Trở về bản chất, sự đột phá về điểm kỳ dị của AIGC là sự kết hợp của 3 yếu tố:

1. GPT là bản sao tế bào thần kinh của con người

GPT AI được đại diện bởi NLP là một thuật toán mạng thần kinh máy tính, bản chất của nó là mô phỏng mạng lưới thần kinh trong vỏ não của con người.

Việc xử lý và trí tưởng tượng thông minh về ngôn ngữ, âm nhạc, hình ảnh và thậm chí cả thông tin về mùi vị đều là những chức năng được con người tích lũy.

não như một “máy tính protein” trong quá trình tiến hóa lâu dài.

Do đó, GPT đương nhiên là mô phỏng phù hợp nhất để xử lý thông tin tương tự, tức là ngôn ngữ, âm nhạc và hình ảnh phi cấu trúc.

Cơ chế xử lý của nó không phải là sự hiểu biết về ý nghĩa, mà là một quá trình sàng lọc, xác định và liên kết.Điều này rất là

điều nghịch lý.

Các thuật toán nhận dạng ngữ nghĩa lời nói ban đầu về cơ bản đã thiết lập một mô hình ngữ pháp và cơ sở dữ liệu lời nói, sau đó ánh xạ lời nói tới từ vựng,

sau đó đưa từ vựng vào cơ sở dữ liệu ngữ pháp để hiểu nghĩa của từ vựng và cuối cùng thu được kết quả nhận dạng.

Hiệu suất nhận dạng của nhận dạng cú pháp dựa trên “cơ chế logic” này dao động ở mức khoảng 70%, chẳng hạn như nhận dạng ViaVoice.

thuật toán được IBM giới thiệu vào những năm 1990.

AIGC không phải là chơi như thế này.Bản chất của nó không phải là quan tâm đến ngữ pháp mà là thiết lập một thuật toán mạng nơ-ron cho phép

máy tính đếm các kết nối xác suất giữa các từ khác nhau, đó là các kết nối thần kinh, không phải kết nối ngữ nghĩa.

Giống như việc học tiếng mẹ đẻ khi còn nhỏ, chúng ta học nó một cách tự nhiên, thay vì học “chủ ngữ, vị ngữ, tân ngữ, động từ, bổ ngữ”,

rồi hiểu một đoạn văn.

Đây là mô hình tư duy của AI, là sự nhận biết chứ không phải sự hiểu biết.

Đây cũng chính là ý nghĩa mang tính lật đổ của AI đối với mọi mô hình cơ chế cổ điển – máy tính không cần phải hiểu vấn đề này ở mức độ logic,

mà đúng hơn là xác định và nhận ra mối tương quan giữa các thông tin nội bộ, rồi mới biết được nó.

Ví dụ: trạng thái dòng điện và dự đoán của lưới điện dựa trên mô phỏng mạng điện cổ điển, trong đó mô hình toán học của

cơ chế được thiết lập và sau đó hội tụ bằng thuật toán ma trận.Trong tương lai, nó có thể không cần thiết.AI sẽ trực tiếp xác định và dự đoán một

mẫu phương thức nhất định dựa trên trạng thái của mỗi nút.

Càng có nhiều nút thì thuật toán ma trận cổ điển càng ít phổ biến vì độ phức tạp của thuật toán tăng theo số lượng

các nút và tiến trình hình học tăng lên.Tuy nhiên, AI thích có sự đồng thời của nút quy mô rất lớn, vì AI rất giỏi trong việc xác định và

dự đoán các chế độ mạng có khả năng nhất.

Cho dù đó là dự đoán tiếp theo của cờ vây (AlphaGO có thể dự đoán hàng chục bước tiếp theo, với vô số khả năng cho mỗi bước) hay dự đoán theo phương thức

của các hệ thống thời tiết phức tạp, độ chính xác của AI cao hơn nhiều so với các mô hình cơ học.

Sở dĩ lưới điện hiện nay không cần AI là do số nút trong lưới điện 220 kV trở lên do tỉnh quản lý.

việc điều phối không lớn và nhiều điều kiện được đặt ra để tuyến tính hóa và làm thưa ma trận, giúp giảm đáng kể độ phức tạp tính toán của

mô hình cơ chế

Tuy nhiên, ở giai đoạn dòng điện của mạng phân phối, phải đối mặt với hàng chục nghìn hoặc hàng trăm nghìn nút nguồn, nút phụ tải và các thiết bị truyền thống.

thuật toán ma trận trong một mạng phân phối lớn là bất lực.

Tôi tin rằng việc nhận dạng mẫu của AI ở cấp độ mạng phân phối sẽ trở nên khả thi trong tương lai.

2. Việc tích lũy, đào tạo và tạo ra thông tin phi cấu trúc

Nguyên nhân thứ hai khiến AIGC có bước đột phá là nhờ sự tích lũy thông tin.Từ chuyển đổi A/D của giọng nói (micro+PCM

lấy mẫu) sang chuyển đổi A/D của hình ảnh (CMOS+ánh xạ không gian màu), con người đã tích lũy dữ liệu ảnh ba chiều trong thị giác và thính giác

lĩnh vực này theo những cách có chi phí cực thấp trong vài thập kỷ qua.

Đặc biệt là sự phổ biến rộng rãi của máy ảnh và điện thoại thông minh, sự tích tụ dữ liệu phi cấu trúc trong lĩnh vực nghe nhìn của con người.

với chi phí gần như bằng 0 và sự tích lũy bùng nổ thông tin văn bản trên Internet là chìa khóa cho việc đào tạo AIGC - các bộ dữ liệu đào tạo không tốn kém.

Hình trên cho thấy xu hướng tăng trưởng của dữ liệu toàn cầu, thể hiện rõ xu hướng theo cấp số nhân.

Sự tăng trưởng phi tuyến tính trong tích lũy dữ liệu này là nền tảng cho sự tăng trưởng phi tuyến tính về khả năng của AIGC.

NHƯNG, hầu hết những dữ liệu này là dữ liệu nghe nhìn không có cấu trúc, được tích lũy với chi phí bằng 0.

Trong lĩnh vực điện lực, điều này không thể đạt được.Thứ nhất, hầu hết ngành điện lực là dữ liệu có cấu trúc và bán cấu trúc, chẳng hạn như

điện áp và dòng điện, là các tập dữ liệu điểm của chuỗi thời gian và bán cấu trúc.

Các bộ dữ liệu cấu trúc cần phải được máy tính hiểu được và yêu cầu “căn chỉnh”, chẳng hạn như căn chỉnh thiết bị – dữ liệu điện áp, dòng điện và nguồn điện

của một switch cần phải được căn chỉnh theo nút này.

Rắc rối hơn là việc căn chỉnh thời gian, đòi hỏi phải căn chỉnh điện áp, dòng điện, công suất tác dụng và công suất phản kháng dựa trên thang thời gian, do đó

việc nhận dạng tiếp theo có thể được thực hiện.Ngoài ra còn có các hướng tiến và lùi, là sự căn chỉnh không gian theo bốn góc phần tư.

Không giống như dữ liệu văn bản không yêu cầu căn chỉnh, một đoạn văn chỉ cần được đưa vào máy tính để xác định các liên kết thông tin có thể có.

theo cách riêng của nó.

Để căn chỉnh vấn đề này, chẳng hạn như căn chỉnh thiết bị của dữ liệu phân phối kinh doanh, việc căn chỉnh liên tục là cần thiết, bởi vì phương tiện và

Mạng lưới phân phối điện áp thấp đang bổ sung, xóa và sửa đổi thiết bị và đường dây hàng ngày, và các công ty lưới điện phải tiêu tốn chi phí lao động rất lớn.

Giống như “chú thích dữ liệu”, máy tính không thể làm được điều này.

Thứ hai, chi phí thu thập dữ liệu trong ngành điện cao và cần có cảm biến thay vì có điện thoại di động để nói chuyện và chụp ảnh.”

Mỗi khi điện áp giảm một cấp (hoặc mối quan hệ phân phối điện giảm một cấp), mức đầu tư cảm biến cần thiết sẽ tăng lên

ít nhất một bậc độ lớn.Để đạt được cảm biến phía tải (đầu mao dẫn), đó thậm chí còn là một khoản đầu tư kỹ thuật số lớn hơn.”.

Nếu cần xác định chế độ nhất thời của lưới điện thì cần lấy mẫu tần số cao có độ chính xác cao và chi phí thậm chí còn cao hơn.

Do chi phí cận biên của việc thu thập dữ liệu và căn chỉnh dữ liệu cực kỳ cao, lưới điện hiện không thể tích lũy đủ dữ liệu phi tuyến tính.

tăng trưởng thông tin dữ liệu để đào tạo một thuật toán nhằm đạt đến điểm kỳ dị AI.

Chưa kể đến tính mở của dữ liệu, một startup AI mạnh mẽ không thể có được những dữ liệu này.

Vì vậy, trước AI cần phải giải quyết vấn đề về tập dữ liệu, nếu không thì mã AI thông thường không thể huấn luyện được để tạo ra một AI tốt.

3. Đột phá về sức mạnh tính toán

Ngoài thuật toán và dữ liệu, đột phá về điểm kỳ dị của AIGC còn là đột phá về sức mạnh tính toán.CPU truyền thống thì không

thích hợp cho tính toán nơ-ron đồng thời quy mô lớn.Chính việc ứng dụng GPU trong trò chơi và phim 3D đã tạo nên sự song song trên quy mô lớn.

Có thể tính toán dấu phẩy động + luồng.Định luật Moore tiếp tục giảm chi phí tính toán trên mỗi đơn vị công suất tính toán.

Lưới điện AI, xu hướng tất yếu trong tương lai

Với sự tích hợp của một số lượng lớn các hệ thống lưu trữ năng lượng phân tán và quang điện phân tán, cũng như các yêu cầu ứng dụng của

các nhà máy điện ảo phía phụ tải, việc tiến hành dự báo nguồn và phụ tải cho hệ thống mạng phân phối công cộng và người sử dụng là cần thiết một cách khách quan.

hệ thống lưới phân phối (vi mô), cũng như tối ưu hóa dòng điện theo thời gian thực cho hệ thống lưới phân phối (vi mô).

Độ phức tạp tính toán của phía mạng phân phối thực sự cao hơn so với việc lập lịch trình mạng truyền tải.Ngay cả đối với một quảng cáo

phức tạp, có thể có hàng chục nghìn thiết bị tải và hàng trăm thiết bị chuyển mạch, đồng thời nhu cầu vận hành mạng lưới phân phối/lưới vi mô dựa trên AI

sự kiểm soát sẽ phát sinh.

Với chi phí cảm biến thấp và việc sử dụng rộng rãi các thiết bị điện tử công suất như máy biến áp trạng thái rắn, công tắc trạng thái rắn và bộ biến tần (bộ chuyển đổi),

việc tích hợp cảm biến, tính toán và điều khiển ở rìa lưới điện cũng đã trở thành một xu hướng đổi mới.

Vì vậy, AIGC của lưới điện chính là tương lai.Tuy nhiên, điều cần ngày nay không phải là lấy ngay thuật toán AI để kiếm tiền,

Thay vào đó, trước tiên hãy giải quyết các vấn đề về xây dựng cơ sở hạ tầng dữ liệu mà AI yêu cầu

Trong sự trỗi dậy của AIGC, cần có đủ bình tĩnh để suy nghĩ về mức độ ứng dụng và tương lai của sức mạnh AI.

Hiện tại, tầm quan trọng của sức mạnh AI là không đáng kể: ví dụ: thuật toán quang điện có độ chính xác dự đoán là 90% được đưa vào thị trường giao ngay

với ngưỡng độ lệch giao dịch là 5% và độ lệch thuật toán sẽ xóa sạch toàn bộ lợi nhuận giao dịch.

Dữ liệu là nước và sức mạnh tính toán của thuật toán là một kênh.Khi nó xảy ra, nó sẽ như vậy.