康普运营商网络东北亚区无线网络业务销售总监&亚太区全球OEM销售负责人 林海峰
近来的全球经济放缓不可避免地阻碍了5G网络的投资和铺设。众所周知,5G网络的部署需要大量资金,其运行又需要消耗大量电力。在全球经济景气时,这些成本可以通过增加用户为获得高性能网络而额外支付的费用来收回。但在当今的经济形势下,用户自己也面临着成本削减压力。
因此,关于移动网络运营商推迟5G网络建设以及缩减计划的报道不断。尽管如此,我并不想在这里赘述这些不利因素,因为我对5G未来一年的发展充满信心。
5G整体建设可能会被延缓,但不会偏离轨道
目前已经出现了两大变化(可能会在2024年加速):一是能够降低成本的5G基站简化措施,二是出现了利用5G网络独特能力的新的颠覆式商业用例。
这两个因素的叠加将可能会为这项技术带来新的活力和热情,预计至少在未来十年乃至二十年内,该技术仍将是无线连接的基础。因此,我认为未来一年将证明5G可能会被延缓,但绝不会偏离轨道。
简化和降本
5G网络部署的最初阶段使用的是非独立组网(NSA),这些网络使用现有的LTE网络提供移动网络和发生信号,充分利用这种方法的优势加快铺设。但这也增加了基站设计的复杂性,而在无线网络领域,“复杂性”实际上只是“成本”的另一种说法。
因此,这种叠加的NSA网络架构不得不妥协,使得该技术未能达到首次发布时宣传的预期效果。未来要想真正实现网络架构的精简化,移动网络运营商就不能再依赖早期网络技术的设计。且由于行业内最近的一些创新,他们现在也不再需要如此。部分降低复杂性和成本的措施包括:
这些新出现的改进措施都直接针对5G部署成本方面的挑战,使移动网络运营商更容易启动、继续或加快铺设工作。
当然,如果市场不愿意承担采用新功能所带来的成本,那么即便是更加明智、适度的投资也会变得不合理。幸运的是,将在2024年出现的第二个关键因素也有助于解决这个问题。
新5G商业用例——专网
5G有很多独特的性能特点,首先是其惊人的速度、巨大的容量和超低的时延。但在某些方面,5G的性能似乎已经超越了它需要满足的某些需求。比如,1 ms的时延虽然十分惊人,但真正需要它的应用目前还很少。高性能无疑推动了高需求应用的发展,但这些应用进入市场还需要一些时间。
话虽如此,目前出现的一些新的商业用例将5G视为首选乃至必不可少的技术平台,即便它们不需要达到1 ms的时延。企业、大型公共场所、旅游集散中心等大型室内、室外以及室内/室外组合场所对无线专网的兴趣日益增加,这些场所的网络流量往往很大。
与LTE相比,5G通过结合使用更高的频谱和功能更强大的无线系统(mMIMO)来获得容量和吞吐量方面的优势。首批5G设备都安装在更加城市化的环境中,这并非偶然,而是因为只有在这些环境中,5G网络才能最有效地提供高流量密度。但由于其链路预算方面的限制,5G难以从室外宏基站连接到贡献大部分流量的室内用户。室内小基站和DAS解决方案可通过将室内流量回传到核心网解决这一问题,但另一种离散的5G网络——5G专网也已经出现。
通过内部5G网络,企业(或者机场、医院、体育场馆等)可提供超过普通Wi-Fi®的5G连接的安全性和私密性。用户既可以享受到5G的速度和容量(只有在室内才能保证),同时又可以利用端到端加密的安全性,对联网设备上的语音、电子邮件、文本和在线活动进行保护。
事实上,5G专网的安全优势在未来几年只会越来越大。2024年后,预计量子安全加密技术(QSC)的出现(也许还有五年或十年的时间)将大幅提高加密强度,淘汰当前的加密方法。为此,GSMA于去年成立了量子安全电信网络工作组,旨在为未来此类加密技术的使用制定强有力的监管标准。
5G专网将成为5G最令人期待的新商业用例之一,而该市场目前仍处于起步阶段。在2024年,全球对这一安全、高性能技术的兴趣和投资必然会大幅增长。
5G将迎来更加光明的一年
全球经济和动态的国际局势可能会让5G的整体建设放缓,但绝没有使其停止。5G技术前景广阔且优势众多,从长期来看是不会受到压制的。仅就中国市场而言,截至2023年11月,中国已累计建成5G基站328.2万个,5G对于各行各业的赋能也日益深入。而在今年,得益于能够降低成本的基站架构优化措施以及人们对5G专网的兴趣,5G网络将继续向前迈进。
如今6G仍在不断发展中,至少未来十年5G都将是无线网络的基础。因此,目前的不利因素不会影响5G在长期发挥其全部潜力;相反,这些变化有可能会在2024年引领我们朝着现在才开始受到关注的新方向迈进。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。