본질로 돌아가서 AIGC의 특이점 돌파구는 다음 세 가지 요소의 조합입니다.

1. GPT는 인간 뉴런의 복제품입니다.

NLP로 대표되는 GPT AI는 컴퓨터 신경망 알고리즘으로, 그 본질은 인간 대뇌 피질의 신경망을 시뮬레이션하는 것입니다.

언어, 음악, 이미지, 심지어 취향 정보까지 처리하고 지능적으로 상상하는 것은 모두 인간이 축적한 기능입니다.

장기간 진화하는 동안 뇌는 "단백질 컴퓨터"로서의 역할을 합니다.

따라서 GPT는 당연히 유사 정보, 즉 구조화되지 않은 언어, 음악 및 이미지를 처리하는 데 가장 적합한 모조품입니다.

그것의 처리 메커니즘은 의미를 이해하는 것이 아니라 정제하고 식별하고 연관시키는 과정입니다.이것은 매우

역설적인 것.

초기 음성 의미 인식 알고리즘은 기본적으로 문법 모델과 음성 데이터베이스를 구축한 다음 음성을 어휘에 매핑하고

그런 다음 어휘를 문법 데이터베이스에 배치하여 어휘의 의미를 이해하고 최종적으로 인식 결과를 얻었습니다.

이 "논리적 메커니즘" 기반 구문 인식의 인식 효율성은 ViaVoice 인식과 같이 약 70%를 맴돌고 있습니다.

1990년대에 IBM이 도입한 알고리즘.

AIGC는 이런 식으로 플레이하는 것이 아닙니다.그것의 본질은 문법에 관심을 두는 것이 아니라 오히려

의미론적 연결이 아닌 신경 연결인 서로 다른 단어 사이의 확률적 연결을 계산하는 컴퓨터.

마치 어릴 때 모국어를 배우듯 '주어, 술어, 목적어, 동사, 보어'를 배우기보다는 자연스럽게

그런 다음 단락을 이해합니다.

이것은 이해가 아닌 인식인 AI의 사고 모델입니다.

이것은 또한 모든 고전적 메커니즘 모델에 대한 AI의 파괴적인 중요성입니다. 컴퓨터는 논리적 수준에서 이 문제를 이해할 필요가 없습니다.

오히려 내부 정보 간의 상관 관계를 식별하고 인식한 다음 알 수 있습니다.

예를 들어, 전력 흐름 상태 및 전력 그리드의 예측은 고전적인 전력 네트워크 시뮬레이션을 기반으로 합니다.

메커니즘이 설정되고 매트릭스 알고리즘을 사용하여 수렴됩니다.미래에는 필요하지 않을 수도 있습니다.AI가 직접 식별하고 예측합니다.

각 노드의 상태에 따라 특정 모달 패턴.

노드가 많을수록 알고리즘의 복잡성이 노드 수에 따라 증가하기 때문에 고전적인 행렬 알고리즘은 덜 인기가 있습니다.

노드와 기하학적 진행이 증가합니다.그러나 AI는 매우 큰 규모의 노드 동시성을 선호합니다.

가장 가능성이 높은 네트워크 모드를 예측합니다.

Go의 다음 예측(AlphaGO는 각 단계에 대한 무수한 가능성으로 다음 수십 단계를 예측할 수 있음) 또는 모달 예측인지 여부

복잡한 기상 시스템에서 AI의 정확도는 기계 모델보다 훨씬 높습니다.

현재 전력망에 AI가 필요하지 않은 이유는 지방 정부에서 관리하는 220kV 이상 전력망의 노드 수가

디스패칭이 크지 않고 행렬을 선형화하고 희소화하도록 많은 조건이 설정되어 있어 계산 복잡도를 크게 줄입니다.

메커니즘 모델.

그러나 배전망 전력 흐름 단계에서는 수만 또는 수십만 개의 전력 노드, 부하 노드 및 기존의

대규모 유통 네트워크의 매트릭스 알고리즘은 무력합니다.

앞으로는 유통망 수준에서 AI의 패턴 인식이 가능해질 것이라고 믿는다.

2. 비정형 정보의 축적, 훈련 및 생성

AIGC가 돌파구를 마련한 두 번째 이유는 정보의 축적이다.음성의 A/D 변환(마이크+PCM

샘플링)을 이미지의 A/D 변환(CMOS+색공간 매핑)으로 인간은 홀로그램 데이터를 시각 및 청각에 축적했습니다.

지난 수십 년 동안 매우 저렴한 방법으로 필드.

특히, 카메라와 스마트폰의 대규모 대중화, 인간을 위한 시청각 분야의 비정형 데이터 축적

비용이 거의 들지 않고 인터넷에 텍스트 정보가 폭발적으로 축적되는 것이 AIGC 교육의 핵심입니다. 교육 데이터 세트는 저렴합니다.

위의 그림은 글로벌 데이터의 성장 추세를 보여주고 있으며, 이는 기하급수적 추세를 명확하게 보여줍니다.

이러한 데이터 축적의 비선형적 성장은 AIGC 역량의 비선형적 성장을 위한 기반입니다.

그러나 이러한 데이터의 대부분은 비정형 시청각 데이터로 비용이 전혀 들지 않고 축적됩니다.

전력 분야에서는 이를 달성할 수 없습니다.첫째, 대부분의 전력 산업은 다음과 같은 정형 및 반정형 데이터입니다.

시계열 및 반구조화된 포인트 데이터 세트인 전압 및 전류.

구조 데이터 세트는 컴퓨터가 이해할 수 있어야 하며 전압, 전류 및 전력 데이터인 장치 정렬과 같은 "정렬"이 필요합니다.

스위치를 이 노드에 정렬해야 합니다.

더 골치아픈 것은 시간 정렬로 전압, 전류, 유효 및 무효 전력을 시간 척도에 따라 정렬해야 합니다.

후속 식별을 수행할 수 있습니다.4개의 사분면에서 공간 정렬인 정방향 및 역방향도 있습니다.

정렬이 필요하지 않은 텍스트 데이터와 달리 가능한 정보 연결을 식별하는 단락이 컴퓨터에 전달됩니다.

자체적으로.

비즈니스 유통 데이터의 장비 정렬과 같은 이 문제를 정렬하기 위해서는 정렬이 지속적으로 필요합니다.

저압 배전망은 매일 장비와 선로를 추가, 삭제, 수정하고 있으며 전력망 회사는 막대한 인건비를 지출하고 있습니다.

"데이터 주석"과 마찬가지로 컴퓨터는 이를 수행할 수 없습니다.

둘째, 전력 부문의 데이터 수집 비용이 높고 말하고 사진을 찍는 데 휴대폰 대신 센서가 필요합니다.”

전압이 한 단계 감소(또는 전력 분배 관계가 한 단계 감소)할 때마다 필요한 센서 투자가 증가합니다.

적어도 한 단계 정도.부하측(모세관 말단) 감지를 달성하려면 훨씬 더 막대한 디지털 투자가 필요합니다.”

전력망의 과도 모드를 식별해야 하는 경우 고정밀 고주파 샘플링이 필요하며 비용은 훨씬 더 높습니다.

데이터 수집 및 데이터 정렬의 한계 비용이 극도로 높기 때문에 전력망은 현재 충분한 비선형 전력을 축적할 수 없습니다.

AI 특이점에 도달하도록 알고리즘을 훈련하기 위한 데이터 정보의 성장.

데이터의 개방성은 말할 것도 없고 파워 AI 스타트업이 이러한 데이터를 얻는 것은 불가능하다.

따라서 AI 이전에 데이터 세트의 문제를 해결해야 하며, 그렇지 않으면 일반적인 AI 코드를 학습하여 좋은 AI를 생성할 수 없습니다.

3. 컴퓨팅 파워의 돌파구

알고리즘과 데이터 외에도 AIGC의 특이성 돌파구는 계산 능력의 돌파구이기도 합니다.기존 CPU는

대규모 동시 신경 컴퓨팅에 적합합니다.대규모 병렬 처리를 만드는 것은 바로 3D 게임 및 영화에서 GPU를 적용하는 것입니다.

부동 소수점 + 스트리밍 컴퓨팅 가능.무어의 법칙은 계산 능력 단위당 계산 비용을 더욱 줄입니다.

전력망 AI, 미래의 피할 수 없는 대세

다수의 분산 태양광 및 분산 에너지 저장 시스템의 통합과

부하측 가상발전소의 경우, 공공 배전망 시스템 및 사용자에 대한 소스 및 부하 예측을 객관적으로 수행해야 합니다.

배전(마이크로) 그리드 시스템 및 배전(마이크로) 그리드 시스템을 위한 실시간 전력 흐름 최적화.

유통망 측의 계산 복잡도는 실제로 전송망 스케줄링보다 높습니다.광고용으로도

복잡하고 수만 개의 부하 장치와 수백 개의 스위치가 있을 수 있으며 AI 기반 마이크로 그리드/배전망 운영에 대한 수요

통제가 일어날 것입니다.

센서의 저렴한 비용과 반도체 변압기, 반도체 스위치, 인버터(컨버터)와 같은 전력 전자 장치의 광범위한 사용으로 인해,

전력망의 가장자리에서 감지, 컴퓨팅 및 제어를 통합하는 것도 혁신적인 추세가 되었습니다.

따라서 전력망의 AIGC는 미래입니다.그러나 오늘날 필요한 것은 돈을 벌기 위해 AI 알고리즘을 당장 꺼내는 것이 아니라,

대신 AI가 요구하는 데이터 인프라 구축 문제를 먼저 해결하라

AIGC의 고조 속에서 응용 수준과 전력 AI의 미래에 대해 충분히 침착하게 생각할 필요가 있습니다.

현재 전력 AI의 중요성은 크지 않습니다. 예를 들어 예측 정확도가 90%인 태양광 알고리즘이 현물 시장에 배치됩니다.

거래 편차 임계값이 5%이고 알고리즘 편차가 모든 거래 이익을 없앨 것입니다.

데이터는 물이고 알고리즘의 계산 능력은 채널입니다.그렇게 될 것입니다.