אם נחזור למהות, פריצת הדרך של AIGC בייחודיות היא שילוב של שלושה גורמים:

1. GPT הוא העתק של נוירונים אנושיים

GPT AI המיוצג על ידי NLP הוא אלגוריתם רשת עצבית מחשב, אשר מהותו היא לדמות רשתות עצביות בקליפת המוח האנושית.

העיבוד והדמיון המושכל של שפה, מוזיקה, תמונות ואפילו מידע על טעם הם כולם פונקציות שנצבר על ידי האדם

המוח כ"מחשב חלבון" במהלך אבולוציה ארוכת טווח.

לכן, GPT הוא באופן טבעי החיקוי המתאים ביותר לעיבוד מידע דומה, כלומר שפה, מוזיקה ותמונות לא מובנית.

מנגנון העיבוד שלו אינו הבנת המשמעות, אלא תהליך של עידון, זיהוי ושיוך.זה מאוד

דבר פרדוקסלי.

אלגוריתמים מוקדמים של זיהוי סמנטי של דיבור הקימו בעצם מודל דקדוק ומסד נתונים של דיבור, ואז מיפו את הדיבור לאוצר המילים,

לאחר מכן הכניס את אוצר המילים למאגר הדקדוק כדי להבין את משמעות אוצר המילים, ולבסוף השיג תוצאות זיהוי.

יעילות הזיהוי של זיהוי תחביר מבוסס "מנגנון לוגי" זה נעה סביב 70%, כגון זיהוי ViaVoice

אלגוריתם שהוצג על ידי IBM בשנות ה-90.

AIGC לא עוסקת במשחק כזה.המהות שלו היא לא לדאוג לדקדוק, אלא להקים אלגוריתם רשת עצבית המאפשר

מחשב לספור את הקשרים ההסתברותיים בין מילים שונות, שהן קשרים עצביים, לא קשרים סמנטיים.

בדומה ללימוד שפת האם שלנו כשהיינו צעירים, למדנו אותה באופן טבעי, במקום ללמוד "נושא, פרט, מושא, פועל, משלים"

ואז להבין פסקה.

זהו מודל החשיבה של AI, שהוא הכרה, אי הבנה.

זו גם המשמעות החתרנית של AI עבור כל דגמי המנגנון הקלאסיים - מחשבים לא צריכים להבין את העניין הזה ברמה ההגיונית,

אלא לזהות ולזהות את המתאם בין מידע פנימי, ואז לדעת אותו.

לדוגמה, מצב זרימת החשמל וחיזוי רשתות החשמל מבוססים על הדמיית רשת חשמל קלאסית, שבה מודל מתמטי של

מנגנון נוצר ולאחר מכן מתכנס באמצעות אלגוריתם מטריצה.בעתיד, ייתכן שלא יהיה צורך בכך.בינה מלאכותית תזהה ותנבא ישירות א

דפוס מודאלי מסוים המבוסס על המצב של כל צומת.

ככל שיש יותר צמתים, כך האלגוריתם המטריצה ​​הקלאסי פחות פופולרי, מכיוון שמורכבות האלגוריתם גדלה עם מספר

צמתים וההתקדמות הגיאומטרית עולה.עם זאת, בינה מלאכותית מעדיף לקבל במקביל צמתים בקנה מידה גדול מאוד, מכיוון שבינה מלאכותית טובה בזיהוי ו

לחזות את מצבי הרשת הסבירים ביותר.

בין אם זה החיזוי הבא של Go (AlphaGO יכול לחזות את עשרות השלבים הבאים, עם אינספור אפשרויות לכל שלב) או החיזוי המודאלי

של מערכות מזג אוויר מורכבות, הדיוק של AI גבוה בהרבה מזה של דגמים מכניים.

הסיבה לכך שרשת החשמל אינה דורשת כיום AI היא שמספר הצמתים ברשתות חשמל של 220 קילו וולט ומעלה המנוהלות על ידי מחוזות

השיגור אינו גדול, ותנאים רבים מוגדרים לליניאריזציה ולצמצם את המטריצה, מה שמפחית מאוד את המורכבות החישובית של

דגם מנגנון.

עם זאת, בשלב זרימת הכוח של רשת ההפצה, מול עשרות אלפים או מאות אלפי צמתי כוח, צמתי עומס ומסורתיים.

אלגוריתמי מטריצה ​​ברשת הפצה גדולה הם חסרי אונים.

אני מאמין שזיהוי דפוסים של AI ברמת רשת ההפצה יתאפשר בעתיד.

2. הצטברות, הכשרה ויצירת מידע לא מובנה

הסיבה השנייה שבגינה AIGC עשתה פריצת דרך היא צבירת מידע.מהמרת A/D של דיבור (מיקרופון+PCM

דגימה) להמרת A/D של תמונות (CMOS+מיפוי מרחב צבע), בני אדם צברו נתונים הולוגרפיים בראייה החזותית והשמיעתית

שדות בדרכים בעלות נמוכה ביותר בעשורים האחרונים.

בפרט, הפופולריות בקנה מידה גדול של מצלמות וסמארטפונים, צבירת נתונים לא מובנים בתחום האודיו-ויזואלי עבור בני אדם

בעלות כמעט אפסית, והצטברות נפיצה של מידע טקסט באינטרנט הם המפתח להכשרת AIGC - מערכי נתונים לאימון הם זולים.

האיור שלמעלה מציג את מגמת הצמיחה של נתונים גלובליים, אשר מציגה בבירור מגמה אקספוננציאלית.

צמיחה לא-לינארית זו של צבירת נתונים היא הבסיס לצמיחה הלא-לינארית של היכולות של AIGC.

אבל, רוב הנתונים הללו הם נתונים אודיו-ויזואליים לא מובנים, שנצברים בעלות אפסית.

בתחום הכוח החשמלי לא ניתן להשיג זאת.ראשית, רוב תעשיית החשמל היא נתונים מובנים וחצי מובנים, כגון

מתח וזרם, שהם מערכי נתונים נקודתיים של סדרות זמן ומובנים למחצה.

מערכי נתונים מבניים צריכים להיות מובנים למחשבים ודורשים "יישור", כגון יישור התקן - נתוני המתח, הזרם וההספק

של מתג צריך להיות מיושר לצומת זה.

מטריד יותר הוא יישור הזמן, הדורש יישור מתח, זרם והספק פעיל ותגובתי על בסיס סולם הזמן, כך

ניתן לבצע זיהוי לאחר מכן.ישנם גם כיוונים קדימה ואחורה, שהם יישור מרחבי בארבעה ריבועים.

בניגוד לנתוני טקסט, שאינם דורשים יישור, פסקה פשוט נזרקת למחשב, המזהה שיוך מידע אפשרי

בכוחות עצמו.

על מנת ליישר נושא זה, כמו יישור הציוד של נתוני הפצה עסקיים, יש צורך כל הזמן ביישור, מכיוון שהמדיום וה

רשת הפצה במתח נמוך מוסיפה, מוחקת ומשנה ציוד וקווים מדי יום, וחברות רשת מוציאות עלויות עבודה עצומות.

כמו "ביאור נתונים", מחשבים אינם יכולים לעשות זאת.

שנית, עלות רכישת הנתונים במשק החשמל היא גבוהה, ונדרשים חיישנים במקום טלפון נייד כדי לדבר ולצלם.”

בכל פעם שהמתח יורד ברמה אחת (או שיחס חלוקת הכוח יורד ברמה אחת), ההשקעה הנדרשת בחיישן עולה

בסדר גודל אחד לפחות.כדי להשיג חישה בצד העומס (קצה נימי), זו אפילו יותר השקעה דיגיטלית מסיבית".

אם יש צורך לזהות את מצב המעבר של רשת החשמל, נדרשת דגימה בתדר גבוה ברמת דיוק גבוהה, והעלות גבוהה אף יותר.

בשל העלות השולית הגבוהה ביותר של רכישת נתונים ויישור נתונים, רשת החשמל אינה מסוגלת כיום לצבור מספיק לא ליניארי

צמיחה של מידע נתונים כדי לאמן אלגוריתם להגיע לייחודיות AI.

שלא לדבר על פתיחות הנתונים, זה בלתי אפשרי עבור סטארט-אפ כוח AI להשיג את הנתונים האלה.

לכן, לפני AI, יש צורך לפתור את בעיית מערכי הנתונים, אחרת לא ניתן לאמן קוד AI כללי לייצר AI טוב.

3. פריצת דרך בכוח החישוב

בנוסף לאלגוריתמים ונתונים, פריצת הדרך הייחודית של AIGC היא גם פריצת דרך בכוח החישוב.מעבדים מסורתיים לא

מתאים למחשוב נוירוני במקביל בקנה מידה גדול.זה בדיוק היישום של GPUs במשחקי תלת מימד וסרטים עושה מקבילה בקנה מידה גדול

מחשוב נקודה צפה+זרימה אפשרי.חוק מור מפחית עוד יותר את העלות החישובית ליחידת כוח חישוב.

AI של רשת החשמל, מגמה בלתי נמנעת בעתיד

עם שילוב של מספר רב של מערכות פוטו-וולטאיות ומערכות אחסון אנרגיה מבוזרות, כמו גם דרישות היישום של

תחנות כוח וירטואליות בצד העומס, יש צורך אובייקטיבית לבצע חיזוי מקור ועומס עבור מערכות רשת הפצה ציבוריות ומשתמשים

מערכות חלוקה (מיקרו) רשת, כמו גם אופטימיזציה של זרימת כוח בזמן אמת למערכות חלוקה (מיקרו).

המורכבות החישובית של צד רשת ההפצה היא למעשה גבוהה מזו של תזמון רשת ההולכה.אפילו לפרסומת

מורכבים, עשויים להיות עשרות אלפי התקני עומס ומאות מתגים, והביקוש לתפעול רשתות מיקרו מבוססות בינה מלאכותית/הפצה

תתעורר שליטה.

עם העלות הנמוכה של חיישנים והשימוש הנרחב במכשירי חשמל אלקטרוניים כגון שנאי מצב מוצק, מתגי מצב מוצק וממירים (ממירים),

גם השילוב של חישה, מחשוב ובקרה בקצה רשת החשמל הפך למגמה חדשנית.

לכן, AIGC של רשת החשמל הוא העתיד.עם זאת, מה שצריך היום הוא לא להוציא מיד אלגוריתם AI כדי להרוויח כסף,

במקום זאת, התייחס תחילה לבעיות בניית תשתית הנתונים הנדרשות על ידי AI

במהלך העלייה של AIGC, צריכה להיות מספיק חשיבה רגועה על רמת היישום והעתיד של AI כוחני.

נכון לעכשיו, המשמעות של כוח AI אינה משמעותית: לדוגמה, אלגוריתם פוטו-וולטאי עם דיוק חיזוי של 90% ממוקם בשוק הספוט

עם סף סטיית מסחר של 5%, וסטיית האלגוריתם תמחק את כל רווחי המסחר.

הנתונים הם מים, וכוח החישוב של האלגוריתם הוא ערוץ.כפי שזה יקרה, זה יהיה.