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
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。