Quay trở lại bản chất, đột phá của AIGC về điểm kỳ dị 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 các mạng thần kinh trong vỏ não của con người.

Quá trình 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 tích lũy bởi con người.

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 tinh chỉnh, 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 đặt 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 quả nhận dạng của nhận dạng cú pháp dựa trên “cơ chế logic” này dao động trong khoảng 70%, chẳng hạn như nhận dạng ViaVoice

thuật toán do IBM giới thiệu vào những năm 1990.

AIGC không phải để chơi như thế này.Bản chất của nó không phải là quan tâm đến ngữ pháp, mà là thiết lập một thuật toán mạng thần kinh cho phép

máy tính để 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 học tiếng mẹ đẻ khi còn nhỏ, chúng ta học nó một cách tự nhiên, chứ không phải học “chủ ngữ, vị ngữ, tân ngữ, động từ, bổ ngữ,”

và sau đó hiểu một đoạn văn.

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

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

mà đúng hơn là xác định và nhận ra mối tương quan giữa các thông tin bên trong, rồi mới biết điều đó.

Ví dụ, trạng thái dòng điện và dự đoán lưới điện dựa trên mô phỏng mạng điện cổ điển, trong đó một 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, thuật toán ma trận cổ điển càng ít phổ biến, vì độ phức tạp của thuật toán tăng theo số lượng nút.

các nút và tiến trình hình học tăng lên.Tuy nhiên, AI thích có đồng thời nút quy mô rất lớn, bởi 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.

Lý do lưới điện hiện nay chưa cần AI là do số lượng nút trên lưới điện 220 kV trở lên do tỉnh quản lý

công văn không lớn và nhiều điều kiện được đặt để tuyến tính hóa và thưa thớt ma trận, giúp giảm đáng kể độ phức tạp tính toán của

mô hình cơ chế

Tuy nhiên, ở giai đoạn luồng điện của mạng lưới phân phối, phải đối mặt với hàng chục nghìn hoặc hàng trăm nghìn nút nguồn, nút tải và truyền thống.

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

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

2. Tích lũy, đào tạo và tạo thông tin phi cấu trúc

Lý do thứ hai khiến AIGC tạo ra bước đột phá là sự tích lũy thông tin.Từ chuyển đổi A/D của giọng nói (micrô + PCM

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

các lĩnh vực theo những cách cực kỳ chi phí thấp trong vài thập kỷ qua.

Đặc biệt, sự phổ biến quy mô lớn của máy ảnh và điện thoại thông minh, sự tích lũy dữ liệu phi cấu trúc trong lĩnh vực nghe nhìn cho con người

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

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

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

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

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

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

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

của một công tắc cần phải được liên kết với nút này.

Rắc rối hơn là căn chỉnh thời gian, yêu cầu căn chỉnh điện áp, dòng điện, công suất tác dụng và phản kháng dựa trên thang thời gian, sao cho

nhận dạng tiếp theo có thể được thực hiện.Ngoài ra còn có các hướng thuận và ngược, là sự liên kết không gian trong bốn góc phần tư.

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

của riêng mình.

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 thêm, xóa và sửa đổi thiết bị và đường dây mỗi ngày, và các công ty lưới điện tiêu tốn chi phí lao động rất lớn.

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

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

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

bởi 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.”.

Nếu cần xác định chế độ nhất thời của lưới điện, cần phải 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 liên kết dữ liệu rất cao, lưới điện hiện không thể tích lũy đủ dữ liệu phi tuyến tính

sự phát triển của thông tin dữ liệu để đào tạo một thuật toán đạt đến điểm kỳ dị của AI.

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

Do đó, trước AI, cần phải giải quyết vấn đề về tập dữ liệu, nếu không thì không thể đào tạo mã AI chung 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 không

thích hợp cho tính toán nơ-ron đồng thời quy mô lớn.Đó chính xác là ứng dụng của GPU trong các trò chơi và phim 3D tạo ra song song quy mô lớn

có thể tính toán dấu phẩy động + phát trực tuyến.Định luật Moore tiếp tục giảm chi phí tính toán trên một đơn vị sức mạnh tính toán.

Power grid 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

phụ tải nhà máy điện ảo, khách quan cần phải tiến hành dự báo nguồn và phụ tải cho hệ thống lưới điện phân phối công cộng và người sử dụng.

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

Độ phức tạp tính toán của phía mạng phân phối thực tế cao hơn so với lập lịch mạng truyền tải.Ngay cả đối với một thương mại

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

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 biến áp bán dẫn, chuyển mạch bán dẫn và biến tần (bộ chuyển đổi),

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

Do đó, AIGC của lưới điện là tương lai.Tuy nhiên, điều cần thiết hiện nay không phải là ngay lập tức đưa ra một 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 theo yêu cầu của AI

Trước sự bùng nổ của AIGC, cần có đủ bình tĩnh suy nghĩ về mức độ ứng dụng và tương lai của sức mạnh AI.

Hiện tại, tầm quan trọng của AI năng lượng không đáng kể: ví dụ: thuật toán quang điện với độ chính xác dự đoán là 90% được đặt trên thị trường giao ngay

với ngưỡng độ lệch giao dịch là 5% và độ lệch thuật toán sẽ xóa sạch tất cả 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 được.