เมื่อย้อนกลับไปที่สาระสำคัญ ความก้าวหน้าของ AIGC ในภาวะเอกฐานคือการรวมกันของสามปัจจัย:

1. GPT เป็นแบบจำลองของเซลล์ประสาทของมนุษย์

GPT AI ที่แสดงโดย NLP เป็นอัลกอริทึมเครือข่ายประสาทเทียมของคอมพิวเตอร์ ซึ่งมีสาระสำคัญคือการจำลองเครือข่ายประสาทในเปลือกสมองของมนุษย์

การประมวลผลและจินตนาการอันชาญฉลาดของภาษา ดนตรี ภาพ และข้อมูลรสชาติล้วนเป็นหน้าที่ที่มนุษย์สั่งสมมา

สมองในฐานะ "คอมพิวเตอร์โปรตีน" ในช่วงวิวัฒนาการระยะยาว

ดังนั้น GPT จึงเป็นการเลียนแบบที่เหมาะสมที่สุดสำหรับการประมวลผลข้อมูลที่คล้ายคลึงกัน ซึ่งก็คือภาษา เพลง และรูปภาพที่ไม่มีโครงสร้าง

กลไกของการประมวลผลไม่ใช่การเข้าใจความหมาย แต่เป็นกระบวนการของการขัดเกลา ระบุ และเชื่อมโยงนี้เป็นอย่างมาก

สิ่งที่ขัดแย้งกัน

อัลกอริธึมการรู้จำความหมายคำพูดในยุคแรกเริ่มสร้างแบบจำลองไวยากรณ์และฐานข้อมูลคำพูด จากนั้นจึงแมปคำพูดกับคำศัพท์

จากนั้นจึงนำคำศัพท์นั้นไปใส่ไว้ในฐานข้อมูลไวยากรณ์เพื่อทำความเข้าใจความหมายของคำศัพท์และได้ผลการจดจำในที่สุด

ประสิทธิภาพการรู้จำของการรู้จำไวยากรณ์ตาม "กลไกเชิงตรรกะ" นี้อยู่ที่ประมาณ 70% เช่น การรู้จำ ViaVoice

อัลกอริทึมที่ IBM เปิดตัวในปี 1990

AIGC ไม่เกี่ยวกับการเล่นแบบนี้สาระสำคัญของมันไม่ได้สนใจเกี่ยวกับไวยากรณ์ แต่เพื่อสร้างอัลกอริทึมโครงข่ายประสาทเทียมที่อนุญาตให้

คอมพิวเตอร์เพื่อนับความน่าจะเป็นของการเชื่อมต่อระหว่างคำต่างๆ ซึ่งเป็นการเชื่อมต่อทางประสาท ไม่ใช่การเชื่อมต่อทางความหมาย

เหมือนกับการเรียนรู้ภาษาแม่ของเราเมื่อเรายังเด็ก เราเรียนรู้โดยธรรมชาติ แทนที่จะเรียนรู้

แล้วทำความเข้าใจย่อหน้า

นี่คือรูปแบบการคิดของ AI คือการรับรู้ ไม่ใช่ความเข้าใจ

นี่ยังเป็นนัยสำคัญที่ถูกโค่นล้มของ AI สำหรับโมเดลกลไกแบบคลาสสิกทั้งหมด – คอมพิวเตอร์ไม่จำเป็นต้องเข้าใจเรื่องนี้ในระดับตรรกะ

แต่ควรระบุและรับรู้ถึงความสัมพันธ์ระหว่างข้อมูลภายในแล้วจึงทราบ

ตัวอย่างเช่น สถานะการไหลของพลังงานและการทำนายของกริดพลังงานขึ้นอยู่กับการจำลองเครือข่ายพลังงานแบบคลาสสิก โดยที่แบบจำลองทางคณิตศาสตร์ของ

มีการสร้างกลไกแล้วรวมเข้าด้วยกันโดยใช้อัลกอริทึมเมทริกซ์ในอนาคตอาจไม่จำเป็นAI จะระบุและทำนายโดยตรง

รูปแบบโมดอลบางอย่างขึ้นอยู่กับสถานะของแต่ละโหนด

ยิ่งมีโหนดมาก อัลกอริทึมเมทริกซ์คลาสสิกก็ยิ่งได้รับความนิยมน้อยลง เนื่องจากความซับซ้อนของอัลกอริทึมจะเพิ่มขึ้นตามจำนวน

โหนดและความก้าวหน้าทางเรขาคณิตเพิ่มขึ้นอย่างไรก็ตาม AI ชอบที่จะมีการทำงานพร้อมกันของโหนดขนาดใหญ่มาก เนื่องจาก AI นั้นเก่งในการระบุและ

ทำนายโหมดเครือข่ายที่เป็นไปได้มากที่สุด

ไม่ว่าจะเป็นการทำนายถัดไปของ Go (AlphaGO สามารถทำนายอีกหลายสิบขั้นตอนถัดไป โดยมีความเป็นไปได้นับไม่ถ้วนสำหรับแต่ละขั้นตอน) หรือการทำนายโมดอล

ของระบบสภาพอากาศที่ซับซ้อน ความแม่นยำของ AI นั้นสูงกว่าแบบจำลองเชิงกลมาก

สาเหตุที่โครงข่ายไฟฟ้าไม่ต้องการ AI ในปัจจุบัน เนื่องจากจำนวนโหนดในเครือข่ายไฟฟ้าขนาด 220 kV ขึ้นไปที่จัดการโดยจังหวัด

การจัดส่งมีไม่มาก และมีการตั้งค่าเงื่อนไขมากมายเพื่อทำให้เมทริกซ์เป็นเส้นตรงและกระจัดกระจาย ซึ่งช่วยลดความซับซ้อนในการคำนวณของ

แบบจำลองกลไก

อย่างไรก็ตาม ในขั้นตอนการไหลของพลังงานของเครือข่ายการกระจาย ต้องเผชิญกับโหนดพลังงาน โหลดโหนด และแบบดั้งเดิมนับหมื่นหรือแสน

อัลกอริธึมเมทริกซ์ในเครือข่ายการกระจายขนาดใหญ่นั้นไม่มีอำนาจ

ฉันเชื่อว่าการจดจำรูปแบบของ AI ในระดับเครือข่ายการกระจายสินค้าจะเป็นไปได้ในอนาคต

2. การสะสม การฝึกอบรม และการสร้างข้อมูลที่ไม่มีโครงสร้าง

เหตุผลที่สองที่ทำให้ AIGC ก้าวหน้าคือการรวบรวมข้อมูลจากการแปลงเสียงพูด A/D (ไมโครโฟน+PCM

การสุ่มตัวอย่าง) ไปจนถึงการแปลง A/D ของภาพ (CMOS+การทำแผนที่ปริภูมิสี) มนุษย์ได้สะสมข้อมูลโฮโลกราฟิกไว้ในภาพและการได้ยิน

ด้วยวิธีต้นทุนต่ำมากในช่วงสองสามทศวรรษที่ผ่านมา

โดยเฉพาะอย่างยิ่งความนิยมในกล้องและสมาร์ทโฟนในวงกว้าง การสะสมของข้อมูลที่ไม่มีโครงสร้างในสาขาภาพและเสียงสำหรับมนุษย์

ด้วยต้นทุนที่เกือบเป็นศูนย์ และข้อมูลข้อความจำนวนมากบนอินเทอร์เน็ตเป็นกุญแจสำคัญในการฝึกอบรม AIGC ชุดข้อมูลการฝึกอบรมมีราคาไม่แพง

รูปด้านบนแสดงแนวโน้มการเติบโตของข้อมูลทั่วโลก ซึ่งแสดงแนวโน้มแบบทวีคูณอย่างชัดเจน

การเติบโตของการสะสมข้อมูลแบบไม่เชิงเส้นนี้เป็นรากฐานสำหรับการเติบโตของความสามารถของ AIGC แบบไม่เชิงเส้น

แต่ข้อมูลเหล่านี้ส่วนใหญ่เป็นข้อมูลภาพและเสียงที่ไม่มีโครงสร้าง ซึ่งสะสมโดยไม่มีค่าใช้จ่าย

ในด้านพลังงานไฟฟ้าไม่สามารถทำได้ประการแรก อุตสาหกรรมพลังงานไฟฟ้าส่วนใหญ่เป็นข้อมูลที่มีโครงสร้างและกึ่งโครงสร้าง เช่น

แรงดันและกระแสซึ่งเป็นชุดข้อมูลแบบจุดของอนุกรมเวลาและแบบกึ่งโครงสร้าง

คอมพิวเตอร์จำเป็นต้องเข้าใจชุดข้อมูลโครงสร้างและต้องการ "การจัดตำแหน่ง" เช่น การจัดตำแหน่งอุปกรณ์ - ข้อมูลแรงดัน กระแส และข้อมูลพลังงาน

ของสวิตช์จำเป็นต้องจัดตำแหน่งให้ตรงกับโหนดนี้

ปัญหาที่ยุ่งยากกว่าคือการจัดตำแหน่งเวลา ซึ่งจำเป็นต้องจัดตำแหน่งแรงดัน กระแสไฟฟ้า และพลังงานที่ใช้งานและปฏิกิริยาตามสเกลเวลา ดังนั้น

สามารถดำเนินการระบุตัวตนในภายหลังได้นอกจากนี้ยังมีทิศทางไปข้างหน้าและย้อนกลับซึ่งเป็นการจัดตำแหน่งเชิงพื้นที่ในสี่ด้าน

ซึ่งแตกต่างจากข้อมูลข้อความซึ่งไม่ต้องการการจัดตำแหน่ง ย่อหน้าจะถูกส่งไปยังคอมพิวเตอร์ซึ่งระบุความสัมพันธ์ของข้อมูลที่เป็นไปได้

ด้วยตัวมันเอง

เพื่อจัดตำแหน่งปัญหานี้ เช่นการจัดตำแหน่งอุปกรณ์ของข้อมูลการกระจายธุรกิจ การจัดตำแหน่งเป็นสิ่งจำเป็นอย่างต่อเนื่อง เนื่องจากสื่อกลางและ

เครือข่ายจำหน่ายไฟฟ้าแรงต่ำมีการเพิ่ม ลบ และปรับเปลี่ยนอุปกรณ์และสายไฟฟ้าทุกวัน และบริษัทกริดก็ใช้จ่ายแรงงานจำนวนมาก

คอมพิวเตอร์ไม่สามารถทำสิ่งนี้ได้เช่นเดียวกับ "คำอธิบายประกอบข้อมูล"

ประการที่สอง ค่าใช้จ่ายในการรับข้อมูลในภาคพลังงานสูง และจำเป็นต้องใช้เซ็นเซอร์แทนการใช้โทรศัพท์มือถือเพื่อพูดและถ่ายภาพ”

ทุกครั้งที่แรงดันไฟฟ้าลดลงหนึ่งระดับ (หรือความสัมพันธ์ของการจ่ายพลังงานลดลงหนึ่งระดับ) การลงทุนเซ็นเซอร์ที่จำเป็นจะเพิ่มขึ้น

อย่างน้อยหนึ่งลำดับความสำคัญเพื่อให้ได้การตรวจจับด้านโหลด (capillary end) ก็ยิ่งเป็นการลงทุนด้านดิจิทัลจำนวนมหาศาล”

หากจำเป็นต้องระบุโหมดชั่วคราวของโครงข่ายไฟฟ้า จำเป็นต้องมีการสุ่มตัวอย่างความถี่สูงที่มีความแม่นยำสูง และค่าใช้จ่ายจะสูงขึ้น

เนื่องจากต้นทุนส่วนเพิ่มที่สูงมากในการจัดหาข้อมูลและการจัดตำแหน่งข้อมูล ในปัจจุบันกริดไฟฟ้าจึงไม่สามารถสะสมข้อมูลที่ไม่เป็นเชิงเส้นได้อย่างเพียงพอ

การเติบโตของข้อมูลข้อมูลเพื่อฝึกอัลกอริทึมเพื่อเข้าถึงภาวะเอกฐานของ AI

ไม่ต้องพูดถึงการเปิดกว้างของข้อมูล เป็นไปไม่ได้ที่สตาร์ทอัพ AI ที่มีประสิทธิภาพจะได้รับข้อมูลเหล่านี้

ดังนั้นก่อนที่จะมี AI จำเป็นต้องแก้ปัญหาของชุดข้อมูลก่อน มิฉะนั้น AI ทั่วไปจะไม่สามารถฝึกโค้ดเพื่อสร้าง AI ที่ดีได้

3. ความก้าวหน้าในด้านพลังการคำนวณ

นอกเหนือจากอัลกอริธึมและข้อมูลแล้ว ความก้าวหน้าแบบเอกฐานของ AIGC ยังเป็นความก้าวหน้าในด้านพลังการคำนวณอีกด้วยซีพียูแบบดั้งเดิมไม่ใช่

เหมาะสำหรับการประมวลผลเซลล์ประสาทพร้อมกันขนาดใหญ่เป็นการประยุกต์ใช้ GPU ในเกมและภาพยนตร์ 3D ที่ทำให้ขนานกันได้อย่างแม่นยำ

คำนวณจุดลอยตัว + สตรีมมิ่งได้กฎของมัวร์ยังช่วยลดต้นทุนการคำนวณต่อหน่วยของกำลังการคำนวณ

Power grid AI แนวโน้มที่หลีกเลี่ยงไม่ได้ในอนาคต

ด้วยการรวมระบบจัดเก็บพลังงานไฟฟ้าโซลาร์เซลล์แบบกระจายและแบบกระจายจำนวนมาก ตลอดจนข้อกำหนดการใช้งานของ

โรงไฟฟ้าเสมือนด้านโหลด มีความจำเป็นอย่างยิ่งที่จะต้องดำเนินการคาดการณ์แหล่งที่มาและโหลดสำหรับระบบเครือข่ายการกระจายสาธารณะและผู้ใช้

ระบบกริดการกระจาย (ไมโคร) รวมถึงการเพิ่มประสิทธิภาพการไหลของพลังงานตามเวลาจริงสำหรับระบบกริดการกระจาย (ไมโคร)

ความซับซ้อนในการคำนวณของฝั่งเครือข่ายการกระจายจริง ๆ แล้วสูงกว่าของการกำหนดตารางเวลาของเครือข่ายการส่งสัญญาณแม้แต่ในเชิงพาณิชย์

ที่ซับซ้อน อาจมีอุปกรณ์โหลดหลายหมื่นตัวและสวิตช์หลายร้อยตัว และความต้องการสำหรับการทำงานของเครือข่ายไมโครกริด/การกระจายสินค้าแบบ AI

การควบคุมจะเกิดขึ้น

ด้วยต้นทุนเซ็นเซอร์ที่ต่ำและการใช้อุปกรณ์อิเล็กทรอนิกส์กำลังอย่างแพร่หลาย เช่น หม้อแปลงโซลิดสเตต สวิตช์โซลิดสเตต และอินเวอร์เตอร์ (คอนเวอร์เตอร์)

การผสานรวมการตรวจจับ การประมวลผล และการควบคุมที่ขอบของกริดพลังงานยังกลายเป็นเทรนด์นวัตกรรมอีกด้วย

ดังนั้น AIGC ของโครงข่ายไฟฟ้าจึงเป็นอนาคตอย่างไรก็ตาม สิ่งที่จำเป็นในปัจจุบันไม่ใช่การนำอัลกอริทึม AI ออกมาทำเงินทันที

ก่อนอื่นให้แก้ไขปัญหาการสร้างโครงสร้างพื้นฐานข้อมูลที่ AI ต้องการ

ในการเพิ่มขึ้นของ AIGC จำเป็นต้องมีความคิดที่สงบเพียงพอเกี่ยวกับระดับแอปพลิเคชันและอนาคตของพลัง AI

ในปัจจุบัน ความสำคัญของพลังงาน AI นั้นไม่มีนัยสำคัญ ตัวอย่างเช่น อัลกอริทึมเซลล์แสงอาทิตย์ที่มีความแม่นยำในการทำนาย 90% ถูกวางในตลาดสปอต

ด้วยเกณฑ์การเบี่ยงเบนการซื้อขายที่ 5% และการเบี่ยงเบนของอัลกอริทึมจะลบล้างผลกำไรการซื้อขายทั้งหมด

ข้อมูลคือน้ำและพลังการคำนวณของอัลกอริทึมคือช่องทางจะเกิดขึ้นก็ย่อมเป็นไป