本周在巴塞罗那举行的 2024 年世界移动通信大会的两大主题是人工智能和 5G——尽管人们可能会把这两者视为不同的技术趋势,但它们是相互关联的。
服务提供商目前正投入巨资维护并升级服务,以符合移动网络不断发展的技术标准。尽管不断努力提高服务质量和能力,但电信公司的收入却难以提高。因此带来了财务方面的持续挑战,并导致很多公司将重点放在降低成本上。与此同时,人工智能需要对基础设施进行大量投资,而服务提供商在确定投资会有丰厚回报之前可能会踌躇不前。
这种分歧为电信行业提供了将人工智能融入运营的机会,并为AI-RAN联盟的创建创造了条件。这项在 MWC24 上发起的新倡议旨在弥合传统电信基础设施与人工智能之间的差距。该联盟由领先的公司、大学和行业参与者组成,成员包括亚马逊网络服务公司(Amazon Web Services Inc)、Arm、DeepSig公司、爱立信、微软公司、诺基亚公司、东北大学、英伟达公司(Nvidia Corp)、三星电子公司(Samsung Electronics Co. Ltd.)、软银集团和 T-Mobile USA。
英伟达公司电信高级副总裁Ronnie Vasishta在发布会上解释称,AI-RAN 联盟代表着一种战略转变,即拥抱人工智能及其增长潜力,减轻电信行业的财务压力。其主要目标是将人工智能与无线接入网络技术(尤其是即将到来的5G和6G网络)相结合,为电信业创造新的商机。
具体来说,联盟将重点关注三大关键领域:
该联盟将联合开发用例、白皮书、蓝图和最佳实践指南,并将研究成果与现有的标准组织联系起来。
Vasishta 表示:“最大的挑战之一是数据的可用性。人工智能需要数据才能发挥作用,但数据的可用性却受到了一定的限制。”“因此,我们希望创造一个可以共享数据的环境,并提供数据集,使人工智能更加高效。验证测试将在AI-RAN联盟实验室内进行,成员可以使用该实验室。”
另一个挑战是通过解决限制其潜力的连接问题来增强5G基础设施。为此,需要将基础设施转移到更加靠近使用地点的地方,并在同一基础设施上启用软件定义的RAN。这将改善当前应用的用户体验和服务效率,并让人工智能推理等先进的人工智能驱动型应用实现更好的性能。通过支持低延迟、高带宽应用程序,电信公司可以最大限度地发挥5G网络的潜力。
Arm公司高级副总裁兼基础设施业务线总经理Mohamed Awad也有同感,他表示,人工智能可以拉近网络设备与用户的距离,从而在单个运营商和整体系统层面提高网络基础设施的性能。Awad还指出,在RAN中使用人工智能可能还会改善其他领域。
Awad表示:“这是一个大问题,越多的团队参与其中,问题就解决得越好。”“当我们考虑正在解锁的新能力时,实际上是在考虑随着基础设施的成熟和附加技术的出现会发生些什么。”
服务提供商的成功对科技行业的健康发展至关重要。在过去的几十年里,电信公司不断被边缘化,以至于其大部分服务都被视为商品。随着云计算、移动和人工智能的兴起,世界已经变成了以网络为中心的世界,这使得服务提供商在很长一段时间内都处于最有利的地位。
对于电信公司来说,一个更有趣的机会是边缘人工智能推理,它可用于医疗保健、机器人、仓库自动化等领域。这需要高带宽、低延迟和高度分布式计算,而这些都是服务提供商所擅长的。
但是,如果电信公司继续受到价格挤压,出现利润下滑,就会形成恶性循环,他们会减少投资,从而阻碍创新。该联盟致力于帮助服务提供商利用人工智能,不仅削减成本,而且还要发现那些他们长久以来一直梦寐以求的、神话般的新收入来源。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。