சாராம்சத்திற்குத் திரும்பினால், ஏஐஜிசியின் ஒருமையில் முன்னேற்றம் மூன்று காரணிகளின் கலவையாகும்:

1. GPT என்பது மனித நியூரான்களின் பிரதி

NLP ஆல் குறிப்பிடப்படும் GPT AI என்பது ஒரு கணினி நரம்பியல் நெட்வொர்க் அல்காரிதம் ஆகும், இதன் சாராம்சம் மனித பெருமூளைப் புறணியில் உள்ள நரம்பியல் நெட்வொர்க்குகளை உருவகப்படுத்துவதாகும்.

மொழி, இசை, படங்கள் மற்றும் சுவை தகவல்களின் செயலாக்கம் மற்றும் அறிவார்ந்த கற்பனை அனைத்தும் மனிதனால் திரட்டப்பட்ட செயல்பாடுகள் ஆகும்.

நீண்ட கால பரிணாம வளர்ச்சியின் போது மூளை ஒரு "புரத கணினி".

எனவே, GPT இயற்கையாகவே ஒரே மாதிரியான தகவல்களை, அதாவது கட்டமைக்கப்படாத மொழி, இசை மற்றும் படங்களை செயலாக்குவதற்கு மிகவும் பொருத்தமான சாயல் ஆகும்.

அதன் செயலாக்கத்தின் பொறிமுறையானது பொருளைப் புரிந்துகொள்வது அல்ல, மாறாக சுத்திகரிப்பு, அடையாளம் காண்பது மற்றும் தொடர்புபடுத்தும் செயல்முறையாகும்.இது மிகவும்

முரண்பாடான விஷயம்.

ஆரம்பகால பேச்சு சொற்பொருள் அங்கீகாரம் வழிமுறைகள் அடிப்படையில் இலக்கண மாதிரி மற்றும் பேச்சு தரவுத்தளத்தை நிறுவியது, பின்னர் பேச்சை சொல்லகராதிக்கு வரைபடமாக்கியது,

பின்னர் சொற்களஞ்சியத்தின் பொருளைப் புரிந்துகொள்வதற்காக இலக்கண தரவுத்தளத்தில் சொற்களஞ்சியத்தை வைத்து, இறுதியாக அங்கீகார முடிவுகளைப் பெற்றார்.

இந்த "லாஜிக்கல் மெக்கானிசம்" அடிப்படையிலான தொடரியல் அங்கீகாரத்தின் அங்கீகார திறன் 70% சுற்றி வருகிறது, அதாவது வயாவாய்ஸ் அங்கீகாரம்

1990களில் IBM அறிமுகப்படுத்திய அல்காரிதம்.

ஏஐஜிசி இப்படி விளையாடுவது அல்ல.அதன் சாராம்சம் இலக்கணத்தைப் பற்றி கவலைப்படுவது அல்ல, மாறாக ஒரு நரம்பியல் நெட்வொர்க் அல்காரிதத்தை நிறுவ அனுமதிக்கிறது.

வெவ்வேறு சொற்களுக்கு இடையே உள்ள நிகழ்தகவு இணைப்புகளை கணக்கிட கணினி, அவை நரம்பியல் இணைப்புகள், சொற்பொருள் இணைப்புகள் அல்ல.

சிறுவயதில் தாய்மொழியைக் கற்றுக்கொள்வதைப் போலவே, "பொருள், முன்னறிவிப்பு, பொருள், வினை, நிரப்பு" ஆகியவற்றைக் கற்றுக்கொள்வதை விட இயல்பாகவே கற்றுக்கொண்டோம்.

பின்னர் ஒரு பத்தி புரிந்து.

இது AI இன் சிந்தனை மாதிரி, இது அங்கீகாரம், புரிதல் அல்ல.

இதுவே அனைத்து கிளாசிக்கல் மெக்கானிசம் மாடல்களுக்கும் AI இன் கீழ்த்தரமான முக்கியத்துவமாகும் - கணினிகள் இந்த விஷயத்தை தருக்க மட்டத்தில் புரிந்து கொள்ள வேண்டிய அவசியமில்லை,

மாறாக அகத் தகவல்களுக்கிடையே உள்ள தொடர்பைக் கண்டறிந்து அங்கீகரிக்கவும், பின்னர் அதை அறிந்து கொள்ளவும்.

எடுத்துக்காட்டாக, பவர் கிரிட்களின் பவர் ஃப்ளோ நிலை மற்றும் கணிப்பு ஆகியவை கிளாசிக்கல் பவர் நெட்வொர்க் சிமுலேஷனை அடிப்படையாகக் கொண்டவை, இதில் ஒரு கணித மாதிரி

மேட்ரிக்ஸ் அல்காரிதத்தைப் பயன்படுத்தி பொறிமுறை நிறுவப்பட்டு பின்னர் ஒன்றிணைக்கப்படுகிறது.எதிர்காலத்தில், அது தேவையில்லை.AI நேரடியாக அடையாளம் கண்டு கணிக்கும் a

ஒவ்வொரு முனையின் நிலையின் அடிப்படையில் குறிப்பிட்ட மாதிரி முறை.

அதிக முனைகள் உள்ளதால், கிளாசிக்கல் மேட்ரிக்ஸ் அல்காரிதம் குறைவான பிரபலமாக உள்ளது, ஏனெனில் அல்காரிதத்தின் சிக்கலானது எண்ணிக்கையுடன் அதிகரிக்கிறது.

முனைகள் மற்றும் வடிவியல் முன்னேற்றம் அதிகரிக்கிறது.இருப்பினும், AI மிகப் பெரிய அளவிலான முனை ஒத்திசைவைக் கொண்டிருக்க விரும்புகிறது, ஏனெனில் AI அடையாளம் கண்டுகொள்வதில் சிறந்தது மற்றும்

மிகவும் சாத்தியமான பிணைய முறைகளை கணித்தல்.

அது Go இன் அடுத்த கணிப்பு (ஒவ்வொரு அடிக்கும் எண்ணற்ற சாத்தியக்கூறுகளுடன், AlphaGO அடுத்த டஜன் படிகளை கணிக்க முடியும்) அல்லது மாதிரி கணிப்பு

சிக்கலான வானிலை அமைப்புகளில், AI இன் துல்லியம் இயந்திர மாதிரிகளை விட அதிகமாக உள்ளது.

மின் கட்டத்திற்கு தற்போது AI தேவையில்லை என்பதற்கான காரணம், மாகாணத்தால் நிர்வகிக்கப்படும் 220 kV மற்றும் அதற்கு மேற்பட்ட மின் நெட்வொர்க்குகளில் உள்ள முனைகளின் எண்ணிக்கை.

அனுப்புதல் பெரியதாக இல்லை, மேலும் பல நிபந்தனைகள் மேட்ரிக்ஸை நேர்கோட்டாகவும், சிதறடிக்கவும் அமைக்கப்பட்டுள்ளன, இது கணக்கீட்டு சிக்கலை வெகுவாகக் குறைக்கிறது.

பொறிமுறை மாதிரி.

இருப்பினும், விநியோக நெட்வொர்க் பவர் ஃப்ளோ கட்டத்தில், பல்லாயிரக்கணக்கான அல்லது நூறாயிரக்கணக்கான மின் முனைகள், சுமை முனைகள் மற்றும் பாரம்பரியத்தை எதிர்கொள்ளும்

பெரிய விநியோக வலையமைப்பில் மேட்ரிக்ஸ் அல்காரிதம்கள் சக்தியற்றவை.

விநியோக நெட்வொர்க் மட்டத்தில் AI இன் மாதிரி அங்கீகாரம் எதிர்காலத்தில் சாத்தியமாகும் என்று நான் நம்புகிறேன்.

2. கட்டமைக்கப்படாத தகவல்களின் குவிப்பு, பயிற்சி மற்றும் உருவாக்கம்

AIGC ஒரு திருப்புமுனையை ஏற்படுத்தியதற்கு இரண்டாவது காரணம், தகவல் திரட்சியாகும்.பேச்சின் A/D மாற்றத்திலிருந்து (மைக்ரோஃபோன்+PCM

மாதிரி) படங்களின் ஏ/டி மாற்றத்திற்கு (சிஎம்ஓஎஸ்+கலர் ஸ்பேஸ் மேப்பிங்), மனிதர்கள் காட்சி மற்றும் செவிவழியில் ஹாலோகிராபிக் தரவைக் குவித்துள்ளனர்.

கடந்த சில தசாப்தங்களாக மிகவும் குறைந்த விலையில் துறைகள்.

குறிப்பாக, கேமராக்கள் மற்றும் ஸ்மார்ட்போன்களின் பெரிய அளவிலான பிரபலப்படுத்தல், மனிதர்களுக்கான ஆடியோவிஷுவல் துறையில் கட்டமைக்கப்படாத தரவுகளின் குவிப்பு

ஏறக்குறைய பூஜ்ஜிய செலவில், மற்றும் இணையத்தில் உரைத் தகவல்களின் வெடிக்கும் குவிப்பு AIGC பயிற்சிக்கு முக்கியமானது - பயிற்சி தரவு தொகுப்புகள் மலிவானவை.

மேலே உள்ள படம் உலகளாவிய தரவுகளின் வளர்ச்சிப் போக்கைக் காட்டுகிறது, இது ஒரு அதிவேகப் போக்கை தெளிவாகக் காட்டுகிறது.

தரவுத் திரட்டலின் இந்த நேரியல் அல்லாத வளர்ச்சி AIGCயின் திறன்களின் நேரியல் அல்லாத வளர்ச்சிக்கான அடித்தளமாகும்.

ஆனால், இந்தத் தரவுகளில் பெரும்பாலானவை கட்டமைக்கப்படாத ஆடியோ-விஷுவல் தரவுகளாகும், இது பூஜ்ஜிய செலவில் திரட்டப்படுகிறது.

மின்சக்தி துறையில், இதை அடைய முடியாது.முதலாவதாக, பெரும்பாலான மின்சார ஆற்றல் துறையானது கட்டமைக்கப்பட்ட மற்றும் அரை கட்டமைக்கப்பட்ட தரவு, போன்றது

மின்னழுத்தம் மற்றும் மின்னோட்டம், இவை நேரத் தொடர் மற்றும் அரை கட்டமைக்கப்பட்ட புள்ளி தரவு தொகுப்புகள்.

கட்டமைப்பு தரவுத் தொகுப்புகள் கணினிகளால் புரிந்து கொள்ளப்பட வேண்டும் மற்றும் சாதன சீரமைப்பு - மின்னழுத்தம், மின்னோட்டம் மற்றும் ஆற்றல் தரவு போன்ற "சீரமைப்பு" தேவை.

ஒரு சுவிட்சை இந்த முனையுடன் சீரமைக்க வேண்டும்.

நேரத்தைச் சீரமைப்பது மிகவும் சிக்கலானது, இதற்கு மின்னழுத்தம், மின்னோட்டம் மற்றும் நேர அளவின் அடிப்படையில் செயலில் மற்றும் எதிர்வினை சக்தி ஆகியவற்றை சீரமைக்க வேண்டும்.

பின்னர் அடையாளம் காண முடியும்.முன்னோக்கி மற்றும் தலைகீழ் திசைகளும் உள்ளன, அவை நான்கு நாற்கரங்களில் இடஞ்சார்ந்த சீரமைப்பு ஆகும்.

சீரமைப்பு தேவையில்லாத உரைத் தரவைப் போலன்றி, ஒரு பத்தி வெறுமனே கணினியில் வீசப்படுகிறது, இது சாத்தியமான தகவல் தொடர்புகளை அடையாளம் காட்டுகிறது.

சொந்தமாக.

வணிக விநியோகத் தரவின் உபகரண சீரமைப்பு போன்ற இந்தச் சிக்கலைச் சீரமைக்க, சீரமைப்பு தொடர்ந்து தேவைப்படுகிறது, ஏனெனில் நடுத்தர மற்றும்

குறைந்த மின்னழுத்த விநியோக நெட்வொர்க் ஒவ்வொரு நாளும் சாதனங்கள் மற்றும் வரிகளைச் சேர்ப்பது, நீக்குவது மற்றும் மாற்றியமைக்கிறது, மேலும் கட்டம் நிறுவனங்கள் பெரும் உழைப்புச் செலவுகளைச் செலவிடுகின்றன.

"தரவு சிறுகுறிப்பு" போல, கணினிகளால் இதைச் செய்ய முடியாது.

இரண்டாவதாக, மின்சாரத் துறையில் தரவுகளைப் பெறுவதற்கான செலவு அதிகமாக உள்ளது, மேலும் பேசுவதற்கும் புகைப்படம் எடுப்பதற்கும் மொபைல் போன் வைத்திருப்பதற்குப் பதிலாக சென்சார்கள் தேவைப்படுகின்றன.”

ஒவ்வொரு முறையும் மின்னழுத்தம் ஒரு நிலை குறையும் (அல்லது மின் விநியோக உறவு ஒரு நிலை குறைகிறது), தேவையான சென்சார் முதலீடு அதிகரிக்கிறது

குறைந்தபட்சம் ஒரு வரிசை அளவு.சுமை பக்க (கேபிலரி எண்ட்) உணர்திறனை அடைய, இது இன்னும் ஒரு பெரிய டிஜிட்டல் முதலீடு.

பவர் கிரிட்டின் நிலையற்ற பயன்முறையை அடையாளம் காண்பது அவசியமானால், உயர் துல்லியமான உயர் அதிர்வெண் மாதிரி தேவைப்படுகிறது, மேலும் செலவு இன்னும் அதிகமாகும்.

தரவு கையகப்படுத்தல் மற்றும் தரவு சீரமைப்பின் மிக அதிக விளிம்புச் செலவு காரணமாக, மின் கட்டத்தால் தற்போது போதுமான நேரியல் அல்லாதவற்றைக் குவிக்க முடியவில்லை.

AI ஒருமைப்பாட்டை அடைய ஒரு வழிமுறையைப் பயிற்றுவிப்பதற்கான தரவுத் தகவலின் வளர்ச்சி.

தரவின் திறந்த தன்மையைக் குறிப்பிட தேவையில்லை, ஒரு ஆற்றல் AI தொடக்கத்தால் இந்தத் தரவைப் பெறுவது சாத்தியமில்லை.

எனவே, AI க்கு முன், தரவுத் தொகுப்புகளின் சிக்கலைத் தீர்ப்பது அவசியம், இல்லையெனில் பொது AI குறியீட்டை ஒரு நல்ல AI ஐ உருவாக்க பயிற்சியளிக்க முடியாது.

3. கணக்கீட்டு சக்தியில் திருப்புமுனை

அல்காரிதம்கள் மற்றும் தரவுகளுடன் கூடுதலாக, AIGC இன் ஒருமைத் திருப்புமுனையானது கணக்கீட்டு சக்தியிலும் ஒரு திருப்புமுனையாகும்.பாரம்பரிய CPUகள் இல்லை

பெரிய அளவிலான ஒரே நேரத்தில் நியூரானல் கம்ப்யூட்டிங்கிற்கு ஏற்றது.இது துல்லியமாக 3D கேம்கள் மற்றும் திரைப்படங்களில் GPU களின் பயன்பாடு ஆகும், இது பெரிய அளவிலான இணையாக உள்ளது

floating-point+streaming computing சாத்தியம்.மூரின் சட்டம் ஒரு யூனிட் கணக்கீட்டு சக்திக்கான கணக்கீட்டு செலவை மேலும் குறைக்கிறது.

பவர் கிரிட் AI, எதிர்காலத்தில் தவிர்க்க முடியாத போக்கு

விநியோகிக்கப்பட்ட ஒளிமின்னழுத்த மற்றும் விநியோகிக்கப்பட்ட ஆற்றல் சேமிப்பு அமைப்புகள் மற்றும் பயன்பாட்டுத் தேவைகள் ஆகியவற்றின் ஒருங்கிணைப்புடன்

பக்க மெய்நிகர் மின் உற்பத்தி நிலையங்களை ஏற்றுவது, பொது விநியோக நெட்வொர்க் அமைப்புகள் மற்றும் பயனருக்கான மூல மற்றும் சுமை முன்கணிப்பை நடத்துவது புறநிலையாக அவசியம்

விநியோக (மைக்ரோ) கிரிட் அமைப்புகள், அத்துடன் விநியோக (மைக்ரோ) கட்ட அமைப்புகளுக்கான நிகழ் நேர மின் ஓட்டம் மேம்படுத்தல்.

விநியோக நெட்வொர்க் பக்கத்தின் கணக்கீட்டு சிக்கலானது உண்மையில் பரிமாற்ற நெட்வொர்க் திட்டமிடலை விட அதிகமாக உள்ளது.ஒரு விளம்பரத்திற்காகவும் கூட

சிக்கலானது, பல்லாயிரக்கணக்கான சுமை சாதனங்கள் மற்றும் நூற்றுக்கணக்கான சுவிட்சுகள் மற்றும் AI அடிப்படையிலான மைக்ரோ கிரிட்/விநியோக நெட்வொர்க் செயல்பாட்டிற்கான தேவை இருக்கலாம்

கட்டுப்பாடு ஏற்படும்.

சென்சார்களின் குறைந்த விலை மற்றும் திட-நிலை மின்மாற்றிகள், திட-நிலை சுவிட்சுகள் மற்றும் இன்வெர்ட்டர்கள் (மாற்றி) போன்ற ஆற்றல் மின்னணு சாதனங்களின் பரவலான பயன்பாடு,

பவர் கிரிட்டின் விளிம்பில் உணர்தல், கணினி மற்றும் கட்டுப்பாடு ஆகியவற்றின் ஒருங்கிணைப்பு ஒரு புதுமையான போக்காக மாறியுள்ளது.

எனவே, மின்வாரியத்தின் ஏ.ஐ.ஜி.சி.இருப்பினும், இன்று தேவைப்படுவது பணம் சம்பாதிப்பதற்கான AI அல்காரிதத்தை உடனடியாக எடுப்பது அல்ல,

அதற்கு பதிலாக, முதலில் AI க்கு தேவையான தரவு உள்கட்டமைப்பு கட்டுமான சிக்கல்களை தீர்க்கவும்

AIGC இன் எழுச்சியில், AI இன் பயன்பாட்டு நிலை மற்றும் எதிர்காலம் குறித்து போதுமான அமைதியான சிந்தனை இருக்க வேண்டும்.

தற்போது, ​​ஆற்றல் AI இன் முக்கியத்துவம் குறிப்பிடத்தக்கதாக இல்லை: எடுத்துக்காட்டாக, 90% கணிப்புத் துல்லியத்துடன் கூடிய ஒளிமின்னழுத்த அல்காரிதம் ஸ்பாட் சந்தையில் வைக்கப்பட்டுள்ளது.

5% வர்த்தக விலகல் வரம்புடன், மற்றும் அல்காரிதம் விலகல் அனைத்து வர்த்தக லாபங்களையும் அழித்துவிடும்.

தரவு நீர், மற்றும் அல்காரிதத்தின் கணக்கீட்டு சக்தி ஒரு சேனல் ஆகும்.அது நடக்கும், அது இருக்கும்.