固定无线接入(FWA)市场已成为移动行业中最有趣且具有潜在盈利能力的领域之一。全球移动供应商协会(GSA)的年度研究证实了5G在该领域的发展势头和规模,随着5G FWA在各大洲的广泛采用,运营商能够开拓新的宽带服务机会。
研究结果显示,FWA客户终端设备(CPE)供应商预计出货量将加速增长,2025年将增长26%,达到3530万台。据报告,2024年CPE总出货量为2800万台,比2023年增长22%。在全球范围内,5G FWA正越来越成为常态。首次有超过一半的全球区域——七个区域中的四个——报告2024年超过50%的FWA CPE出货量支持5G技术。
这标志着自2024年类似调查以来的重大变化,当时只有美国和印度报告5G FWA CPE出货量占比超过50%。目前,5G在中国和亚太其他地区(RoAPAC)也占据主导地位,北美和印度现在报告的5G CPE出货量份额分别达到93%和92%。亚太地区占2024年5G CPE出货量的35%,其次是中东和非洲地区的30%。
支持5G的FWA出货量现已在全球范围内成为主流,2024年达到1680万台。研究预测增长将持续,受调查的FWA CPE供应商代表性样本的综合出货量预计将在2025年增长至2010万台,增幅19%——占2025年出货量的57%,而2024年这一比例为60%。除了运营商在全球范围内持续更广泛采用5G FWA外,GSA预计几项市场发展也将促进这一增长。
支持5G独立组网(SA)的FWA在2024年占5G CPE出货量的95%。支持5G SA的CPE出货量预计将在2025年增长11%至1770万台,而2024年为1600万台。
在另一个关键例子中,支持毫米波的5G CPE出货量预计在同期将增长至100万台以上——同比增长47%——调查还显示41%的供应商预计在2025年推出支持5G RedCap的FWA产品。
2024年FWA CPE出货量中,集成室内CPE占大多数(54%),其次是电池供电热点设备(33%)和室外CPE(13%),而58%的室外CPE是灵活的可自安装室内/室外CPE。
GSA 4G-5G FWA论坛副主席约翰·亚兹勒对研究结果评论说,所显示的趋势不仅对FWA供应商生态系统的健康发展是令人鼓舞的消息,而且随着更多频谱可用和5G网络向5G-Advanced演进在即,也清楚表明FWA CPE供应商之间的合作关系正在发挥作用。
他说:"如今,大多数厂商认为人工智能能力对5G FWA CPE的主要好处在于改善5G连接性能和体验。毫米波正在各种宽带应用场景中证明其价值,从密集住宅区、针对性企业部署到弥合农村地区数字鸿沟,而5G RedCap正在成为从LTE转型市场中FWA的可行补充选择。运营商可以通过创新继续推动全球增长。"
GSA 4G-5G固定无线接入论坛调查的数据收集时间为2025年4月至7月。调查参与者包括:亚信科技有限公司、启基、AVM、BEC科技、大唐科技、正文科技、绿色数据包、华为、嘉顿科技、美格智联科技、诺基亚、深圳建德利、SMAWave、拓思德康威、万迪瓦、启碁科技和耀金科技。
Q&A
Q1:什么是FWA技术?它有什么用途?
A:FWA是固定无线接入技术,是移动行业中最有前景的领域之一。它能为运营商提供新的宽带服务机会,特别是在5G技术加持下,可以应用于密集住宅区、企业部署和农村地区数字鸿沟弥合等多种宽带应用场景。
Q2:2024年全球5G FWA设备出货情况如何?
A:2024年全球FWA CPE总出货量为2800万台,比2023年增长22%。其中支持5G的FWA出货量达到1680万台,已成为全球主流。首次有四个区域的5G FWA CPE出货量占比超过50%,北美和印度的份额更是分别达到93%和92%。
Q3:5G FWA设备未来发展前景如何?
A:前景非常乐观。预计2025年FWA CPE出货量将增长26%达到3530万台,其中5G设备出货量将增长19%至2010万台。支持毫米波的5G CPE出货量预计增长47%超过100万台,41%的供应商计划推出支持5G RedCap的FWA产品。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。