科技行者 7月22日 北京消息:在上一篇文章中,我们提到了边缘网络时代生存的方法,讨论了边缘网络智能化的发展趋势。随着5G 等最新无线网络技术使得通信容量得到进一步提升,这种新型基础设施将有力推动创新应用的开发。此类应用大多采用高频活动模型,例如视频或传感器,其活动通常由设备自行发起,并产生大量跨网络移动的数据。据思科最新的可视化网络指数(VNI)预测, 2017 到 2022 年,全球移动数据流量将增加 6 倍,或相当于以42% 的年增长率增长,网络性能升级成为大势所趋。
无线卸载
存在密集的无线连接的网络该如何应对带宽和连接方面的巨大挑战?解决方案之一便是无线卸载。无论是拥有1,000 名顾客的大型零售商店,还是容量达 60,000 坐席的体育场,亦或是容纳 200,000名与会者的会议中心,所要传送的数据量都是巨大的。通过无线方式传输数据的成本在容量上已经达到了一个临界点,而这推动了通过有线 网络分流的传输需求的发展。这一趋势还对边缘网络的性能提出了更高的要求,以满足用户对高性能连接和低延迟反应时间的体验需求。
全新的性能需求
先进的无线接入技术加速了 5G 和 Wi-Fi 6 的部署,包括采用 MIMO 和更高的频谱技术。然而,不断出现的设备和新应用很快就会消耗掉所提供的容量。实际上,提供大带宽介入正是界定多千兆速率以太网的一个主要因素。这种新的性能需求将影响所有的网络层级,促使上行链路提高端口速度,以处理增加的访问带宽。此外,堆叠链路的容量也会提升,从而促进高效的端口部署,以及帮助应对附加客户端的增长。
网络容量的增加推动高带宽应用的发展,支持新兴的实时应用以及网络上并发活动设备的扩展。然而,颇具讽刺意味的是,由此形成的趋势和未来的创新动向又将继续对网络性能提出更高的要求。
性能是本系列文章所讨论的第二部分,该系列文章介绍了随着移动和云应用程序的激增以及网络功能从核心向边缘转移,不断发展的无边界园区所需要的基本技术。遥测面临的挑战和洞见将在接下来的边缘网络时代生存的方法中进行探讨。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。