亚洲规模最大的移动行业盛会——2018年世界移动大会-上海(MWCS 2018)正于6月27-29日火热持续中。英特尔通信与设备事业部5G业务与技术总经理Robert Topol在28日的明日运营商峰会和物联网峰会上分别做了主题演讲,分享了英特尔在5G方面的部署、合作以及在物联网和边缘计算方面的应用。
关于5G:现阶段规模比速度更重要
Rob Topol认为5G现阶段规模要比速度更重要,因为必须要建立完善的基础设施架构才可以使得5G取得长足的成功。打个比方,当人们在建房子时,首先是要布好管道和线缆,这种布线工作,很大程度上决定了你所建造房屋的规模能有多大。一旦所有管道和线缆建设完毕,已经埋进墙体或是钢筋水泥里之后,再想扩大规模就为时过晚了。
而我们要构建好网络基础架构就像建楼一样。在设计系统架构的时候,就要对未来消费者和企业行为需求的变化进行长足的考虑和预测。到了5G时代,无线网络需要连接数以亿计的智能“物”,如机器人、无人驾驶汽车、智慧医院、智能家居、互联工厂等。海量设备的连接,及其带来的海量数据的传输,要求我们在建造网络的时候就要充分考虑到位,以满足未来可能出现的需求。现在互联互通试验的目的就是为了做好这些管道架设和基础架构的建设。
过去几年,英特尔在世界各地做了非常广泛的多样化测试。比如:与Telstra电讯公司以及爱立信在澳大利亚做了一个支持电竞项目的5G无线网络测试;在爱沙尼亚通过5G连接来远程遥控挖掘机在工地上开展工作;和日本运营商DOCOMO公司在日本测试第一款5G车联网;与AT&T公司合作用5G 4K转播美国高尔夫公开赛;用无人机助力中国文化遗产长城的保护;与中国联通共同打造5G智慧体育馆等等。这些在真实环境下进行的测试为探索和验证真实世界的需求,从而为加速5G标准及商业解决方案的推进发挥了关键作用。
关于物联网:应用场景会随着用户行为的改变而改变
在谈到物联网的应用时,Rob Topol表示,“当5G大规模铺开时,物联网会再提升一个层次。物联网的应用场景会随着用户行为的改变而改变。每一次技术演进的频次、速度以及商业框架都决定了未来物联网应用的场景,究竟哪些才是前景最好的应用呢?我们需要去洞察用户的行为变化来寻找答案。举个例子,从一开始人们通过键盘打字,到后来有了触屏、再到后来出现了语音识别,再到未来可能会出现的氛围感应,用户的工具在不断提升,行为和需求也在不断变化,自然商业机会也会变化,相应地业务也需要做出调整。”
关于边缘计算:将出现更多细分市场
物联网的实现跟边缘计算也是分不开的。因为物联网的应用场景上需要更加靠近实际应用的地点,通过边缘计算来实现。边缘计算能力是一种虚拟化的概念,把云、网络进行虚拟化,之后像穿针引线一样连在一起,然后就可以放在云当中运行。随着未来越来越多的设备联入网络,应用场景会变得更广泛和复杂,边缘计算也将出现更多的细分市场,经过特定的技术测试,才可能去制定一个解决方案。同时边缘计算也对网络提出了更高的要求,从传统、固定功能的网络过渡到开放、可编程的云优化5G网络才能满足不断变化的应用需求和全新的运营模式。所以英特尔接下来希望加速人工智能所驱动的网络转型,推动更快速的创新,帮助运营商、传统制造业以及其他行业迅速拥抱新技术。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。