6月13日,“第三代合作伙伴計劃”組織(3GPP)在美國加利福尼亞州圣迭戈市召開會議,敲定了包括5G新空口(NR)的Release 15,同時為包含諸多5G增強特性的Release 16制定工作計劃,這些特性包括下一代核心網(wǎng)(NGC)和超可靠低時延通信(URLLC)完整規(guī)范。與普遍觀點相悖的是,3GPP并不是一個標準組織,而是一個與很多標準制定組織(SSO)合作開展的項目,這些標準制定組織同意合作制定技術規(guī)范(TS)。 然后,這些標準組織負責頒布技術標準。憑其技術提案,3GPP成員公司可在這些標準組織的轄區(qū)內申明其擁有的知識產(chǎn)權。這些標準組織的區(qū)域包括:日本(無線工業(yè)及商貿聯(lián)合會(ARIB )和電信技術委員會(TTC))、美國(電信工業(yè)解決方案聯(lián)盟(ATIS ))、中國(中國通信標準化協(xié)會(CCSA ))、歐洲(歐洲電信標準協(xié)會(ETSI ))、印度(印度電信標準開發(fā)協(xié)會(TSDSI)),以及韓國(電信技術協(xié)會(TTA))。3GPP還擁有許多市場代表合作伙伴,包括GSM協(xié)會(GSMA)、下一代移動網(wǎng)絡聯(lián)盟(NGMN)、微基站論壇。這些合作伙伴通過提供市場建議和推動技術共識協(xié)助3GPP。
實質上,3GPP是一個合作組織。來自全世界的合作伙伴通過開會討論,將研究成果提煉成大多數(shù)參與者認可的技術規(guī)范,隨后制定標準,并最終開發(fā)相應的軟、硬件以支持移動電信市場發(fā)展。
3GPP確立技術規(guī)范的流程
3GPP技術規(guī)范(TS)是3GPP的正式輸出成果,然后被全行業(yè)用于研發(fā)符合標準的設備和軟件,以支持電信網(wǎng)絡發(fā)展。3GPP主要由 3 個技術規(guī)范組(TSG)組成,每個技術規(guī)范組包括若干工作組。這三個技術規(guī)范組包括:無線接入網(wǎng)(RAN) 、業(yè)務與系統(tǒng)(SA)和核心網(wǎng)與終端(CT)。每個頂級規(guī)范對任何單個技術規(guī)范組都是大工程,因此需要分解成更小的工作項目,由每個技術規(guī)范組內的工作組處理。例如,物理層(OSI 模型第一層)由RAN1工作組處理,它同時負責很多RAN議題,包括但不限于在免許可頻譜使用LTE技術、5G新空口(5G NR)、對蜂窩車聯(lián)網(wǎng)(C-V2X)的增強,以及面向LTE 的1024 QAM調制技術。建立新特性的第一個流程是研究項目,此時相應的技術規(guī)范組接受提案并創(chuàng)建技術報告(TR),如果研究項目被認為足夠重要值得考慮,則轉化為工作項目。
圖1:經(jīng)過簡化的3GPP技術規(guī)范創(chuàng)建流程(資料來源:3GPP,ABI Research)
應該注意的是,上面圖1不包括技術規(guī)范(TS)公布后提交的變更請求(CR),這些變更請求在上圖所述的流程之后發(fā)生。這些提案的范圍很廣,重要(如糾正會影響網(wǎng)絡工作的疏忽)和瑣碎(如技術規(guī)范報告中的拼寫錯誤)的更正都可能涉及。也有許多變更請求很重要,但不一定有助于技術本身的演進。例如,在近期的3GPP會議中,有移動服務提供商提交了多個變更請求,要求在不同頻段中有更多載波聚合組合,并且在多個LTE頻段中應用蜂窩車聯(lián)網(wǎng)(C-V2X)。這些請求對于在現(xiàn)實世界中落實3GPP規(guī)范很重要,但并不促進移動網(wǎng)絡技術發(fā)展。
在建立工作項目后,創(chuàng)建技術規(guī)范的流程如下:某個公司提交在工作組會議上討論過的提案,通常每隔一兩個月召開一次此類工作組會議。工作組起草人負責起草,將上述提案(如果有共識認為這確實是有意義的提案)寫入技術規(guī)范。技術規(guī)范正式發(fā)布之后,參與者可提交變更請求,涵蓋重要變更到小的書寫錯誤。還應該注意的是,有大量變更請求未被批準,因此對3GPP輸出成果和市場本身幾乎沒有影響。
理解3GPP的領導作用和知識產(chǎn)權
創(chuàng)建標準技術規(guī)范的流程可能看起來簡單明了,但由于多種原因,確認單個技術規(guī)范的關鍵利益攸關方并不總是透明的。首先,技術規(guī)范不是單個公司的產(chǎn)物,而是多個廠商、運營商、科研機構,以及參與3GPP工作的其他公司協(xié)同努力的結果。咨詢行業(yè)已有多個研究項目試圖根據(jù)提交提案或變更請求的數(shù)量確定某些公司在3GPP的領導力,ABI Research也曾試圖利用這種思路評估某個公司在3GPP的參與度和影響力。但是,我們逐漸認識到,由于多種原因,提案的數(shù)量(即使是得到認同的提案或得到批準的變更請求)不一定能夠體現(xiàn)市場影響力。而最重要的是,在ABI Research評估過的幾乎所有案例中,質量的重要性均勝過數(shù)量。一家公司在3GPP工作中的參與度更高,自然是指這家公司已分配可觀的資源和工作精力促進行業(yè)發(fā)展。然而,多種原因使得變更請求的簡單計數(shù)變得復雜:
舉例來說,一家公司提出了關于一項新特性的想法,這個新特性最終被引入標準。該想法在工作組中討論,進入工作報告,并最終形成技術規(guī)范。而此時,其他公司可能已經(jīng)提供了比原始發(fā)起人更多的提案稿和變更請求書。這意味著不同的公司可能分量相同,但也有可能某家公司在提案或變更請求中承擔了大部分工作。
3GPP本身沒有足夠的資源仔細審查每個提案,但它的確對由多個利益攸關方、而非單個公司提交的提案給予優(yōu)先待遇。多數(shù)情況下,提案的第一署名公司是最重要的技術貢獻者,但在某些情況下其他署名的公司也做出了重要性相似的技術貢獻。
在此過程中要考慮的很重要的一點是,提案或變更請求的原始發(fā)起人并非在3GPP會議期間或3GPP項目進行過程中才形成這些提案背后的想法。事實上,這些技術想法是在其研發(fā)(R&D)團隊內經(jīng)過深入研究、建模和討論之后產(chǎn)生的。 例如,3GPP網(wǎng)絡的重要新特性(如載波聚合、上行鏈路共享或C-V2X)中的主要技術設計,來自于廠商在提交3GPP考慮很早之前在其研發(fā)團隊內部深入研究的結果。自然,這些廠商要通過為這些新技術設計申請專利以保護其研發(fā)資源的投入,這些專利在提交申請后可能要一、兩年才能為人所知。這可以轉化為顯著的先發(fā)優(yōu)勢,而無論其他公司為這個新設計分配多少資源或做出多少提案,都很難在短時間內超越這一優(yōu)勢。最重要的結果是,發(fā)起的公司能夠率先申請專利并形成知識產(chǎn)權(IPR),然后轉化為標準必要專利(SEP)并自然地形成市場影響力。
理解3GPP的影響力
上述分析表明,計算提案、變更請求和向3GPP分配資源的數(shù)量,不一定能夠體現(xiàn)市場影響力和最終的專利組合實力。大量學術研究也顯示,計算專利的數(shù)量不能提供準確的專利組合實力衡量方式,因為這種方法嚴重歪曲了專利質量分布。少數(shù)專利具有極大價值,可能超過其他大多數(shù)專利合在一起的價值。專利需要經(jīng)過各國專利局為期數(shù)年的審查,并且在專利存在期需要持續(xù)投入。另一方面,提案稿和變更請求書沒有經(jīng)過此類過濾。它們是出于各種目的而提交的文件,包括技術解決方案、討論稿、編輯修改稿、聯(lián)絡函等。簡單地計算其數(shù)量,會和專利類似,嚴重歪曲有關各方的技術貢獻。
為了理解市場影響力,很有必要理解超出3GPP參與度的 諸多考量。例如,單個公司必須有足夠廣的接觸面和市場影響力,才能圍繞某項重要提案吸引并邀請其他公司組團,以便在眾多提案中脫穎而出,享有優(yōu)先權。同時,該公司必須在許多領域都有洞察和專長,因為關鍵新特性影響網(wǎng)絡的多個不同環(huán)節(jié),而且工作項目可能橫跨多個3GPP工作組。值得一提的是,大多數(shù)新特性必須得到移動運營商的認可,以便于它們最終部署這些新規(guī)范對應的系統(tǒng)。
我們的后續(xù)文章將更深入地解讀3GPP提案,評估其質量,并剖析已成為標準重要部分的多項關鍵提案。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。