Kembali ke esensi, terobosan AIGC dalam singularitas merupakan kombinasi dari tiga faktor:

1. GPT adalah replika neuron manusia

GPT AI yang diwakili oleh NLP adalah algoritma jaringan saraf komputer, yang intinya adalah mensimulasikan jaringan saraf di korteks serebral manusia.

Pemrosesan dan imajinasi cerdas atas bahasa, musik, gambar, dan bahkan informasi rasa adalah fungsi yang dikumpulkan oleh manusia

otak sebagai "komputer protein" selama evolusi jangka panjang.

Oleh karena itu, GPT secara alami merupakan tiruan yang paling cocok untuk memproses informasi serupa, yaitu bahasa, musik, dan gambar yang tidak terstruktur.

Mekanisme pengolahannya bukanlah pemahaman makna, melainkan proses pemurnian, identifikasi, dan pengasosiasian.Ini sangat

hal yang paradoks.

Algoritme pengenalan semantik ucapan awal pada dasarnya membentuk model tata bahasa dan database ucapan, kemudian memetakan ucapan tersebut ke kosa kata,

kemudian menempatkan kosakata tersebut ke dalam database tata bahasa untuk memahami arti dari kosakata tersebut, dan akhirnya diperoleh hasil pengenalan.

Efisiensi pengenalan dari pengenalan sintaksis berbasis “mekanisme logis” ini telah berkisar sekitar 70%, seperti pengenalan ViaVoice

algoritma yang diperkenalkan oleh IBM pada tahun 1990an.

AIGC bukan tentang bermain seperti ini.Esensinya bukanlah memedulikan tata bahasa, melainkan membangun algoritma jaringan saraf yang memungkinkan

komputer untuk menghitung hubungan probabilistik antara kata-kata yang berbeda, yang merupakan hubungan saraf, bukan hubungan semantik.

Sama seperti mempelajari bahasa ibu ketika kita masih muda, kita secara alami mempelajarinya, daripada mempelajari “subjek, predikat, objek, kata kerja, pelengkap,”

dan kemudian memahami sebuah paragraf.

Inilah model berpikir AI, yaitu pengenalan, bukan pemahaman.

Ini juga merupakan signifikansi subversif AI untuk semua model mekanisme klasik – komputer tidak perlu memahami masalah ini pada tingkat logis,

melainkan mengidentifikasi dan mengenali korelasi antara informasi internal, dan kemudian mengetahuinya.

Misalnya, keadaan aliran daya dan prediksi jaringan listrik didasarkan pada simulasi jaringan listrik klasik, dimana model matematikanya

mekanisme ditetapkan dan kemudian dikonvergensi menggunakan algoritma matriks.Di masa depan, hal ini mungkin tidak diperlukan.AI akan secara langsung mengidentifikasi dan memprediksi a

pola modal tertentu berdasarkan status setiap node.

Semakin banyak node yang ada, semakin kurang populer algoritma matriks klasik, karena kompleksitas algoritma meningkat seiring dengan bertambahnya jumlah node

node dan deret geometrinya meningkat.Namun, AI lebih memilih untuk memiliki konkurensi node berskala sangat besar, karena AI pandai mengidentifikasi dan

memprediksi mode jaringan yang paling mungkin.

Baik itu prediksi Go berikutnya (AlphaGO dapat memprediksi lusinan langkah selanjutnya, dengan kemungkinan yang tak terhitung jumlahnya untuk setiap langkah) atau prediksi modal

Dalam sistem cuaca yang kompleks, akurasi AI jauh lebih tinggi dibandingkan model mekanis.

Alasan mengapa jaringan listrik saat ini tidak memerlukan AI adalah karena jumlah node pada jaringan listrik 220 kV ke atas yang dikelola oleh provinsi

pengirimannya tidak besar, dan banyak kondisi yang diatur untuk melinearisasi dan merenggangkan matriks, sehingga sangat mengurangi kompleksitas komputasi dari

model mekanisme.

Namun pada tahap aliran listrik jaringan distribusi, menghadapi puluhan ribu atau ratusan ribu node daya, node beban, dan tradisional

algoritma matriks dalam jaringan distribusi besar tidak berdaya.

Saya yakin pengenalan pola AI pada tingkat jaringan distribusi akan menjadi mungkin di masa depan.

2. Akumulasi, pelatihan, dan pembuatan informasi tidak terstruktur

Alasan kedua mengapa AIGC melakukan terobosan adalah akumulasi informasi.Dari konversi ucapan A/D (mikrofon+PCM

pengambilan sampel) hingga konversi gambar A/D (pemetaan ruang warna CMOS+), manusia telah mengumpulkan data holografik dalam visual dan pendengaran

bidang dengan cara yang sangat berbiaya rendah selama beberapa dekade terakhir.

Khususnya, mempopulerkan kamera dan ponsel pintar dalam skala besar, akumulasi data tidak terstruktur di bidang audiovisual untuk manusia

dengan biaya yang hampir nol, dan akumulasi informasi teks yang sangat besar di Internet adalah kunci pelatihan AIGC – kumpulan data pelatihan tidak mahal.

Gambar di atas menunjukkan tren pertumbuhan data global yang secara jelas menyajikan tren eksponensial.

Pertumbuhan akumulasi data yang non-linier ini merupakan landasan bagi pertumbuhan kemampuan AIGC yang tidak linier.

TAPI, sebagian besar data ini adalah data audio visual tidak terstruktur, yang diakumulasikan tanpa biaya.

Di bidang ketenagalistrikan, hal tersebut tidak dapat dicapai.Pertama, sebagian besar industri tenaga listrik merupakan data terstruktur dan semi terstruktur, seperti

tegangan dan arus, yang merupakan kumpulan data titik deret waktu dan semi terstruktur.

Kumpulan data struktural perlu dipahami oleh komputer dan memerlukan “penyelarasan”, seperti penyelarasan perangkat – data tegangan, arus, dan daya

dari sebuah saklar harus disejajarkan dengan node ini.

Yang lebih merepotkan adalah penyelarasan waktu, yang memerlukan penyelarasan tegangan, arus, serta daya aktif dan reaktif berdasarkan skala waktu, sehingga

identifikasi selanjutnya dapat dilakukan.Ada pula arah maju dan mundur, yaitu keselarasan spasial dalam empat kuadran.

Tidak seperti data teks, yang tidak memerlukan penyelarasan, sebuah paragraf hanya dilemparkan ke komputer, yang mengidentifikasi kemungkinan asosiasi informasi

dengan dirinya sendiri.

Untuk menyelaraskan permasalahan ini, seperti penyelarasan peralatan data distribusi bisnis, selalu diperlukan penyelarasan, karena media dan

jaringan distribusi tegangan rendah menambah, menghapus, dan memodifikasi peralatan dan saluran setiap hari, dan perusahaan jaringan listrik menghabiskan biaya tenaga kerja yang besar.

Seperti “anotasi data”, komputer tidak dapat melakukan hal ini.

Kedua, biaya perolehan data di sektor ketenagalistrikan tinggi, dan diperlukan sensor dibandingkan ponsel untuk berbicara dan mengambil foto.”

Setiap kali tegangan turun satu tingkat (atau hubungan distribusi daya berkurang satu tingkat), investasi sensor yang dibutuhkan meningkat

setidaknya satu urutan besarnya.Untuk mencapai penginderaan sisi beban (ujung kapiler), ini merupakan investasi digital yang lebih besar.”.

Jika perlu untuk mengidentifikasi mode transien jaringan listrik, diperlukan pengambilan sampel frekuensi tinggi dengan presisi tinggi, dan biayanya bahkan lebih tinggi.

Karena biaya marjinal yang sangat tinggi untuk akuisisi data dan penyelarasan data, jaringan listrik saat ini tidak mampu mengumpulkan data non-linier dalam jumlah yang cukup

pertumbuhan informasi data untuk melatih algoritma untuk mencapai singularitas AI.

Belum lagi keterbukaan data, mustahil bagi startup bertenaga AI untuk mendapatkan data tersebut.

Oleh karena itu, sebelum AI, masalah kumpulan data perlu diselesaikan, jika tidak, kode AI umum tidak dapat dilatih untuk menghasilkan AI yang baik.

3. Terobosan dalam kekuatan komputasi

Selain algoritma dan data, terobosan singularitas AIGC juga merupakan terobosan dalam kekuatan komputasi.CPU tradisional tidak

cocok untuk komputasi saraf konkuren skala besar.Justru penerapan GPU pada game dan film 3D-lah yang membuat paralel berskala besar

komputasi floating-point+streaming dimungkinkan.Hukum Moore semakin mengurangi biaya komputasi per unit daya komputasi.

AI jaringan listrik, tren yang tak terhindarkan di masa depan

Dengan integrasi sejumlah besar sistem penyimpanan energi fotovoltaik dan terdistribusi, serta persyaratan aplikasi

pembangkit listrik virtual sisi beban, secara obyektif perlu dilakukan peramalan sumber dan beban untuk sistem jaringan distribusi publik dan pengguna

sistem jaringan distribusi (mikro), serta optimalisasi aliran daya secara real-time untuk sistem jaringan distribusi (mikro).

Kompleksitas komputasi pada sisi jaringan distribusi sebenarnya lebih tinggi dibandingkan pada penjadwalan jaringan transmisi.Bahkan untuk iklan

kompleks, mungkin terdapat puluhan ribu perangkat beban dan ratusan sakelar, serta permintaan akan pengoperasian jaringan mikro/jaringan distribusi berbasis AI

kendali akan muncul.

Dengan biaya sensor yang rendah dan meluasnya penggunaan perangkat elektronika daya seperti trafo solid-state, sakelar solid-state, dan inverter (konverter),

integrasi penginderaan, komputasi, dan kontrol di tepi jaringan listrik juga telah menjadi tren inovatif.

Oleh karena itu, AIGC dalam jaringan listrik adalah masa depan.Namun, yang diperlukan saat ini bukanlah segera mengeluarkan algoritma AI untuk menghasilkan uang,

Sebaliknya, pertama-tama selesaikan masalah pembangunan infrastruktur data yang dibutuhkan oleh AI

Dengan berkembangnya AIGC, diperlukan pemikiran yang cukup tenang mengenai tingkat penerapan dan masa depan kekuatan AI.

Saat ini, pentingnya kekuatan AI tidak signifikan: misalnya, algoritma fotovoltaik dengan akurasi prediksi 90% ditempatkan di pasar spot.

dengan ambang deviasi perdagangan sebesar 5%, dan deviasi algoritma akan menghapus semua keuntungan perdagangan.

Datanya adalah air, dan kekuatan komputasi algoritmanya adalah saluran.Ketika itu terjadi, itu akan terjadi.