IEEE 802.11协议是当今无线局域网的通用技术标准,自1997年诞生至今已经发展出超过35个修正、补充与衍生版本,已经进入民用路由领域的 802.11a/b/g/n/ac则是当中发展得比较成熟的5个版本。然而在这个802.11n尚未完全退市,802.11ac仍需进一步普及的时 候,IEEE 802.11协议再次获得了更新,这次与大家见面的是IEEE 802.11ax标准。
IEEE 802.11ax标准是802.11协议的最新修订版本,与802.11ad和802.11ah这些补充与衍生版本不同,802.11ax是属于后续发展 标准,这意味着它很可能会实行商品化。与802.11ac标准相比,802.11ax可以说是前者的继承与发展版本,两者均使用5GHz频段,并支持 MU-MIMO技术,只是在802.11ac标准中,MU-MIMO属于“选配”,目前只在“802.11ac Wave 2”的旗舰产品上应用;而在802.11ax标准中,MU-MIMO属于“标配”,首发将直接提供支持。
此外802.11ax还有一个非常重要的革新,就是引入了OFDMA(Orthogonal Frequency Division Multiple Access)正交频分多址技术,该技术有在WiMax和LTE中使用,被誉为是下一代无线网络的核心技术。OFDMA技术可以把一个常规信道分为数个甚 至是数十个正交子信道,通过把这些子信道叠加并分配给不同用户的方式,大大提升数据传输的效率。
与802.11ac中使用的OFDM(Orthogonal Frequency Division Multiplexing)正交分频复用技术先比,OFDMA技术理论上可以为数据传输效率带来10倍的提升,即便考虑上干扰、损耗、调制解调速率等因 素,OFDMA的效率少说也是OFDM技术的4到5倍。
实际上802.11ax标准的首要目标就是把无线网络的速率提升至802.11ac标准的4倍,目前在5GHz频段和80MHz频宽 下,802.11ac的单流理论速率为433Mbps,按此计算802.11ax的在同等条件下的单流速率则高达1733MHz,如果再加上4x4 MU-MIMO技术和160MHz频宽的加成,802.11ax标准可以提供的理论速率将达到14Gbps,相当于1.75GB/s,直接秒杀了现在的 “千兆光纤”。
当然对于无线网络来说,速度是一个重要参数,但不是唯一的重要参数,网络覆盖范围也是非常重要的。IEEE 802.11ax与802.11ac同样都使用5GHz频段网络,在穿透障碍物的过程中能量会衰弱得比较快,而且“绕墙”能力不强,因此IEEE 802.11ax的网络覆盖表现与802.11ac网络相差不大。
最后我们来看看802.11ax标准什么时候会进入商品化阶段,802.11ac标准在2008年开始进入制定阶段,直至2011年才推出第一款路 由器产品,但真正算是开始推广的要到2013年,而2014年则开始大力普及,目前已经发展至“802.11ac Wave 2”,但是要完全取代802.11n成为市场上的绝对主流,那恐怕还需要一段很长的时间。
而在802.11ac成为市场上的绝对主流之前,802.11ax标准恐怕不会有什么大力推广的行为。实际上802.11ax协议尚未最终确定,部 分技术细节仍然在进行商讨,按照IEEE协会的安排,802.11ax标准恐怕要到2019年才会获得最终批准,之后可能会有些试验型产品投入市场,但是 大规模的普及,恐怕又是再过几年后的事情了。
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。