အနှစ်သာရသို့ပြန်သွားကာ AIGC ၏ singularity တွင် အောင်မြင်မှုသည် အချက်သုံးချက်ပေါင်းစပ်ထားသည်။

1. GPT သည် လူ့ အာရုံကြောများ၏ ပုံတူဖြစ်သည်။

NLP မှကိုယ်စားပြုသည့် GPT AI သည် လူ့ဦးနှောက်အတွင်း အာရုံကြောကွန်ရက်များကို အတုယူရန် အနှစ်သာရဖြစ်သော ကွန်ပျူတာ အာရုံကြောကွန်ရက် အယ်ဂိုရီသမ်တစ်ခုဖြစ်သည်။

ဘာသာစကား၊ ဂီတ၊ ရုပ်ပုံများနှင့် အရသာသတင်းအချက်အလက်များကိုပင် စီမံဆောင်ရွက်ပေးပြီး ဉာဏ်ရည်ထက်မြက်သော စိတ်ကူးစိတ်သန်းများသည် လူသားတို့စုဆောင်းထားသည့် လုပ်ဆောင်ချက်များအားလုံးကို၊

ရေရှည်ဆင့်ကဲဖြစ်စဉ်တွင် ဦးနှောက်သည် “ပရိုတင်းကွန်ပြူတာ” ဖြစ်သည်။

ထို့ကြောင့်၊ GPT သည် အလားသဏ္ဍာန်တူသော အချက်အလက်များကို လုပ်ဆောင်ရန်အတွက် အသင့်တော်ဆုံး အတုအယောင်ဖြစ်သည်၊ ဆိုလိုသည်မှာ ဖွဲ့စည်းတည်ဆောက်ပုံမရှိသော ဘာသာစကား၊ ဂီတနှင့် ပုံများဖြစ်သည်။

၎င်း၏လုပ်ဆောင်ခြင်း၏ယန္တရားသည် အဓိပ္ပါယ်ကိုနားလည်ခြင်းမဟုတ်ဘဲ သန့်စင်ခြင်း၊ ခွဲခြားသတ်မှတ်ခြင်းနှင့် ပေါင်းစည်းခြင်းလုပ်ငန်းစဉ်တစ်ခုဖြစ်သည်။ဒါက အရမ်းတော်တယ်။

ဝိရောဓိအရာ။

အစောပိုင်း စကားပြောဆိုလိုရင်း အသိအမှတ်ပြုမှု အယ်လဂိုရီသမ်များသည် အခြေခံအားဖြင့် သဒ္ဒါပုံစံတစ်ခုနှင့် စကားပြောဒေတာဘေ့စ်တစ်ခုကို အခြေခံ၍ တည်ဆောက်ပြီးနောက် မိန့်ခွန်းကို ဝေါဟာရအဖြစ် ပုံဖော်ထားသည်။

ထို့နောက် ဝေါဟာရ၏ အဓိပ္ပါယ်ကို နားလည်ရန် သဒ္ဒါဒေတာဘေ့စ်တွင် ဝေါဟာရကို ထားရှိကာ နောက်ဆုံးတွင် အသိအမှတ်ပြုမှုရလဒ်များကို ရရှိခဲ့သည်။

ViaVoice အသိအမှတ်ပြုမှုကဲ့သို့သော ဤ "ယုတ္တိဗေဒယန္တရား" အခြေပြု syntax အသိအမှတ်ပြုမှု၏ အသိအမှတ်ပြုမှုစွမ်းဆောင်ရည်သည် 70% ဝန်းကျင်တွင် ပျံဝဲနေပါသည်။

1990 ခုနှစ်များတွင် IBM မှ မိတ်ဆက်ခဲ့သော algorithm

AIGC သည် ဤကဲ့သို့ ကစားခြင်း မဟုတ်ပါ။၎င်း၏ အနှစ်သာရမှာ သဒ္ဒါကို ဂရုမစိုက်ဘဲ အာရုံကြောကွန်ရက် အယ်လဂိုရီသမ်ကို ထူထောင်ရန်၊

အာရုံကြောချိတ်ဆက်မှုများ၊ semantic ဆက်သွယ်မှုများမဟုတ်ဘဲ မတူညီသောစကားလုံးများကြားရှိ ဖြစ်နိုင်ခြေရှိသောချိတ်ဆက်မှုများကို ရေတွက်ရန် ကွန်ပျူတာ။

ငယ်ငယ်တုန်းက မိခင်ဘာသာစကားကို သင်ယူသလိုမျိုး “ဘာသာရပ်၊ ကြိုတင်တွက်ဆမှု၊ အရာဝတ္ထု၊ ကြိယာ၊ ဖြည့်စွက်” တို့ကို သင်ယူခြင်းထက် သဘာဝကျကျ သင်ယူခဲ့ပါတယ်။

ပြီးတော့ စာပိုဒ်တစ်ခုကို နားလည်တယ်။

ဤသည်မှာ အသိအမှတ်ပြုမှု၊ နားလည်မှုမဟုတ်သော AI ၏ တွေးခေါ်မှုပုံစံဖြစ်သည်။

၎င်းသည် ရှေးရိုးယန္တရားမော်ဒယ်များအားလုံးအတွက် AI ၏ အဖျက်သဘောဆောင်သော အရေးပါမှုလည်းဖြစ်သည် - ကွန်ပျူတာများသည် ဤကိစ္စကို ယုတ္တိကျကျ နားလည်ရန် မလိုအပ်ပါ။

ဒါပေမယ့် အတွင်းအချက်အလက်တွေကြားက ဆက်စပ်မှုကို ခွဲခြားသိမြင်ပြီး သိအောင်လုပ်ပါ။

ဥပမာအားဖြင့်၊ ပါဝါစီးဆင်းမှုအခြေအနေနှင့် မဟာဓာတ်အားလိုင်းများ၏ ခန့်မှန်းချက်သည် သင်္ချာပုံစံတစ်ခုဖြစ်သည့် ဂန္တဝင်ပါဝါကွန်ရက် simulation ကို အခြေခံထားသည်။

ယန္တရားကို တည်ထောင်ပြီးနောက် မက်ထရစ် အယ်ဂိုရီသမ်ကို အသုံးပြု၍ ပေါင်းစည်းသည်။နောင်တွင် မလိုအပ်တော့ပါ။AI သည် တိုက်ရိုက်ခွဲခြားပြီး ခန့်မှန်းပေးလိမ့်မည်။

node တစ်ခုစီ၏ အခြေအနေကို အခြေခံ၍ အချို့သော modal ပုံစံ။

node များများလေလေ၊ classical matrix algorithm သည် လူကြိုက်နည်းလေလေ၊ algorithm ၏ ရှုပ်ထွေးမှုသည် အရေအတွက်များလာသည်နှင့်အမျှ၊

nodes နှင့် geometric တိုးတက်မှု တိုးလာပါသည်။သို့သော်၊ AI သည် ခွဲခြားသိမြင်နိုင်စွမ်းရှိပြီး ကောင်းမွန်သောကြောင့် AI သည် အလွန်ကြီးမားသော node concurrency ကိုနှစ်သက်သည်။

ဖြစ်နိုင်ခြေအရှိဆုံး ကွန်ရက်မုဒ်များကို ခန့်မှန်းခြင်း။

Go ၏နောက်ထပ်ခန့်မှန်းချက်ပဲဖြစ်ဖြစ် (AlphaGO သည် နောက်ထပ်ခြေလှမ်းဒါဇင်ပေါင်းများစွာကို ခန့်မှန်းနိုင်သည်၊ အဆင့်တစ်ခုစီအတွက် မရေမတွက်နိုင်သောဖြစ်နိုင်ခြေများနှင့်အတူ) သို့မဟုတ် modal ခန့်မှန်းချက်

ရှုပ်ထွေးသောရာသီဥတုစနစ်များ၏ AI ၏တိကျမှုသည် စက်ပိုင်းဆိုင်ရာမော်ဒယ်များထက် များစွာမြင့်မားသည်။

လက်ရှိ မဟာဓာတ်အားလိုင်းတွင် AI မလိုအပ်သည့် အကြောင်းရင်းမှာ ပြည်နယ်က စီမံခန့်ခွဲသည့် 220 kV နှင့် အထက် ဓာတ်အားကွန်ရက်များတွင် ဆုံမှတ်အရေအတွက်၊

dispatching သည် ကြီးကြီးမားမားမဟုတ်သော်လည်း၊ အခြေအနေများစွာသည် matrix ကို linearize လုပ်ပြီး ကျဲရန်သတ်မှတ်ထားပြီး၊ တွက်ချက်မှုဆိုင်ရာ ရှုပ်ထွေးမှုကို များစွာလျှော့ချထားသည်။

ယန္တရားပုံစံ။

သို့သော်၊ ဖြန့်ဖြူးရေးကွန်ရက်ပါဝါစီးဆင်းမှုအဆင့်တွင်၊ ပါဝါ node များ၊ load node များနှင့် သမားရိုးကျ သောင်းနှင့်ချီသော power node များနှင့် ရင်ဆိုင်နေရသည်။

ကြီးမားသောဖြန့်ဖြူးရေးကွန်ရက်ရှိ matrix algorithms သည် စွမ်းအားမရှိပေ။

ဖြန့်ဖြူးမှုကွန်ရက်အဆင့်တွင် AI ၏ပုံစံကို အသိအမှတ်ပြုခြင်းသည် အနာဂတ်တွင် ဖြစ်နိုင်လိမ့်မည်ဟု ကျွန်တော်ယုံကြည်ပါသည်။

2. စုဆောင်းခြင်း၊ လေ့ကျင့်သင်ကြားခြင်းနှင့် ဖွဲ့စည်းတည်ဆောက်ပုံမထားသော အချက်အလက်များကို ထုတ်လုပ်ခြင်း။

AIGC မှ အောင်မြင်မှုရလာရခြင်း၏ ဒုတိယအကြောင်းရင်းမှာ အချက်အလက်စုဆောင်းခြင်းပင်ဖြစ်သည်။A/D မှ စကားပြော၏ ပြောင်းလဲခြင်း (မိုက်ခရိုဖုန်း+PCM

နမူနာယူခြင်း) သို့ ရုပ်ပုံများ၏ A/D ပြောင်းလဲခြင်း (CMOS + ရောင်စုံအာကာသမြေပုံဆွဲခြင်း) သို့ လူသားများသည် အမြင်အာရုံနှင့် နားအကြားတွင် ဟိုလိုဂရပ်ဖစ်ဒေတာများ စုဆောင်းထားသည်

လွန်ခဲ့သည့်ဆယ်စုနှစ်အနည်းငယ်အတွင်း အလွန်တန်ဖိုးနည်းသောနည်းများဖြင့် လယ်ကွင်းများ။

အထူးသဖြင့်၊ ကင်မရာများနှင့် စမတ်ဖုန်းများ၏ ကြီးမားသောရေပန်းစားလာမှု၊ လူသားများအတွက် ရုပ်မြင်သံကြားနယ်ပယ်တွင် ဖွဲ့စည်းတည်ဆောက်ပုံမရှိသော အချက်အလက်စုဆောင်းမှုများ၊

ကုန်ကျစရိတ် သုညနီးပါးဖြင့်၊ အင်တာနက်ပေါ်ရှိ စာသားအချက်အလက်များ ပေါက်ကွဲထွက်လာခြင်းသည် AIGC လေ့ကျင့်ရေး၏ သော့ချက်ဖြစ်သည် - လေ့ကျင့်ရေးဒေတာအစုံများသည် စျေးမကြီးပါ။

အထက်ဖော်ပြပါပုံသည် ကိန်းဂဏန်းလမ်းကြောင်းကို ရှင်းရှင်းလင်းလင်းပြသထားသည့် ကမ္ဘာလုံးဆိုင်ရာဒေတာတိုးတက်မှုလမ်းကြောင်းကို ပြသထားသည်။

ဤဒေတာစုပုံခြင်း၏ လိုင်းမဟုတ်သော တိုးတက်မှုသည် AIGC ၏ စွမ်းဆောင်ရည်များ ၏ လိုင်းမဟုတ်သော တိုးတက်မှုအတွက် အခြေခံအုတ်မြစ်ဖြစ်သည်။

သို့သော်၊ ဤဒေတာအများစုသည် ကုန်ကျစရိတ် သုညဖြင့် စုဆောင်းထားသည့် ဖွဲ့စည်းပုံမရှိသော ရုပ်မြင်သံကြားဒေတာများဖြစ်သည်။

လျပ်စစ်ဓာတ်အား နယ်ပယ်မှာ ဒီလိုလုပ်လို့ မရဘူး။ပထမဦးစွာ၊ လျှပ်စစ်ဓာတ်အားလုပ်ငန်းအများစုသည် ဖွဲ့စည်းတည်ဆောက်ပုံနှင့် semi-structured data များဖြစ်သော၊

Voltage နှင့် Current ဟူသည်မှာ အချိန်စီးရီးများ၏ အမှတ်နှင့် တစ်ပိုင်းဖွဲ့စည်းတည်ဆောက်ထားသည့် အချက်ဖြစ်သည်။

ဖွဲ့စည်းပုံဆိုင်ရာ ဒေတာအစုံများကို ကွန်ပျူတာများက နားလည်ရန် လိုအပ်ပြီး စက်ပစ္စည်း ချိန်ညှိမှု - ဗို့အား၊ လက်ရှိနှင့် ပါဝါဒေတာကဲ့သို့သော "ချိန်ညှိမှု" လိုအပ်ပါသည်။

switch တစ်ခု၏ ဤ node နှင့် ချိန်ညှိရန် လိုအပ်သည်။

ပို၍အခက်အခဲမှာ အချိန်စကေးပေါ်မူတည်၍ ဗို့အား၊ လက်ရှိနှင့် တက်ကြွပြီး ဓာတ်ပြုမှုပါဝါကို ချိန်ညှိရန် လိုအပ်သည့် အချိန်ချိန်ညှိမှုဖြစ်သည်။

နောက်ဆက်တွဲ ခွဲခြားသတ်မှတ်ခြင်းကို လုပ်ဆောင်နိုင်သည်။ရှေ့နှင့်ပြောင်းပြန် လမ်းကြောင်းများလည်း ရှိပြီး၊ လေးထောင့်ကွက်အတွင်း spatial alignment ဖြစ်သည်။

ချိန်ညှိမှုမလိုအပ်သော စာသားဒေတာနှင့် မတူဘဲ၊ ဖြစ်နိုင်ခြေရှိသော အချက်အလက်ချိတ်ဆက်မှုများကို ဖော်ထုတ်ပေးသည့် စာပိုဒ်တစ်ပိုဒ်ကို ကွန်ပျူတာသို့ ရိုးရှင်းစွာ ချလိုက်သည်၊

၎င်း၏ကိုယ်ပိုင်အပေါ်။

လုပ်ငန်းခွဲဝေမှုဒေတာ၏ စက်ကိရိယာများ ချိန်ညှိမှုကဲ့သို့သော ဤပြဿနာကို ညှိနိုင်စေရန်အတွက် အလယ်အလတ်နှင့်၊

ဗို့အားနည်းသော ဖြန့်ဖြူးရေးကွန်ရက်သည် စက်ကိရိယာများနှင့် လိုင်းများကို နေ့စဉ် ပေါင်းထည့်ခြင်း၊ ဖျက်ခြင်း၊ ပြုပြင်ခြင်းနှင့် လိုင်းကုမ္ပဏီများသည် ကြီးမားသော လုပ်သားစရိတ်များကို သုံးစွဲကြသည်။

“ဒေတာမှတ်စု” ကဲ့သို့ပင်၊ ကွန်ပျူတာများသည် ၎င်းကို မလုပ်နိုင်ပါ။

ဒုတိယအချက်မှာ ပါဝါကဏ္ဍတွင် ဒေတာရယူမှုကုန်ကျစရိတ် မြင့်မားပြီး ဓာတ်ပုံရိုက်ရန် မိုဘိုင်းလ်ဖုန်းရှိခြင်းအစား အာရုံခံကိရိယာများ လိုအပ်ပါသည်။”

ဗို့အားသည် အဆင့်တစ်ခုသို့ ကျဆင်းသွားသည့်အခါတိုင်း (သို့မဟုတ် ပါဝါဖြန့်ဖြူးမှု ဆက်ဆံရေးသည် အဆင့်တစ်ခုသို့ လျော့ကျသွားသည့်အခါတိုင်း) လိုအပ်သော အာရုံခံ ရင်းနှီးမြှုပ်နှံမှု တိုးလာပါသည်။

အနည်းဆုံး ပြင်းအားတစ်ခုဖြင့်load side (သွေးကြောမျှင်အဆုံး) အာရုံခံမှုရရှိရန်၊ ၎င်းသည် ပို၍ကြီးမားသော ဒစ်ဂျစ်တယ်ရင်းနှီးမြှုပ်နှံမှုတစ်ခုဖြစ်သည်။"

မဟာဓာတ်အားလိုင်း၏ ယာယီမုဒ်ကို ခွဲခြားသတ်မှတ်ရန် လိုအပ်ပါက၊ တိကျမှုမြင့်မားသော ကြိမ်နှုန်းမြင့်နမူနာလိုအပ်ပြီး ကုန်ကျစရိတ်က ပိုမြင့်သည်။

ဒေတာရယူခြင်းနှင့် ဒေတာချိန်ညှိခြင်း၏ အလွန်မြင့်မားသော စရိတ်စကကြောင့် မဟာဓာတ်အားလိုင်းသည် လက်ရှိတွင် လိုင်းမဟုတ်သော လုံလောက်စွာ စုဆောင်းမရနိုင်ပါ။

AI singularity သို့ရောက်ရှိရန် algorithm တစ်ခုကို လေ့ကျင့်ရန် ဒေတာအချက်အလက်များ ကြီးထွားလာခြင်း။

ဒေတာ၏ ပွင့်လင်းမှုကို ဖော်ပြထားခြင်းမရှိပါ၊ ဤဒေတာကို ရယူရန် စွမ်းအား AI စတင်မှုတစ်ခုအတွက် မဖြစ်နိုင်ပါ။

ထို့ကြောင့် AI မပြုမီ၊ ဒေတာအစုံများ၏ ပြဿနာကို ဖြေရှင်းရန် လိုအပ်သည်၊ သို့မဟုတ်ပါက ယေဘုယျအားဖြင့် AI ကုဒ်သည် ကောင်းမွန်သော AI ကိုထုတ်လုပ်ရန် လေ့ကျင့်မရနိုင်ပါ။

3. ကွန်ပြူတာဆိုင်ရာ စွမ်းအားဖြင့် အောင်မြင်မှု

algorithms နှင့် data များအပြင် AIGC ၏ singularity breakthrough သည် computational power အတွက် အောင်မြင်မှုတစ်ခုလည်းဖြစ်သည်။သမားရိုးကျ CPU များမဟုတ်ပါ။

ကြီးမားသော concurrent neuronal computing အတွက် သင့်လျော်သည်။၎င်းသည် ကြီးမားသောအပြိုင်ပြုလုပ်သည့် 3D ဂိမ်းများနှင့် ရုပ်ရှင်များတွင် GPU များကို အတိအကျအသုံးပြုမှုဖြစ်သည်။

floating-point+streaming computing ဖြစ်နိုင်သည်။Moore's Law သည် ကွန်ပြူတာစွမ်းအင် တစ်ယူနစ်ကို တွက်ချက်မှုကုန်ကျစရိတ်ကို ပိုမိုလျှော့ချပေးသည်။

Power Grid AI သည် အနာဂတ်တွင် ရှောင်လွှဲ၍မရသော လမ်းကြောင်းတစ်ခုဖြစ်သည်။

ဖြန့်ဝေထားသော photovoltaic နှင့် ဖြန့်ဝေစွမ်းအင် သိုလှောင်မှုစနစ်များ အများအပြား ပေါင်းစပ်မှုနှင့်အတူ၊ အသုံးချမှု လိုအပ်ချက်များ၊

load side virtual ဓာတ်အားပေးစက်ရုံများ၊ အများသူငှာ ဖြန့်ဖြူးရေးကွန်ရက်စနစ်များနှင့် သုံးစွဲသူများအတွက် အရင်းအမြစ်နှင့် ဝန်ခန့်မှန်းချက်ကို လုပ်ဆောင်ရန် ရည်ရွယ်ချက်ရှိရှိ လိုအပ်ပါသည်။

ဖြန့်ဖြူးမှု (မိုက်ခရို) ဂရစ်စနစ်များအပြင် ဖြန့်ဖြူးမှု (မိုက်ခရို) ဂရစ်စနစ်များအတွက် အချိန်နှင့်တစ်ပြေးညီ ပါဝါစီးဆင်းမှု ကောင်းမွန်အောင် လုပ်ဆောင်ခြင်း။

ဖြန့်ဖြူးရေးကွန်ရက်ဘက်ခြမ်း၏ တွက်ချက်မှုဆိုင်ရာ ရှုပ်ထွေးမှုသည် ထုတ်လွှင့်မှုကွန်ရက်အချိန်ဇယားဆွဲခြင်းထက် အမှန်တကယ်မြင့်မားသည်။စီးပွားဖြစ်အတွက်ပင်

ရှုပ်ထွေးသည်၊ ဝန်တင်ကိရိယာ ထောင်သောင်းနှင့်ချီသော ခလုတ်များ ရှိနိုင်သည်၊ AI အခြေပြု မိုက်ခရိုဂရစ်/ဖြန့်ဝေကွန်ရက် လည်ပတ်မှုအတွက် လိုအပ်ချက်၊

ထိန်းချုပ်မှု ပေါ်လာမည်။

အာရုံခံကိရိယာများ၏ စရိတ်စက နည်းပါးခြင်းနှင့် အစိုင်အခဲ-စတိတ်ထရန်စဖော်မာများ၊ အစိုင်အခဲ-စတိတ်ခလုတ်များနှင့် အင်ဗာတာများ ( converters ) ကဲ့သို့သော ပါဝါအီလက်ထရွန်နစ်ပစ္စည်းများကို တွင်တွင်ကျယ်ကျယ်အသုံးပြုခြင်းဖြင့်၊

ဓာတ်အားလိုင်းအစွန်းရှိ အာရုံခံခြင်း၊ တွက်ချက်ခြင်းနှင့် ထိန်းချုပ်ခြင်းတို့ကို ပေါင်းစပ်ခြင်းသည် ဆန်းသစ်သောလမ်းကြောင်းတစ်ခု ဖြစ်လာသည်။

ထို့ကြောင့် မဟာဓာတ်အားလိုင်း၏ AIGC သည် အနာဂတ်ဖြစ်သည်။သို့သော် ယနေ့ခေတ်တွင် လိုအပ်သောအရာသည် ငွေရှာရန် AI algorithm ကို ချက်ချင်းထုတ်ရန် မဟုတ်ပါ။

ယင်းအစား AI မှ လိုအပ်သော ဒေတာအခြေခံအဆောက်အအုံတည်ဆောက်မှုဆိုင်ရာ ပြဿနာများကို ဦးစွာဖြေရှင်းပါ။

AIGC တိုးတက်လာမှုတွင်၊ အသုံးချမှုအဆင့်နှင့် ပါဝါ AI ၏ အနာဂတ်အတွက် လုံလောက်သော တည်ငြိမ်သောတွေးခေါ်မှု ရှိရန် လိုအပ်ပါသည်။

လက်ရှိတွင်၊ ပါဝါ AI ၏ အရေးပါမှုသည် သိသာထင်ရှားခြင်းမရှိပါ- ဥပမာ၊ ခန့်မှန်းတိကျမှု 90% ရှိသော photovoltaic algorithm ကို စျေးကွက်တွင် နေရာယူထားသည်။

ကုန်သွယ်မှုသွေဖည်မှုအဆင့် 5% နှင့် algorithm သွေဖည်မှုသည် ကုန်သွယ်မှုအမြတ်အစွန်းအားလုံးကို ဖယ်ရှားပေးမည်ဖြစ်သည်။

ဒေတာသည် ရေဖြစ်ပြီး algorithm ၏ တွက်ချက်မှုစွမ်းအားသည် ချန်နယ်တစ်ခုဖြစ်သည်။ဖြစ်ပျက်၊