


La 6G intégrée à l'intelligence artificielle peut-elle « écologiser » les réseaux de nouvelle génération ?
Il y a quelque chose d'époustouflant dans le Mobile World Congress (MWC) qui en fait une expérience à la fois fascinante et épuisante. Il y a huit salles remplies de lumières vives, d’apparat et d’avancées technologiques sans précédent. Chaque année, je viens tout voir, et chaque année, je repars en n'en ayant vu qu'un tiers.
Le thème de cette année est « Vitesse » et le slogan est « Libérez aujourd’hui la technologie de demain ». Des concepts tels que le métaverse, l’intelligence artificielle (IA) et la 6G sont visibles partout. Mais tout est lié aux préoccupations environnementales, la plupart des produits étant positionnés pour répondre à l'empreinte carbone croissante de la technologie.
Adoptez la technologie verte
Le problème devient de plus en plus grave. L'expert en stockage de Huawei, le Dr Peter Zhou, a déclaré que d'ici 2030, la quantité de données générées chaque année par les entreprises sera mesurée en « gigaoctets ». Ce terme existe déjà, même s'il n'est pas encore très nécessaire ; il s'agit de la plus grande unité reconnue par le Système international d'unités (SI). Les données ne vont que dans cette direction, et nous en stockons déjà tellement que cela nuit à la planète. Cette question plane sur des industries et des technologies telles que l’Internet des objets (IoT) et le métaverse qui s’appuient fortement sur la technologie des capteurs et l’intelligence artificielle.
Huawei a profité de l'événement Day Zero du MWC pour présenter un certain nombre d'initiatives en matière de technologies vertes. Steven Moore, responsable de l'action climatique à la GSMA, a parlé de la durée de vie de nos appareils mobiles, dont aucun n'est 100 % renouvelable. Il a appelé les constructeurs à faire pression en faveur d'une durée de vie plus longue, suggérant que même une prolongation d'un an équivaudrait à retirer 4,7 millions de voitures de la circulation. De même, Emmanuel Chatard, vice-président des opérations et de l'économie des réseaux d'Orange, a appelé à réglementer l'utilisation d'équipements d'occasion dans les réseaux mobiles.
Bien que cela puisse contribuer à réduire les déchets électroniques, nous sommes confrontés à un défi plus sérieux : la consommation d'énergie, en particulier sur les réseaux mobiles. Comme beaucoup de gens le savent déjà, la 5G décharge très rapidement les batteries des téléphones. Cela est dû en partie au fait que les téléphones eux-mêmes recherchent le meilleur signal, mais les signaux de notre réseau travaillent également plus fort que nécessaire.
Comment les réseaux 6G exploiteront l'intelligence artificielle
Nicolas Kourtellis, chercheur scientifique en chef et codirecteur de Telefonica Research, a déclaré dans un discours au MWC que la 6G devrait augmenter considérablement la consommation et les vitesses de données avec une latence presque nulle.
Une nouvelle génération de technologie de réseau mobile apparaît environ tous les dix ans, et la 6G devrait apparaître vers 2030. Cependant, afin de remédier aux lacunes de la 5G, Huawei envisage actuellement un produit appelé 5.5G, qui devrait améliorer la technologie de détection et l'efficacité énergétique. En fin de compte, c’est le point médian du parcours 6G et là où les choses deviennent plus excitantes.
Plusieurs facteurs feront de SSmart et de la 6G ultra-rapide une réalité, notamment les progrès en matière de faible latence, d'intelligence artificielle et de technologie de capteurs. Huawei estime que les réseaux 6G devront intégrer l’intelligence artificielle afin de pouvoir eux-mêmes être classés comme systèmes d’intelligence artificielle.
Une partie de l'intelligence sera utilisée pour gérer les signaux de formation de faisceaux, qui sont les outils qui transmettent les données aux appareils. Et, avec la 6G, le réseau sera suffisamment intelligent pour modérer le signal afin de permettre une automatisation avec une faible latence et de manière plus efficace. Si Huawei a raison, la 6G constituera à la fois une avancée technologique et une solution fondamentale à l’empreinte carbone croissante des télécommunications mobiles.
Tirer parti de la technologie pour travailler plus intelligemment, pas plus dur
Utiliser l'IA pour sauver la planète est cependant un peu contre-intuitif, car l'informatique IA est très gourmande en énergie. L’idée selon laquelle nous pouvons utiliser l’énergie de manière plus efficace peut sembler étrange, étant donné qu’elle est l’une des principales responsables de l’énorme empreinte carbone de la technologie.
«Je pense que c'est la partie intéressante», a déclaré Carmen Fontana, membre de l'Institut des ingénieurs électriciens et électroniciens (IEEE), à IT Pro. "Ces processeurs deviennent plus intelligents et peuvent faire plus, mais ils sont également gourmands en énergie."
Fontana, qui est également vice-président des opérations d'Augment Therapy, a déclaré que ces mêmes problèmes de consommation d'énergie affligent les districts.
Nous pouvons faire toutes ces choses sympas, mais c’est terrible pour l’environnement. Je pense donc que ces processeurs à puce, ou l'environnement cloud en général, doivent être plus intelligents et en faire une priorité, pas seulement de plus en plus de puissance", a-t-elle poursuivi. "D'un autre côté, nous pouvons utiliser un grand nombre de ces processeurs. Les appareils connectés dans des applications telles que les réseaux publics les rendent plus intelligents dans la façon dont nous utilisons les réseaux publics. Peut-être résistons-nous à l’utilisation de puces, mais cela nous permettra également d’utiliser l’électricité plus efficacement.
Il y a une autre dimension ici : ces initiatives sont non seulement bonnes pour l’environnement, mais peuvent également être exploitées pour réduire les coûts. La détresse économique a exacerbé une crise du coût de la vie qui a un impact sur l’économie mondiale et les chaînes d’approvisionnement. L’industrie technologique supprime des emplois et les entreprises, notamment au Royaume-Uni, sont aux prises avec des budgets en baisse. La durabilité mise à part, aussi importante soit-elle, nous avons tous besoin de la technologie pour nous aider à faire plus avec moins et à travailler plus intelligemment, et non plus dur.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
