اصل ته بیرته راګرځیدل، د واحدیت په برخه کې د AIGC بریالیتوب د دریو فکتورونو ترکیب دی:

1. GPT د انسان د نیورونونو نقل دی

GPT AI د NLP لخوا نمایندګي د کمپیوټر عصبي شبکې الګوریتم دی ، چې جوهر یې د انسان دماغي کورټیکس کې د عصبي شبکو انډول کول دي.

د ژبې، موسیقۍ، انځورونو او حتی د خوند معلوماتو پروسس او هوښیار تخیل ټول د انسان لخوا راټول شوي دندې دي.

دماغ د اوږدې مودې تکامل په جریان کې د "پروټین کمپیوټر" په توګه.

له همدې امله، GPT په طبیعي ډول د ورته معلوماتو پروسس کولو لپاره خورا مناسب تقلید دی، دا دی، غیر منظم ژبه، موسیقي او انځورونه.

د دې پروسس کولو میکانیزم د معنی پوهه نه ده، بلکه د پاکولو، پیژندلو او یوځای کولو پروسه ده.دا یو ډیر دی

متضاد شی.

د لومړنۍ وینا سیمانټیک پیژندنې الګوریتم په لازمي ډول د ګرامر ماډل او د وینا ډیټابیس رامینځته کړ ، بیا یې وینا د لغتونو سره نقشه کړه ،

بیا یې لغتونه د ګرامر ډیټابیس کې ځای په ځای کړل ترڅو د لغتونو معنی درک کړي، او په پای کې د پیژندنې پایلې ترلاسه کړي.

د دې "منطقي میکانیزم" پر بنسټ د نحو پیژندنې د پیژندنې موثریت شاوخوا 70٪ په نښه کوي، لکه د ViaVoice پیژندنه

الګوریتم د IBM لخوا په 1990s کې معرفي شو.

AIGC د دې ډول لوبې کولو په اړه ندي.د دې جوهر د ګرامر پروا نه کوي، بلکه د عصبي شبکې الګوریتم رامینځته کول دي چې اجازه ورکوي

کمپیوټر د مختلفو کلمو تر مینځ احتمالي اړیکې شمیرل کیږي، کوم چې عصبي اړیکې دي، نه سیمانټیک اړیکې.

د مورنۍ ژبې د زده کړې په څیر چې موږ ځوان وو، موږ په طبیعي توګه دا زده کړل، د دې پر ځای چې "موضوع، وړاندیز، اعتراض، فعل، تکمیل" زده کړو.

او بیا په یوه پراګراف پوهیدل.

دا د AI د فکر ماډل دی، کوم چې پیژندنه ده، نه پوهیدل.

دا د ټولو کلاسیک میکانیزم ماډلونو لپاره د AI تخریبي اهمیت هم دی - کمپیوټر اړتیا نلري پدې مسله په منطقي کچه پوه شي ،

بلکه د داخلي معلوماتو ترمنځ اړیکه پیژني او پیژني، او بیا یې پیژني.

د مثال په توګه، د بریښنا جریان حالت او د بریښنا شبکې وړاندوینه د کلاسیک بریښنا شبکې سمولیشن پراساس ده ، چیرې چې د بریښنایی سیسټم ریاضيیک ماډل

میکانیزم تاسیس شوی او بیا د میټریکس الګوریتم په کارولو سره یوځای کیږي.په راتلونکي کې، دا ممکن اړین نه وي.AI به مستقیم پیژندنه او وړاندوینه وکړي

د هر نوډ حالت پراساس یو ځانګړی ماډل نمونه.

هرڅومره چې نور نوډونه شتون ولري ، د کلاسیک میټریکس الګوریتم لږ مشهور وي ، ځکه چې د الګوریتم پیچلتیا د شمیر سره ډیریږي.

نوډونه او جیومیټریک پرمختګ زیاتیږي.په هرصورت، AI غوره کوي چې خورا لوی پیمانه نوډ همغږي ولري، ځکه چې AI په پیژندلو کې ښه دی او

د ډیری احتمالي شبکې حالتونو وړاندوینه.

ایا دا د Go راتلونکی وړاندوینه ده (الفاګو کولی شي د راتلونکو لسګونو مرحلو وړاندوینه وکړي ، د هر ګام لپاره بې شمیره امکاناتو سره) یا د ماډل وړاندوینه

د پیچلي هوا سیسټمونو کې، د AI دقت د میخانیکي ماډلونو په پرتله خورا لوړ دی.

دلیل چې ولې د بریښنا شبکه اوس مهال AI ته اړتیا نلري دا دی چې د 220 kV او پورته بریښنا شبکې کې د نوډونو شمیر د والیت لخوا اداره کیږي.

استول لوی نه دی، او ډیری شرایط د میټرکس د خطي کولو او سپیر کولو لپاره ټاکل شوي، د کمپیوټر کمپیوټري پیچلتیا خورا کموي.

د میکانیزم ماډل.

په هرصورت ، د توزیع شبکې بریښنا جریان مرحله کې ، د لسګونو زرو یا سلګونو زرو بریښنا نوډونو ، بار نوډونو ، او دودیز سره مخ دي.

په لوی توزیع شبکه کې د میټریکس الګوریتم بې ځواکه دی.

زه باور لرم چې د توزیع شبکې په کچه د AI نمونې پیژندنه به په راتلونکي کې ممکنه شي.

2. د غیر منظم معلوماتو راټولول، روزنه، او تولید

دوهم دلیل چې ولې AIGC پرمختګ کړی د معلوماتو راټولول دي.د وینا د A/D تبادلې څخه (مائیکروفون + PCM

نمونه اخیستل) د عکسونو A/D تبادلې ته (CMOS + د رنګ ځای نقشه کول) ، انسانانو په لید او اوریدونکي کې هولوګرافیک معلومات راټول کړي دي

په تیرو څو لسیزو کې په خورا ټیټ لګښتونو کې ساحې.

په ځانګړي توګه ، د کیمرې او سمارټ فونونو لوی پیمانه شهرت ، د انسانانو لپاره د آډیو لید ساحه کې د غیر منظم معلوماتو راټولول

په نږدې صفر لګښت، او په انټرنیټ کې د متن معلوماتو چاودیدونکي راټولول د AIGC روزنې کلیدي دي - د روزنې ډیټا سیټونه ارزانه دي.

پورته شمیره د نړیوال ډیټا د ودې تمایل ښیې، کوم چې په روښانه توګه د احتمالي رجحان وړاندې کوي.

د معلوماتو د راټولولو دا غیر خطي وده د AIGC د وړتیاوو د غیر خطي ودې لپاره بنسټ دی.

مګر، ډیری دا ډاټا غیر منظم شوي آډیو - بصري ډاټا دي، کوم چې په صفر لګښت کې راټول شوي.

د بریښنا په برخه کې، دا نشي ترلاسه کیدی.لومړی، د بریښنا د صنعت ډیری برخه جوړښت لري او نیمه جوړښت شوي ډاټا، لکه

ولتاژ او اوسنی، کوم چې د وخت لړۍ او نیمه جوړښت شوي ټکي ډیټا سیټونه دي.

ساختماني ډیټا سیټونه باید د کمپیوټر لخوا پوه شي او "سازینګ" ته اړتیا لري، لکه د وسیلې سمون - ولتاژ، اوسني، او بریښنا ډاټا

د سویچ باید د دې نوډ سره سمون ولري.

ډیر مشکل د وخت ترتیب دی، کوم چې د وخت د کچې پراساس د ولتاژ، اوسني، او فعال او عکس العمل بریښنا ته اړتیا لري.

وروسته پیژندنه ترسره کیدی شي.دلته مخکینۍ او شاته لار هم شتون لري، کوم چې په څلورو کواډرینټ کې ځایی ترتیب دی.

د متن ډیټا برعکس، کوم چې سمون ته اړتیا نلري، یو پراګراف په ساده ډول کمپیوټر ته لیږدول کیږي، کوم چې د ممکنه معلوماتو اتحادیې پیژني.

په خپله.

د دې مسلې د تنظیم کولو لپاره ، لکه د سوداګرۍ توزیع ډیټا تجهیزاتو سیده کولو لپاره ، په دوامداره توګه سمون ته اړتیا ده ، ځکه چې منځنۍ او

د ټیټ ولتاژ توزیع شبکه هره ورځ د تجهیزاتو او لینونو اضافه کول، حذف کول او ترمیم کوي، او د شبکې شرکتونه د کار لوی لګښتونه لګوي.

د "ډیټا تشریح" په څیر کمپیوټر دا نشي کولی.

دوهم، د بریښنا په سکټور کې د معلوماتو ترلاسه کولو لګښت خورا لوړ دی، او د خبرو کولو او عکس اخیستلو لپاره د ګرځنده تلیفون پرځای سینسر ته اړتیا ده.»

هرکله چې ولتاژ د یوې کچې څخه راټیټیږي (یا د بریښنا توزیع اړیکه د یوې کچې لخوا کمیږي) ، د اړتیا وړ سینسر پانګونه ډیریږي

لږ تر لږه د یوې اندازې په ترتیب سره.د بار اړخ (کیپلیري پای) سینسنګ ترلاسه کولو لپاره ، دا حتی خورا پراخه ډیجیټل پانګه اچونه ده.

که چیرې د بریښنا د شبکې انتقالي حالت پیژندلو ته اړتیا وي، د لوړ دقیق لوړ فریکونسۍ نمونې ته اړتیا ده، او لګښت یې حتی لوړ دی.

د ډیټا ترلاسه کولو او د ډیټا تنظیم کولو خورا لوړ حده لګښت له امله ، د بریښنا شبکه اوس مهال نشي کولی کافي غیر خطي راټول کړي.

د AI واحدیت ته د رسیدو لپاره د الګوریتم روزلو لپاره د معلوماتو معلوماتو وده.

د ډیټا خلاصیدو یادونه نه کول ، دا د بریښنا AI پیل کولو لپاره ناممکن دي چې دا ډاټا ترلاسه کړي.

له همدې امله، د AI څخه مخکې، دا اړینه ده چې د ډیټا سیټونو ستونزه حل کړئ، که نه نو د AI عمومي کوډ نشي روزل کیدی چې ښه AI تولید کړي.

3. په کمپیوټري ځواک کې پرمختګ

د الګوریتمونو او معلوماتو سربیره، د AIGC واحدیت بریالیتوب هم په کمپیوټري ځواک کې یو پرمختګ دی.دودیز CPUs نه دي

د لوی پیمانه همغږي نیورونل کمپیوټري لپاره مناسب.دا دقیقا په 3D لوبو او فلمونو کې د GPUs غوښتنلیک دی چې په لویه کچه موازي کوي

floating-point + Streming Computing شونې ده.د مور قانون نور هم د کمپیوټري بریښنا د هر واحد کمپیوټري لګښت کموي.

د بریښنا شبکې AI، په راتلونکي کې یو ناگزیر رجحان

د توزیع شوي فوټوولټیک او توزیع شوي انرژي ذخیره کولو سیسټمونو لوی شمیر ادغام سره ، او همدارنګه د غوښتنلیک اړتیاوې

د بار اړخ مجازی بریښنا پلانټ ، دا په معقول ډول اړین دی چې د عامه توزیع شبکې سیسټمونو او کارونکي لپاره سرچینې او بار وړاندوینې ترسره کړي.

د توزیع (مائیکرو) گرډ سیسټمونه، په بیله بیا د توزیع (مائیکرو) گرډ سیسټمونو لپاره د ریښتیني وخت بریښنا جریان اصلاح کول.

د توزیع شبکې اړخ کمپیوټري پیچلتیا په حقیقت کې د لیږد شبکې مهالویش څخه لوړه ده.حتی د سوداګرۍ لپاره

پیچلي، ممکن لسګونه زره بار بار وسایل او په سلګونو سویچونه وي، او د AI پر بنسټ د مایکرو گرډ / توزیع شبکې عملیاتو غوښتنه

کنټرول به رامنځ ته شي.

د سینسرونو ټیټ لګښت او د بریښنا بریښنایی وسیلو پراخه کارونې سره لکه د سالډ سټیټ ټرانسفارمرونه ، سالډ سټیټ سویچونه ، او انورټرونه (کنورټرونه) ،

د بریښنا شبکې په څنډه کې د سینس کولو ، کمپیوټري کولو او کنټرول ادغام هم یو نوښتګر رجحان ګرځیدلی.

له همدې امله، د بریښنا شبکې AIGC راتلونکی دی.په هرصورت، هغه څه چې نن ورځ ورته اړتیا ده د پیسو ګټلو لپاره سمدستي د AI الګوریتم نه اخیستل دي،

پرځای یې، لومړی د AI لخوا اړین ډیټا زیربنا جوړونې مسلې حل کړئ

د AIGC په وده کې، د غوښتنلیک کچې او د بریښنا AI راتلونکي په اړه کافي آرام فکر کولو ته اړتیا ده.

اوس مهال، د بریښنا AI اهمیت د پام وړ ندی: د بیلګې په توګه، د 90٪ وړاندوینې دقت سره د فوتوولټیک الګوریتم د ځای په بازار کې ځای په ځای شوی.

د 5٪ د سوداګرۍ انحراف حد سره، او د الګوریتم انحراف به ټولې سوداګریزې ګټې له منځه یوسي.

ډاټا اوبه دي، او د الګوریتم کمپیوټري ځواک یو چینل دی.لکه څنګه چې پیښیږي، دا به وي.