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 por NLP é um algoritmo de rede neural de computador, cuja essência é simular redes neurais no córtex cerebral humano.

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

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

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

O mecanismo de 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 essencialmente estabeleceram um modelo gramatical e um banco de dados de fala, então mapearam a fala para o vocabulário,

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

A eficiência de reconhecimento desse “mecanismo lógico” baseado no reconhecimento de sintaxe tem girado em torno de 70%, como o reconhecimento do ViaVoice

algoritmo introduzido pela IBM na década de 1990.

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

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, em seguida, compreender um parágrafo.

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

Esse também é o significado subversivo da IA ​​para todos os modelos de mecanismos clássicos – os computadores não precisam entender esse assunto no 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 de redes elétricas são baseados na simulação clássica de rede elétrica, onde um modelo matemático do

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

determinado 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 consegue prever as próximas dezenas de passos, com inúmeras possibilidades para cada passo) ou a previsão modal

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

A razão pela qual a rede elétrica atualmente não requer IA é que o número de nós em 220 kV e acima das redes de energia gerenciadas pelas autoridades provinciais

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

modelo de mecanismo.

No entanto, no estágio de fluxo de energia da rede de distribuição, enfrentando dezenas de milhares ou centenas de milhares de nós de energia, nós de carga e tradicionais

algoritmos de matriz em uma grande rede de distribuição é impotente.

Acredito que o reconhecimento de padrões de IA no nível da rede de distribuição será possível no futuro.

2. O acúmulo, treinamento e geração de informações não estruturadas

A segunda razão pela qual o AIGC fez uma inovação é o acúmulo de informações.A partir da conversão A/D de voz (microfone+PCM

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

campos de forma extremamente barata nas 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 o acúmulo explosivo de informações de texto na Internet são a chave para o treinamento AIGC – os conjuntos de dados de treinamento são baratos.

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

Esse crescimento não linear do acúmulo de dados é a base para o crescimento não linear dos recursos do AIGC.

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

No campo da energia elétrica, isso não pode ser alcançado.Em primeiro lugar, a maior parte do setor de energia elétrica é formada 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 entendidos por computadores e requerem “alinhamento”, como o alinhamento do dispositivo – os dados de tensão, corrente e energia

de um switch precisam ser alinhados 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

posterior identificação pode ser realizada.Existem também direções para frente e para trás, que são alinhamento espacial em quatro quadrantes.

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

sozinho.

Para alinhar essa questão, como o alinhamento de equipamentos de dados de distribuição de negócios, o alinhamento é constantemente necessário, pois o meio e o

a rede de distribuição de baixa tensão está adicionando, excluindo e modificando equipamentos e linhas todos os dias, e as empresas de rede gastam enormes custos de mão-de-obra.

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

Em segundo lugar, o custo de aquisição de dados no setor de energia é alto e são necessários sensores em vez de um telefone celular para falar e tirar fotos.”

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 capilar), é ainda mais um investimento digital massivo.”.

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

Devido ao custo marginal extremamente alto de aquisição de dados e alinhamento de dados, a rede elétrica é atualmente incapaz de acumular dados não lineares suficientes

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

Sem mencionar a abertura de dados, é impossível para uma startup de IA de poder 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 justamente a aplicação de GPUs em jogos e filmes 3D que torna o paralelo em larga escala

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

Power grid AI, 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 previsão de fonte e carga para sistemas de rede de distribuição pública e usuário

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

A complexidade computacional do lado da rede de distribuição é realmente 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 comutadores, e a demanda por operação de rede de micro rede/distribuição baseada em IA

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 borda 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 retirar imediatamente um algoritmo de IA para ganhar dinheiro,

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

No surgimento do AIGC, é preciso haver calma suficiente pensando no nível de aplicação e no futuro da IA ​​de energia.

Atualmente, a importância da potência AI não é significativa: por exemplo, um algoritmo fotovoltaico com uma precisão de previsão de 90% é colocado no mercado à vista

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

Os dados são água e o poder computacional do algoritmo é um canal.Quando acontecer, será.