ಸಾರಕ್ಕೆ ಹಿಂತಿರುಗಿ, ಏಕತ್ವದಲ್ಲಿ AIGC ಯ ಪ್ರಗತಿಯು ಮೂರು ಅಂಶಗಳ ಸಂಯೋಜನೆಯಾಗಿದೆ:

1. GPT ಮಾನವ ನರಕೋಶಗಳ ಪ್ರತಿರೂಪವಾಗಿದೆ

ಎನ್‌ಎಲ್‌ಪಿ ಪ್ರತಿನಿಧಿಸುವ ಜಿಪಿಟಿ ಎಐ ಕಂಪ್ಯೂಟರ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದೆ, ಇದರ ಸಾರವು ಮಾನವ ಸೆರೆಬ್ರಲ್ ಕಾರ್ಟೆಕ್ಸ್‌ನಲ್ಲಿ ನರಮಂಡಲವನ್ನು ಅನುಕರಿಸುವುದು.

ಭಾಷೆ, ಸಂಗೀತ, ಚಿತ್ರಗಳು ಮತ್ತು ಅಭಿರುಚಿಯ ಮಾಹಿತಿಯ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಬುದ್ಧಿವಂತ ಕಲ್ಪನೆಯು ಮಾನವನಿಂದ ಸಂಗ್ರಹಿಸಲ್ಪಟ್ಟ ಎಲ್ಲಾ ಕಾರ್ಯಗಳಾಗಿವೆ.

ದೀರ್ಘಕಾಲೀನ ವಿಕಾಸದ ಸಮಯದಲ್ಲಿ ಮೆದುಳು "ಪ್ರೋಟೀನ್ ಕಂಪ್ಯೂಟರ್" ಆಗಿ.

ಆದ್ದರಿಂದ, GPT ಸ್ವಾಭಾವಿಕವಾಗಿ ಒಂದೇ ರೀತಿಯ ಮಾಹಿತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಅನುಕರಣೆಯಾಗಿದೆ, ಅಂದರೆ, ರಚನೆಯಿಲ್ಲದ ಭಾಷೆ, ಸಂಗೀತ ಮತ್ತು ಚಿತ್ರಗಳು.

ಅದರ ಸಂಸ್ಕರಣೆಯ ಕಾರ್ಯವಿಧಾನವು ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅಲ್ಲ, ಬದಲಿಗೆ ಪರಿಷ್ಕರಿಸುವ, ಗುರುತಿಸುವ ಮತ್ತು ಸಂಯೋಜಿಸುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.ಇದು ತುಂಬಾ

ವಿರೋಧಾಭಾಸದ ವಿಷಯ.

ಆರಂಭಿಕ ಭಾಷಣ ಶಬ್ದಾರ್ಥದ ಗುರುತಿಸುವಿಕೆ ಕ್ರಮಾವಳಿಗಳು ಮೂಲಭೂತವಾಗಿ ವ್ಯಾಕರಣ ಮಾದರಿ ಮತ್ತು ಭಾಷಣ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಸ್ಥಾಪಿಸಿದವು, ನಂತರ ಶಬ್ದಕೋಶಕ್ಕೆ ಭಾಷಣವನ್ನು ಮ್ಯಾಪ್ ಮಾಡುತ್ತವೆ,

ನಂತರ ಶಬ್ದಕೋಶದ ಅರ್ಥವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ವ್ಯಾಕರಣ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಶಬ್ದಕೋಶವನ್ನು ಇರಿಸಿದರು ಮತ್ತು ಅಂತಿಮವಾಗಿ ಮಾನ್ಯತೆ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆದರು.

ಈ "ಲಾಜಿಕಲ್ ಮೆಕ್ಯಾನಿಸಂ" ಆಧಾರಿತ ಸಿಂಟ್ಯಾಕ್ಸ್ ಗುರುತಿಸುವಿಕೆಯ ಗುರುತಿಸುವಿಕೆಯ ದಕ್ಷತೆಯು 70% ರಷ್ಟಿದೆ, ಉದಾಹರಣೆಗೆ ViaVoice ಗುರುತಿಸುವಿಕೆ

1990 ರ ದಶಕದಲ್ಲಿ IBM ಪರಿಚಯಿಸಿದ ಅಲ್ಗಾರಿದಮ್.

ಎಐಜಿಸಿ ಈ ರೀತಿ ಆಡುವುದಲ್ಲ.ಇದರ ಸಾರವು ವ್ಯಾಕರಣದ ಬಗ್ಗೆ ಕಾಳಜಿ ವಹಿಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ನರಮಂಡಲದ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

ವಿವಿಧ ಪದಗಳ ನಡುವಿನ ಸಂಭವನೀಯ ಸಂಪರ್ಕಗಳನ್ನು ಎಣಿಸಲು ಕಂಪ್ಯೂಟರ್, ನರ ಸಂಪರ್ಕಗಳು, ಶಬ್ದಾರ್ಥದ ಸಂಪರ್ಕಗಳಲ್ಲ.

ನಾವು ಚಿಕ್ಕವರಿದ್ದಾಗ ನಮ್ಮ ಮಾತೃಭಾಷೆಯನ್ನು ಕಲಿತಂತೆ, "ವಿಷಯ, ಭವಿಷ್ಯ, ವಸ್ತು, ಕ್ರಿಯಾಪದ, ಪೂರಕ" ಕಲಿಯುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ನಾವು ಅದನ್ನು ಸ್ವಾಭಾವಿಕವಾಗಿ ಕಲಿತಿದ್ದೇವೆ.

ತದನಂತರ ಒಂದು ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.

ಇದು AI ಯ ಚಿಂತನೆಯ ಮಾದರಿಯಾಗಿದೆ, ಇದು ಗುರುತಿಸುವಿಕೆ, ತಿಳುವಳಿಕೆಯಲ್ಲ.

ಇದು ಎಲ್ಲಾ ಶಾಸ್ತ್ರೀಯ ಯಾಂತ್ರಿಕ ಮಾದರಿಗಳಿಗೆ AI ಯ ವಿಧ್ವಂಸಕ ಪ್ರಾಮುಖ್ಯತೆಯಾಗಿದೆ - ಕಂಪ್ಯೂಟರ್‌ಗಳು ಈ ವಿಷಯವನ್ನು ತಾರ್ಕಿಕ ಮಟ್ಟದಲ್ಲಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಅಗತ್ಯವಿಲ್ಲ,

ಆದರೆ ಆಂತರಿಕ ಮಾಹಿತಿಯ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಗುರುತಿಸಿ, ತದನಂತರ ಅದನ್ನು ತಿಳಿಯಿರಿ.

ಉದಾಹರಣೆಗೆ, ವಿದ್ಯುತ್ ಹರಿವಿನ ಸ್ಥಿತಿ ಮತ್ತು ಪವರ್ ಗ್ರಿಡ್‌ಗಳ ಭವಿಷ್ಯವು ಕ್ಲಾಸಿಕಲ್ ಪವರ್ ನೆಟ್‌ವರ್ಕ್ ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಆಧರಿಸಿದೆ, ಅಲ್ಲಿ ಗಣಿತದ ಮಾದರಿ

ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿದೆ ಮತ್ತು ನಂತರ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಲ್ಗಾರಿದಮ್ ಬಳಸಿ ಒಮ್ಮುಖಗೊಳಿಸಲಾಗುತ್ತದೆ.ಭವಿಷ್ಯದಲ್ಲಿ, ಇದು ಅಗತ್ಯವಿಲ್ಲದಿರಬಹುದು.AI ನೇರವಾಗಿ ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಊಹಿಸುತ್ತದೆ a

ಪ್ರತಿ ನೋಡ್‌ನ ಸ್ಥಿತಿಯನ್ನು ಆಧರಿಸಿ ನಿರ್ದಿಷ್ಟ ಮಾದರಿ ಮಾದರಿ.

ಹೆಚ್ಚು ನೋಡ್‌ಗಳಿವೆ, ಕ್ಲಾಸಿಕಲ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಲ್ಗಾರಿದಮ್ ಕಡಿಮೆ ಜನಪ್ರಿಯವಾಗಿದೆ, ಏಕೆಂದರೆ ಅಲ್ಗಾರಿದಮ್‌ನ ಸಂಕೀರ್ಣತೆಯು ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ

ನೋಡ್‌ಗಳು ಮತ್ತು ಜ್ಯಾಮಿತೀಯ ಪ್ರಗತಿಯು ಹೆಚ್ಚಾಗುತ್ತದೆ.ಆದಾಗ್ಯೂ, AI ಬಹಳ ದೊಡ್ಡ ಪ್ರಮಾಣದ ನೋಡ್ ಏಕಕಾಲಿಕತೆಯನ್ನು ಹೊಂದಲು ಆದ್ಯತೆ ನೀಡುತ್ತದೆ, ಏಕೆಂದರೆ AI ಗುರುತಿಸುವಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ ಮತ್ತು

ಹೆಚ್ಚು ಸಂಭವನೀಯ ನೆಟ್‌ವರ್ಕ್ ಮೋಡ್‌ಗಳನ್ನು ಊಹಿಸುತ್ತದೆ.

ಇದು Go ನ ಮುಂದಿನ ಭವಿಷ್ಯವಾಗಲಿ (ಆಲ್ಫಾಗೋ ಮುಂದಿನ ಡಜನ್ ಹಂತಗಳನ್ನು ಊಹಿಸಬಹುದು, ಪ್ರತಿ ಹಂತಕ್ಕೂ ಅಸಂಖ್ಯಾತ ಸಾಧ್ಯತೆಗಳೊಂದಿಗೆ) ಅಥವಾ ಮಾದರಿ ಭವಿಷ್ಯ

ಸಂಕೀರ್ಣ ಹವಾಮಾನ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ, AI ನ ನಿಖರತೆಯು ಯಾಂತ್ರಿಕ ಮಾದರಿಗಳಿಗಿಂತ ಹೆಚ್ಚು.

ಪವರ್ ಗ್ರಿಡ್‌ಗೆ ಪ್ರಸ್ತುತ AI ಅಗತ್ಯವಿಲ್ಲದಿರುವ ಕಾರಣವೆಂದರೆ ಪ್ರಾಂತೀಯ ನಿರ್ವಹಿಸುವ 220 kV ಮತ್ತು ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವಿದ್ಯುತ್ ಜಾಲಗಳಲ್ಲಿನ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆ

ರವಾನೆಯು ದೊಡ್ಡದಲ್ಲ, ಮತ್ತು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ರೇಖಾತ್ಮಕಗೊಳಿಸಲು ಮತ್ತು ವಿರಳಗೊಳಿಸಲು ಹಲವು ಷರತ್ತುಗಳನ್ನು ಹೊಂದಿಸಲಾಗಿದೆ, ಇದು ಗಣನೆಯ ಸಂಕೀರ್ಣತೆಯನ್ನು ಬಹಳವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ

ಯಾಂತ್ರಿಕ ಮಾದರಿ.

ಆದಾಗ್ಯೂ, ವಿತರಣಾ ಜಾಲದ ವಿದ್ಯುತ್ ಹರಿವಿನ ಹಂತದಲ್ಲಿ, ಹತ್ತಾರು ಅಥವಾ ನೂರಾರು ಸಾವಿರ ಪವರ್ ನೋಡ್‌ಗಳು, ಲೋಡ್ ನೋಡ್‌ಗಳು ಮತ್ತು ಸಾಂಪ್ರದಾಯಿಕ

ದೊಡ್ಡ ವಿತರಣಾ ಜಾಲದಲ್ಲಿನ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಶಕ್ತಿಹೀನವಾಗಿವೆ.

ವಿತರಣಾ ನೆಟ್‌ವರ್ಕ್ ಮಟ್ಟದಲ್ಲಿ AI ನ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ಭವಿಷ್ಯದಲ್ಲಿ ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂದು ನಾನು ನಂಬುತ್ತೇನೆ.

2. ರಚನೆಯಿಲ್ಲದ ಮಾಹಿತಿಯ ಸಂಗ್ರಹಣೆ, ತರಬೇತಿ ಮತ್ತು ಉತ್ಪಾದನೆ

ಎಐಜಿಸಿ ಪ್ರಗತಿ ಸಾಧಿಸಲು ಎರಡನೇ ಕಾರಣವೆಂದರೆ ಮಾಹಿತಿಯ ಕ್ರೋಢೀಕರಣ.ಮಾತಿನ A/D ಪರಿವರ್ತನೆಯಿಂದ (ಮೈಕ್ರೊಫೋನ್+PCM

ಮಾದರಿ) ಚಿತ್ರಗಳ A/D ಪರಿವರ್ತನೆಗೆ (CMOS+ಕಲರ್ ಸ್ಪೇಸ್ ಮ್ಯಾಪಿಂಗ್), ಮಾನವರು ದೃಶ್ಯ ಮತ್ತು ಶ್ರವಣೇಂದ್ರಿಯದಲ್ಲಿ ಹೊಲೊಗ್ರಾಫಿಕ್ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಿದ್ದಾರೆ.

ಕಳೆದ ಕೆಲವು ದಶಕಗಳಲ್ಲಿ ಅತ್ಯಂತ ಕಡಿಮೆ-ವೆಚ್ಚದ ರೀತಿಯಲ್ಲಿ ಕ್ಷೇತ್ರಗಳು.

ನಿರ್ದಿಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಕ್ಯಾಮೆರಾಗಳು ಮತ್ತು ಸ್ಮಾರ್ಟ್‌ಫೋನ್‌ಗಳ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಜನಪ್ರಿಯತೆ, ಮಾನವರಿಗೆ ಆಡಿಯೊವಿಶುವಲ್ ಕ್ಷೇತ್ರದಲ್ಲಿ ರಚನೆಯಿಲ್ಲದ ಡೇಟಾ ಸಂಗ್ರಹಣೆ

ಬಹುತೇಕ ಶೂನ್ಯ ವೆಚ್ಚದಲ್ಲಿ, ಮತ್ತು ಇಂಟರ್ನೆಟ್‌ನಲ್ಲಿನ ಪಠ್ಯ ಮಾಹಿತಿಯ ಸ್ಫೋಟಕ ಸಂಗ್ರಹವು AIGC ತರಬೇತಿಗೆ ಪ್ರಮುಖವಾಗಿದೆ - ತರಬೇತಿ ಡೇಟಾ ಸೆಟ್‌ಗಳು ಅಗ್ಗವಾಗಿವೆ.

ಮೇಲಿನ ಚಿತ್ರವು ಜಾಗತಿಕ ಡೇಟಾದ ಬೆಳವಣಿಗೆಯ ಪ್ರವೃತ್ತಿಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಇದು ಘಾತೀಯ ಪ್ರವೃತ್ತಿಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ.

ಡೇಟಾ ಸಂಗ್ರಹಣೆಯ ಈ ರೇಖಾತ್ಮಕವಲ್ಲದ ಬೆಳವಣಿಗೆಯು AIGC ಯ ಸಾಮರ್ಥ್ಯಗಳ ರೇಖಾತ್ಮಕವಲ್ಲದ ಬೆಳವಣಿಗೆಗೆ ಅಡಿಪಾಯವಾಗಿದೆ.

ಆದರೆ, ಈ ಹೆಚ್ಚಿನ ಡೇಟಾವು ರಚನೆಯಿಲ್ಲದ ಆಡಿಯೊ-ವಿಶುವಲ್ ಡೇಟಾ, ಇದು ಶೂನ್ಯ ವೆಚ್ಚದಲ್ಲಿ ಸಂಗ್ರಹವಾಗಿದೆ.

ವಿದ್ಯುತ್ ಶಕ್ತಿಯ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಇದನ್ನು ಸಾಧಿಸಲಾಗುವುದಿಲ್ಲ.ಮೊದಲನೆಯದಾಗಿ, ಹೆಚ್ಚಿನ ವಿದ್ಯುತ್ ಶಕ್ತಿ ಉದ್ಯಮವು ರಚನಾತ್ಮಕ ಮತ್ತು ಅರೆ ರಚನಾತ್ಮಕ ಡೇಟಾ, ಉದಾಹರಣೆಗೆ

ವೋಲ್ಟೇಜ್ ಮತ್ತು ಕರೆಂಟ್, ಇದು ಸಮಯ ಸರಣಿ ಮತ್ತು ಅರೆ ರಚನೆಯ ಪಾಯಿಂಟ್ ಡೇಟಾ ಸೆಟ್ಗಳಾಗಿವೆ.

ರಚನಾತ್ಮಕ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ಕಂಪ್ಯೂಟರ್‌ಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಸಾಧನ ಜೋಡಣೆಯಂತಹ “ಜೋಡಣೆ” ಅಗತ್ಯವಿರುತ್ತದೆ - ವೋಲ್ಟೇಜ್, ಕರೆಂಟ್ ಮತ್ತು ಪವರ್ ಡೇಟಾ

ಒಂದು ಸ್ವಿಚ್ ಅನ್ನು ಈ ನೋಡ್‌ಗೆ ಜೋಡಿಸಬೇಕಾಗಿದೆ.

ಹೆಚ್ಚು ತ್ರಾಸದಾಯಕವೆಂದರೆ ಸಮಯ ಜೋಡಣೆ, ಇದಕ್ಕೆ ವೋಲ್ಟೇಜ್, ಕರೆಂಟ್ ಮತ್ತು ಸಮಯದ ಪ್ರಮಾಣವನ್ನು ಆಧರಿಸಿ ಸಕ್ರಿಯ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಶಕ್ತಿಯನ್ನು ಜೋಡಿಸುವ ಅಗತ್ಯವಿದೆ.

ನಂತರದ ಗುರುತಿಸುವಿಕೆಯನ್ನು ನಿರ್ವಹಿಸಬಹುದು.ಮುಂದೆ ಮತ್ತು ಹಿಮ್ಮುಖ ದಿಕ್ಕುಗಳೂ ಇವೆ, ಇವು ನಾಲ್ಕು ಕ್ವಾಡ್ರಾಂಟ್‌ಗಳಲ್ಲಿ ಪ್ರಾದೇಶಿಕ ಜೋಡಣೆ.

ಜೋಡಣೆಯ ಅಗತ್ಯವಿಲ್ಲದ ಪಠ್ಯ ಡೇಟಾದಂತೆ, ಪ್ಯಾರಾಗ್ರಾಫ್ ಅನ್ನು ಕಂಪ್ಯೂಟರ್‌ಗೆ ಸರಳವಾಗಿ ಎಸೆಯಲಾಗುತ್ತದೆ, ಇದು ಸಂಭವನೀಯ ಮಾಹಿತಿ ಸಂಘಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ.

ತನ್ನದೇ ಆದ ಮೇಲೆ.

ವ್ಯಾಪಾರ ವಿತರಣಾ ಡೇಟಾದ ಸಲಕರಣೆಗಳ ಜೋಡಣೆಯಂತಹ ಈ ಸಮಸ್ಯೆಯನ್ನು ಜೋಡಿಸಲು, ಜೋಡಣೆ ನಿರಂತರವಾಗಿ ಅಗತ್ಯವಿದೆ, ಏಕೆಂದರೆ ಮಧ್ಯಮ ಮತ್ತು

ಕಡಿಮೆ ವೋಲ್ಟೇಜ್ ವಿತರಣಾ ಜಾಲವು ಪ್ರತಿದಿನ ಉಪಕರಣಗಳು ಮತ್ತು ಸಾಲುಗಳನ್ನು ಸೇರಿಸುವುದು, ಅಳಿಸುವುದು ಮತ್ತು ಮಾರ್ಪಡಿಸುವುದು ಮತ್ತು ಗ್ರಿಡ್ ಕಂಪನಿಗಳು ಭಾರಿ ಕಾರ್ಮಿಕ ವೆಚ್ಚವನ್ನು ಖರ್ಚು ಮಾಡುತ್ತವೆ.

"ಡೇಟಾ ಟಿಪ್ಪಣಿ" ನಂತೆ, ಕಂಪ್ಯೂಟರ್ಗಳು ಇದನ್ನು ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಎರಡನೆಯದಾಗಿ, ವಿದ್ಯುತ್ ವಲಯದಲ್ಲಿ ಡೇಟಾ ಸ್ವಾಧೀನದ ವೆಚ್ಚವು ಹೆಚ್ಚು, ಮತ್ತು ಮಾತನಾಡಲು ಮತ್ತು ಫೋಟೋಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಮೊಬೈಲ್ ಫೋನ್ ಬದಲಿಗೆ ಸೆನ್ಸಾರ್ಗಳ ಅಗತ್ಯವಿದೆ.”

ಪ್ರತಿ ಬಾರಿ ವೋಲ್ಟೇಜ್ ಒಂದು ಹಂತದಿಂದ ಕಡಿಮೆಯಾಗುತ್ತದೆ (ಅಥವಾ ವಿದ್ಯುತ್ ವಿತರಣಾ ಸಂಬಂಧವು ಒಂದು ಹಂತದಿಂದ ಕಡಿಮೆಯಾಗುತ್ತದೆ), ಅಗತ್ಯವಿರುವ ಸಂವೇದಕ ಹೂಡಿಕೆಯು ಹೆಚ್ಚಾಗುತ್ತದೆ

ಕನಿಷ್ಠ ಒಂದು ಕ್ರಮದಲ್ಲಿ.ಲೋಡ್ ಸೈಡ್ (ಕ್ಯಾಪಿಲ್ಲರಿ ಎಂಡ್) ಸೆನ್ಸಿಂಗ್ ಸಾಧಿಸಲು, ಇದು ಇನ್ನೂ ಹೆಚ್ಚು ಬೃಹತ್ ಡಿಜಿಟಲ್ ಹೂಡಿಕೆಯಾಗಿದೆ.

ಪವರ್ ಗ್ರಿಡ್ನ ಅಸ್ಥಿರ ಮೋಡ್ ಅನ್ನು ಗುರುತಿಸಲು ಅಗತ್ಯವಿದ್ದರೆ, ಹೆಚ್ಚಿನ-ನಿಖರವಾದ ಹೈ-ಫ್ರೀಕ್ವೆನ್ಸಿ ಮಾದರಿಯ ಅಗತ್ಯವಿರುತ್ತದೆ ಮತ್ತು ವೆಚ್ಚವು ಇನ್ನೂ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ.

ಡೇಟಾ ಸ್ವಾಧೀನ ಮತ್ತು ಡೇಟಾ ಜೋಡಣೆಯ ಅತ್ಯಂತ ಹೆಚ್ಚಿನ ಕನಿಷ್ಠ ವೆಚ್ಚದ ಕಾರಣ, ಪವರ್ ಗ್ರಿಡ್ ಪ್ರಸ್ತುತ ಸಾಕಷ್ಟು ನಾನ್-ಲೀನಿಯರ್ ಅನ್ನು ಸಂಗ್ರಹಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿಲ್ಲ

AI ಏಕತ್ವವನ್ನು ತಲುಪಲು ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಲು ಡೇಟಾ ಮಾಹಿತಿಯ ಬೆಳವಣಿಗೆ.

ಡೇಟಾದ ಮುಕ್ತತೆಯನ್ನು ನಮೂದಿಸಬಾರದು, ಪವರ್ AI ಸ್ಟಾರ್ಟ್‌ಅಪ್ ಈ ಡೇಟಾವನ್ನು ಪಡೆಯುವುದು ಅಸಾಧ್ಯ.

ಆದ್ದರಿಂದ, AI ಗಿಂತ ಮೊದಲು, ಡೇಟಾ ಸೆಟ್‌ಗಳ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವುದು ಅವಶ್ಯಕ, ಇಲ್ಲದಿದ್ದರೆ ಸಾಮಾನ್ಯ AI ಕೋಡ್ ಅನ್ನು ಉತ್ತಮ AI ಅನ್ನು ಉತ್ಪಾದಿಸಲು ತರಬೇತಿ ನೀಡಲಾಗುವುದಿಲ್ಲ.

3. ಕಂಪ್ಯೂಟೇಶನಲ್ ಪವರ್‌ನಲ್ಲಿ ಬ್ರೇಕ್‌ಥ್ರೂ

ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮತ್ತು ಡೇಟಾದ ಜೊತೆಗೆ, AIGC ಯ ಏಕತ್ವದ ಪ್ರಗತಿಯು ಕಂಪ್ಯೂಟೇಶನಲ್ ಪವರ್‌ನಲ್ಲಿನ ಪ್ರಗತಿಯಾಗಿದೆ.ಸಾಂಪ್ರದಾಯಿಕ CPU ಗಳು ಅಲ್ಲ

ದೊಡ್ಡ ಪ್ರಮಾಣದ ಏಕಕಾಲಿಕ ನರಕೋಶದ ಕಂಪ್ಯೂಟಿಂಗ್‌ಗೆ ಸೂಕ್ತವಾಗಿದೆ.ಇದು ನಿಖರವಾಗಿ 3D ಆಟಗಳು ಮತ್ತು ಚಲನಚಿತ್ರಗಳಲ್ಲಿ GPU ಗಳ ಅಪ್ಲಿಕೇಶನ್ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಸಮಾನಾಂತರವನ್ನು ಮಾಡುತ್ತದೆ

ಫ್ಲೋಟಿಂಗ್ ಪಾಯಿಂಟ್+ಸ್ಟ್ರೀಮಿಂಗ್ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಾಧ್ಯ.ಮೂರ್‌ನ ಕಾನೂನು ಪ್ರತಿ ಯೂನಿಟ್ ಕಂಪ್ಯೂಟೇಶನಲ್ ಪವರ್‌ಗೆ ಕಂಪ್ಯೂಟೇಶನಲ್ ವೆಚ್ಚವನ್ನು ಮತ್ತಷ್ಟು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಪವರ್ ಗ್ರಿಡ್ AI, ಭವಿಷ್ಯದಲ್ಲಿ ಅನಿವಾರ್ಯ ಪ್ರವೃತ್ತಿ

ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವಿತರಿಸಿದ ದ್ಯುತಿವಿದ್ಯುಜ್ಜನಕ ಮತ್ತು ವಿತರಿಸಿದ ಶಕ್ತಿಯ ಶೇಖರಣಾ ವ್ಯವಸ್ಥೆಗಳ ಏಕೀಕರಣದೊಂದಿಗೆ, ಹಾಗೆಯೇ ಅಪ್ಲಿಕೇಶನ್ ಅವಶ್ಯಕತೆಗಳು

ಲೋಡ್ ಸೈಡ್ ವರ್ಚುವಲ್ ವಿದ್ಯುತ್ ಸ್ಥಾವರಗಳು, ಸಾರ್ವಜನಿಕ ವಿತರಣಾ ಜಾಲ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಮೂಲ ಮತ್ತು ಲೋಡ್ ಮುನ್ಸೂಚನೆಯನ್ನು ನಡೆಸುವುದು ವಸ್ತುನಿಷ್ಠವಾಗಿ ಅವಶ್ಯಕವಾಗಿದೆ

ವಿತರಣೆ (ಸೂಕ್ಷ್ಮ) ಗ್ರಿಡ್ ವ್ಯವಸ್ಥೆಗಳು, ಹಾಗೆಯೇ ವಿತರಣೆ (ಮೈಕ್ರೋ) ಗ್ರಿಡ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ನೈಜ-ಸಮಯದ ವಿದ್ಯುತ್ ಹರಿವಿನ ಆಪ್ಟಿಮೈಸೇಶನ್.

ವಿತರಣಾ ಜಾಲದ ಭಾಗದ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಂಕೀರ್ಣತೆಯು ಪ್ರಸರಣ ಜಾಲದ ವೇಳಾಪಟ್ಟಿಗಿಂತ ಹೆಚ್ಚಿನದಾಗಿದೆ.ವಾಣಿಜ್ಯಕ್ಕಾಗಿ ಕೂಡ

ಸಂಕೀರ್ಣ, ಹತ್ತಾರು ಲೋಡ್ ಸಾಧನಗಳು ಮತ್ತು ನೂರಾರು ಸ್ವಿಚ್‌ಗಳು ಮತ್ತು AI ಆಧಾರಿತ ಮೈಕ್ರೋ ಗ್ರಿಡ್/ವಿತರಣಾ ಜಾಲ ಕಾರ್ಯಾಚರಣೆಗೆ ಬೇಡಿಕೆ ಇರಬಹುದು

ನಿಯಂತ್ರಣ ಉಂಟಾಗುತ್ತದೆ.

ಸಂವೇದಕಗಳ ಕಡಿಮೆ ವೆಚ್ಚ ಮತ್ತು ಘನ-ಸ್ಥಿತಿಯ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು, ಘನ-ಸ್ಥಿತಿಯ ಸ್ವಿಚ್‌ಗಳು ಮತ್ತು ಇನ್ವರ್ಟರ್‌ಗಳಂತಹ ವಿದ್ಯುತ್ ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಸಾಧನಗಳ ವ್ಯಾಪಕ ಬಳಕೆಯೊಂದಿಗೆ,

ಪವರ್ ಗ್ರಿಡ್‌ನ ಅಂಚಿನಲ್ಲಿ ಸೆನ್ಸಿಂಗ್, ಕಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ನಿಯಂತ್ರಣದ ಏಕೀಕರಣವು ನವೀನ ಪ್ರವೃತ್ತಿಯಾಗಿದೆ.

ಆದ್ದರಿಂದ, ವಿದ್ಯುತ್ ಗ್ರಿಡ್ನ AIGC ಭವಿಷ್ಯವಾಗಿದೆ.ಆದಾಗ್ಯೂ, ಇಂದು ಬೇಕಾಗಿರುವುದು ಹಣ ಸಂಪಾದಿಸಲು AI ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ತಕ್ಷಣವೇ ತೆಗೆದುಕೊಳ್ಳುವುದು ಅಲ್ಲ,

ಬದಲಿಗೆ, ಮೊದಲು AI ಗೆ ಅಗತ್ಯವಿರುವ ಡೇಟಾ ಮೂಲಸೌಕರ್ಯ ನಿರ್ಮಾಣ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಿ

AIGC ಯ ಉನ್ನತಿಯಲ್ಲಿ, ಪವರ್ AI ಯ ಅಪ್ಲಿಕೇಶನ್ ಮಟ್ಟ ಮತ್ತು ಭವಿಷ್ಯದ ಬಗ್ಗೆ ಸಾಕಷ್ಟು ಶಾಂತ ಚಿಂತನೆಯ ಅಗತ್ಯವಿದೆ.

ಪ್ರಸ್ತುತ, ಪವರ್ AI ನ ಪ್ರಾಮುಖ್ಯತೆಯು ಮಹತ್ವದ್ದಾಗಿಲ್ಲ: ಉದಾಹರಣೆಗೆ, 90% ರಷ್ಟು ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯೊಂದಿಗೆ ದ್ಯುತಿವಿದ್ಯುಜ್ಜನಕ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಸ್ಪಾಟ್ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ.

5%ನ ವ್ಯಾಪಾರ ವಿಚಲನ ಮಿತಿಯೊಂದಿಗೆ, ಮತ್ತು ಅಲ್ಗಾರಿದಮ್ ವಿಚಲನವು ಎಲ್ಲಾ ವ್ಯಾಪಾರ ಲಾಭಗಳನ್ನು ಅಳಿಸಿಹಾಕುತ್ತದೆ.

ಡೇಟಾವು ನೀರು, ಮತ್ತು ಅಲ್ಗಾರಿದಮ್‌ನ ಕಂಪ್ಯೂಟೇಶನಲ್ ಪವರ್ ಒಂದು ಚಾನಲ್ ಆಗಿದೆ.ಅದು ಸಂಭವಿಸಿದಂತೆ, ಅದು ಇರುತ್ತದೆ.