Վերադառնալով էությանը, AIGC-ի եզակիության բեկումը երեք գործոնների համակցություն է.

1. GPT-ն մարդու նեյրոնների կրկնօրինակն է

GPT AI-ն, որը ներկայացված է NLP-ով, համակարգչային նեյրոնային ցանցի ալգորիթմ է, որի էությունը մարդու ուղեղի կեղևում նեյրոնային ցանցերի մոդելավորումն է:

Լեզվի, երաժշտության, պատկերների և նույնիսկ ճաշակի տեղեկատվության մշակումն ու խելացի երևակայությունը մարդու կողմից կուտակված գործառույթներ են։

ուղեղը որպես «սպիտակուցային համակարգիչ» երկարաժամկետ էվոլյուցիայի ժամանակ:

Հետևաբար, GPT-ն բնականաբար ամենահարմար նմանակումն է նմանատիպ տեղեկատվության մշակման համար, այսինքն՝ չկառուցված լեզու, երաժշտություն և պատկերներ:

Դրա մշակման մեխանիզմը ոչ թե իմաստի ըմբռնումն է, այլ ավելի շուտ զտման, նույնականացման և ասոցացման գործընթաց:Սա շատ

պարադոքսալ բան.

Խոսքի իմաստային ճանաչման վաղ ալգորիթմները հիմնականում ստեղծեցին քերականական մոդել և խոսքի տվյալների բազա, այնուհետև խոսքը քարտեզագրեցին բառապաշարին,

այնուհետև բառապաշարը տեղադրեց քերականության տվյալների բազայում՝ բառապաշարի իմաստը հասկանալու համար և վերջապես ստացավ ճանաչման արդյունքներ:

Այս «տրամաբանական մեխանիզմի» վրա հիմնված շարահյուսական ճանաչման ճանաչման արդյունավետությունը տատանվել է շուրջ 70%, ինչպես, օրինակ, ViaVoice-ի ճանաչումը:

IBM-ի կողմից 1990-ականներին ներդրված ալգորիթմը:

AIGC-ն այսպես խաղալու մասին չէ:Դրա էությունը քերականության վրա հոգ տանելը չէ, այլ ավելի շուտ նեյրոնային ցանցի ալգորիթմ ստեղծելը, որը թույլ է տալիս

համակարգիչ՝ տարբեր բառերի միջև հավանական կապերը հաշվելու համար, որոնք նեյրոնային կապեր են, այլ ոչ թե իմաստային կապեր:

Ինչպես փոքր տարիքում սովորել ենք մեր մայրենի լեզուն, մենք բնականաբար սովորել ենք այն, այլ ոչ թե սովորել «առարկա, նախադրյալ, առարկա, բայ, լրացում»,

և հետո հասկանալ պարբերությունը:

Սա AI-ի մտածողության մոդելն է, որը ճանաչումն է, ոչ թե ըմբռնումը:

Սա նաև AI-ի դիվերսիոն նշանակությունն է բոլոր դասական մեխանիզմների մոդելների համար. համակարգիչները կարիք չունեն հասկանալու այս հարցը տրամաբանական մակարդակով,

այլ ավելի շուտ բացահայտել և ճանաչել ներքին տեղեկատվության միջև կապը, այնուհետև իմանալ այն:

Օրինակ, էլեկտրաէներգիայի հոսքի վիճակը և էլեկտրացանցերի կանխատեսումը հիմնված են դասական էներգիայի ցանցի մոդելավորման վրա, որտեղ մաթեմատիկական մոդելը

մեխանիզմը ստեղծվում է և այնուհետև զուգակցվում մատրիցային ալգորիթմի միջոցով:Ապագայում դա կարող է անհրաժեշտ չլինել։AI-ն ուղղակիորեն կբացահայտի և կկանխատեսի ա

որոշակի մոդալ օրինաչափություն՝ հիմնված յուրաքանչյուր հանգույցի կարգավիճակի վրա:

Որքան շատ են հանգույցները, այնքան ավելի քիչ տարածված է դասական մատրիցային ալգորիթմը, քանի որ ալգորիթմի բարդությունը մեծանում է թվի հետ:

հանգույցները և երկրաչափական առաջընթացը մեծանում է:Այնուամենայնիվ, AI-ն նախընտրում է ունենալ շատ մեծ մասշտաբի հանգույցներ, քանի որ AI-ն լավ է նույնականացնում և

ցանցի ամենահավանական ռեժիմների կանխատեսում:

Անկախ նրանից՝ դա Go-ի հաջորդ կանխատեսումն է (AlphaGO-ն կարող է գուշակել հաջորդ տասնյակ քայլերը՝ յուրաքանչյուր քայլի համար անթիվ հնարավորություններով), թե մոդալ կանխատեսում։

բարդ եղանակային համակարգերի դեպքում AI-ի ճշգրտությունը շատ ավելի բարձր է, քան մեխանիկական մոդելներինը:

Էլեկտրացանցը ներկայումս չի պահանջում AI-ի պատճառն այն է, որ 220 կՎ և բարձր էներգիայի ցանցերում կառավարվող հանգույցների քանակը մարզային

դիսպետչերինգը մեծ չէ, և շատ պայմաններ են դրված մատրիցը գծայինացնելու և նոսրացնելու համար՝ մեծապես նվազեցնելով հաշվողական բարդությունը:

մեխանիզմի մոդելը.

Այնուամենայնիվ, բաշխիչ ցանցի էլեկտրաէներգիայի հոսքի փուլում, դիմակայելով տասնյակ հազարավոր կամ հարյուր հազարավոր ուժային հանգույցների, բեռնվածության հանգույցների և ավանդական

մատրիցային ալգորիթմները մեծ բաշխիչ ցանցում անզոր են:

Կարծում եմ, որ ապագայում հնարավոր կդառնա AI-ի օրինաչափության ճանաչումը բաշխիչ ցանցի մակարդակով:

2. Չկառուցված տեղեկատվության կուտակում, ուսուցում և առաջացում

Երկրորդ պատճառը, թե ինչու AIGC-ն բեկում է կատարել, տեղեկատվության կուտակումն է։Խոսքի A/D փոխակերպումից (խոսափող + PCM

նմուշառում) պատկերների A/D փոխակերպմանը (CMOS + գունային տարածության քարտեզագրում), մարդիկ հավաքել են հոլոգրաֆիկ տվյալներ տեսողական և լսողական տեսողության մեջ

վերջին մի քանի տասնամյակների ընթացքում ոլորտները չափազանց ցածր գնով:

Մասնավորապես, տեսախցիկների և սմարթֆոնների լայնածավալ հանրահռչակումը, մարդկանց համար տեսալսողական դաշտում չկառուցված տվյալների կուտակումը.

գրեթե զրոյական գնով, և ինտերնետում տեքստային տեղեկատվության պայթուցիկ կուտակումը AIGC-ի վերապատրաստման բանալին է. վերապատրաստման տվյալների հավաքածուները էժան են:

Վերոնշյալ նկարը ցույց է տալիս համաշխարհային տվյալների աճի միտումը, որը հստակ ներկայացնում է էքսպոնենցիալ միտում:

Տվյալների կուտակման այս ոչ գծային աճը հանդիսանում է AIGC-ի հնարավորությունների ոչ գծային աճի հիմքը:

ԲԱՅՑ, այդ տվյալների մեծ մասը չկառուցված տեսալսողական տվյալներ են, որոնք կուտակվում են զրոյական արժեքով։

Էլեկտրաէներգիայի ոլորտում դա հնարավոր չէ հասնել։Նախ, էլեկտրաէներգիայի արդյունաբերության մեծ մասը կառուցվածքային և կիսակառույց տվյալներ են, ինչպիսիք են

լարման և հոսանքի, որոնք ժամանակային շարքերի և կիսակառույցների կետային տվյալների հավաքածուներ են:

Կառուցվածքային տվյալների հավաքածուները պետք է հասկանալի լինեն համակարգիչների կողմից և պահանջում են «հավասարեցում», ինչպես օրինակ սարքի հավասարեցումը՝ լարման, հոսանքի և հզորության տվյալները։

անջատիչը պետք է համապատասխանեցվի այս հանգույցին:

Ավելի անհանգստացնող է ժամանակի հավասարեցումը, որը պահանջում է լարման, հոսանքի և ակտիվ և ռեակտիվ հզորության հավասարեցում ժամանակի սանդղակի վրա, որպեսզի

կարող է կատարվել հետագա նույնականացում:Կան նաև առաջ և հետադարձ ուղղություններ, որոնք տարածական հավասարեցում են չորս քառորդներով։

Ի տարբերություն տեքստային տվյալների, որոնք չեն պահանջում հավասարեցում, պարբերությունը պարզապես նետվում է համակարգչին, որը բացահայտում է հնարավոր տեղեկատվական ասոցիացիաները:

Ինքնուրույն։

Այս խնդիրը հավասարեցնելու համար, ինչպիսին է բիզնեսի բաշխման տվյալների սարքավորումների հավասարեցումը, անընդհատ անհրաժեշտ է հավասարեցում, քանի որ միջին և

Ցածր լարման բաշխիչ ցանցն ամեն օր ավելացնում, ջնջում և փոփոխում է սարքավորումներն ու գծերը, իսկ ցանցային ընկերությունները ծախսում են հսկայական աշխատուժի ծախսեր:

Ինչպես «տվյալների անոտացիան», համակարգիչները չեն կարող դա անել:

Երկրորդ, էլեկտրաէներգիայի ոլորտում տվյալների ձեռքբերման արժեքը բարձր է, և խոսելու և լուսանկարելու համար բջջային հեռախոս ունենալու փոխարեն սենսորներ են պահանջվում:»

Ամեն անգամ, երբ լարումը նվազում է մեկ մակարդակով (կամ էլեկտրաէներգիայի բաշխման հարաբերությունը նվազում է մեկ մակարդակով), սենսորի պահանջվող ներդրումը մեծանում է

առնվազն մեկ մեծության կարգով:Բեռի կողմի (մազանոթային ծայրի) զգայության հասնելու համար դա նույնիսկ ավելի մեծ թվային ներդրում է»:

Եթե ​​անհրաժեշտ է բացահայտել էլեկտրացանցերի անցողիկ ռեժիմը, ապա պահանջվում է բարձր ճշգրտության բարձր հաճախականությամբ նմուշառում, իսկ արժեքը նույնիսկ ավելի բարձր է:

Տվյալների ձեռքբերման և տվյալների հավասարեցման չափազանց բարձր սահմանային արժեքի պատճառով էլեկտրացանցը ներկայումս ի վիճակի չէ կուտակել բավարար ոչ գծային

Տվյալների տեղեկատվության աճ՝ AI եզակիությանը հասնելու համար ալգորիթմ պատրաստելու համար:

Էլ չենք խոսում տվյալների բաց լինելու մասին, հնարավոր չէ, որ AI ստարտափը կարողանա ստանալ այդ տվյալները:

Հետևաբար, AI-ից առաջ անհրաժեշտ է լուծել տվյալների հավաքածուների խնդիրը, այլապես ընդհանուր AI կոդը չի կարող վերապատրաստվել լավ AI արտադրելու համար:

3. Բեկում հաշվողական հզորության մեջ

Բացի ալգորիթմներից և տվյալներից, AIGC-ի եզակիության առաջընթացը նաև բեկում է հաշվողական հզորության մեջ:Ավանդական պրոցեսորները չեն

հարմար է լայնածավալ միաժամանակյա նեյրոնային հաշվարկների համար:Հենց GPU-ների կիրառումն է 3D խաղերում և ֆիլմերում, որը լայնածավալ զուգահեռներ է դարձնում

հնարավոր է լողացող կետ+հոսքային հաշվարկ:Մուրի օրենքը հետագայում նվազեցնում է հաշվողական ծախսերը հաշվողական հզորության միավորի համար:

Power grid AI, անխուսափելի միտում ապագայում

Մեծ թվով բաշխված ֆոտոգալվանային և բաշխված էներգիայի պահպանման համակարգերի, ինչպես նաև կիրառական պահանջների ինտեգրումով.

բեռնվածքի կողմի վիրտուալ էլեկտրակայաններ, օբյեկտիվորեն անհրաժեշտ է իրականացնել աղբյուրի և բեռնվածության կանխատեսում հանրային բաշխիչ ցանցերի և օգտագործողների համար

բաշխման (միկրո) ցանցային համակարգեր, ինչպես նաև բաշխման (միկրո) ցանցային համակարգերի իրական ժամանակի էներգիայի հոսքի օպտիմալացում:

Բաշխիչ ցանցի կողմի հաշվողական բարդությունը իրականում ավելի բարձր է, քան հաղորդման ցանցի պլանավորմանը:Նույնիսկ գովազդի համար

բարդ, կարող են լինել տասնյակ հազարավոր բեռնման սարքեր և հարյուրավոր անջատիչներ, և AI-ի վրա հիմնված միկրո ցանցի/բաշխիչ ցանցի շահագործման պահանջարկը

վերահսկողություն կառաջանա.

Սենսորների ցածր գնով և հզոր էլեկտրոնային սարքերի լայն կիրառմամբ, ինչպիսիք են պինդ վիճակի տրանսֆորմատորները, պինդ վիճակի անջատիչները և ինվերտորները (փոխարկիչները),

Էլեկտրական ցանցի եզրին զգայարանների, հաշվարկների և հսկողության ինտեգրումը նույնպես դարձել է նորարար միտում:

Հետևաբար, էլեկտրացանցերի AIGC-ն ապագան է:Այնուամենայնիվ, այսօր անհրաժեշտ է ոչ թե անմիջապես հանել AI ալգորիթմը փող աշխատելու համար,

Փոխարենը, նախ լուծեք AI-ի կողմից պահանջվող տվյալների ենթակառուցվածքի կառուցման խնդիրները

AIGC-ի վերելքի ժամանակ պետք է լինի բավականաչափ հանգիստ մտածողություն հզոր AI-ի կիրառման մակարդակի և ապագայի վերաբերյալ:

Ներկայում ուժային AI-ի նշանակությունը նշանակալի չէ. օրինակ, 90% կանխատեսման ճշգրտությամբ ֆոտոգալվանային ալգորիթմը տեղադրված է սփոթ շուկայում:

5% առևտրի շեղման շեմով, և ալգորիթմի շեղումը կվերացնի առևտրի բոլոր շահույթը:

Տվյալները ջուր են, իսկ ալգորիթմի հաշվողական հզորությունը՝ ալիք։Ինչպես պատահի, այնպես էլ կլինի: