根据全球移动通信系统协会 (GSMA) 的研究显示,到 2024 年底,欧洲 5G 连接占移动连接的 30%(相当于 2 亿用户),高于全球 24% 的平均水平,预计将在 2026 年成为欧洲大陆的主导移动技术。
然而,研究指出,为保持欧洲 5G 在全球市场的竞争力,迫切需要政策改革来推动全欧洲投资环境的根本性改变。
最新版《欧洲移动经济年度报告》对 5G 前景持乐观态度。目前,5G 已在德国和瑞士占据主导地位,而在丹麦、芬兰、挪威和英国的普及率超过 40%。GSMA 预计,到 2030 年,5G 将为整体经济带来额外 1640 亿欧元的增长,届时欧洲 80% 的连接将是 5G,4G 仅占 18%。
报告指出,5G 独立组网 (SA) 和 5G-Advanced 等先进技术展现出特别的发展前景,这些技术正在获得关注,有望通过网络切片等应用解锁新的使用场景和商业机会。
GSMA 注意到,截至 2024 年 9 月,已有 18 家欧洲运营商推出了 5G SA 服务,包括英国 EE 和法国 Free 最近的服务。此外,5G-Advanced 将为企业提供新的解决方案,实现上行链路和多播服务的低延迟,提高扩展现实应用的精确度,并提升人工智能 (AI) 的可靠性。
然而,研究警告称,欧洲的 5G 普及率仍落后于北美、东亚和海湾合作委员会等其他发达地区,这些地区的运营商已开始关注下一代网络。GSMA 表示,要保持全球竞争力并最大化 5G 潜力,欧洲迫切需要政策改革来推动投资。
GSMA 特别强调,除非解决限制欧洲行业投资能力的关键监管挑战,否则这些技术在欧洲的普及将更加缓慢。该组织补充说,数字基础设施对于帮助欧洲保持全球竞争力至关重要,不仅为先进技术奠定基础,还将支持到 2030 年移动数据流量预期增长三倍的需求。
报告还强调,欧洲运营商在 AI 和生成式 AI 开发方面处于领先地位,超过三分之一 (36%) 的运营商已在多个业务领域广泛部署生成式 AI。报告揭示了德国电信、EE、Orange 和 Vodafone 等欧洲运营商在网络优化、安全增强和客户服务改进方面的最新应用。
GSMA 呼吁,解决欧洲数字基础设施需求是重振欧洲电信业作为竞争力和繁荣引擎的重要第一步。报告指出,增加投资的益处不仅限于电信和技术领域,还将影响其他所有行业。报告最后提出了支持欧盟委员会建立具有竞争力、安全和可持续生态系统的行动建议。
这些建议包括:完善数字单一市场,使移动产业能够跨境或泛欧盟范围内开发和部署服务;实施额外措施确保互联网价值链的公平性;启动欧盟并购法规审查,更长远地考虑投资和创新效应;建立支持投资且更可预测的欧盟频谱政策;支持移动运营商的可持续发展努力。
GSMA 首席监管官 John Giusti 在评论该研究时表示:"欧洲在发展其企业和公民成功所需的数字基础设施方面正处于十字路口。看到欧洲与世界其他大市场的差距越来越大令人担忧。"
"移动产业为欧洲经济带来超过 1 万亿欧元的贡献和数百万就业机会,其作为商业、物流和创新的关键推动者的角色需要得到优先考虑和加强。欧盟委员会和欧盟其他机构需要采取紧急行动,推行欧洲数字经济所需的政策改革,以支持强劲持续的网络创新,并在 2030 年前重新确立在全球技术市场的领导地位。"
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。