午夜神马影院-日本天堂在线-国产精品777-奇米影视亚洲春色-天堂8中文-日本在线观看一区二区-天天干天天操天天插-国产精品女同-色骚综合-四川一级毛毛片-99在线看-国产极品久久-波多野吉衣毛片-婷婷在线综合-欧美视频成人-亚洲影视一区二区三区-国产精品久久久久久久一区二区-国产精品9191-污污免费观看-日本三区在线

6月24日，2026世界移動通信大會（MWC）上海正式拉開帷幕，在當天下午舉行的GTI國際產業大會上，高通技術公司工程技術高級副總裁Edward Tiedemann發表了題為《AI原生的6G：構筑智能時代的基礎設施》的演講。

Edward Tiedemann表示，我們正處于AI真正進入落地階段的時代。他指出，高通的6G愿景圍繞三大核心基石展開，首先是連接，也就是提升在空口上數據的傳輸能力，這也是高通在過去幾代移動通信技術發展中一直在做的事情；第二個領域是廣域感知，這一領域蘊含著潛在的新興機遇，其發展很大程度上源于對無人機等目標探測需求的驅動；第三個領域是計算，這里所說的計算涵蓋各種形式，包括AI計算。

此外，在AI飛速發展的當下，用戶界面（UI）正經歷變革。在全新的用戶界面中，AI將深度融入各類應用，以全新的交互方式帶來體驗革新。值得一提的是，高通多年來一直在調制解調器及射頻系統中集成AI處理器，并在此基礎上開展了大量AI相關處理工作。Edward Tiedemann在演講中分享了高通目前正在開展的工作，以及在技術層面所面臨的挑戰。

在Edward Tiedemann看來，思考如何以最優的方式管理網絡，是未來極具價值的發展機遇。他提到，高通Edgewise套件目前為多家運營商提供RAN管理服務，包括各類參數的處理與優化、理解參數間的耦合關系，并能跨不同廠商操作，還能夠為網絡運營商提供一致的操作。與此同時，他認為能否利用和學習用戶的意圖是對未來網絡發展具有重要意義的方向。雖然最終的落地方式仍有待確定，但關鍵在于如果網絡能夠提前規劃并提供滿足需求的服務。

在演講的最后，Edward Tiedemann分享了高通在感知相關領域的最新進展。目前業界最為關注的核心問題是能否探測無人機，特別是那些未按預期運行、比如未處于預定飛行區域的設備。此外，他還闡述了構建網絡數字孿生的技術演示，通過建立一個真實的網絡模型，精準反映當前網絡中的傳播狀況，并基于這一模型實現優化。他特別提出，要完全實現這些愿景，仍有大量工作要做，但這代表了未來的發展方向，也就是如何利用感知類工具與大量的AI優化技術，以充分提升網絡性能。

以下為演講實錄：

大家好！非常高興來到上海參加本屆GTI國際產業大會，并再次體會這座城市卓越的建筑風貌——從外灘的Art Deco風格建筑，到其對岸宏偉的現代摩天大樓。但今天，我還想在此追溯另一段歷史。大約在70年前的一周前，發生了一件意義重大的事件——達特茅斯會議，這場會議由多位洞察深遠的思想家發起并參與，真正開始構建AI的框架。

70年后的今天，我們正在見證當初那些構想所結出的碩果。盡管行業在這些年的發展中經歷了起伏，但我認為，我們現在已經進入了一個AI真正進入落地階段的時代，這主要歸功于兩點：首先是強大的處理能力，當今的處理和半導體技術已經發展到足以支持海量運算的水平；其次是對模型理解的全面成熟，尤其是基于Transformer架構的大型語言模型，而ChatGPT正是其具象體現，這類模型采用的是生成式預訓練變換器（Generative Pre-trained Transformer）架構。

如今，我們面臨的挑戰在于，如何整合這些AI技術，以及它們將對行業帶來怎樣的影響。接下來在討論6G時，我將從高通的視角，談談我的看法。高通的6G愿景圍繞三大核心基石展開。首先是連接，也就是提升在空口上數據的傳輸能力，包括路由處理，以及各種外設功能，如安全功能、服務質量等。目前來看，3GPP已經在穩步推進了。這也是高通在過去幾代移動通信技術發展中一直在做的事情。

我想重點分享的第二個領域，是廣域感知。這一領域蘊含著潛在的新興機遇，其發展很大程度上源于對無人機等目標探測需求的驅動。第三個領域是計算，這里所說的計算涵蓋各種形式，包括AI計算。此外，正在邊緣側發生的變革同樣值得關注。更貼近用戶、場景和現實世界的計算任務可以在邊緣側完成，更大范圍的知識與推理任務可以部署于云端，根據實際需求還可以在運營商管理的邊緣云中處理部分工作負載。

接下來我想與大家進一步探討的是，在AI飛速發展的當下，用戶界面（UI）正經歷哪些變革。未來的交互方式，將不再是我們掏出手機、敲擊鍵盤、聆聽語音提示或注視屏幕，而是轉向更具交互性的體驗。當前，這一趨勢已有所顯現，例如去年推出的豆包AI手機等產品便體現了在這一領域的探索。在全新的用戶界面中，AI將深度融入各類應用，以全新的交互方式帶來體驗革新。

值得一提的是，高通多年來一直在調制解調器及射頻系統中集成AI處理器，并在此基礎上開展了大量AI相關處理工作。實際上，當前終端的用戶界面在一定程度上受益于這些內置于芯片的處理能力。不過，我想將討論范圍稍作擴展，不局限于手機，而是聚焦于新興的用戶終端。如這頁幻燈片所示，這些設備包括智能手表，以及新興的智能眼鏡產品（尤其是面向增強現實應用的眼鏡）和耳機。我想重點探討的是，這些設備在未來將如何實現協同配合。

目前我們主要通過手機建立連接，我們將其視為“錨點終端”。不過，如今的智能手表已經能夠通過蜂窩網絡直接上網；未來，眼鏡以及其他類型終端也將具備這一能力。關鍵在于這三類設備如何協同運行。在此背景下，用戶環境與交互界面將發生怎樣的變化？我們會采用手勢控制嗎？還是會借助語音指令、眼動追蹤，以及通過耳機等設備輸出的文字或音頻信號來進行交互？這些都值得我們深入思考。

接下來談談我們目前正在開展的工作，以及在技術層面我們面臨的部分挑戰。不少人應當記得早期基于蜂窩網絡的視頻體驗，畫質非常粗糙。一方面是信號覆蓋不足造成的，另一方面也存在技術層面的短板。為此行業研發了多項相關技術，例如以DASH標準為代表的HTTP動態自適應流媒體、蘋果直播流媒體等。這些技術能夠動態調節碼率，以此解決播放卡頓、像素等問題。現階段，我們正在研究，如何將這些技術應用于全新場景，例如擴展現實（XR）的渲染工作。當網絡連接狀態良好時，我們可以依托網絡側算力完成渲染處理；而當網絡條件不佳時，能否在終端本地運行一套輕量化、低運算復雜度的簡化渲染方案來完成處理。

除此之外，今早的開幕環節提到的人形機器人，也是我們重點關注的一個方向。人形機器人的算力分配該如何規劃？有多少運算任務需要在機器人終端本地處理？又有多少運算任務需要上傳至云端完成？我個人認為，絕大多數本地實時控制運算會直接部署在機器人本體。站在通信的角度來看，這其中核心的需求是保障機器人（或者智能汽車）與網絡、邊緣云之間高質量通信的可靠性。絕對不能出現通信突然中斷的情況，一旦斷連，這些設備終端應當如何處置？

相信在場很多人都熟悉服務的概念，目前行業也衍生出一些熱門的概念，比如基于RAN的AI服務（AI Services on RAN），指由運營商提供、部署在無線接入網硬件設備上的AI服務。在實際落地過程中，這類服務可通過應用程序接口（API）等形式對外調用，接口邏輯獨立于無線接入網核心鏈路。

在我看來，考慮未來如何以最優的方式管理網絡，是一個未來極具價值的發展機遇。在高通，我們擁有高通Edgewise套件，該套件目前為多家運營商提供RAN管理服務，包括各類參數的處理與優化、理解參數間的耦合關系，并能跨不同廠商操作，還能夠為網絡運營商提供一致的操作。此外，我們一直以來還在對終端內部（即用戶端UE內部）的算法進行增強，通過AI技術來更高效地替代原有的算法。但對此我們也必須非常謹慎，不能為了極小甚至負向的性能提升，而犧牲電池續航等指標。因此，在這類活動和設計中，我們需要投入大量的工程研發，還需要在現有網絡體系內、以及考慮未來所有功能方向的基礎上來持續推進。

我想重點探討一個我認為對未來網絡發展具有重要意義的方向——我們能否利用和學習用戶的意圖。舉例來說，我經常在從家開車去辦公室的途中，需要參加線上的視頻通話，而根據所選路線的不同，通話質量也有很大波動，有時甚至相當糟糕。那么是否存在一種方式，讓用戶能夠表明意圖？比如，由用戶輸入一些信息，將自然語言發送給網絡，網絡通過自然語言處理來理解需求；或者是否可以通過數據流量來進行判斷；又或是通過部署在終端側的AI智能體來處理。最終具體會以何種方式落地，仍有待確定，但關鍵在于如果網絡能夠提前規劃并提供滿足需求的服務，將會非常有價值。

這對運營商和用戶而言都是巨大的機遇。我認為用戶有可能愿意支付溢價。就我個人而言，我確實有可能為了確保某次重要商務通話的順利進行，而多支付一些費用。我不想細數有多少次在開車途中無法進行流暢通話或線上會議的經歷，但這在中國也許不那么明顯，因為截至今年4月，中國的5G基站已超過500萬個、覆蓋范圍廣泛，但對世界上許多其他國家和地區而言，這確實是一個普遍存在的問題。

在演講的最后一部分，我想和大家重點聊聊感知相關的內容。這一領域已引起極大的關注，同時也面臨著諸多挑戰。目前業界最為關注的核心問題是：我們能否探測無人機，特別是那些未按預期運行、比如未處于預定飛行區域的設備？雖然許多政府正在推進相關工作，但該技術在其他領域同樣具有應用潛力。在這一過程中，我們面臨著雙重挑戰：一是技術層面的挑戰，這絕非一個簡單的問題，我稍后會詳細展開；二是商業層面的挑戰，即運營商如何通過此舉實現盈利？因為如果以特定方式推進，他們必須對現有基礎設施進行改造。

目前，業界討論的主流方案，也是3GPP在Release 20中主要關注的方向，被稱為“單站感知”，即在同一個基站站點進行信號的發射與接收。但這會帶來諸多問題，因為通常情況下，在發射信號的同時就會接收到目標物體的反射回波，但現有的系統并非為此設計。本次演示中我們使用了兩個面板，并進行了一系列復雜的處理。順便提一下，這里展示的是其中一套解決方案。此外，還有一套基于毫米波的方案。得益于更窄的波束角度和更短的波長，該系統能夠更精準地分辨目標物體。我們需要確保能夠可靠地探測目標，且不會對其造成干擾。這其中存在諸多挑戰，我們正致力于攻克這些難題。

最后，我想談談另一個有趣的方向：如果我們能獲取此類感知信息，或許就可以構建網絡數字孿生，建立一個真實的網絡模型，以精準反映當前網絡中的傳播狀況。這一模型將幫助我們實現優化，這在以前是難以做到的。例如，分析新基站的部署位置，以提供最佳性能；同樣，我們還可以優化發射功率、天線下傾角和天線朝向等細節。此外，如果我們希望在低活躍時段關閉部分基站以節省能耗，也可以借此評估這一操作對網絡覆蓋及實際性能的影響。因此，這是一個極具潛力的機遇。

當然，要完全實現這些愿景，我們仍有大量工作要做，但這代表了未來的發展方向，也就是如何利用感知類工具與大量的AI優化技術，以充分提升網絡性能。謝謝大家！