Да се ​​вратимо на суштину, АИГЦ-ов пробој у сингуларности је комбинација три фактора:

1. ГПТ је реплика људских неурона

ГПТ АИ коју представља НЛП је компјутерски алгоритам неуронске мреже, чија је суштина симулација неуронских мрежа у кортексу људског мозга.

Обрада и интелигентна машта језика, музике, слика, па чак и информација о укусу, све су то функције које акумулира човек.

мозак као "протеински компјутер" током дугорочне еволуције.

Стога је ГПТ природно најпогоднија имитација за обраду сличних информација, односно неструктурисаног језика, музике и слика.

Механизам његове обраде није разумевање значења, већ процес пречишћавања, идентификације и повезивања.Ово је веома

парадоксална ствар.

Рани алгоритми семантичког препознавања говора у суштини су успоставили граматички модел и базу података говора, а затим мапирали говор у речник,

затим сместио речник у граматичку базу података да би разумео значење речника и на крају добио резултате препознавања.

Ефикасност препознавања овог препознавања синтаксе заснованог на „логичком механизму“ креће се око 70%, као што је препознавање ВиаВоице

алгоритам који је ИБМ увео 1990-их.

АИГЦ не ради на оваквом игрању.Његова суштина није да се брине о граматици, већ да успостави алгоритам неуронске мреже који омогућава

рачунар да броји вероватноће везе између различитих речи, које су неуронске везе, а не семантичке везе.

Слично као и учење матерњег језика када смо били млади, природно смо га научили, уместо да учимо „субјекат, предикат, објекат, глагол, допуну“,

а затим разумевање пасуса.

Ово је модел размишљања АИ, који је препознавање, а не разумевање.

Ово је такође субверзивни значај АИ за све моделе класичних механизама – рачунари не морају да разумеју ову материју на логичком нивоу,

већ радије идентификују и препознају корелацију између интерних информација, а затим их знају.

На пример, стање тока електричне енергије и предвиђање електроенергетских мрежа засновано је на класичној симулацији електроенергетске мреже, где је математички модел

механизам се успоставља и затим конвергира коришћењем матричног алгоритма.У будућности можда неће бити потребно.АИ ће директно идентификовати и предвидети а

одређени модални образац заснован на статусу сваког чвора.

Што више чворова има, то је класични матрични алгоритам мање популаран, јер се сложеност алгоритма повећава са бројем

чворови и геометријска прогресија се повећава.Међутим, АИ преферира да има паралелност чворова веома великог обима, јер је АИ добра у идентификацији и

предвиђање највероватнијих мрежних режима.

Било да се ради о следећем предвиђању Го (АлпхаГО може да предвиди следеће десетине корака, са безброј могућности за сваки корак) или модалном предвиђању

сложених временских система, тачност АИ је много већа него код механичких модела.

Разлог зашто електроенергетска мрежа тренутно не захтева вештачку интелигенцију је тај што је број чворова у електроенергетским мрежама од 220 кВ и више којима управљају покрајинске

диспечирање није велико, а многи услови су постављени да линеаризују и ређају матрицу, што значајно смањује сложеност рачунара

модел механизма.

Међутим, у фази протока електричне енергије у дистрибутивној мрежи, суочавајући се са десетинама хиљада или стотинама хиљада енергетских чворова, чворова оптерећења и традиционалних

матрични алгоритми у великој дистрибутивној мрежи је немоћан.

Верујем да ће препознавање АИ на нивоу дистрибутивне мреже постати могуће у будућности.

2. Акумулација, обука и генерисање неструктурираних информација

Други разлог зашто је АИГЦ направио искорак је гомилање информација.Од А/Д конверзије говора (микрофон+ПЦМ

узорковање) у А/Д конверзију слика (ЦМОС+мапирање простора у боји), људи су акумулирали холографске податке у визуелном и слушном

поља на изузетно јефтин начин у последњих неколико деценија.

Конкретно, популаризација камера и паметних телефона великих размера, акумулација неструктурираних података у аудиовизуелном пољу за људе

уз скоро нулту цену, а експлозивна акумулација текстуалних информација на Интернету су кључ за АИГЦ обуку – скупови података за обуку су јефтини.

Слика изнад показује тренд раста глобалних података, који јасно представља експоненцијални тренд.

Овај нелинеарни раст акумулације података је основа за нелинеарни раст способности АИГЦ-а.

АЛИ, већина ових података су неструктурирани аудио-визуелни подаци, који се акумулирају уз нулту цену.

У области електроенергетике то се не може постићи.Прво, већина електропривреде су структурирани и полуструктурирани подаци, као нпр

напон и струја, који су тачкасти скупови података временских серија и полуструктурирани.

Рачунари морају да разумеју структурне скупове података и захтевају „поравнање“, као што је поравнање уређаја – подаци о напону, струји и снази

прекидача треба да буде поравнато са овим чвором.

Више проблематично је усклађивање времена, које захтева усклађивање напона, струје и активне и реактивне снаге на основу временске скале, тако да

може се извршити накнадна идентификација.Такође постоје правци напред и уназад, који су просторно поравнање у четири квадранта.

За разлику од текстуалних података, који не захтевају поравнавање, пасус се једноставно баца на рачунар, који идентификује могуће асоцијације информација

сама по себи.

Да би се ово питање ускладило, као што је усаглашавање опреме података о пословној дистрибуцији, усклађивање је стално потребно, јер медиј и

дистрибутивна мрежа ниског напона свакодневно додаје, брише и модификује опрему и водове, а мрежне компаније троше огромне трошкове рада.

Попут „бележовања података“, рачунари то не могу да ураде.

Друго, трошкови прикупљања података у електроенергетском сектору су високи и потребни су сензори уместо мобилног телефона за разговор и фотографисање.”

Сваки пут када се напон смањи за један ниво (или се однос дистрибуције енергије смањи за један ниво), потребно улагање у сензор се повећава

најмање за један ред величине.Да би се постигло детектовање на страни оптерећења (крај капиларе), то је још већа дигитална инвестиција.“

Ако је потребно идентификовати прелазни режим електричне мреже, потребно је високо прецизно високофреквентно узорковање, а трошак је још већи.

Због изузетно високих маргиналних трошкова аквизиције података и усклађивања података, електрична мрежа тренутно није у стању да акумулира довољно нелинеарних

раст информација о подацима за обуку алгоритма да достигне сингуларност АИ.

Да не помињемо отвореност података, немогуће је да моћни АИ стартуп добије ове податке.

Стога, пре АИ, неопходно је решити проблем скупова података, иначе се општи АИ код не може обучити да произведе добар АИ.

3. Пробој у рачунарској моћи

Поред алгоритама и података, пробој сингуларности АИГЦ-а је такође и напредак у рачунарској моћи.Традиционални процесори нису

погодно за паралелно неуронско рачунарство великих размера.Управо је примена ГПУ-а у 3Д играма и филмовима оно што чини паралелу великих размера

могуће рачунање са помичним зарезом + струјање.Муров закон даље смањује рачунске трошкове по јединици рачунарске снаге.

Електрична мрежа АИ, неизбежан тренд у будућности

Са интеграцијом великог броја дистрибуираних фотонапонских и дистрибуираних система за складиштење енергије, као и захтевима примене

виртуелне електране на страни оптерећења, објективно је потребно извршити прогнозу извора и оптерећења за системе јавне дистрибутивне мреже и корисника

системи дистрибуције (микро) мреже, као и оптимизација тока енергије у реалном времену за системе дистрибуције (микро) мреже.

Рачунарска сложеност на страни дистрибутивне мреже је заправо већа од сложености распоређивања преносне мреже.Чак и за рекламу

комплекс, може постојати десетине хиљада уређаја за оптерећење и стотине прекидача, а потражња за микромрежом/дистрибутивном мрежом заснованом на вештачкој интелигенцији

контрола ће се појавити.

Уз ниске цене сензора и широку употребу енергетских електронских уређаја као што су полупроводнички трансформатори, полупроводнички прекидачи и претварачи (конвертори),

интеграција сенсинга, рачунарства и контроле на ивици електричне мреже такође је постала иновативан тренд.

Дакле, АИГЦ електроенергетске мреже је будућност.Међутим, оно што је данас потребно је да не узимате одмах АИ алгоритам да бисте зарадили новац,

Уместо тога, прво се позабавите питањима изградње инфраструктуре података које захтева АИ

У порасту АИГЦ-а, мора постојати довољно смирено размишљање о нивоу примене и будућности АИ снаге.

Тренутно, значај вештачке интелигенције није значајан: на пример, фотонапонски алгоритам са тачношћу предвиђања од 90% се пласира на спот тржишту

са прагом одступања трговања од 5%, а одступање алгоритма ће избрисати сав профит од трговања.

Подаци су вода, а рачунска снага алгоритма је канал.Како буде, тако ће и бити.