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 dalla PNL è un algoritmo di rete neurale computerizzata, 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 “computer proteico” durante l’evoluzione a lungo termine.

Pertanto GPT è naturalmente l'imitazione più adatta per elaborare 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 raffinazione, identificazione e associazione.Questo è veramente

cosa paradossale.

I primi algoritmi di riconoscimento semantico del parlato essenzialmente stabilivano un modello grammaticale e un database vocale, quindi mappavano il parlato nel vocabolario,

quindi ha inserito il vocabolario nel database grammaticale per comprenderne il significato e infine ha ottenuto i risultati del riconoscimento.

L'efficienza di riconoscimento di questo riconoscimento della sintassi basato su "meccanismo logico" si aggira intorno al 70%, come il riconoscimento ViaVoice

algoritmo introdotto da IBM negli anni ’90.

L’AIGC non si occupa di giocare in questo modo.La sua essenza non è preoccuparsi della grammatica, ma piuttosto stabilire un algoritmo di rete neurale che consenta al

computer per contare le connessioni probabilistiche tra parole diverse, che sono connessioni neurali, non connessioni semantiche.

Proprio come quando imparavamo la nostra lingua madre quando eravamo giovani, l’abbiamo imparata naturalmente, piuttosto che imparare “soggetto, predicato, oggetto, verbo, complemento”

e poi comprendere un paragrafo.

Questo è il modello di pensiero dell’intelligenza artificiale, 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 le informazioni interne, e quindi conoscerle.

Ad esempio, lo stato del flusso di potenza e la previsione delle reti elettriche si basano sulla simulazione classica della rete elettrica, in cui un modello matematico della rete elettrica

Il meccanismo viene stabilito e quindi fatto convergere utilizzando un algoritmo di matrice.In futuro potrebbe non essere più necessario.L’intelligenza artificiale identificherà e prevederà direttamente a

determinato modello modale in base allo 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 previsione successiva del Go (AlphaGO può prevedere le prossime decine di passi, con innumerevoli possibilità per ogni passo) o della previsione modale

dei sistemi meteorologici complessi, la precisione dell’intelligenza artificiale è molto superiore a quella dei modelli meccanici.

Il motivo per cui attualmente la rete elettrica non richiede l’intelligenza artificiale è che il numero di nodi nelle reti elettriche a 220 kV e superiori gestite dalle autorità provinciali

il dispacciamento non è ampio e vengono impostate molte condizioni per linearizzare e diffondere la matrice, riducendo notevolmente la complessità computazionale del file

modello di meccanismo.

Tuttavia, nella fase del flusso di potenza della rete di distribuzione, di fronte a decine di migliaia o centinaia di migliaia di nodi di potenza, nodi di carico e sistemi tradizionali

Gli algoritmi a matrice in una grande rete di distribuzione sono impotenti.

Credo che in futuro diventerà possibile il riconoscimento dei modelli di intelligenza artificiale a livello della rete di distribuzione.

2. L'accumulo, la formazione e la generazione di informazioni non strutturate

Il secondo motivo 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+mappatura dello spazio colore), gli esseri umani hanno accumulato dati olografici nel campo visivo e uditivo

campi in modi estremamente a basso costo negli ultimi decenni.

In particolare, la divulgazione su larga scala di macchine fotografiche e smartphone, l’accumulo di dati non strutturati nel campo audiovisivo per l’uomo

a un costo quasi pari a zero e l’accumulo esplosivo di informazioni testuali su Internet sono la chiave della 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 un andamento esponenziale.

Questa crescita non lineare dell'accumulo di dati è la base per la crescita non lineare delle capacità dell'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 è possibile.In primo luogo, la maggior parte del settore dell'energia elettrica è costituito da dati strutturati e semistrutturati, 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 uno switch deve essere allineato 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

è possibile eseguire la successiva identificazione.Esistono anche direzioni avanti e indietro, che rappresentano l'allineamento spaziale in quattro quadranti.

A differenza dei dati di testo, che non richiedono allineamento, un paragrafo viene semplicemente lanciato al computer, che identifica possibili associazioni di informazioni

da solo.

Per allineare questo problema, come l'allineamento delle apparecchiature dei dati di distribuzione aziendale, l'allineamento è costantemente necessario, perché il mezzo e

La rete di distribuzione a bassa tensione aggiunge, elimina e modifica ogni giorno apparecchiature e linee 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 per parlare e scattare foto sono necessari sensori invece di un telefono cellulare."

Ogni volta che la tensione diminuisce di un livello (o il rapporto di distribuzione della potenza diminuisce di un livello), l'investimento richiesto per il sensore aumenta

di almeno un ordine di grandezza.Per ottenere il rilevamento del lato carico (estremità capillare), si tratta di un investimento digitale ancora più massiccio.”.

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 una quantità sufficiente di energia non lineare.

crescita delle informazioni sui dati per addestrare un algoritmo a raggiungere la singolarità dell’IA.

Per non parlare dell’apertura dei dati, è impossibile per una startup basata sull’intelligenza artificiale ottenere questi dati.

Pertanto, prima dell’intelligenza artificiale, è necessario risolvere il problema dei set di dati, altrimenti il ​​codice generale dell’intelligenza artificiale non può essere addestrato per produrre una buona intelligenza artificiale.

3. Scoperta 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 no

adatto per il calcolo neuronale simultaneo su larga scala.È proprio l'applicazione delle GPU nei giochi e nei film 3D che rende possibile il parallelo su larga scala

possibile il calcolo in virgola mobile+streaming.La legge di Moore riduce ulteriormente il costo computazionale per unità di potenza computazionale.

L’intelligenza artificiale della rete elettrica, una tendenza inevitabile nel futuro

Con l'integrazione di un gran numero di sistemi fotovoltaici distribuiti e di accumulo distribuito dell'energia, nonché i requisiti applicativi di

centrali elettriche virtuali lato carico, è oggettivamente necessario condurre previsioni di fonte e carico per i sistemi e gli utenti della rete di distribuzione pubblica

sistemi di (micro)reti di distribuzione, nonché ottimizzazione del flusso di potenza in tempo reale per sistemi di (micro)reti di distribuzione.

La complessità computazionale lato rete di distribuzione è infatti superiore a quella della programmazione della rete di trasmissione.Anche per uno spot pubblicitario

complesso, potrebbero esserci decine di migliaia di dispositivi di carico e centinaia di interruttori, e la domanda di funzionamento della microrete/rete di distribuzione basata sull'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,

Affrontare invece innanzitutto i problemi di costruzione dell’infrastruttura dati richiesti dall’intelligenza artificiale

Nell’impennata dell’AIGC, è necessario pensare con sufficiente calma al livello di applicazione e al futuro dell’IA potente.

Al momento, l’importanza dell’intelligenza artificiale per l’energia non è significativa: ad esempio, un algoritmo fotovoltaico con una precisione di previsione del 90% viene immesso nel mercato spot

con una soglia di deviazione del trading del 5% e la deviazione dell'algoritmo cancellerà tutti i profitti del trading.

I dati sono acqua e la potenza computazionale dell’algoritmo è un canale.Come succede, lo sarà.