虽然6G网络的精确技术定义距离确定还有一段时间,但显而易见的是,6G网络部署面临的最大挑战之一将是其高频频谱固有的覆盖限制。为了解决这个问题,诺基亚和罗德与施瓦茨联手创建并测试了一款使用人工智能技术的6G无线接收器,旨在克服潜在的限制。
这家全球通信技术提供商和测试测量公司对他们的研发成果充满信心——即采用机器学习的AI驱动接收器技术——能够大幅提升未来6G覆盖范围,实现成本节约并加速产品上市时间。
从核心技术基础来看,该AI技术旨在识别和补偿无线信号中的失真,从而大幅改善6G上行链路覆盖。
具体而言,接收器中的机器学习功能旨在大幅提升上行链路距离,增强即将到来的6G网络覆盖范围。这将帮助运营商在现有5G覆盖范围基础上部署6G,降低部署成本并加速产品上市时间。
诺基亚贝尔实验室开发了这款接收器,并使用罗德与施瓦茨的6G测试设备和方法进行了验证。两家公司表示,他们在真实环境条件下测试了这款AI接收器,与现有接收器技术相比,上行链路距离改善幅度达到10%至25%。
测试平台包括一台R&S SMW200A矢量信号发生器,用于上行链路信号生成和信道仿真。在接收端,采用了罗德与施瓦茨的FSWX信号频谱分析仪来执行诺基亚AI接收器的AI推理。
除了增强覆盖范围,两家公司还指出,该AI技术还展现出改善吞吐量和功率效率的能力,为6G时代带来了多重收益。
在评估该项目工作时,诺基亚贝尔实验室核心研究部门总裁Peter Vetter表示:"未来6G部署面临的关键问题之一是6G高频频谱固有的覆盖限制。通常情况下,我们需要建设更密集的网络,增加更多基站来克服这个问题。然而,通过提升6G接收器的覆盖能力,AI技术将帮助我们在当前5G覆盖范围基础上构建6G基础设施。"
罗德与施瓦茨频谱和网络分析仪、EMC和天线测试副总裁Michael Fischlein补充道:"罗德与施瓦茨很兴奋能与诺基亚合作,共同开拓AI驱动的6G接收器技术。凭借超过90年的测试测量经验,我们拥有独特优势来支持下一代无线技术的发展,使我们能够在这个关键的预标准化阶段评估和优化AI算法。这一合作建立在我们悠久的创新历史基础上,展现了我们对塑造6G未来的承诺。"
与罗德与施瓦茨的合作仅仅在诺基亚宣布与英伟达建立战略合作伙伴关系一周后进行,该合作旨在将前者的AI驱动RAN产品添加到诺基亚的RAN产品组合中,使通信服务提供商能够在英伟达平台上推出AI原生的5G Advanced和6G网络。
通过他们的AI-RAN系统,诺基亚和英伟达确信移动运营商能够提升性能和效率,同时为未来的生成式AI和智能体AI应用及体验增强网络体验。他们将能够使用相同的基础设施为6G引入AI服务,为需要边缘连接、计算和传感的汽车、机器人、无人机以及增强现实和虚拟现实眼镜等数十亿新连接提供支持。
Q&A
Q1:诺基亚和罗德与施瓦茨合作开发的AI驱动6G接收器有什么特点?
A:这款AI驱动的6G接收器采用机器学习技术,能够识别和补偿无线信号中的失真,大幅改善6G上行链路覆盖。在真实环境测试中,与现有接收器技术相比,上行链路距离改善幅度达到10%至25%,同时还能改善吞吐量和功率效率。
Q2:为什么6G网络需要AI技术来解决覆盖问题?
A:6G网络使用高频频谱,存在固有的覆盖限制问题。传统解决方案需要建设更密集的网络和更多基站,成本高昂。AI技术能够通过提升接收器覆盖能力,帮助运营商在现有5G覆盖范围基础上部署6G,降低部署成本并加速产品上市时间。
Q3:这项6G接收器技术对未来通信行业有什么影响?
A:这项技术将帮助移动运营商提升网络性能和效率,为未来的生成式AI和智能体AI应用提供更好的网络体验。同时能够为汽车、机器人、无人机、增强现实和虚拟现实眼镜等数十亿新连接设备提供边缘连接、计算和传感支持。
好文章,需要你的鼓励
Python通过PEP 810提案正式引入惰性导入功能,允许程序延迟加载导入库直到实际需要时才执行,而非在启动时全部加载。该提案由指导委员会成员Pablo Salgado于10月3日提出并于11月3日获批。新功能采用选择性加入方式,保持向后兼容性的同时解决了社区长期面临的启动时间过长问题,标准化了当前分散的自定义解决方案。
蒙特利尔多机构联合研究团队通过AInstein框架首次大规模验证了大语言模型的科学推理能力。研究使用1214篇ICLR论文测试AI提取研究问题和生成解决方案的能力,发现顶级AI模型成功率达74%,能够提出创新性技术方案而非简单模式匹配。研究证实AI具备真正的科学推理能力,但也揭示了其对问题表述敏感、推理稳定性有限等局限性。
Valve最新Steam硬件软件调查显示,Linux用户占比达到3.05%,较上月增长0.37个百分点,相比去年同期增长约50%。游戏网站Boiling Steam分析显示,Windows游戏在Linux平台兼容性达历史最高水平,近90%的Windows游戏能在Linux上启动运行,仅约10%游戏无法启动。
这项研究提出了MADPO方法,解决了AI训练中的"一刀切"问题。传统方法对所有训练案例使用相同强度,导致简单案例过度学习、复杂案例学习不足。MADPO通过两步训练:先评估案例难度,再据此调整学习强度,实现"因材施教"。实验显示该方法在不同质量数据上均有显著提升,最高达33.3%,为AI精细化训练提供了新思路。