无线通信技术供应商Wilson Connectivity宣布与Autonomous Systems建立联合开发合作伙伴关系,将自动化、数字化转型能力引入室内无线基础设施的各个阶段,涵盖初始部署到持续优化的全过程。
这一完整的网络生命周期管理解决方案结合了Wilson在分布式天线系统(DAS)、专用5G和公民宽带无线电服务(CBRS)领域30年的技术积累,以及Autonomous Systems基于云的人工智能就绪监控平台,为企业提供从部署第一天开始到持续优化的实时自动化网络可视性。
该组合服务具有"真正有趣"的特质,能够颠覆企业当前运营DAS或专用网络所使用的传统模式。
大多数运营室内无线系统的组织依赖被动的手动流程来解决连接问题。技术人员只有在问题被报告后才会被派遣,导致服务中断时间延长和运营成本增加。
Wilson的产品用持续的自动化监控和主动测试取代了这种模式,能够测量语音、消息传递、OTT和流媒体的实际体验质量。该系统设计可扩展至医疗保健、制造业、物流、高等教育和酒店业。它还支持多运营商,适用于主动式、混合式和被动式DAS,以及专用5G和CBRS。
此外,该服务针对多运营商环境进行了优化,可扩展至医疗保健设施、制造车间、物流中心、数据中心、K-12学校、高等教育校园和酒店场所,在这些场所可靠的连接对于运营和公共安全通信至关重要。
Wilson的混合DAS据称构建时考虑了快速安装,通过多通道放大为最大同时带宽改善室内无线信号。这使用户通过远程网络扫描和监控以及节能、节省空间的设计获得更多控制权和更低的总拥有成本。
混合DAS服务可以将所有运营商所有设备的蜂窝信号增强至5G速度,还通过光纤传输提供双向天线放大的精确性和企业级质量。这据称提供了"最大的"灵活性、覆盖范围和容量。
Wilson Connectivity企业部总经理Payam Maveddat表示:"这对Wilson和依赖我们的客户来说是一个重大进步。我们不再只是提供覆盖。我们为企业及其合作伙伴提供完整的集成解决方案,通过实时智能管理整个网络生命周期。这意味着更少的现场维修、更快的问题解决和依赖这些网络的人们更好的体验。"
据称专为统一自动化监控和管理而构建,Autonomous Systems平台将零接触可视性传感器与完全云集成的工作流自动化相结合,以简化操作并加速决策制定。通过将网络和服务数据转化为可操作的智能,Autonomous Systems表示能够赋能组织提高效率、加强网络弹性并大规模优化性能。
Autonomous Systems首席执行官Steve Urvik说:"Wilson看到了市场的发展方向,并做出了引领其行业实现完整网络生命周期自动化的战略决策。通过这次联合开发合作,我们构建的产品为Wilson的客户和合作伙伴提供了市场上此前无法获得的集成网络可视性和控制水平。"
该服务将于2026年第二季度在全球范围内推出。定价将基于智能探测硬件和基于订阅的远程监控的组合。
Q&A
Q1:Wilson Connectivity与Autonomous Systems的合作能为企业带来什么好处?
A:这项合作能为企业提供完整的网络生命周期管理解决方案,结合了Wilson在DAS、专用5G和CBRS领域30年的技术经验,以及Autonomous Systems的云端人工智能监控平台,实现从部署到优化的实时自动化网络可视性,减少现场维修次数,加快问题解决速度。
Q2:传统的室内无线系统管理有什么问题?
A:大多数运营室内无线系统的组织依赖被动的手动流程来解决连接问题,技术人员只有在问题被报告后才会被派遣处理,这导致服务中断时间延长和运营成本增加,无法提供主动的网络维护和优化。
Q3:这个解决方案什么时候可以使用,适用于哪些行业?
A:该服务将于2026年第二季度在全球范围内推出,定价基于智能探测硬件和订阅式远程监控。适用于医疗保健、制造业、物流、数据中心、教育和酒店业等需要可靠连接的行业,支持多运营商环境。
好文章,需要你的鼓励
企业谈AI基础设施时,注意力往往首先集中在模型、GPU和算力集群上。但当大模型应用走向规模化推理,一个瓶颈开始浮现:算力采购完成,并不意味着Token能够被稳定、低成本、可控地交付出去。
STATE16研究院这篇综述发现,物理AI系统存在"静默失效"风险——AI以高度自信执行基于错误世界信息的动作,却不触发任何报警,并提出在AI输出与物理执行之间建立独立授权层的框架。
穆拉蒂时隔18个月首次接受重大媒体采访,介绍其创立的Thinking Machines Lab正在开发的"交互模型"。该模型能以200毫秒间隔处理音频、文本和视频流,捕捉人类交流中的中断、修正和停顿。她还谈及OpenAI"政变周"经历,强调行业决策权过于集中的担忧,并回应了公司近期研究人员离职问题,表示这是初创实验室的正常波动。
UIUC与微软联合研发的OpenWebRL框架让4B小模型仅凭400条初始数据,通过在真实网站上边做边学的强化学习方式,在网页智能体基准上超越了用27万条数据训练的竞争对手。