
科技行者 8月28日 北京消息(文/Miss Zhou):“4G改变生活,5G改变社会”,而工业就是社会经济的重要组成部分,5G究竟将如何赋能工业互联网?高通公司产品管理副总裁Reiner Klement在日前举行的2019中国国际智能产业博览会第二届工业互联网高峰论坛上表示,5G将为工业制造带来全新机遇,而高通正在拓展5G在工业互联网领域的行业合作。
▲ 图:高通公司产品管理副总裁Reiner Klement发表主题演讲
根据IHS《5G经济》报告预测,到2035年,5G在以下5个行业的全球经济产出将高达5万亿美元,包括制造业、交通运输业、建筑业、公用事业和采矿及采石业。Reiner Klement认为,5G时代下,工业互联网的诸多应用场景可实现巨大发展,包括集装箱码头、炼油厂、制造业、建筑业等。如果我们仔细研究这五个行业,就会发现这些行业的增长都与工业互联网的发展存在非常密切的关系。”
以集装箱码头为例。港口作业中的每一个部件和环节都会构成一个网络,再通过工业互联网进行连接,从而形成一个智能化系统,实现统一管理。同时,借助云计算、大数据等新兴技术,可以对货物进行追踪管理,并对货物的装卸进行全流程监控。最关键的是,这些货物在运输过程中会与包括货主和用户在内的目标群体,进行直接的通信联系,海岸警卫队和海关也可以对这些货物进行不间断的跟踪。如此一来,这就对通信网络提出了更高需求。
除了以上五个行业之外,Reiner Klement认为,工业机器人行业也是工业互联网未来一大应用——因为在工业应用场景下,所有的生产环境都将处于监控和自动化的场景下。
Reiner Klement特别强调,当我们在设计工业互联网的时候,要考虑到5G可以提供的新功能,包括可靠的专用网络,面向本地的服务优化,以及无线连接的可扩展性;而在规划5G当前的发展路线图时,也需要注意更多的因素,包括私有5G网络,许可、共享和免许可频谱的问题,超可靠低时延通信(URLLC),以及时间敏感网络(TSN)和定位等等,以满足工业互联网的要求。
首先从设计工业互联网的角度看,5G对于工业互联网的赋能主要体现在三个方面:连接、安全和计算。在网络端,我们可以建设面向未来的、统一的5G网络系统,这种网络具有可拓展的容量,更加可靠而灵活,可以面向无线工业以太网;在设备端,5G可以结合计算机视觉和人工智能技术,把数据处理能力和自动化的水平提升到一个更高的程度。
其次,从规划5G的发展路线图看,5G NR私有网络技术对于工业互联网至关重要。5G NR的主要特点是带来优化(优化私有LTE网络)、专用和安全,它专为工业应用而设计,本地网络易于部署且可被独立管理,其蜂窝级的安全性也可将敏感数据保存在本地;另外,5G NR私有网络有多种频谱选择,包括移动运营商拥有的许可频谱,可支持同步共享的专用频谱、异步共享的免许可频谱,以及同步共享的免许可频谱等,可以为工业互联网提供强劲的助力。
Reiner Klement介绍了高通近期为推动5G和工业互联网领域发展所做的工作。目前,高通为工业互联网建立了5G测试平台,以推动和跟踪标准的进度,同时用于演示新的工业互联网的功能(如CoMP、eURLLC和TSN),并用来验证5G在工业互联网方面的应用。
比如高通在2019巴塞罗那世界移动通信大会(MWC)期间演示的5G新空口协作多点(CoMP)技术,正是5G在工业互联网的一个用例。5G CoMP是实现增强型超高可靠、低时延通信(eURLLC)进而满足服务需求的必要组成部分,能在5G NR空中接口测试中实现最高可达99.9999%的高可靠性;在频谱共享应用方面,5G CoMP支持多个部署共享同一频谱,以提高频谱利用率。
“高通围绕5G在工业互联网领域不断拓展行业合作”,Reiner Klement说道,在2019年汉诺威工业博览会上,高通携手生态系统其他厂家推出了十多项基于5G的应用场景,展现了全新工业互联网应用。
未来,高通还会将5G技术深入应用到更多工业互联网领域,不仅可以服务当今大量行业应用,也将带来更多的可能性,例如无线工业互联网,以及为工业互联网提供多种频谱选择等。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。