最新的《爱立信移动报告》显示,预计到2029年底,全球5G用户数量将达到56亿,除了三个地区之外,届时5G将成为所有地区的主导网络。
爱立信预计,到2029年底,5G将占全球所有移动用户的60%,占整体移动数据流量的75%,到2029年,年复合增长率将达到20%。去年,5G占移动数据流量的25%,高于2022年的17%。报告指出,在预测期内,不同地区的移动数据流量年增长率预计会有所放缓,这取决于当地的市场状况。
爱立信指出,流量增长可能会出现波动,其因素包括全球宏观经济变化、固定无线接入(FWA)连接的增长,以及印度、东南亚、拉丁美洲和非洲等市场的用户向后代迁移。如果不算FWA,全球移动数据总流量将增长三倍,到2029年将达到每月313 EB。如果将FWA计算在内,这一数字将增长约3.5倍,到2029年达到每月466EB。
爱立信称,目前全球约有300家服务提供商提供5G服务,其中50家已推出5G独立网络。5G用户数量目前超过17亿,今年前三个月新增约1.6亿。到2024年底,全球5G用户将接近6亿。
由于非洲市场前景看好,这些数字比之前的预测有所上调。爱立信新加坡、菲律宾和文莱负责人Daniel Ode周四在新加坡举行的媒体吹风会上表示,各国也在逐步关闭2G和3G等老式网络。
他指出,智能手机市场也在今年复苏,2024年第一季度的出货量同比增长了6%。Ode补充表示,澳大利亚和新加坡等先进5G市场的服务提供商将继续专注于速度、覆盖范围和差异化服务方面的创新。
预计到 2029 年,5G将成为大多数地区的主流网络,但在三个地区,5G的地位将落后于4G: 东南亚和大洋洲、中欧和东欧以及撒哈拉以南的东南非。在北美和西欧等其他地区,5G将分别占移动用户的90%和86%,相比之下,预计到2029年,LTE或4G仍将是这三个地区的主导网络。
在东南亚和大洋洲(包括新加坡、澳大利亚和泰国),5G 的前身网络将占移动用户的50%。相比之下,到预测期结束时,5G预计将占该地区移动用户的43%。爱立信称,到2029年,东南亚和大洋洲的5G用户将达到5.6亿,而更实惠的设备、促销计划和服务提供商提供的大数据捆绑服务将推动用户的使用。
当被问及为何4G而非5G有望在这三个地区保持多数份额时,Ode表示,采用与否取决于当地市场的发展和成熟度。他进一步指出,运营商与其按兵不动,等待向6G网络迁移,不如继续投资5G服务,以挖掘新的收入增长点,尤其是在他们希望避免ARPU(每用户平均收入)下降的时候。
尽管4G预计将在2029年占东南亚移动用户的50%,但这一数字将低于去年的78%,因为到预测期结束时,5G的用户基数将增长到43%。爱立信援引泰国和澳大利亚服务提供商以及新加坡和马来西亚政府机构的数据称,5G 用户数量目前占新加坡、澳大利亚、马来西亚和泰国总用户数量的20%。
报告还强调,虽然菲律宾的5G网络覆盖率在过去一年中有所提高,但5G渗透率和数据消费量一直很低。
爱立信指出,印度尼西亚的5G用户数量也很有限,因为服务提供商正在等待获得中频段频谱以扩大5G覆盖范围。越南最近也拍卖了5G中频段频谱,预计将在未来6到12个月内推出商用 5G。
在印度,5G网络部署密集、广泛覆盖、服务价格合理,2023年5G用户数量约为1.19亿。预计到2029年底,随着5G的强劲普及,这一数字将增至8.4亿,占印度、不丹和尼泊尔移动用户的 65%。
根据爱立信的数据,该地区4G的份额将从2023年的63%下降到2029年的32%,连接数将从7.4 亿下降到4.1亿。
Ode表示:“差异化连接将为用户、开发人员和企业提供满足其需求的最佳连接水平,确保网络的无缝性能和资源效率。利用5G独立架构的高性能可编程网络为服务创新和基于性能的商业模式提供新机遇。”
他补充表示,人工智能(AI)设备的采用可能会在未来影响用户行为,但它将如何影响智能手机的未来设计还有待观察。他指出,这将取决于人工智能在手机上的用例和应用。
不过,他表示,人工智能的日益普及肯定会增加移动数据流量,因此需要解决所有潜在的延迟问题。
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。