运营商集成和基于互联网 (OTT) 的关键推送对讲 (PTT) 服务,包括移动和宽带 PTT 服务已经存在了二十多年。根据 SNS Telecom & IT 的研究,该行业正在进行重大变革,预计到 2028 年底,基于商用移动运营商和关键通信宽带网络的任务关键型 (MCPTT) 和宽带 PTT 订阅服务收入将超过 120 亿美元。
PTT 服务从根本上提高了各行业商业用户的协作和生产效率。《MCPTT 和宽带 PTT 市场:2025-2030》研究将 MCPTT 定义为 PoC/PTToC (基于蜂窝网络的 PTT) 技术的进化,旨在满足或超越数字陆地移动无线电 (LMD) 系统中任务关键型群组通信的性能,如 APCO P25 和 Tetra。
研究指出,MCPTT 解决方案提供快速呼叫建立、高噪音环境下的清晰音质、优先级/抢占等差异化功能,还可能包含任务关键型视频 (MCVideo) 和任务关键型数据 (MCData) 功能。在 3GPP 术语中,这三项服务统称为 MCX 或 MCS (任务关键型 PTT、视频和数据)。MCPTX 和推送任意内容 (PTX) 也是常用术语。
分析师认为,MCPTT 和更广泛的 MCX 服务是市场的新兴力量,主要由公共安全宽带、未来铁路移动通信系统 (FRMCS) 准备、电网转型和工业 4.0 数字化计划推动。
报告预测此类服务需求强劲,计算出 MCPTT 和宽带 PTT 服务收入将在 2025 年至 2028 年间以约 11% 的年复合增长率增长,到期末将超过 120 亿美元。
尽管非关键性宽带 PTT 服务仍将构成订阅的主体,但这种增长主要来自符合 3GPP 标准的 MCX 服务产品,这些服务越来越多地被各行业不同规模的商业和任务关键型终端用户组织采用。
关于行业领先者,报告突出指出 AT&T、Verizon、T-Mobile、Southern Linc、Telus、Bell Canada、SFR、KPN、Swisscom、Telia、F?roya Tele、Plus (Polkomtel)、STC (沙特电信公司)、Omantel、Telstra、Telecom Argentina 等公共移动运营商已经部署或正在推出 MCPTT 服务,以扩大其在急救人员和其他关键通信用户群中的 B2B 客户基础。
MCPTT 功能已在多个专用关键通信宽带网络中实施,如韩国的 Safe-Net 和 LTE-R 网络;美国的 FirstNet (通过 AT&T 运营,但直接集成到专用核心网络);法国的未来无线电网络 (RRF);以及英国备受争议的应急服务网络 (ESN)。在美国,佐治亚州巡警、达拉斯 (佐治亚州) 警察局和全国其他州/地方急救机构也有部署。
其他实施案例包括 Hub One 在巴黎机场的私有蜂窝网络;西班牙的国家应急数字无线通信系统 (SIRDEE);意大利内政部的公共安全 LTE 平台;Tampnet 的离岸私有 4G/5G 网络;芬兰的 VIRVE 2.0 任务关键型宽带服务;土耳其的 KETUM 混合窄带-宽带系统;阿曼的公共安全宽带网络;卡塔尔内政部的私有 LTE 网络;以及 Nedaa 在迪拜的关键通信 4G 网络。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。