Bali menyang inti, terobosan AIGC ing singularitas minangka kombinasi saka telung faktor:

1. GPT minangka replika neuron manungsa

GPT AI sing diwakili dening NLP yaiku algoritma jaringan saraf komputer, sing intine yaiku simulasi jaringan saraf ing korteks serebral manungsa.

Pangolahan lan imajinasi sing cerdas babagan basa, musik, gambar, lan malah informasi rasa iku kabeh fungsi sing dikumpulake dening manungsa.

otak minangka "komputer protein" sajrone evolusi jangka panjang.

Mula, GPT mesthi dadi tiruan sing paling cocog kanggo ngolah informasi sing padha, yaiku basa, musik, lan gambar sing ora terstruktur.

Mekanisme pangolahan kasebut dudu pangerten makna, nanging proses nyaring, ngenali, lan asosiasi.Iki banget

bab paradoks.

Algoritma pangenalan semantik wicara awal ateges nggawe model tata basa lan basis data wicara, banjur dipetakan wicara menyang kosakata,

banjur dilebokake vocabulary menyang database grammar kanggo mangerteni makna saka vocabulary, lan pungkasanipun entuk asil pangenalan.

Efisiensi pangenalan pangenalan sintaksis adhedhasar "mekanisme logis" iki wis nglayang watara 70%, kayata pangenalan ViaVoice.

algoritma ngenalaken dening IBM ing 1990s.

AIGC ora babagan muter kaya iki.Intine ora peduli babagan grammar, nanging nggawe algoritma jaringan syaraf sing ngidini

komputer kanggo count sambungan probabilistik antarane tembung beda, kang sambungan syaraf, ora sambungan semantik.

Kayata sinau basa ibu nalika isih enom, kita mesthi sinau, tinimbang sinau "subyek, predikat, obyek, kriya, pelengkap,"

banjur mangerteni paragraf.

Iki minangka model pamikiran AI, yaiku pangenalan, dudu pangerten.

Iki uga minangka makna subversif saka AI kanggo kabeh model mekanisme klasik - komputer ora perlu ngerti prakara iki ing tingkat logis,

nanging luwih ngenali lan ngenali korélasi antarane informasi internal, lan banjur ngerti.

Contone, negara aliran daya lan prediksi jaringan daya adhedhasar simulasi jaringan daya klasik, ing ngendi model matematika saka

mekanisme diadegaké lan banjur converged nggunakake algoritma matriks.Ing mangsa ngarep, bisa uga ora perlu.AI bakal langsung ngenali lan prédhiksi a

pola modal tartamtu adhedhasar status saben simpul.

Luwih akeh simpul, algoritma matriks klasik sing kurang populer, amarga kerumitan algoritma mundhak kanthi jumlah

node lan kemajuan geometris mundhak.Nanging, AI luwih seneng duwe konkurensi simpul skala gedhe banget, amarga AI apik kanggo ngenali lan

prédhiksi mode jaringan sing paling mungkin.

Apa prediksi sabanjure Go (AlphaGO bisa prédhiksi puluhan langkah sabanjure, kanthi kemungkinan sing ora kaetung kanggo saben langkah) utawa prediksi modal

saka sistem cuaca sing rumit, akurasi AI luwih dhuwur tinimbang model mekanik.

Alesan kenapa jaringan listrik saiki ora mbutuhake AI yaiku jumlah node ing jaringan listrik 220 kV lan ndhuwur sing dikelola dening provinsi.

ngirim ora gedhe, lan akeh kahanan sing disetel kanggo linearize lan sparse matriks, nemen ngurangi kerumitan komputasi saka

model mekanisme.

Nanging, ing tataran aliran daya jaringan distribusi, ngadhepi puluhan ewu utawa atusan ewu simpul daya, beban node, lan tradisional.

algoritma matriks ing jaringan distribusi gedhe ora daya.

Aku percaya yen pangenalan pola AI ing tingkat jaringan distribusi bakal bisa ditindakake ing mangsa ngarep.

2. Akumulasi, latihan, lan ngasilake informasi sing ora terstruktur

Alesan nomer loro ngapa AIGC nggawe terobosan yaiku akumulasi informasi.Saka konversi A/D saka wicara (mikropon+PCM

sampling) menyang konversi A/D saka gambar (CMOS+pemetaan ruang warna), manungsa wis nglumpukake data holografik ing visual lan pendengaran.

lapangan kanthi cara sing murah banget sajrone sawetara dekade kepungkur.

Utamane, popularitas kamera lan smartphone kanthi skala gedhe, akumulasi data sing ora terstruktur ing lapangan audiovisual kanggo manungsa.

ing meh nul biaya, lan klempakan mbledhos saka informasi teks ing Internet tombol kanggo AIGC training - training set data inexpensive.

Tokoh ing ndhuwur nuduhake tren pertumbuhan data global, sing jelas nuduhake tren eksponensial.

Akumulasi data non-linear iki minangka dhasar kanggo pertumbuhan non-linear kapabilitas AIGC.

Nanging, umume data kasebut minangka data audio-visual sing ora terstruktur, sing dikumpulake kanthi biaya nol.

Ing bidang tenaga listrik, iki ora bisa digayuh.Kaping pisanan, umume industri tenaga listrik yaiku data terstruktur lan semi terstruktur, kayata

voltase lan saiki, yaiku set data titik saka seri wektu lan semi terstruktur.

Set data struktural kudu dimangerteni dening komputer lan mbutuhake "alignment", kayata keselarasan piranti - data voltase, arus, lan daya

saka switch kudu didadekake siji kanggo simpul iki.

Sing luwih angel yaiku nyelarasake wektu, sing mbutuhake nyelarasake voltase, arus, lan daya aktif lan reaktif adhedhasar skala wektu, supaya

identifikasi sakteruse bisa ditindakake.Ana uga arah maju lan mundur, yaiku keselarasan spasial ing papat kuadran.

Ora kaya data teks, sing ora mbutuhake keselarasan, paragraf mung dibuwang menyang komputer, sing ngenali kemungkinan asosiasi informasi.

dhewe.

Kanggo nyelarasake masalah iki, kayata alignment peralatan data distribusi bisnis, alignment terus dibutuhake, amarga medium lan

jaringan distribusi voltase kurang nambah, mbusak, lan ngowahi peralatan lan garis saben dina, lan perusahaan kothak nglampahi biaya pegawe ageng.

Kaya "anotasi data," komputer ora bisa nindakake iki.

Kapindho, biaya akuisisi data ing sektor tenaga dhuwur, lan sensor dibutuhake tinimbang duwe ponsel kanggo ngomong lan njupuk foto.”

Saben-saben voltase sudo siji tingkat (utawa hubungan distribusi daya sudo siji tingkat), nambah investasi sensor dibutuhake

kanthi paling sethithik sak urutan gedhene.Kanggo entuk sensing sisih beban (ujung kapiler), luwih akeh investasi digital sing gedhe banget.

Yen perlu kanggo ngenali mode transien saka kothak daya, presisi dhuwur-frekuensi sampling dibutuhake, lan biaya malah luwih.

Amarga biaya marginal sing dhuwur banget kanggo akuisisi data lan keselarasan data, jaringan listrik saiki ora bisa nglumpukake non-linear sing cukup.

wutah informasi data kanggo nglatih algoritma kanggo nggayuh singularitas AI.

Ora kanggo sebutno keterbukaan data, mokal kanggo wiwitan AI daya entuk data kasebut.

Mulane, sadurunge AI, perlu kanggo ngatasi masalah set data, yen kode AI umum ora bisa dilatih kanggo ngasilake AI sing apik.

3. Terobosan ing daya komputasi

Saliyane algoritma lan data, terobosan singularitas AIGC uga minangka terobosan ing daya komputasi.CPU tradisional ora

cocok kanggo komputasi neuron bebarengan skala gedhe.Iki minangka aplikasi GPU ing game lan film 3D sing nggawe paralel skala gedhe.

floating-point + streaming komputasi bisa.Hukum Moore luwih nyuda biaya komputasi saben unit daya komputasi.

Power grid AI, tren sing ora bisa dihindari ing mangsa ngarep

Kanthi integrasi akeh sistem panyimpenan fotovoltaik lan distribusi energi sing disebarake, uga syarat aplikasi

tanduran daya virtual sisih mbukak, iku objectively perlu kanggo nindakake prakiraan sumber lan mbukak kanggo sistem jaringan distribusi umum lan pangguna

sistem jaringan distribusi (mikro), uga optimalisasi aliran daya wektu nyata kanggo sistem jaringan distribusi (mikro).

Kompleksitas komputasi sisih jaringan distribusi bener luwih dhuwur tinimbang jadwal jaringan transmisi.Malah kanggo komersial

Komplek, bisa uga ana puluhan ewu piranti muat lan atusan saklar, lan panjaluk kanggo operasi jaringan jaringan mikro / distribusi berbasis AI

kontrol bakal muncul.

Kanthi biaya sensor sing murah lan panggunaan piranti elektronik daya sing akeh kayata transformer solid-state, switch solid-state, lan inverter (konverter),

integrasi sensing, komputasi, lan kontrol ing pinggiran kothak daya uga wis dadi gaya inovatif.

Mulane, AIGC saka kothak daya minangka mangsa ngarep.Nanging, sing dibutuhake saiki ora langsung njupuk algoritma AI kanggo entuk dhuwit,

Nanging, luwih dhisik ngrampungake masalah konstruksi infrastruktur data sing dibutuhake AI

Ing kebangkitan AIGC, kudu mikir kanthi tenang babagan level aplikasi lan masa depan kekuwatan AI.

Saiki, pentinge daya AI ora signifikan: contone, algoritma fotovoltaik kanthi akurasi prediksi 90% diselehake ing pasar titik.

kanthi ambang panyimpangan dagang 5%, lan panyimpangan algoritma bakal ngilangi kabeh bathi dagang.

Data kasebut minangka banyu, lan kekuwatan komputasi algoritma kasebut minangka saluran.Minangka mengkono, iku bakal.