下一代(6G)传输技术可能比5G快上百倍,而且除速度之外,6G将成为一套完全集成的系统,允许设备、消费者和周遭环境之间实现即时通信。能够支持6G的业务技术,也将彻底改变公司处理信息、沟通、决策和员工培训的方式。
这项新技术将激发出振奋人心的创新用例,甚至掀起重大社会变革,但同时也必然带来前所未有的挑战。
下面我们回归标题,聊聊6G技术将如何改变我们所熟知的业务面貌。
展望6G普及后的新时代
6G技术落地并全面普及之后,我们会经历哪些重大更新?
首先,6G将点燃元宇宙的火种。元宇宙目前还只是IT领域中的炒作概念,而5G尚不足以为实时渲染的个性化3D世界提供必要的带宽支持。但6G将完全能够支撑起这样的速度和带宽,让科技巨头得以建立一个栩栩如生、稳定且完全集成的虚拟新世界。
此外,6G技术还将丰富市场上的智能设备种类。届时,我们的社会将有更多设备接入互联网,更高效地收集并传输数据。
这种无处不在的智能化加全面扩展的物联网,将在人们的日常生活与互联网之间建立起无缝连接。
6G还将改变我们的工作方式
6G的出现,还有望改变我们的未来工作场景与工作方式:
增强我们的在线连接方式
我们再不必在2D的Zoom或Teams会议上耗费几个小时,而是转为在3D数字空间中会面,借助自己的网络化身实现“真实”的神情交流。我们不仅能够分组会面,甚至可以实时传达肢体语言。
如果需要一对一会议,我们可以直接将其他登录用户移开,指定一个安静的虚拟空间单独交流。如果需要参观工厂或试用产品,也可以简单导航前往至对应的数字孪生环境,在那里体验一切。
借助VR与AR培训未来员工
借助6G技术,企业将提供身临其境般的VR与AR培训体验,简化团队间的知识传递流程并促进知识留存。
航空航天与工程集团霍尼韦尔已经在使用AR和VR改进其培训成效。该公司为新员工配备了混合现实头显,让他们能够实时“观看”其他员工手头的工作。在新员工模仿处理任务时,VR和AR技术会在画面上叠加信息,随时在其学习进程中提供指导。
体验新的社交媒体世界
与当下查看他人2D个人资料的乏味体验不同,随着6G技术在智能手机上的普及,我们将通过混合现实头显访问对方的3D空间,真正体验实时呈现的个性化内容。
例如,我们可以参观他人的虚拟家居,欣赏他们的艺术作品和3D渲染的假期回忆。或者,我们也可以在虚拟的星球上与其他社交好友会面,围炉聊天。
医疗保健的转变
6G技术将彻底改变医疗保健行业。凭借闪电般的数据传输速度,我们将迎来长期运行在血管之内的智能传感器,负责监控并测量我们的各项健康指标。
这些联网设备会不断收集数据并分析信息,确保在健康问题出现之前提供建议和预测。我们还将看到负责提供物理辅助和药物治疗功能的智能设备,它们的持续更新将逐步塑造出另一个位于线上的个人健康数字形象。
有了这些新进展,现有医疗保健行业将从被动治疗转变为预测性、个性化模型。这将彻底改变我们未来维持健康的基本方式,也将对每一位医疗保健工作者产生重大影响。
6G与交通运输
有了6G连接,我们将拥有实时4D地图,帮助交管部门打理未来城市中的交通流量。除了行驶在地面的自动驾驶汽车,甚至连空中的飞行载具也可纳入其中。您的通勤过程将在车辆和基站两端的高精度传感器之间得到改善,通过准确导航为您提供更快、更舒适的通勤体验。
6G覆盖下的未来工作场所
总而言之,6G正向我们款款走来,最早可能在2030年就会来到我们身边,并将对我们的工作和生活方式产生巨大影响。
随着在会议、工作培训、社交媒体、医疗保健和交通运输等领域的加速发展,我们正朝着一系列令人难以置信的6G用例迈进。相信这些新应用将惠及全社会,改善世界各地每一个人的生活体验。
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。