සාරය වෙත ආපසු යාම, AIGC හි ඒකීයත්වයේ ඉදිරි ගමන සාධක තුනක එකතුවකි:

1. GPT යනු මානව නියුරෝන වල අනුරුවකි

NLP විසින් නියෝජනය කරන GPT AI යනු පරිගණක ස්නායු ජාල ඇල්ගොරිතමයක් වන අතර, එහි සාරය වන්නේ මානව මස්තිෂ්ක බාහිකයේ ස්නායු ජාල අනුකරණය කිරීමයි.

භාෂාව, සංගීතය, රූප සහ රස තොරතුරු පවා සැකසීම සහ බුද්ධිමත් පරිකල්පනය මිනිසා විසින් රැස් කරන ලද කාර්යයන් වේ.

දිගුකාලීන පරිණාමය තුළ මොළය "ප්‍රෝටීන් පරිගණකයක්" ලෙස.

එබැවින්, GPT යනු සමාන තොරතුරු, එනම් ව්‍යුහගත නොවන භාෂාව, සංගීතය සහ රූප සැකසීම සඳහා වඩාත් සුදුසු අනුකරණය වේ.

එහි සැකසීමේ යාන්ත්රණය අර්ථය අවබෝධ කර ගැනීම නොව, පිරිපහදු කිරීම, හඳුනා ගැනීම සහ ඇසුරු කිරීමේ ක්රියාවලියකි.මේක හරිම එකක්

පරස්පර දෙයක්.

මුල් කථන අර්ථකථන හඳුනාගැනීමේ ඇල්ගොරිතම මගින් ව්‍යාකරණ ආකෘතියක් සහ කථන දත්ත ගබඩාවක් අවශ්‍යයෙන්ම ස්ථාපිත කර, පසුව කථනය වචන මාලාවට සිතියම්ගත කරන ලදී.

පසුව වචන මාලාවේ අර්ථය තේරුම් ගැනීමට වාග්මාලාව ව්‍යාකරණ දත්ත ගබඩාවට තබා අවසානයේ පිළිගැනීමේ ප්‍රතිඵල ලබා ගන්නා ලදී.

මෙම “තාර්කික යාන්ත්‍රණය” මත පදනම් වූ වාක්‍ය ඛණ්ඩ හඳුනාගැනීමේ හඳුනාගැනීමේ කාර්යක්ෂමතාව ViaVoice හඳුනාගැනීම වැනි 70%ක් පමණ පවතී.

1990 ගණන්වල IBM විසින් හඳුන්වා දුන් ඇල්ගොරිතම.

AIGC කියන්නේ මෙහෙම සෙල්ලම් කරන එක නෙවෙයි.එහි සාරය ව්‍යාකරණ ගැන සැලකිල්ලක් දැක්වීම නොව, ස්නායු ජාල ඇල්ගොරිතමයක් පිහිටුවීමට ඉඩ සලසයි.

විවිධ වචන අතර සම්භාවිතා සම්බන්ධතා ගණනය කිරීමට පරිගණකය, එනම් ස්නායු සම්බන්ධතා මිස අර්ථ සම්බන්ධතා නොවේ.

අපි කුඩා කාලයේ අපේ මව් භාෂාව ඉගෙන ගන්නවා වගේ, “විෂය, පුරෝකථනය, වස්තුව, ක්‍රියා පදය, අනුපූරකය” ඉගෙන ගන්නවාට වඩා අපි එය ස්වභාවිකවම ඉගෙන ගත්තා.

ඊට පස්සේ ඡේදයක් තේරුම් ගන්නවා.

මෙය AI හි චින්තන ආකෘතියයි, එය හඳුනා ගැනීම, අවබෝධය නොවේ.

සියලුම සම්භාව්‍ය යාන්ත්‍රණ ආකෘති සඳහා AI හි කඩාකප්පල්කාරී වැදගත්කම මෙයයි - පරිගණකවලට මෙම කාරණය තාර්කික මට්ටමින් තේරුම් ගැනීමට අවශ්‍ය නොවේ,

නමුත් අභ්‍යන්තර තොරතුරු අතර සහසම්බන්ධය හඳුනාගෙන හඳුනාගෙන පසුව එය දැන ගන්න.

උදාහරණයක් ලෙස, බල ප්‍රවාහ තත්ත්වය සහ බල ජාල වල පුරෝකථනය පදනම් වී ඇත්තේ සම්භාව්‍ය බල ජාල අනුකරණය මත වන අතර, එහිදී ගණිතමය ආකෘතියක්

යාන්ත්‍රණය ස්ථාපිත කර පසුව අනුකෘති ඇල්ගොරිතමයක් භාවිතයෙන් අභිසාරී වේ.අනාගතයේදී, එය අවශ්ය නොවනු ඇත.AI සෘජුවම හඳුනාගෙන පුරෝකථනය කරයි a

එක් එක් නෝඩයේ තත්ත්වය මත පදනම්ව නිශ්චිත මාදිලි රටාව.

නෝඩ් වැඩි වන තරමට, සම්භාව්‍ය අනුකෘති ඇල්ගොරිතම ජනප්‍රිය වන්නේ අඩුවෙන්, මන්ද ඇල්ගොරිතමයේ සංකීර්ණත්වය සංඛ්‍යාව සමඟ වැඩි වේ.

නෝඩ් සහ ජ්යාමිතික ප්රගතිය වැඩි වේ.කෙසේ වෙතත්, AI ඉතා විශාල පරිමාණයේ නෝඩ් සමගාමී වීමට කැමැත්තක් දක්වයි, මන්ද AI හඳුනා ගැනීමට සහ

බොහෝ දුරට ඉඩ ඇති ජාල මාදිලි පුරෝකථනය කිරීම.

එය Go හි මීළඟ පුරෝකථනය (AlphaGO සෑම පියවරක් සඳහාම අසංඛ්‍යාත හැකියාවන් සහිතව ඊළඟ පියවර දුසිම් ගණනක් පුරෝකථනය කළ හැක) හෝ මාදිලි අනාවැකිය වේවා

සංකීර්ණ කාලගුණ පද්ධතිවල, AI හි නිරවද්‍යතාවය යාන්ත්‍රික ආකෘතිවලට වඩා බෙහෙවින් වැඩි ය.

විදුලිබල ජාලයට දැනට AI අවශ්‍ය නොවන හේතුව නම් පළාත් විසින් කළමනාකරණය කරනු ලබන 220 kV සහ ඊට වැඩි බල ජාලවල ඇති නෝඩ් ගණනයි.

යැවීම විශාල නොවන අතර, න්‍යාසය රේඛීය කිරීමට සහ විරල කිරීමට බොහෝ කොන්දේසි සකසා ඇති අතර, එය ගණනය කිරීමේ සංකීර්ණතාව බෙහෙවින් අඩු කරයි.

යාන්ත්රණය ආකෘතිය.

කෙසේ වෙතත්, බෙදාහැරීමේ ජාල බල ප්‍රවාහ අවධියේදී, දස දහස් හෝ සිය දහස් ගණනකට මුහුණ දෙන බල නෝඩ්, පැටවුම් නෝඩ් සහ සම්ප්‍රදායික

විශාල බෙදාහැරීමේ ජාලයක matrix ඇල්ගොරිතම බල රහිත වේ.

බෙදාහැරීමේ ජාල මට්ටමින් AI රටා හඳුනා ගැනීම අනාගතයේදී හැකි වනු ඇතැයි මම විශ්වාස කරමි.

2. ව්‍යුහගත නොවන තොරතුරු සමුච්චය කිරීම, පුහුණු කිරීම සහ උත්පාදනය කිරීම

AIGC පෙරළියක් කර ඇති දෙවන හේතුව වන්නේ තොරතුරු සමුච්චය කිරීමයි.කථනයේ A/D පරිවර්තනයෙන් (මයික්‍රොෆෝනය+PCM

නියැදීම) රූපවල A/D පරිවර්තනය (CMOS+වර්ණ අවකාශය සිතියම්ගත කිරීම), මිනිසුන් දෘශ්‍ය සහ ශ්‍රවණය තුළ හොලෝග්‍රැෆික් දත්ත රැස් කර ගෙන ඇත.

පසුගිය දශක කිහිපය තුළ ඉතා අඩු වියදම් මාර්ගවල ක්ෂේත්‍ර.

විශේෂයෙන්ම, කැමරා සහ ස්මාට් ජංගම දුරකථන විශාල පරිමාණයෙන් ජනප්‍රිය වීම, මිනිසුන් සඳහා ශ්‍රව්‍ය දෘශ්‍ය ක්ෂේත්‍රයේ ව්‍යුහගත නොවන දත්ත සමුච්චය වීම

පාහේ ශුන්‍ය පිරිවැයකින්, සහ අන්තර්ජාලයේ පුපුරන සුලු ලෙස පෙළ තොරතුරු සමුච්චය වීම AIGC පුහුණුව සඳහා යතුර වේ - පුහුණු දත්ත කට්ටල මිළ අඩුයි.

ඉහත රූපයේ දැක්වෙන්නේ ගෝලීය දත්තවල වර්ධන ප්‍රවණතාවය වන අතර එය පැහැදිලිවම ඝාතීය ප්‍රවණතාවක් ඉදිරිපත් කරයි.

දත්ත සමුච්චනයේ මෙම රේඛීය නොවන වර්ධනය AIGC හි හැකියාවන්හි රේඛීය නොවන වර්ධනය සඳහා පදනම වේ.

එහෙත්, මෙම දත්ත බොහොමයක් ව්‍යුහගත නොවන ශ්‍රව්‍ය දෘශ්‍ය දත්ත වන අතර, එය ශුන්‍ය පිරිවැයකින් රැස් වේ.

විදුලි බල ක්ෂේත්රයේ මෙය සාක්ෂාත් කරගත නොහැකිය.පළමුව, බොහෝ විදුලි බල කර්මාන්තය ව්‍යුහගත සහ අර්ධ ව්‍යුහගත දත්ත වේ

වෝල්ටීයතාව සහ ධාරාව, ​​ඒවා කාල ශ්‍රේණියේ ලක්ෂ්‍ය දත්ත කට්ටල සහ අර්ධ ව්‍යුහගත වේ.

ව්‍යුහාත්මක දත්ත කට්ටල පරිගණක මගින් තේරුම් ගත යුතු අතර උපාංග පෙළගැස්ම වැනි “පෙළගැස්ම” අවශ්‍ය වේ - වෝල්ටීයතාව, ධාරාව සහ බල දත්ත

ස්විචයක මෙම නෝඩයට පෙළගැස්විය යුතුය.

වඩාත් කරදරකාරී වන්නේ කාලය පෙළගැස්වීමයි, ඒ සඳහා වෝල්ටීයතාව, ධාරාව සහ කාල පරිමාණය මත පදනම්ව ක්‍රියාකාරී සහ ප්‍රතික්‍රියාශීලී බලය පෙළගැස්වීම අවශ්‍ය වේ.

පසුව හඳුනා ගැනීම සිදු කළ හැකිය.හතරැස් හතරක අවකාශීය පෙළගැස්මක් වන ඉදිරි සහ ප්‍රතිලෝම දිශාවන් ද ඇත.

පෙළ දත්ත මෙන් නොව පෙළගැස්මක් අවශ්‍ය නොවේ, ඡේදයක් සරලව පරිගණකයට විසි කරනු ලැබේ, එය හැකි තොරතුරු සංගම් හඳුනා ගනී.

තනියම.

ව්‍යාපාර බෙදාහැරීමේ දත්තවල උපකරණ පෙළගැස්වීම වැනි මෙම ගැටළුව පෙළගැස්වීම සඳහා, පෙළගැස්වීම නිරන්තරයෙන් අවශ්‍ය වේ, මන්ද මාධ්‍යය සහ

අඩු වෝල්ටීයතා බෙදාහැරීමේ ජාලය සෑම දිනකම උපකරණ සහ රේඛා එකතු කිරීම, මකා දැමීම සහ වෙනස් කිරීම සහ ජාල සමාගම් විශාල ශ්රම පිරිවැයක් වැය කරයි.

"දත්ත විවරණ" මෙන්, පරිගණකවලට මෙය කළ නොහැක.

දෙවනුව, විදුලිබල අංශයේ දත්ත ලබාගැනීමේ පිරිවැය අධික වන අතර, කතා කිරීමට සහ ඡායාරූප ගැනීමට ජංගම දුරකථනයක් වෙනුවට සංවේදක අවශ්‍ය වේ.”

වෝල්ටීයතාව එක් මට්ටමකින් අඩු වන සෑම අවස්ථාවකම (හෝ බලය බෙදා හැරීමේ සම්බන්ධතාවය එක් මට්ටමකින් අඩු වේ), අවශ්ය සංවේදක ආයෝජනය වැඩි වේ

අවම වශයෙන් එක් විශාලත්වයේ අනුපිළිවෙලකින්.බර පැත්ත (කේශනාලිකා අවසානය) සංවේදනය ලබා ගැනීම සඳහා, එය ඊටත් වඩා දැවැන්ත ඩිජිටල් ආයෝජනයකි.

විදුලිබල ජාලයේ තාවකාලික මාදිලිය හඳුනා ගැනීමට අවශ්ය නම්, අධි-නිරවද්ය අධි-සංඛ්යාත නියැදීම අවශ්ය වන අතර, පිරිවැය ඊටත් වඩා වැඩි වේ.

දත්ත ලබාගැනීමේ සහ දත්ත පෙළගැස්වීමේ අතිශය ඉහළ ආන්තික පිරිවැය හේතුවෙන්, විදුලිබල ජාලයට දැනට ප්‍රමාණවත් නොවන රේඛීය රැස්කර ගැනීමට නොහැකි වී ඇත.

AI ඒකීයත්වය කරා ළඟා වීමට ඇල්ගොරිතමයක් පුහුණු කිරීම සඳහා දත්ත තොරතුරු වර්ධනය කිරීම.

දත්තවල විවෘතභාවය ගැන සඳහන් නොකරන්න, බලශක්ති AI ආරම්භකයකුට මෙම දත්ත ලබා ගැනීමට නොහැකි ය.

එබැවින්, AI වලට පෙර, දත්ත කට්ටලවල ගැටළුව විසඳීමට අවශ්ය වේ, එසේ නොමැතිනම් සාමාන්ය AI කේතය හොඳ AI නිෂ්පාදනය කිරීමට පුහුණු කළ නොහැක.

3. ගණනය කිරීමේ බලයේ ඉදිරි ගමන

ඇල්ගොරිතම සහ දත්ත වලට අමතරව, AIGC හි ඒකීයත්වයේ ප්‍රගතිය ද ගණනය කිරීමේ බලයේ ඉදිරි ගමනකි.සම්ප්‍රදායික CPU එසේ නොවේ

මහා පරිමාණ සමගාමී නියුරෝන පරිගණනය සඳහා සුදුසු වේ.එය හරියටම ත්‍රිමාණ ක්‍රීඩා සහ චිත්‍රපටවල GPU යෙදීම මහා පරිමාණ සමාන්තර කරයි

floating-point+streaming computing හැකි.මුවර්ගේ නීතිය තවදුරටත් ගණනය කිරීමේ බලය ඒකකයකට ගණනය කිරීමේ පිරිවැය අඩු කරයි.

Power grid AI, අනාගතයේ නොවැළැක්විය හැකි ප්‍රවණතාවක්

බෙදා හරින ලද ප්‍රකාශ වෝල්ටීයතා සහ බෙදා හරින ලද බලශක්ති ගබඩා පද්ධති විශාල සංඛ්‍යාවක් ඒකාබද්ධ කිරීම මෙන්ම යෙදුම් අවශ්‍යතා

පැති අතථ්‍ය බලාගාර පැටවීම, පොදු බෙදාහැරීමේ ජාල පද්ධති සහ පරිශීලකයින් සඳහා මූලාශ්‍ර සහ පැටවුම් පුරෝකථනය කිරීම වෛෂයිකව අවශ්‍ය වේ.

බෙදාහැරීමේ (ක්ෂුද්‍ර) ජාල පද්ධති මෙන්ම බෙදාහැරීමේ (ක්ෂුද්‍ර) ජාල පද්ධති සඳහා තත්‍ය කාලීන බල ප්‍රවාහ ප්‍රශස්තකරණය.

බෙදාහැරීමේ ජාල පැත්තේ ගණනය කිරීමේ සංකීර්ණත්වය ඇත්ත වශයෙන්ම සම්ප්‍රේෂණ ජාල උපලේඛනගත කිරීමට වඩා වැඩිය.වෙළඳ දැන්වීම් සඳහා පවා

සංකීර්ණ, බර උපාංග දස දහස් ගණනක් සහ ස්විච සිය ගණනක් තිබිය හැකි අතර, AI පදනම් වූ ක්ෂුද්‍ර ජාල/බෙදාහැරීමේ ජාල ක්‍රියාකාරිත්වය සඳහා ඉල්ලුම

පාලනය මතු වනු ඇත.

සංවේදකවල අඩු මිල සහ ඝණ රාජ්‍ය ට්‍රාන්ස්ෆෝමර්, ඝණ රාජ්‍ය ස්විච සහ ඉන්වර්ටර් (පරිවර්තක) වැනි බල ඉලෙක්ට්‍රොනික උපාංග බහුලව භාවිතා කිරීමත් සමඟ

විදුලිබල ජාලයේ කෙළවරේ සංවේදනය, පරිගණකකරණය සහ පාලනය ඒකාබද්ධ කිරීම නව්‍ය ප්‍රවණතාවක් බවට පත්ව ඇත.

එබැවින්, විදුලිබල ජාලයේ AIGC අනාගතයයි.කෙසේ වෙතත්, අද අවශ්‍ය වන්නේ මුදල් ඉපයීමට AI ඇල්ගොරිතමයක් වහාම ඉවත් කිරීම නොවේ,

ඒ වෙනුවට, පළමුව AI විසින් අවශ්‍ය දත්ත යටිතල පහසුකම් ගොඩනැගීමේ ගැටළු විසඳන්න

AIGC හි නැගීමේදී, AI හි යෙදුම් මට්ටම සහ අනාගතය පිළිබඳව ප්‍රමාණවත් සන්සුන් චින්තනයක් තිබිය යුතුය.

වර්තමානයේ, බලශක්ති AI හි වැදගත්කම සැලකිය යුතු නොවේ: උදාහරණයක් ලෙස, 90% ක පුරෝකථන නිරවද්‍යතාවයක් සහිත ප්‍රකාශ වෝල්ටීයතා ඇල්ගොරිතමයක් ස්ථාන වෙළඳපොලේ තබා ඇත.

5% ක වෙළඳ අපගමන සීමාවක් සමඟ, සහ ඇල්ගොරිතම අපගමනය සියලු වෙළඳ ලාභ මකා දමනු ඇත.

දත්ත ජලය වන අතර ඇල්ගොරිතමයේ ගණනය කිරීමේ බලය නාලිකාවකි.එය සිදු වන පරිදි, එය වනු ඇත.