צוריק צו דער עסאַנס, די ברייקטרו פון AIGC אין סינגלאַריטי איז אַ קאָמבינאַציע פון ​​​​דריי סיבות:

1. גפּט איז אַ רעפּליקע פון ​​מענטש נוראַנז

GPT AI רעפּריזענטיד דורך NLP איז אַ קאָמפּיוטער נעוראַל נעץ אַלגערידאַם, וועמענס עסאַנס איז צו סימולירן נעוראַל נעטוואָרקס אין די מענטשלעך סערעבראַל קאָרטעקס.

די פּראַסעסינג און ינטעליגענט פאַנטאַזיע פון ​​שפּראַך, מוזיק, בילדער און אפילו געשמאַק אינפֿאָרמאַציע זענען אַלע פאַנגקשאַנז אַקיומיאַלייטיד דורך די מענטש.

מאַרך ווי אַ "פּראָטעין קאָמפּיוטער" בעשאַס לאַנג-טערמין עוואָלוציע.

דעריבער, GPT איז געוויינטלעך די מערסט פּאַסיק נאָכמאַך פֿאַר פּראַסעסינג ענלעך אינפֿאָרמאַציע, דאָס איז אַנסטראַקטשערד שפּראַך, מוזיק און בילדער.

דער מעקאַניזאַם פון זייַן פּראַסעסינג איז נישט די פארשטאנד פון טייַטש, אָבער גאַנץ אַ פּראָצעס פון ראַפינירן, ידענטיפיצירן און אַסאָוסיייטינג.דאָס איז אַ זייער

פּאַראַדאָקסיקאַל זאַך.

אַלגערידאַמז פֿאַר פרי רעדע סעמאַנטיק דערקענונג האָבן יסענשאַלי געגרינדעט אַ גראַמאַטיק מאָדעל און אַ רעדע דאַטאַבייס, דערנאָך מאַפּט די רעדע צו די וואָקאַבולאַרי,

דערנאָך געשטעלט די וואָקאַבולאַרי אין די גראַמאַטיק דאַטאַבייס צו פֿאַרשטיין די טייַטש פון די וואָקאַבולאַרי, און לעסאָף באקומען דערקענונג רעזולטאַטן.

די דערקענונג עפעקטיווקייַט פון דעם "לאַדזשיקאַל מעקאַניזאַם" באזירט סינטאַקס דערקענונג איז כאַווערד אַרום 70%, אַזאַ ווי די ViaVoice דערקענונג.

אַלגערידאַם ינטראָודוסט דורך יבם אין די 1990 ס.

AIGC איז נישט וועגן פּלייינג ווי דאָס.זיין עסאַנס איז נישט צו זאָרגן וועגן גראַמאַטיק, אָבער אלא צו פאַרלייגן אַ נעוראַל נעץ אַלגערידאַם וואָס אַלאַוז די

קאָמפּיוטער צו ציילן די פּראָבאַביליסטיק קאַנעקשאַנז צווישן פאַרשידענע ווערטער, וואָס זענען נעוראַל קאַנעקשאַנז, נישט סעמאַנטיק קאַנעקשאַנז.

פיל ווי צו לערנען אונדזער מוטער לשון ווען מיר זענען יונג, מיר געוויינטלעך געלערנט עס, אלא ווי צו לערנען "טעמע, פּרעדיקאַט, כייפעץ, ווערב, דערגאַנג,"

און דערנאָך פֿאַרשטיין אַ פּאַראַגראַף.

דאָס איז דער טינגקינג מאָדעל פון אַי, וואָס איז דערקענונג, ניט פארשטאנד.

דאָס איז אויך די סאַבווערסיוו באַטייַט פון אַי פֿאַר אַלע קלאַסיש מעקאַניזאַם מאָדעלס - קאָמפּיוטערס טאָן ניט דאַרפֿן צו פֿאַרשטיין דעם ענין אויף די לאַדזשיקאַל מדרגה,

אָבער אלא ידענטיפיצירן און דערקענען די קאָראַליישאַן צווישן ינערלעך אינפֿאָרמאַציע, און דעמאָלט וויסן עס.

פֿאַר בייַשפּיל, די מאַכט לויפן שטאַט און פּראָגנאָז פון מאַכט גרידס זענען באזירט אויף קלאַסיש מאַכט נעץ סימיאַליישאַן, ווו אַ מאַטאַמאַטיקאַל מאָדעל פון די

מעקאַניזאַם איז געגרינדעט און דעמאָלט קאַנווערדזשד מיט אַ מאַטריץ אַלגערידאַם.אין דער צוקונפֿט, עס קען נישט זיין נייטיק.אַי וועט גלייך ידענטיפיצירן און פאָרויסזאָגן אַ

זיכער מאָדאַל מוסטער באזירט אויף די סטאַטוס פון יעדער נאָדע.

די מער נאָודז עס זענען, די ווייניקער פאָלקס די קלאַסיש מאַטריץ אַלגערידאַם איז, ווייַל די קאַמפּלעקסיטי פון די אַלגערידאַם ינקריסיז מיט די נומער פון

נאָודז און די דזשיאַמעטריק פּראַגרעשאַן ינקריסיז.אָבער, אַי פּראַפערז צו האָבן זייער גרויס וואָג נאָדע קאַנקעראַנסי, ווייַל אַי איז גוט צו ידענטיפיצירן און

פּרידיקטינג די מערסט מסתּמא נעץ מאָדעס.

צי דאָס איז דער ווייַטער פאָרויסזאָגן פון Go (AlphaGO קענען פאָרויסזאָגן די ווייַטער דאַזאַנז פון סטעפּס, מיט קאַונטלאַס פּאַסאַבילאַטיז פֿאַר יעדער שריט) אָדער די מאָדאַל פּראָגנאָז

פון קאָמפּלעקס וועטער סיסטעמען, די אַקיעראַסי פון אַי איז פיל העכער ווי די פון מעטשאַניקאַל מאָדעלס.

די סיבה וואָס די מאַכט גריד דערווייַל טוט נישט דאַרפן אַי איז אַז די נומער פון נאָודז אין 220 קוו און העכער מאַכט נעטוואָרקס געראטן דורך קליינשטעטלדיק

דיספּאַטשינג איז נישט גרויס, און פילע טנאָים זענען באַשטימט צו לינעאַריזירן און שיטער די מאַטריץ, און זייער רידוסינג די קאַמפּיוטיישאַנאַל קאַמפּלעקסיטי פון די מאַטריץ.

מעקאַניזאַם מאָדעל.

אָבער, אין די פאַרשפּרייטונג נעץ מאַכט לויפן בינע, פייסינג טענס פון טויזנטער אָדער הונדערטער פון טויזנטער פון מאַכט נאָודז, מאַסע נאָודז און טראדיציאנעלן

מאַטריץ אַלגערידאַמז אין אַ גרויס פאַרשפּרייטונג נעץ איז קויכעס.

איך גלויבן אַז מוסטער דערקענונג פון אַי אויף די פאַרשפּרייטונג נעץ מדרגה וועט ווערן מעגלעך אין דער צוקונפֿט.

2. די אַקיומיאַליישאַן, טריינינג און דור פון אַנסטראַקטשערד אינפֿאָרמאַציע

די צווייטע סיבה פארוואס AIGC האט געמאכט אַ ברייקטרו איז די אַקיומיאַליישאַן פון אינפֿאָרמאַציע.פֿון די A/D קאַנווערזשאַן פון רייד (מיקראָפאָן + PCM

מוסטערונג) צו די A / D קאַנווערזשאַן פון בילדער (CMOS + קאָליר פּלאַץ מאַפּינג), יומאַנז האָבן אַקיומיאַלייטיד האָלאָגראַפיק דאַטן אין די וויזשאַוואַל און אָדיטאָרי.

פעלדער אין גאָר נידעריק-פּרייַז וועגן אין די לעצטע עטלעכע יאָר.

אין באַזונדער, די גרויס-וואָג פּאָפּולאַריזאַטיאָן פון קאַמעראַס און סמאַרטפאָנעס, די אַקיומיאַליישאַן פון אַנסטראַקטשערד דאַטן אין די אַודיאָ וויסואַל פעלד פֿאַר יומאַנז

אין כּמעט נול פּרייַז, און די יקספּלאָוסיוו אַקיומיאַליישאַן פון טעקסט אינפֿאָרמאַציע אויף דער אינטערנעץ זענען די שליסל צו AIGC טריינינג - טריינינג דאַטן שטעלט זענען ביליק.

די פיגור אויבן ווייזט די וווּקס גאַנג פון גלאבאלע דאַטן, וואָס קלאר גיט אַן עקספּאָונענשאַל גאַנג.

דער ניט-לינעאַר וווּקס פון דאַטן אַקיומיאַליישאַן איז דער יסוד פֿאַר די ניט-לינעאַר וווּקס פון AIGC ס קייפּאַבילאַטיז.

אָבער, רובֿ פון די דאַטן זענען אַנסטראַקטשערד אַודיאָ-וויסואַל דאַטן, וואָס איז אַקיומיאַלייטיד מיט נול פּרייַז.

אין די פעלד פון עלעקטריש מאַכט, דאָס קען נישט דערגרייכן.פירסטלי, רובֿ פון די עלעקטריק מאַכט אינדוסטריע איז סטראַקטשערד און האַלב סטראַקטשערד דאַטן, אַזאַ ווי

וואָולטידזש און קראַנט, וואָס זענען פונט דאַטן שטעלט פון צייט סעריע און האַלב סטראַקטשערד.

סטראַקטשעראַל דאַטן שטעלט דאַרפֿן צו זיין פארשטאנען דורך קאָמפּיוטערס און דאַרפן "אַליינמאַנט", אַזאַ ווי מיטל אַליינמאַנט - די וואָולטידזש, קראַנט און מאַכט דאַטן

פון אַ באַשטימען דאַרפֿן צו זיין אַליינד צו דעם נאָדע.

מער טראַבאַלסאַם איז צייט אַליינמאַנט, וואָס ריקווייערז אַליינינג וואָולטידזש, קראַנט און אַקטיוו און ריאַקטיוו מאַכט באזירט אויף די צייט וואָג, אַזוי אַז

סאַבסאַקוואַנט לעגיטימאַציע קענען ווערן געטאן.עס זענען אויך פאָרויס און פאַרקערט אינסטרוקציעס, וואָס זענען ספּיישאַל אַליינמאַנט אין פיר קוואַדראַנץ.

ניט ענלעך טעקסט דאַטן, וואָס טוט נישט דאַרפן אַליינמאַנט, אַ פּאַראַגראַף איז פשוט ארלנגעווארפן צו די קאָמפּיוטער, וואָס יידענאַפייד מעגלעך אינפֿאָרמאַציע אַסאָוסייישאַנז

אויף זיך.

אין סדר צו ייַנרייען דעם אַרויסגעבן, אַזאַ ווי די עקוויפּמענט אַליינמאַנט פון געשעפט פאַרשפּרייטונג דאַטן, אַליינמאַנט איז קעסיידער דארף ווייַל די מיטל און

נידעריק וואָולטידזש פאַרשפּרייטונג נעץ איז אַדינג, דיליטינג און מאָדיפיצירן ויסריכט און שורות יעדער טאָג, און גריד קאָמפּאַניעס פאַרברענגען ריזיק אַרבעט קאָס.

ווי "דאַטן אַנאָטאַציע," קאָמפּיוטערס קענען נישט טאָן דאָס.

צווייטנס, די פּרייַז פון דאַטן אַקוואַזישאַן אין די מאַכט סעקטאָר איז הויך, און סענסאָרס זענען פארלאנגט אַנשטאָט פון אַ רירעוודיק טעלעפאָן צו רעדן און נעמען פאָטאָס."

יעדער מאָל די וואָולטידזש דיקריסאַז מיט איין שטאַפּל (אָדער די מאַכט פאַרשפּרייטונג שייכות דיקריסאַז מיט איין שטאַפּל), די פארלאנגט סענסער ינוועסמאַנט ינקריסיז

אין מינדסטער איין סדר פון מאַגנאַטוד.צו דערגרייכן לאָדן זייַט (קאַפּילערי סוף) סענסינג, עס איז אפילו מער אַ מאַסיוו דיגיטאַל ינוועסמאַנט."

אויב עס איז נייטיק צו ידענטיפיצירן די טראַנסיענט מאָדע פון ​​די מאַכט גריד, הויך-פּינטלעכקייַט הויך-אָפטקייַט מוסטערונג איז פארלאנגט, און די פּרייַז איז אפילו העכער.

רעכט צו דער גאָר הויך מאַרדזשאַנאַל פּרייַז פון דאַטן אַקוואַזישאַן און דאַטן אַליינמאַנט, די מאַכט גריד איז דערווייַל ניט ביכולת צו אָנקלייַבן גענוג ניט-לינעאַר.

גראָוט פון דאַטן אינפֿאָרמאַציע צו באַן אַ אַלגערידאַם צו דערגרייכן די יינגלאַטי.

ניט צו דערמאָנען די אָופּאַננאַס פון דאַטן, עס איז אוממעגלעך פֿאַר אַ מאַכט אַי סטאַרטאַפּ צו באַקומען די דאַטן.

דעריבער, איידער אַי, עס איז נייטיק צו סאָלווע די פּראָבלעם פון דאַטן שטעלט, אַנדערש גענעראַל אַי קאָד קענען ניט זיין טריינד צו פּראָדוצירן אַ גוט אַי.

3. ברייקטרו אין קאַמפּיוטיישאַנאַל מאַכט

אין אַדישאַן צו אַלגערידאַמז און דאַטן, די יינגלאַטי ברייקטרו פון AIGC איז אויך אַ ברייקטרו אין קאַמפּיוטיישאַנאַל מאַכט.טראַדיציאָנעל קפּוס זענען נישט

פּאַסיק פֿאַר גרויס-וואָג קאַנקעראַנט נעוראָנאַל קאַמפּיוטינג.עס איז פּונקט די אַפּלאַקיישאַן פון גפּוס אין 3 ד שפּילערייַ און קינאָ וואָס מאכט גרויס-וואָג פּאַראַלעל

פלאָוטינג-פונט + סטרימינג קאַמפּיוטינג מעגלעך.מאָר ס געזעץ ראַדוסאַז ווייַטער די קאַמפּיוטיישאַנאַל קאָס פּער אַפּאַראַט פון קאַמפּיוטיישאַנאַל מאַכט.

מאַכט גריד אַי, אַ באַשערט גאַנג אין דער צוקונפֿט

מיט די ינאַגריישאַן פון אַ גרויס נומער פון פונאנדערגעטיילט פאָטאָוואָלטאַיק און פונאנדערגעטיילט ענערגיע סטאָרידזש סיסטעמען, ווי געזונט ווי די אַפּלאַקיישאַן רעקווירעמענץ פון

לאָדן זייַט ווירטואַל מאַכט פּלאַנץ, עס איז אַבדזשעקטיוולי נייטיק צו פירן מקור און מאַסע פאָרקאַסטינג פֿאַר ציבור פאַרשפּרייטונג נעץ סיסטעמען און באַניצער

פאַרשפּרייטונג (מיקראָ) גריד סיסטעמען, ווי געזונט ווי פאַקטיש-צייט מאַכט לויפן אַפּטאַמאַזיישאַן פֿאַר פאַרשפּרייטונג (מיקראָ) גריד סיסטעמען.

די קאַמפּיוטיישאַנאַל קאַמפּלעקסיטי פון די פאַרשפּרייטונג נעץ זייַט איז אַקשלי העכער ווי די סקעדזשולינג פון די טראַנסמיסיע נעץ.אפילו פֿאַר אַ געשעפט

קאָמפּלעקס, עס קען זיין טענס פון טויזנטער פון מאַסע דעוויסעס און הונדערטער פון סוויטשיז, און די פאָדערונג פֿאַר אַי באזירט מיקראָ גריד / פאַרשפּרייטונג נעץ אָפּעראַציע

קאָנטראָל וועט אויפשטיין.

מיט די נידעריק פּרייַז פון סענסאָרס און די וויידספּרעד נוצן פון מאַכט עלעקטראָניש דעוויסעס אַזאַ ווי האַרט-שטאַט טראַנספאָרמערס, האַרט-שטאַט סוויטשיז און ינווערטערס (קאַנווערטערז),

די ינאַגריישאַן פון סענסינג, קאַמפּיוטינג און קאָנטראָל אין די ברעג פון די מאַכט גריד איז אויך געווארן אַ ינאַווייטיוו גאַנג.

דעריבער, די AIGC פון די מאַכט גריד איז די צוקונפֿט.אָבער, וואָס איז נויטיק הייַנט איז נישט צו מיד נעמען אַ אַי אַלגערידאַם צו מאַכן געלט,

אַנשטאָט, ערשטער אַדרעס די דאַטן ינפראַסטראַקטשער קאַנסטראַקשאַן ישוז פארלאנגט דורך אַי

אין די העכערונג פון AIGC, עס דאַרף זיין גענוג רויק טראכטן וועגן די אַפּלאַקיישאַן מדרגה און צוקונפֿט פון מאַכט אַי.

דערווייַל, די באַטייַט פון מאַכט אַי איז נישט באַטייטיק: פֿאַר בייַשפּיל, אַ פאָטאָוואָלטאַיק אַלגערידאַם מיט אַ פּרידיקשאַן פון 90% איז געשטעלט אין די אָרט מאַרק.

מיט אַ טריידינג דיווייישאַן שוועל פון 5%, און די אַלגערידאַם דיווייישאַן וועט ויסמעקן אַלע פּראַפיץ פון טריידינג.

די דאַטן זענען וואַסער, און די קאַמפּיוטיישאַנאַל מאַכט פון די אַלגערידאַם איז אַ קאַנאַל.ווי עס כאַפּאַנז, עס וועט זיין.