ਸਾਰ ਵੱਲ ਮੁੜਦੇ ਹੋਏ, ਏਆਈਜੀਸੀ ਦੀ ਸਿੰਗਲਰਿਟੀ ਵਿੱਚ ਸਫਲਤਾ ਤਿੰਨ ਕਾਰਕਾਂ ਦਾ ਸੁਮੇਲ ਹੈ:

1. ਜੀਪੀਟੀ ਮਨੁੱਖੀ ਨਿਊਰੋਨਸ ਦੀ ਪ੍ਰਤੀਰੂਪ ਹੈ

NLP ਦੁਆਰਾ ਪ੍ਰਸਤੁਤ ਕੀਤਾ ਗਿਆ GPT AI ਇੱਕ ਕੰਪਿਊਟਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਐਲਗੋਰਿਦਮ ਹੈ, ਜਿਸਦਾ ਸਾਰ ਮਨੁੱਖੀ ਸੇਰੇਬ੍ਰਲ ਕਾਰਟੈਕਸ ਵਿੱਚ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਨਕਲ ਕਰਨਾ ਹੈ।

ਭਾਸ਼ਾ, ਸੰਗੀਤ, ਚਿੱਤਰਾਂ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਵਾਦ ਦੀ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਬੁੱਧੀਮਾਨ ਕਲਪਨਾ ਮਨੁੱਖ ਦੁਆਰਾ ਇਕੱਠੇ ਕੀਤੇ ਸਾਰੇ ਕਾਰਜ ਹਨ।

ਲੰਬੇ ਸਮੇਂ ਦੇ ਵਿਕਾਸ ਦੇ ਦੌਰਾਨ ਇੱਕ "ਪ੍ਰੋਟੀਨ ਕੰਪਿਊਟਰ" ਵਜੋਂ ਦਿਮਾਗ.

ਇਸ ਲਈ, ਜੀਪੀਟੀ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਸਮਾਨ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵੀਂ ਨਕਲ ਹੈ, ਯਾਨੀ ਕਿ ਗੈਰ-ਸੰਗਠਿਤ ਭਾਸ਼ਾ, ਸੰਗੀਤ ਅਤੇ ਚਿੱਤਰ।

ਇਸਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਵਿਧੀ ਅਰਥ ਦੀ ਸਮਝ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਸ਼ੁੱਧ ਕਰਨ, ਪਛਾਣ ਕਰਨ ਅਤੇ ਜੋੜਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ।ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਹੈ

ਵਿਰੋਧਾਭਾਸੀ ਗੱਲ.

ਸ਼ੁਰੂਆਤੀ ਭਾਸ਼ਣ ਅਰਥ ਪਛਾਣ ਐਲਗੋਰਿਦਮ ਨੇ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਇੱਕ ਵਿਆਕਰਣ ਮਾਡਲ ਅਤੇ ਇੱਕ ਭਾਸ਼ਣ ਡੇਟਾਬੇਸ ਸਥਾਪਤ ਕੀਤਾ, ਫਿਰ ਭਾਸ਼ਣ ਨੂੰ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਮੈਪ ਕੀਤਾ,

ਫਿਰ ਸ਼ਬਦਾਵਲੀ ਦੇ ਅਰਥ ਨੂੰ ਸਮਝਣ ਲਈ ਸ਼ਬਦਾਵਲੀ ਨੂੰ ਵਿਆਕਰਣ ਡੇਟਾਬੇਸ ਵਿੱਚ ਰੱਖਿਆ, ਅਤੇ ਅੰਤ ਵਿੱਚ ਮਾਨਤਾ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ।

ਇਸ "ਲਾਜ਼ੀਕਲ ਮਕੈਨਿਜ਼ਮ" ਅਧਾਰਤ ਸੰਟੈਕਸ ਮਾਨਤਾ ਦੀ ਮਾਨਤਾ ਕੁਸ਼ਲਤਾ ਲਗਭਗ 70% ਹੋਵਰ ਰਹੀ ਹੈ, ਜਿਵੇਂ ਕਿ ViaVoice ਮਾਨਤਾ

1990 ਦੇ ਦਹਾਕੇ ਵਿੱਚ IBM ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਐਲਗੋਰਿਦਮ।

ਏਆਈਜੀਸੀ ਇਸ ਤਰ੍ਹਾਂ ਖੇਡਣ ਬਾਰੇ ਨਹੀਂ ਹੈ।ਇਸਦਾ ਸਾਰ ਵਿਆਕਰਣ ਦੀ ਪਰਵਾਹ ਕਰਨਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਐਲਗੋਰਿਦਮ ਸਥਾਪਤ ਕਰਨਾ ਹੈ ਜੋ

ਵੱਖ-ਵੱਖ ਸ਼ਬਦਾਂ ਦੇ ਵਿਚਕਾਰ ਸੰਭਾਵੀ ਕੁਨੈਕਸ਼ਨਾਂ ਦੀ ਗਿਣਤੀ ਕਰਨ ਲਈ ਕੰਪਿਊਟਰ, ਜੋ ਕਿ ਨਿਊਰਲ ਕਨੈਕਸ਼ਨ ਹਨ, ਨਾ ਕਿ ਸਿਮੈਂਟਿਕ ਕਨੈਕਸ਼ਨ।

ਆਪਣੀ ਮਾਤ ਭਾਸ਼ਾ ਨੂੰ ਸਿੱਖਣ ਵਾਂਗ ਜਦੋਂ ਅਸੀਂ ਛੋਟੇ ਹੁੰਦੇ ਸੀ, ਅਸੀਂ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਇਸ ਨੂੰ "ਵਿਸ਼ਾ, ਵਿਵਹਾਰ, ਵਸਤੂ, ਕਿਰਿਆ, ਪੂਰਕ" ਸਿੱਖਣ ਦੀ ਬਜਾਏ ਸਿੱਖ ਲਿਆ ਸੀ।

ਅਤੇ ਫਿਰ ਇੱਕ ਪੈਰੇ ਨੂੰ ਸਮਝਣਾ.

ਇਹ ਏਆਈ ਦਾ ਸੋਚਣ ਵਾਲਾ ਮਾਡਲ ਹੈ, ਜੋ ਕਿ ਮਾਨਤਾ ਹੈ, ਸਮਝ ਨਹੀਂ।

ਇਹ ਸਾਰੇ ਕਲਾਸੀਕਲ ਮਕੈਨਿਜ਼ਮ ਮਾਡਲਾਂ ਲਈ AI ਦਾ ਵਿਨਾਸ਼ਕਾਰੀ ਮਹੱਤਵ ਵੀ ਹੈ - ਕੰਪਿਊਟਰਾਂ ਨੂੰ ਇਸ ਮਾਮਲੇ ਨੂੰ ਤਰਕਸ਼ੀਲ ਪੱਧਰ 'ਤੇ ਸਮਝਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ,

ਪਰ ਅੰਦਰੂਨੀ ਜਾਣਕਾਰੀ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਪਛਾਣੋ ਅਤੇ ਪਛਾਣੋ, ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਜਾਣੋ।

ਉਦਾਹਰਨ ਲਈ, ਪਾਵਰ ਫਲੋ ਸਟੇਟ ਅਤੇ ਪਾਵਰ ਗਰਿੱਡ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਲਾਸੀਕਲ ਪਾਵਰ ਨੈੱਟਵਰਕ ਸਿਮੂਲੇਸ਼ਨ 'ਤੇ ਆਧਾਰਿਤ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਗਣਿਤਿਕ ਮਾਡਲ

ਮਕੈਨਿਜ਼ਮ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਫਿਰ ਇੱਕ ਮੈਟ੍ਰਿਕਸ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਕਸਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।ਭਵਿੱਖ ਵਿੱਚ, ਇਹ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੋ ਸਕਦਾ.AI ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਏ ਦੀ ਪਛਾਣ ਕਰੇਗਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰੇਗਾ

ਹਰੇਕ ਨੋਡ ਦੀ ਸਥਿਤੀ 'ਤੇ ਆਧਾਰਿਤ ਕੁਝ ਮਾਡਲ ਪੈਟਰਨ।

ਜਿੰਨੇ ਜ਼ਿਆਦਾ ਨੋਡ ਹੁੰਦੇ ਹਨ, ਕਲਾਸੀਕਲ ਮੈਟ੍ਰਿਕਸ ਐਲਗੋਰਿਦਮ ਓਨਾ ਹੀ ਘੱਟ ਪ੍ਰਸਿੱਧ ਹੁੰਦਾ ਹੈ, ਕਿਉਂਕਿ ਐਲਗੋਰਿਦਮ ਦੀ ਗੁੰਝਲਤਾ ਇਹਨਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਨਾਲ ਵਧਦੀ ਹੈ।

ਨੋਡਸ ਅਤੇ ਜਿਓਮੈਟ੍ਰਿਕ ਪ੍ਰਗਤੀ ਵਧਦੀ ਹੈ।ਹਾਲਾਂਕਿ, AI ਬਹੁਤ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਨੋਡ ਸਮਰੂਪਤਾ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ, ਕਿਉਂਕਿ AI ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਵਧੀਆ ਹੈ ਅਤੇ

ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਨੈੱਟਵਰਕ ਮੋਡਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ।

ਭਾਵੇਂ ਇਹ ਗੋ ਦੀ ਅਗਲੀ ਭਵਿੱਖਬਾਣੀ ਹੈ (ਅਲਫਾਗੋ ਅਗਲੇ ਦਰਜਨਾਂ ਕਦਮਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ, ਹਰੇਕ ਕਦਮ ਲਈ ਅਣਗਿਣਤ ਸੰਭਾਵਨਾਵਾਂ ਦੇ ਨਾਲ) ਜਾਂ ਮਾਡਲ ਭਵਿੱਖਬਾਣੀ

ਗੁੰਝਲਦਾਰ ਮੌਸਮ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ, AI ਦੀ ਸ਼ੁੱਧਤਾ ਮਕੈਨੀਕਲ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ।

ਪਾਵਰ ਗਰਿੱਡ ਨੂੰ ਵਰਤਮਾਨ ਵਿੱਚ ਏਆਈ ਦੀ ਲੋੜ ਨਾ ਹੋਣ ਦਾ ਕਾਰਨ ਇਹ ਹੈ ਕਿ ਸੂਬਾਈ ਦੁਆਰਾ ਪ੍ਰਬੰਧਿਤ 220 ਕੇਵੀ ਅਤੇ ਇਸ ਤੋਂ ਵੱਧ ਪਾਵਰ ਨੈਟਵਰਕ ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ

ਡਿਸਪੈਚਿੰਗ ਵੱਡੀ ਨਹੀਂ ਹੈ, ਅਤੇ ਬਹੁਤ ਸਾਰੀਆਂ ਸ਼ਰਤਾਂ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਲੀਨੀਅਰਾਈਜ਼ ਕਰਨ ਅਤੇ ਸਪਰਸ ਕਰਨ ਲਈ ਸੈੱਟ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਗਣਨਾਤਮਕ ਗੁੰਝਲਤਾ ਨੂੰ ਬਹੁਤ ਘਟਾਇਆ ਜਾਂਦਾ ਹੈ।

ਵਿਧੀ ਮਾਡਲ.

ਹਾਲਾਂਕਿ, ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੈਟਵਰਕ ਪਾਵਰ ਪ੍ਰਵਾਹ ਪੜਾਅ 'ਤੇ, ਹਜ਼ਾਰਾਂ ਜਾਂ ਸੈਂਕੜੇ ਹਜ਼ਾਰਾਂ ਪਾਵਰ ਨੋਡਾਂ, ਲੋਡ ਨੋਡਾਂ, ਅਤੇ ਰਵਾਇਤੀ

ਇੱਕ ਵੱਡੇ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੈੱਟਵਰਕ ਵਿੱਚ ਮੈਟਰਿਕਸ ਐਲਗੋਰਿਦਮ ਸ਼ਕਤੀਹੀਣ ਹੈ।

ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੈੱਟਵਰਕ ਪੱਧਰ 'ਤੇ AI ਦੀ ਪੈਟਰਨ ਮਾਨਤਾ ਭਵਿੱਖ ਵਿੱਚ ਸੰਭਵ ਹੋ ਜਾਵੇਗੀ।

2. ਗੈਰ-ਸੰਗਠਿਤ ਜਾਣਕਾਰੀ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ, ਸਿਖਲਾਈ ਅਤੇ ਉਤਪੰਨ ਕਰਨਾ

ਦੂਸਰਾ ਕਾਰਨ ਜਿਸ ਕਾਰਨ ਏਆਈਜੀਸੀ ਨੇ ਸਫਲਤਾ ਹਾਸਲ ਕੀਤੀ ਹੈ ਉਹ ਹੈ ਜਾਣਕਾਰੀ ਦਾ ਸੰਗ੍ਰਹਿ।ਬੋਲੀ ਦੇ A/D ਪਰਿਵਰਤਨ ਤੋਂ (ਮਾਈਕ੍ਰੋਫੋਨ + PCM

ਨਮੂਨਾ) ਚਿੱਤਰਾਂ ਦੇ A/D ਰੂਪਾਂਤਰਣ (CMOS+ ਕਲਰ ਸਪੇਸ ਮੈਪਿੰਗ), ਮਨੁੱਖਾਂ ਨੇ ਵਿਜ਼ੂਅਲ ਅਤੇ ਆਡੀਟੋਰੀ ਵਿੱਚ ਹੋਲੋਗ੍ਰਾਫਿਕ ਡੇਟਾ ਇਕੱਠਾ ਕੀਤਾ ਹੈ

ਪਿਛਲੇ ਕੁਝ ਦਹਾਕਿਆਂ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਲਾਗਤ ਵਾਲੇ ਤਰੀਕਿਆਂ ਨਾਲ ਖੇਤਰ।

ਖਾਸ ਤੌਰ 'ਤੇ, ਕੈਮਰਿਆਂ ਅਤੇ ਸਮਾਰਟਫ਼ੋਨਾਂ ਦਾ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਪ੍ਰਸਿੱਧੀ, ਮਨੁੱਖਾਂ ਲਈ ਆਡੀਓਵਿਜ਼ੁਅਲ ਖੇਤਰ ਵਿੱਚ ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ ਦਾ ਸੰਗ੍ਰਹਿ।

ਲਗਭਗ ਜ਼ੀਰੋ ਲਾਗਤ 'ਤੇ, ਅਤੇ ਇੰਟਰਨੈਟ 'ਤੇ ਟੈਕਸਟ ਜਾਣਕਾਰੀ ਦਾ ਵਿਸਫੋਟਕ ਇਕੱਠਾ ਕਰਨਾ AIGC ਸਿਖਲਾਈ ਦੀ ਕੁੰਜੀ ਹੈ - ਸਿਖਲਾਈ ਡੇਟਾ ਸੈੱਟ ਸਸਤੇ ਹਨ।

ਉਪਰੋਕਤ ਚਿੱਤਰ ਗਲੋਬਲ ਡੇਟਾ ਦੇ ਵਾਧੇ ਦੇ ਰੁਝਾਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜੋ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਇੱਕ ਘਾਤਕ ਰੁਝਾਨ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦਾ ਇਹ ਗੈਰ-ਲੀਨੀਅਰ ਵਾਧਾ AIGC ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦੇ ਗੈਰ-ਲੀਨੀਅਰ ਵਾਧੇ ਦੀ ਨੀਂਹ ਹੈ।

ਪਰ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਗੈਰ-ਸੰਗਠਿਤ ਆਡੀਓ-ਵਿਜ਼ੂਅਲ ਡੇਟਾ ਹਨ, ਜੋ ਜ਼ੀਰੋ ਲਾਗਤ 'ਤੇ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਇਲੈਕਟ੍ਰਿਕ ਪਾਵਰ ਦੇ ਖੇਤਰ ਵਿੱਚ, ਇਹ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਜ਼ਿਆਦਾਤਰ ਇਲੈਕਟ੍ਰਿਕ ਪਾਵਰ ਇੰਡਸਟਰੀ ਸਟ੍ਰਕਚਰਡ ਅਤੇ ਅਰਧ ਸਟ੍ਰਕਚਰਡ ਡੇਟਾ ਹੈ, ਜਿਵੇਂ ਕਿ

ਵੋਲਟੇਜ ਅਤੇ ਕਰੰਟ, ਜੋ ਕਿ ਸਮਾਂ ਲੜੀ ਅਤੇ ਅਰਧ ਸੰਰਚਨਾ ਦੇ ਪੁਆਇੰਟ ਡੇਟਾ ਸੈੱਟ ਹਨ।

ਸਟ੍ਰਕਚਰਲ ਡਾਟਾ ਸੈੱਟਾਂ ਨੂੰ ਕੰਪਿਊਟਰਾਂ ਦੁਆਰਾ ਸਮਝਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ "ਅਲਾਈਨਮੈਂਟ" ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਡਿਵਾਈਸ ਅਲਾਈਨਮੈਂਟ - ਵੋਲਟੇਜ, ਕਰੰਟ, ਅਤੇ ਪਾਵਰ ਡੇਟਾ।

ਇੱਕ ਸਵਿੱਚ ਨੂੰ ਇਸ ਨੋਡ ਨਾਲ ਅਲਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਸਮਾਂ ਅਲਾਈਨਮੈਂਟ ਹੈ, ਜਿਸ ਲਈ ਸਮੇਂ ਦੇ ਪੈਮਾਨੇ ਦੇ ਅਧਾਰ ਤੇ ਵੋਲਟੇਜ, ਕਰੰਟ, ਅਤੇ ਕਿਰਿਆਸ਼ੀਲ ਅਤੇ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਸ਼ਕਤੀ ਦੀ ਅਲਾਈਨਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਜੋ

ਬਾਅਦ ਵਿੱਚ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।ਅੱਗੇ ਅਤੇ ਉਲਟ ਦਿਸ਼ਾਵਾਂ ਵੀ ਹਨ, ਜੋ ਚਾਰ ਚਤੁਰਭੁਜਾਂ ਵਿੱਚ ਸਥਾਨਿਕ ਅਲਾਈਨਮੈਂਟ ਹਨ।

ਟੈਕਸਟ ਡੇਟਾ ਦੇ ਉਲਟ, ਜਿਸ ਨੂੰ ਅਲਾਈਨਮੈਂਟ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ, ਇੱਕ ਪੈਰਾਗ੍ਰਾਫ ਨੂੰ ਕੰਪਿਊਟਰ 'ਤੇ ਸਿੱਧਾ ਸੁੱਟਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਸੰਭਾਵਿਤ ਜਾਣਕਾਰੀ ਐਸੋਸੀਏਸ਼ਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ।

ਆਪਣੇ ਆਪ 'ਤੇ.

ਇਸ ਮੁੱਦੇ ਨੂੰ ਇਕਸਾਰ ਕਰਨ ਲਈ, ਜਿਵੇਂ ਕਿ ਵਪਾਰਕ ਵੰਡ ਡੇਟਾ ਦੀ ਸਾਜ਼-ਸਾਮਾਨ ਦੀ ਅਲਾਈਨਮੈਂਟ, ਅਲਾਈਨਮੈਂਟ ਦੀ ਲਗਾਤਾਰ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਕਿਉਂਕਿ ਮਾਧਿਅਮ ਅਤੇ

ਘੱਟ ਵੋਲਟੇਜ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੈਟਵਰਕ ਹਰ ਰੋਜ਼ ਸਾਜ਼ੋ-ਸਾਮਾਨ ਅਤੇ ਲਾਈਨਾਂ ਨੂੰ ਜੋੜ ਰਿਹਾ ਹੈ, ਮਿਟਾਉਂਦਾ ਹੈ ਅਤੇ ਸੋਧ ਰਿਹਾ ਹੈ, ਅਤੇ ਗਰਿੱਡ ਕੰਪਨੀਆਂ ਭਾਰੀ ਮਜ਼ਦੂਰੀ ਖਰਚ ਕਰਦੀਆਂ ਹਨ।

"ਡੇਟਾ ਐਨੋਟੇਸ਼ਨ" ਵਾਂਗ, ਕੰਪਿਊਟਰ ਅਜਿਹਾ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹਨ।

ਦੂਜਾ, ਪਾਵਰ ਸੈਕਟਰ ਵਿੱਚ ਡੇਟਾ ਪ੍ਰਾਪਤੀ ਦੀ ਲਾਗਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ, ਅਤੇ ਬੋਲਣ ਅਤੇ ਫੋਟੋਆਂ ਲੈਣ ਲਈ ਮੋਬਾਈਲ ਫੋਨ ਦੀ ਬਜਾਏ ਸੈਂਸਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।"

ਹਰ ਵਾਰ ਜਦੋਂ ਵੋਲਟੇਜ ਇੱਕ ਪੱਧਰ ਤੱਕ ਘਟਦਾ ਹੈ (ਜਾਂ ਪਾਵਰ ਵੰਡ ਸਬੰਧ ਇੱਕ ਪੱਧਰ ਤੱਕ ਘਟਦਾ ਹੈ), ਲੋੜੀਂਦੇ ਸੈਂਸਰ ਨਿਵੇਸ਼ ਵਧਦਾ ਹੈ

ਤੀਬਰਤਾ ਦੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਕ੍ਰਮ ਦੁਆਰਾ.ਲੋਡ ਸਾਈਡ (ਕੇਪਿਲਰੀ ਐਂਡ) ਸੈਂਸਿੰਗ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਇਹ ਹੋਰ ਵੀ ਵੱਡਾ ਡਿਜੀਟਲ ਨਿਵੇਸ਼ ਹੈ।

ਜੇ ਪਾਵਰ ਗਰਿੱਡ ਦੇ ਅਸਥਾਈ ਮੋਡ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇਹ ਜ਼ਰੂਰੀ ਹੈ, ਤਾਂ ਉੱਚ-ਸ਼ੁੱਧਤਾ ਉੱਚ-ਵਾਰਵਾਰਤਾ ਸੈਂਪਲਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਲਾਗਤ ਹੋਰ ਵੀ ਵੱਧ ਹੁੰਦੀ ਹੈ।

ਡੇਟਾ ਪ੍ਰਾਪਤੀ ਅਤੇ ਡੇਟਾ ਅਲਾਈਨਮੈਂਟ ਦੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੀਮਤ ਲਾਗਤ ਦੇ ਕਾਰਨ, ਪਾਵਰ ਗਰਿੱਡ ਵਰਤਮਾਨ ਵਿੱਚ ਕਾਫ਼ੀ ਗੈਰ-ਲੀਨੀਅਰ ਇਕੱਠਾ ਕਰਨ ਵਿੱਚ ਅਸਮਰੱਥ ਹੈ

ਏਆਈ ਸਿੰਗਲਰਿਟੀ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਇੱਕ ਐਲਗੋਰਿਦਮ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਡੇਟਾ ਜਾਣਕਾਰੀ ਦਾ ਵਾਧਾ।

ਡੇਟਾ ਦੀ ਖੁੱਲੇਪਣ ਦਾ ਜ਼ਿਕਰ ਨਾ ਕਰਨਾ, ਪਾਵਰ ਏਆਈ ਸਟਾਰਟਅਪ ਲਈ ਇਹ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਅਸੰਭਵ ਹੈ।

ਇਸ ਲਈ, AI ਤੋਂ ਪਹਿਲਾਂ, ਡੇਟਾ ਸੈੱਟਾਂ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ, ਨਹੀਂ ਤਾਂ ਆਮ AI ਕੋਡ ਨੂੰ ਇੱਕ ਵਧੀਆ AI ਪੈਦਾ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਨਹੀਂ ਦਿੱਤੀ ਜਾ ਸਕਦੀ।

3. ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਾਵਰ ਵਿੱਚ ਸਫਲਤਾ

ਐਲਗੋਰਿਦਮ ਅਤੇ ਡੇਟਾ ਤੋਂ ਇਲਾਵਾ, ਏਆਈਜੀਸੀ ਦੀ ਸਿੰਗਲਰਿਟੀ ਬ੍ਰੇਕਥਰੂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਾਵਰ ਵਿੱਚ ਵੀ ਇੱਕ ਸਫਲਤਾ ਹੈ।ਰਵਾਇਤੀ CPU ਨਹੀਂ ਹਨ

ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਸਮਕਾਲੀ ਨਿਊਰੋਨਲ ਕੰਪਿਊਟਿੰਗ ਲਈ ਢੁਕਵਾਂ।ਇਹ ਬਿਲਕੁਲ 3D ਗੇਮਾਂ ਅਤੇ ਫਿਲਮਾਂ ਵਿੱਚ GPUs ਦਾ ਉਪਯੋਗ ਹੈ ਜੋ ਵੱਡੇ ਪੈਮਾਨੇ ਦੇ ਸਮਾਨਾਂਤਰ ਬਣਾਉਂਦਾ ਹੈ

ਫਲੋਟਿੰਗ-ਪੁਆਇੰਟ+ਸਟ੍ਰੀਮਿੰਗ ਕੰਪਿਊਟਿੰਗ ਸੰਭਵ ਹੈ।ਮੂਰ ਦਾ ਕਾਨੂੰਨ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਾਵਰ ਦੀ ਪ੍ਰਤੀ ਯੂਨਿਟ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲਾਗਤ ਨੂੰ ਹੋਰ ਘਟਾਉਂਦਾ ਹੈ।

ਪਾਵਰ ਗਰਿੱਡ AI, ਭਵਿੱਖ ਵਿੱਚ ਇੱਕ ਅਟੱਲ ਰੁਝਾਨ

ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਵਿਤਰਿਤ ਫੋਟੋਵੋਲਟੇਇਕ ਅਤੇ ਵਿਤਰਿਤ ਊਰਜਾ ਸਟੋਰੇਜ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਏਕੀਕਰਣ ਦੇ ਨਾਲ, ਨਾਲ ਹੀ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨ ਲੋੜਾਂ

ਲੋਡ ਸਾਈਡ ਵਰਚੁਅਲ ਪਾਵਰ ਪਲਾਂਟ, ਜਨਤਕ ਵੰਡ ਨੈਟਵਰਕ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਲਈ ਸਰੋਤ ਅਤੇ ਲੋਡ ਪੂਰਵ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਉਦੇਸ਼ਪੂਰਣ ਤੌਰ 'ਤੇ ਜ਼ਰੂਰੀ ਹੈ

ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ (ਮਾਈਕ੍ਰੋ) ਗਰਿੱਡ ਸਿਸਟਮ, ਅਤੇ ਨਾਲ ਹੀ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ (ਮਾਈਕ੍ਰੋ) ਗਰਿੱਡ ਸਿਸਟਮਾਂ ਲਈ ਰੀਅਲ-ਟਾਈਮ ਪਾਵਰ ਫਲੋ ਓਪਟੀਮਾਈਜੇਸ਼ਨ।

ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੈੱਟਵਰਕ ਸਾਈਡ ਦੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਗੁੰਝਲਤਾ ਅਸਲ ਵਿੱਚ ਟਰਾਂਸਮਿਸ਼ਨ ਨੈੱਟਵਰਕ ਸ਼ਡਿਊਲਿੰਗ ਨਾਲੋਂ ਵੱਧ ਹੈ।ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਵਪਾਰਕ ਲਈ

ਗੁੰਝਲਦਾਰ, ਹਜ਼ਾਰਾਂ ਲੋਡ ਉਪਕਰਣ ਅਤੇ ਸੈਂਕੜੇ ਸਵਿੱਚ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਏਆਈ ਅਧਾਰਤ ਮਾਈਕ੍ਰੋ ਗਰਿੱਡ/ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੈਟਵਰਕ ਓਪਰੇਸ਼ਨ ਦੀ ਮੰਗ

ਕੰਟਰੋਲ ਪੈਦਾ ਹੋਵੇਗਾ।

ਸੈਂਸਰਾਂ ਦੀ ਘੱਟ ਕੀਮਤ ਅਤੇ ਪਾਵਰ ਇਲੈਕਟ੍ਰਾਨਿਕ ਯੰਤਰਾਂ ਦੀ ਵਿਆਪਕ ਵਰਤੋਂ ਜਿਵੇਂ ਕਿ ਸਾਲਿਡ-ਸਟੇਟ ਟ੍ਰਾਂਸਫਾਰਮਰ, ਸਾਲਿਡ-ਸਟੇਟ ਸਵਿੱਚ, ਅਤੇ ਇਨਵਰਟਰ (ਕਨਵਰਟਰ),

ਪਾਵਰ ਗਰਿੱਡ ਦੇ ਕਿਨਾਰੇ 'ਤੇ ਸੈਂਸਿੰਗ, ਕੰਪਿਊਟਿੰਗ ਅਤੇ ਨਿਯੰਤਰਣ ਦਾ ਏਕੀਕਰਣ ਵੀ ਇੱਕ ਨਵੀਨਤਾਕਾਰੀ ਰੁਝਾਨ ਬਣ ਗਿਆ ਹੈ।

ਇਸ ਲਈ, ਪਾਵਰ ਗਰਿੱਡ ਦੇ ਏ.ਆਈ.ਜੀ.ਸੀ.ਹਾਲਾਂਕਿ, ਅੱਜ ਜਿਸ ਚੀਜ਼ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਉਹ ਪੈਸੇ ਕਮਾਉਣ ਲਈ ਤੁਰੰਤ ਇੱਕ AI ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਨਹੀਂ ਹੈ,

ਇਸਦੀ ਬਜਾਏ, ਪਹਿਲਾਂ ਏਆਈ ਦੁਆਰਾ ਲੋੜੀਂਦੇ ਡੇਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਨਿਰਮਾਣ ਦੇ ਮੁੱਦਿਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰੋ

AIGC ਦੇ ਉਭਾਰ ਵਿੱਚ, ਪਾਵਰ AI ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਪੱਧਰ ਅਤੇ ਭਵਿੱਖ ਬਾਰੇ ਕਾਫ਼ੀ ਸ਼ਾਂਤ ਸੋਚ ਦੀ ਲੋੜ ਹੈ।

ਵਰਤਮਾਨ ਵਿੱਚ, ਪਾਵਰ ਏਆਈ ਦੀ ਮਹੱਤਤਾ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ: ਉਦਾਹਰਨ ਲਈ, 90% ਦੀ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ ਵਾਲਾ ਇੱਕ ਫੋਟੋਵੋਲਟੇਇਕ ਐਲਗੋਰਿਦਮ ਸਪਾਟ ਮਾਰਕੀਟ ਵਿੱਚ ਰੱਖਿਆ ਗਿਆ ਹੈ

5% ਦੀ ਵਪਾਰਕ ਭਟਕਣ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੇ ਨਾਲ, ਅਤੇ ਐਲਗੋਰਿਦਮ ਵਿਵਹਾਰ ਸਾਰੇ ਵਪਾਰਕ ਮੁਨਾਫ਼ਿਆਂ ਨੂੰ ਖਤਮ ਕਰ ਦੇਵੇਗਾ।

ਡੇਟਾ ਪਾਣੀ ਹੈ, ਅਤੇ ਐਲਗੋਰਿਦਮ ਦੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਪਾਵਰ ਇੱਕ ਚੈਨਲ ਹੈ।ਜਿਵੇਂ ਇਹ ਹੁੰਦਾ ਹੈ, ਇਹ ਹੋਵੇਗਾ।