เมื่อหวนกลับไปสู่แก่นแท้ ความก้าวหน้าในด้านความเป็นเอกเทศของ AIGC คือการรวมกันของปัจจัย 3 ประการ:

1. GPT เป็นแบบจำลองของเซลล์ประสาทของมนุษย์

GPT AI ที่แสดงโดย NLP คืออัลกอริธึมโครงข่ายประสาทเทียมของคอมพิวเตอร์ ซึ่งมีสาระสำคัญคือการจำลองเครือข่ายประสาทในเปลือกสมองของมนุษย์

การประมวลผลและจินตนาการอันชาญฉลาดของภาษา ดนตรี รูปภาพ และแม้กระทั่งข้อมูลรสชาติ ล้วนเป็นหน้าที่ของมนุษย์สั่งสมมา

สมองในฐานะ “คอมพิวเตอร์โปรตีน” ในช่วงวิวัฒนาการระยะยาว

ดังนั้น GPT จึงเป็นสิ่งเลียนแบบที่เหมาะสมที่สุดโดยธรรมชาติสำหรับการประมวลผลข้อมูลที่คล้ายคลึงกัน กล่าวคือ ภาษา เพลง และรูปภาพที่ไม่มีโครงสร้าง

กลไกของการประมวลผลไม่ใช่ความเข้าใจในความหมาย แต่เป็นกระบวนการของการขัดเกลา การระบุ และการเชื่อมโยงนี้เป็นอย่างมาก

สิ่งที่ขัดแย้งกัน

อัลกอริธึมการรู้จำความหมายของคำพูดตั้งแต่เนิ่นๆ ได้สร้างแบบจำลองไวยากรณ์และฐานข้อมูลคำพูด จากนั้นจึงจับคู่คำพูดกับคำศัพท์

แล้วนำคำศัพท์ไปไว้ในฐานข้อมูลไวยากรณ์เพื่อให้เข้าใจความหมายของคำศัพท์และได้ผลการจดจำในที่สุด

ประสิทธิภาพการรู้จำของการรู้จำไวยากรณ์ตาม "กลไกเชิงตรรกะ" นี้อยู่ที่ประมาณ 70% เช่น การรู้จำ ViaVoice

อัลกอริธึมที่ IBM เปิดตัวในปี 1990

AIGC ไม่เกี่ยวกับการเล่นแบบนี้สาระสำคัญของมันคือไม่สนใจเกี่ยวกับไวยากรณ์ แต่เพื่อสร้างอัลกอริธึมโครงข่ายประสาทเทียมที่อนุญาต

คอมพิวเตอร์เพื่อนับการเชื่อมต่อความน่าจะเป็นระหว่างคำต่างๆ ซึ่งเป็นการเชื่อมต่อทางประสาท ไม่ใช่การเชื่อมต่อทางความหมาย

เช่นเดียวกับการเรียนรู้ภาษาแม่ของเราเมื่อเรายังเด็ก เราเรียนรู้มันโดยธรรมชาติ แทนที่จะเรียนรู้ “ประธาน ภาคแสดง กรรม กริยา ส่วนประกอบ”

แล้วทำความเข้าใจหนึ่งย่อหน้า

นี่คือรูปแบบการคิดของ AI ที่เป็นการรับรู้ ไม่ใช่ความเข้าใจ

นี่เป็นความสำคัญที่ถูกโค่นล้มของ AI สำหรับโมเดลกลไกแบบคลาสสิกทั้งหมด คอมพิวเตอร์ไม่จำเป็นต้องเข้าใจเรื่องนี้ในระดับตรรกะ

แต่ให้ระบุและรับรู้ถึงความสัมพันธ์ระหว่างข้อมูลภายในแล้วจึงรู้

ตัวอย่างเช่น สถานะการไหลของพลังงานและการทำนายโครงข่ายไฟฟ้าจะขึ้นอยู่กับการจำลองเครือข่ายพลังงานแบบคลาสสิก โดยที่แบบจำลองทางคณิตศาสตร์ของ

กลไกถูกสร้างขึ้นแล้วมาบรรจบกันโดยใช้อัลกอริธึมเมทริกซ์ในอนาคตอาจไม่จำเป็นAI จะระบุและคาดการณ์ได้โดยตรง

รูปแบบกิริยาบางอย่างขึ้นอยู่กับสถานะของแต่ละโหนด

ยิ่งมีโหนดมากขึ้น อัลกอริธึมเมทริกซ์แบบคลาสสิกก็จะยิ่งได้รับความนิยมน้อยลง เนื่องจากความซับซ้อนของอัลกอริธึมจะเพิ่มขึ้นตามจำนวน

โหนดและความก้าวหน้าทางเรขาคณิตเพิ่มขึ้นอย่างไรก็ตาม AI ต้องการมีโหนดที่ทำงานพร้อมกันในขนาดใหญ่มาก เนื่องจาก AI สามารถระบุและระบุได้ดี

ทำนายโหมดเครือข่ายที่เป็นไปได้มากที่สุด

ไม่ว่าจะเป็นการทำนาย Go ครั้งต่อไป (AlphaGO สามารถทำนายขั้นตอนถัดไปหลายสิบขั้นตอน พร้อมความเป็นไปได้นับไม่ถ้วนสำหรับแต่ละขั้นตอน) หรือการทำนายแบบโมดอล

ของระบบสภาพอากาศที่ซับซ้อน ความแม่นยำของ AI นั้นสูงกว่าโมเดลเชิงกลมาก

สาเหตุที่ระบบสายส่งไฟฟ้าในปัจจุบันไม่ต้องการ AI ก็คือจำนวนโหนดในเครือข่ายไฟฟ้าขนาด 220 kV ขึ้นไปที่จัดการโดยจังหวัด

การจัดส่งมีขนาดไม่ใหญ่นัก และเงื่อนไขหลายอย่างถูกกำหนดให้เป็นเส้นตรงและกระจัดกระจายเมทริกซ์ ซึ่งช่วยลดความซับซ้อนในการคำนวณของ

แบบจำลองกลไก

อย่างไรก็ตาม ในขั้นตอนการไหลของพลังงานของเครือข่ายการกระจาย ต้องเผชิญกับโหนดพลังงานนับหมื่นหรือหลายแสนโหนด โหลดโหนด และแบบดั้งเดิม

อัลกอริธึมเมทริกซ์ในเครือข่ายการกระจายขนาดใหญ่ไม่มีอำนาจ

ฉันเชื่อว่าการจดจำรูปแบบของ AI ในระดับเครือข่ายการกระจายสินค้าจะเป็นไปได้ในอนาคต

2. การสะสม การฝึกอบรม และการสร้างข้อมูลที่ไม่มีโครงสร้าง

เหตุผลที่สองที่ AIGC ประสบความสำเร็จคือการสะสมข้อมูลจากการแปลงเสียงพูด A/D (ไมโครโฟน+PCM

การสุ่มตัวอย่าง) เป็นการแปลง A/D ของภาพ (การแมปพื้นที่สี CMOS+) มนุษย์ได้สะสมข้อมูลโฮโลแกรมทั้งในด้านภาพและการได้ยิน

ด้วยวิธีที่มีต้นทุนต่ำมากในช่วงสองสามทศวรรษที่ผ่านมา

โดยเฉพาะอย่างยิ่งความนิยมในวงกว้างของกล้องและสมาร์ทโฟน การสะสมของข้อมูลที่ไม่มีโครงสร้างในด้านภาพและเสียงสำหรับมนุษย์

ด้วยต้นทุนเกือบเป็นศูนย์ และการสะสมข้อมูลข้อความบนอินเทอร์เน็ตอย่างมหาศาลเป็นกุญแจสำคัญในการฝึกอบรม AIGC ชุดข้อมูลการฝึกอบรมมีราคาไม่แพง

รูปด้านบนแสดงแนวโน้มการเติบโตของข้อมูลทั่วโลก ซึ่งนำเสนอแนวโน้มแบบเอ็กซ์โพเนนเชียลอย่างชัดเจน

การเติบโตแบบไม่เชิงเส้นของการสะสมข้อมูลนี้เป็นรากฐานสำหรับการเติบโตแบบไม่เชิงเส้นของขีดความสามารถของ AIGC

แต่ข้อมูลเหล่านี้ส่วนใหญ่เป็นข้อมูลภาพและเสียงที่ไม่มีโครงสร้าง ซึ่งสะสมไว้โดยไม่มีต้นทุน

ในด้านพลังงานไฟฟ้านั้นไม่สามารถทำได้ประการแรก อุตสาหกรรมพลังงานไฟฟ้าส่วนใหญ่เป็นข้อมูลที่มีโครงสร้างและกึ่งมีโครงสร้าง เช่น

แรงดันและกระแสซึ่งเป็นชุดข้อมูลจุดของอนุกรมเวลาและกึ่งโครงสร้าง

คอมพิวเตอร์จำเป็นต้องเข้าใจชุดข้อมูลโครงสร้างและต้องมี "การจัดตำแหน่ง" เช่น การจัดตำแหน่งอุปกรณ์ ข้อมูลแรงดัน กระแส และข้อมูลกำลัง

ของสวิตช์จะต้องสอดคล้องกับโหนดนี้

ที่ลำบากกว่านั้นคือการจัดเวลา ซึ่งต้องอาศัยการปรับแรงดันไฟฟ้า กระแสไฟฟ้า และพลังงานที่ใช้งานและรีแอกทีฟตามมาตราส่วนเวลา ดังนั้น

สามารถดำเนินการระบุตัวตนในภายหลังได้นอกจากนี้ยังมีทิศทางไปข้างหน้าและย้อนกลับซึ่งเป็นการจัดตำแหน่งเชิงพื้นที่ในสี่จตุภาค

ต่างจากข้อมูลข้อความซึ่งไม่ต้องการการจัดตำแหน่ง ย่อหน้าจะถูกส่งไปที่คอมพิวเตอร์ ซึ่งระบุการเชื่อมโยงข้อมูลที่เป็นไปได้

ด้วยตัวของมันเอง

เพื่อให้สอดคล้องกับปัญหานี้ เช่นการจัดตำแหน่งอุปกรณ์ของข้อมูลการกระจายธุรกิจ การจัดตำแหน่งเป็นสิ่งจำเป็นอย่างต่อเนื่อง เนื่องจากสื่อและ

เครือข่ายจำหน่ายไฟฟ้าแรงต่ำกำลังเพิ่ม ลบ และแก้ไขอุปกรณ์และสายไฟทุกวัน และบริษัทโครงข่ายไฟฟ้าก็ใช้ต้นทุนค่าแรงมหาศาล

เช่นเดียวกับ “คำอธิบายประกอบข้อมูล” คอมพิวเตอร์ไม่สามารถทำได้

ประการที่สอง ต้นทุนในการรับข้อมูลในภาคพลังงานสูงและต้องใช้เซ็นเซอร์แทนการใช้โทรศัพท์มือถือเพื่อพูดและถ่ายรูป-

ทุกครั้งที่แรงดันไฟฟ้าลดลงหนึ่งระดับ (หรือความสัมพันธ์ในการกระจายพลังงานลดลงหนึ่งระดับ) การลงทุนของเซ็นเซอร์ที่จำเป็นจะเพิ่มขึ้น

อย่างน้อยหนึ่งลำดับความสำคัญเพื่อให้บรรลุการตรวจจับด้านโหลด (ปลายเส้นเลือดฝอย) การลงทุนทางดิจิทัลครั้งใหญ่จึงยิ่งใหญ่ยิ่งขึ้น”

หากจำเป็นต้องระบุโหมดชั่วคราวของโครงข่ายไฟฟ้า จำเป็นต้องมีการสุ่มตัวอย่างความถี่สูงที่มีความแม่นยำสูง และต้นทุนยังสูงกว่าอีกด้วย

เนื่องจากต้นทุนส่วนเพิ่มที่สูงมากในการรับข้อมูลและการจัดตำแหน่งข้อมูล ปัจจุบันระบบโครงข่ายไฟฟ้าจึงไม่สามารถสะสมข้อมูลที่ไม่ใช่เชิงเส้นได้เพียงพอ

การเติบโตของข้อมูลเพื่อฝึกฝนอัลกอริธึมเพื่อเข้าถึงความเป็นเอกเทศของ AI

ไม่ต้องพูดถึงความเปิดกว้างของข้อมูล เป็นไปไม่ได้ที่สตาร์ทอัพ AI อันทรงพลังจะได้รับข้อมูลเหล่านี้

ดังนั้นก่อน AI จำเป็นต้องแก้ปัญหาชุดข้อมูล ไม่เช่นนั้นโค้ด AI ทั่วไปจะไม่สามารถฝึกให้สร้าง AI ที่ดีได้

3. ความก้าวหน้าในด้านพลังการคำนวณ

นอกเหนือจากอัลกอริธึมและข้อมูลแล้ว การพัฒนาเอกภาวะของ AIGC ยังเป็นความก้าวหน้าในด้านพลังการคำนวณอีกด้วยCPU แบบดั้งเดิมไม่ใช่

เหมาะสำหรับการประมวลผลเซลล์ประสาทพร้อมกันขนาดใหญ่เป็นการประยุกต์ GPU ในเกม 3D และภาพยนตร์ที่สร้างภาพคู่ขนานขนาดใหญ่ได้อย่างแม่นยำ

คำนวณจุดลอยตัว + สตรีมมิ่งได้กฎของมัวร์ยังช่วยลดต้นทุนการคำนวณต่อหน่วยกำลังการคำนวณอีกด้วย

Power grid AI เทรนด์ที่หลีกเลี่ยงไม่ได้ในอนาคต

ด้วยการบูรณาการระบบจัดเก็บพลังงานไฟฟ้าโซลาร์เซลล์แบบกระจายและแบบกระจายจำนวนมาก รวมถึงข้อกำหนดการใช้งานของ

โรงไฟฟ้าเสมือนด้านโหลด มีความจำเป็นอย่างยิ่งที่จะต้องดำเนินการพยากรณ์แหล่งที่มาและโหลดสำหรับระบบเครือข่ายการจำหน่ายสาธารณะและผู้ใช้

ระบบกริดแบบกระจาย (ไมโคร) รวมถึงการเพิ่มประสิทธิภาพการไหลของพลังงานแบบเรียลไทม์สำหรับระบบกริดแบบกระจาย (ไมโคร)

ความซับซ้อนในการคำนวณของฝั่งเครือข่ายการกระจายนั้นแท้จริงแล้วสูงกว่าการจัดกำหนดการเครือข่ายการส่งสัญญาณแม้กระทั่งเพื่อการพาณิชย์

ซับซ้อน อาจมีอุปกรณ์โหลดนับหมื่นและสวิตช์หลายร้อยตัว และความต้องการการดำเนินงานเครือข่ายไมโครกริด/การกระจายแบบอิง AI

การควบคุมจะเกิดขึ้น

ด้วยต้นทุนที่ต่ำของเซ็นเซอร์และการใช้งานอย่างแพร่หลายของอุปกรณ์อิเล็กทรอนิกส์กำลัง เช่น หม้อแปลงโซลิดสเตต สวิตช์โซลิดสเตต และอินเวอร์เตอร์ (ตัวแปลง)

การบูรณาการการตรวจจับ การประมวลผล และการควบคุมที่ขอบของโครงข่ายไฟฟ้าก็กลายเป็นกระแสนวัตกรรมเช่นกัน

ดังนั้น AIGC ของระบบโครงข่ายไฟฟ้าจึงเป็นอนาคตอย่างไรก็ตาม สิ่งที่จำเป็นในวันนี้ไม่ใช่การนำอัลกอริธึม AI ออกมาทำเงินทันที

อันดับแรกให้แก้ไขปัญหาการสร้างโครงสร้างพื้นฐานข้อมูลที่ AI ต้องการ

ในการเพิ่มขึ้นอย่างรวดเร็วของ AIGC จำเป็นต้องมีความสงบเพียงพอในการคิดถึงระดับการใช้งานและอนาคตของ AI อันทรงพลัง

ในปัจจุบัน ความสำคัญของ AI พลังงานไม่มีนัยสำคัญ ตัวอย่างเช่น อัลกอริธึมเซลล์แสงอาทิตย์ที่มีความแม่นยำในการคาดการณ์ 90% จะถูกวางไว้ในตลาดสปอต

โดยมีค่าเบี่ยงเบนการซื้อขายอยู่ที่ 5% และการเบี่ยงเบนของอัลกอริทึมจะล้างผลกำไรจากการซื้อขายทั้งหมด

ข้อมูลคือน้ำ และพลังการคำนวณของอัลกอริทึมคือช่องสัญญาณเมื่อมันเกิดขึ้นมันก็จะเป็น