جوہر کی طرف لوٹتے ہوئے، واحدیت میں AIGC کی پیش رفت تین عوامل کا مجموعہ ہے:

1. GPT انسانی نیوران کی نقل ہے۔

GPT AI جس کی نمائندگی NLP کرتی ہے ایک کمپیوٹر نیورل نیٹ ورک الگورتھم ہے، جس کا نچوڑ انسانی دماغی پرانتستا میں عصبی نیٹ ورکس کی نقل کرنا ہے۔

زبان، موسیقی، تصاویر، اور یہاں تک کہ ذائقہ کی معلومات کی پروسیسنگ اور ذہین تخیل یہ تمام افعال ہیں جو انسان کے ذریعہ جمع ہوتے ہیں۔

دماغ ایک "پروٹین کمپیوٹر" کے طور پر طویل مدتی ارتقاء کے دوران۔

لہذا، اسی طرح کی معلومات پر کارروائی کرنے کے لیے قدرتی طور پر جی پی ٹی سب سے موزوں تقلید ہے، یعنی غیر ساختہ زبان، موسیقی اور تصاویر۔

اس کی پروسیسنگ کا طریقہ کار معنی کی سمجھ نہیں ہے، بلکہ بہتر بنانے، شناخت کرنے اور منسلک کرنے کا عمل ہے.یہ ایک بہت ہے۔

متضاد چیز.

ابتدائی اسپیچ سیمنٹک ریکگنیشن الگورتھم نے بنیادی طور پر ایک گرائمر ماڈل اور اسپیچ ڈیٹا بیس قائم کیا، پھر تقریر کو الفاظ کے ساتھ میپ کیا،

پھر الفاظ کے معنی کو سمجھنے کے لیے الفاظ کو گرامر ڈیٹا بیس میں رکھا، اور آخر کار شناختی نتائج حاصل ہوئے۔

اس "منطقی طریقہ کار" پر مبنی نحوی شناخت کی شناخت کی کارکردگی تقریباً 70% منڈلا رہی ہے، جیسے کہ ViaVoice ریکگنیشن

1990 کی دہائی میں IBM کی طرف سے متعارف کرایا گیا الگورتھم۔

AIGC اس طرح کھیلنے کے بارے میں نہیں ہے۔اس کا جوہر گرامر کی پرواہ کرنا نہیں ہے، بلکہ ایک نیورل نیٹ ورک الگورتھم قائم کرنا ہے جو

کمپیوٹر مختلف الفاظ کے درمیان امکانی رابطوں کو شمار کرنے کے لیے، جو کہ عصبی کنکشن ہیں، سیمنٹک کنکشن نہیں۔

اپنی مادری زبان سیکھنے کی طرح جب ہم چھوٹے تھے، ہم نے فطری طور پر اسے "موضوع، پیش گوئی، شے، فعل، تکمیل" سیکھنے کے بجائے سیکھا۔

اور پھر ایک پیراگراف کو سمجھنا۔

یہ AI کا سوچنے کا ماڈل ہے، جو پہچان ہے، سمجھنا نہیں۔

یہ تمام کلاسیکی میکانزم ماڈلز کے لیے AI کی تخریبی اہمیت بھی ہے - کمپیوٹرز کو اس معاملے کو منطقی سطح پر سمجھنے کی ضرورت نہیں ہے،

بلکہ اندرونی معلومات کے درمیان تعلق کو پہچانیں اور پہچانیں، اور پھر اسے جانیں۔

مثال کے طور پر، پاور فلو اسٹیٹ اور پاور گرڈ کی پیشین گوئی کلاسیکل پاور نیٹ ورک سمولیشن پر مبنی ہے، جہاں ایک ریاضیاتی ماڈل

میکانزم قائم کیا جاتا ہے اور پھر میٹرکس الگورتھم کا استعمال کرتے ہوئے یکجا کیا جاتا ہے۔مستقبل میں، یہ ضروری نہیں ہوسکتا ہے.AI براہ راست شناخت کرے گا اور پیش گوئی کرے گا۔

ہر نوڈ کی حیثیت پر مبنی مخصوص موڈل پیٹرن۔

جتنے زیادہ نوڈس ہوں گے، کلاسیکل میٹرکس الگورتھم اتنا ہی کم مقبول ہوگا، کیونکہ الگورتھم کی پیچیدگی ان کی تعداد کے ساتھ بڑھ جاتی ہے۔

نوڈس اور ہندسی ترقی میں اضافہ ہوتا ہے۔تاہم، AI بہت بڑے پیمانے پر نوڈ کنکرنسی کو ترجیح دیتا ہے، کیونکہ AI شناخت کرنے میں اچھا ہے اور

نیٹ ورک کے سب سے زیادہ ممکنہ طریقوں کی پیشن گوئی

چاہے یہ Go کی اگلی پیشین گوئی ہو (AlphaGO اگلے درجنوں مراحل کی پیشین گوئی کر سکتا ہے، ہر قدم کے لیے بے شمار امکانات کے ساتھ) یا موڈل پیشین گوئی

پیچیدہ موسمی نظاموں میں، AI کی درستگی مکینیکل ماڈلز سے بہت زیادہ ہے۔

پاور گرڈ کو فی الحال AI کی ضرورت نہ ہونے کی وجہ یہ ہے کہ 220 kV اور اس سے اوپر کے پاور نیٹ ورکس میں نوڈس کی تعداد صوبائی حکومت کے زیر انتظام ہے۔

ڈسپیچنگ بڑی نہیں ہے، اور میٹرکس کو لکیری بنانے اور اسپرس کرنے کے لیے بہت سی شرائط رکھی گئی ہیں، جس سے

میکانزم ماڈل.

تاہم، ڈسٹری بیوشن نیٹ ورک پاور فلو اسٹیج پر، دسیوں یا سیکڑوں ہزاروں پاور نوڈس، لوڈ نوڈس، اور روایتی

ایک بڑے ڈسٹری بیوشن نیٹ ورک میں میٹرکس الگورتھم بے اختیار ہے۔

مجھے یقین ہے کہ ڈسٹری بیوشن نیٹ ورک کی سطح پر AI کی پیٹرن کی شناخت مستقبل میں ممکن ہو جائے گی۔

2. غیر منظم معلومات کا جمع، تربیت، اور تخلیق

دوسری وجہ جس کی وجہ سے AIGC نے کامیابی حاصل کی ہے وہ معلومات کا جمع ہے۔تقریر کے A/D کی تبدیلی سے (مائیکروفون + پی سی ایم

نمونے لینے) تصویروں کی A/D تبدیلی (CMOS + کلر اسپیس میپنگ) تک، انسانوں نے بصری اور سمعی میں ہولوگرافک ڈیٹا جمع کیا ہے۔

پچھلی چند دہائیوں میں انتہائی کم لاگت کے طریقوں سے فیلڈز۔

خاص طور پر، کیمروں اور اسمارٹ فونز کی بڑے پیمانے پر مقبولیت، انسانوں کے لیے آڈیو ویژول فیلڈ میں غیر ساختہ ڈیٹا کا جمع ہونا۔

تقریباً صفر لاگت پر، اور انٹرنیٹ پر متنی معلومات کا دھماکہ خیز ذخیرہ AIGC کی تربیت کی کلید ہے - تربیتی ڈیٹا سیٹ سستے ہیں۔

مندرجہ بالا اعداد و شمار عالمی اعداد و شمار کی ترقی کے رجحان کو ظاہر کرتا ہے، جو واضح طور پر ایک کفایتی رجحان کو پیش کرتا ہے۔

ڈیٹا جمع کرنے کی یہ غیر لکیری ترقی AIGC کی صلاحیتوں کی غیر خطی ترقی کی بنیاد ہے۔

لیکن، ان میں سے زیادہ تر ڈیٹا غیر ساختہ آڈیو ویژول ڈیٹا ہے، جو صفر لاگت پر جمع ہوتا ہے۔

برقی طاقت کے میدان میں، یہ حاصل نہیں کیا جا سکتا.سب سے پہلے، زیادہ تر الیکٹرک پاور انڈسٹری ساختی اور نیم ساختہ ڈیٹا ہے، جیسے

وولٹیج اور کرنٹ، جو ٹائم سیریز اور نیم ساخت کے پوائنٹ ڈیٹا سیٹ ہیں۔

ساختی ڈیٹا سیٹس کو کمپیوٹر کے ذریعے سمجھنے کی ضرورت ہوتی ہے اور "سیدھ" کی ضرورت ہوتی ہے، جیسے کہ ڈیوائس کی سیدھ - وولٹیج، کرنٹ، اور پاور ڈیٹا

ایک سوئچ کو اس نوڈ کے ساتھ منسلک کرنے کی ضرورت ہے۔

زیادہ پریشانی وقت کی سیدھ میں ہے، جس کے لیے ٹائم اسکیل کی بنیاد پر وولٹیج، کرنٹ، اور ایکٹو اور ری ایکٹیو پاور کو سیدھ میں لانے کی ضرورت ہوتی ہے، تاکہ

بعد میں شناخت کی جا سکتی ہے.آگے اور معکوس سمتیں بھی ہیں، جو چار کواڈرینٹ میں مقامی سیدھ میں ہیں۔

متن کے اعداد و شمار کے برعکس، جس میں سیدھ کی ضرورت نہیں ہوتی ہے، ایک پیراگراف کو کمپیوٹر پر آسانی سے پھینک دیا جاتا ہے، جو ممکنہ معلوماتی انجمنوں کی نشاندہی کرتا ہے۔

اپنے طور پر

اس مسئلے کو سیدھ میں کرنے کے لیے، جیسا کہ کاروبار کی تقسیم کے ڈیٹا کی سازوسامان کی سیدھ میں، سیدھ کی مسلسل ضرورت ہوتی ہے، کیونکہ درمیانے اور

کم وولٹیج ڈسٹری بیوشن نیٹ ورک ہر روز آلات اور لائنوں کو شامل، حذف اور تبدیل کر رہا ہے، اور گرڈ کمپنیاں لیبر کے بھاری اخراجات خرچ کرتی ہیں۔

"ڈیٹا تشریح" کی طرح کمپیوٹر ایسا نہیں کر سکتے۔

دوم، پاور سیکٹر میں ڈیٹا کے حصول کی لاگت زیادہ ہے، اور بات کرنے اور تصاویر لینے کے لیے موبائل فون کے بجائے سینسر کی ضرورت پڑتی ہے۔"

جب بھی وولٹیج ایک سطح سے کم ہوتا ہے (یا بجلی کی تقسیم کا رشتہ ایک سطح سے کم ہوتا ہے)، مطلوبہ سینسر کی سرمایہ کاری بڑھ جاتی ہے۔

شدت کے کم از کم ایک حکم سے۔لوڈ سائیڈ (کیپلیری اینڈ) سینسنگ کو حاصل کرنے کے لیے، یہ اور بھی بڑے پیمانے پر ڈیجیٹل سرمایہ کاری ہے۔

اگر پاور گرڈ کے عارضی موڈ کی شناخت کرنا ضروری ہے تو، اعلی صحت سے متعلق اعلی تعدد کے نمونے لینے کی ضرورت ہے، اور قیمت اس سے بھی زیادہ ہے۔

ڈیٹا کے حصول اور ڈیٹا کی صف بندی کی انتہائی زیادہ معمولی لاگت کی وجہ سے، پاور گرڈ فی الحال کافی غیر لکیری جمع کرنے سے قاصر ہے۔

AI انفرادیت تک پہنچنے کے لیے الگورتھم کو تربیت دینے کے لیے ڈیٹا کی معلومات میں اضافہ۔

ڈیٹا کے کھلے پن کا ذکر نہ کرنا، پاور AI اسٹارٹ اپ کے لیے یہ ڈیٹا حاصل کرنا ناممکن ہے۔

لہذا، AI سے پہلے، ڈیٹا سیٹ کے مسئلے کو حل کرنا ضروری ہے، ورنہ عام AI کوڈ کو اچھی AI تیار کرنے کی تربیت نہیں دی جا سکتی۔

3. کمپیوٹیشنل پاور میں پیش رفت

الگورتھم اور ڈیٹا کے علاوہ، AIGC کی سنگولریٹی بریک تھرو کمپیوٹیشنل پاور میں بھی ایک پیش رفت ہے۔روایتی CPUs نہیں ہیں۔

بڑے پیمانے پر سمورتی نیورونل کمپیوٹنگ کے لیے موزوں ہے۔یہ بالکل 3D گیمز اور فلموں میں GPUs کا اطلاق ہے جو بڑے پیمانے پر متوازی بناتا ہے۔

فلوٹنگ پوائنٹ + اسٹریمنگ کمپیوٹنگ ممکن ہے۔مور کا قانون کمپیوٹیشنل پاور کی فی یونٹ کمپیوٹیشنل لاگت کو مزید کم کرتا ہے۔

پاور گرڈ AI، مستقبل میں ایک ناگزیر رجحان

تقسیم شدہ فوٹوولٹک اور تقسیم شدہ توانائی ذخیرہ کرنے کے نظام کی ایک بڑی تعداد کے انضمام کے ساتھ ساتھ درخواست کی ضروریات

لوڈ سائیڈ ورچوئل پاور پلانٹس، عوامی ڈسٹری بیوشن نیٹ ورک سسٹم اور صارف کے لیے منبع اور لوڈ کی پیشن گوئی کرنا معروضی طور پر ضروری ہے۔

ڈسٹری بیوشن (مائیکرو) گرڈ سسٹمز کے ساتھ ساتھ ڈسٹری بیوشن (مائیکرو) گرڈ سسٹمز کے لیے ریئل ٹائم پاور فلو آپٹیمائزیشن۔

ڈسٹری بیوشن نیٹ ورک سائیڈ کی کمپیوٹیشنل پیچیدگی دراصل ٹرانسمیشن نیٹ ورک شیڈولنگ سے زیادہ ہے۔یہاں تک کہ ایک کمرشل کے لیے بھی

پیچیدہ، دسیوں ہزار لوڈ ڈیوائسز اور سینکڑوں سوئچز ہو سکتے ہیں، اور AI پر مبنی مائیکرو گرڈ/ڈسٹری بیوشن نیٹ ورک آپریشن کی مانگ

کنٹرول پیدا ہو جائے گا.

سینسرز کی کم قیمت اور پاور الیکٹرانک آلات جیسے سالڈ اسٹیٹ ٹرانسفارمرز، سالڈ اسٹیٹ سوئچز، اور انورٹرز (کنورٹرز) کے وسیع استعمال کے ساتھ،

پاور گرڈ کے کنارے پر سینسنگ، کمپیوٹنگ اور کنٹرول کا انضمام بھی ایک جدید رجحان بن گیا ہے۔

اس لیے پاور گرڈ کا AIGC مستقبل ہے۔تاہم، آج جس چیز کی ضرورت ہے وہ یہ ہے کہ پیسہ کمانے کے لیے فوری طور پر AI الگورتھم نہ لیا جائے،

اس کے بجائے، پہلے AI کو درکار ڈیٹا انفراسٹرکچر کی تعمیر کے مسائل کو حل کریں۔

AIGC کے عروج میں، ایپلی کیشن کی سطح اور پاور AI کے مستقبل کے بارے میں کافی پرسکون سوچ رکھنے کی ضرورت ہے۔

فی الحال، پاور AI کی اہمیت نمایاں نہیں ہے: مثال کے طور پر، اسپاٹ مارکیٹ میں 90% کی پیشین گوئی کی درستگی کے ساتھ فوٹو وولٹک الگورتھم رکھا گیا ہے۔

5% کی تجارتی انحراف کی حد کے ساتھ، اور الگورتھم انحراف تمام تجارتی منافع کو ختم کر دے گا۔

ڈیٹا پانی ہے، اور الگورتھم کی کمپیوٹیشنل طاقت ایک چینل ہے۔جیسا کہ ہوتا ہے، ایسا ہی ہوگا۔