Voltando à essência, o avanço do AIGC na singularidade é uma combinação de três fatores:

1. GPT é uma réplica de neurônios humanos

GPT AI representado pela PNL é um algoritmo de rede neural computacional, cuja essência é simular redes neurais no córtex cerebral humano.

O processamento e a imaginação inteligente da linguagem, da música, das imagens e até das informações gustativas são funções acumuladas pelo ser humano.

cérebro como um “computador de proteínas” durante a evolução a longo prazo.

Portanto, GPT é naturalmente a imitação mais adequada para processar informações semelhantes, ou seja, linguagem não estruturada, música e imagens.

O mecanismo do seu processamento não é a compreensão do significado, mas sim um processo de refinamento, identificação e associação.Isso é muito

coisa paradoxal.

Os primeiros algoritmos de reconhecimento semântico de fala estabeleceram essencialmente um modelo gramatical e um banco de dados de fala, depois mapearam a fala para o vocabulário,

em seguida, colocou o vocabulário no banco de dados gramatical para compreender o significado do vocabulário e, finalmente, obteve resultados de reconhecimento.

A eficiência de reconhecimento deste reconhecimento de sintaxe baseado em “mecanismo lógico” tem oscilado em torno de 70%, como o reconhecimento ViaVoice

algoritmo introduzido pela IBM na década de 1990.

AIGC não é para jogar assim.Sua essência não é se preocupar com gramática, mas sim estabelecer um algoritmo de rede neural que permita o

computador para contar as conexões probabilísticas entre palavras diferentes, que são conexões neurais, não conexões semânticas.

Assim como aprendemos nossa língua materna quando éramos jovens, nós a aprendemos naturalmente, em vez de aprender “sujeito, predicado, objeto, verbo, complemento”.

e então compreender um parágrafo.

Este é o modelo de pensamento da IA, que é reconhecimento, não compreensão.

Este é também o significado subversivo da IA ​​para todos os modelos de mecanismos clássicos – os computadores não precisam de compreender esta questão ao nível lógico,

mas sim identificar e reconhecer a correlação entre as informações internas e então conhecê-la.

Por exemplo, o estado do fluxo de energia e a previsão das redes elétricas baseiam-se na simulação clássica de redes elétricas, onde um modelo matemático do

O mecanismo é estabelecido e então convergido usando um algoritmo de matriz.No futuro, pode não ser necessário.A IA identificará e preverá diretamente um

certo padrão modal com base no status de cada nó.

Quanto mais nós houver, menos popular será o algoritmo de matriz clássico, porque a complexidade do algoritmo aumenta com o número de

nós e a progressão geométrica aumenta.No entanto, a IA prefere ter simultaneidade de nós em grande escala, porque a IA é boa em identificar e

prever os modos de rede mais prováveis.

Seja a próxima previsão do Go (o AlphaGO pode prever as próximas dezenas de etapas, com inúmeras possibilidades para cada etapa) ou a previsão modal

de sistemas meteorológicos complexos, a precisão da IA ​​é muito maior do que a dos modelos mecânicos.

A razão pela qual a rede eléctrica actualmente não exige IA é que o número de nós nas redes eléctricas de 220 kV e superiores geridas pelas autoridades provinciais

o despacho não é grande e muitas condições são definidas para linearizar e espaçar a matriz, reduzindo bastante a complexidade computacional do

modelo de mecanismo.

No entanto, na fase de fluxo de energia da rede de distribuição, enfrentando dezenas de milhares ou centenas de milhares de nós de energia, nós de carga e sistemas tradicionais

algoritmos matriciais em uma grande rede de distribuição são impotentes.

Acredito que o reconhecimento de padrões de IA ao nível da rede de distribuição se tornará possível no futuro.

2. Acumulação, treinamento e geração de informações não estruturadas

A segunda razão pela qual a AIGC fez um grande avanço é a acumulação de informação.Da conversão A/D de fala (microfone+PCM

amostragem) para a conversão A/D de imagens (mapeamento de espaço de cores CMOS +), os humanos acumularam dados holográficos no visual e auditivo

campos de forma extremamente barata ao longo das últimas décadas.

Em particular, a popularização em larga escala de câmeras e smartphones, o acúmulo de dados não estruturados no campo audiovisual para humanos

a custo quase zero, e a acumulação explosiva de informação textual na Internet são a chave para a formação em AIGC – os conjuntos de dados de formação são baratos.

A figura acima mostra a tendência de crescimento dos dados globais, que apresenta claramente uma tendência exponencial.

Este crescimento não linear da acumulação de dados é a base para o crescimento não linear das capacidades do AIGC.

MAS, a maioria desses dados são dados audiovisuais não estruturados, que são acumulados a custo zero.

No domínio da energia eléctrica, isto não pode ser alcançado.Em primeiro lugar, a maior parte da indústria de energia elétrica é composta por dados estruturados e semiestruturados, como

tensão e corrente, que são conjuntos de dados pontuais de séries temporais e semiestruturados.

Os conjuntos de dados estruturais precisam ser compreendidos pelos computadores e requerem “alinhamento”, como o alinhamento do dispositivo – os dados de tensão, corrente e potência

de um switch precisa estar alinhado a este nó.

Mais problemático é o alinhamento de tempo, que requer o alinhamento de tensão, corrente e potência ativa e reativa com base na escala de tempo, de modo que

a identificação subsequente pode ser realizada.Existem também direções direta e reversa, que são alinhamento espacial em quatro quadrantes.

Ao contrário dos dados de texto, que não necessitam de alinhamento, um parágrafo é simplesmente lançado para o computador, que identifica possíveis associações de informações

sozinho.

Para alinhar esta questão, como o alinhamento dos equipamentos dos dados de distribuição empresarial, o alinhamento é constantemente necessário, porque o meio e

A rede de distribuição de baixa tensão adiciona, exclui e modifica equipamentos e linhas todos os dias, e as empresas de rede gastam enormes custos trabalhistas.

Assim como a “anotação de dados”, os computadores não podem fazer isso.

Em segundo lugar, o custo da aquisição de dados no sector da energia é elevado e são necessários sensores em vez de um telemóvel para falar e tirar fotografias.”

Cada vez que a tensão diminui em um nível (ou a relação de distribuição de energia diminui em um nível), o investimento necessário no sensor aumenta

em pelo menos uma ordem de grandeza.Para obter a detecção do lado da carga (extremidade do capilar), é ainda mais um investimento digital massivo.”.

Se for necessário identificar o modo transitório da rede elétrica, será necessária uma amostragem de alta precisão e alta frequência, e o custo será ainda maior.

Devido ao custo marginal extremamente elevado da aquisição e alinhamento de dados, a rede eléctrica é actualmente incapaz de acumular dados não lineares suficientes.

crescimento de informações de dados para treinar um algoritmo para alcançar a singularidade da IA.

Sem falar na abertura dos dados, é impossível para uma startup de IA obter esses dados.

Portanto, antes da IA, é necessário resolver o problema dos conjuntos de dados, caso contrário, o código geral da IA ​​não pode ser treinado para produzir uma boa IA.

3. Avanço no poder computacional

Além de algoritmos e dados, o avanço da singularidade do AIGC também é um avanço no poder computacional.CPUs tradicionais não são

adequado para computação neuronal simultânea em grande escala.É precisamente a aplicação de GPUs em jogos e filmes 3D que torna

computação de ponto flutuante + streaming possível.A Lei de Moore reduz ainda mais o custo computacional por unidade de poder computacional.

IA da rede elétrica, uma tendência inevitável no futuro

Com a integração de um grande número de sistemas fotovoltaicos distribuídos e de armazenamento de energia distribuída, bem como os requisitos de aplicação de

usinas de energia virtuais do lado da carga, é objetivamente necessário realizar previsões de fonte e carga para sistemas de rede de distribuição pública e usuários

sistemas de (micro) rede de distribuição, bem como otimização do fluxo de energia em tempo real para sistemas de (micro) rede de distribuição.

A complexidade computacional do lado da rede de distribuição é, na verdade, maior do que a do escalonamento da rede de transmissão.Mesmo para um comercial

complexo, pode haver dezenas de milhares de dispositivos de carga e centenas de switches, e a demanda por operação de microrrede/rede de distribuição baseada em IA

o controle surgirá.

Com o baixo custo dos sensores e o uso generalizado de dispositivos eletrônicos de potência, como transformadores de estado sólido, chaves de estado sólido e inversores (conversores),

a integração de detecção, computação e controle na periferia da rede elétrica também se tornou uma tendência inovadora.

Portanto, o AIGC da rede elétrica é o futuro.No entanto, o que é necessário hoje não é utilizar imediatamente um algoritmo de IA para ganhar dinheiro,

Em vez disso, primeiro resolva os problemas de construção de infraestrutura de dados exigidos pela IA

No surgimento do AIGC, é necessário que haja calma suficiente para pensar sobre o nível de aplicação e o futuro da IA ​​de energia.

Atualmente, a importância da IA ​​de energia não é significativa: por exemplo, um algoritmo fotovoltaico com uma precisão de previsão de 90% é colocado no mercado spot

com um limite de desvio comercial de 5%, e o desvio do algoritmo eliminará todos os lucros comerciais.

Os dados são água e o poder computacional do algoritmo é um canal.Acontece que será.