साराकडे परत जाताना, AIGC ची एकलतेतील प्रगती हे तीन घटकांचे संयोजन आहे:

1. GPT ही मानवी न्यूरॉन्सची प्रतिकृती आहे

NLP द्वारे प्रस्तुत GPT AI एक संगणक न्यूरल नेटवर्क अल्गोरिदम आहे, ज्याचे सार मानवी सेरेब्रल कॉर्टेक्समधील न्यूरल नेटवर्कचे अनुकरण करणे आहे.

भाषा, संगीत, प्रतिमा आणि अगदी चव माहितीची प्रक्रिया आणि हुशार कल्पनाशक्ती ही सर्व कार्ये मानवाने जमा केली आहेत.

दीर्घकालीन उत्क्रांती दरम्यान मेंदू "प्रोटीन संगणक" म्हणून.

म्हणून, जीपीटी हे नैसर्गिकरित्या तत्सम माहितीवर प्रक्रिया करण्यासाठी सर्वात योग्य अनुकरण आहे, म्हणजे, असंरचित भाषा, संगीत आणि प्रतिमा.

त्याच्या प्रक्रियेची यंत्रणा म्हणजे अर्थ समजणे नव्हे तर परिष्कृत करणे, ओळखणे आणि संबद्ध करणे ही प्रक्रिया आहे.हे खूप आहे

विरोधाभासी गोष्ट.

प्रारंभिक स्पीच सिमेंटिक रेकग्निशन अल्गोरिदमने मूलत: व्याकरण मॉडेल आणि एक भाषण डेटाबेस स्थापित केला, नंतर भाषणाला शब्दसंग्रहात मॅप केले,

नंतर शब्दसंग्रहाचा अर्थ समजून घेण्यासाठी व्याकरण डेटाबेसमध्ये शब्दसंग्रह ठेवले आणि शेवटी ओळख परिणाम प्राप्त झाले.

या "लॉजिकल मेकॅनिझम" आधारित सिंटॅक्स रेकग्निशनची ओळख कार्यक्षमता सुमारे 70% फिरत आहे, जसे की ViaVoice ओळख

1990 च्या दशकात IBM ने अल्गोरिदम सादर केला.

AIGC हे असे खेळण्याबद्दल नाही.त्याचे सार व्याकरणाची काळजी घेणे नाही, तर एक न्यूरल नेटवर्क अल्गोरिदम स्थापित करणे आहे जे परवानगी देते

वेगवेगळ्या शब्दांमधील संभाव्य कनेक्शन मोजण्यासाठी संगणक, जे न्यूरल कनेक्शन आहेत, सिमेंटिक कनेक्शन नाहीत.

आपण लहान असताना आपली मातृभाषा शिकण्यासारखीच, "विषय, प्रेडिकेट, ऑब्जेक्ट, क्रियापद, पूरक" शिकण्याऐवजी आपण ती नैसर्गिकरित्या शिकलो.

आणि नंतर परिच्छेद समजून घेणे.

हे AI चे विचार मॉडेल आहे, जे ओळख आहे, समजूतदार नाही.

हे सर्व शास्त्रीय यंत्रणा मॉडेल्ससाठी AI चे विध्वंसक महत्त्व देखील आहे - संगणकांना ही बाब तार्किक पातळीवर समजून घेण्याची आवश्यकता नाही,

परंतु त्याऐवजी अंतर्गत माहितीमधील परस्परसंबंध ओळखा आणि ओळखा आणि नंतर ते जाणून घ्या.

उदाहरणार्थ, पॉवर फ्लो स्टेट आणि पॉवर ग्रिडचा अंदाज शास्त्रीय पॉवर नेटवर्क सिम्युलेशनवर आधारित आहे, जेथे एक गणितीय मॉडेल

मॅट्रिक्स अल्गोरिदम वापरून यंत्रणा स्थापित केली जाते आणि नंतर एकत्र केली जाते.भविष्यात, त्याची गरज भासणार नाही.AI थेट ओळखेल आणि अंदाज लावेल

प्रत्येक नोडच्या स्थितीवर आधारित विशिष्ट मॉडेल नमुना.

जितके जास्त नोड्स असतील तितके शास्त्रीय मॅट्रिक्स अल्गोरिदम कमी लोकप्रिय होईल, कारण अल्गोरिदमची जटिलता त्यांच्या संख्येसह वाढते.

नोड्स आणि भौमितिक प्रगती वाढते.तथापि, AI खूप मोठ्या प्रमाणात नोड संयोग असणे पसंत करते, कारण AI ओळखण्यात चांगले आहे आणि

बहुधा नेटवर्क मोड्सचा अंदाज लावणे.

Go ची पुढील भविष्यवाणी असो (AlphaGO प्रत्येक चरणासाठी असंख्य शक्यतांसह पुढील डझनभर पायऱ्यांचा अंदाज लावू शकते) किंवा मॉडेल अंदाज

जटिल हवामान प्रणालींमध्ये, AI ची अचूकता यांत्रिक मॉडेल्सपेक्षा खूप जास्त आहे.

पॉवर ग्रिडला सध्या AI ची आवश्यकता नसण्याचे कारण म्हणजे 220 kV आणि त्यावरील पॉवर नेटवर्कमधील नोड्सची संख्या प्रांतीय द्वारे व्यवस्थापित

डिस्पॅचिंग मोठे नाही, आणि मॅट्रिक्सला रेखीय आणि विरळ करण्यासाठी बऱ्याच अटी सेट केल्या आहेत, ज्यामुळे मेट्रिक्सची संगणकीय जटिलता मोठ्या प्रमाणात कमी होते.

यंत्रणा मॉडेल.

तथापि, वितरण नेटवर्क पॉवर फ्लो स्टेजवर, हजारो किंवा शेकडो हजारो पॉवर नोड्स, लोड नोड्स आणि पारंपारिक

मोठ्या वितरण नेटवर्कमधील मॅट्रिक्स अल्गोरिदम शक्तीहीन आहे.

मला विश्वास आहे की वितरण नेटवर्क स्तरावर AI ची नमुना ओळख भविष्यात शक्य होईल.

2. असंरचित माहितीचे संचय, प्रशिक्षण आणि निर्मिती

एआयजीसीने यश मिळवण्याचे दुसरे कारण म्हणजे माहिती जमा करणे.भाषणाच्या A/D रूपांतरणातून (मायक्रोफोन+पीसीएम

नमुना) प्रतिमांचे A/D रूपांतरण (CMOS+ कलर स्पेस मॅपिंग), मानवाने व्हिज्युअल आणि श्रवणविषयक होलोग्राफिक डेटा जमा केला आहे.

गेल्या काही दशकांमध्ये अत्यंत कमी किमतीच्या मार्गांनी फील्ड.

विशेषतः, कॅमेरे आणि स्मार्टफोनचे मोठ्या प्रमाणावर लोकप्रियीकरण, मानवांसाठी दृकश्राव्य क्षेत्रात असंरचित डेटा जमा करणे.

जवळजवळ शून्य खर्चावर, आणि इंटरनेटवरील मजकूर माहितीचा स्फोटक संचय ही AIGC प्रशिक्षणाची गुरुकिल्ली आहे - प्रशिक्षण डेटा संच स्वस्त आहेत.

वरील आकृती जागतिक डेटाच्या वाढीचा कल दर्शविते, जी स्पष्टपणे घातांकीय कल सादर करते.

डेटा संचयनाची ही नॉन-रेखीय वाढ हा AIGC च्या क्षमतांच्या नॉन-रेखीय वाढीचा पाया आहे.

परंतु, यातील बहुतांश डेटा हा असंरचित ऑडिओ-व्हिज्युअल डेटा आहे, जो शून्य खर्चावर जमा केला जातो.

विद्युत उर्जेच्या क्षेत्रात, हे साध्य करणे शक्य नाही.प्रथम, बहुतेक विद्युत उर्जा उद्योग संरचित आणि अर्ध संरचित डेटा आहे, जसे की

व्होल्टेज आणि करंट, जे टाइम सीरीज आणि सेमी स्ट्रक्चर्डचे पॉइंट डेटा संच आहेत.

स्ट्रक्चरल डेटा सेट संगणकांद्वारे समजून घेणे आवश्यक आहे आणि "संरेखन" आवश्यक आहे, जसे की डिव्हाइस संरेखन - व्होल्टेज, करंट आणि पॉवर डेटा

स्विचचे या नोडशी संरेखित करणे आवश्यक आहे.

अधिक त्रासदायक म्हणजे वेळ संरेखन, ज्यासाठी वेळ स्केलवर आधारित व्होल्टेज, वर्तमान आणि सक्रिय आणि प्रतिक्रियाशील शक्ती संरेखित करणे आवश्यक आहे, जेणेकरून

त्यानंतरची ओळख केली जाऊ शकते.पुढे आणि उलट दिशानिर्देश देखील आहेत, जे चार चतुर्भुजांमध्ये अवकाशीय संरेखन आहेत.

मजकूर डेटाच्या विपरीत, ज्यास संरेखन आवश्यक नसते, एक परिच्छेद संगणकावर टाकला जातो, जो संभाव्य माहिती संबद्धता ओळखतो

स्वतःहून.

या समस्येचे संरेखन करण्यासाठी, जसे की व्यवसाय वितरण डेटाचे उपकरण संरेखन, संरेखन सतत आवश्यक आहे, कारण मध्यम आणि

कमी व्होल्टेज वितरण नेटवर्क दररोज उपकरणे आणि रेषा जोडणे, हटवणे आणि सुधारित करत आहे आणि ग्रिड कंपन्या प्रचंड श्रम खर्च करतात.

"डेटा भाष्य" प्रमाणे, संगणक हे करू शकत नाहीत.

दुसरे म्हणजे, पॉवर सेक्टरमध्ये डेटा संपादनाचा खर्च जास्त आहे आणि बोलण्यासाठी आणि फोटो काढण्यासाठी मोबाईल फोनऐवजी सेन्सर्सची आवश्यकता आहे."

प्रत्येक वेळी व्होल्टेज एका पातळीने कमी होते (किंवा वीज वितरण संबंध एका स्तराने कमी होते), आवश्यक सेन्सर गुंतवणूक वाढते

परिमाणाच्या किमान एका क्रमाने.लोड साइड (केपिलरी एंड) सेन्सिंग साध्य करण्यासाठी, ही आणखी मोठी डिजिटल गुंतवणूक आहे.”

पॉवर ग्रिडचा क्षणिक मोड ओळखणे आवश्यक असल्यास, उच्च-परिशुद्धता उच्च-फ्रिक्वेंसी सॅम्पलिंग आवश्यक आहे आणि त्याची किंमत आणखी जास्त आहे.

डेटा संपादन आणि डेटा संरेखनाच्या अत्यंत उच्च किरकोळ खर्चामुळे, पॉवर ग्रिड सध्या पुरेसा नॉन-लाइनर जमा करण्यात अक्षम आहे.

एआय सिंग्युलरिटीपर्यंत पोहोचण्यासाठी अल्गोरिदम प्रशिक्षित करण्यासाठी डेटा माहितीची वाढ.

डेटाच्या मोकळेपणाचा उल्लेख करू नका, पॉवर एआय स्टार्टअपसाठी हा डेटा प्राप्त करणे अशक्य आहे.

म्हणून, AI आधी, डेटा सेटची समस्या सोडवणे आवश्यक आहे, अन्यथा सामान्य AI कोड चांगले AI तयार करण्यासाठी प्रशिक्षित केले जाऊ शकत नाही.

3. संगणकीय शक्तीमध्ये प्रगती

अल्गोरिदम आणि डेटा व्यतिरिक्त, AIGC चे सिंग्युलॅरिटी ब्रेकथ्रू देखील संगणकीय शक्तीमध्ये एक प्रगती आहे.पारंपारिक CPU नाहीत

मोठ्या प्रमाणात समवर्ती न्यूरोनल संगणनासाठी योग्य.हे 3D गेम आणि चित्रपटांमध्ये GPUs चा तंतोतंत ऍप्लिकेशन आहे जे मोठ्या प्रमाणात समांतर बनवते

फ्लोटिंग पॉइंट+स्ट्रीमिंग कॉम्प्युटिंग शक्य आहे.मूरचा कायदा संगणकीय शक्तीच्या प्रति युनिट संगणकीय खर्चात आणखी घट करतो.

पॉवर ग्रिड एआय, भविष्यातील एक अपरिहार्य कल

मोठ्या संख्येने वितरित फोटोव्होल्टेइक आणि वितरित ऊर्जा संचयन प्रणालीच्या एकत्रीकरणासह, तसेच अनुप्रयोग आवश्यकता

लोड साइड व्हर्च्युअल पॉवर प्लांट्स, सार्वजनिक वितरण नेटवर्क सिस्टम आणि वापरकर्त्यासाठी स्त्रोत आणि लोड अंदाज आयोजित करणे वस्तुनिष्ठपणे आवश्यक आहे

वितरण (मायक्रो) ग्रिड सिस्टीम, तसेच वितरण (मायक्रो) ग्रिड सिस्टमसाठी रिअल-टाइम पॉवर फ्लो ऑप्टिमायझेशन.

वितरण नेटवर्क बाजूची संगणकीय जटिलता ट्रान्समिशन नेटवर्क शेड्यूलिंगपेक्षा प्रत्यक्षात जास्त आहे.अगदी व्यावसायिकासाठीही

जटिल, हजारो लोड उपकरणे आणि शेकडो स्विचेस असू शकतात आणि एआय आधारित मायक्रो ग्रिड/वितरण नेटवर्क ऑपरेशनची मागणी

नियंत्रण निर्माण होईल.

सेन्सर्सची कमी किंमत आणि सॉलिड-स्टेट ट्रान्सफॉर्मर, सॉलिड-स्टेट स्विचेस आणि इनव्हर्टर (कन्व्हर्टर्स) सारख्या पॉवर इलेक्ट्रॉनिक उपकरणांच्या व्यापक वापरासह,

पॉवर ग्रिडच्या काठावर सेन्सिंग, संगणन आणि नियंत्रणाचे एकत्रीकरण देखील एक नाविन्यपूर्ण ट्रेंड बनले आहे.

त्यामुळे पॉवर ग्रीडचे एआयजीसी हे भविष्य आहे.तथापि, आज गरज आहे ती पैसे कमविण्यासाठी एआय अल्गोरिदम त्वरित काढण्याची नाही,

त्याऐवजी, प्रथम AI द्वारे आवश्यक डेटा पायाभूत सुविधा बांधकाम समस्यांचे निराकरण करा

AIGC च्या वाढीमध्ये, AI च्या ऍप्लिकेशन पातळी आणि भविष्याबद्दल पुरेसा शांत विचार करणे आवश्यक आहे.

सध्या, पॉवर AI चे महत्त्व लक्षणीय नाही: उदाहरणार्थ, 90% च्या अंदाज अचूकतेसह फोटोव्होल्टेइक अल्गोरिदम स्पॉट मार्केटमध्ये ठेवलेला आहे.

5% च्या ट्रेडिंग विचलन थ्रेशोल्डसह, आणि अल्गोरिदम विचलन सर्व ट्रेडिंग नफा पुसून टाकेल.

डेटा पाणी आहे, आणि अल्गोरिदमची संगणकीय शक्ती एक चॅनेल आहे.जसे घडते, तसे होईल.