6月28日,2023 MWC上海盛大开幕。高通公司首席商务官Jim Cathey在GTI国际产业大会期间,发表主题为“5G+AI赋能数字未来”的演讲。演讲全文如下:

下午好,很高兴再次来到上海,也很荣幸能参加今年的GTI峰会。当前,我们正快速迈向人与万物智能互联的世界。高能效处理、分布式智能和网络边缘侧连接的融合正在推动这一趋势,使得数十亿智能终端能够实时连接至云端,也可以与彼此相连。同时,这一趋势正赋能全新服务、商业模式和体验,不仅助力行业数字化变革,而且改变了人们工作、生活、沟通和联系的方式。
5G对于数字未来至关重要。5G的开启恰逢其时,它出现在疫情前,实现在AI发展的初期,并且为未来的6G打下了坚实的基础。5G具有出色的性能、可靠性和容量,是数字经济的关键基础设施。
在中国,面向5G带来的全新机遇,高通与生态系统中的企业开展合作。为了更好地把握这些机遇,我们联合地方政府和合作伙伴建立了五个5G联合创新中心;我们也正在开展毫米波技术方面的合作,这一技术是实现5G终端、网络和服务全部潜力与价值的关键。5G的大规模部署预计将对全球经济增长产生重大影响。在中国,预计到2035年,5G将创造10万亿元的经济总产出,并支持1300万个新的工作岗位。

为了将5G扩展至更多行业,高通正与中国移动等行业领军企业合作,推动5G Advanced演进。5G Advanced是5G标准的第二阶段,它将带来赋能全新行业、用例和体验的增强功能与特性,包括AI驱动的系统设计、针对XR的全新优化和面向更低复杂度物联网终端的NR-Light(即RedCap)。高通也在研究通往6G之路的全新技术和功能。为了确保互操作性和可扩展性,我们需要全球统一的6G标准,这对移动行业的发展和成功至关重要。
AI是另一项对数字未来至关重要的技术,赋能终端感知、传感和更自主的运行。随着网联终端数量和数据流量不断加速增长,将所有内容传输至云端处理是不可行的。为了规模化扩展AI,在终端侧集成AI处理至关重要。大家或许没有意识到,但AI已经被应用于智能手机,并且几乎触及智能手机体验的方方面面——从影像到调制解调器及射频性能,再到恶意软件检测。
在终端侧运行AI还能带来众多益处,比如更高的即时性和可靠性、更个性化的体验和更好的隐私保护。当前,我们正将这些功能扩展至PC、物联网终端、汽车和XR头显设备,为这些丰富的消费类产品带来更强大的智能。
大语言模型和生成式AI是目前的一大趋势。随着这些模型被加速应用,仅在云端运行模型将变得不切实际,因为产生的数据规模庞大,且数据中心的基础设施、电力和维护要求成本高昂。基于终端侧智能,高通正在推动向混合AI架构的必然转变,即在边缘侧终端和云端之间分配AI工作负载,支持实现高度优化且高效的AI处理。高通相信,混合AI架构将在使AI大语言模型实现全部潜能方面发挥重要作用。

5G与AI的结合,正为各行各业带来创新机遇。在工业领域,更强的自动化控制能力、预测性维护和数字孪生等技术,正在推动向工业4.0转型。中国在推动5G工业应用方面的举措令人印象深刻,尤其是未来五年内建设超过1万个5G工厂的计划。在汽车领域,当前汽车正成为“车轮上的联网计算机”,集成了先进的处理、智能和连接能力。中国的汽车制造商正处于汽车数字化转型的最前沿,已经推出了支持5G和C-V2X的量产车型。
高通已植根中国发展近30年。多年来,我们一直与包括运营商、终端制造商、应用开发商在内的中国移动生态系统保持密切合作,支持他们持续增长。令我倍感自豪的是,高通已经与中国众多企业建立起牢固的关系,致力于持续合作,帮助中国加速实现数字未来。
谢谢大家,也欢迎大家继续关注本次大会的其它环节。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。