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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。