सार की ओर लौटते हुए, AIGC की विलक्षणता में सफलता तीन कारकों का एक संयोजन है:

1. GPT मानव न्यूरॉन्स की प्रतिकृति है

NLP द्वारा प्रस्तुत GPT AI एक कंप्यूटर न्यूरल नेटवर्क एल्गोरिथम है, जिसका सार मानव सेरेब्रल कॉर्टेक्स में तंत्रिका नेटवर्क का अनुकरण करना है।

भाषा, संगीत, छवियों और यहां तक ​​कि स्वाद की जानकारी की प्रसंस्करण और बुद्धिमान कल्पना मानव द्वारा संचित सभी कार्य हैं

लंबी अवधि के विकास के दौरान मस्तिष्क एक "प्रोटीन कंप्यूटर" के रूप में।

इसलिए, GPT स्वाभाविक रूप से समान जानकारी, यानी असंरचित भाषा, संगीत और छवियों को संसाधित करने के लिए सबसे उपयुक्त नकल है।

इसके प्रसंस्करण का तंत्र अर्थ की समझ नहीं है, बल्कि शोधन, पहचान और संबद्धता की प्रक्रिया है।यह है एक बेहद

विरोधाभासी बात।

प्रारंभिक भाषण शब्दार्थ पहचान एल्गोरिदम ने अनिवार्य रूप से एक व्याकरण मॉडल और एक भाषण डेटाबेस की स्थापना की, फिर भाषण को शब्दावली में मैप किया,

फिर शब्दावली के अर्थ को समझने के लिए शब्दावली को व्याकरण डेटाबेस में रखा, और अंत में मान्यता परिणाम प्राप्त किया।

इस "लॉजिकल मैकेनिज्म" आधारित सिंटैक्स मान्यता की मान्यता दक्षता लगभग 70% मँडरा रही है, जैसे कि वायावॉयस मान्यता

1990 के दशक में आईबीएम द्वारा पेश किया गया एल्गोरिथम।

एआईजीसी इस तरह खेलने के बारे में नहीं है।इसका सार व्याकरण की परवाह करना नहीं है, बल्कि एक तंत्रिका नेटवर्क एल्गोरिदम स्थापित करना है जो अनुमति देता है

कंप्यूटर विभिन्न शब्दों के बीच संभाव्य कनेक्शनों की गणना करने के लिए, जो तंत्रिका कनेक्शन हैं, सिमेंटिक कनेक्शन नहीं हैं।

बहुत कुछ अपनी मातृभाषा सीखने की तरह जब हम छोटे थे, हमने स्वाभाविक रूप से इसे "विषय, विधेय, वस्तु, क्रिया, पूरक" सीखने के बजाय सीखा।

और फिर एक पैराग्राफ को समझना।

यह एआई का थिंकिंग मॉडल है, जो पहचान है, समझ नहीं है।

यह सभी शास्त्रीय तंत्र मॉडल के लिए AI का विध्वंसक महत्व भी है - कंप्यूटर को इस मामले को तार्किक स्तर पर समझने की आवश्यकता नहीं है,

बल्कि आंतरिक जानकारी के बीच संबंध को पहचानें और पहचानें, और फिर उसे जानें।

उदाहरण के लिए, बिजली प्रवाह की स्थिति और पावर ग्रिड की भविष्यवाणी शास्त्रीय पावर नेटवर्क सिमुलेशन पर आधारित होती है, जहां एक गणितीय मॉडल

तंत्र स्थापित किया जाता है और फिर एक मैट्रिक्स एल्गोरिथम का उपयोग करके अभिसरण किया जाता है।भविष्य में इसकी आवश्यकता नहीं हो सकती है।एआई सीधे पहचान करेगा और भविष्यवाणी करेगा

प्रत्येक नोड की स्थिति के आधार पर निश्चित मोडल पैटर्न।

जितने अधिक नोड होते हैं, शास्त्रीय मैट्रिक्स एल्गोरिथम उतना ही कम लोकप्रिय होता है, क्योंकि एल्गोरिथम की जटिलता संख्या के साथ बढ़ती है

नोड्स और ज्यामितीय प्रगति बढ़ जाती है।हालाँकि, AI बहुत बड़े पैमाने पर नोड संगामिति को प्राथमिकता देता है, क्योंकि AI पहचान करने में अच्छा है और

सबसे संभावित नेटवर्क मोड की भविष्यवाणी करना।

चाहे यह गो की अगली भविष्यवाणी हो (AlphaGO अगले दर्जनों चरणों की भविष्यवाणी कर सकता है, प्रत्येक चरण के लिए अनगिनत संभावनाओं के साथ) या मोडल भविष्यवाणी

जटिल मौसम प्रणालियों में, एआई की सटीकता यांत्रिक मॉडलों की तुलना में बहुत अधिक है।

वर्तमान में पावर ग्रिड को एआई की आवश्यकता नहीं होने का कारण यह है कि प्रांतीय द्वारा प्रबंधित 220 केवी और उससे अधिक पावर नेटवर्क में नोड्स की संख्या

प्रेषण बड़ा नहीं है, और मैट्रिक्स को रेखीय बनाने और विरल करने के लिए कई शर्तें निर्धारित की जाती हैं, जिससे मैट्रिक्स की कम्प्यूटेशनल जटिलता बहुत कम हो जाती है

तंत्र मॉडल।

हालांकि, वितरण नेटवर्क पावर फ्लो चरण में, हजारों या सैकड़ों हजारों पावर नोड्स, लोड नोड्स और पारंपरिक का सामना करना पड़ रहा है

एक बड़े वितरण नेटवर्क में मैट्रिक्स एल्गोरिदम शक्तिहीन है।

मेरा मानना ​​है कि भविष्य में वितरण नेटवर्क स्तर पर एआई के पैटर्न की पहचान संभव हो जाएगी।

2. असंरचित सूचना का संचय, प्रशिक्षण और सृजन

एआईजीसी की सफलता का दूसरा कारण सूचना का संचय है।भाषण के ए/डी रूपांतरण से (माइक्रोफोन + पीसीएम

नमूनाकरण) छवियों के ए / डी रूपांतरण (सीएमओएस + कलर स्पेस मैपिंग) के लिए, मनुष्यों ने दृश्य और श्रवण में होलोग्राफिक डेटा जमा किया है

पिछले कुछ दशकों में बेहद कम लागत वाले क्षेत्रों में।

विशेष रूप से, कैमरों और स्मार्टफोन के बड़े पैमाने पर लोकप्रियकरण, मनुष्यों के लिए दृश्य-श्रव्य क्षेत्र में असंरचित डेटा का संचय

लगभग शून्य लागत पर, और इंटरनेट पर टेक्स्ट जानकारी का विस्फोटक संचय एआईजीसी प्रशिक्षण की कुंजी है - प्रशिक्षण डेटा सेट सस्ते हैं।

ऊपर दिया गया आंकड़ा वैश्विक डेटा के विकास की प्रवृत्ति को दर्शाता है, जो स्पष्ट रूप से एक घातीय प्रवृत्ति को प्रस्तुत करता है।

डेटा संचय की यह गैर-रेखीय वृद्धि एआईजीसी की क्षमताओं के गैर-रेखीय विकास की नींव है।

लेकिन, इनमें से अधिकांश डेटा असंरचित ऑडियो-विज़ुअल डेटा हैं, जो शून्य लागत पर संचित होते हैं।

विद्युत शक्ति के क्षेत्र में, यह हासिल नहीं किया जा सकता है।सबसे पहले, अधिकांश इलेक्ट्रिक पावर उद्योग संरचित और अर्ध संरचित डेटा हैं, जैसे

वोल्टेज और करंट, जो समय श्रृंखला और अर्ध संरचित के बिंदु डेटा सेट हैं।

स्ट्रक्चरल डेटा सेट को कंप्यूटर द्वारा समझने की आवश्यकता होती है और इसके लिए "संरेखण" की आवश्यकता होती है, जैसे डिवाइस संरेखण - वोल्टेज, करंट और पावर डेटा

एक स्विच को इस नोड से संरेखित करने की आवश्यकता है।

अधिक परेशानी समय संरेखण है, जिसके लिए समय के पैमाने के आधार पर वोल्टेज, वर्तमान और सक्रिय और प्रतिक्रियाशील शक्ति को संरेखित करने की आवश्यकता होती है, ताकि

बाद की पहचान की जा सकती है।आगे और पीछे की दिशाएँ भी हैं, जो चार चतुर्भुजों में स्थानिक संरेखण हैं।

टेक्स्ट डेटा के विपरीत, जिसमें संरेखण की आवश्यकता नहीं होती है, एक पैराग्राफ को केवल कंप्यूटर पर फेंका जाता है, जो संभावित सूचना संघों की पहचान करता है

अपने दम पर।

इस मुद्दे को संरेखित करने के लिए, जैसे व्यापार वितरण डेटा के उपकरण संरेखण, संरेखण की लगातार आवश्यकता होती है, क्योंकि माध्यम और

कम वोल्टेज वितरण नेटवर्क हर दिन उपकरण और लाइनों को जोड़ रहा है, हटा रहा है और संशोधित कर रहा है, और ग्रिड कंपनियां भारी श्रम लागत खर्च करती हैं।

"डेटा एनोटेशन" की तरह, कंप्यूटर ऐसा नहीं कर सकते।

दूसरे, बिजली क्षेत्र में डेटा अधिग्रहण की लागत अधिक है, और बोलने और फोटो लेने के लिए मोबाइल फोन के बजाय सेंसर की आवश्यकता होती है।”

हर बार वोल्टेज एक स्तर से घटता है (या बिजली वितरण संबंध एक स्तर से घटता है), आवश्यक सेंसर निवेश बढ़ जाता है

परिमाण के कम से कम एक क्रम से।लोड साइड (केशिका अंत) संवेदन प्राप्त करने के लिए, यह और भी बड़ा डिजिटल निवेश है।

यदि पावर ग्रिड के क्षणिक मोड की पहचान करना आवश्यक है, तो उच्च-परिशुद्धता उच्च-आवृत्ति नमूनाकरण की आवश्यकता होती है, और लागत भी अधिक होती है।

डेटा अधिग्रहण और डेटा संरेखण की अत्यधिक उच्च सीमांत लागत के कारण, पावर ग्रिड वर्तमान में पर्याप्त गैर-रेखीय संचय करने में असमर्थ है

एआई विलक्षणता तक पहुँचने के लिए एक एल्गोरिथम को प्रशिक्षित करने के लिए डेटा सूचना का विकास।

डेटा के खुलेपन का उल्लेख नहीं करना, इन डेटा को प्राप्त करना एक पावर एआई स्टार्टअप के लिए असंभव है।

इसलिए, AI से पहले, डेटा सेट की समस्या को हल करना आवश्यक है, अन्यथा एक अच्छा AI बनाने के लिए सामान्य AI कोड को प्रशिक्षित नहीं किया जा सकता है।

3. कम्प्यूटेशनल शक्ति में सफलता

एल्गोरिदम और डेटा के अलावा, AIGC की विलक्षणता की सफलता भी कम्प्यूटेशनल शक्ति में एक सफलता है।पारंपरिक सीपीयू नहीं हैं

बड़े पैमाने पर समवर्ती न्यूरोनल कंप्यूटिंग के लिए उपयुक्त।यह ठीक 3डी गेम और मूवी में जीपीयू का अनुप्रयोग है जो बड़े पैमाने पर समानांतर बनाता है

फ़्लोटिंग-पॉइंट + स्ट्रीमिंग कंप्यूटिंग संभव।मूर का नियम कम्प्यूटेशनल शक्ति की प्रति यूनिट कम्प्यूटेशनल लागत को और कम करता है।

पावर ग्रिड एआई, भविष्य में एक अपरिहार्य प्रवृत्ति

बड़ी संख्या में वितरित फोटोवोल्टिक और वितरित ऊर्जा भंडारण प्रणालियों के एकीकरण के साथ-साथ आवेदन आवश्यकताओं के साथ

लोड साइड वर्चुअल पावर प्लांट, सार्वजनिक वितरण नेटवर्क सिस्टम और उपयोगकर्ता के लिए स्रोत और लोड पूर्वानुमान का संचालन करना निष्पक्ष रूप से आवश्यक है

वितरण (माइक्रो) ग्रिड सिस्टम, साथ ही वितरण (माइक्रो) ग्रिड सिस्टम के लिए रीयल-टाइम पावर फ्लो अनुकूलन।

वितरण नेटवर्क पक्ष की कम्प्यूटेशनल जटिलता वास्तव में ट्रांसमिशन नेटवर्क शेड्यूलिंग की तुलना में अधिक है।एक कमर्शियल के लिए भी

जटिल, हजारों लोड डिवाइस और सैकड़ों स्विच हो सकते हैं, और एआई आधारित माइक्रो ग्रिड/डिस्ट्रीब्यूशन नेटवर्क ऑपरेशन की मांग

नियंत्रण उत्पन्न होगा।

सेंसर की कम लागत और बिजली इलेक्ट्रॉनिक उपकरणों जैसे ठोस-राज्य ट्रांसफार्मर, ठोस-राज्य स्विच और इनवर्टर (कन्वर्टर) के व्यापक उपयोग के साथ,

पावर ग्रिड के किनारे संवेदन, कंप्यूटिंग और नियंत्रण का एकीकरण भी एक अभिनव प्रवृत्ति बन गई है।

इसलिए, पावर ग्रिड का एआईजीसी भविष्य है।हालाँकि, आज जिस चीज की जरूरत है, वह पैसा बनाने के लिए एआई एल्गोरिदम को तुरंत बाहर निकालने की नहीं है,

इसके बजाय, पहले एआई द्वारा आवश्यक डेटा इंफ्रास्ट्रक्चर निर्माण के मुद्दों को संबोधित करें

AIGC के उत्थान में, आवेदन स्तर और शक्ति AI के भविष्य के बारे में पर्याप्त शांत सोच की आवश्यकता है।

वर्तमान में, पावर एआई का महत्व महत्वपूर्ण नहीं है: उदाहरण के लिए, 90% की भविष्यवाणी सटीकता के साथ एक फोटोवोल्टिक एल्गोरिथ्म को हाजिर बाजार में रखा गया है।

5% की व्यापारिक विचलन सीमा के साथ, और एल्गोरिथम विचलन सभी व्यापारिक लाभों को मिटा देगा।

डेटा पानी है, और एल्गोरिथ्म की कम्प्यूटेशनल शक्ति एक चैनल है।जैसा होगा, वैसा ही होगा।