För att återgå till essensen, AIGC:s genombrott i singularitet är en kombination av tre faktorer:

1. GPT är en kopia av mänskliga neuroner

GPT AI representerad av NLP är en datorneural nätverksalgoritm, vars essens är att simulera neurala nätverk i den mänskliga hjärnbarken.

Bearbetningen och den intelligenta fantasin av språk, musik, bilder och till och med smakinformation är alla funktioner som ackumuleras av människan

hjärnan som en "proteindator" under långvarig evolution.

Därför är GPT naturligtvis den mest lämpliga imitationen för att bearbeta liknande information, det vill säga ostrukturerat språk, musik och bilder.

Mekanismen för dess bearbetning är inte förståelsen av mening, utan snarare en process för att förfina, identifiera och associera.Detta är en mycket

paradoxal sak.

Tidiga talsemantiska igenkänningsalgoritmer etablerade i huvudsak en grammatikmodell och en taldatabas, och mappade sedan talet till ordförrådet,

placerade sedan vokabulären i grammatikdatabasen för att förstå innebörden av vokabulären och fick slutligen igenkänningsresultat.

Igenkänningseffektiviteten för denna "logiska mekanism"-baserade syntaxigenkänning har svävat runt 70 %, såsom ViaVoice-igenkänningen

algoritm som introducerades av IBM på 1990-talet.

AIGC handlar inte om att spela så här.Dess kärna är inte att bry sig om grammatik, utan snarare att etablera en neural nätverksalgoritm som tillåter

dator för att räkna de probabilistiska sambanden mellan olika ord, som är neurala samband, inte semantiska samband.

Ungefär som att lära oss vårt modersmål när vi var unga, lärde vi oss det naturligtvis, snarare än att lära oss "ämne, predikat, objekt, verb, komplement."

och sedan förstå ett stycke.

Detta är den tänkande modellen för AI, som är igenkänning, inte förståelse.

Detta är också den subversiva betydelsen av AI för alla klassiska mekanismmodeller – datorer behöver inte förstå detta på den logiska nivån,

utan snarare identifiera och känna igen sambandet mellan intern information och sedan veta det.

Till exempel är kraftflödestillståndet och förutsägelsen av kraftnät baserade på klassisk kraftnätsimulering, där en matematisk modell av

mekanismen etableras och konvergeras sedan med hjälp av en matrisalgoritm.I framtiden kanske det inte är nödvändigt.AI kommer direkt att identifiera och förutsäga en

visst modalt mönster baserat på statusen för varje nod.

Ju fler noder det finns, desto mindre populär är den klassiska matrisalgoritmen, eftersom komplexiteten hos algoritmen ökar med antalet

noder och den geometriska progressionen ökar.AI föredrar dock att ha mycket storskalig nodsamverkan, eftersom AI är bra på att identifiera och

förutsäga de mest troliga nätverkslägena.

Oavsett om det är nästa förutsägelse av Go (AlphaGO kan förutsäga nästa dussintals steg, med otaliga möjligheter för varje steg) eller den modala förutsägelsen

av komplexa vädersystem är AI:s noggrannhet mycket högre än för mekaniska modeller.

Anledningen till att elnätet för närvarande inte kräver AI är att antalet noder i 220 kV och högre kraftnät som hanteras av provinserna

utsändningen är inte stor, och många villkor är inställda för att linjärisera och glesa matrisen, vilket avsevärt minskar beräkningskomplexiteten för

mekanism modell.

Men i distributionsnätets kraftflödesstadium, möter tiotusentals eller hundratusentals kraftnoder, belastningsnoder och traditionella

matrisalgoritmer i ett stort distributionsnätverk är maktlösa.

Jag tror att mönsterigenkänning av AI på distributionsnätsnivå kommer att bli möjligt i framtiden.

2. Ackumulering, utbildning och generering av ostrukturerad information

Den andra anledningen till att AIGC har gjort ett genombrott är ackumuleringen av information.Från A/D-konvertering av tal (mikrofon+PCM

sampling) till A/D-konvertering av bilder (CMOS+färgrymdskartläggning), har människor samlat holografiska data i visuella och auditiva

under de senaste decennierna.

I synnerhet den storskaliga populariseringen av kameror och smartphones, ackumuleringen av ostrukturerade data inom det audiovisuella området för människor

till nästan noll kostnad, och den explosiva ansamlingen av textinformation på Internet är nyckeln till AIGC-utbildning – träningsdatauppsättningar är billiga.

Figuren ovan visar tillväxttrenden för global data, som tydligt visar en exponentiell trend.

Denna icke-linjära tillväxt av dataackumulering är grunden för den icke-linjära tillväxten av AIGC:s kapacitet.

MEN, de flesta av dessa data är ostrukturerade audiovisuella data, som ackumuleras till noll kostnad.

Inom området för elektrisk kraft kan detta inte uppnås.För det första är det mesta av elkraftsindustrin strukturerad och semistrukturerad data, som t.ex

spänning och ström, som är punktdatauppsättningar av tidsserier och semistrukturerade.

Strukturella datauppsättningar måste förstås av datorer och kräver "justering", såsom enhetsjustering - spänning, ström och effektdata

en switch måste justeras till denna nod.

Mer besvärligt är tidsinställning, som kräver justering av spänning, ström och aktiv och reaktiv effekt baserat på tidsskalan, så att

efterföljande identifiering kan utföras.Det finns också riktningar framåt och bakåt, som är rumslig inriktning i fyra kvadranter.

Till skillnad från textdata, som inte kräver justering, kastas ett stycke helt enkelt till datorn, vilket identifierar möjliga informationsassociationer

på egen hand.

För att anpassa denna fråga, såsom utrustningsanpassning av affärsdistributionsdata, behövs anpassning ständigt, eftersom mediet och

Lågspänningsdistributionsnätet lägger till, tar bort och modifierar utrustning och ledningar varje dag, och nätföretag spenderar enorma arbetskostnader.

Som "dataanteckning" kan datorer inte göra detta.

För det andra är kostnaden för datainsamling inom kraftsektorn hög, och sensorer krävs istället för att ha en mobiltelefon för att prata och fotografera.”

Varje gång spänningen minskar med en nivå (eller effektfördelningsförhållandet minskar med en nivå), ökar den nödvändiga sensorinvesteringen

med minst en storleksordning.För att uppnå avkänning på belastningssidan (kapilläränden) är det ännu mer en massiv digital investering.”.

Om det är nödvändigt att identifiera det transienta läget för elnätet, krävs högprecision högfrekvent provtagning, och kostnaden är ännu högre.

På grund av den extremt höga marginalkostnaden för datainsamling och dataanpassning kan elnätet för närvarande inte ackumulera tillräckligt icke-linjärt

tillväxt av datainformation för att träna en algoritm för att nå AI-singulariteten.

För att inte tala om öppenheten hos data, det är omöjligt för en kraftfull AI-startup att få dessa data.

Därför, innan AI, är det nödvändigt att lösa problemet med datamängder, annars kan generell AI-kod inte tränas för att producera en bra AI.

3. Genombrott i beräkningskraft

Förutom algoritmer och data är singularitetsgenombrottet för AIGC också ett genombrott i beräkningskraft.Traditionella processorer är det inte

lämplig för storskalig samtidig neuronal beräkning.Det är just tillämpningen av GPU:er i 3D-spel och filmer som gör storskalig parallell

flyttal + strömmande beräkning möjlig.Moores lag minskar ytterligare beräkningskostnaden per enhet av beräkningskraft.

Kraftnät AI, en oundviklig trend i framtiden

Med integrationen av ett stort antal distribuerade solceller och distribuerade energilagringssystem, samt tillämpningskraven för

virtuella kraftverk på lastsidan, är det objektivt nödvändigt att utföra käll- och lastprognoser för offentliga distributionsnätsystem och användare

distributions (mikro) nätsystem, samt effektflödesoptimering i realtid för distribution (mikro) nätsystem.

Den beräkningsmässiga komplexiteten för distributionsnätsidan är faktiskt högre än schemaläggningen för transmissionsnätet.Även för en reklamfilm

komplext, det kan finnas tiotusentals belastningsenheter och hundratals switchar, och efterfrågan på AI-baserad drift av mikronät/distributionsnätverk

kontroll kommer att uppstå.

Med den låga kostnaden för sensorer och den utbredda användningen av kraftelektroniska enheter som halvledartransformatorer, halvledaromkopplare och växelriktare (omvandlare),

Integreringen av avkänning, beräkning och kontroll i utkanten av elnätet har också blivit en innovativ trend.

Därför är AIGC för elnätet framtiden.Men vad som behövs idag är att inte omedelbart ta ut en AI-algoritm för att tjäna pengar,

Ta istället först upp problemen med konstruktion av datainfrastruktur som krävs av AI

I uppsvinget av AIGC måste det finnas tillräckligt lugnt tänkande om tillämpningsnivån och framtiden för kraft-AI.

För närvarande är betydelsen av kraft-AI inte signifikant: till exempel placeras en fotovoltaisk algoritm med en förutsägningsnoggrannhet på 90 % på spotmarknaden

med en handelsavvikelseströskel på 5 %, och algoritmavvikelsen kommer att utplåna alla handelsvinster.

Data är vatten, och algoritmens beräkningskraft är en kanal.Som det händer kommer det att bli.