Volviendo a la esencia, el avance de AIGC en singularidad es una combinación de tres factores:

1. GPT es una réplica de las neuronas humanas.

GPT AI representado por PNL es un algoritmo de red neuronal informática, cuya esencia es simular redes neuronales en la corteza cerebral humana.

El procesamiento y la imaginación inteligente del lenguaje, la música, las imágenes e incluso la información gustativa son funciones acumuladas por el ser humano.

cerebro como una “computadora de proteínas” durante la evolución a largo plazo.

Por lo tanto, GPT es, naturalmente, la imitación más adecuada para procesar información similar, es decir, lenguaje, música e imágenes no estructurados.

El mecanismo de su procesamiento no es la comprensión del significado, sino más bien un proceso de refinamiento, identificación y asociación.Esto es muy

cosa paradójica.

Los primeros algoritmos de reconocimiento semántico del habla esencialmente establecieron un modelo gramatical y una base de datos del habla, luego asignaron el habla al vocabulario.

luego colocó el vocabulario en la base de datos de gramática para comprender el significado del vocabulario y finalmente obtuvo resultados de reconocimiento.

La eficiencia de reconocimiento de este reconocimiento de sintaxis basado en "mecanismo lógico" ha estado rondando el 70%, como el reconocimiento ViaVoice.

Algoritmo introducido por IBM en la década de 1990.

AIGC no se trata de jugar así.Su esencia no es preocuparse por la gramática, sino más bien establecer un algoritmo de red neuronal que permita

computadora para contar las conexiones probabilísticas entre diferentes palabras, que son conexiones neuronales, no conexiones semánticas.

Al igual que aprender nuestra lengua materna cuando éramos jóvenes, la aprendimos de forma natural, en lugar de aprender “sujeto, predicado, objeto, verbo, complemento”.

y luego entender un párrafo.

Este es el modelo de pensamiento de la IA, que es reconocimiento, no comprensión.

Éste es también el significado subversivo de la IA para todos los modelos de mecanismos clásicos: las computadoras no necesitan comprender este asunto en el nivel lógico,

sino más bien identificar y reconocer la correlación entre la información interna, y luego conocerla.

Por ejemplo, el estado del flujo de energía y la predicción de las redes eléctricas se basan en la simulación clásica de redes eléctricas, donde un modelo matemático de la

El mecanismo se establece y luego converge utilizando un algoritmo matricial.En el futuro puede que no sea necesario.La IA identificará y predecirá directamente un

cierto patrón modal basado en el estado de cada nodo.

Cuantos más nodos hay, menos popular es el algoritmo matricial clásico, porque la complejidad del algoritmo aumenta con el número de

nodos y la progresión geométrica aumenta.Sin embargo, la IA prefiere tener una concurrencia de nodos a muy gran escala, porque la IA es buena para identificar y

predecir los modos de red más probables.

Ya sea la próxima predicción de Go (AlphaGO puede predecir las próximas docenas de pasos, con innumerables posibilidades para cada paso) o la predicción modal

En el caso de sistemas meteorológicos complejos, la precisión de la IA es mucho mayor que la de los modelos mecánicos.

La razón por la que la red eléctrica actualmente no requiere IA es que la cantidad de nodos en las redes eléctricas de 220 kV y superiores administradas por las provincias

El despacho no es grande y se establecen muchas condiciones para linealizar y dispersar la matriz, lo que reduce en gran medida la complejidad computacional de la matriz.

modelo de mecanismo.

Sin embargo, en la etapa de flujo de energía de la red de distribución, frente a decenas de miles o cientos de miles de nodos de energía, nodos de carga y tradicionales

Los algoritmos matriciales en una gran red de distribución son impotentes.

Creo que el reconocimiento de patrones de IA a nivel de la red de distribución será posible en el futuro.

2. La acumulación, formación y generación de información no estructurada

La segunda razón por la que AIGC ha logrado un gran avance es la acumulación de información.De la conversión A/D de voz (micrófono+PCM

muestreo) hasta la conversión A/D de imágenes (CMOS+mapeo del espacio de color), los humanos han acumulado datos holográficos en los ámbitos visual y auditivo.

en las últimas décadas.

En particular, la popularización a gran escala de las cámaras y los teléfonos inteligentes, la acumulación de datos no estructurados en el campo audiovisual para humanos

a un costo casi nulo y la acumulación explosiva de información textual en Internet son la clave para la capacitación del AIGC: los conjuntos de datos de capacitación son económicos.

La figura anterior muestra la tendencia de crecimiento de los datos globales, que presenta claramente una tendencia exponencial.

Este crecimiento no lineal de la acumulación de datos es la base para el crecimiento no lineal de las capacidades de AIGC.

PERO, la mayoría de estos datos son datos audiovisuales no estructurados, que se acumulan sin costo alguno.

En el campo de la energía eléctrica esto no es posible.En primer lugar, la mayor parte de la industria de la energía eléctrica son datos estructurados y semiestructurados, como

tensión y corriente, que son conjuntos de datos puntuales de series temporales y semiestructurados.

Los conjuntos de datos estructurales deben ser comprendidos por las computadoras y requieren "alineación", como la alineación del dispositivo: los datos de voltaje, corriente y potencia.

de un interruptor deben estar alineados con este nodo.

Más problemático es el alineamiento del tiempo, que requiere alinear el voltaje, la corriente y la potencia activa y reactiva en función de la escala de tiempo, de modo que

Se puede realizar una identificación posterior.También hay direcciones de avance y retroceso, que son alineación espacial en cuatro cuadrantes.

A diferencia de los datos de texto, que no requieren alineación, un párrafo simplemente se envía a la computadora, lo que identifica posibles asociaciones de información.

por sí mismo.

Para alinear este tema, como la alineación del equipo de los datos de distribución empresarial, se necesita constantemente una alineación, porque el medio y

La red de distribución de bajo voltaje agrega, elimina y modifica equipos y líneas todos los días, y las empresas de la red gastan enormes costos laborales.

Al igual que la "anotación de datos", las computadoras no pueden hacer esto.

En segundo lugar, el coste de adquisición de datos en el sector energético es elevado y se necesitan sensores en lugar de tener un teléfono móvil para hablar y tomar fotos."

Cada vez que el voltaje disminuye en un nivel (o la relación de distribución de energía disminuye en un nivel), la inversión requerida en el sensor aumenta

en al menos un orden de magnitud.Lograr la detección del lado de la carga (extremo capilar), es aún más una inversión digital masiva”.

Si es necesario identificar el modo transitorio de la red eléctrica, se requiere un muestreo de alta frecuencia y alta precisión, y el costo es aún mayor.

Debido al costo marginal extremadamente alto de la adquisición y alineación de datos, la red eléctrica actualmente no puede acumular suficientes datos no lineales.

crecimiento de la información de datos para entrenar un algoritmo para alcanzar la singularidad de la IA.

Sin mencionar la apertura de los datos, es imposible que una startup poderosa de IA obtenga estos datos.

Por lo tanto, antes de la IA, es necesario resolver el problema de los conjuntos de datos; de lo contrario, el código de IA general no se puede entrenar para producir una buena IA.

3. Avance en potencia computacional

Además de los algoritmos y los datos, el avance de la singularidad de AIGC también es un avance en el poder computacional.Las CPU tradicionales no son

Adecuado para computación neuronal concurrente a gran escala.Es precisamente la aplicación de GPU en juegos y películas 3D lo que hace posible el paralelismo a gran escala.

Posibilidad de computación de punto flotante + streaming.La Ley de Moore reduce aún más el costo computacional por unidad de potencia computacional.

La IA de la red eléctrica, una tendencia inevitable en el futuro

Con la integración de una gran cantidad de sistemas fotovoltaicos distribuidos y de almacenamiento de energía distribuida, así como los requisitos de aplicación de

En las centrales eléctricas virtuales del lado de la carga, es objetivamente necesario realizar pronósticos de fuente y carga para los sistemas de la red de distribución pública y los usuarios.

sistemas de (micro)redes de distribución, así como optimización del flujo de energía en tiempo real para sistemas de (micro)redes de distribución.

La complejidad computacional del lado de la red de distribución es en realidad mayor que la de la programación de la red de transmisión.Incluso para un comercial

complejo, puede haber decenas de miles de dispositivos de carga y cientos de conmutadores, y la demanda de funcionamiento de redes de distribución/microrredes basadas en IA

surgirá el control.

Con el bajo costo de los sensores y el uso generalizado de dispositivos electrónicos de potencia como transformadores de estado sólido, interruptores de estado sólido e inversores (convertidores),

La integración de la detección, la informática y el control en el borde de la red eléctrica también se ha convertido en una tendencia innovadora.

Por tanto, el AIGC de la red eléctrica es el futuro.Sin embargo, lo que se necesita hoy no es sacar inmediatamente un algoritmo de IA para ganar dinero,

En su lugar, abordar primero los problemas de construcción de la infraestructura de datos que requiere la IA.

En el auge de AIGC, es necesario que haya suficiente calma al pensar en el nivel de aplicación y el futuro de la IA energética.

En la actualidad, la importancia de la IA energética no es significativa: por ejemplo, se comercializa en el mercado spot un algoritmo fotovoltaico con una precisión de predicción del 90%.

con un umbral de desviación comercial del 5%, y la desviación del algoritmo eliminará todas las ganancias comerciales.

Los datos son agua y el poder computacional del algoritmo es un canal.Da la casualidad de que así será.