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 esensinya adalah mensimulasikan jaringan saraf di korteks serebral manusia.

Pemrosesan dan imajinasi cerdas dari bahasa, musik, gambar, dan bahkan informasi rasa adalah semua 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, pengidentifikasian, dan pengaitan.Ini sangat

hal yang paradoks.

Algoritme pengenalan semantik ucapan awal pada dasarnya membentuk model tata bahasa dan basis data 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 sintaks berbasis "mekanisme logis" ini telah berkisar sekitar 70%, seperti pengenalan ViaVoice

algoritma yang diperkenalkan oleh IBM pada 1990-an.

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

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

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

dan kemudian memahami sebuah paragraf.

Ini adalah model berpikir AI, yaitu pengenalan, bukan pemahaman.

Ini juga 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 daya klasik, di mana model matematika dari

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

pola modal tertentu berdasarkan status setiap node.

Semakin banyak node, semakin kurang populer algoritma matriks klasik, karena kompleksitas algoritma meningkat dengan jumlah

node dan perkembangan geometris meningkat.Namun, AI lebih suka 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 berikutnya, dengan kemungkinan tak terhitung untuk setiap langkah) atau prediksi modal

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

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

pengiriman tidak besar, dan banyak kondisi diatur untuk linierisasi dan jarang matriks, sangat mengurangi kompleksitas komputasi dari

model mekanisme.

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

algoritma matriks dalam jaringan distribusi besar tidak berdaya.

Saya percaya bahwa pengenalan pola AI di tingkat jaringan distribusi akan menjadi mungkin di masa mendatang.

2. Akumulasi, pelatihan, dan pembuatan informasi yang tidak terstruktur

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

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

bidang dengan cara yang sangat murah selama beberapa dekade terakhir.

Secara khusus, mempopulerkan kamera dan telepon pintar dalam skala besar, akumulasi data tidak terstruktur di bidang audiovisual untuk manusia

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

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

Pertumbuhan akumulasi data non-linear ini adalah dasar untuk pertumbuhan non-linear kemampuan AIGC.

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

Di bidang tenaga listrik, hal ini tidak dapat dicapai.Pertama, sebagian besar industri tenaga listrik adalah 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 - tegangan, arus, dan data daya

dari switch perlu disejajarkan dengan node ini.

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

identifikasi selanjutnya dapat dilakukan.Ada juga arah maju dan mundur, yang merupakan keselarasan spasial dalam empat kuadran.

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

dengan dirinya sendiri.

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

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

Seperti "anotasi data", komputer tidak dapat melakukan ini.

Kedua, biaya perolehan data di sektor listrik tinggi, dan sensor diperlukan alih-alih ponsel untuk berbicara dan mengambil foto.”

Setiap kali voltase berkurang satu tingkat (atau hubungan distribusi daya berkurang satu tingkat), investasi sensor yang diperlukan meningkat

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

Jika perlu untuk mengidentifikasi mode transien dari 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 dapat mengumpulkan non-linear yang cukup

pertumbuhan informasi data untuk melatih suatu algoritma untuk mencapai singularitas AI.

Belum lagi keterbukaan data, tidak mungkin startup power AI 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 daya komputasi

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

cocok untuk komputasi saraf serentak berskala besar.Justru penerapan GPU dalam game 3D dan film yang membuat paralel berskala besar

kemungkinan komputasi floating-point+streaming.Hukum Moore selanjutnya mengurangi biaya komputasi per unit daya komputasi.

Power grid AI, tren yang tak terelakkan di masa depan

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

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

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

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

kompleks, mungkin ada puluhan ribu perangkat beban dan ratusan sakelar, dan permintaan untuk operasi jaringan mikro/jaringan distribusi berbasis AI

kontrol akan muncul.

Dengan rendahnya biaya sensor dan meluasnya penggunaan perangkat elektronika daya seperti transformator solid-state, sakelar solid-state, dan inverter (konverter),

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

Oleh karena itu, AIGC dari jaringan listrik adalah masa depan.Namun, yang dibutuhkan saat ini bukanlah segera mengeluarkan algoritme AI untuk menghasilkan uang,

Alih-alih, pertama-tama atasi masalah konstruksi infrastruktur data yang diperlukan oleh AI

Dalam kebangkitan AIGC, perlu ada pemikiran yang cukup tenang tentang tingkat aplikasi dan masa depan kekuatan AI.

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

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

Datanya adalah air, dan daya komputasi dari algoritme adalah saluran.Seperti yang terjadi, itu akan terjadi.