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 NLP es un algoritmo de red neuronal de computadora, 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 no estructurado, música e imágenes.

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

cosa paradójica.

Los primeros algoritmos de reconocimiento semántico del habla esencialmente establecían un modelo gramatical y una base de datos del habla, luego mapeaban 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 un "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 la

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

Al igual que aprendimos nuestra lengua materna cuando éramos jóvenes, la aprendimos naturalmente, en lugar de aprender "sujeto, predicado, objeto, verbo, complemento".

y luego comprender un párrafo.

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

Este es también el significado subversivo de la IA para todos los modelos de mecanismos clásicos: las computadoras no necesitan entender 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

se establece el mecanismo y luego se converge usando 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 concurrencia de nodos a 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

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

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

el envío no es grande, y se establecen muchas condiciones para linealizar y dispersar la matriz, lo que reduce en gran medida la complejidad computacional del

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 potencia, nodos de carga y tradicionales

algoritmos matriciales en una gran red de distribución es impotente.

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

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

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

muestreo) a la conversión A/D de imágenes (CMOS+mapa de espacio de color), los humanos han acumulado datos holográficos en el campo visual y auditivo

campos de forma extremadamente económica durante las últimas décadas.

En particular, la popularización a gran escala de cámaras y 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 de texto en Internet son la clave para el entrenamiento AIGC: los conjuntos de datos de entrenamiento son económicos.

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

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

PERO, la mayoría de estos datos son datos audiovisuales no estructurados, que se acumulan a un costo cero.

En el campo de la energía eléctrica, esto no se puede lograr.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 entendidos por las computadoras y requieren "alineación", como la alineación del dispositivo: los datos de voltaje, corriente y potencia.

de un interruptor debe estar alineado con este nodo.

Más problemático es el alineamiento de 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 hacia adelante y hacia atrás, que son alineación espacial en cuatro cuadrantes.

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

por sí mismo.

Para alinear este problema, como la alineación de equipos de datos de distribución comercial, la alineación es necesaria constantemente, porque el medio y

La red de distribución de bajo voltaje está agregando, eliminando y modificando equipos y líneas todos los días, y las empresas de la red gastan enormes costos de mano de obra.

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

En segundo lugar, el costo de adquisición de datos en el sector eléctrico es alto y se requieren 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.Para lograr la detección del lado de la carga (extremo del 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 de alta precisión y el costo es aún mayor.

Debido al costo marginal extremadamente alto de la adquisición de datos y la alineación de datos, la red eléctrica actualmente no puede acumular suficiente energía no lineal

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 de inteligencia artificial 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 el poder 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 la computación neuronal concurrente a gran escala.Es precisamente la aplicación de GPU en juegos y películas en 3D lo que hace que el paralelo a gran escala

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

Power grid AI, una tendencia inevitable en el futuro

Con la integración de un gran número de sistemas distribuidos de almacenamiento de energía fotovoltaica y distribuida, así como los requisitos de aplicación de

centrales eléctricas virtuales del lado de carga, es objetivamente necesario realizar pronósticos de fuente y carga para sistemas de red de distribución pública y 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 interruptores, y la demanda de operación de red de microrredes/distribución basada 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 detección, computación y 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 de inmediato un algoritmo de IA para ganar dinero,

En cambio, primero aborde los problemas de construcción de infraestructura de datos requeridos por AI

En el auge de AIGC, debe haber suficiente calma pensando en el nivel de aplicación y el futuro de la IA de potencia.

En la actualidad, la importancia de la IA eléctrica no es significativa: por ejemplo, se coloca en el mercado al contado 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.Como sucede, será.