विषय, भविष्यवाणी, वस्तु, क्रिया, पूरक" सिक्नुको सट्टा स्वाभाविक रूपमा यसलाई सिक्यौं।

र त्यसपछि एउटा अनुच्छेद बुझ्न।

यो AI को सोच्ने मोडेल हो, जुन मान्यता हो, बुझ्न होइन।

यो सबै शास्त्रीय मेकानिज्म मोडेलहरूको लागि AI को विनाशकारी महत्त्व पनि हो - कम्प्युटरहरूले यो कुरालाई तार्किक स्तरमा बुझ्न आवश्यक पर्दैन,

तर बरु आन्तरिक जानकारी बीचको सम्बन्ध पहिचान गर्नुहोस् र पहिचान गर्नुहोस्, र त्यसपछि यसलाई जान्नुहोस्।

उदाहरणका लागि, पावर फ्लो स्टेट र पावर ग्रिडको भविष्यवाणी शास्त्रीय पावर नेटवर्क सिमुलेशनमा आधारित छ, जहाँ एक गणितीय मोडेल

मेकानिज्म स्थापित हुन्छ र त्यसपछि म्याट्रिक्स एल्गोरिथ्म प्रयोग गरेर कन्भर्ज हुन्छ।भविष्यमा, यो आवश्यक नहुन सक्छ।AI ले प्रत्यक्ष रूपमा पहिचान र भविष्यवाणी गर्नेछ

प्रत्येक नोडको स्थितिमा आधारित निश्चित मोडल ढाँचा।

त्यहाँ जति धेरै नोडहरू छन्, क्लासिकल म्याट्रिक्स एल्गोरिथ्म कम लोकप्रिय छ, किनभने एल्गोरिथ्मको जटिलता संख्याको साथ बढ्छ।

नोडहरू र ज्यामितीय प्रगति बढ्छ।जे होस्, AI ले धेरै ठूलो स्केल नोड कन्करन्सी हुन रुचाउँछ, किनभने AI पहिचान गर्नमा राम्रो छ र

सबैभन्दा सम्भावित नेटवर्क मोडहरू भविष्यवाणी गर्दै।

चाहे यो Go को अर्को भविष्यवाणी हो (AlphaGO ले प्रत्येक चरणको लागि अनगिन्ती सम्भावनाहरू सहित, अर्को दर्जन चरणहरू भविष्यवाणी गर्न सक्छ) वा मोडल भविष्यवाणी।

जटिल मौसम प्रणालीहरूमा, AI को शुद्धता मेकानिकल मोडेलहरू भन्दा धेरै उच्च छ।

पावर ग्रिडलाई हाल AI आवश्यक नहुनुको कारण भनेको प्रान्तीय द्वारा व्यवस्थित 220 kV र माथिको पावर नेटवर्कहरूमा नोडहरूको संख्या हो।

डिस्प्याचिङ ठूलो छैन, र धेरै सर्तहरू म्याट्रिक्सको कम्प्युटेसनल जटिलतालाई ठूलो मात्रामा घटाउँदै, म्याट्रिक्सलाई रेखीय र स्प्यार्स गर्न सेट गरिएको छ।

संयन्त्र मोडेल।

यद्यपि, वितरण नेटवर्क पावर प्रवाह चरणमा, दशौं हजार वा सयौं हजार पावर नोडहरू, लोड नोडहरू, र परम्परागत

ठूलो वितरण नेटवर्कमा म्याट्रिक्स एल्गोरिदम शक्तिहीन छ।

वितरण नेटवर्क स्तरमा AI को ढाँचा पहिचान भविष्यमा सम्भव हुनेछ भन्ने मलाई विश्वास छ।

2. असंरचित जानकारी को संचय, प्रशिक्षण, र उत्पादन

AIGC ले सफलता हासिल गर्नुको दोस्रो कारण भनेको जानकारीको सञ्चय हो।बोलीको A/D रूपान्तरणबाट (माइक्रोफोन+PCM

नमूना) छविहरूको A/D रूपान्तरण (CMOS + रङ स्पेस म्यापिङ), मानिसहरूले दृश्य र श्रवणमा होलोग्राफिक डेटा जम्मा गरेका छन्।

विगत केही दशकहरूमा अत्यन्त कम लागतमा क्षेत्रहरू।

विशेष गरी, क्यामेरा र स्मार्टफोनहरूको ठूलो मात्रामा लोकप्रियता, मानवहरूको लागि अडियोभिजुअल क्षेत्रमा असंरचित डेटाको संचय।

लगभग शून्य लागतमा, र इन्टरनेटमा पाठ जानकारीको विस्फोटक संचय AIGC प्रशिक्षणको लागि महत्वपूर्ण छ - प्रशिक्षण डेटा सेटहरू सस्तो छन्।

माथिको आंकडाले विश्वव्यापी डेटाको वृद्धि प्रवृत्ति देखाउँछ, जसले स्पष्ट रूपमा घातीय प्रवृत्ति प्रस्तुत गर्दछ।

डाटा संचयको यो गैर-रैखिक वृद्धि AIGC को क्षमताहरूको गैर-रैखिक वृद्धिको लागि आधार हो।

तर, यी अधिकांश डाटाहरू असंरचित अडियो-भिजुअल डाटा हुन्, जुन शून्य लागतमा संकलन गरिन्छ।

बिजुलीको क्षेत्रमा, यो हासिल गर्न सकिँदैन।पहिलो, अधिकांश विद्युतीय उद्योगहरू संरचित र अर्ध संरचित डेटा हुन्, जस्तै

भोल्टेज र वर्तमान, जुन समय श्रृंखला र अर्ध संरचित बिन्दु डेटा सेट हो।

संरचनात्मक डेटा सेटहरू कम्प्युटरहरूद्वारा बुझ्न आवश्यक छ र "पङ्क्तिबद्धता" आवश्यक पर्दछ, जस्तै उपकरण पङ्क्तिबद्धता - भोल्टेज, वर्तमान, र पावर डेटा।

स्विचको यो नोडमा पङ्क्तिबद्ध गर्न आवश्यक छ।

थप समस्या भनेको समय पङ्क्तिबद्धता हो, जसलाई समय मापनमा आधारित भोल्टेज, वर्तमान, र सक्रिय र प्रतिक्रियाशील शक्ति पङ्क्तिबद्ध गर्न आवश्यक छ, ताकि

पछि पहिचान गर्न सकिन्छ।त्यहाँ अगाडि र उल्टो दिशाहरू पनि छन्, जुन चार चतुर्थांशमा स्थानिय पङ्क्तिबद्ध छन्।

पाठ डेटाको विपरीत, जसलाई पङ्क्तिबद्धता आवश्यक पर्दैन, एउटा अनुच्छेद कम्प्युटरमा फ्याँकिएको छ, जसले सम्भावित सूचना सम्बद्धताहरू पहिचान गर्दछ।

आफ्नै मा।

यस मुद्दालाई पङ्क्तिबद्ध गर्नको लागि, जस्तै व्यापार वितरण डेटाको उपकरण पङ्क्तिबद्धता, पङ्क्तिबद्धता निरन्तर आवश्यक छ, किनभने मध्यम र

कम भोल्टेज वितरण नेटवर्कले दिनहुँ उपकरण र लाइनहरू थप्दै, मेटाउने र परिमार्जन गर्दैछ, र ग्रिड कम्पनीहरूले ठूलो श्रम लागत खर्च गर्छन्।

"डेटा एनोटेसन" जस्तै, कम्प्युटरहरूले यो गर्न सक्दैन।

दोस्रो, ऊर्जा क्षेत्रमा डाटा प्राप्तिको लागत उच्च छ, र बोल्न र फोटो खिच्न मोबाइल फोन हुनुको सट्टा सेन्सर चाहिन्छ।"

हरेक पटक भोल्टेज एक स्तरले घट्छ (वा पावर वितरण सम्बन्ध एक स्तरले घट्छ), आवश्यक सेन्सर लगानी बढ्छ।

परिमाणको कम्तिमा एक अर्डर द्वारा।लोड साइड (केपिलरी एन्ड) सेन्सिङ हासिल गर्न, यो अझ ठूलो डिजिटल लगानी हो।"

यदि यो पावर ग्रिडको क्षणिक मोड पहिचान गर्न आवश्यक छ भने, उच्च परिशुद्धता उच्च आवृत्ति नमूना आवश्यक छ, र लागत अझ बढी छ।

डाटा प्राप्ति र डाटा पङ्क्तिबद्धताको अत्यधिक उच्च सीमान्त लागतको कारण, पावर ग्रिडले हाल पर्याप्त गैर-रैखिक सङ्कलन गर्न असमर्थ छ।

एआई एकलतामा पुग्न एल्गोरिथ्मलाई तालिम दिन डाटा जानकारीको वृद्धि।

डाटाको खुलापन उल्लेख नगर्ने, यो डाटा प्राप्त गर्न पावर एआई स्टार्टअपको लागि असम्भव छ।

तसर्थ, AI अघि, डाटा सेटको समस्या समाधान गर्न आवश्यक छ, अन्यथा सामान्य AI कोडलाई राम्रो AI उत्पादन गर्न तालिम दिन सकिँदैन।

3. कम्प्युटेशनल शक्ति मा सफलता

एल्गोरिदम र डेटाको अतिरिक्त, AIGC को एकलता सफलता पनि कम्प्युटेसनल शक्ति मा एक सफलता हो।परम्परागत CPU हरू होइनन्

ठूलो मात्रामा समवर्ती न्यूरोनल कम्प्युटिङको लागि उपयुक्त।यो ठ्याक्कै थ्रीडी गेम र चलचित्रहरूमा GPU हरूको अनुप्रयोग हो जसले ठूलो मात्रामा समानान्तर बनाउँछ।

फ्लोटिंग-पोइन्ट + स्ट्रिमिङ कम्प्युटिङ सम्भव छ।मूरको कानूनले कम्प्युटेसनल पावरको प्रति एकाइ कम्प्युटेशनल लागतलाई कम गर्छ।

पावर ग्रिड एआई, भविष्यमा अपरिहार्य प्रवृत्ति

वितरण गरिएको फोटोभोल्टिक र वितरित ऊर्जा भण्डारण प्रणालीको ठूलो संख्याको एकीकरणको साथसाथै आवेदन आवश्यकताहरू

लोड साइड भर्चुअल पावर प्लान्टहरू, सार्वजनिक वितरण नेटवर्क प्रणाली र प्रयोगकर्ताहरूको लागि स्रोत र लोड पूर्वानुमान सञ्चालन गर्न वस्तुनिष्ठ रूपमा आवश्यक छ।

वितरण (माइक्रो) ग्रिड प्रणालीहरू, साथै वितरण (माइक्रो) ग्रिड प्रणालीहरूको लागि वास्तविक-समय शक्ति प्रवाह अनुकूलन।

वितरण नेटवर्क पक्षको कम्प्युटेसनल जटिलता वास्तवमा प्रसारण नेटवर्क समय तालिका भन्दा बढी छ।व्यापारको लागि पनि

जटिल, त्यहाँ हजारौं लोड यन्त्रहरू र सयौं स्विचहरू हुन सक्छन्, र एआई आधारित माइक्रो ग्रिड/वितरण नेटवर्क सञ्चालनको माग

नियन्त्रण उत्पन्न हुनेछ।

सेन्सरहरूको कम लागत र ठोस-स्टेट ट्रान्सफर्मरहरू, ठोस-स्टेट स्विचहरू, र इन्भर्टरहरू (कन्भर्टरहरू) जस्ता पावर इलेक्ट्रोनिक उपकरणहरूको व्यापक प्रयोगको साथ,

पावर ग्रिडको छेउमा सेन्सिङ, कम्प्युटिङ र नियन्त्रणको एकीकरण पनि एक अभिनव प्रवृत्ति भएको छ।

तसर्थ, पावर ग्रिडको AIGC भविष्य हो।जे होस्, आजको आवश्यकता भनेको पैसा कमाउनको लागि तुरुन्तै एआई एल्गोरिदम निकाल्नु होइन,

यसको सट्टा, पहिले AI द्वारा आवश्यक डेटा पूर्वाधार निर्माण मुद्दाहरूलाई सम्बोधन गर्नुहोस्

AIGC को उकालोमा, एप्लिकेसन स्तर र पावर AI को भविष्यको बारेमा पर्याप्त शान्त सोच हुनु आवश्यक छ।

वर्तमानमा, पावर AI को महत्व महत्त्वपूर्ण छैन: उदाहरण को लागी, 90% को भविष्यवाणी सटीकता संग फोटोभोल्टिक एल्गोरिथ्म स्पट मार्केट मा राखिएको छ।

5% को व्यापार विचलन थ्रेसहोल्ड संग, र एल्गोरिथ्म विचलनले सबै व्यापारिक नाफा मेटाउनेछ।

डाटा पानी हो, र एल्गोरिथ्मको कम्प्युटेसनल पावर एक च्यानल हो।जसरी हुन्छ, त्यस्तै हुनेछ।