你或许没有注意到,但Wi-Fi世界可能正在发生重大变化。在2023年末,美国电信监管机构最近开放了6 GHz频段,为超低功耗设备的兴起揭开了新的篇章。此举可以使可穿戴设备更轻、更快,并有助于在智能家居设备中获得更好的体验。然而,最大的赢家是拓展现实(XR),这是虚拟现实和增强现实等技术的总称。
为什么6 GHZ很重要?
有很多设备在使用Wi-Fi时,通常是利用两个频段中的一个,2.4 GHz或5 GHz,以至于这些频段越来越拥挤。
频谱是移动互连的生命线。简而言之,频谱越多,容量越大,数据速率越高,支持的用户数量也越多。为了缓解信道拥挤的问题,美国联邦通信委员会于2020年在特定条件下首次开放了Wi-Fi的6 GHz频段。IEEE通信协会博客对这一决定进行了详细讨论(https://techblog.comsoc.org/2020/04/23/fcc-to-open-up-6-ghz-band-for-unlicensed-use-boon-for-wifi-6/)。
正如IEEE高级会员David Witkowski所言:“这将减轻城市地区Wi-Fi信道拥挤的问题,并将允许无线互联网服务提供商构建具有更宽信道和更少干扰的高性能数据网络,此举意义重大。”
Witkowski说:“5GHz所面临的一个重大挑战是,频带的一部分被优先用于天气雷达,因此可用信道的数量远低于分配的信道数量。”
同时,2.4 GHz的频段会受到微波和无绳电话的干扰。
6 GHZ的干扰挑战是什么?
开放6 GHz频段的一个问题是,公共事业业者及其他关键基础建设业者已经在使用6GHz频段,提供如电网营运、配电线路远程监控等服务,这引发了人们对干扰的担忧。该频段传统上用于固定卫星服务等服务和无线回程等微波服务,公用事业和公共安全应用也依赖于它。
因此,当美国联邦通信委员会最初允许设备接入6 GHz频带时,该做法所对应的各方态度也不尽相同。低功率设备(与极低功率设备不同)可以在室内使用,前提是建筑物的墙壁可以防止干扰。第二组确实存在干扰风险的设备需要获得国家数据库的许可,该数据库知道现有许可用户的位置。
涉及极低功率设备的最新举措被视为运行干扰风险较小,因为即使这些设备在户外使用,由于所涉及的功率较低,信号传播也不会超过几米。要更详细地了解这一决定的复杂性,请查看IEEE Spectrum的这篇文章:https://spectrum.ieee.org/spectrum-management。
为什么拓展现实(XR)是大赢家?
大多数XR头戴式耳机都需要连接到互联网。大多数人使用Wi-Fi连接到本地路由器,当他们有强大的Wi-Fi连接时,工作效果会更好。然而,将数据转换为图像(称为处理或渲染)在计算上相当紧张。它需要强大的处理器和大量的电池电量。
英国电信监管机构Ofcom的前主管、IEEE Fellow William Webb表示:“另一种选择是耳机从附近的计算机流式传输视频来完成所有渲染。这降低了耳机的功耗,但需要无线连接到附近的计算机,并且连接需要高带宽。低功率6 GHz的调节非常适合。它只能在几米范围内工作,但可以提供高带宽连接。”
“因此,它可以生产出更轻、更便宜的XR耳机。这样,电池充电一次就可以使用一整天。”
全世界如何看待6 GHZ频谱?
全球各地的监管机构从不同的角度处理了6 GHz频段的问题。
Webb说:“大多数国家已经允许6 GHz频带的下半部分用于Wi-Fi,但仍在争论上半部分应该是Wi-Fi还是蜂窝。关键是,在一些国家,6 GHz以上的频段是否会用于蜂窝网络,这会阻止其用于Wi-Fi(尽管我已经证明,蜂窝网络和Wi-Fi可以很好地共享)。该频段在一些国家也被其他应用程序使用,这可能会阻止Wi-Fi在附近使用,但这种影响范围相当小。”
这些监管挑战确实对消费品产生了影响。
Witkowski说:“全球不同地区对6 GHz频带的使用有不同的规定,这可能会给全球科技公司在合规性和产品设计方面带来挑战。如果所有或大多数监管机构都不采用6 GHz,设备供应商将无法利用规模经济来降低成本。”
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。