CNET科技资讯网 5月23日 北京消息(文/周雅):滴滴滴,一声快速清脆的铃响之后,一辆摩拜单车被解锁了。这辆摩拜有点特别,在它的智能车锁里,藏着一颗调制解调器——来自高通。
今天下午,高通与中国移动研究院及摩拜单车合作,启动中国首个eMTC/NB-IoT/GSM(LTE Cat M1/NB1和E-GPRS)多模外场测试,通过中国移动的2G/4G多模网络,把高通MDM9206调制解调器应用在摩拜单车的智能车锁上。
熟悉共享单车的人都知道,摩拜单车可以在手机APP上直接开锁,省去了手动解锁的步骤,源于摩拜自主研发的专利智能锁,该锁集成GPS和通讯模块,加上物联网技术,可以直接与手机APP相连——平台上运营的逾450万辆智能单车都配备了这款智能锁。
而高通MDM9206是一款面向物联网的多模LTE IoT调制解调器,由高通2015年推出,支持全球多模,具有LTE连接,集成了全球导航卫星系统(GNSS)定位功能,那么这款调制解调器为何集成在一款小小的智能锁上?
1、正因为MDM9206的全球导航卫星系统定位功能支持GPS、北斗以及格洛纳斯,可以让单车用户更加精准地识别可用单车、加快智能锁开锁速度,并对单车状态持续监测、实时管理。
2、MDM9206的低功耗蓝牙解决方案,还计划被应用在摩拜单车的“智能推荐停车点”(sMPL)中,可实现亚米级定位,帮助摩拜单车实时掌握各区域内单车数量、位置及不同区域间的流量信息,为单车投放、调度和运维提供智能指引。
3、较前几代LTE产品相比,得益于面向物联网优化的窄带LTE技术,MDM9206可以为下一代物联网产品与服务实现对成本效益、低功耗、低带宽、长达数年的续航时间和更广覆盖,从而帮助像摩拜单车这样的物联网平台减少物联网终端的复杂性,并加快实现产品商用。
摩拜单车联合创始人兼CTO夏一平介绍,借助MDM9206,摩拜单车正构建全球最大的移动物联网系统之一。
目前摩拜单车已先后进入上海、北京、广州、深圳、成都、新加坡等超过80个国内外城市,450万辆单车每天产生5TB的出行数据,显然,共享单车已经成为物联网最重要的载体之一。
“截至目前,采用高通芯片的物联网终端出货量超过10亿。”高通技术副总裁李维兴表示,高通一直在加快全球多模LTE IoT蜂窝连接能力的部署。
关于多模LTE IoT,李维兴认为:
1、LTE窄带技术将推动物联网的发展:在窄带蜂窝物联网技术中,Cat-M1和Cat-NB1可以延长电池续航时间,降低复杂性并减少成本,应用面广泛;对比2G/GSM,LTE IoT可提供更优越的性能和电池续航。
2、Cat-M1与Cat-NB1相互补充:Cat-M1支持高可靠/关键业务型和低时延用例;Cat-NB1支持成本高效、时延不敏感、小数据量、深度覆盖用例,并支持2G向LTE IoT平滑迁移——Cat-M1和Cat-NB1两项技术相辅相成,有一定范围的交叉,同时也有不同的用户。把这两种技术集成到一个模块中,将在很大程度上节约成本,也将使产业链趋于完善。
3、像Cat-M1/Cat-NB1/GSM这样的多模技术,将支持像摩拜单车这样的物联网平台开发可在全球不同运营商网络中运行的物联网产品,实现产品全球覆盖的最大化和规模化。
中国移动研究院副院长黄宇红同样表示,局域物联网技术存在局限性,而低功耗广域网(LPWA)可以驱动窄带蜂窝物联网,具有超低功耗、超大连接、超强覆盖、超低成本的优势。且多模技术能满足客户广泛覆盖的需求。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。