არსს რომ დავუბრუნდეთ, AIGC-ის გარღვევა სინგულარობაში არის სამი ფაქტორის კომბინაცია:

1. GPT არის ადამიანის ნეირონების რეპლიკა

GPT AI წარმოდგენილი NLP არის კომპიუტერული ნერვული ქსელის ალგორითმი, რომლის არსი არის ნერვული ქსელების სიმულაცია ადამიანის ცერებრალური ქერქში.

ენის, მუსიკის, სურათების და გემოვნების ინფორმაციის დამუშავება და ინტელექტუალური წარმოსახვა ადამიანის მიერ დაგროვილი ფუნქციებია.

ტვინი, როგორც "პროტეინის კომპიუტერი" გრძელვადიანი ევოლუციის დროს.

ამიტომ, GPT ბუნებრივად ყველაზე შესაფერისი იმიტაციაა მსგავსი ინფორმაციის, ანუ არასტრუქტურირებული ენის, მუსიკისა და სურათების დასამუშავებლად.

მისი დამუშავების მექანიზმი არის არა მნიშვნელობის გაგება, არამედ დახვეწის, იდენტიფიცირებისა და ასოცირების პროცესი.ეს არის ძალიან

პარადოქსული რამ.

მეტყველების სემანტიკური ამოცნობის ადრეულმა ალგორითმებმა არსებითად ჩამოაყალიბეს გრამატიკული მოდელი და მეტყველების მონაცემთა ბაზა, შემდეგ კი მეტყველება ლექსიკას მიაწერეს.

შემდეგ ლექსიკა მოათავსეს გრამატიკულ მონაცემთა ბაზაში ლექსიკის მნიშვნელობის გასაგებად და ბოლოს მიიღო ამოცნობის შედეგები.

ამ „ლოგიკურ მექანიზმზე“ დაფუძნებული სინტაქსის ამოცნობის ამოცნობის ეფექტურობა 70%-მდეა, როგორიცაა ViaVoice ამოცნობა.

IBM-ის მიერ 1990-იან წლებში შემოღებული ალგორითმი.

AIGC არ არის ასე თამაში.მისი არსი არის არა გრამატიკაზე ზრუნვა, არამედ ნერვული ქსელის ალგორითმის შექმნა, რომელიც საშუალებას აძლევს

კომპიუტერი დათვლის სავარაუდო კავშირებს სხვადასხვა სიტყვებს შორის, რომლებიც არის ნერვული კავშირები და არა სემანტიკური კავშირები.

ისევე, როგორც ბავშვობაში ჩვენი მშობლიური ენის შესწავლა, ჩვენ ბუნებრივად ვისწავლეთ ის, ვიდრე ვისწავლეთ „საგანი, პრედიკატი, ობიექტი, ზმნა, შეავსება“.

შემდეგ კი აბზაცის გაგება.

ეს არის ხელოვნური ინტელექტის აზროვნების მოდელი, რომელიც არის აღიარება და არა გაგება.

ეს ასევე არის ხელოვნური ინტელექტის დივერსიული მნიშვნელობა ყველა კლასიკური მექანიზმის მოდელისთვის - კომპიუტერებს არ სჭირდებათ ამ საკითხის ლოგიკურ დონეზე გაგება.

არამედ იდენტიფიცირება და აღიარება კორელაცია შიდა ინფორმაციას შორის და შემდეგ იცოდეს იგი.

მაგალითად, ელექტროენერგიის ქსელების სიმძლავრის ნაკადის მდგომარეობა და პროგნოზირება ეფუძნება კლასიკურ ენერგეტიკული ქსელის სიმულაციას, სადაც მათემატიკური მოდელი

მექანიზმი იქმნება და შემდეგ კონვერგირდება მატრიცის ალგორითმის გამოყენებით.მომავალში, ეს შეიძლება არ იყოს საჭირო.AI პირდაპირ ამოიცნობს და იწინასწარმეტყველებს ა

გარკვეული მოდალური ნიმუში თითოეული კვანძის სტატუსზე დაყრდნობით.

რაც უფრო მეტი კვანძია, მით უფრო ნაკლებად პოპულარულია კლასიკური მატრიცის ალგორითმი, რადგან ალგორითმის სირთულე იზრდება რაოდენობასთან ერთად.

კვანძები და გეომეტრიული პროგრესია იზრდება.თუმცა, AI ურჩევნია ჰქონდეს ძალიან დიდი მასშტაბის კვანძების კონკურენტულობა, რადგან AI არის კარგი იდენტიფიკაცია და

ქსელის ყველაზე სავარაუდო რეჟიმების პროგნოზირება.

იქნება ეს Go-ს შემდეგი პროგნოზი (AlphaGO-ს შეუძლია იწინასწარმეტყველოს შემდეგი ათობით ნაბიჯი, უთვალავი შესაძლებლობებით თითოეული ნაბიჯისთვის) თუ მოდალური პროგნოზი

რთული ამინდის სისტემების, ხელოვნური ინტელექტის სიზუსტე გაცილებით მაღალია, ვიდრე მექანიკური მოდელების.

მიზეზი იმისა, რის გამოც ელექტრო ქსელს ამჟამად არ სჭირდება AI არის ის, რომ კვანძების რაოდენობა 220 კვ და ზემოთ ელექტრო ქსელებში, რომელსაც მართავს პროვინციული

დისპეტჩერიზაცია არ არის დიდი და მრავალი პირობაა დაყენებული მატრიცის ხაზოვანი და მწირი, რაც მნიშვნელოვნად ამცირებს გამოთვლის სირთულეს.

მექანიზმის მოდელი.

თუმცა, სადისტრიბუციო ქსელის ელექტროენერგიის ნაკადის ეტაპზე, წინაშე დგას ათიათასობით ან ასობით ათასი დენის კვანძი, დატვირთვის კვანძი და ტრადიციული

მატრიცული ალგორითმები დიდ სადისტრიბუციო ქსელში უძლურია.

მე მჯერა, რომ სადისტრიბუციო ქსელის დონეზე ხელოვნური ინტელექტის ნიმუშის ამოცნობა მომავალში შესაძლებელი გახდება.

2. არასტრუქტურირებული ინფორმაციის დაგროვება, სწავლება და გენერაცია

მეორე მიზეზი, რის გამოც AIGC-მ მიაღწია გარღვევას, არის ინფორმაციის დაგროვება.მეტყველების A/D კონვერტაციიდან (მიკროფონი+PCM

ნიმუშის აღება) სურათების A/D კონვერტაციაზე (CMOS+ფერადი სივრცის რუქაზე), ადამიანებმა დააგროვეს ჰოლოგრაფიული მონაცემები ვიზუალურ და სმენაში.

სფეროები უკიდურესად დაბალ ფასად ბოლო რამდენიმე ათწლეულის განმავლობაში.

კერძოდ, კამერებისა და სმარტფონების ფართომასშტაბიანი პოპულარიზაცია, ადამიანისათვის აუდიოვიზუალურ სფეროში არასტრუქტურირებული მონაცემების დაგროვება.

თითქმის ნულოვანი ფასით და ინტერნეტში ტექსტური ინფორმაციის ფეთქებადი დაგროვება არის AIGC ტრენინგის გასაღები - ტრენინგის მონაცემთა ნაკრები იაფია.

ზემოთ მოყვანილი ფიგურა გვიჩვენებს გლობალური მონაცემების ზრდის ტენდენციას, რომელიც აშკარად გამოხატავს ექსპონენციალურ ტენდენციას.

მონაცემთა დაგროვების ეს არაწრფივი ზრდა არის AIGC-ის შესაძლებლობების არაწრფივი ზრდის საფუძველი.

მაგრამ, ამ მონაცემების უმეტესობა არის არასტრუქტურირებული აუდიო-ვიზუალური მონაცემები, რომლებიც გროვდება ნულოვანი ღირებულებით.

ელექტროენერგიის სფეროში ამის მიღწევა შეუძლებელია.პირველ რიგში, ელექტროენერგიის ინდუსტრიის უმეტესი ნაწილი არის სტრუქტურირებული და ნახევრად სტრუქტურირებული მონაცემები, როგორიცაა

ძაბვა და დენი, რომლებიც წარმოადგენს დროის სერიების და ნახევრად სტრუქტურირებული მონაცემების წერტილებს.

სტრუქტურული მონაცემების კომპლექტი უნდა იყოს გაგებული კომპიუტერებისთვის და მოითხოვს „გასწორებას“, როგორიცაა მოწყობილობის გასწორება - ძაბვის, დენისა და დენის მონაცემები.

გადამრთველი უნდა იყოს გასწორებული ამ კვანძთან.

უფრო პრობლემურია დროის გასწორება, რომელიც მოითხოვს ძაბვის, დენის და აქტიური და რეაქტიული სიმძლავრის გასწორებას დროის მასშტაბის მიხედვით, ასე რომ

შეიძლება განხორციელდეს შემდგომი იდენტიფიკაცია.ასევე არსებობს წინა და საპირისპირო მიმართულებები, რომლებიც არის სივრცითი გასწორება ოთხ კვადრატში.

ტექსტური მონაცემებისგან განსხვავებით, რომელიც არ საჭიროებს გასწორებას, აბზაცი უბრალოდ იგზავნება კომპიუტერში, რომელიც განსაზღვრავს შესაძლო ინფორმაციის ასოციაციებს.

თავისით.

ამ საკითხის გასწორების მიზნით, როგორიცაა ბიზნესის განაწილების მონაცემების აღჭურვილობის გასწორება, მუდმივად საჭიროა გასწორება, რადგან საშუალო და

დაბალი ძაბვის სადისტრიბუციო ქსელი ყოველდღიურად ამატებს, შლის და ცვლის აღჭურვილობას და ხაზებს, ხოლო ქსელის კომპანიები ხარჯავენ დიდ შრომით ხარჯებს.

„მონაცემთა ანოტაციის“ მსგავსად, კომპიუტერებს ამის გაკეთება არ შეუძლიათ.

მეორეც, ელექტროენერგიის სექტორში მონაცემთა შეძენის ღირებულება მაღალია და მობილური ტელეფონის ნაცვლად სენსორებია საჭირო სალაპარაკოდ და ფოტოების გადასაღებად.”

ყოველ ჯერზე, როდესაც ძაბვა მცირდება ერთი დონით (ან დენის განაწილების კავშირი მცირდება ერთი დონით), იზრდება სენსორის საჭირო ინვესტიცია.

სიდიდის ერთი რიგით მაინც.დატვირთვის მხარის (კაპილარული ბოლო) ზონდირების მისაღწევად, ეს კიდევ უფრო დიდი ციფრული ინვესტიციაა. ”

თუ საჭიროა ელექტროგადამცემი ქსელის გარდამავალი რეჟიმის იდენტიფიცირება, საჭიროა მაღალი სიზუსტის მაღალი სიხშირის ნიმუშის აღება და ღირებულება კიდევ უფრო მაღალია.

მონაცემთა შეძენისა და მონაცემთა გასწორების უკიდურესად მაღალი ზღვრული ღირებულების გამო, ელექტრო ქსელი ამჟამად ვერ ახერხებს საკმარისი რაოდენობის არაწრფივი დაგროვებას.

მონაცემთა ინფორმაციის ზრდა ალგორითმის მოსამზადებლად, რათა მიაღწიოს AI სინგულარობას.

რომ აღარაფერი ვთქვათ მონაცემთა ღიაობაზე, შეუძლებელია AI-ის სტარტაპისთვის ამ მონაცემების მიღება.

ამიტომ, ხელოვნური ინტელექტის დაწყებამდე აუცილებელია მონაცემთა ნაკრების პრობლემის გადაჭრა, წინააღმდეგ შემთხვევაში, ზოგადი AI კოდის მომზადება შეუძლებელია კარგი AI-ს შესაქმნელად.

3. გარღვევა გამოთვლით ძალაში

გარდა ალგორითმებისა და მონაცემებისა, AIGC-ის სინგულარულობის მიღწევა ასევე წარმოადგენს გარღვევას გამოთვლით ძალაში.ტრადიციული პროცესორები არ არის

შესაფერისია ფართომასშტაბიანი თანმხლები ნეირონული გამოთვლებისთვის.სწორედ GPU-ების გამოყენება 3D თამაშებსა და ფილმებში ქმნის ფართომასშტაბიან პარალელურს

მცურავი წერტილი + ნაკადის გამოთვლა შესაძლებელია.მურის კანონი კიდევ უფრო ამცირებს გამოთვლით ღირებულებას გამოთვლითი სიმძლავრის ერთეულზე.

ელექტრო ქსელის AI, გარდაუვალი ტენდენცია მომავალში

დიდი რაოდენობით განაწილებული ფოტოელექტრული და განაწილებული ენერგიის შესანახი სისტემების ინტეგრირებით, ისევე როგორც გამოყენების მოთხოვნები

დატვირთვის მხარეს ვირტუალური ელექტროსადგურები, ობიექტურად აუცილებელია ჩატარდეს წყაროს და დატვირთვის პროგნოზირება საჯარო გამანაწილებელი ქსელის სისტემებისთვის და მომხმარებლისთვის

განაწილების (მიკრო) ქსელის სისტემები, ასევე რეალურ დროში ენერგიის ნაკადის ოპტიმიზაცია სადისტრიბუციო (მიკრო) ქსელის სისტემებისთვის.

სადისტრიბუციო ქსელის მხარის გამოთვლითი სირთულე რეალურად უფრო მაღალია, ვიდრე გადამცემი ქსელის დაგეგმვისას.თუნდაც რეკლამისთვის

კომპლექსური, შეიძლება იყოს ათიათასობით დატვირთვის მოწყობილობა და ასობით ჩამრთველი და მოთხოვნა AI-ზე დაფუძნებული მიკრო ქსელის/დისტრიბუციული ქსელის მუშაობაზე

გაჩნდება კონტროლი.

სენსორების დაბალი ღირებულებით და ენერგეტიკული ელექტრონული მოწყობილობების ფართო გამოყენებით, როგორიცაა მყარი მდგომარეობის ტრანსფორმატორები, მყარი მდგომარეობის კონცენტრატორები და ინვერტორები (კონვერტორები),

ინოვაციურ ტენდენციად იქცა სენსორული, გამოთვლითი და კონტროლის ინტეგრაცია ელექტრო ქსელის კიდეზე.

ამრიგად, ელექტრო ქსელის AIGC არის მომავალი.თუმცა, რაც დღეს საჭიროა, არ არის სასწრაფოდ ამოიღოთ AI ალგორითმი ფულის გამომუშავებისთვის.

ამის ნაცვლად, პირველ რიგში გადახედეთ AI-ს მიერ მოთხოვნილ მონაცემთა ინფრასტრუქტურის მშენებლობის საკითხებს

AIGC-ის აღმავლობისას საჭიროა საკმარისი მშვიდი ფიქრი აპლიკაციის დონეზე და ძალაუფლების AI-ის მომავალზე.

დღეისათვის დენის ხელოვნური ინტელექტის მნიშვნელობა არ არის მნიშვნელოვანი: მაგალითად, სპოტ ბაზარზე განთავსებულია ფოტოელექტრული ალგორითმი 90%-იანი პროგნოზის სიზუსტით.

სავაჭრო გადახრის ბარიერით 5%, და ალგორითმის გადახრა წაშლის ყველა სავაჭრო მოგებას.

მონაცემები არის წყალი, ხოლო ალგორითმის გამოთვლითი ძალა არის არხი.როგორც მოხდება, ასეც იქნება.