સાર પર પાછા ફરીએ, એકલતામાં AIGC ની સફળતા એ ત્રણ પરિબળોનું સંયોજન છે:

1. GPT એ માનવ ચેતાકોષોની પ્રતિકૃતિ છે

NLP દ્વારા રજૂ કરાયેલ GPT AI એ કમ્પ્યુટર ન્યુરલ નેટવર્ક અલ્ગોરિધમ છે, જેનો સાર માનવ મગજનો આચ્છાદનમાં ન્યુરલ નેટવર્કનું અનુકરણ કરવાનો છે.

ભાષા, સંગીત, છબીઓ અને સ્વાદની માહિતીની પ્રક્રિયા અને બુદ્ધિશાળી કલ્પના એ માનવ દ્વારા સંચિત તમામ કાર્યો છે.

લાંબા ગાળાના ઉત્ક્રાંતિ દરમિયાન "પ્રોટીન કમ્પ્યુટર" તરીકે મગજ.

તેથી, GPT એ સમાન માહિતીની પ્રક્રિયા કરવા માટે કુદરતી રીતે સૌથી યોગ્ય અનુકરણ છે, એટલે કે, અસંગઠિત ભાષા, સંગીત અને છબીઓ.

તેની પ્રક્રિયા કરવાની પદ્ધતિ અર્થની સમજ નથી, પરંતુ તેના બદલે શુદ્ધિકરણ, ઓળખ અને જોડાણની પ્રક્રિયા છે.આ એક ખૂબ જ છે

વિરોધાભાસી વસ્તુ.

પ્રારંભિક સ્પીચ સિમેન્ટીક રેકગ્નિશન એલ્ગોરિધમ્સ અનિવાર્યપણે એક વ્યાકરણ મોડેલ અને વાણી ડેટાબેઝ સ્થાપિત કરે છે, પછી વાણીને શબ્દભંડોળમાં મેપ કરે છે,

પછી શબ્દભંડોળનો અર્થ સમજવા માટે વ્યાકરણ ડેટાબેઝમાં શબ્દભંડોળ મૂક્યો, અને અંતે માન્યતા પરિણામો મેળવ્યા.

આ "લોજિકલ મિકેનિઝમ" આધારિત વાક્યરચના ઓળખની ઓળખ કાર્યક્ષમતા લગભગ 70% છે, જેમ કે ViaVoice માન્યતા

1990 ના દાયકામાં IBM દ્વારા રજૂ કરાયેલ અલ્ગોરિધમ.

AIGC આ રીતે રમવા વિશે નથી.તેનો સાર વ્યાકરણની કાળજી લેવાનો નથી, પરંતુ ન્યુરલ નેટવર્ક અલ્ગોરિધમ સ્થાપિત કરવાનો છે જે

કમ્પ્યુટર વિવિધ શબ્દો વચ્ચેના સંભવિત જોડાણોની ગણતરી કરવા માટે, જે ન્યુરલ જોડાણો છે, સિમેન્ટીક જોડાણો નથી.

જ્યારે આપણે નાના હતા ત્યારે આપણી માતૃભાષા શીખવાની જેમ, આપણે "વિષય, અનુમાન, પદાર્થ, ક્રિયાપદ, પૂરક" શીખવાને બદલે કુદરતી રીતે તે શીખ્યા.

અને પછી ફકરાને સમજવું.

આ એઆઈનું વિચારશીલ મોડેલ છે, જે ઓળખ છે, સમજણ નથી.

આ તમામ શાસ્ત્રીય મિકેનિઝમ મોડલ્સ માટે AI નું વિધ્વંસક મહત્વ પણ છે - કમ્પ્યુટર્સને આ બાબતને તાર્કિક સ્તરે સમજવાની જરૂર નથી,

પરંતુ તેના બદલે આંતરિક માહિતી વચ્ચેના સહસંબંધને ઓળખો અને ઓળખો અને પછી તેને જાણો.

ઉદાહરણ તરીકે, પાવર ફ્લો સ્ટેટ અને પાવર ગ્રીડની આગાહી ક્લાસિકલ પાવર નેટવર્ક સિમ્યુલેશન પર આધારિત છે, જ્યાં એક ગાણિતિક મોડલ

મિકેનિઝમ સ્થાપિત થાય છે અને પછી મેટ્રિક્સ અલ્ગોરિધમનો ઉપયોગ કરીને કન્વર્જ થાય છે.ભવિષ્યમાં, તે જરૂરી ન હોઈ શકે.AI સીધી રીતે ઓળખશે અને આગાહી કરશે

દરેક નોડની સ્થિતિ પર આધારિત ચોક્કસ મોડલ પેટર્ન.

ત્યાં જેટલા વધુ ગાંઠો છે, શાસ્ત્રીય મેટ્રિક્સ અલ્ગોરિધમ ઓછું લોકપ્રિય છે, કારણ કે અલ્ગોરિધમની જટિલતા સંખ્યા સાથે વધે છે.

ગાંઠો અને ભૌમિતિક પ્રગતિ વધે છે.જો કે, AI ખૂબ મોટા પાયે નોડ સંમતિ રાખવાનું પસંદ કરે છે, કારણ કે AI ઓળખવામાં સારી છે અને

સૌથી વધુ સંભવિત નેટવર્ક મોડ્સની આગાહી કરવી.

પછી ભલે તે Go ની આગામી આગાહી હોય (AlphaGO દરેક પગલા માટે અસંખ્ય શક્યતાઓ સાથે આગામી ડઝનેક પગલાંની આગાહી કરી શકે છે) અથવા મોડલ અનુમાન

જટિલ હવામાન પ્રણાલીઓમાં, AI ની ચોકસાઈ યાંત્રિક મોડલ કરતાં ઘણી વધારે છે.

પાવર ગ્રીડને હાલમાં AI ની જરૂર નથી તેનું કારણ એ છે કે પ્રાંતીય દ્વારા સંચાલિત 220 kV અને તેનાથી ઉપરના પાવર નેટવર્કમાં નોડ્સની સંખ્યા

ડિસ્પેચિંગ મોટું નથી, અને ઘણી શરતો મેટ્રિક્સને રેખીય બનાવવા અને સ્પાર્સ કરવા માટે સેટ કરવામાં આવી છે, જે મેટ્રિક્સની કોમ્પ્યુટેશનલ જટિલતાને મોટા પ્રમાણમાં ઘટાડે છે.

મિકેનિઝમ મોડલ.

જો કે, વિતરણ નેટવર્ક પાવર ફ્લો સ્ટેજ પર, હજારો અથવા સેંકડો હજારો પાવર નોડ્સ, લોડ નોડ્સ અને પરંપરાગત

મોટા વિતરણ નેટવર્કમાં મેટ્રિક્સ અલ્ગોરિધમ્સ શક્તિહીન છે.

હું માનું છું કે ડિસ્ટ્રિબ્યુશન નેટવર્ક સ્તરે AI ની પેટર્નની ઓળખ ભવિષ્યમાં શક્ય બનશે.

2. અસંગઠિત માહિતીનો સંચય, તાલીમ અને જનરેશન

AIGC એ સફળતા મેળવી છે તેનું બીજું કારણ માહિતીનો સંગ્રહ છે.વાણીના A/D રૂપાંતરણમાંથી (માઈક્રોફોન+PCM

સેમ્પલિંગ) ઈમેજીસના A/D રૂપાંતરણ (CMOS+કલર સ્પેસ મેપિંગ), માનવોએ વિઝ્યુઅલ અને ઓડિટરીમાં હોલોગ્રાફિક ડેટા એકઠો કર્યો છે.

છેલ્લા કેટલાક દાયકાઓમાં અત્યંત ઓછા ખર્ચે ક્ષેત્રો.

ખાસ કરીને, કેમેરા અને સ્માર્ટફોનનું મોટા પાયે લોકપ્રિયીકરણ, માનવીઓ માટે ઑડિયોવિઝ્યુઅલ ક્ષેત્રમાં અનસ્ટ્રક્ચર્ડ ડેટાનું સંચય

લગભગ શૂન્ય ખર્ચે, અને ઇન્ટરનેટ પર ટેક્સ્ટ માહિતીનો વિસ્ફોટક સંચય એ AIGC તાલીમની ચાવી છે - તાલીમ ડેટા સેટ સસ્તા છે.

ઉપરનો આંકડો વૈશ્વિક ડેટાના વૃદ્ધિ વલણને દર્શાવે છે, જે સ્પષ્ટપણે ઘાતાંકીય વલણ રજૂ કરે છે.

ડેટા સંચયની આ બિન-રેખીય વૃદ્ધિ એઆઈજીસીની ક્ષમતાઓની બિન-રેખીય વૃદ્ધિ માટેનો પાયો છે.

પરંતુ, આમાંના મોટા ભાગના ડેટા અનસ્ટ્રક્ચર્ડ ઑડિયો-વિઝ્યુઅલ ડેટા છે, જે શૂન્ય ખર્ચે એકઠા થાય છે.

ઇલેક્ટ્રિક પાવરના ક્ષેત્રમાં, આ પ્રાપ્ત કરી શકાતું નથી.સૌપ્રથમ, મોટાભાગના ઇલેક્ટ્રિક પાવર ઉદ્યોગ માળખાગત અને અર્ધ માળખાગત ડેટા છે, જેમ કે

વોલ્ટેજ અને વર્તમાન, જે સમય શ્રેણી અને અર્ધ સંરચિત બિંદુ ડેટા સેટ છે.

સ્ટ્રક્ચરલ ડેટા સેટને કમ્પ્યુટર્સ દ્વારા સમજવાની જરૂર છે અને "સંરેખણ" ની જરૂર છે, જેમ કે ઉપકરણ ગોઠવણી - વોલ્ટેજ, વર્તમાન અને પાવર ડેટા

સ્વીચને આ નોડ સાથે સંરેખિત કરવાની જરૂર છે.

વધુ મુશ્કેલી એ સમયની ગોઠવણી છે, જેમાં સમયના ધોરણના આધારે વોલ્ટેજ, વર્તમાન અને સક્રિય અને પ્રતિક્રિયાશીલ શક્તિને સંરેખિત કરવાની જરૂર છે, જેથી

અનુગામી ઓળખ કરી શકાય છે.આગળ અને વિપરીત દિશાઓ પણ છે, જે ચાર ચતુર્થાંશમાં અવકાશી ગોઠવણી છે.

ટેક્સ્ટ ડેટાથી વિપરીત, જેને સંરેખણની જરૂર નથી, ફકરો ખાલી કમ્પ્યુટર પર ફેંકવામાં આવે છે, જે સંભવિત માહિતી સંગઠનોને ઓળખે છે.

તેના પોતાના પર.

આ મુદ્દાને સંરેખિત કરવા માટે, જેમ કે બિઝનેસ ડિસ્ટ્રિબ્યુશન ડેટાનું સાધન સંરેખણ, સંરેખણની સતત જરૂર પડે છે, કારણ કે માધ્યમ અને

લો વોલ્ટેજ ડિસ્ટ્રિબ્યુશન નેટવર્ક દરરોજ સાધનો અને લાઈનો ઉમેરી, કાઢી નાખે છે અને તેમાં ફેરફાર કરી રહ્યું છે અને ગ્રીડ કંપનીઓ મજૂરીનો મોટો ખર્ચ કરે છે.

"ડેટા એનોટેશન" ની જેમ, કમ્પ્યુટર્સ આ કરી શકતા નથી.

બીજું, પાવર સેક્ટરમાં ડેટા એક્વિઝિશનનો ખર્ચ વધુ છે અને બોલવા અને ફોટા લેવા માટે મોબાઈલ ફોન રાખવાને બદલે સેન્સરની જરૂર પડે છે."

જ્યારે પણ વોલ્ટેજ એક સ્તરથી ઘટે છે (અથવા પાવર વિતરણ સંબંધ એક સ્તરથી ઘટે છે), ત્યારે જરૂરી સેન્સર રોકાણ વધે છે.

તીવ્રતાના ઓછામાં ઓછા એક ક્રમ દ્વારા.લોડ સાઈડ (કેપિલરી એન્ડ) સેન્સિંગ હાંસલ કરવા માટે, તે એક વધુ વિશાળ ડિજિટલ રોકાણ છે.”

જો પાવર ગ્રીડના ક્ષણિક મોડને ઓળખવા માટે જરૂરી હોય, તો ઉચ્ચ-ચોકસાઇવાળા ઉચ્ચ-આવર્તન નમૂનાની આવશ્યકતા છે, અને કિંમત પણ વધારે છે.

ડેટા સંપાદન અને ડેટા સંરેખણની અત્યંત ઊંચી સીમાંત કિંમતને લીધે, પાવર ગ્રીડ હાલમાં પર્યાપ્ત બિન-રેખીય એકઠા કરવામાં અસમર્થ છે.

AI એકલતા સુધી પહોંચવા માટે અલ્ગોરિધમને તાલીમ આપવા માટે ડેટા માહિતીની વૃદ્ધિ.

ડેટાની નિખાલસતાનો ઉલ્લેખ ન કરવો, પાવર AI સ્ટાર્ટઅપ માટે આ ડેટા મેળવવો અશક્ય છે.

તેથી, AI પહેલા, ડેટા સેટની સમસ્યાને હલ કરવી જરૂરી છે, અન્યથા સામાન્ય AI કોડને સારી AI બનાવવા માટે તાલીમ આપી શકાતી નથી.

3. કોમ્પ્યુટેશનલ પાવરમાં પ્રગતિ

એલ્ગોરિધમ્સ અને ડેટા ઉપરાંત, એઆઈજીસીની એકલતાની પ્રગતિ એ કોમ્પ્યુટેશનલ પાવરમાં પણ એક પ્રગતિ છે.પરંપરાગત CPU નથી

મોટા પાયે સમવર્તી ન્યુરોનલ કમ્પ્યુટિંગ માટે યોગ્ય.તે 3D રમતો અને મૂવીઝમાં ચોક્કસપણે GPU ની એપ્લિકેશન છે જે મોટા પાયે સમાંતર બનાવે છે

ફ્લોટિંગ-પોઇન્ટ+સ્ટ્રીમિંગ કમ્પ્યુટિંગ શક્ય છે.મૂરેનો કાયદો કોમ્પ્યુટેશનલ પાવરના એકમ દીઠ કોમ્પ્યુટેશનલ ખર્ચમાં વધુ ઘટાડો કરે છે.

પાવર ગ્રીડ AI, ભવિષ્યમાં અનિવાર્ય વલણ

મોટી સંખ્યામાં વિતરિત ફોટોવોલ્ટેઇક અને વિતરિત ઉર્જા સંગ્રહ પ્રણાલીના એકીકરણ સાથે, તેમજ તેની એપ્લિકેશન આવશ્યકતાઓ

લોડ સાઇડ વર્ચ્યુઅલ પાવર પ્લાન્ટ્સ, જાહેર વિતરણ નેટવર્ક સિસ્ટમ્સ અને વપરાશકર્તા માટે સ્રોત અને લોડ આગાહી હાથ ધરવા તે ઉદ્દેશ્યપૂર્વક જરૂરી છે

ડિસ્ટ્રિબ્યુશન (માઈક્રો) ગ્રીડ સિસ્ટમ્સ, તેમજ ડિસ્ટ્રિબ્યુશન (માઈક્રો) ગ્રીડ સિસ્ટમ્સ માટે રીઅલ-ટાઇમ પાવર ફ્લો ઑપ્ટિમાઇઝેશન.

વિતરણ નેટવર્ક બાજુની કોમ્પ્યુટેશનલ જટિલતા વાસ્તવમાં ટ્રાન્સમિશન નેટવર્ક શેડ્યુલિંગ કરતા વધારે છે.કોમર્શિયલ માટે પણ

જટિલ, હજારો લોડ ઉપકરણો અને સેંકડો સ્વીચો હોઈ શકે છે, અને AI આધારિત માઇક્રો ગ્રીડ/ડિસ્ટ્રિબ્યુશન નેટવર્ક ઓપરેશનની માંગ

નિયંત્રણ આવશે.

સેન્સરની ઓછી કિંમત અને પાવર ઇલેક્ટ્રોનિક ઉપકરણો જેમ કે સોલિડ-સ્ટેટ ટ્રાન્સફોર્મર્સ, સોલિડ-સ્ટેટ સ્વીચો અને ઇન્વર્ટર (કન્વર્ટર)ના વ્યાપક ઉપયોગ સાથે,

પાવર ગ્રીડની ધાર પર સેન્સિંગ, કમ્પ્યુટિંગ અને નિયંત્રણનું એકીકરણ પણ એક નવીન વલણ બની ગયું છે.

તેથી, પાવર ગ્રીડનું AIGC ભવિષ્ય છે.જો કે, આજે જેની જરૂર છે તે પૈસા કમાવવા માટે તરત જ AI અલ્ગોરિધમ લેવાની નથી,

તેના બદલે, પહેલા AI દ્વારા જરૂરી ડેટા ઈન્ફ્રાસ્ટ્રક્ચર કન્સ્ટ્રક્શન મુદ્દાઓ પર ધ્યાન આપો

AIGC ના ઉછાળામાં, એપ્લીકેશન લેવલ અને પાવર AI ના ભાવિ વિશે પર્યાપ્ત શાંત વિચાર કરવાની જરૂર છે.

હાલમાં, પાવર AIનું મહત્વ નોંધપાત્ર નથી: ઉદાહરણ તરીકે, સ્પોટ માર્કેટમાં 90% ની આગાહી ચોકસાઈ સાથે ફોટોવોલ્ટેઇક અલ્ગોરિધમ મૂકવામાં આવ્યું છે.

5% ની ટ્રેડિંગ ડેવિએશન થ્રેશોલ્ડ સાથે, અને અલ્ગોરિધમ વિચલન તમામ ટ્રેડિંગ નફાને નષ્ટ કરી દેશે.

ડેટા પાણી છે, અને અલ્ગોરિધમનો કોમ્પ્યુટેશનલ પાવર એક ચેનલ છે.જેમ તે થાય છે, તે થશે.