ກັບຄືນສູ່ຈຸດສໍາຄັນ, ຄວາມແຕກແຍກຂອງ AIGC ໃນຄວາມໂດດດ່ຽວແມ່ນປະສົມປະສານຂອງສາມປັດໃຈ:

1. GPT ແມ່ນ replica ຂອງ neurons ຂອງມະນຸດ

GPT AI ເປັນຕົວແທນໂດຍ NLP ແມ່ນລະບົບເຄືອຂ່າຍ neural algorithm ຂອງຄອມພິວເຕີ, ໂດຍເນື້ອແທ້ແລ້ວແມ່ນເພື່ອຈໍາລອງເຄືອຂ່າຍ neural ໃນ cerebral cortex ຂອງມະນຸດ.

ການປຸງແຕ່ງແລະຈິນຕະນາການທີ່ສະຫຼາດຂອງພາສາ, ດົນຕີ, ຮູບພາບ, ແລະແມ້ກະທັ້ງຂໍ້ມູນລົດຊາດແມ່ນຫນ້າທີ່ທັງຫມົດທີ່ສະສົມໂດຍມະນຸດ.

ສະຫມອງເປັນ "ຄອມພິວເຕີທາດໂປຼຕີນ" ໃນລະຫວ່າງການວິວັດທະນາການໄລຍະຍາວ.

ດັ່ງນັ້ນ, GPT ແມ່ນຕາມທໍາມະຊາດທີ່ເຫມາະສົມທີ່ສຸດສໍາລັບການປະມວນຜົນຂໍ້ມູນທີ່ຄ້າຍຄືກັນ, ນັ້ນແມ່ນ, ພາສາທີ່ບໍ່ມີໂຄງສ້າງ, ດົນຕີ, ແລະຮູບພາບ.

ກົນໄກຂອງການປຸງແຕ່ງຂອງມັນບໍ່ແມ່ນຄວາມເຂົ້າໃຈຂອງຄວາມຫມາຍ, ແຕ່ແທນທີ່ຈະເປັນຂະບວນການປັບປຸງ, ການກໍານົດ, ແລະການເຊື່ອມໂຍງ.ນີ້ແມ່ນຫຼາຍ

ສິ່ງ paradoxical.

ຂັ້ນຕອນການຮັບຮູ້ຄວາມໝາຍຂອງຄຳເວົ້າກ່ອນໄວອັນຄວນສ້າງຕົວແບບຫຼັກໄວຍາກອນ ແລະຖານຂໍ້ມູນຄຳເວົ້າ, ຈາກນັ້ນສ້າງແຜນທີ່ຄຳເວົ້າໃຫ້ກັບຄຳສັບ,

ຈາກນັ້ນວາງຄຳສັບເຂົ້າໃນຖານຂໍ້ມູນໄວຍາກອນເພື່ອເຂົ້າໃຈຄວາມໝາຍຂອງຄຳສັບ, ແລະສຸດທ້າຍກໍໄດ້ຮັບຜົນການຮັບຮູ້.

ປະສິດທິພາບການຮັບຮູ້ຂອງ "ກົນໄກຢ່າງມີເຫດຜົນ" ການຮັບຮູ້ syntax ໂດຍອີງໃສ່ 70%, ເຊັ່ນ: ການຮັບຮູ້ ViaVoice

algorithm ແນະນໍາໂດຍ IBM ໃນຊຸມປີ 1990.

AIGC ບໍ່ແມ່ນກ່ຽວກັບການຫຼີ້ນແບບນີ້.ໂດຍເນື້ອແທ້ແລ້ວຂອງມັນແມ່ນບໍ່ສົນໃຈໄວຍາກອນ, ແຕ່ແທນທີ່ຈະສ້າງລະບົບເຄືອຂ່າຍ neural algorithm ທີ່ອະນຸຍາດໃຫ້

ຄອມພິວເຕີເພື່ອນັບການເຊື່ອມຕໍ່ probabilistic ລະຫວ່າງຄໍາສັບຕ່າງໆທີ່ແຕກຕ່າງກັນ, ຊຶ່ງເປັນການເຊື່ອມຕໍ່ neural, ບໍ່ແມ່ນການເຊື່ອມຕໍ່ semantic.

ຄືກັນກັບການຮຽນຮູ້ພາສາແມ່ຂອງພວກເຮົາເມື່ອພວກເຮົາຍັງອ່ອນ, ພວກເຮົາຮຽນຮູ້ມັນຕາມທໍາມະຊາດ, ແທນທີ່ຈະຮຽນຮູ້ "ວິຊາ, predicate, object, verb, complement,"

ແລະຫຼັງຈາກນັ້ນເຂົ້າໃຈວັກຫນຶ່ງ.

ນີ້ແມ່ນຮູບແບບການຄິດຂອງ AI, ເຊິ່ງແມ່ນການຮັບຮູ້, ບໍ່ເຂົ້າໃຈ.

ນີ້ກໍ່ແມ່ນຄວາມສໍາຄັນ subversive ຂອງ AI ສໍາລັບຮູບແບບກົນໄກຄລາສສິກທັງຫມົດ - ຄອມພິວເຕີບໍ່ຈໍາເປັນຕ້ອງເຂົ້າໃຈເລື່ອງນີ້ໃນລະດັບສົມເຫດສົມຜົນ,

ແຕ່ແທນທີ່ຈະກໍານົດແລະຮັບຮູ້ຄວາມສໍາພັນລະຫວ່າງຂໍ້ມູນພາຍໃນ, ແລະຫຼັງຈາກນັ້ນຮູ້ຈັກມັນ.

ສໍາລັບຕົວຢ່າງ, ສະຖານະກະແສໄຟຟ້າແລະການຄາດເດົາຂອງຕາຂ່າຍໄຟຟ້າແມ່ນອີງໃສ່ການຈໍາລອງເຄືອຂ່າຍພະລັງງານແບບຄລາສສິກ, ບ່ອນທີ່ຮູບແບບທາງຄະນິດສາດຂອງ.

ກົນໄກໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນແລະຫຼັງຈາກນັ້ນ converged ໂດຍໃຊ້ matrix algorithm.ໃນອະນາຄົດ, ມັນອາດຈະບໍ່ຈໍາເປັນ.AI ຈະກໍານົດໂດຍກົງແລະຄາດຄະເນ a

ຮູບແບບ modal ທີ່ແນ່ນອນໂດຍອີງໃສ່ສະຖານະພາບຂອງແຕ່ລະ node.

ຫຼາຍມີ nodes, ສູດການຄິດໄລ່ matrix ຄລາສສິກ ນິຍົມຫນ້ອຍ, ເນື່ອງຈາກວ່າຄວາມສັບສົນຂອງ algorithm ເພີ່ມຂຶ້ນກັບຈໍານວນຂອງ.

nodes ແລະຄວາມຄືບຫນ້າທາງເລຂາຄະນິດເພີ່ມຂຶ້ນ.ຢ່າງໃດກໍຕາມ, AI ມັກຈະມີຂະຫນາດໃຫຍ່ຫຼາຍ concurrency, ເນື່ອງຈາກວ່າ AI ແມ່ນດີໃນການກໍານົດແລະ

ຄາດຄະເນຮູບແບບເຄືອຂ່າຍທີ່ເປັນໄປໄດ້ທີ່ສຸດ.

ບໍ່​ວ່າ​ຈະ​ເປັນ​ການ​ຄາດ​ຄະ​ເນ​ຕໍ່​ໄປ​ຂອງ Go (AlphaGO ສາ​ມາດ​ຄາດ​ຄະ​ເນ​ຕໍ່​ໄປ​ຫຼາຍ​ສິບ​ຂັ້ນ​ຕອນ​, ມີ​ຄວາມ​ເປັນ​ໄປ​ໄດ້​ນັບ​ບໍ່​ຖ້ວນ​ສໍາ​ລັບ​ແຕ່​ລະ​ຂັ້ນ​ຕອນ​) ຫຼື​ການ​ຄາດ​ຄະ​ເນ modal

ຂອງລະບົບສະພາບອາກາດທີ່ສັບສົນ, ຄວາມຖືກຕ້ອງຂອງ AI ແມ່ນສູງກວ່າຕົວແບບກົນຈັກຫຼາຍ.

ສາເຫດທີ່ຕາໜ່າງກະແສໄຟຟ້າໃນປັດຈຸບັນບໍ່ຕ້ອງການ AI ແມ່ນຍ້ອນຈໍານວນໂນດໃນ 220 kV ແລະສູງກວ່າເຄືອຂ່າຍໄຟຟ້າທີ່ຄຸ້ມຄອງໂດຍແຂວງ.

ການຈັດສົ່ງແມ່ນບໍ່ໃຫຍ່, ແລະເງື່ອນໄຂຫຼາຍຢ່າງຖືກກໍານົດໃຫ້ linearize ແລະ sparse matrix, ຫຼຸດລົງຢ່າງຫຼວງຫຼາຍຂອງຄວາມສັບສົນຂອງຄອມພິວເຕີ້.

ຮູບແບບກົນໄກ.

ຢ່າງໃດກໍຕາມ, ໃນຂັ້ນຕອນຂອງການໄຫຼຂອງເຄືອຂ່າຍການແຜ່ກະຈາຍ, ກໍາລັງປະເຊີນຫຼາຍສິບພັນຫຼືຫຼາຍຮ້ອຍພັນຂອງ nodes ພະລັງງານ, ໂຫຼດ, ແລະແບບດັ້ງເດີມ.

matrix algorithms ໃນເຄືອຂ່າຍການແຈກຢາຍຂະຫນາດໃຫຍ່ແມ່ນບໍ່ມີພະລັງງານ.

ຂ້ອຍເຊື່ອວ່າການຮັບຮູ້ຮູບແບບຂອງ AI ໃນລະດັບເຄືອຂ່າຍການແຈກຢາຍຈະກາຍເປັນຄວາມເປັນໄປໄດ້ໃນອະນາຄົດ.

2. ການສະສົມ, ການຝຶກອົບຮົມ, ແລະການຜະລິດຂໍ້ມູນຂ່າວສານທີ່ບໍ່ມີໂຄງສ້າງ

ເຫດຜົນທີສອງວ່າເປັນຫຍັງ AIGC ໄດ້ສ້າງບາດກ້າວບຸກທະລຸແມ່ນການສະສົມຂອງຂໍ້ມູນ.ຈາກການແປງ A/D ຂອງສຽງເວົ້າ (ໄມໂຄຣໂຟນ+PCM

ການເກັບຕົວຢ່າງ) ໄປສູ່ການແປງ A/D ຂອງຮູບພາບ (CMOS + ການສ້າງແຜນທີ່ພື້ນທີ່ສີ), ມະນຸດໄດ້ສະສົມຂໍ້ມູນ holographic ໃນສາຍຕາແລະການຟັງ.

ທົ່ງນາດ້ວຍວິທີການທີ່ມີລາຄາຖືກທີ່ສຸດໃນໄລຍະສອງສາມທົດສະວັດທີ່ຜ່ານມາ.

ໂດຍສະເພາະ, ຄວາມນິຍົມຂະຫນາດໃຫຍ່ຂອງກ້ອງຖ່າຍຮູບແລະໂທລະສັບສະຫຼາດ, ການສະສົມຂອງຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງໃນຂົງເຂດສຽງສໍາລັບມະນຸດ.

ດ້ວຍຄ່າໃຊ້ຈ່າຍເກືອບສູນ, ແລະການສະສົມຂໍ້ມູນຂໍ້ຄວາມທີ່ລະເບີດຢູ່ໃນອິນເຕີເນັດແມ່ນກຸນແຈສໍາລັບການຝຶກອົບຮົມ AIGC - ຊຸດຂໍ້ມູນການຝຶກອົບຮົມແມ່ນລາຄາຖືກ.

ຕົວເລກຂ້າງເທິງສະແດງໃຫ້ເຫັນເຖິງທ່າອ່ຽງການຂະຫຍາຍຕົວຂອງຂໍ້ມູນທົ່ວໂລກ, ເຊິ່ງສະແດງໃຫ້ເຫັນທ່າອ່ຽງທີ່ຊັດເຈນ.

ການຂະຫຍາຍຕົວທີ່ບໍ່ແມ່ນເສັ້ນຂອງການສະສົມຂໍ້ມູນນີ້ແມ່ນພື້ນຖານສໍາລັບການຂະຫຍາຍຕົວທີ່ບໍ່ແມ່ນເສັ້ນຂອງຄວາມສາມາດຂອງ AIGC.

ແຕ່, ຂໍ້ມູນເຫຼົ່ານີ້ສ່ວນຫຼາຍແມ່ນຂໍ້ມູນພາບ-ສຽງທີ່ບໍ່ມີໂຄງສ້າງ, ເຊິ່ງຖືກສະສົມດ້ວຍລາຄາສູນ.

ໃນຂົງເຂດພະລັງງານໄຟຟ້າ, ນີ້ບໍ່ສາມາດບັນລຸໄດ້.ຫນ້າທໍາອິດ, ສ່ວນໃຫຍ່ຂອງອຸດສາຫະກໍາພະລັງງານໄຟຟ້າແມ່ນມີໂຄງສ້າງແລະຂໍ້ມູນເຄິ່ງໂຄງສ້າງ, ເຊັ່ນ:

ແຮງດັນແລະກະແສໄຟຟ້າ, ເຊິ່ງເປັນຊຸດຂໍ້ມູນຈຸດຂອງຊຸດເວລາແລະໂຄງສ້າງເຄິ່ງ.

ຊຸດຂໍ້ມູນໂຄງສ້າງຈໍາເປັນຕ້ອງເຂົ້າໃຈໂດຍຄອມພິວເຕີແລະຮຽກຮ້ອງໃຫ້ມີ "ການຈັດຕໍາແຫນ່ງ", ເຊັ່ນ: ການສອດຄ່ອງອຸປະກອນ - ແຮງດັນ, ປະຈຸບັນ, ແລະຂໍ້ມູນພະລັງງານ.

ຂອງ switch ຈໍາເປັນຕ້ອງໄດ້ສອດຄ່ອງກັບ node ນີ້.

ບັນຫາເພີ່ມເຕີມແມ່ນການຈັດລໍາດັບເວລາ, ເຊິ່ງຮຽກຮ້ອງໃຫ້ມີການຈັດຕໍາແຫນ່ງແຮງດັນ, ປະຈຸບັນ, ແລະພະລັງງານທີ່ມີການເຄື່ອນໄຫວແລະປະຕິກິລິຍາໂດຍອີງໃສ່ຂະຫນາດເວລາ, ດັ່ງນັ້ນ.

ການກໍານົດຕົວຕໍ່ມາສາມາດປະຕິບັດໄດ້.ນອກນັ້ນຍັງມີທິດທາງໄປໜ້າ ແລະ ຖອຍຫຼັງ, ເຊິ່ງເປັນການຈັດວາງທາງກວ້າງຂອງພື້ນໃນສີ່ສີ່ຫຼ່ຽມ.

ບໍ່ເຫມືອນກັບຂໍ້ມູນຂໍ້ຄວາມ, ເຊິ່ງບໍ່ຕ້ອງການການຈັດລໍາດັບ, ຫຍໍ້ຫນ້າຖືກຖິ້ມໃສ່ຄອມພິວເຕີ, ເຊິ່ງກໍານົດການເຊື່ອມໂຍງຂໍ້ມູນທີ່ເປັນໄປໄດ້.

ດ້ວຍ​ຕົວ​ມັນ​ເອງ.

ເພື່ອຈັດວາງບັນຫານີ້, ເຊັ່ນ: ການຈັດລຽງອຸປະກອນຂອງຂໍ້ມູນການແຈກຢາຍທຸລະກິດ, ການສອດຄ່ອງແມ່ນຈໍາເປັນຢ່າງຕໍ່ເນື່ອງ, ເພາະວ່າຂະຫນາດກາງແລະ.

ເຄືອຂ່າຍການກະຈາຍແຮງດັນຕໍ່າກໍາລັງເພີ່ມ, ລຶບ, ແລະດັດແປງອຸປະກອນແລະສາຍທຸກໆມື້, ແລະບໍລິສັດຕາຂ່າຍໄຟຟ້າໃຊ້ຄ່າໃຊ້ຈ່າຍແຮງງານຢ່າງຫຼວງຫຼາຍ.

ເຊັ່ນດຽວກັນກັບ "ຄໍາບັນຍາຍຂໍ້ມູນ", ຄອມພິວເຕີບໍ່ສາມາດເຮັດສິ່ງນີ້ໄດ້.

ອັນທີສອງ, ຄ່າໃຊ້ຈ່າຍຂອງຂໍ້ມູນໃນຂະແຫນງການພະລັງງານແມ່ນສູງ, ແລະເຊັນເຊີແມ່ນຕ້ອງການແທນທີ່ຈະມີໂທລະສັບມືຖືເພື່ອເວົ້າແລະຖ່າຍຮູບ.”

ທຸກໆຄັ້ງທີ່ແຮງດັນຫຼຸດລົງຫນຶ່ງລະດັບ (ຫຼືການພົວພັນການແຜ່ກະຈາຍພະລັງງານຫຼຸດລົງຫນຶ່ງລະດັບ), ການລົງທຶນຂອງເຊັນເຊີທີ່ຕ້ອງການເພີ່ມຂຶ້ນ

ໂດຍຢ່າງໜ້ອຍໜຶ່ງລຳດັບຂອງຂະໜາດ.ເພື່ອບັນລຸການຮັບຮູ້ດ້ານການໂຫຼດ (ປາຍ capillary), ມັນແມ່ນການລົງທືນດິຈິຕອນອັນໃຫຍ່ຫຼວງຫຼາຍ.”

ຖ້າມີຄວາມຈໍາເປັນໃນການກໍານົດຮູບແບບຊົ່ວຄາວຂອງຕາຂ່າຍໄຟຟ້າ, ການເກັບຕົວຢ່າງຄວາມຖີ່ສູງທີ່ມີຄວາມແມ່ນຍໍາສູງແມ່ນຕ້ອງການ, ແລະຄ່າໃຊ້ຈ່າຍແມ່ນສູງກວ່າ.

ເນື່ອງຈາກຄ່າໃຊ້ຈ່າຍຂອງການຈັດຫາຂໍ້ມູນ ແລະ ການຈັດລຽງຂໍ້ມູນມີຄ່າໃຊ້ຈ່າຍທີ່ສູງທີ່ສຸດ, ປະຈຸບັນຕາຂ່າຍໄຟຟ້າບໍ່ສາມາດສະສົມບໍ່ເປັນເສັ້ນໄດ້ພຽງພໍ.

ການ​ຂະ​ຫຍາຍ​ຕົວ​ຂອງ​ຂໍ້​ມູນ​ຂໍ້​ມູນ​ທີ່​ຈະ​ຝຶກ​ອົບ​ຮົມ​ວິ​ທີ​ການ​ເພື່ອ​ສາ​ມາດ​ບັນ​ລຸ​ການ​ເປັນ AI singularity​.

ບໍ່ໄດ້ກ່າວເຖິງການເປີດກວ້າງຂອງຂໍ້ມູນ, ມັນເປັນໄປບໍ່ໄດ້ສໍາລັບການເລີ່ມຕົ້ນ AI ພະລັງງານທີ່ຈະໄດ້ຮັບຂໍ້ມູນເຫຼົ່ານີ້.

ດັ່ງນັ້ນ, ກ່ອນທີ່ຈະ AI, ມັນຈໍາເປັນຕ້ອງແກ້ໄຂບັນຫາຂອງຊຸດຂໍ້ມູນ, ຖ້າບໍ່ດັ່ງນັ້ນລະຫັດ AI ທົ່ວໄປບໍ່ສາມາດຖືກຝຶກອົບຮົມເພື່ອຜະລິດ AI ທີ່ດີ.

3. ບຸກທະລຸໃນພະລັງງານຄອມພິວເຕີ

ນອກເໜືອໄປຈາກສູດການຄິດໄລ່ ແລະຂໍ້ມູນ, ຄວາມແຕກແຍກຂອງເອກະລັກຂອງ AIGC ຍັງເປັນການບຸກທະລຸໃນພະລັງງານການຄຳນວນ.CPU ແບບດັ້ງເດີມບໍ່ແມ່ນ

ເຫມາະສໍາລັບຄອມພິວເຕີ້ neuronal concurrent ຂະຫນາດໃຫຍ່.ມັນເປັນທີ່ຊັດເຈນຂອງຄໍາຮ້ອງສະຫມັກຂອງ GPUs ໃນເກມ 3D ແລະຮູບເງົາທີ່ເຮັດໃຫ້ຂະຫນານຂະຫນາດໃຫຍ່

Floating-point+streaming ຄອມພິວເຕີເປັນໄປໄດ້.ກົດໝາຍຂອງ Moore ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍຕໍ່ເຄື່ອງຄອມພິວເຕີຕໍ່ຫົວໜ່ວຍພະລັງງານຄອມພິວເຕີ.

ຕາຂ່າຍໄຟຟ້າ AI, ທ່າອ່ຽງທີ່ຫຼີກລ່ຽງບໍ່ໄດ້ໃນອະນາຄົດ

ດ້ວຍການລວມຕົວຂອງລະບົບການເກັບຮັກສາພະລັງງານໄຟຟ້າແບບກະຈາຍແລະລະບົບ photovoltaic ຈໍານວນຫລາຍ, ເຊັ່ນດຽວກັນກັບຄວາມຕ້ອງການຄໍາຮ້ອງສະຫມັກຂອງ.

Load side ໂຮງງານໄຟຟ້າ virtual, ມັນເປັນສິ່ງຈໍາເປັນຈຸດປະສົງເພື່ອດໍາເນີນການຄາດຄະເນແຫຼ່ງແລະການໂຫຼດສໍາລັບລະບົບເຄືອຂ່າຍການແຈກຢາຍສາທາລະນະແລະຜູ້ໃຊ້.

ລະບົບຕາຂ່າຍການແຈກຢາຍ (ຈຸນລະພາກ), ເຊັ່ນດຽວກັນກັບການເພີ່ມປະສິດທິພາບການໄຫຼຂອງພະລັງງານໃນເວລາຈິງສໍາລັບລະບົບຕາຂ່າຍໄຟຟ້າແຈກຢາຍ (ຈຸນລະພາກ).

ຄວາມ​ສັບ​ສົນ​ທາງ​ການ​ຄິດ​ໄລ່​ຂອງ​ດ້ານ​ເຄືອ​ຂ່າຍ​ການ​ແຜ່​ກະ​ຈາຍ​ແມ່ນ​ສູງ​ກ​່​ວາ​ການ​ກໍາ​ນົດ​ເວ​ລາ​ເຄືອ​ຂ່າຍ​ສາຍ​ສົ່ງ​.ເຖິງແມ່ນວ່າສໍາລັບການຄ້າ

ສະລັບສັບຊ້ອນ, ອາດຈະມີອຸປະກອນການໂຫຼດຫຼາຍສິບພັນແລະຫຼາຍຮ້ອຍສະວິດ, ແລະຄວາມຕ້ອງການສໍາລັບການ AI ອີງ micro grid / ເຄືອຂ່າຍການແຈກຢາຍການດໍາເນີນງານ.

ການຄວບຄຸມຈະເກີດຂຶ້ນ.

ດ້ວຍຄ່າໃຊ້ຈ່າຍຕ່ໍາຂອງເຊັນເຊີແລະການນໍາໃຊ້ຢ່າງແຜ່ຫຼາຍຂອງອຸປະກອນເອເລັກໂຕຣນິກພະລັງງານເຊັ່ນ: ຫມໍ້ແປງສະພາບແຂງ, ​​ສະວິດລັດແຂງ, ແລະຕົວແປງສັນຍານ (ຕົວແປງສັນຍານ),

ການ​ເຊື່ອມ​ໂຍງ​ຂອງ​ການ​ຮັບ​ຮູ້, ຄອມ​ພິວ​ເຕີ, ແລະ​ການ​ຄວບ​ຄຸມ​ຢູ່​ຂອບ​ຕາ​ຂ່າຍ​ໄຟ​ຟ້າ​ຍັງ​ກາຍ​ເປັນ​ທ່າ​ອ່ຽງ​ນະ​ວັດ​ຕະ​ກຳ.

ດັ່ງນັ້ນ, AIGC ຂອງຕາຂ່າຍໄຟຟ້າແມ່ນອະນາຄົດ.ຢ່າງໃດກໍຕາມ, ສິ່ງທີ່ຈໍາເປັນໃນມື້ນີ້ບໍ່ແມ່ນການເອົາລະບົບ AI ທັນທີເພື່ອສ້າງລາຍໄດ້,

ແທນທີ່ຈະ, ທໍາອິດແກ້ໄຂບັນຫາການກໍ່ສ້າງພື້ນຖານໂຄງລ່າງຂໍ້ມູນທີ່ຕ້ອງການໂດຍ AI

ໃນການເພີ່ມຂຶ້ນຂອງ AIGC, ມັນຈໍາເປັນຕ້ອງມີຄວາມຄິດທີ່ສະຫງົບພຽງພໍກ່ຽວກັບລະດັບຄໍາຮ້ອງສະຫມັກແລະອະນາຄົດຂອງພະລັງງານ AI.

ໃນປັດຈຸບັນ, ຄວາມສໍາຄັນຂອງພະລັງງານ AI ແມ່ນບໍ່ສໍາຄັນ: ຕົວຢ່າງ, ສູດການຄິດໄລ່ photovoltaic ທີ່ມີຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງ 90% ແມ່ນຢູ່ໃນຕະຫຼາດຈຸດ.

ໂດຍມີຂອບເຂດການບິດເບືອນການຊື້ຂາຍຂອງ 5%, ແລະການບິດເບືອນ algorithm ຈະເຊັດຜົນກໍາໄລການຊື້ຂາຍທັງຫມົດ.

ຂໍ້ມູນແມ່ນນ້ໍາ, ແລະພະລັງງານການຄິດໄລ່ຂອງ algorithm ແມ່ນຊ່ອງທາງ.ເມື່ອມັນເກີດຂຶ້ນ, ມັນຈະເປັນ.