科技行者支持,以分享创业者的创新故事。
基站部署是普及移动通信技术的必经之路,但到了5G时代,运营商部署基站却迎来了难题。
来“补盲”。
等不同类型,具有部署灵活、施工简单、扩容简单、管理和运维便捷的优势,比如在高铁、老旧居民区改造、大型酒店等已经装修好的场景,如果再建宏基站,选址就会比较困难,而小基站可以发挥它的作用;另外,在大型写字楼、大型赛场、机场、高铁车站等人流多的地方,小基站能够解决除通话以外的其他需求,如果单纯用宏基站覆盖,成本难以承受。
”
公司成立两年多以来,极芯通讯推出了全球第一颗支持O-RAN标准的5G基站数字前端芯片——梅里UC1040,以适应5G多应用场景下的定制化需求,据官方称“UC1040已经被大多数小型/微型基站设备制造商所认可和采用”。
>
科技行者:极芯通讯成立于2019年,当时成立的契机和缘由是什么?
来支撑。我们就是在这样的大环境下创建了公司。
科技行者:这时候我就很好奇,极芯这个名字的由来。
。
科技行者:物理极限和极致体验,这就蕴含了一个企业愿景。
徐国鑫:对。
科技行者:公司成立两年多以来,目前主要成果如何?
徐国鑫:我们经过两年努力,已经推出了第一款芯片「梅里UC1040」,是专门用于5G基站的射频单元的一个关键芯片。在传统上都是通用器件来搭建,在功耗、成本和性能上都满足不了小基站或基站的需求,而梅里UC1040把整个射频单元里最重要的核心芯片解决了,能够让整个射频单元的成本、功耗和性能有大幅度的提升。
科技行者:接下来我想了解技术性问题,我们知道基站有不同的规模,比如宏基站、微小站,这些基站各自占一个什么比例?分别适用什么场景?
徐国鑫:5G的整个特色是各种应用场景非常广泛。宏基站主要是解决了大规模覆盖的问题,我们在室外很多地方都能够无缝通信。但同时,5G其实也可以做到精细化覆盖,比如室内、医院、工厂等这些需要有特殊覆盖环境的场景,传统的宏基站无法支撑,所以就得有一些特色的基站来支撑。
科技行者:5G对这一产业发展构成了哪些直接和间接影响?
。
科技行者:目前制约微小站发展的市场痛点和阻碍是什么?
微小站目前还处于孕育期。
都需要有一个新模式。
这时候就催生了很多新的基站形态,比如室内覆盖的基站、小基站、一些行业应用基站等,行业正在呼吁这样的解决方案。
科技行者:极芯是早早就看到潜力然后去布局。
芯片开发的周期通常在两年左右,所以一定要预判到未来的市场和产业环境,再开发自己的芯片。
科技行者:您刚刚提到生态,任何一项技术的发展都离不开生态的共建,极芯此前跟GSMA有过接触和了解,您对于未来与GSMA的合作有什么期待吗?
徐国鑫:GSMA是一个全球性组织,5G也是一个全球化标准,所以GSMA平台对我们来说是一个非常好的合作伙伴,这个平台可以解决中国和全球设备商的痛点问题,这是我们期待
与GSMA深度合作的原因,另外,我们有一个更大的期望,能够做到国际化,建立更好的生态。
科技行者:个人感觉市场的一个现状是,相比IT互联网行业,通信领域的创业公司数量偏少,您觉得这个领域的创业创新规律,与IT互联网有何不同?
,比如移动通信从第1代、第2代、第3代、第4代到现在的第5代,需要有历史积累,这是非常大的门槛,所以不仅仅说我们要解决当前的问题,还要解决很多历史问题,所以历史积淀很重要。
科技行者:看来历史积累和生态合作,是通信行业的黄金法则。最后,作为芯片公司,您怎么看待目前的缺芯问题?
。第一是整个市场对信息技术的需求暴涨,这时候就需要更多的芯片;第二,像新能源汽车这类的新需求出现,也需要更多的芯片来支撑;第三,很多产业的恐慌性备货,加剧了产能的紧张程度;第四,产业链的升级或产业链的重构,也会加剧这一问题,传统的厂商在生产备货,新的厂商又挤进来,更加剧了产能的紧张。
缺芯问题应该在两年左右可以解决。
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。