সারমর্মে ফিরে আসা, এককত্বের ক্ষেত্রে AIGC-এর অগ্রগতি তিনটি কারণের সংমিশ্রণ:

1. জিপিটি মানব নিউরনের একটি প্রতিরূপ

এনএলপি দ্বারা উপস্থাপিত জিপিটি এআই হল একটি কম্পিউটার নিউরাল নেটওয়ার্ক অ্যালগরিদম, যার সারমর্ম হল মানুষের সেরিব্রাল কর্টেক্সে নিউরাল নেটওয়ার্ক অনুকরণ করা।

ভাষা, সঙ্গীত, ছবি এবং এমনকি স্বাদ তথ্যের প্রক্রিয়াকরণ এবং বুদ্ধিমান কল্পনা মানুষের দ্বারা সঞ্চিত সমস্ত ফাংশন

দীর্ঘমেয়াদী বিবর্তনের সময় একটি "প্রোটিন কম্পিউটার" হিসাবে মস্তিষ্ক।

অতএব, জিপিটি স্বাভাবিকভাবেই অনুরূপ তথ্য প্রক্রিয়াকরণের জন্য সবচেয়ে উপযুক্ত অনুকরণ, অর্থাৎ অসংগঠিত ভাষা, সঙ্গীত এবং চিত্র।

এর প্রক্রিয়াকরণের প্রক্রিয়াটি অর্থ বোঝার নয়, বরং পরিমার্জন, সনাক্তকরণ এবং সংযুক্ত করার একটি প্রক্রিয়া।এটি একটি খুবই

প্যারাডক্সিক্যাল জিনিস।

প্রারম্ভিক বক্তৃতা শব্দার্থিক স্বীকৃতি অ্যালগরিদমগুলি মূলত একটি ব্যাকরণ মডেল এবং একটি বক্তৃতা ডাটাবেস প্রতিষ্ঠা করে, তারপর বক্তৃতাকে শব্দভান্ডারে ম্যাপ করে,

তারপর শব্দভান্ডারের অর্থ বোঝার জন্য ব্যাকরণ ডাটাবেসে শব্দভান্ডার স্থাপন করে এবং অবশেষে স্বীকৃতির ফলাফল পাওয়া যায়।

এই "লজিক্যাল মেকানিজম" ভিত্তিক সিনট্যাক্স স্বীকৃতির স্বীকৃতি দক্ষতা প্রায় 70%, যেমন ভায়াভয়েস স্বীকৃতি

1990 এর দশকে আইবিএম দ্বারা প্রবর্তিত অ্যালগরিদম।

এআইজিসি এইভাবে খেলার বিষয়ে নয়।এর সারমর্ম হল ব্যাকরণের যত্ন নেওয়া নয়, বরং একটি নিউরাল নেটওয়ার্ক অ্যালগরিদম প্রতিষ্ঠা করা যা অনুমতি দেয়

কম্পিউটার বিভিন্ন শব্দের মধ্যে সম্ভাব্য সংযোগ গণনা করতে, যা স্নায়বিক সংযোগ, শব্দার্থিক সংযোগ নয়।

অনেকটা ছোটবেলায় আমাদের মাতৃভাষা শেখার মতো, আমরা "বিষয়, অনুমান, বস্তু, ক্রিয়া, পরিপূরক" শেখার পরিবর্তে স্বাভাবিকভাবেই এটি শিখেছি।

এবং তারপর একটি অনুচ্ছেদ বুঝতে.

এটি AI এর চিন্তার মডেল, যা স্বীকৃতি, বোঝার নয়।

এটি সমস্ত ক্লাসিক্যাল মেকানিজম মডেলের জন্য এআই-এর ধ্বংসাত্মক তাত্পর্যও - কম্পিউটারের এই বিষয়টিকে যৌক্তিক স্তরে বোঝার প্রয়োজন নেই,

বরং অভ্যন্তরীণ তথ্যের মধ্যে পারস্পরিক সম্পর্ক সনাক্ত করুন এবং চিনুন এবং তারপরে এটি জানুন।

উদাহরণস্বরূপ, পাওয়ার ফ্লো স্টেট এবং পাওয়ার গ্রিডের ভবিষ্যদ্বাণী ক্লাসিক্যাল পাওয়ার নেটওয়ার্ক সিমুলেশনের উপর ভিত্তি করে, যেখানে একটি গাণিতিক মডেল

মেকানিজম প্রতিষ্ঠিত হয় এবং তারপর একটি ম্যাট্রিক্স অ্যালগরিদম ব্যবহার করে একত্রিত হয়।ভবিষ্যতে, এটির প্রয়োজন নাও হতে পারে।AI সরাসরি শনাক্ত করবে এবং একটি ভবিষ্যদ্বাণী করবে

প্রতিটি নোডের অবস্থার উপর ভিত্তি করে নির্দিষ্ট মডেল প্যাটার্ন।

যত বেশি নোড আছে, ক্লাসিক্যাল ম্যাট্রিক্স অ্যালগরিদম তত কম জনপ্রিয়, কারণ অ্যালগরিদমের জটিলতা সংখ্যার সাথে বৃদ্ধি পায়।

নোড এবং জ্যামিতিক অগ্রগতি বৃদ্ধি পায়।যাইহোক, AI খুব বড় স্কেল নোডের একত্রীকরণ পছন্দ করে, কারণ AI সনাক্তকরণে ভাল এবং

সবচেয়ে সম্ভাব্য নেটওয়ার্ক মোডের পূর্বাভাস।

এটি Go-এর পরবর্তী ভবিষ্যদ্বাণী (AlphaGO প্রতিটি ধাপের জন্য অগণিত সম্ভাবনা সহ পরবর্তী কয়েক ডজন ধাপের ভবিষ্যদ্বাণী করতে পারে) বা মডেল ভবিষ্যদ্বাণী

জটিল আবহাওয়া ব্যবস্থায়, AI এর নির্ভুলতা যান্ত্রিক মডেলের তুলনায় অনেক বেশি।

পাওয়ার গ্রিডের জন্য বর্তমানে AI-এর প্রয়োজন নেই তার কারণ হল প্রাদেশিক দ্বারা পরিচালিত 220 kV এবং তার উপরে পাওয়ার নেটওয়ার্কগুলিতে নোডের সংখ্যা

প্রেরন বড় নয়, এবং ম্যাট্রিক্সকে রৈখিককরণ এবং বিক্ষিপ্ত করার জন্য অনেক শর্ত সেট করা হয়েছে, যা এর গণনাগত জটিলতাকে ব্যাপকভাবে হ্রাস করে।

মেকানিজম মডেল।

যাইহোক, ডিস্ট্রিবিউশন নেটওয়ার্ক পাওয়ার প্রবাহ পর্যায়ে, হাজার হাজার বা কয়েক হাজার পাওয়ার নোড, লোড নোড এবং ঐতিহ্যগত

একটি বড় বিতরণ নেটওয়ার্কে ম্যাট্রিক্স অ্যালগরিদম শক্তিহীন।

আমি বিশ্বাস করি যে ডিস্ট্রিবিউশন নেটওয়ার্ক স্তরে AI এর প্যাটার্ন স্বীকৃতি ভবিষ্যতে সম্ভব হবে।

2. অসংগঠিত তথ্য সংগ্রহ, প্রশিক্ষণ এবং প্রজন্ম

AIGC একটি যুগান্তকারী কারণ দ্বিতীয় কারণ তথ্য সঞ্চয় হয়.ভাষণের A/D রূপান্তর থেকে (মাইক্রোফোন+পিসিএম

নমুনা) ছবির A/D রূপান্তর (CMOS + কালার স্পেস ম্যাপিং), মানুষ ভিজ্যুয়াল এবং শ্রাবণে হলোগ্রাফিক ডেটা জমা করেছে

গত কয়েক দশক ধরে অত্যন্ত কম খরচের উপায়ে ক্ষেত্র।

বিশেষ করে, ক্যামেরা এবং স্মার্টফোনের ব্যাপক জনপ্রিয়তা, মানুষের জন্য অডিওভিজ্যুয়াল ক্ষেত্রে অসংগঠিত ডেটা জমা করা

প্রায় শূন্য খরচে, এবং ইন্টারনেটে পাঠ্য তথ্যের বিস্ফোরক সঞ্চয় হল AIGC প্রশিক্ষণের মূল চাবিকাঠি - প্রশিক্ষণ ডেটা সেটগুলি সস্তা।

উপরের চিত্রটি বিশ্বব্যাপী ডেটার বৃদ্ধির প্রবণতা দেখায়, যা স্পষ্টভাবে একটি সূচকীয় প্রবণতা উপস্থাপন করে।

তথ্য সংগ্রহের এই অ-রৈখিক বৃদ্ধি AIGC-এর ক্ষমতার নন-লিনিয়ার বৃদ্ধির ভিত্তি।

কিন্তু, এই ডেটাগুলির বেশিরভাগই অসংগঠিত অডিও-ভিজ্যুয়াল ডেটা, যা শূন্য খরচে জমা হয়।

বৈদ্যুতিক শক্তি ক্ষেত্রে, এটি অর্জন করা যাবে না।প্রথমত, বেশিরভাগ বৈদ্যুতিক শক্তি শিল্প কাঠামোগত এবং আধা কাঠামোগত ডেটা, যেমন

ভোল্টেজ এবং কারেন্ট, যা টাইম সিরিজের পয়েন্ট ডেটা সেট এবং সেমি স্ট্রাকচার্ড।

স্ট্রাকচারাল ডেটা সেটগুলিকে কম্পিউটার দ্বারা বোঝার প্রয়োজন হয় এবং "সারিবদ্ধকরণ" প্রয়োজন, যেমন ডিভাইসের প্রান্তিককরণ - ভোল্টেজ, বর্তমান এবং পাওয়ার ডেটা

একটি সুইচের এই নোডের সাথে সারিবদ্ধ করা প্রয়োজন।

আরও সমস্যা হল সময় সারিবদ্ধকরণ, যার জন্য টাইম স্কেলের উপর ভিত্তি করে ভোল্টেজ, কারেন্ট এবং সক্রিয় এবং প্রতিক্রিয়াশীল শক্তির সারিবদ্ধকরণ প্রয়োজন, যাতে

পরবর্তী সনাক্তকরণ সঞ্চালিত হতে পারে।সামনে এবং বিপরীত দিকও রয়েছে, যা চারটি চতুর্ভুজে স্থানিক প্রান্তিককরণ।

টেক্সট ডেটার বিপরীতে, যার জন্য সারিবদ্ধকরণের প্রয়োজন হয় না, একটি অনুচ্ছেদ কম্পিউটারে নিক্ষিপ্ত করা হয়, যা সম্ভাব্য তথ্য সংস্থাকে চিহ্নিত করে।

ঠিক নিজের মতো.

এই সমস্যাটি সারিবদ্ধ করার জন্য, যেমন ব্যবসায়িক বিতরণ ডেটার সরঞ্জামের প্রান্তিককরণ, প্রান্তিককরণ ক্রমাগত প্রয়োজন, কারণ মাধ্যম এবং

লো ভোল্টেজ ডিস্ট্রিবিউশন নেটওয়ার্ক প্রতিদিন সরঞ্জাম এবং লাইন যোগ, মুছে এবং সংশোধন করছে এবং গ্রিড কোম্পানিগুলি প্রচুর শ্রম খরচ করে।

"ডেটা টীকা" এর মত কম্পিউটার এটি করতে পারে না।

দ্বিতীয়ত, পাওয়ার সেক্টরে ডেটা অধিগ্রহণের খরচ বেশি, এবং কথা বলার এবং ছবি তোলার জন্য মোবাইল ফোনের পরিবর্তে সেন্সর প্রয়োজন।"

প্রতিবার ভোল্টেজ এক স্তর দ্বারা হ্রাস পায় (অথবা বিদ্যুৎ বিতরণ সম্পর্ক এক স্তর দ্বারা হ্রাস পায়), প্রয়োজনীয় সেন্সর বিনিয়োগ বৃদ্ধি পায়

মাত্রার অন্তত একটি আদেশ দ্বারা.লোড সাইড (ক্যাপিলারি এন্ড) সেন্সিং অর্জন করতে, এটি আরও বেশি একটি বিশাল ডিজিটাল বিনিয়োগ।"

পাওয়ার গ্রিডের ক্ষণস্থায়ী মোড সনাক্ত করার প্রয়োজন হলে, উচ্চ-নির্ভুলতা উচ্চ-ফ্রিকোয়েন্সি স্যাম্পলিং প্রয়োজন, এবং খরচ আরও বেশি।

ডেটা অধিগ্রহণ এবং ডেটা সারিবদ্ধকরণের অত্যন্ত উচ্চ প্রান্তিক ব্যয়ের কারণে, পাওয়ার গ্রিড বর্তমানে পর্যাপ্ত নন-লিনিয়ার জমা করতে অক্ষম।

এআই সিঙ্গুলারিটিতে পৌঁছানোর জন্য একটি অ্যালগরিদম প্রশিক্ষণের জন্য ডেটা তথ্যের বৃদ্ধি।

ডেটার উন্মুক্ততা উল্লেখ না করে, একটি পাওয়ার এআই স্টার্টআপের পক্ষে এই ডেটাগুলি পাওয়া অসম্ভব।

অতএব, AI এর আগে, ডেটা সেটের সমস্যা সমাধান করা প্রয়োজন, অন্যথায় সাধারণ AI কোড একটি ভাল AI তৈরি করার জন্য প্রশিক্ষিত হতে পারে না।

3. গণনা শক্তিতে অগ্রগতি

অ্যালগরিদম এবং ডেটা ছাড়াও, AIGC-এর সিঙ্গুলারিটি ব্রেকথ্রু কম্পিউটেশনাল পাওয়ারের ক্ষেত্রেও একটি যুগান্তকারী।ঐতিহ্যগত CPU গুলি নয়

বড় আকারের সমবর্তী নিউরোনাল কম্পিউটিংয়ের জন্য উপযুক্ত।এটি 3D গেম এবং মুভিতে GPU-এর প্রয়োগ যা বড় আকারের সমান্তরাল করে

ফ্লোটিং-পয়েন্ট+স্ট্রিমিং কম্পিউটিং সম্ভব।মুরের আইন কম্পিউটেশনাল শক্তির প্রতি ইউনিট কম্পিউটেশনাল খরচ কমিয়ে দেয়।

পাওয়ার গ্রিড এআই, ভবিষ্যতে একটি অনিবার্য প্রবণতা

বিপুল সংখ্যক বিতরণকৃত ফটোভোলটাইক এবং বিতরণ করা শক্তি সঞ্চয়স্থান সিস্টেমের একীকরণের সাথে সাথে এর প্রয়োগের প্রয়োজনীয়তাগুলি

লোড সাইড ভার্চুয়াল পাওয়ার প্ল্যান্ট, পাবলিক ডিস্ট্রিবিউশন নেটওয়ার্ক সিস্টেম এবং ব্যবহারকারীর জন্য উত্স এবং লোড পূর্বাভাস পরিচালনা করা উদ্দেশ্যমূলকভাবে প্রয়োজনীয়

ডিস্ট্রিবিউশন (মাইক্রো) গ্রিড সিস্টেম, সেইসাথে ডিস্ট্রিবিউশন (মাইক্রো) গ্রিড সিস্টেমের জন্য রিয়েল-টাইম পাওয়ার ফ্লো অপ্টিমাইজেশান।

ডিস্ট্রিবিউশন নেটওয়ার্ক সাইডের কম্পিউটেশনাল জটিলতা আসলে ট্রান্সমিশন নেটওয়ার্ক শিডিউলিংয়ের চেয়ে বেশি।এমনকি একটি বাণিজ্যিক জন্য

জটিল, হাজার হাজার লোড ডিভাইস এবং শত শত সুইচ থাকতে পারে এবং এআই ভিত্তিক মাইক্রো গ্রিড/ডিস্ট্রিবিউশন নেটওয়ার্ক অপারেশনের চাহিদা

নিয়ন্ত্রণ তৈরি হবে।

কম খরচে সেন্সর এবং পাওয়ার ইলেকট্রনিক ডিভাইসের ব্যাপক ব্যবহার যেমন সলিড-স্টেট ট্রান্সফরমার, সলিড-স্টেট সুইচ এবং ইনভার্টার (কনভার্টার),

পাওয়ার গ্রিডের প্রান্তে সেন্সিং, কম্পিউটিং এবং নিয়ন্ত্রণের একীকরণও একটি উদ্ভাবনী প্রবণতা হয়ে উঠেছে।

অতএব, পাওয়ার গ্রিডের AIGC ভবিষ্যত।যাইহোক, আজ যা প্রয়োজন তা হল অর্থ উপার্জনের জন্য অবিলম্বে একটি এআই অ্যালগরিদম নেওয়া নয়,

পরিবর্তে, প্রথমে AI দ্বারা প্রয়োজনীয় ডেটা অবকাঠামো নির্মাণের সমস্যাগুলি সমাধান করুন

AIGC-এর উত্থানে, পাওয়ার এআই-এর প্রয়োগের স্তর এবং ভবিষ্যৎ সম্পর্কে যথেষ্ট শান্ত চিন্তাভাবনা করা দরকার।

বর্তমানে, পাওয়ার AI এর তাৎপর্য উল্লেখযোগ্য নয়: উদাহরণস্বরূপ, 90% এর পূর্বাভাস নির্ভুলতার সাথে একটি ফটোভোলটাইক অ্যালগরিদম স্পট মার্কেটে স্থাপন করা হয়েছে

5% ট্রেডিং বিচ্যুতি থ্রেশহোল্ড সহ, এবং অ্যালগরিদম বিচ্যুতি সমস্ত ট্রেডিং মুনাফা মুছে ফেলবে।

ডেটা হল জল, এবং অ্যালগরিদমের গণনা শক্তি হল একটি চ্যানেল।এটা যেমন ঘটবে, এটা হবে.