CNET科技行者 1月12日 北京消息(編譯/高玉嫻): CES是移動生態(tài)聚集和連接非常重要的一個地方。
CTA總裁兼CEO Gary Shapiro在CES開展前也表示:“5G的影響力是開創(chuàng)性的,它將加速在CES上展示的所有技術的創(chuàng)新,從智能家居,家電,無人機,機器人到自動駕駛汽車和智能城市技術。”
顯然,5G仍是今年CES上的一大主角。然而,意外的是,在現(xiàn)場除了一些小型的演示之外,展廳里幾乎沒有5G技術和產(chǎn)品的展出。對此,我們在一場關于5G話題的專題對話中找到了答案。
那么,5G真的是無所不在嗎?
包括美國電話電報公司(AT&T)、高通、三星、T-Mobile和Verizon在內(nèi)的諸多企業(yè)都相信,5G將會給幾乎所有的產(chǎn)品帶來影響,包括以前與蜂窩服務交集并不多的設備和行業(yè)。
在專題對話中,高通總裁克里斯蒂亞諾•阿蒙(Cristiano Amon)表示,5G將首先以“關鍵任務服務”為突破口。當然,他認為,“不僅僅是移動設備,最終所有的產(chǎn)品都將是無線連接的,網(wǎng)絡將基本上無處不在。”
對此,Verizon執(zhí)行副總裁、全球網(wǎng)絡總裁兼首席技術官Hans Vestberg也指出,5G的發(fā)展中,推動產(chǎn)業(yè)和社會的發(fā)展是重點。但關鍵問題在于,如何推動。
對此,你需要了解5G的幾個特點:
5G最初的設計意圖就是商業(yè)化,讓企業(yè)能夠通過網(wǎng)絡遠程、自動化管理連接的業(yè)務。對此,專家們認為,5G的應用和普及可能會比4G更快,因為互聯(lián)網(wǎng)的時代,大量的人群和設備都已經(jīng)被連接。
Amon表示,5G具有改變社會的巨大潛力。“4G使得智能手機得以普及,這改變了如銀行業(yè)這樣的各行各業(yè)的義務模式,數(shù)據(jù)顯示,如今用戶在很多在線應用中的互動和消費已經(jīng)高于線下實體店。而5G服務帶來的速度提升、覆蓋范圍和規(guī)模將值得人們有更多的期待。”他說。
5G的關鍵技術有哪些?
需要明確的是,將5G帶入生活中既需要新技術的發(fā)展,也需要對現(xiàn)有技術進行優(yōu)化和升級。其中包括:
標準制定工作還有待完善
那么,5G時代什么時候到來?
盡管如上文所說,AT&T提出2018年要在12個市場部署移動5G,Verizon也承諾在AT&T之前啟動第一個固定5G的 部署,但專家們似乎仍然達成了某種共識,即5G在2019年或2020年之前還未能實現(xiàn)商業(yè)化。
Amon表示,由5G提供網(wǎng)絡支持的“智能手機”可能會在2019年初上架,以便第一批消費者可以開始轉(zhuǎn)型到5G。這樣看來,似乎要到2019年的CES,可能才是5G真正發(fā)光發(fā)熱的時候。而今年只不過是個“熱身”而已。
總而言之,在CES上宣布推出的產(chǎn)品并不意味最終會上架或在近期內(nèi)會上架。雖然5G部署將會彌漫到更多的視頻消費和娛樂領域,但其商業(yè)化還是一條遙遠的道路。2018年CES是釋放5G信號的第二彈,而接下來的2019年及2020年才會是真正的部署和案例使用的關鍵之年。
編譯整理:科技行者
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結(jié)構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。