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

1. GPT est une réplique de 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.

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, une musique et des images non structurés.

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 ont essentiellement établi un modèle de grammaire et une base de données de parole, puis ont mappé la parole au vocabulaire,

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

L'efficacité de reconnaissance de cette reconnaissance de syntaxe basée sur un "mécanisme logique" a oscillé autour de 70 %, comme la reconnaissance ViaVoice

Algorithme introduit par IBM dans les années 1990.

L'AIGC ne consiste pas à jouer comme ça.Son essence n'est pas de se soucier de la grammaire, mais plutôt d'établir un algorithme de réseau neuronal qui permet

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

Tout comme apprendre notre langue maternelle quand nous étions jeunes, nous l'avons apprise naturellement, plutôt que d'apprendre "sujet, prédicat, objet, verbe, complément".

puis comprendre un paragraphe.

C'est le modèle de pensée de l'IA, qui est la reconnaissance, pas 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 prédiction des réseaux électriques sont basés sur une simulation de réseau électrique classique, où un modèle mathématique du

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 et la progression géométrique augmente.Cependant, l'IA préfère avoir une simultanéité de nœuds à très grande échelle, car l'IA est bonne pour identifier et

prédire les modes de réseau les plus probables.

Que ce soit la prochaine prédiction de Go (AlphaGO peut prédire les prochaines dizaines d'étapes, avec d'innombrables possibilités pour chaque étape) ou la prédiction modale

des systèmes météorologiques complexes, la précision de l'IA est bien supérieure à celle des modèles mécaniques.

La raison pour laquelle le réseau électrique n'a actuellement pas besoin 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 éparsir la matrice, ce qui réduit considérablement la complexité de calcul de la

modèle de mécanisme.

Cependant, à l'étape du flux de puissance du réseau de distribution, face à des dizaines de milliers ou des centaines de milliers de nœuds de puissance, de nœuds de charge et de

algorithmes matriciels dans un grand réseau de distribution est impuissant.

Je crois que la reconnaissance des modèles d'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 fait une percée est l'accumulation d'informations.De la conversion A/N de la parole (microphone+PCM

échantillonnage) à la conversion A/N des images (CMOS+color space mapping), les humains ont accumulé des données holographiques dans le visuel et l'auditif

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

En particulier, la vulgarisation à grande échelle des caméras et des smartphones, l'accumulation de données non structurées dans le domaine audiovisuel pour l'homme

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 est à la base de la croissance non linéaire des capacités d'AIGC.

MAIS, la plupart de ces données sont des données audiovisuelles non structurées, qui sont accumulées à un coût nul.

Dans le domaine de l'énergie électrique, cela n'est pas possible.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 gênant 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 sont 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 cet enjeu, comme l'alignement des équipements des données de distribution des entreprises, un alignement est constamment nécessaire, car le moyen et le

Le réseau de distribution basse tension ajoute, supprime et modifie quotidiennement des équipements et des lignes, et les entreprises de réseau dépensent d'énormes coûts de main-d'œuvre.

Comme "l'annotation de données", les ordinateurs ne peuvent pas faire cela.

Deuxièmement, le coût d'acquisition des 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 de puissance diminue d'un niveau), l'investissement requis dans le capteur augmente

d'au moins un ordre de grandeur.Pour réaliser la détection côté charge (extrémité capillaire), c'est 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 de données pour former un algorithme pour atteindre la singularité de l'IA.

Sans parler de l'ouverture des données, il est impossible pour une startup de 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 formé pour produire une bonne IA.

3. Percée dans la puissance de calcul

En plus des algorithmes et des données, la percée de la singularité de l'AIGC est également une percée dans la puissance de calcul.Les processeurs traditionnels ne 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 rend le parallèle à grande échelle

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

L'IA du réseau électrique, une tendance inévitable à l'avenir

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 réseau de distribution public et les utilisateurs

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

La complexité de calcul du côté du réseau de distribution est en fait supérieure à celle de l'ordonnancement du réseau de transmission.Même pour une publicité

complexe, il peut y avoir des dizaines de milliers d'appareils de charge et des centaines de commutateurs, et la demande d'un fonctionnement de micro-réseau/réseau de distribution basé sur l'IA

le contrôle surviendra.

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

l'intégration de la détection, de l'informatique et du contrôle à la périphérie du réseau électrique est également devenue une tendance innovante.

Par conséquent, l'AIGC du réseau électrique est l'avenir.Cependant, ce qu'il faut aujourd'hui, ce n'est pas sortir 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 la montée en puissance de l'AIGC, il doit y avoir une réflexion suffisamment calme sur le niveau d'application et 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 au comptant

avec un seuil d'écart commercial de 5 %, et l'écart de l'algorithme anéantira 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.