Zréck op d'Essenz, dem AIGC säin Duerchbroch an der Singularitéit ass eng Kombinatioun vun dräi Faktoren:

1. GPT ass eng Replika vu mënschlechen Neuronen

GPT AI representéiert vun NLP ass e Computerneural Netzwierk Algorithmus, deem seng Essenz ass neural Netzwierker am mënschleche zerebrale Cortex ze simuléieren.

D'Veraarbechtung an intelligent Phantasie vu Sprooch, Musek, Biller, a souguer Geschmaachsinformatioun sinn all Funktiounen, déi vum Mënsch accumuléiert sinn.

Gehir als "Protein Computer" während laangfristeg Evolutioun.

Dofir ass GPT natierlech déi gëeegent Imitatioun fir ähnlech Informatioun ze veraarbecht, dat heescht onstrukturéiert Sprooch, Musek a Biller.

De Mechanismus vu senger Veraarbechtung ass net d'Verstoe vu Bedeitung, mee éischter e Prozess vu Verfeinerung, Identifikatioun an Associatioun.Dëst ass e ganz

paradoxal Saach.

Fréi Ried semantesch Unerkennung Algorithmen hunn am Wesentlechen e Grammatikmodell an eng Rieddatenbank etabléiert, duerno d'Ried op de Vocabulaire kartéiert,

dunn huet de Vokabulär an d'Grammaire Datebank gesat fir d'Bedeitung vum Vocabulaire ze verstoen, an endlech Unerkennungsresultater kritt.

D'Unerkennungseffizienz vun dësem "logesche Mechanismus" baséiert Syntax Unerkennung huet ongeféier 70% geschweecht, sou wéi d'ViaVoice Unerkennung

Algorithmus agefouert vun IBM an den 1990er.

AIGC geet net drëm sou ze spillen.Seng Essenz ass net ëm d'Grammatik ze këmmeren, mee éischter en neurale Netzwierk Algorithmus z'etabléieren deen den

Computer fir déi probabilistesch Verbindungen tëscht verschiddene Wierder ze zielen, déi neural Verbindungen sinn, net semantesch Verbindungen.

Vill wéi eis Mammesprooch ze léieren wa mir jonk waren, hu mir et natierlech geléiert, anstatt "Thema, Prädikat, Objet, Verb, Ergänzung" ze léieren.

an dann engem Paragraph verstoen.

Dëst ass den Denkmodell vun AI, wat Unerkennung ass, net Verständnis.

Dëst ass och déi subversiv Bedeitung vun AI fir all klassesch Mechanismus Modeller - Computeren brauchen dës Matière net um logesche Niveau ze verstoen,

mä éischter d'Korrelatioun tëscht intern Informatiounen z'identifizéieren an unerkennen, an dann weess et.

Zum Beispill baséieren de Stroumstroumzoustand an d'Prognose vu Stroumnetz op der klassescher Kraaftnetzsimulatioun, wou e mathematesche Modell vun der

Mechanismus gëtt etabléiert an dann konvergéiert mat engem Matrix Algorithmus.An Zukunft kann et net néideg sinn.AI wäert direkt identifizéieren a virauszesoen a

bestëmmte modal Muster baséiert op de Status vun all Node.

Wat méi Noden et sinn, wat manner populär ass de klassesche Matrix Algorithmus, well d'Komplexitéit vum Algorithmus eropgeet mat der Unzuel vun

Noden an de geometresche Fortschrëtt erhéicht.Wéi och ëmmer, AI léiwer ganz grouss Skala Node Concurrency ze hunn, well AI ass gutt fir z'identifizéieren an

déi wahrscheinlechst Netzwierkmodi virauszesoen.

Egal ob et déi nächst Prognose vu Go ass (AlphaGO kann déi nächst Dosende vu Schrëtt viraussoen, mat enger Onmass Méiglechkeeten fir all Schrëtt) oder déi modal Prognose

vu komplexe Wiedersystemer ass d'Genauegkeet vun AI vill méi héich wéi déi vu mechanesche Modeller.

De Grond firwat de Stroumnetz de Moment keng AI erfuerdert ass datt d'Zuel vun den Noden an 220 kV a méi Stroumnetzwierker geréiert vu provinciales

D'Verschécken ass net grouss, a vill Konditioune si gesat fir d'Matrix ze lineariséieren an ze späicheren, wat d'Rechnerkomplexitéit vun der

Mechanismus Modell.

Wéi och ëmmer, an der Verdeelungsnetz Kraaftflossstuf, konfrontéiert Zéngdausende oder Honnerte vun Dausende vu Kraaftknäppchen, Lastknäppchen, an traditionell

Matrix Algorithmen an engem grousse Verdeelungsnetz ass mächteg.

Ech gleewen datt Mustererkennung vun AI um Verdeelungsnetzniveau an Zukunft méiglech gëtt.

2. D'Akkumulation, d'Ausbildung an d'Generatioun vun onstrukturéierter Informatioun

Den zweete Grond firwat AIGC en Duerchbroch gemaach huet ass d'Akkumulation vun Informatioun.Vun der A/D Konversioun vu Ried (Mikrofon + PCM

Sampling) op d'A/D Konversioun vu Biller (CMOS + Faarfraummapping), hunn d'Mënschen holographesch Daten an der visueller an auditiver cumuléiert

Felder an extrem bëlleg Manéier an de leschte Joerzéngte.

Besonnesch déi grouss Skala Populariséierung vu Kameraen a Smartphones, d'Akkumulation vun onstrukturéierten Donnéeën am audiovisuelle Beräich fir Mënschen

bei bal null Käschten, an der explosive Heefung vun Text Informatiounen um Internet sinn de Schlëssel AIGC Training - Training Datesätz sinn bëlleg.

D'Figur hei uewen weist de Wuesstumstrend vu globalen Donnéeën, déi kloer en exponentiellen Trend presentéiert.

Dësen net-lineare Wuesstum vun der Dateakkumulatioun ass d'Basis fir den net-lineare Wuesstum vun den AIGC Fäegkeeten.

MEE, déi meescht vun dësen Donnéeën sinn onstrukturéiert audiovisuell Donnéeën, déi zu Null Käschten accumuléiert sinn.

Am Beräich vun der elektrescher Kraaft kann dëst net erreecht ginn.Als éischt sinn déi meescht vun der elektrescher Kraaftindustrie strukturéiert a semi strukturéiert Daten, wéi z

Spannung a Stroum, déi Punktdaten Sätz vun Zäitreihe a semi-strukturéiert sinn.

Strukturell Datesets musse vu Computere verstane ginn an erfuerderen "Ausrichtung", sou wéi Apparat Ausrichtung - d'Spannung, Stroum a Kraaftdaten

vun engem Schalter muss op dësen Node ausgeriicht ginn.

Méi lästeg ass d'Zäitausrichtung, déi d'Spannung, de Stroum an d'aktiv a reaktiv Kraaft ausgeriicht op Basis vun der Zäitskala erfuerdert, sou datt

spéider Identifikatioun kann duerchgefouert ginn.Et ginn och no vir an ëmgedréint Richtungen, déi raimlech Ausrichtung a véier Quadranten sinn.

Am Géigesaz zu Textdaten, déi keng Ausriichtung erfuerderen, gëtt e Paragraf einfach op de Computer geworf, wat méiglech Informatiounsassociatiounen identifizéiert

op seng eege.

Fir dëst Thema ze alignéieren, sou wéi d'Ausrichtung Ausrichtung vu Geschäftsverdeelungsdaten, ass d'Ausrichtung dauernd gebraucht, well d'Medium a

Niddereg Spannungsverdeelungsnetz addéiert, läscht a ännert Ausrüstung a Linnen all Dag, an d'Netzfirmen verbréngen enorm Aarbechtskäschte.

Wéi "Datenannotatioun", kënnen Computeren dëst net maachen.

Zweetens sinn d'Käschte fir Datenacquisitioun am Stroumsektor héich, a Sensoren sinn erfuerderlech amplaz en Handy ze hunn fir ze schwätzen a Fotoen ze maachen."

All Kéier wann d'Spannung ëm een ​​Niveau erofgeet (oder d'Kraaftverdeelungsverhältnis ëm een ​​Niveau erofgeet), erhéicht déi erfuerderlech Sensorinvestitioun

op d'mannst eng Uerdnung vun der Gréisst.Fir Last Säit (Kapillär Enn) Sensing z'erreechen, ass et nach méi eng massiv digital Investitioun.

Wann et néideg ass den transienten Modus vum Stroumnetz z'identifizéieren, ass héichpräzis Héichfrequenzprobe erfuerderlech, an d'Käschte sinn nach méi héich.

Wéinst den extrem héije marginale Käschte vun der Dateacquisitioun an der Dateausrichtung ass d'Energienetz am Moment net fäeg genuch net-linear ze accumuléieren

Wuesstum vun Dateninformatioun fir en Algorithmus ze trainéieren fir d'AI Singularitéit z'erreechen.

Net fir d'Ouverture vun den Donnéeën ze ernimmen, et ass onméiglech fir e Power AI Startup dës Donnéeën ze kréien.

Dofir, ier AI, ass et néideg de Problem vun Datesets ze léisen, soss kann allgemeng AI Code net trainéiert ginn fir e gudden AI ze produzéieren.

3. Duerchbroch an der Rechenkraaft

Zousätzlech zu Algorithmen an Daten ass den Singularitéitsduerchbroch vun AIGC och en Duerchbroch an der Rechenkraaft.Traditionell CPUs sinn net

gëeegent fir grouss-Skala concurrent neuronal Computing.Et ass genau d'Applikatioun vu GPUs an 3D Spiller a Filmer déi grouss Skala parallel mécht

Floating-Point + Streaming Computing méiglech.Dem Moore säi Gesetz reduzéiert weider d'Berechnungskäschte pro Eenheet vun der Rechenkraaft.

Power Grid AI, en inévitabelen Trend an der Zukunft

Mat der Integratioun vun enger grousser Unzuel vu verdeele Photovoltaik a verdeelt Energielagerungssystemer, souwéi d'Ufuerderunge vun der Applikatioun vun

Last Säit virtuell Kraaftwierker, ass et objektiv noutwendeg Quell a Last Prognosen fir ëffentlech Verdeelungsnetzsystemer a Benotzer ze maachen

Verdeelung (Mikro) Gittersystemer, souwéi Echtzäit Kraaftstroumoptimiséierung fir Verdeelungs (Mikro) Gittersystemer.

D'berechent Komplexitéit vun der Verdeelungsnetzsäit ass tatsächlech méi héich wéi déi vum Transmissiounsnetzplang.Och fir eng kommerziell

komplex, et kann Zénger vun Dausende vu Luedegeräter an Honnerte vu Schalter sinn, an d'Nofro fir AI baséiert Mikro-Grid / Verdeelungsnetz Operatioun

Kontroll wäert entstoen.

Mat de niddrege Käschte vu Sensoren an der verbreeter Notzung vu Kraaftelektroneschen Apparater wéi Solid-State Transformatoren, Solid-State Switches, an Inverters (Converters),

d'Integratioun vu Sensing, Informatik a Kontroll um Rand vum Stroumnetz ass och en innovativen Trend ginn.

Dofir ass d'AIGC vum Stroumnetz d'Zukunft.Wéi och ëmmer, wat haut gebraucht gëtt ass net direkt en AI Algorithmus erauszehuelen fir Suen ze maachen,

Amplaz, adresséiert als éischt d'Dateninfrastrukturkonstruktiounsprobleemer erfuerderlech vun AI

Am Opschwong vun AIGC muss et genuch roueg Denken iwwer d'Applikatiounsniveau an d'Zukunft vun der Kraaft AI sinn.

Am Moment ass d'Bedeitung vu Kraaft AI net bedeitend: zum Beispill gëtt e Photovoltaikalgorithmus mat enger Prévisiounsgenauegkeet vun 90% um Spotmarkt gesat

mat enger Handelsdeviatiounsschwell vu 5%, an d'Algorithmusabweichung wäert all Handelsgewënn wëschen.

D'Daten si Waasser, an d'Rechenkraaft vum Algorithmus ass e Kanal.Wéi et geschitt, wäert et sinn.