當今的智能手機往往涵蓋采用不同技術(shù)的多個無線傳輸過程:從2G到5G、Wi-Fi和藍牙,以及支持多個頻段的天線。優(yōu)化這些無線傳輸,需要深刻理解手機內(nèi)復雜的射頻(RF)系統(tǒng)——而這正是高通公司(Qualcomm)技術(shù)副總裁呂林大顯神通之處。她在高通Smart Transmit技術(shù)方面做出了開創(chuàng)性的工作,它利用先進技術(shù)智能管理多個天線組的發(fā)射功率,從而大大擴展網(wǎng)絡覆蓋范圍,提升上行速度并降低時延——這對于滿足人們對當今5G終端和網(wǎng)絡的高度期待尤為重要,而這一切都是在確保終端符合監(jiān)管要求的情況下實現(xiàn)的。
最近我們采訪了呂林,談到了Smart Transmit技術(shù)背后的靈感,并了解了她作為工程團隊主要負責人,所做出的最大的創(chuàng)新是什么。
問:您大部分的工作集中在電磁干擾(EMI)和射頻(RF)傳輸方面,為什么會選擇專攻這些領(lǐng)域呢?
呂林:1996年,我作為無線認證工程師開始了在高通的職業(yè)生涯。我先是在商用基站部工作,后來轉(zhuǎn)到手機部從事設(shè)計工作,確保高通正在開發(fā)的商用終端符合電磁干擾/電磁兼容性(EMI/EMC)的全部認證要求。我們的團隊專注于商用產(chǎn)品。
2006年,我開始與OEM廠商合作,負責確保他們的終端產(chǎn)品符合認證要求。隨著高通擴展到了新的技術(shù)領(lǐng)域,比如面向移動終端和車輛的無線充電系統(tǒng),這要求我們開發(fā)新的方法,來評估這些無線充電系統(tǒng)的電磁干擾和射頻暴露,因為現(xiàn)有的認證測試程序還沒有確定下來。
大約在2010年,當5G被規(guī)劃出來時,我們發(fā)現(xiàn)了5G商用面臨的一項重大挑戰(zhàn),即在滿足現(xiàn)有認證要求的同時,還要實現(xiàn)5G承諾的更高性能水平——然而,現(xiàn)有的射頻暴露評估流程將對5G新技術(shù)構(gòu)成障礙。傳統(tǒng)的評估流程基于幾十年前的假設(shè),即用戶設(shè)備(User Equipment,行業(yè)術(shù)語,指手機等設(shè)備)將始終以最大功率水平進行發(fā)射?;谶@種最大功率假設(shè)的傳統(tǒng)認證流程已經(jīng)使用了30多年。然而,在大多數(shù)情況下,用戶設(shè)備的發(fā)射功率遠不及最大功率,并且在本質(zhì)上是“突發(fā)式”的——這意味著手機并非一直在發(fā)送信號。因此,這種傳統(tǒng)的評估方法過于保守。我們認識到,這將成為5G商用部署的障礙,尤其是在同一終端上使用多根天線同時進行發(fā)射的場景中更是如此。
因此,這激勵了我借助創(chuàng)新技術(shù)來開發(fā)用于射頻暴露管理的專業(yè)解決方案——所以這就是為什么我在高通專注于這個獨特的領(lǐng)域。
問:您如何向技術(shù)專業(yè)知識有限的人解釋電磁干擾和射頻暴露的限制?
呂林:這很簡單,但也非易事。電磁干擾管理的存在,本質(zhì)上是為了應對設(shè)備或終端之間的干擾。以手機為例,用戶不希望它們與電視等其他設(shè)備發(fā)生干擾。如果用戶開電視的時候,手機的通話質(zhì)量突然變差了,那么這可能是由其他電子設(shè)備和終端之間的干擾造成的。采用射頻(RF)暴露監(jiān)管限值,是為了弄清楚一臺設(shè)備可以安全地發(fā)射多少無線電能量——射頻暴露監(jiān)管限值規(guī)定了所容許的最大上行鏈路發(fā)射能量,并由此最終定義了無線終端的最佳性能。優(yōu)化射頻輸出,不僅有助于改善諸如上行吞吐量、時延和網(wǎng)絡覆蓋等功能,也能確保通話不中斷、流暢地下載視頻等。
注:電磁干擾和射頻暴露限值是全球各個市場規(guī)定的強制性要求。
問:什么發(fā)現(xiàn)讓你在5G毫米波推出前五年就預料到了發(fā)射功率的限制問題?最終這些發(fā)現(xiàn)是如何影響5G毫米波技術(shù)的發(fā)展的?
呂林:傳統(tǒng)方法提出于20世紀90年代,是假設(shè)設(shè)備在100%的時間都以最大功率發(fā)射,由此便設(shè)定了一個靜態(tài)的功率上限。然而,5G是動態(tài)的。這意味著按照定義,上行鏈路的占空比可以從極小的比例上升到100%,并且工作頻率范圍可以從Sub-6 GHz一直覆蓋到毫米波。
如果我們假設(shè)一直處于最極端場景,那么由于這種通過靜態(tài)地限制上行鏈路發(fā)射功率來管理射頻暴露值的舊方法,5G網(wǎng)絡預期的性能要求將永遠無法實現(xiàn)。由此可見,我們需要突破。
在發(fā)現(xiàn)“頻段中大多數(shù)發(fā)射場景下的發(fā)射功率通常都與最大功率相差甚遠”這一現(xiàn)象后,我們意識到,按需支持高功率數(shù)據(jù)突發(fā)應該是可行的。于是,我產(chǎn)生了一個想法——實時優(yōu)化上行鏈路性能,即:在低使用率期間保存能量并在有高功率數(shù)據(jù)流量需求時使用——例如在室內(nèi)進行視頻或照片上傳。這讓設(shè)備能夠確保其在一定時間窗口內(nèi)的平均發(fā)射功率不超過所容許的能量限值。就好比,在跑步比賽中,參賽者大部分時間都在慢跑,僅在需要時進行短時間的沖刺,但其平均速度是恒定的。這使得我們可以最大化上行鏈路的吞吐量,并釋放5G的全部潛能。
問:您能解釋一下如何通過該技術(shù)提升上行速率并擴展網(wǎng)絡覆蓋嗎?為何如今移動設(shè)備中的天線符合射頻發(fā)射功率限值如此重要?
呂林:這非常重要,因為正如我先前提到的,這是一項強制性要求。如果不合規(guī),產(chǎn)品就無法推出,所以這是第一位的。這些問題必須在所有終端上市前得到解決。這是必須的。
目前,如何通過該技術(shù)擴展網(wǎng)絡覆蓋并讓5G成為可能呢?Smart Transmit技術(shù)讓我們能夠動態(tài)地優(yōu)化無線傳輸,這樣在需要更強的上行鏈路連接時,我們能夠順利接入,而大多數(shù)時間不需要它時,我們可以在給定的時間窗口內(nèi)節(jié)省能量。這樣可以使連接更可靠,并減少掉線等。
問:這似乎是移動技術(shù)領(lǐng)域中一個非常需要動手測試的工程環(huán)節(jié)——能告訴我們最初您是如何提出此類想法的嗎?是基于創(chuàng)新,或是遵從監(jiān)管,還是兼而有之?
呂林:我認為是兼而有之。工程師就是要提出解決問題的想法。就我而言,一旦有了想法,我們就需要通過開發(fā)新的測試流程和測試用例來定義認證過程。這是因為,首先,這是開發(fā)新技術(shù)所需要的。其次,任何商用終端在投放市場前都必須證明其合規(guī)性。
一旦有了我們認為可行的技術(shù),我們必須以它為中心,確保其符合現(xiàn)有的監(jiān)管規(guī)定。為此,我們必須開發(fā)認證流程和測試用例——然后我們必須與世界各地的監(jiān)管機構(gòu)溝通,證明我們做了大量的驗證測試,并向他們展示我們的新思路切實可行。同時,我們必須與其他行業(yè)利益相關(guān)方合作,比如世界各地的標準化組織和商用測試設(shè)備廠商,將新的測試流程和測試用例標準化,供其他人遵循。
這樣我們有了此項發(fā)明,我們從技術(shù)開發(fā)開始,一旦完成開發(fā),我們在符合監(jiān)管要求方面就必須全力以赴,以確保技術(shù)在全球范圍內(nèi)被接受,并通過合作伙伴實現(xiàn)商用。
問:作為一名發(fā)明家,高通對您的工作有何支持?您如何形容高通的創(chuàng)新文化?
呂林:之前我談到過將發(fā)明變成現(xiàn)實,以及它為何需要多個職能團隊共同配合。就高通而言,從概念驗證到實現(xiàn),再到被監(jiān)管部門采納,最后到商用,你都可以看到團隊合作發(fā)揮的作用。我們得到了來自公司各個方面的支持——不僅來自認證團隊,還有系統(tǒng)工程師、軟件工程師、產(chǎn)品管理、各個本地和區(qū)域團隊、客戶工程團隊、測試工程師等等所有人的支持。這是必需的,我們需要得到整個公司的支持。我認為我們的成功是團隊合作的成功。高通是一家鼓勵每個人提出新想法的公司,而且它會為這些想法提供自由的空間與支持。
問:最后,您對其他發(fā)明者有何建議?
呂林:根據(jù)我的經(jīng)驗,有三條建議:樂享工作、堅持不懈和善于合作。樂享工作,自然會有積極性和創(chuàng)造力。然后,堅持不懈,有助于你提出好的想法并將其變成現(xiàn)實。最后,善于合作很重要,因為每個重大創(chuàng)新都需要多個團隊共同工作。我的團隊能取得如今的成績,離不開其他團隊的大量支持。
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(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)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(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)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(gòu)聯(lián)合提出SparseLoRA技術(shù),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。