编者按:2018年8月底“THE NEXT下午茶”英特尔召集了AI和5G领域多位专家,包括:英特尔中国研究院院长 宋继强、英特尔中国区通信技术政策和标准总监 邹宁、东南大学移动通信国家重点实验室主任 尤肖虎教授、清华大学计算机系教授及博士生导师、人工智能专家 邓志东教授,通信世界总编辑 刘启诚和至顶网总编辑高飞也作为媒体专家共同相聚一堂,一次头脑风暴,一场产学研思想碰撞,品茶共叙AI与5G的乘法聚变,探讨IT与CT真正融合。
1837年,一封“上帝创造何了何等奇迹!”的电报,拉开了通信时代的帷幕。
1946年,计算机出现,人类处理数据的能力带来指数级的提升。
而在1969年,当计算能力、通信能力这两项技术首次握手,就为人类社会带来惊人的改变。 Arpanet网络(Internet的前身)的出现,将信息处理能力和通信能力连接,一个前所未有的互联网时代开始了。
在这之后,通信能力和计算能力的每一次融合,都带动了一个新产业的出现。
2003年,随着计算机的微型、可移动化技术发展和无线网络技术的进步,英特尔在笔记本电脑里加入无线芯片,迅驰笔记本发布,移动办公产业开始兴旺发展,在餐巾纸上写点子的创业者变少了,在星巴克里写商业计划书的人多了。
2007年,乔布斯掌舵的苹果 iPhone在通信设备里增加计算能力,直接催生出了手机应用商店,和移动互联网产业。
历史已经证明,每当计算与通信技术发展到一定阶段,两者就会产生一次技术融合。这不是简单的技术相加,而是融合聚变,创造出新的技术物种,创造一个全新的产业空间,如同之前的互联网和移动互联网。
虽然未来难以预测,但是有些事物已经出现苗头。与传统汽车相比,自动驾驶车辆就具备新物种的要素。
当车联网、自动驾驶、信息共享技术成熟,将AI驱动的汽车通过5G纳入到智慧交通乃至于智慧城市这个大的网络平台中,我们就看到了一个释放社会生产力的新物种,将大量的人类驾驶员从驾驶中解放出来。
我们简单做一个计算,假设每天上路5000万台汽车,其 5000万个驾驶员每天开一小时车,就是5000万小时。如果有了自动驾驶,这5000万小时折算后节省下来差不多5000年可以用于娱乐和工作。如果自动驾驶得到突破,会催生更多的无人系统,节省更多的人类时间。
5G网络作为基础设施,从为人服务到转变成同时为物服务,存在重大技术突破。AI技术既然是基本使能技术,几乎在每一个领域都可以找到AI的应用,在5G领域同样如此。
不同于过去2G到4G时代重点关注移动性和传输速率,5G不仅要考虑增强宽带,还要考虑万物互联、未来需求多样化、关键技术多样化、演进路径多样化等多个维度。5G需求也变得十分多样化,技术和演进路径自然也复杂了很多倍。
当前运营商网络复杂度越来越高,数据的流量呈爆炸性的增长,用户流量爆炸性增长,现有的网络设备没办法满足用户的数据爆炸。因为网络复杂度增加,运维、网络建设成本都大大增加了。尤其5G不仅是连接人与人,而且是连接物与物,现有的网络维护和管理方式还是人工干预的方式,已经没有办法适应5G时代网络的需求。
因此5G需要“自能”化的管理。自主的进行连接路径选择、自动的进行网络连接健康状态分析,甚至是对已知故障自己进行修复的能力等等。利用AI的自主学习、数据分析等技术特长,赋予5G“自主”、“自能”的能力。
5G从边缘到云端的连接是迄今可以遇到的最理想的连接。通过5G的连接,将决策、规划部分放到云端处理,从边缘端到云端加倍赋能,让AI的算法有能力提取出相应的关联并提升自己;个体得到提升之后,通过5G网络和云端大脑,能力将快速分发到其他个体。
还以自动驾驶为例:汽车只是一个智能节点,它会与智慧交通甚至智慧城市的AI通过5G进行连接。汽车的行车路线规划、时速、启停均可受到智慧交通的AI统一管理。车辆传感器会将行车过程中的路况信息及时与智慧交通AI进行同步。当有紧急或意外情况发生时,车辆AI主动进行控制,同时向智慧交通AI实时进行汇报,以便等候进一步的处理指令。而智慧交通AI则会向其它相关自动驾驶车辆进行信息同步,并产生进一步的自动控制。
也就是说,AI与5G结合之后,机器将产生类似于群体智慧的能力,对整个社会带来价值。也将催生网络本身自适应能力的要求,这是一个互促式、螺旋式发展的新机会。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。