सार पर वापस लौटते हुए, सिंगुलैरिटी में AIGC की छलांग तीन कारकों के संयोजन से है:
1. GPT मानव न्यूरॉन्स की प्रतिकृति है
GPT AI, जिसे NLP द्वारा प्रस्तुत किया गया है, एक कंप्यूटर न्यूरल नेटवर्क एल्गोरिथम है, जिसका सार मानव सेरेब्रल कॉर्टेक्स में न्यूरल नेटवर्क्स का अनुकरण करना है।
भाषा, संगीत, चित्रों, और यहाँ तक कि स्वाद की जानकारी के प्रसंस्करण एवं बौद्धिक कल्पना सभी मानव द्वारा संचित किए गए कार्य हैं
दीर्घकालिक विकास के दौरान मस्तिष्क को “प्रोटीन कंप्यूटर” के रूप में।
इसलिए, GPT स्वाभाविक रूप से समान जानकारी को संसाधित करने के लिए सबसे उपयुक्त अनुकरण है—अर्थात् असंरचित भाषा, संगीत और छवियाँ।
इसके प्रसंस्करण की क्रियाविधि अर्थ की समझ नहीं है, बल्कि परिष्करण, पहचान और संबंध स्थापित करने की प्रक्रिया है। यह एक बहुत
विरोधाभासी बात।
प्रारंभिक भाषण सेमेंटिक पहचान एल्गोरिदम ने मूल रूप से एक व्याकरण मॉडल और एक भाषण डेटाबेस स्थापित किया, फिर भाषण को शब्दावली से मैप किया,
फिर शब्दावली को व्याकरण डेटाबेस में रखा गया ताकि शब्दावली के अर्थ को समझा जा सके, और अंत में पहचान परिणाम प्राप्त किए गए।
इस “लॉजिकल मैकेनिज्म” आधारित सिंटैक्स पहचान की पहचान दक्षता लगभग 70% के आसपास घूम रही है, जैसे कि ViaVoice पहचान
एल्गोरिथम जिसे IBM ने 1990s में पेश किया।
AIGC इस तरह से खेलने के बारे में नहीं है। इसका सार व्याकरण की परवाह करना नहीं है, बल्कि एक न्यूरल नेटवर्क एल्गोरिथ्म स्थापित करना है जो अनुमति देता है कि
कंप्यूटर विभिन्न शब्दों के बीच संभाव्यता-आधारित संबंधों की गिनती करने के लिए, जो न्यूरल संबंध हैं, अर्थात् सेमेंटिक संबंध नहीं।
ठीक वैसे ही जैसे हम बचपन में अपनी मातृभाषा सीखते थे, हमने इसे स्वाभाविक रूप से सीखा, बजाय “विषय, क्रियाविशेषण, कर्म, क्रिया, पूरक” सीखने के,”
और फिर एक पैराग्राफ को समझना।
यह AI का सोचने का मॉडल है, जो पहचान है, समझ नहीं।
यह AI के लिए सभी शास्त्रीय तंत्र मॉडलों का विध्वंसकारी महत्व भी है – कंप्यूटरों को इस विषय को तार्किक स्तर पर समझने की आवश्यकता नहीं है,
बल्कि आंतरिक जानकारी के बीच सहसंबंध की पहचान करें और उसे पहचानें, फिर उसे जानें।
पावर फ्लो स्टेट और पावर ग्रिड्स की भविष्यवाणी क्लासिकल पावर नेटवर्क सिमुलेशन पर आधारित हैं, जहाँ एक गणितीय मॉडल का
तंत्र स्थापित किया जाता है और फिर मैट्रिक्स एल्गोरिथ्म का उपयोग करके समेकित किया जाता है। भविष्य में, इसकी आवश्यकता न हो। AI सीधे पहचानेगी और भविष्यवाणी करेगी एक
प्रत्येक नोड की स्थिति के आधार पर एक निश्चित मॉडल पैटर्न।
The more nodes there are, the less popular the classical matrix algorithm is, because the complexity of the algorithm increases with the number of
नोड्स और ज्यामितीय अनुक्रम में वृद्धि होती है। हालांकि, AI बहुत बड़े पैमाने पर नोड समवर्तिता रखना पसंद करता है, क्योंकि AI पहचानने में अच्छा है और
सबसे संभावित नेटवर्क मोड्स का पूर्वानुमान लगा रहा है।
चाहे वह गो का अगला पूर्वानुमान हो (अल्फागो अगले दर्जनों चालों का पूर्वानुमान लगा सकता है, प्रत्येक चाल के लिए असंख्य संभावनाएँ होती हैं) या मॉडल पूर्वानुमान
जटिल मौसम प्रणालियों के, AI की सटीकता मैकेनिकल मॉडल्स की तुलना में कहीं अधिक है।
इस कारण से कि विद्युत ग्रिड को वर्तमान में AI की आवश्यकता नहीं है, प्रांतीय द्वारा प्रबंधित 220 kV एवं उससे ऊपर के विद्युत नेटवर्क्स में नोड्स की संख्या
dispatching is not large, and many conditions are set to linearize and sparse the matrix, greatly reducing the computational complexity of the
तंत्र मॉडल।
हालाँकि, वितरण नेटवर्क पावर फ्लो चरण पर, दसियों हजार या लाखों पावर नोड्स, लोड नोड्स, और पारंपरिक का सामना करते हुए
बड़े वितरण नेटवर्क में मैट्रिक्स एल्गोरिदम बेअसर हैं।
मुझे लगता है कि वितरण नेटवर्क स्तर पर AI की पैटर्न पहचान भविष्य में संभव हो जाएगी।
2. असंरचित जानकारी का संचयन, प्रशिक्षण और उत्पादन
AIGC के कारण सफलता हासिल करने का दूसरा कारण सूचना का संचय है। भाषण के A/D रूपांतरण से (माइक्रोफोन+PCM
नमूनाकरण) से लेकर छवियों के A/D रूपांतरण तक (CMOS+रंग स्पेस मैपिंग), मनुष्यों ने दृश्य और श्रवण में होलोग्राफिक डेटा संचित किया है
पिछले कुछ दशकों में अत्यंत कम लागत वाले तरीकों से क्षेत्रों में।
विशेष रूप से, कैमरों और स्मार्टफोन्स के बड़े पैमाने पर लोकप्रियकरण, मनुष्यों के लिए ऑडियो-विज़ुअल क्षेत्र में असंरचित डेटा का संचय
लगभग शून्य लागत पर, और इंटरनेट पर टेक्स्ट सूचना का विस्फोटक संचय AIGC प्रशिक्षण की कुंजी है – प्रशिक्षण डेटा सेट सस्ते हैं।
ऊपर दिया गया आंकड़ा वैश्विक डेटा के वृद्धि रुझान को दर्शाता है, जो स्पष्ट रूप से एक घातांकीय रुझान प्रस्तुत करता है।
डेटा संचय का यह गैर-रैखिक वृद्धि AIGC की क्षमताओं के गैर-रैखिक वृद्धि की नींव है।
लेकिन, इनमें से अधिकांश डेटा असंरचित ऑडियो-विज़ुअल डेटा हैं, जिन्हें शून्य लागत पर संचित किया जाता है।
विद्युत शक्ति के क्षेत्र में, इसे प्राप्त नहीं किया जा सकता। सबसे पहले, विद्युत शक्ति उद्योग का अधिकांश भाग संरचित एवं अर्ध-संरचित डेटा है, जैसे
वोल्टेज और करंट, जो समय श्रृंखला के पॉइंट डेटा सेट हैं एवं अर्ध-संरचित हैं।
संरचनात्मक डेटा सेटों को कंप्यूटरों द्वारा समझा जाना आवश्यक है और इन्हें “संरेखण” की आवश्यकता होती है, जैसे डिवाइस संरेखण – वोल्टेज, करंट, और पावर डेटा
स्विच के इस नोड के साथ संरेखित होने की आवश्यकता है।
और अधिक परेशान करने वाली बात समय संरेखण है, जिसके लिए समय स्केल के आधार पर वोल्टेज, धारा, तथा सक्रिय एवं प्रतिक्रियाशील शक्ति को संरेखित करने की आवश्यकता होती है, ताकि
बाद के पहचान को किया जा सकता है। आगे और पीछे की दिशाएँ भी हैं, जो चार चतुर्थांशों में स्थानिक संरेखण हैं।
टेक्स्ट डेटा के विपरीत, जिसे एलाइनमेंट की आवश्यकता नहीं होती, एक पैराग्राफ को बस कंप्यूटर पर फेंक दिया जाता है, जो संभावित सूचना संबंधों की पहचान करता है
अपने आप।
इस मुद्दे को संरेखित करने के लिए, जैसे कि व्यावसायिक वितरण डेटा की उपकरण संरेखण, संरेखण की लगातार आवश्यकता होती है, क्योंकि माध्यम और
कम वोल्टेज वितरण नेटवर्क प्रतिदिन उपकरणों और लाइनों को जोड़ रहा है, हटा रहा है, एवं संशोधित कर रहा है, और ग्रिड कंपनियाँ भारी श्रम लागत खर्च कर रही हैं।
जैसे “डेटा एनोटेशन”, कंप्यूटर इसे नहीं कर सकते।
दूसरे, बिजली क्षेत्र में डेटा अधिग्रहण की लागत अधिक है, और बोलने एवं फोटो लेने के लिए मोबाइल फोन के बजाय सेंसरों की आवश्यकता होती है।”
हर बार जब वोल्टेज एक स्तर कम होता है (या पावर डिस्ट्रीब्यूशन रिलेशनशिप एक स्तर कम होती है), तो आवश्यक सेंसर निवेश बढ़ जाता है
कम से कम एक क्रम के आकार से। लोड साइड (कैपिलरी एंड) सेंसिंग हासिल करने के लिए, यह और भी अधिक एक विशाल डिजिटल निवेश है।
यदि पावर ग्रिड के अस्थायी मोड की पहचान करना आवश्यक है, तो उच्च-सटीकता वाले उच्च-आवृत्ति सैंपलिंग की आवश्यकता होती है, और लागत और भी अधिक होती है।
डेटा अधिग्रहण और डेटा संरेखण की अत्यंत उच्च सीमांत लागत के कारण, पावर ग्रिड वर्तमान में पर्याप्त गैर-रैखिक संचय करने में असमर्थ है
डेटा सूचना की वृद्धि एल्गोरिथम को प्रशिक्षित करने के लिए ताकि AI सिंगुलैरिटी तक पहुँचा जा सके।
डेटा की खुलेपन का तो जिक्र ही नहीं, एक पावर AI स्टार्टअप के लिए इन डेटा को प्राप्त करना असंभव है।
इसलिए, AI से पहले, डेटा सेट्स की समस्या को हल करना आवश्यक है, अन्यथा जनरल AI कोड को अच्छी AI उत्पन्न करने के लिए प्रशिक्षित नहीं किया जा सकता।
3. संगणनात्मक शक्ति में महत्वपूर्ण उपलब्धि
एल्गोरिदम और डेटा के अलावा, AIGC की सिंगुलैरिटी सफलता भी कम्प्यूटेशनल पावर में एक सफलता है। पारंपरिक CPUs नहीं हैं
बड़े पैमाने पर समवर्ती न्यूरॉनल कंप्यूटिंग के लिए उपयुक्त। यह ठीक वही है जो 3D गेम्स और मूवीज में GPUs का अनुप्रयोग बड़े पैमाने पर समानांतर बनाता है
फ्लोटिंग-पॉइंट+स्ट्रीमिंग कंप्यूटिंग संभव है। मूर के नियम से कंप्यूटेशनल पावर की प्रति इकाई कंप्यूटेशनल लागत और भी कम हो जाती है।
पावर ग्रिड एआई, भविष्य में एक अपरिहार्य प्रवृत्ति
बड़ी संख्या में वितरित फोटोवोल्टिक और वितरित ऊर्जा भंडारण प्रणालियों के एकीकरण के साथ, साथ ही {placeholder} के अनुप्रयोग आवश्यकताओं के
लोड साइड वर्चुअल पावर प्लांट्स लोड करने के लिए, सार्वजनिक वितरण नेटवर्क प्रणालियों और उपयोगकर्ता के लिए स्रोत एवं लोड पूर्वानुमान करना वस्तुनिष्ठ रूप से आवश्यक है
वितरण (माइक्रो) ग्रिड प्रणालियाँ, साथ ही वितरण (माइक्रो) ग्रिड प्रणालियों के लिए रियल-टाइम पावर फ्लो ऑप्टिमाइज़ेशन।
वितरण नेटवर्क पक्ष की संगणनात्मक जटिलता वास्तव में ट्रांसमिशन नेटवर्क शेड्यूलिंग की तुलना में अधिक है। यहाँ तक कि एक वाणिज्यिक के लिए भी
जटिल, वहाँ दसियों हजार लोड डिवाइसेस और सैकड़ों स्विचेस हो सकते हैं, एवं AI आधारित माइक्रो ग्रिड/डिस्ट्रीब्यूशन नेटवर्क ऑपरेशन की मांग
नियंत्रण उत्पन्न होगा।
सेंसरों की कम लागत और सॉलिड-स्टेट ट्रांसफॉर्मर, सॉलिड-स्टेट स्विच एवं इन्वर्टर (कन्वर्टर) जैसे पावर इलेक्ट्रॉनिक उपकरणों के व्यापक उपयोग के साथ,
पावर ग्रिड के किनारे पर सेंसिंग, कंप्यूटिंग और नियंत्रण का एकीकरण भी एक नवाचारी प्रवृत्ति बन गया है।
इसलिए, पावर ग्रिड का AIGC भविष्य है। हालांकि, आज जिस चीज़ की आवश्यकता है वह यह नहीं है कि तुरंत पैसे कमाने के लिए एक AI एल्गोरिथ्म निकाल लिया जाए,
इसके बजाय, पहले AI द्वारा आवश्यक डेटा इन्फ्रास्ट्रक्चर निर्माण संबंधी समस्याओं को संबोधित करें
AIGC के उछाल में, पावर AI के एप्लिकेशन स्तर और भविष्य के बारे में पर्याप्त शांत चिंतन की आवश्यकता है।
वर्तमान में, पावर AI का महत्व उल्लेखनीय नहीं है: उदाहरण के लिए, 90% की भविष्यवाणी सटीकता वाला एक फोटोवोल्टिक एल्गोरिथ्म स्पॉट मार्केट में रखा जाता है
5% के ट्रेडिंग विचलन सीमा के साथ, और एल्गोरिथ्म विचलन सभी ट्रेडिंग लाभों को मिटा देगा।
डेटा पानी है, और एल्गोरिथम की संगणनात्मक शक्ति एक चैनल है। जैसा कि होता है, वह ऐसा ही होगा।





