最近五年以来,关注企业网络的IT人员简直要被关于5G蜂窝网络和WiFi 6之争的各种说法和反驳淹没了。5G在网络管理、性能、安全性和传播能力方面的理论优势得到了大肆宣扬;但是根据我的经验,不考虑具体情况就抽象地决定任何技术总是极具风险。
应该始终根据业务应用的具体需求来确定支持该应用所需的最佳环境;其他的任何做法都可以说是本末倒置。企业“加速业务发展”需要5G的说法让人很难理解,实际上,很多企业客户通常会交替使用WiFi和蜂窝数据服务,特别是在SD-WAN技术应用日益广泛的现在,SD-WAN技术有望解决传统的网络挑战,简化对云的访问。
从企业/消费者整体的角度来看,据估计全球有超过180亿台在使用的设备支持WiFi,支持蜂窝连接的设备数量紧随其后,为120亿台。考虑到全球仅有80多亿人口,而其中大约有三分之一的人可能年纪太小或者生活在数字技术匮乏的地区,这些数字是非常了不起的。
幸运的是,在过去二十多年里,WiFi 6和5G蜂窝网络都有了长足的进步,尽管这两种技术都使用无线电来传输数据,但是支持全球5G网络所需的基础设施和精细管理远比WiFi昂贵而复杂,后者是一种低成本、功能强大的无线网络,已经被许多家庭和企业采用。
WiFi 6还是5G?取决于业务需求
在某些方面,WiFi和5G之间的界限非常显而易见。WiFi的传统用例是支持客户端系统,由于位置或名义带宽需求,为这些系统直接布线的做法成本太高或者根本不切实际。WiFi已变得无处不在,构建WiFi网络的配置和管理流程也接近即插即用。面向消费者和企业的现代WiFi接入点(AP)提供了简化、直观的网络实用程序,可指导用户设置身份验证、安全性和访问策略,让他们在几分钟内就能建立并运行一个安全、实用的 WiFi 网络。
对于移动和室外应用,从4G LTE到现在5G的蜂窝网络已经超越了电信的范畴,为大量数据丰富的移动应用提供了更大的范围和更可靠的连接。公共和专用蜂窝网络已在一些大规模行业(如轻型和重型制造业、公共事业、石油和天然气生产以及运输业等)找到了用武之地,在这些行业中,WiFi无法满足特定关键任务应用对移动性、性能和信号可靠性的要求。
与其他所有的IT项目一样,我们的技术专家有责任充分定义业务需求,然后提出能够可靠地满足这些需求甚至是超越这些需求的技术建议。在5G和WiFi 6之间做选择并不是非此即彼——就和所有其他的IT混合环境一样,这两种方法可以也应该共存。
选择 5G和/或 WiFi 6之前应考虑的首要因素
当然,在将业务应用分配给5G和/或WiFi 6时,需要广泛考虑很多技术因素。当我开始对当前最先进的无线网络进行研究时,即使没有具体的用例,我也能想出十几个需要考虑的因素。经过理智考虑,下列因素被列在了清单的首位:
我坚信任何不以“哦,这要看情况”开头的技术建议都应该受到高度怀疑,在无线网络领域更是如此。说实话,我想不出还有哪种IT技术会像通过无线电实现高速联网一样,如此容易受到环境变数的影响。即使在最糟糕的情况下,5G/WiFi 6能够达到目前的水平已经非常了不起了,而且毫无疑问,随着6G在这个十年末的推出,它还将继续进步。
WiFi 6和即将推出的WiFi 7标准也是如此,但几乎可以肯定的是,数据和应用需求也同样会继续增长。不过,到这个十年末期切换到6G技术很可能又要在新技术上投入巨额资金,与之相比,更新到WiFi 7技术的成本可以说是微不足道。
我们对5G的炒作非常大度包容。考虑到运行全球无线通信网络需要大量昂贵的底层基础设施和尖端技术开发,蜂窝网络运营商探索以新应用收回5G基础设施和频谱数千亿美元的投资完全是合情合理的。但是,当WiFi这样复杂性较低、成本较低、非常容易理解的替代方案完全能够支持大部分无线用例时,运营商们可能也不得不满足于只能分得无线市场的部分蛋糕。
5G和WiFi 6公司最好是能找到合作的方式,但由于供应商和标准组织更专注于推进自己的计划,而不是满足客户的需求,因此这个理想恐怕不会那么容易实现。
作为客户,应该避免炒作,花时间真正了解自己的业务需求,并使用最合理的组合。
好文章,需要你的鼓励
Spotify宣布已从其目录中删除7500万首"垃圾"音乐,作为打击日益泛滥的欺诈性音频内容和"AI垃圾"的努力。公司发布新政策禁止冒充、垃圾提交和欺诈版税生成。目前流媒体服务每日收到约15万首新曲目,其中28%为纯AI生成。主要唱片公司担心低质量内容稀释人类艺术家的版税池,而AI工具进一步加速了这一趋势。
ETH苏黎世大学研究团队提出OBR(最优脑重建)框架,创新性解决了大语言模型压缩中量化与剪枝方法的根本冲突。通过"分组错误补偿"机制,OBR实现了W4A4KV4+50%稀疏性的极端压缩,在保持优秀性能的同时获得4.72倍速度提升和6.4倍内存节省,为边缘设备部署大模型开辟新道路。
Meta公司推出名为"Vibes"的全新信息流功能,专门展示由创作者使用AI技术制作的视频内容。该功能将人工智能生成的视频内容进行整合和分类,为用户提供更加个性化的AI视频浏览体验,标志着Meta在AI内容分发领域的又一重要布局。
斯坦福大学研究团队开发出概念组合学习框架,让AI系统像人类一样学会"举一反三"。该技术将复杂学习任务分解为基础概念模块,通过灵活组合处理新任务,学习效率比传统方法提高10倍。实验显示在多概念组合任务中准确率达78%,并具备跨领域迁移能力。这项突破为通用人工智能发展奠定重要基础,预计将在医疗、教育、自动驾驶等领域率先应用。