
微信、qq、twitter...人们交流方式从单一的语音沟通,扩散到各式各样的社交软件中,这种改变,对于运营商未来的发展而言无疑成为了一种考验,也带来一系列问号:未来运营商的用户需求来自于哪里?运营商要做何改变以获取更高盈利?运营商的下一个红利在哪?在HCC2015上,华为运营商BG的ICT首席技术官王纪奎教授做出解读——运营商急需数字化转型。
为什么做数字化转型?
王纪奎教授指出,运营商之所以要做数字化转型,源于对收益、竞争和用户需求三个角度的考量。
运营商的红利阶段从最初的人口红利,逐渐转向流量红利、信息红利,当这几个阶段慢慢过去之后,就要从数字化转型的过程中寻找云服务、数据服务提供给客户获得收益。
同时,来自于OTT的各种竞争,语音和信息业务急剧下滑,运营商需要寻找新的增长点。
第三,用户的需求从传统的需求变成ROADS模式(Real-time、On-demind、All-online、DIY、Social),需求越来越明显,要求运营商提供数字化的业务来满足。
这是一个长期过程
“在运营商转型的过程当中,最大的挑战是,他的业务能力到底适合哪些行业,他能推出的应用适合哪些行业,能不能卖更多的钱。”王纪奎教授说道。
再者,生态系统能不能建好、系统层面能不能变成自动化的灵活的方式、底层的网络架构和基础设施架构怎么设计规划同样重要。而运营商在未来的组织架构、人才体系能不能跟上也很关键。
基于此,华为形成了一套架构体系,从四个维度帮助运营商数字化转型——网络重构、使能平台层、生态系统构建、合作模式。
不过这是一个长期的过程。王纪奎教授站在华为的角度上看,在网络带宽领域,从研发投入,3G、4G、5G、固网的增加带宽、接入能力方面做研究,最终希望帮助运营商真正做到增速降费。
下一个红利在哪?
华为有4个红利的思路,运营商最开始是人口红利,那时候网络没有那么多,网络覆盖随着用户数的增长而增长,每个运营商的每用户平均收入值差不多,这个阶段,运营商的收入主要靠的是不断增长的用户数。
而现在,中国有13亿以上的移动用户数,人手一部甚至是2部手机,人口不再占优势,运营商逐渐转向数据套餐,走的是流量。
到了流量红利。语音收入慢慢下滑,短信越来越少,流量增长带来了新的收益。在这个阶段的特点是,运营商的用户数有足够的规模,流量会越来越多,获得流量的收益会越来越大。
第三个阶段也是运营商正在尝试做的方面,就是如何让大数据发挥价值。王纪奎教授指出,运营商可以利用数据资源挖掘很多有用的价值,提供给行业客户,从而让数据产生价值。但是,这些价值现阶段大家没有看到那么多。
具体而言,运营商的数据资源来自于用户的位置信息、用户自己的套餐、家住在什么地方、多长时间在什么地方、用什么手机用什么网,自己有什么社交软件的访问、爱好等等,这些价值往往是行业客户最需要的。
这些产生出来的价值被放到运营商的新业务领域里,比如说云相关的业务,结合对企业和行业的大数据分析,同时提供应用层的服务,从而被定义为数据红利阶段。在这个阶段中,运营商所做的,主要是如何让大数据变现,也让企业客户提供服务。
但是现阶段很多运营商没有达到大数据服务的模式,大部分还在尝试中,这个阶段运营商希望把数据变现提供各种服务。
最后一个阶段是信息红利阶段,运营商在数字化转型的过程中,自己提供数字化服务的能力。这个时候,有些运营商采取和合作伙伴提供生态链的方式,有些运营商自己提供医疗健康、教育、安全、政府相关的服务,还有些运营商和第三方合作提供服务。
总而言之,行业里未来的方向或多或少为运营商的方向创造了条件,结合物联网等新技术,运营商有更大的空间,挖掘有优势的应用服务和信息服务,这是信息红利的重要保障。
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。