科技行者 7月22日 北京消息:在上一篇文章中,我們提到了邊緣網(wǎng)絡時代生存的方法,討論了邊緣網(wǎng)絡智能化的發(fā)展趨勢。隨著5G 等最新無線網(wǎng)絡技術使得通信容量得到進一步提升,這種新型基礎設施將有力推動創(chuàng)新應用的開發(fā)。此類應用大多采用高頻活動模型,例如視頻或傳感器,其活動通常由設備自行發(fā)起,并產生大量跨網(wǎng)絡移動的數(shù)據(jù)。據(jù)思科最新的可視化網(wǎng)絡指數(shù)(VNI)預測, 2017 到 2022 年,全球移動數(shù)據(jù)流量將增加 6 倍,或相當于以42% 的年增長率增長,網(wǎng)絡性能升級成為大勢所趨。
無線卸載
存在密集的無線連接的網(wǎng)絡該如何應對帶寬和連接方面的巨大挑戰(zhàn)?解決方案之一便是無線卸載。無論是擁有1,000 名顧客的大型零售商店,還是容量達 60,000 坐席的體育場,亦或是容納 200,000名與會者的會議中心,所要傳送的數(shù)據(jù)量都是巨大的。通過無線方式傳輸數(shù)據(jù)的成本在容量上已經達到了一個臨界點,而這推動了通過有線 網(wǎng)絡分流的傳輸需求的發(fā)展。這一趨勢還對邊緣網(wǎng)絡的性能提出了更高的要求,以滿足用戶對高性能連接和低延遲反應時間的體驗需求。
全新的性能需求
先進的無線接入技術加速了 5G 和 Wi-Fi 6 的部署,包括采用 MIMO 和更高的頻譜技術。然而,不斷出現(xiàn)的設備和新應用很快就會消耗掉所提供的容量。實際上,提供大帶寬介入正是界定多千兆速率以太網(wǎng)的一個主要因素。這種新的性能需求將影響所有的網(wǎng)絡層級,促使上行鏈路提高端口速度,以處理增加的訪問帶寬。此外,堆疊鏈路的容量也會提升,從而促進高效的端口部署,以及幫助應對附加客戶端的增長。
網(wǎng)絡容量的增加推動高帶寬應用的發(fā)展,支持新興的實時應用以及網(wǎng)絡上并發(fā)活動設備的擴展。然而,頗具諷刺意味的是,由此形成的趨勢和未來的創(chuàng)新動向又將繼續(xù)對網(wǎng)絡性能提出更高的要求。
性能是本系列文章所討論的第二部分,該系列文章介紹了隨著移動和云應用程序的激增以及網(wǎng)絡功能從核心向邊緣轉移,不斷發(fā)展的無邊界園區(qū)所需要的基本技術。遙測面臨的挑戰(zhàn)和洞見將在接下來的邊緣網(wǎng)絡時代生存的方法中進行探討。
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。