创新光无线网络 (IOWN) 项目近日宣布,其全光网络 (APN) 已成功应用于 5G 无线接入网 (RAN) 基站的天线单元 (Radio Unit, RU) 和分布式单元 (DU) 之间的移动前传网络,实现了动态路由重置功能。
在 NTT 的带领下,IOWN 项目旨在满足未来超连接商业世界的growing需求,通过光子技术提供能够支持超高速、大容量互联网服务的未来全球通信基础设施。在这一使命中,NTT 得到了 Ericsson、Nokia、Sony、Ciena、Intel、Nvidia、Microsoft、Orange、Telefónica 和 Google 等公司的支持。
该项目的目标是应对数据需求的近乎指数级增长,以及未来应用 (特别是人工智能和大语言模型用例) 所需的大量计算能力导致的能源消耗增加。这个网络和信息处理基础设施包括能够利用光学技术提供高速、大容量通信的终端,以及大规模计算资源。
NTT 的 IOWN APN 基础设施正在设计中,旨在通过端到端光连接实现高容量、低延迟和低功耗通信,无需将光信号转换为电信号。
IOWN 解释说,随着 5G 技术的兴起,移动流量不断增加,导致基站和通信设施的功耗升高。此外,预计即将到来的 6G 网络将提供更快的通信速度和更大的数据传输量,进一步增加功耗。
因此,IOWN 强调提高能效是移动运营商和设备供应商面临的重要问题。新举措旨在通过动态路由进一步降低基站和通信设施的功耗,同时提高网络可靠性。
在当前 RU 和 DU 之间的固定点对点光纤连接 (暗光纤) 下,运营商运行的 DU 数量超出实际需要,且连接的 DU 必须始终保持运行以维持服务。通过在移动前传网络中利用 APN,IOWN 表示 RU 可以从与 DU 的点对点物理连接动态重新路由到其他 DU。这使得在移动流量高峰时所有 DU 基站都能运行,而在需求下降时可以切换到更少的 DU,在维持服务的同时整合资源。
此外,由于整合而不再需要的 DU 基站可以关闭以减少功耗 - 不仅包括通信设备,还包括空调在内的整个基站。
在测试中,NTT 提供了一个环境,用于验证和测量 5G 移动通信所需的设备和通信质量,包括终端设备、RU 和 CU/DU。Nokia 提供了 IOWN APN 设备,如 Flexible Bridge、APN-T、APN-G 和 APN-I。Anritsu 提供了测量仪器来评估 APN 延迟并确认 PTP/Sync-E 的正常运行。
最新工作证实,在用户流量通过使用 IOWN APN 的两个移动前传网络的环境中,动态路由更改用时不到 8 分钟,且不会影响更改路由之外的用户流量。更改后流量仍能正常流动。
这一成就使得可以根据移动流量波动灵活切换 DU,实现 DU 基站整合并仅激活必要的 DU 基站,从而减少功耗。此外,在路由故障时,可以快速切换到备用 DU 基站,从而减少对服务的影响并提高网络可靠性。
IOWN 研究了一种程序,该程序最优地结合 RU 更改和 APN 路由更改,以最大限度地减少动态路由调整期间的通信影响。经验证,使用该程序可以成功执行动态路由更改。
为进行验证,IOWN APN 在两个相距 30 公里的移动前传点之间应用。测试环境模拟实时用户流量,同时修改 DU 设备的 RU 设置并调整 APN 设备的光路切换。评估了动态路由更改所需的时间、对通信的影响以及切换后的通信质量。
验证是按照 IOWN Global Forum 的概念验证 (PoC) 参考文件中关于移动网络的 IOWN APN 设备配置和传输方法进行的。
IOWN 表示,验证测试确认在 30 公里的传输距离内,动态路由更改可在不到 8 分钟内完成。通信质量保持不变,包括切换后的数据传输速度和丢包率。更改路由上的用户流量中断,但其他路由不受影响。更改路由前后的功耗降低了约 20%。
IOWN 表示,演示确认可以成功使用 IOWN APN 进行移动前传的动态重路由,实现移动流量波动和故障期间的动态 DU 基站运行,减少功耗和服务影响。
该项目现计划就动态路由更改的节能效果进行示范实验,并缩短动态重路由所需时间以最大限度地减少对服务的影响。
这些实验将模拟实际基站配置、用户数量、流量和基于流量预测的自动路由更改决策,旨在实现高能效和弹性的网络。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。