沃达丰为其英国移动网络体系建立了一套3D数字孪生,这样工程师们无需离开办公桌就能查看可视化指标,据此制定网络改进或扩展策略。
这套数字孪生副本包含用Esri UK的GIS(地理信息系统)软件绘制的超4000万个环境特征,包括建筑物、山丘、山谷和树木。
工程师们现在可以通过安全连接,在笔记本电脑或移动设备上直接访问移动网络体系的360度虚拟视图。他们可以高效规划新的移动基站位置,并确定哪些装置需要升级或调整位置,从而满足客户不断增长的流量需求、或者应对新增建筑及林地变化对信号传播造成的影响。
沃达丰地理信息系统负责人Rebecca King博士解释道,“客户的手机信号经常会在因众多因素的互相影响下中断,这可能是因为新建成的建筑物阻断了信号传播,也可能是因为树木的季节性生长干扰了信号强度。我们以数字格式将这些因素全面可视化,以确保能更好地规划、并据此扩展我们的网络。”
数字孪生包含天线等能够直观呈现的约50万个网络特征,外加数十亿行网络性能数据。只需点击几下,工程师们就能远程检查移动基站的组件,再决定要不要亲自前往现场开展下一步调查或调整工作。
目前,沃达丰公司正寻求其他合适的场景来测试类似的数字孪生技术,包括德国和土耳其。此外,沃达丰还有意用同样的方式将固网宽带体系也纳入到模型中来。
服务于数据科学家的《我的世界》
沃达丰公司首席架构师Boris Pitchforth表示,“数字孪生让我们对于整个英国的移动网络有了前所未有的了解——它就像是服务于数据科学家的我的世界。”
“我们能够更智能、更快速地了解应如何/在何处部署5G基站,同时精确规划目标容量。另一个额外的好处,就是减少我们的碳足迹。因为我们的工程师们不用每次都亲自赶赴现场,这一点对于地处偏远的基站意义尤为重大。”
沃达丰与Esri英国分公司合作,使用卫星数据绘制地形图,直观体现农作物、交通线路和邻近物体的高度数据等实地信息。Boris Pitchforth强调,“数字孪生并不需要精确重现现实中的物体,比如建筑物上的每一块砖,它只需要把整体外形表现出来,我们就能调整信号发射角色、提升客户获得的连接质量。地图构造越简单,加载速度就越快。”
大规模数字孪生
沃达丰还用到Esri提供的ArcGIS Enterprise平台。该平台将网络制图、图像开发、实时数据处理、大批量分析和空间数据科学融合为一体。
Rebecca King博士解释道,“使用ArcGIS Enterprise,我们得以将空间维度添加至已经使用的大量数据当中,从而将位置智能达到新的高度。通过我们的数字孪生,现在数据可以通过3D形式实现可视化,并与多个团队轻松共享。”
除了向其他国家/地区引入数字孪生之外,沃达丰还计划借此支持新的网络容量部署。例如,Massive MIMO技术能够在单一蜂窝基站中交付更多网络容量,用以满足快速增长的联网设备需求。预计到2025年,全球移动设备总量将增长至300亿台,这些新基站该部署在哪里自然要听取数字孪生的建议。
Boris Pitchforth总结道,“几年之前,这种类型的国家级数字孪生模型根本就没有可行性。但ArcGIS Enterprise与AWS的结合,意味着大规模数字孪生完全可以成为现实,为企业数据可视化及地理空间分析提供安全、可扩展的云选项。以往,公共事业层面的类似项目只能侧重于小片区域,而现在我们想要真正在国家规模上管理整个网络体系。”
好文章,需要你的鼓励
本文探讨如何使用生成式AI和大语言模型作为倾听者,帮助用户表达内心想法。许多主流AI如ChatGPT、Claude等被设计成用户的"最佳伙伴",或试图提供心理健康建议,但有时用户只想要一个尊重的倾听者。文章提供了有效的提示词技巧,指导AI保持中性、尊重的态度,专注于倾听和理解,而非给出建议或判断。同时提醒用户注意隐私保护和AI的局限性。
北京大学团队开发出WoW世界模型,这是首个真正理解物理规律的AI系统。通过200万机器人互动数据训练,WoW不仅能生成逼真视频,更能理解重力、碰撞等物理定律。其创新的SOPHIA框架让AI具备自我纠错能力,在物理理解测试中达到80.16%准确率。该技术将推动智能机器人、视频制作等领域发展,为通用人工智能奠定重要基础。
人工通用智能和超级人工智能的出现,可能会创造出一种全新的外星智能形态。传统AI基于人类智能模式构建,但AGI和ASI一旦存在,可能会选择创造完全不同于人类认知方式的新型智能。这种外星人工智能既可能带来突破性进展,如找到癌症治愈方法,也可能存在未知风险。目前尚不确定这种新智能形态是否会超越人类智能,以及我们是否应该追求这一可能改变人类命运的技术突破。
香港大学和蚂蚁集团联合推出PromptCoT 2.0,这是一种让AI自动生成高质量训练题目的创新方法。通过"概念-思路-题目"的三步策略,AI能像老师备课一样先构思解题思路再出题,大幅提升了题目质量和训练效果。实验显示该方法在数学竞赛和编程任务上都取得了显著提升,为解决AI训练数据稀缺问题提供了新思路。