Pour en revenir à l'essentiel, la percée de l'AIGC dans la singularité est une combinaison de trois facteurs :

1. GPT est une réplique des neurones humains

GPT AI représenté par NLP est un algorithme de réseau neuronal informatique, dont l'essence est de simuler les réseaux neuronaux dans le cortex cérébral humain.

Le traitement et l'imagination intelligente du langage, de la musique, des images et même des informations gustatives sont autant de fonctions accumulées par l'être humain.

le cerveau comme un « ordinateur protéique » au cours de l’évolution à long terme.

Par conséquent, GPT est naturellement l’imitation la plus appropriée pour traiter des informations similaires, c’est-à-dire un langage non structuré, de la musique et des images.

Le mécanisme de son traitement n’est pas la compréhension du sens, mais plutôt un processus de raffinement, d’identification et d’association.C'est un très

chose paradoxale.

Les premiers algorithmes de reconnaissance sémantique de la parole établissaient essentiellement un modèle de grammaire et une base de données vocales, puis mappaient la parole au vocabulaire,

puis placé le vocabulaire dans la base de données de grammaire pour comprendre la signification du vocabulaire, et finalement obtenu des résultats de reconnaissance.

L'efficacité de la reconnaissance de cette syntaxe basée sur un « mécanisme logique » oscille autour de 70 %, comme la reconnaissance ViaVoice.

algorithme introduit par IBM dans les années 1990.

L’AIGC n’a pas pour but de jouer comme ça.Son essence n'est pas de se soucier de la grammaire, mais plutôt d'établir un algorithme de réseau neuronal qui permette au

ordinateur pour compter les connexions probabilistes entre différents mots, qui sont des connexions neuronales et non des connexions sémantiques.

Tout comme l’apprentissage de notre langue maternelle lorsque nous étions jeunes, nous l’avons appris naturellement, plutôt que d’apprendre « le sujet, le prédicat, l’objet, le verbe, le complément ».

puis comprendre un paragraphe.

C’est le modèle de pensée de l’IA, qui repose sur la reconnaissance et non sur la compréhension.

C’est aussi la signification subversive de l’IA pour tous les modèles de mécanismes classiques – les ordinateurs n’ont pas besoin de comprendre cette question au niveau logique,

mais plutôt identifier et reconnaître la corrélation entre les informations internes, puis la connaître.

Par exemple, l'état du flux d'énergie et la prévision des réseaux électriques sont basés sur une simulation de réseau électrique classique, où un modèle mathématique du

Le mécanisme est établi puis convergé à l’aide d’un algorithme matriciel.À l’avenir, cela ne sera peut-être plus nécessaire.L’IA identifiera et prédira directement un

certain modèle modal basé sur l’état de chaque nœud.

Plus il y a de nœuds, moins l’algorithme matriciel classique est populaire, car la complexité de l’algorithme augmente avec le nombre de nœuds.

nœuds et la progression géométrique augmente.Cependant, l’IA préfère avoir une concurrence de nœuds à très grande échelle, car elle est efficace pour identifier et

prédire les modes de réseau les plus probables.

Qu'il s'agisse de la prochaine prédiction de Go (AlphaGO peut prédire les prochaines dizaines d'étapes, avec d'innombrables possibilités pour chaque étape) ou de la prédiction modale

Dans le cas de systèmes météorologiques complexes, la précision de l’IA est bien supérieure à celle des modèles mécaniques.

La raison pour laquelle le réseau électrique ne nécessite actuellement pas d'IA est que le nombre de nœuds dans les réseaux électriques de 220 kV et plus gérés par les autorités provinciales

la répartition n'est pas importante et de nombreuses conditions sont définies pour linéariser et disperser la matrice, réduisant considérablement la complexité de calcul du

modèle de mécanisme.

Cependant, au stade du flux d'énergie du réseau de distribution, face à des dizaines de milliers ou des centaines de milliers de nœuds d'alimentation, de nœuds de charge et de systèmes traditionnels,

les algorithmes matriciels dans un grand réseau de distribution sont impuissants.

Je pense que la reconnaissance des formes de l’IA au niveau du réseau de distribution deviendra possible à l’avenir.

2. L'accumulation, la formation et la génération d'informations non structurées

La deuxième raison pour laquelle l’AIGC a réalisé une percée est l’accumulation d’informations.De la conversion A/D de la parole (microphone+PCM

échantillonnage) à la conversion A/D des images (CMOS+cartographie de l'espace colorimétrique), les humains ont accumulé des données holographiques dans les domaines visuel et auditif

ces champs de manière extrêmement peu coûteuse au cours des dernières décennies.

Notamment la vulgarisation à grande échelle des appareils photo et des smartphones, l'accumulation de données non structurées dans le domaine audiovisuel à destination des humains

à un coût presque nul, et l'accumulation explosive d'informations textuelles sur Internet sont la clé de la formation AIGC – les ensembles de données de formation sont peu coûteux.

La figure ci-dessus montre la tendance à la croissance des données mondiales, qui présente clairement une tendance exponentielle.

Cette croissance non linéaire de l'accumulation de données constitue le fondement de la croissance non linéaire des capacités de l'AIGC.

MAIS, la plupart de ces données sont des données audiovisuelles non structurées, accumulées sans frais.

Dans le domaine de l’énergie électrique, cela n’est pas réalisable.Premièrement, la majeure partie de l'industrie de l'énergie électrique est constituée de données structurées et semi-structurées, telles que

tension et courant, qui sont des ensembles de données ponctuelles de séries chronologiques et semi-structurées.

Les ensembles de données structurelles doivent être compris par les ordinateurs et nécessitent un « alignement », tel que l'alignement des appareils – les données de tension, de courant et de puissance.

d'un commutateur doivent être alignés sur ce nœud.

Plus problématique est l'alignement temporel, qui nécessite d'aligner la tension, le courant et la puissance active et réactive en fonction de l'échelle de temps, de sorte que

une identification ultérieure peut être effectuée.Il existe également des directions avant et arrière, qui correspondent à un alignement spatial dans quatre quadrants.

Contrairement aux données textuelles, qui ne nécessitent pas d'alignement, un paragraphe est simplement envoyé à l'ordinateur, qui identifie les associations d'informations possibles.

tout seul.

Afin d'aligner cette question, comme l'alignement des équipements des données de distribution commerciale, un alignement est constamment nécessaire, car le support et

Le réseau de distribution basse tension ajoute, supprime et modifie chaque jour des équipements et des lignes, et les sociétés de réseau dépensent d'énormes coûts de main d'œuvre.

Comme pour « l’annotation de données », les ordinateurs ne peuvent pas faire cela.

Deuxièmement, le coût de l’acquisition de données dans le secteur de l’électricité est élevé et des capteurs sont nécessaires au lieu d’avoir un téléphone portable pour parler et prendre des photos.»

Chaque fois que la tension diminue d'un niveau (ou que la relation de distribution d'énergie diminue d'un niveau), l'investissement requis dans le capteur augmente

d'au moins un ordre de grandeur.Pour réaliser une détection côté charge (extrémité capillaire), cela représente encore plus un investissement numérique massif.

S'il est nécessaire d'identifier le mode transitoire du réseau électrique, un échantillonnage haute fréquence de haute précision est nécessaire et le coût est encore plus élevé.

En raison du coût marginal extrêmement élevé de l'acquisition et de l'alignement des données, le réseau électrique est actuellement incapable d'accumuler suffisamment de données non linéaires.

croissance des informations sur les données pour entraîner un algorithme afin d'atteindre la singularité de l'IA.

Sans parler de l’ouverture des données, il est impossible pour une startup Power AI d’obtenir ces données.

Par conséquent, avant l’IA, il est nécessaire de résoudre le problème des ensembles de données, sinon le code général de l’IA ne peut pas être entraîné pour produire une bonne IA.

3. Percée dans la puissance de calcul

Outre les algorithmes et les données, la percée de l’AIGC en matière de singularité constitue également une percée en termes de puissance de calcul.Les processeurs traditionnels ne le sont pas

adapté au calcul neuronal simultané à grande échelle.C'est précisément l'application des GPU dans les jeux et les films 3D qui permet de réaliser des opérations parallèles à grande échelle.

calcul à virgule flottante + streaming possible.La loi de Moore réduit encore le coût de calcul par unité de puissance de calcul.

L’IA des réseaux électriques, une tendance incontournable du futur

Avec l'intégration d'un grand nombre de systèmes photovoltaïques et de stockage d'énergie distribués, ainsi que les exigences d'application de

centrales électriques virtuelles côté charge, il est objectivement nécessaire d'effectuer des prévisions de source et de charge pour les systèmes de réseaux de distribution publics et les utilisateurs.

systèmes de (micro)réseaux de distribution, ainsi que l'optimisation du flux d'énergie en temps réel pour les systèmes de (micro)réseaux de distribution.

La complexité informatique du côté du réseau de distribution est en réalité supérieure à celle de la planification du réseau de transport.Même pour une publicité

complexe, il peut y avoir des dizaines de milliers de dispositifs de charge et des centaines de commutateurs, et la demande d'exploitation de micro-réseaux/réseaux de distribution basée sur l'IA

le contrôle apparaîtra.

Avec le faible coût des capteurs et l'utilisation généralisée de dispositifs électroniques de puissance tels que les transformateurs à semi-conducteurs, les commutateurs à semi-conducteurs et les onduleurs (convertisseurs),

l'intégration de la détection, du calcul et du contrôle en bordure du réseau électrique est également devenue une tendance innovante.

L’AIGC du réseau électrique est donc l’avenir.Cependant, ce qu’il faut aujourd’hui, ce n’est pas de supprimer immédiatement un algorithme d’IA pour gagner de l’argent,

Au lieu de cela, résolvez d'abord les problèmes de construction d'infrastructure de données requis par l'IA.

Dans le contexte de la montée en puissance de l’AIGC, il faut réfléchir avec suffisamment de sérénité au niveau d’application et à l’avenir de l’IA de puissance.

À l'heure actuelle, l'importance de l'IA de puissance n'est pas significative : par exemple, un algorithme photovoltaïque avec une précision de prédiction de 90 % est placé sur le marché spot.

avec un seuil d'écart de négociation de 5 %, et l'écart de l'algorithme effacera tous les bénéfices commerciaux.

Les données sont de l'eau et la puissance de calcul de l'algorithme est un canal.En l’occurrence, ce sera le cas.