Riturnendu à l'essenza, l'innovazione di AIGC in a singularità hè una cumminazione di trè fatturi:

1. GPT hè una replica di neuroni umani

GPT AI rapprisintatu da NLP hè un algoritmu di rete neurale di computer, chì a so essenza hè di simulà e rete neurali in a corteccia cerebrale umana.

L'elaborazione è l'imaginazione intelligente di a lingua, a musica, l'imaghjini è ancu l'infurmazioni di u gustu sò tutte e funzioni accumulate da l'omu.

cervu cum'è un "computer di proteina" durante l'evoluzione à longu andà.

Dunque, GPT hè naturalmente l'imitazione più adatta per processà infurmazioni simili, vale à dì, lingua, musica è imagine senza struttura.

U miccanisimu di u so trasfurmazioni ùn hè micca a cunniscenza di u significatu, ma piuttostu un prucessu di raffinazione, identificazione è associu.Questu hè assai

cosa paradossale.

I primi algoritmi di ricunniscenza semantica di u discorsu stabiliscenu essenzialmente un mudellu di grammatica è una basa di dati di discorsu, dopu mappatu u discorsu à u vocabulariu,

poi pusatu u vocabulariu in a basa di dati di grammatica per capisce u significatu di u vocabulariu, è infine ottene risultati di ricunniscenza.

L'efficienza di ricunniscenza di stu "mecanismu logicu" di ricunniscenza di sintassi basata hè stata in u 70%, cum'è a ricunniscenza ViaVoice.

Algoritmu introduttu da IBM in l'anni 1990.

AIGC ùn hè micca di ghjucà cusì.A so essenza ùn hè micca a cura di a grammatica, ma piuttostu di stabilisce un algoritmu di rete neurale chì permette u

computer per cuntà i ligami probabilistici trà e diverse parolle, chì sò cunnessione neurali, micca cunnessione semantiche.

Cum'è l'amparà a nostra lingua materna quandu eramu ghjovani, l'avemu naturalmente amparata, invece di amparà "sugettu, predicatu, ogettu, verbu, cumplementu".

e poi capisce un paràgrafu.

Questu hè u mudellu di pensamentu di l'AI, chì hè ricunniscenza, micca capiscenu.

Questu hè ancu u significatu subversivu di l'AI per tutti i mudelli di meccanismi classici - l'urdinatori ùn anu micca bisognu di capiscenu sta materia à u livellu lògicu,

ma piuttostu identificà è ricunnosce a correlazione trà l'infurmazioni internu, è poi cunnosce.

Per esempiu, u statu di flussu di energia è a prediczione di e reti di energia sò basati nantu à a simulazione di rete di energia classica, induve un mudellu matematicu

U meccanismo hè stabilitu è ​​poi cunverge cù un algoritmu di matrice.In u futuru, pò esse micca necessariu.L'IA identificherà direttamente è predicherà a

certu mudellu modale basatu annantu à u statutu di ogni node.

U più nodi ci sò, u menu populari di l'algoritmu di matrice classica hè, perchè a cumplessità di l'algoritmu aumenta cù u numeru di

nodi è a progressione geomètrica aumenta.In ogni casu, l'AI preferisce avè a cuncurrenza di nodi scala assai grande, perchè AI hè bonu per identificà è

predichendu i modi di rete più prubabile.

Ch'ella sia a prossima predizione di Go (AlphaGO pò predichendu i prossimi decine di passi, cù innumerevoli pussibulità per ogni passu) o a prediczione modale

di sistemi climatichi cumplessi, a precisione di l'AI hè assai più altu ch'è quella di mudelli meccanichi.

U mutivu per quessa chì a rete elettrica attualmente ùn hà micca bisognu di AI hè chì u numeru di nodi in 220 kV è sopra e rete di putenza amministrate da pruvinciali.

dispatch ùn hè micca grande, è parechje cundizioni sò stabilite per linearizà è sparse a matrice, riducendu assai a cumplessità computazionale di u

mudellu di mecanismu.

Tuttavia, in u stadiu di flussu di energia di a rete di distribuzione, affruntendu decine di millaie o centinaie di millaie di nodi di putenza, nodi di carica è tradiziunali.

l'algoritmi di matrice in una grande reta di distribuzione hè impotente.

Credu chì u mudellu di ricunniscenza di l'AI à u livellu di a rete di distribuzione diventerà pussibule in u futuru.

2. L'accumulazione, a furmazione è a generazione di l'infurmazioni senza struttura

U sicondu mutivu perchè l'AIGC hà fattu un avanzu hè l'accumulazione di l'infurmazioni.Da a cunversione A / D di a parolla (microfonu + PCM

campionamentu) à a cunversione A / D di l'imaghjini (CMOS + mapping di u spaziu di culore), l'omu anu accumulatu dati olografichi in u visuale è uditivu.

campi in modi estremamente low cost in l'ultime decennii.

In particulare, a popularizazione à grande scala di càmera è smartphones, l'accumulazione di dati non strutturati in u campu audiovisuali per l'omu.

à u costu quasi zero, è l'accumulazione splusiva di l'infurmazioni di testu nantu à Internet sò a chjave per a furmazione AIGC - i setti di dati di furmazione sò pocu prezzu.

A figura sopra mostra a tendenza di crescita di dati glubale, chì presenta chjaramente una tendenza esponenziale.

Questa crescita non lineale di l'accumulazione di dati hè u fundamentu per a crescita non lineale di e capacità di AIGC.

MA, a maiò parte di sti dati sò dati audiovisivi non strutturati, chì sò accumulati à costu zero.

In u campu di l'energia elettrica, questu ùn pò micca esse rializatu.Prima, a maiò parte di l'industria di l'energia elettrica sò dati strutturati è semi strutturati, cum'è

voltage è currenti, chì sò insemi di dati puntu di serie tempu è semi strutturatu.

I setti di dati strutturali anu da esse capitu da l'urdinatori è necessitanu "allineamentu", cum'è l'allinjamentu di u dispositivu - a tensione, u currente è i dati di putenza.

di un switch deve esse allinatu à questu node.

A più fastidiosa hè l'allineamentu di u tempu, chì richiede l'allineamentu di tensione, corrente è putenza attiva è reattiva basatu nantu à a scala di u tempu, per quessa

l'identificazione dopu pò esse realizatu.Ci hè ancu direzzione avanti è inversa, chì sò l'alineazione spaziale in quattru quadranti.

A cuntrariu di i dati di testu, chì ùn necessitanu micca allinamentu, un paràgrafu hè simplicemente ghjittatu à l'urdinatore, chì identificanu pussibuli associazioni di informazioni.

per sè stessu.

Per allineà sta questione, cum'è l'allineamentu di l'equipaggiu di dati di distribuzione cummerciale, l'allineamentu hè sempre necessariu, perchè u mediu è

A reta di distribuzione di bassa tensione aghjusta, sguassate è mudificà l'equipaggiu è e linee ogni ghjornu, è e cumpagnie di griglia passanu enormi costi di travagliu.

Cum'è "annotazione di dati", l'urdinatori ùn ponu micca fà questu.

Siconda, u costu di l'acquistu di dati in u settore di l'energia hè altu, è i sensori sò richiesti invece di avè un telefuninu per parlà è piglià ritratti."

Ogni volta chì a tensione diminuite di un livellu (o a relazione di distribuzione di energia diminuisce di un livellu), l'investimentu di sensoru necessariu aumenta.

da almenu un ordine di grandezza.Per ottene u latu di carica (capillary end), hè ancu più un investimentu digitale massivu.

S'ellu hè necessariu di identificà u modu transitoriu di a reta di l'energia, un campionamentu d'alta freccia d'alta precisione hè necessariu, è u costu hè ancu più altu.

A causa di u costu marginale estremamente elevatu di l'acquisizione di dati è l'allineamentu di dati, a rete elettrica hè attualmente incapace di accumulà abbastanza non lineari.

crescita di l'infurmazioni di dati per furmà un algoritmu per ghjunghje à a singularità AI.

Senza parlà di l'apertura di dati, hè impussibile per una putenza AI startup per ottene sti dati.

Dunque, prima di l'AI, hè necessariu di risolve u prublema di setti di dati, altrimenti u codice AI generale ùn pò micca esse furmatu per pruduce una bona AI.

3. Breakthrough in putenza computational

In più di l'algoritmi è di e dati, a svolta di a singularità di AIGC hè ancu una svolta in a putenza computazionale.I CPU tradiziunali ùn sò micca

adattatu per l'informatica neuronale simultanea à grande scala.Hè precisamente l'applicazione di GPU in ghjochi 3D è filmi chì facenu paralleli à grande scala

flottante + streaming computing pussibule.A lege di Moore riduce ancu u costu computazionale per unità di putenza computazionale.

Power grid AI, una tendenza inevitabbile in u futuru

Cù l'integrazione di un gran numaru di sistemi di almacenamentu di energia fotovoltaica è distribuita, è ancu i requisiti di l'applicazione di

centrali virtuali di u latu di carica, hè obiettivamente necessariu di fà a previsione di fonte è di carica per i sistemi di rete di distribuzione publica è l'utilizatori.

sistemi di rete di distribuzione (micro) è ancu l'ottimisazione di u flussu di energia in tempu reale per i sistemi di rete di distribuzione (micro).

A cumplessità computazionale di u latu di a rete di distribuzione hè in realtà più altu ch'è quella di a pianificazione di a rete di trasmissione.Ancu per un cummerciale

cumplessu, ci ponu esse decine di millaie di dispusitivi di carica è centinaie di switches, è a dumanda di u funziunamentu di a reta di rete / distribuzione basata in AI.

u cuntrollu si nascerà.

Cù u prezzu bassu di i sensori è l'usu generalizatu di i dispositi elettronichi di putenza, cum'è i trasformatori à stati solidi, i switches à u statu solidu è l'inverter (convertitori),

l'integrazione di a sensazione, l'informatica è u cuntrollu à a riva di a rete elettrica hè ancu diventata una tendenza innovativa.

Dunque, l'AIGC di a rete elettrica hè u futuru.Tuttavia, ciò chì hè necessariu oghje ùn hè micca immediatamente piglià un algoritmu AI per fà soldi,

Invece, prima affrontate i prublemi di custruzzione di l'infrastruttura di dati richiesti da AI

In a crescita di AIGC, ci vole à esse abbastanza calmu pensendu à u livellu di l'applicazione è u futuru di u putere AI.

Attualmente, u significatu di u putere AI ùn hè micca significativu: per esempiu, un algoritmu fotovoltaicu cù una precisione di prediczione di 90% hè piazzatu in u mercatu spot.

cù un limitu di deviazione cummerciale di 5%, è a deviazione di l'algoritmu sguasserà tutti i prufitti di cummerciale.

I dati sò acqua, è a putenza computazionale di l'algoritmu hè un canale.Comu succede, serà.