Tornando all'essenza, la svolta dell'AIGC nella singolarità è una combinazione di tre fattori:
1. GPT è una replica dei neuroni umani
GPT AI rappresentato da NLP è un algoritmo di rete neurale del computer, la cui essenza è simulare le reti neurali nella corteccia cerebrale umana.
L'elaborazione e l'immaginazione intelligente del linguaggio, della musica, delle immagini e persino delle informazioni sul gusto sono tutte funzioni accumulate dall'essere umano
cervello come un "computer proteico" durante l'evoluzione a lungo termine.
Pertanto, GPT è naturalmente l'imitazione più adatta per l'elaborazione di informazioni simili, ovvero linguaggio non strutturato, musica e immagini.
Il meccanismo della sua elaborazione non è la comprensione del significato, ma piuttosto un processo di raffinamento, identificazione e associazione.Questo è veramente
cosa paradossale.
I primi algoritmi di riconoscimento semantico del parlato hanno essenzialmente stabilito un modello grammaticale e un database vocale, quindi hanno mappato il discorso al vocabolario,
quindi ha inserito il vocabolario nel database grammaticale per comprendere il significato del vocabolario e infine ha ottenuto i risultati del riconoscimento.
L'efficienza di riconoscimento di questo riconoscimento della sintassi basato su "meccanismo logico" si è aggirata intorno al 70%, come il riconoscimento ViaVoice
algoritmo introdotto da IBM negli anni '90.
AIGC non si tratta di giocare in questo modo.La sua essenza non è preoccuparsi della grammatica, ma piuttosto stabilire un algoritmo di rete neurale che consenta il
computer per contare le connessioni probabilistiche tra parole diverse, che sono connessioni neurali, non connessioni semantiche.
Proprio come imparare la nostra lingua madre quando eravamo giovani, l'abbiamo imparata naturalmente, piuttosto che imparare "soggetto, predicato, oggetto, verbo, complemento",
e poi capire un paragrafo.
Questo è il modello di pensiero dell'IA, che è riconoscimento, non comprensione.
Questo è anche il significato sovversivo dell'intelligenza artificiale per tutti i modelli di meccanismi classici: i computer non hanno bisogno di comprendere la questione a livello logico,
ma piuttosto identificare e riconoscere la correlazione tra informazioni interne, e quindi conoscerla.
Ad esempio, lo stato del flusso di potenza e la previsione delle reti elettriche si basano sulla classica simulazione della rete elettrica, in cui un modello matematico del
meccanismo viene stabilito e quindi convergente utilizzando un algoritmo a matrice.In futuro, potrebbe non essere necessario.L'intelligenza artificiale identificherà e predirà direttamente a
determinato modello modale basato sullo stato di ciascun nodo.
Più nodi ci sono, meno popolare è l'algoritmo a matrice classica, perché la complessità dell'algoritmo aumenta con il numero di
nodi e la progressione geometrica aumenta.Tuttavia, l'intelligenza artificiale preferisce avere una concorrenza dei nodi su larga scala, perché l'intelligenza artificiale è brava a identificare e
prevedere le modalità di rete più probabili.
Che si tratti della prossima previsione di Go (AlphaGO può prevedere le prossime dozzine di passaggi, con innumerevoli possibilità per ogni passaggio) o della previsione modale
di sistemi meteorologici complessi, la precisione dell'IA è molto superiore a quella dei modelli meccanici.
Il motivo per cui la rete elettrica attualmente non richiede AI è che il numero di nodi nelle reti elettriche a 220 kV e oltre gestite dalle autorità provinciali
il dispacciamento non è grande e molte condizioni sono impostate per linearizzare e diffondere la matrice, riducendo notevolmente la complessità computazionale del
modello di meccanismo
Tuttavia, nella fase del flusso di alimentazione della rete di distribuzione, di fronte a decine di migliaia o centinaia di migliaia di nodi di alimentazione, nodi di carico e tradizionali
algoritmi a matrice in una grande rete di distribuzione è impotente.
Credo che il riconoscimento del modello dell'IA a livello di rete di distribuzione diventerà possibile in futuro.
2. L'accumulazione, la formazione e la generazione di informazioni non strutturate
La seconda ragione per cui l'AIGC ha fatto un passo avanti è l'accumulo di informazioni.Dalla conversione A/D del parlato (microfono+PCM
campionamento) alla conversione A/D delle immagini (CMOS+color space mapping), gli esseri umani hanno accumulato dati olografici nel campo visivo e uditivo
campi in modi estremamente economici negli ultimi decenni.
In particolare, la divulgazione su larga scala di fotocamere e smartphone, l'accumulo di dati non strutturati nel campo audiovisivo per gli esseri umani
a costo quasi zero e l'accumulo esplosivo di informazioni di testo su Internet sono la chiave per la formazione AIGC: i set di dati di formazione sono poco costosi.
La figura sopra mostra il trend di crescita dei dati globali, che presenta chiaramente una tendenza esponenziale.
Questa crescita non lineare dell'accumulo di dati è la base per la crescita non lineare delle capacità di AIGC.
MA, la maggior parte di questi dati sono dati audiovisivi non strutturati, che vengono accumulati a costo zero.
Nel campo dell'energia elettrica, questo non può essere raggiunto.In primo luogo, la maggior parte del settore dell'energia elettrica è costituita da dati strutturati e semi strutturati, come ad esempio
tensione e corrente, che sono insiemi di dati puntuali di serie temporali e semi strutturati.
I set di dati strutturali devono essere compresi dai computer e richiedono un "allineamento", come l'allineamento del dispositivo: i dati di tensione, corrente e potenza
di un interruttore devono essere allineati a questo nodo.
Più problematico è l'allineamento temporale, che richiede l'allineamento di tensione, corrente e potenza attiva e reattiva in base alla scala temporale, in modo che
successiva identificazione può essere eseguita.Ci sono anche direzioni avanti e indietro, che sono l'allineamento spaziale in quattro quadranti.
A differenza dei dati di testo, che non richiedono l'allineamento, un paragrafo viene semplicemente inviato al computer, che identifica possibili associazioni di informazioni
da solo.
Per allineare questo problema, come l'allineamento delle apparecchiature dei dati di distribuzione aziendale, è costantemente necessario l'allineamento, perché il mezzo e
la rete di distribuzione a bassa tensione aggiunge, elimina e modifica apparecchiature e linee ogni giorno e le società di rete spendono enormi costi di manodopera.
Come "l'annotazione dei dati", i computer non possono farlo.
In secondo luogo, il costo dell'acquisizione dei dati nel settore energetico è elevato e sono necessari sensori invece di avere un telefono cellulare per parlare e scattare foto."
Ogni volta che la tensione diminuisce di un livello (o la relazione di distribuzione dell'alimentazione diminuisce di un livello), l'investimento richiesto per il sensore aumenta
di almeno un ordine di grandezza.Per ottenere il rilevamento del lato del carico (estremità capillare), è ancora più un massiccio investimento digitale.”.
Se è necessario identificare la modalità transitoria della rete elettrica, è necessario un campionamento ad alta frequenza ad alta precisione e il costo è ancora più elevato.
A causa del costo marginale estremamente elevato dell'acquisizione e dell'allineamento dei dati, la rete elettrica non è attualmente in grado di accumulare sufficienti
crescita delle informazioni sui dati per addestrare un algoritmo a raggiungere la singolarità AI.
Per non parlare dell'apertura dei dati, è impossibile per una startup di intelligenza artificiale ottenere questi dati.
Pertanto, prima dell'AI, è necessario risolvere il problema dei set di dati, altrimenti il codice AI generale non può essere addestrato per produrre una buona AI.
3. Innovazione nella potenza di calcolo
Oltre agli algoritmi e ai dati, la scoperta della singolarità dell'AIGC rappresenta anche una svolta nella potenza di calcolo.Le CPU tradizionali non lo sono
adatto per il calcolo neuronale simultaneo su larga scala.È proprio l'applicazione delle GPU nei giochi e nei film 3D che rende il parallelo su larga scala
possibilità di elaborazione in virgola mobile+streaming.La legge di Moore riduce ulteriormente il costo computazionale per unità di potenza computazionale.
Rete elettrica AI, una tendenza inevitabile in futuro
Con l'integrazione di un gran numero di sistemi di accumulo di energia fotovoltaici e distribuiti distribuiti, nonché i requisiti applicativi di
centrali elettriche virtuali lato carico, è oggettivamente necessario condurre previsioni di fonte e carico per i sistemi di rete di distribuzione pubblica e l'utente
sistemi di (micro) reti di distribuzione, nonché ottimizzazione del flusso di energia in tempo reale per i sistemi di (micro) reti di distribuzione.
La complessità computazionale lato rete di distribuzione è infatti superiore a quella della schedulazione della rete di trasmissione.Anche per uno spot pubblicitario
complesso, potrebbero esserci decine di migliaia di dispositivi di carico e centinaia di switch e la domanda di funzionamento della rete di distribuzione/microrete basata su intelligenza artificiale
sorgerà il controllo.
Con il basso costo dei sensori e l'uso diffuso di dispositivi elettronici di potenza come trasformatori a stato solido, interruttori a stato solido e inverter (convertitori),
anche l'integrazione di rilevamento, calcolo e controllo ai margini della rete elettrica è diventata una tendenza innovativa.
Pertanto, l'AIGC della rete elettrica è il futuro.Tuttavia, ciò che è necessario oggi non è eliminare immediatamente un algoritmo di intelligenza artificiale per fare soldi,
Invece, affronta prima i problemi di costruzione dell'infrastruttura di dati richiesti dall'IA
Nell'impennata dell'AIGC, è necessario pensare con sufficiente calma al livello di applicazione e al futuro dell'IA di potenza.
Al momento, il significato di Power AI non è significativo: ad esempio, un algoritmo fotovoltaico con una precisione di previsione del 90% viene inserito nel mercato spot
con una soglia di deviazione del trading del 5% e la deviazione dell'algoritmo cancellerà tutti i profitti di trading.
I dati sono acqua e la potenza computazionale dell'algoritmo è un canale.Come succede, lo sarà.
Tempo di pubblicazione: 27 marzo 2023