ZD至顶网网络频道 02月08日 综合消息:根据思科第11次年度Visual Networking Index(VNI)全球移动数据流量预测(2016年至2021年),到2021年全球手机用户数(55亿)将超过银行账户用户数(54亿)、自来水用户数(53亿)和固定电话用户数(29亿)。移动用户、智能手机和物联网(IoT)联接的迅猛增长,网络速度的快速提升,以及移动视频消费的大幅增加,预计将在未来五年内促使移动数据流量增长七倍。
到2021年,思科预测移动数据流量将达到以下几个里程碑:
移动应用的爆炸式增长和移动联接在用户终端的广泛采用,正在推动4G急速增长,很快将带动5G的增长。思科和其他行业专家预测,2020年5G基础设施将开始大规模部署。移动电信运营商希望通过5G网络提供颠覆式的速度、极低延迟和动态配置能力,以满足日益增长的用户需求,并更好地迎合跨移动、住宅和商业市场的全新服务趋势。思科预测,到2021年5G将占移动数据总流量的1.5%,将生成4G联接平均水平4.7倍以上的流量,即3G联接平均水平10.7倍以上的流量。
思科电信运营商市场营销副总裁Doug Webster表示:“随着物联网、实时移动视频、增强现实和虚拟现实应用的迅猛增长,5G技术凭借为消费者和商业用户带来更具创新体验的优势,不仅将对移动性,也将对整个网络产生重要影响。因此,我们需要在可编程能力和自动化方面展开更广泛深入的架构转型,以全面实现5G的功能,有效满足当下需求,同时为未来发展创造更多可能。”
其他主要移动数据流量预测和趋势:
1.全球移动数据中心流量增长
2. 移动实时视频大幅增长
3. 虚拟现实(VR)和增强现实(AR)快速增长
4. 全球联网可穿戴设备驱动M2M快速增长
5. 移动数据流量分流到Wi-Fi网络
6. 地区移动数据流量增长(2016 – 2021年)
(2016年:每年7.3 EB;2021年:每年88.4 EB)
(2016年:每年37.3 EB;2021年:每年274.2 EB)
(2016年:每年5.4 EB;2021年:每年34.8 EB)
(2016年:每年11.1 EB;2021年:每年63.0 EB)
(2016年:每年8.8 EB;2021年:每年50.3 EB)
(2016年:每年16.9 EB;2021年:每年76.8 EB)
思科Mobile VNI预测研究方法
思科VNI全球移动数据流量预测(2016-2021)基于独立的分析预测和真实的移动数据使用调查。在此基础之上,思科对移动应用采用、使用分钟数和传送速度进行了预测。移动宽带速度和设备计算能力等主要支持因素也计入了思科Mobile VNI预测及结果中。详细的研究方法描述,请参考完整报告(详见以下链接)。
阅读完整报告:思科Visual Networking Index报告:全球移动数据流量预测(2016–2021)
编者注
思科欢迎媒体、分析师、博主、电信运营商、监管机构和其他相关方使用和参考我们的研究并注明出处,如“资料来源:思科Visual Networking Index报告全球移动数据流量预测(2016-2021)”
思科对相关术语的定义如下:
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。