适用物联网装置的低功率传输标准,包括蓝牙(Bluetooth)、ZigBee、Z-Wave、Thread,由于低功率无线网路通讯市场成长快速,居家与公共热点常见的Wi-Fi也推出新标准HaLow,欲角逐市场大饼。
根据rethinkresearch网站指出,Wi-Fi联盟(Wi-Fi Alliance)近日发布新一代Wi-Fi标准HaLow,其低功率特色专为物联网(IoT)而设计,预计要到2018年才会进入产品验证阶段。不 过,Wi-Fi相关产品往往在标准验证程序之前就已经出现在市面上,相通性(Interoperability)也相对稳定,可预期HaLow相关产品也 会抢在2018年前问世。
目前,市面上Wi-Fi路由器模组约每1~2年由电信业者升级1次,约需9年才能完整汰换完老旧的设备。不过,当Wi-Fi标准HaLow正式上路后,预计将有数百万台装置可自动升级以支援HaLow。这项特性将成为Wi-Fi进军IoT市场的推进器。
HaLow未来将不止用于居家智能装置,也可望应用于物联网或其他机器对机器(M2M)应用领域,包括智能汽车、远端医疗照护监测、智能城市、以及零售、工业、农业等应用。
HaLow与其他低功率协定相比,有许多优胜之处,像是网路安全、IP连接、以及网路的稳固性(robustness)。HaLow能在微弱的讯号 下建立稳固的连线,且无须重复器(Repeater)或多个接取点(AP)。此外,Wi-Fi长期以来已经在消费市场建立起品牌,这项优势也是其他物联网 技术标准暂时还望尘莫及的。
目前外界仍不确定HaLow的频宽将有多高,不过Wi-Fi联盟估计将至少超过150Kbps、在最佳情况下达18Mbps,远超过使用900MH 频段、频宽约100Kbps的Z-Wave,以及在784MHz~2.4GHz频段上运作,频宽约20~250Kbps的ZigBee。
ZigBee与Z-Wave除了频宽较低的劣势外,ZigBee与Z-Wave在设定时的弹性比较低,也是一大缺憾。像ZigBee无法进行跳频 (frequency hop),因此在网路布建时得特别注意,以防止干扰现象。这也使得ZigBee较不适合射频(RF)环境不稳的物联网或M2M应用。HaLow可支援连结 数百台装置至1座接取点的的密集网路,较适合户外物联网部署或居家应用。
而蓝牙至今一直是为高速传输、短程通讯所设,因此蓝牙的效能可达24Mbps,与HaLow相去不远。然而,标准蓝牙最大缺点在于通讯距离,其讯号 涵盖范围往往不超过10公尺。专为物联网需求设计的低功耗蓝牙(Bluetooth Low Energy;BLE),虽然为了满足物联网需求,将功率压低并拉长讯号传输距离,不过,实际上低功耗蓝牙的传输距离仍难超过60公尺,因此很可能被 Wi-Fi HaLow超越。
最后,HaLow拥有Wi-Fi阵营建立已久的IP与网路连接优势。而ZigBee与Thread则为提升竞争力,携手推出验证计划,结合产品IP 网路支援,将ZigBee的Common Application软体与Thread的Group IP网路层打造成可相互操作的产品生态系统。
HaLow的来临可望引发更多协定彼此聚合,以求在市场上生存。此外,数据网路业者也对HaLow虎视眈眈,因为Wi-Fi阵营降至1GHz以下与 其竞争频段,而随着LTE-Unlicensed进入Wi-Fi使用的5GHz频段,加上LTE很快将提供物联网低功率版产品,未来两者竞争情况将增加。
好文章,需要你的鼓励
一加正式推出AI功能Plus Mind和Mind Space,将率先在一加13和13R上线。Plus Mind可保存、建议、存储和搜索屏幕内容,并将信息整理到Mind Space应用中。该功能可通过专用按键或手势激活,能自动创建日历条目并提供AI搜索功能。一加还计划推出三阶段AI战略,包括集成大语言模型和个人助手功能,同时将推出AI语音转录、通话助手和照片优化等工具。
北航团队推出Easy Dataset框架,通过直观的图形界面和角色驱动的生成方法,让普通用户能够轻松将各种格式文档转换为高质量的AI训练数据。该工具集成了智能文档解析、混合分块策略和个性化问答生成功能,在金融领域实验中显著提升了AI模型的专业表现,同时保持通用能力。项目已开源并获得超过9000颗GitHub星标。
预计到2035年,数据中心用电需求将增长一倍以上,达到440TWh,相当于整个加利福尼亚州的用电量。AI工作负载预计将占2030年数据中心需求的50-70%。传统冷却系统电机存在功率浪费问题,通常在30-50%负载下运行时效率急剧下降。采用高效率曲线平坦的适配电机可显著降低冷却系统功耗,某大型数据中心通过优化电机配置减少了近4MW冷却功耗,为13500台AI服务器腾出空间,年增收入900万美元。
卢森堡计算机事件响应中心开发的VLAI系统,基于RoBERTa模型,能够通过阅读漏洞描述自动判断危险等级。该系统在60万个真实漏洞数据上训练,准确率达82.8%,已集成到实际安全服务中。研究采用开源方式,为网络安全专家提供快速漏洞风险评估工具,有效解决了官方评分发布前的安全决策难题。