5G杀手级应用将来自对数字基础设施的进一步投资
世界经济论坛年会本周在瑞士达沃斯举行。在一些以技术为重点的会议中甚至与技术相关的会议中,来自工业界和政府的领导人都在大谈“数字化转型”的重要性和必然性。围绕“数字化转型”关键词的争论颇为广泛,包括数字化转型的意义以及数字化转型是否真的有什么意义,而如将世界经济论坛视为一个晴雨表的话,数字化转型意义的核心考虑在于如何使用资本、如何影响全球劳动力以及所有这些对社会和经济的意义。
爱立信首席执行官Börje Ekholm在题为“数字产业大赌注”的小组讨论中表示,“我们看到,为了实现企业数字化,我们将需要改善连接,肯定不能全部基于有线连接。如果你在进行机器的周转,根本不可能用‘有线连接’。我确实相信我们会看到这一点,但我们现在所处的位置……我们处于概念验证阶段,还不是工业化应用。而且我认为……也许我们可以说比我们希望看到的要慢一些。但我也认为这一类的变化需要一些时间。”
Ekholm表示,在更大范围的行业数字化转型中,连接性经常被忽视,连接性被认为是理所当然的。但是,“我们看到企业将在5G技术的基础上实现数字化,因为任何可以无线化的东西都会进入无线化”。他提到爱立信在德克萨斯州Lewisville的工厂那里已经部署了5G,用于支持5G设备的制造。“我们看到生产力有了巨大的提高——几乎是劳动生产率的两倍”,同时在电力消耗和废水产生方面也出现实质性地减少。
他表示,“所有这些都需要一个东西,就是我想再提起的东西,即数字基础设施。除非我们拥有高性能、安全和可靠的数字基础设施,否则我们无法实现工业、供应链、公司、社会的数字化。”
Ekholm重申了欧洲在部署5G方面“远远落后”的说法,因为没有明确的资本成本回报率,阻碍了投资的范围和速度。他指出,美国、中国、中东和东北亚是领先的地区。他用滞后市场的监管环境与印度的情况进行了对比,印度的5G部署得较晚,但通过数字印度计划等重大公私合作项目,印度的5G正在快速发展。他称印度次大陆是个“不太为人所知的秘密……印度可能在六个月内拥有除中国之外最强大的数字基础设施。以他们推出的速度预测,他们将走在前面……他们已经认识到没有政府的参与我们走不到那一步。”
在战略性和增值数字基础设施投资方面,Eckholm还呼吁在教育和重新培训方面进行并行投资,这是政府发挥重要作用的另一个地方。他表示,政府“在大家为变革做好准备方面发挥着非常重要的作用,要发展正确的技能、正确的能力以及你在新社会中如何互动”。他承认,人们长年担心(也是现实)技术会取代部分劳动力的地位。“但我相信,未来会出现更多的工作、不同的技能、不同的能力。我们过去一直在应对这些变化。我们倾向于认为转型挑战是不好的事情。其实不然。如果你看看这个星球,我们今天的地球比100年前更好了。我认为以后还会是这样。”
再回到5G的作用,Eckholm回顾了4G带来的进步,特别是移动视频消费的兴起,尤其是像Instagram和TikTok这样的短内容以及打车服务。有关5G的“杀手级应用”,他表示,“实际上,有了基础设施,这一类的应用就会出现。基础设施的到位非常重要……我们会发展,我们会改变,我们会调整,但我们需要一些投资。我们需要认识到这一点。”
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。