ត្រលប់ទៅខ្លឹមសារវិញ របកគំហើញរបស់ AIGC ក្នុងឯកវចនៈ គឺជាការរួមបញ្ចូលគ្នានៃកត្តាបីយ៉ាង៖

1. GPT គឺជាការចម្លងនៃណឺរ៉ូនរបស់មនុស្ស

GPT AI តំណាងដោយ NLP គឺជាក្បួនដោះស្រាយបណ្តាញសរសៃប្រសាទកុំព្យូទ័រ ដែលខ្លឹមសាររបស់វាគឺដើម្បីក្លែងធ្វើបណ្តាញសរសៃប្រសាទនៅក្នុងខួរក្បាលមនុស្ស។

ការកែច្នៃ និងការស្រមើលស្រមៃដ៏ឆ្លាតវៃនៃភាសា តន្ត្រី រូបភាព និងសូម្បីតែព័ត៌មានរសជាតិ គឺជាមុខងារទាំងអស់ដែលប្រមូលផ្តុំដោយមនុស្ស។

ខួរក្បាលជា "កុំព្យូទ័រប្រូតេអ៊ីន" កំឡុងពេលវិវត្តន៍យូរអង្វែង។

ដូច្នេះ GPT គឺជាការក្លែងបន្លំដែលសមរម្យបំផុតសម្រាប់ដំណើរការព័ត៌មានស្រដៀងគ្នា នោះគឺជាភាសា តន្ត្រី និងរូបភាពដែលមិនមានរចនាសម្ព័ន្ធ។

យន្តការនៃដំណើរការរបស់វាមិនមែនជាការយល់ដឹងអំពីអត្ថន័យនោះទេ ប៉ុន្តែជាដំណើរការនៃការចម្រាញ់ កំណត់អត្តសញ្ញាណ និងការភ្ជាប់គ្នា។នេះគឺខ្លាំងណាស់

រឿង paradoxical ។

ក្បួនដោះស្រាយការទទួលស្គាល់ពាក្យសំដីដើមដំបូងបានបង្កើតគំរូវេយ្យាករណ៍ និងមូលដ្ឋានទិន្នន័យសុន្ទរកថា បន្ទាប់មកបានគូសផែនទីសុន្ទរកថាទៅនឹងវាក្យសព្ទ

បន្ទាប់មកដាក់វាក្យសព្ទទៅក្នុងមូលដ្ឋានទិន្នន័យវេយ្យាករណ៍ដើម្បីយល់ពីអត្ថន័យនៃវាក្យសព្ទ ហើយទីបំផុតទទួលបានលទ្ធផលទទួលស្គាល់។

ប្រសិទ្ធភាពនៃការទទួលស្គាល់នៃ "យន្តការឡូជីខល" ការទទួលស្គាល់វាក្យសម្ព័ន្ធដែលមានមូលដ្ឋានលើ 70% ដូចជាការទទួលស្គាល់ ViaVoice ជាដើម។

ក្បួនដោះស្រាយណែនាំដោយ IBM ក្នុងទសវត្សរ៍ឆ្នាំ 1990 ។

AIGC មិន​មែន​លេង​បែប​នេះ​ទេ។ខ្លឹមសាររបស់វាគឺមិនខ្វល់អំពីវេយ្យាករណ៍ទេ ប៉ុន្តែជាការបង្កើតក្បួនដោះស្រាយបណ្តាញសរសៃប្រសាទដែលអនុញ្ញាតឱ្យ

កុំព្យួទ័រដើម្បីរាប់ការភ្ជាប់ប្រូបាប៊ីលីករវាងពាក្យផ្សេងៗគ្នា ដែលជាការតភ្ជាប់សរសៃប្រសាទ មិនមែនជាការតភ្ជាប់តាមន័យធៀប។

ដូច​ជា​ការ​រៀន​ភាសា​កំណើត​របស់​យើង​កាល​នៅ​ក្មេង យើង​បាន​រៀន​វា​ដោយ​ធម្មជាតិ ជា​ជាង​ការ​រៀន "ប្រធានបទ ព្យាករណ៍ វត្ថុ កិរិយាសព្ទ បំពេញបន្ថែម"

ហើយបន្ទាប់មកយល់ពីកថាខណ្ឌមួយ។

នេះគឺជាគំរូនៃការគិតរបស់ AI ដែលជាការទទួលស្គាល់ មិនមែនការយល់ដឹង។

នេះក៏ជាអត្ថន័យវិទ្ធង្សនានៃ AI សម្រាប់ម៉ូដែលយន្តការបុរាណទាំងអស់ – កុំព្យូទ័រមិនចាំបាច់យល់ពីបញ្ហានេះនៅកម្រិតឡូជីខលនោះទេ។

ប៉ុន្តែជាជាងកំណត់ និងទទួលស្គាល់ការជាប់ទាក់ទងគ្នារវាងព័ត៌មានផ្ទៃក្នុង ហើយបន្ទាប់មកដឹងវា។

ឧទាហរណ៍ ស្ថានភាពលំហូរថាមពល និងការព្យាករណ៍នៃបណ្តាញថាមពលគឺផ្អែកលើការក្លែងធ្វើបណ្តាញថាមពលបុរាណ ដែលគំរូគណិតវិទ្យានៃ

យន្តការ​ត្រូវ​បាន​បង្កើត​ឡើង ហើយ​បន្ទាប់​មក​បាន​បង្រួប​បង្រួម​ដោយ​ប្រើ​ក្បួន​ដោះស្រាយ​ម៉ាទ្រីស។នៅពេលអនាគតវាប្រហែលជាមិនចាំបាច់ទេ។AI នឹងកំណត់អត្តសញ្ញាណដោយផ្ទាល់ និងព្យាករណ៍ ក

គំរូម៉ូឌុលជាក់លាក់ដោយផ្អែកលើស្ថានភាពនៃថ្នាំងនីមួយៗ។

មានថ្នាំងកាន់តែច្រើន ក្បួនដោះស្រាយម៉ាទ្រីសបុរាណគឺមិនសូវមានប្រជាប្រិយភាពទេ ពីព្រោះភាពស្មុគស្មាញនៃក្បួនដោះស្រាយកើនឡើងជាមួយនឹងចំនួននៃ

ថ្នាំងនិងដំណើរការធរណីមាត្រកើនឡើង។ទោះជាយ៉ាងណាក៏ដោយ AI ចូលចិត្តឱ្យមានការស្របគ្នានៃថ្នាំងខ្នាតធំ ពីព្រោះ AI ល្អក្នុងការកំណត់អត្តសញ្ញាណ និង

ទស្សន៍ទាយរបៀបបណ្តាញដែលទំនងបំផុត។

ថាតើវាជាការព្យាករណ៍បន្ទាប់របស់ Go (AlphaGO អាចទស្សន៍ទាយជំហានរាប់សិបបន្ទាប់ ជាមួយនឹងលទ្ធភាពរាប់មិនអស់សម្រាប់ជំហាននីមួយៗ) ឬការទស្សន៍ទាយគំរូ

នៃប្រព័ន្ធអាកាសធាតុស្មុគស្មាញ ភាពត្រឹមត្រូវរបស់ AI គឺខ្ពស់ជាងម៉ូដែលមេកានិច។

មូលហេតុដែលបណ្តាញអគ្គិសនីបច្ចុប្បន្នមិនទាមទារ AI គឺដោយសារចំនួនថ្នាំងក្នុងបណ្តាញអគ្គិសនី 220 kV និងលើសពីនេះ ដែលគ្រប់គ្រងដោយខេត្ត។

ការបញ្ជូនមិនមានទំហំធំទេ ហើយលក្ខខណ្ឌជាច្រើនត្រូវបានកំណត់ដើម្បីកំណត់លីនេអ៊ែរ និងបំបែកម៉ាទ្រីស ដោយកាត់បន្ថយភាពស្មុគស្មាញនៃការគណនាយ៉ាងខ្លាំង។

គំរូយន្តការ។

ទោះយ៉ាងណាក៏ដោយ នៅដំណាក់កាលលំហូរថាមពលបណ្តាញចែកចាយ ប្រឈមមុខនឹងថ្នាំងថាមពលរាប់ម៉ឺន ឬរាប់រយរាប់ពាន់ថ្នាំងផ្ទុក និងប្រពៃណី។

ក្បួនដោះស្រាយម៉ាទ្រីសនៅក្នុងបណ្តាញចែកចាយធំគឺគ្មានថាមពលទេ។

ខ្ញុំជឿថាការទទួលស្គាល់គំរូនៃ AI នៅកម្រិតបណ្តាញចែកចាយនឹងអាចក្លាយជាអាចធ្វើទៅបាននាពេលអនាគត។

2. ការប្រមូលផ្តុំ ការបណ្តុះបណ្តាល និងការបង្កើតព័ត៌មានដែលមិនមានរចនាសម្ព័ន្ធ

មូលហេតុទី 2 ដែល AIGC ធ្វើការទម្លាយព័ត៌មានគឺការប្រមូលផ្តុំព័ត៌មាន។ពីការបំប្លែង A/D នៃការនិយាយ (មីក្រូហ្វូន + PCM

គំរូ) ទៅនឹងការបំប្លែង A/D នៃរូបភាព (CMOS + color space mapping) មនុស្សបានប្រមូលទិន្នន័យ holographic នៅក្នុងរូបភាព និង auditory

វាលនៅក្នុងវិធីដែលមានតម្លៃទាបបំផុតក្នុងរយៈពេលប៉ុន្មានទសវត្សរ៍កន្លងមកនេះ។

ជាពិសេស ការពេញនិយមជាទ្រង់ទ្រាយធំនៃកាមេរ៉ា និងស្មាតហ្វូន ការប្រមូលផ្តុំទិន្នន័យដែលគ្មានរចនាសម្ព័ន្ធនៅក្នុងវិស័យសោតទស្សន៍សម្រាប់មនុស្ស។

ក្នុងតម្លៃស្ទើរតែសូន្យ ហើយការប្រមូលផ្តុំព័ត៌មានជាអក្សរនៅលើអ៊ីនធឺណិតគឺជាគន្លឹះនៃការបណ្តុះបណ្តាល AIGC – សំណុំទិន្នន័យបណ្តុះបណ្តាលមានតម្លៃថោក។

តួលេខខាងលើបង្ហាញពីនិន្នាការកំណើននៃទិន្នន័យសកល ដែលបង្ហាញយ៉ាងច្បាស់នូវនិន្នាការអិចស្ប៉ូណង់ស្យែល។

កំណើន​មិន​មែន​លីនេអ៊ែរ​នៃ​ការ​ប្រមូល​ទិន្នន័យ​នេះ​គឺ​ជា​មូលដ្ឋាន​គ្រឹះ​សម្រាប់​ការ​រីក​ចម្រើន​មិន​មែន​លីនេអ៊ែរ​នៃ​សមត្ថភាព​របស់ AIGC។

ប៉ុន្តែ ភាគច្រើននៃទិន្នន័យទាំងនេះគឺជាទិន្នន័យអូឌីយ៉ូ-រូបភាពដែលមិនមានរចនាសម្ព័ន្ធ ដែលត្រូវបានប្រមូលផ្តុំក្នុងតម្លៃសូន្យ។

នៅក្នុងវិស័យថាមពល នេះមិនអាចសម្រេចបានទេ។ទីមួយ ភាគច្រើននៃឧស្សាហកម្មថាមពលអគ្គិសនីមានរចនាសម្ព័ន្ធ និងទិន្នន័យពាក់កណ្តាលរចនាសម្ព័ន្ធ ដូចជា

វ៉ុល និងចរន្ត ដែលជាសំណុំទិន្នន័យចំណុចនៃស៊េរីពេលវេលា និងរចនាសម្ព័ន្ធពាក់កណ្តាល។

សំណុំទិន្នន័យរចនាសម្ព័ន្ធចាំបាច់ត្រូវយល់ដោយកុំព្យូទ័រ និងទាមទារ "ការតម្រឹម" ដូចជាការតម្រឹមឧបករណ៍ - វ៉ុល ចរន្ត និងទិន្នន័យថាមពល។

នៃកុងតាក់ត្រូវតែតម្រឹមទៅនឹងថ្នាំងនេះ។

បញ្ហាបន្ថែមទៀតគឺការតម្រឹមពេលវេលា ដែលតម្រូវឱ្យមានការតម្រឹមវ៉ុល ចរន្ត និងថាមពលសកម្ម និងប្រតិកម្មដោយផ្អែកលើមាត្រដ្ឋានពេលវេលា ដូច្នេះ

ការកំណត់អត្តសញ្ញាណជាបន្តបន្ទាប់អាចត្រូវបានអនុវត្ត។វាក៏មានទិសដៅទៅមុខ និងបញ្ច្រាសផងដែរ ដែលជាការតម្រឹមលំហក្នុងបួនជ្រុង។

មិនដូចទិន្នន័យអត្ថបទ ដែលមិនតម្រូវឱ្យមានការតម្រឹម កថាខណ្ឌមួយត្រូវបានបោះចោលយ៉ាងសាមញ្ញទៅកុំព្យូទ័រ ដែលកំណត់ទំនាក់ទំនងព័ត៌មានដែលអាចកើតមាន

ដោយខ្លួនឯង។

ដើម្បីតម្រឹមបញ្ហានេះ ដូចជាការតម្រឹមឧបករណ៍នៃទិន្នន័យចែកចាយអាជីវកម្ម ការតម្រឹមគឺចាំបាច់ជានិច្ច ពីព្រោះឧបករណ៍ផ្ទុក និង

បណ្តាញចែកចាយតង់ស្យុងទាបកំពុងបន្ថែម លុប និងកែប្រែឧបករណ៍ និងខ្សែជារៀងរាល់ថ្ងៃ ហើយក្រុមហ៊ុនបណ្តាញអគ្គិសនីចំណាយប្រាក់ពលកម្មយ៉ាងច្រើន។

ដូចជា "ចំណារពន្យល់ទិន្នន័យ" កុំព្យូទ័រមិនអាចធ្វើវាបានទេ។

ទីពីរ ការចំណាយលើការទិញទិន្នន័យក្នុងវិស័យថាមពលគឺខ្ពស់ ហើយឧបករណ៍ចាប់សញ្ញាត្រូវបានទាមទារជំនួសឱ្យការមានទូរស័ព្ទដៃសម្រាប់និយាយ និងថតរូប។”

រាល់ពេលដែលតង់ស្យុងថយចុះមួយកម្រិត (ឬទំនាក់ទំនងចែកចាយថាមពលថយចុះមួយកម្រិត) ការវិនិយោគឧបករណ៍ចាប់សញ្ញាដែលត្រូវការកើនឡើង

យ៉ាងហោចណាស់មួយលំដាប់នៃរ៉ិចទ័រ។ដើម្បីសម្រេចបាននូវការចាប់សញ្ញាផ្នែកផ្ទុក (ចុង capillary) វាកាន់តែមានការវិនិយោគឌីជីថលដ៏ធំ។”

ប្រសិនបើវាចាំបាច់ដើម្បីកំណត់របៀបបណ្តោះអាសន្ននៃបណ្តាញថាមពល ការយកគំរូតាមប្រេកង់ខ្ពស់ដែលមានភាពជាក់លាក់ខ្ពស់គឺត្រូវបានទាមទារ ហើយការចំណាយក៏កាន់តែខ្ពស់។

ដោយសារតែការចំណាយទាបបំផុតនៃការទទួលបានទិន្នន័យ និងការតម្រឹមទិន្នន័យ បណ្តាញថាមពលបច្ចុប្បន្នមិនអាចប្រមូលបានគ្រប់គ្រាន់ដែលមិនមែនជាលីនេអ៊ែរទេ។

ការរីកលូតលាស់នៃព័ត៌មានទិន្នន័យ ដើម្បីបណ្តុះបណ្តាលក្បួនដោះស្រាយមួយ ដើម្បីឈានទៅដល់ភាពឯកវចនៈ AI ។

ដោយមិននិយាយពីភាពបើកចំហនៃទិន្នន័យ វាមិនអាចទៅរួចទេសម្រាប់ការចាប់ផ្តើម AI ថាមពលដើម្បីទទួលបានទិន្នន័យទាំងនេះ។

ដូច្នេះ មុននឹង AI ចាំបាច់ត្រូវដោះស្រាយបញ្ហានៃសំណុំទិន្នន័យ បើមិនដូច្នេះទេ កូដ AI ទូទៅមិនអាចទទួលបានការបណ្តុះបណ្តាលដើម្បីបង្កើត AI ដ៏ល្អនោះទេ។

3. ការទម្លាយនៃអំណាចគណនា

បន្ថែមពីលើក្បួនដោះស្រាយ និងទិន្នន័យ ការទម្លាយឯកវចនៈនៃ AIGC ក៏ជារបកគំហើញនៃថាមពលគណនាផងដែរ។ស៊ីភីយូប្រពៃណីមិនមែនទេ។

ស័ក្តិសមសម្រាប់ការគណនាណឺរ៉ូនស្របគ្នាទ្រង់ទ្រាយធំ។វាគឺជាការអនុវត្តយ៉ាងជាក់លាក់នៃ GPUs នៅក្នុងហ្គេម និងភាពយន្ត 3D ដែលបង្កើតភាពស្របគ្នាទ្រង់ទ្រាយធំ

ចំណុចអណ្តែតទឹក + ការគណនាស្ទ្រីមអាចធ្វើទៅបាន។ច្បាប់របស់ Moore កាត់បន្ថយការចំណាយលើការគណនាក្នុងមួយឯកតានៃថាមពលកុំព្យូទ័រ។

បណ្តាញថាមពល AI ដែលជានិន្នាការជៀសមិនរួចនាពេលអនាគត

ជាមួយនឹងការរួមបញ្ចូលនៃប្រព័ន្ធផ្ទុកថាមពល photovoltaic និងចែកចាយមួយចំនួនធំ ក៏ដូចជាតម្រូវការកម្មវិធីរបស់

ផ្ទុករោងចក្រថាមពលនិម្មិត វាមានគោលបំណងចាំបាច់ដើម្បីធ្វើការព្យាករណ៍ប្រភព និងបន្ទុកសម្រាប់ប្រព័ន្ធបណ្តាញចែកចាយសាធារណៈ និងអ្នកប្រើប្រាស់

ប្រព័ន្ធបណ្តាញចែកចាយ (មីក្រូ) ក៏ដូចជាការបង្កើនប្រសិទ្ធភាពលំហូរថាមពលតាមពេលវេលាជាក់ស្តែងសម្រាប់ប្រព័ន្ធបណ្តាញចែកចាយ (មីក្រូ) ។

ភាពស្មុគស្មាញនៃការគណនានៃផ្នែកបណ្តាញចែកចាយគឺពិតជាខ្ពស់ជាងការកំណត់ពេលបណ្តាញបញ្ជូន។សូម្បីតែសម្រាប់ពាណិជ្ជកម្ម

ស្មុគ្រស្មាញ វាអាចមានឧបករណ៍ផ្ទុករាប់ម៉ឺន និងកុងតាក់រាប់រយ ហើយតម្រូវការសម្រាប់ប្រតិបត្តិការបណ្តាញមីក្រូក្រឡាចត្រង្គ/ការចែកចាយដែលមានមូលដ្ឋានលើ AI

ការគ្រប់គ្រងនឹងកើតឡើង។

ជាមួយនឹងតម្លៃទាបនៃឧបករណ៍ចាប់សញ្ញា និងការប្រើប្រាស់យ៉ាងទូលំទូលាយនៃឧបករណ៍អេឡិចត្រូនិចដែលមានថាមពលដូចជា ឧបករណ៍បំលែងរដ្ឋរឹង កុងតាក់រដ្ឋរឹង និងអាំងវឺតទ័រ (ឧបករណ៍បំលែង)។

ការរួមបញ្ចូលនៃការចាប់សញ្ញា ការគណនា និងការគ្រប់គ្រងនៅគែមនៃបណ្តាញថាមពលក៏បានក្លាយជានិន្នាការច្នៃប្រឌិតផងដែរ។

ដូច្នេះ AIGC នៃបណ្តាញអគ្គិសនីគឺជាអនាគត។ទោះជាយ៉ាងណាក៏ដោយ អ្វីដែលត្រូវការនាពេលបច្ចុប្បន្ននេះ គឺមិនត្រូវយក AI algorithm ចេញភ្លាមៗ ដើម្បីរកលុយនោះទេ។

ជំនួសមកវិញ ជាដំបូងដោះស្រាយបញ្ហាសំណង់ហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យដែលតម្រូវដោយ AI

នៅក្នុងការកើនឡើងនៃ AIGC ចាំបាច់ត្រូវមានគំនិតស្ងប់ស្ងាត់គ្រប់គ្រាន់អំពីកម្រិតកម្មវិធី និងអនាគតនៃថាមពល AI ។

នាពេលបច្ចុប្បន្ននេះ សារៈសំខាន់នៃថាមពល AI មិនសំខាន់ទេ៖ ឧទាហរណ៍ ក្បួនដោះស្រាយ photovoltaic ដែលមានភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ 90% ត្រូវបានដាក់នៅក្នុងទីផ្សារកន្លែង។

ជាមួយនឹងកម្រិតគម្លាតនៃការជួញដូរ 5% ហើយគម្លាតនៃក្បួនដោះស្រាយនឹងលុបចោលប្រាក់ចំណេញនៃការជួញដូរទាំងអស់។

ទិន្នន័យគឺជាទឹក ហើយថាមពលគណនានៃក្បួនដោះស្រាយគឺជាឆានែលមួយ។ដូចដែលវាកើតឡើងវានឹងមាន។