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
CPU架构讨论常聚焦于不同指令集的竞争,但实际上在单一系统中使用多种CPU架构已成常态。x86、Arm和RISC-V各有优劣,AI技术的兴起更推动了对性能功耗比的极致需求。当前x86仍主导PC和服务器市场,Arm凭借庞大生态系统在移动和嵌入式领域领先,RISC-V作为开源架构展现巨大潜力。未来芯片设计将更多采用异构计算,多种架构协同工作成为趋势。
KAIST AI团队通过深入分析视频生成AI的内部机制,发现了负责交互理解的关键层,并开发出MATRIX框架来专门优化这些层。该技术通过语义定位对齐和语义传播对齐两个组件,显著提升了AI对"谁对谁做了什么"的理解能力,在交互准确性上提升约30%,为AI视频生成的实用化应用奠定了重要基础。
Vast Data与云计算公司CoreWeave签署了价值11.7亿美元的多年期软件许可协议,这标志着AI基础设施存储市场的重要转折点。该协议涵盖Vast Data的通用存储层及高级数据平台服务,将帮助CoreWeave提供更全面的AI服务。业内专家认为,随着AI集群规模不断扩大,存储系统在AI基础设施中的占比可能从目前的1.9%提升至3-5%,未来五年全球AI存储市场规模将达到900亿至2000亿美元。
乔治亚理工学院和微软研究团队提出了NorMuon优化器,通过结合Muon的正交化技术与神经元级自适应学习率,在1.1B参数模型上实现了21.74%的训练效率提升。该方法同时保持了Muon的内存优势,相比Adam节省约50%内存使用量,并开发了高效的FSDP2分布式实现,为大规模AI模型训练提供了实用的优化方案。