至顶网网络频道 05月16日 综合消息: 在互联网刚兴起的时候,就有人提出过万物互联的梦想,如今物联网的普及正让这个梦想逐渐成为现实,尽管这个过程可能很漫长。而在物联网逐渐普及的过程中,连接也正是其中的一个关键问题。
不同于电脑工作环境稳定、网络相对可靠,电源也不是大问题,物联网所处的环境各种各样,不少是一些非常苛刻的环境,要保证连接的稳定可靠是一件并不容易的事情,同时,尽可能降低对电力的消耗,保证尽可能长的续航时间也是一个不小的挑战。除此之外,还有各种不同的无线连接标准(如Wi-Fi、蓝牙、ZigBee、5G、NB-IoT、Lte等)同时并存,也给用户带来不少的困扰。如何保证可靠的连接是一个普遍存在的问题?
日前Wi-Fi领域的先锋人物、Qorvo无线连接业务总经理Cees Link专门就物联网的连接问题与记者进行了探讨。称Cees Link为Wi-Fi的先锋人物应该是实至名归,Cees Link曾与他的团队开发出了首个用于个人电脑和笔记本电脑的无线LAN,这项技术最终发展成为今天家喻户晓的Wi-Fi技术,他还参与了IEEE 802.11标准化委员会和Wi-Fi联盟的筹建工作。另外,他还在IEEE 802.15标准化委员会的组件中发挥了重要作用,这是后来成为ZigBee检测和控制网络的基础。
Qorvo无线连接业务总经理Cees Link
Cees Link表示,在自己多年的工作经历中,太多人问过他在一个物联网解决方案或者产品中该如何选择一个适合自己的产品无线标准问题。他的回答是,先弄清自己的商业模式和用户需求,再来决定选用哪个标准,而不是从一开始就想着该选谁。
“先要想清楚如何挣钱,想清楚如何服务客户,在根据客户需求来决定该采用哪个标准,而不应该是盲目地来选择一个无线标准。”Cees Link表示。
Cees Link说,今天各种无线标准仍然处于发展和竞争之中,各种标准之间相互交叉同时又都有自己的优势,还不能说谁能替代谁,最终谁能胜出只有市场能给出答案。比如,蓝牙适用短距离、点对点简单应用,低功耗低;Wi-Fi适用稍远距离、复杂应用,功耗稍高,但蓝牙也在努力提高传输距离,而Wi-Fi也在致力于降低功耗。从标准本身的发展角度而言,这都是技术的正常发展过程。
“有人曾问我,有蓝牙和Wi-Fi,ZigBee还有存在价值吗?我的回答是,蓝牙和Wi-Fi也有很多重叠,但今天两者不是并存得很好吗!”Cees Link反问道。
他认为,从技术上说,选择无线标准的过程实际上是在功耗、传输距离和传输速率三者之间的平衡。而很好地平衡这三者是他所在Qorvo公司的一个特点。Qorvo提供多种无线射频产品,细分为两大产品线,包括移动产品和网络基础设施。移动产品包括滤波器、天线控制器和开关等,主要针对蓬勃增长的智能手机市场;基础设施产品线面向无线网络、光网络和小基站。近年来,随着物联网的兴起,Qorvo推出了很多与之相关的产品。
他介绍说,Qorvo在物联网市场有四个基本原则或者说观点:第一,连接无死角全覆盖,而且是高容量;第二、坚持开放的标准;第三,物联网是一种服务;第四,小即是美。
Cees Link进一步解释说,全连接无死角而且不牺牲网络吞吐能力是Qorvo一致致力于的目标;而坚持开放的标准,让市场选择是Qorvo的一个基本态度;物联网即服务指的是Qorvo要联合合作伙伴共同为用户打造出各种服务;“小即是美”意思是Qorvo在产品研发方向上,希望尽可能降低产品大小,同时降低产品功耗。而最终目的则是,让物联网的连接更可靠,从而让物联网带给人们更好的生活。
“一个连接的世界才是更好的世界。”演讲最后Cees Link如此总结说。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
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。
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。
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。