现在人们已经对现代蜂窝通信连接的高速度习以为常 – 但在高速传输的背后却隐藏着无数创新和花费大量时间的研发工作。高通技术公司工程技术高级总监Kiran Mukkavilli博士亲身参与相关工作,也了解其中的艰辛。他提出了正交频分复用(OFDM)无线电波形的一些基本想法,这有助于如今深受我们喜爱和依赖的高速无线数据传输成为可能。OFDM是4G和5G的核心技术,也是现代无线技术最重要的领域之一。
Mukkavilli博士在高通工作近二十年,他的研究领域涵盖3G、4G、5G和MediaFLO(高通的首个移动广播技术),以及地面定位技术的多个方面。他领导整个高通技术公司的定位研发工作,目前正在从事5G Advanced相关研究工作,这将为6G奠定基础。
最近我们采访了Mukkavilli博士,谈到他在OFDM、MediaFLO领域的工作,以及6G最让他兴奋的地方。

在通信领域,我们经常听到“OFDM”一词。您能解释一下OFDM究竟是什么吗?
OFDM (orthogonal frequency-division multiplexing) 表示“正交频分复用”。其基本想法是,通过巧妙的物理学方法和精准的定时,可以同时在相同通信链路中重叠多个不同的子载波或无线电波,并通过不相互干扰的频率将其分开。得益于这一革命性想法,从3G时代开始的大规模扩展蜂窝通信网络容量成为可能。OFDM成为4G和5G网络高速通信的基础,蜂窝基站和手机调制解调器利用经OFDM调制的无线电波彼此通信。

您能分享一下您早期的OFDM相关工作吗?它对当今的蜂窝通信有何影响?
我刚在高通开始职业生涯时就从事了这一项目,当时全世界都在关注从3G向4G过渡。曾有早期项目研究过OFDM,以及如何用它支持不同应用。当时我们正在研究如何在手机上实现移动广播,也就是向一个网络中的所有用户进行广播。我们知道OFDM是可行的途径,但有许多问题要回答和解决。
在该项目中,针对在移动无线系统中使用OFDM,我们开发了一套系统的方法,并提供了解决多个基础性挑战的方案。例如,我从设计导频信号入手,了解无线链路特性,包括信号传播路径的数量和每个路径的强度,这被称为信道估计。实现良好且保持更新的信道估计对于在无线信道上支持数据传输的高速率至关重要,而导频信号则用于估计随时间不断变化的无线信道。
我提出了基于周期性配置和在频率和时间上导频符号参差的导频设计,这成为基于OFDM的4G和5G蜂窝通信系统中的基本结构。然后,我们在5G中进一步扩展导频设计,根据用户环境和移动性状况,动态适应导频模式——例如,用户是在人行道上慢慢行走,还是乘坐汽车或火车等高速交通工具。这绝非易事,但高通经常攻克这样的难关,我们齐心协力,最终成功解决问题。
MediaFLO是您在高通的早期项目之一。您可以向我们介绍一下这个项目吗?您从中学到了哪些后来对您职业生涯有帮助的技能?
我在职业生涯开始时遇到的第一个项目,是一个极为理想的项目。MediaFLO是高通全面设计并实地部署的移动广播技术。大约每六个月左右,随着项目进入设计、原型化、测试、对接厂商、合规等不同阶段,我就会有不同的身份。这也是我首次接触地面定位领域。
这个项目的基本想法是,我们也可以将OFDM广播信号用作增强GPS定位的一种自然方式。 定位增强的直接应用,可以是Uber司机想在市中心找你,但GPS定位却因高楼大厦而遇到困难。为了实现这一想法,有许多挑战要克服,如信号干扰、定时偏差和多路径信号衰减等。最终,我们找到了将上述全部约束条件考虑在内的解决方案,它成为4G和5G定位的前身。这个项目教会了我如何把控此类大项目所涉及的各方面因素,以及如何适应各种挑战。
对于5G Release 18和展望6G,您对哪些用例感到最兴奋?
对于5G Release 18,在这一阶段我们开始将一些面向6G的构建模块组合起来,包括面向无线的人工智能/机器学习(AI/ML)、子带全双工和无源物联网(passive IoT),这令人非常兴奋。我们还将研究智能表面,我们可以修改周围的环境并让其有利于满足我们的需要。我们可以说,“发射机在这里,用户/接收机在那里 — 环境应该呈现何种形式,才能让两者之间的链路能够实现最佳效果?”这将是颇有吸引力的6G设计范式。
您对学生或其他大有前途的发明者有何建议?
我的一位教授以前经常告诉我,对项目尽早投入时间和精力非常重要,这样会全面了解问题,并确切地知道你在解决什么问题。这在当今工作环境中甚至更重要:每天我们遇到如此多需要解决的问题,这很容易稀释我们的关注重点。但是我们可以每次选择一个问题,让问题占据你的全部精力,再竭尽全力解决问题。
好文章,需要你的鼓励
Adobe研究院与UCLA合作开发的Sparse-LaViDa技术通过创新的"稀疏表示"方法,成功将AI图像生成速度提升一倍。该技术巧妙地让AI只处理必要的图像区域,使用特殊"寄存器令牌"管理其余部分,在文本到图像生成、图像编辑和数学推理等任务中实现显著加速,同时完全保持了输出质量。
香港科技大学团队开发出A4-Agent智能系统,无需训练即可让AI理解物品的可操作性。该系统通过"想象-思考-定位"三步法模仿人类认知过程,在多个测试中超越了需要专门训练的传统方法。这项技术为智能机器人发展提供了新思路,使其能够像人类一样举一反三地处理未见过的新物品和任务。
韩国KAIST开发的Vector Prism系统通过多视角观察和统计推理,解决了AI无法理解SVG图形语义结构的难题。该系统能将用户的自然语言描述自动转换为精美的矢量动画,生成的动画文件比传统视频小54倍,在多项评估中超越顶级竞争对手,为数字创意产业带来重大突破。
华为诺亚方舟实验室提出VersatileFFN创新架构,通过模仿人类双重思维模式,设计了宽度和深度两条并行通道,在不增加参数的情况下显著提升大语言模型性能。该方法将单一神经网络分割为虚拟专家并支持循环计算,实现了参数重用和自适应计算分配,为解决AI模型内存成本高、部署难的问题提供了全新思路。