能不能用一個手機號碼來管理更多的終端,這可能是困擾很多用戶的問題。蘋果公司在2011年申請的一項虛擬SIM卡專利為這個問題的解決開了個頭,2014年蘋果公司在推出iPad Air 2時首次將eSIM卡的概念帶到實際產品中。不過,對于這一技術的應用卻并不一定完全取決于市場的需求,近日GSMA移動智庫專門針對中國市場發(fā)布的了一份報告――中國eSIM:未來之路。
GSMA移動智庫報告從消費電子產品(可穿戴設備、平板電腦和筆記本電腦)、智能手機和物聯(lián)網三個方面展望了全球eSIM的未來前景,在對中國生態(tài)系統(tǒng)內的19家企業(yè)進行調研后,從技術、產業(yè)合作、商用產品和監(jiān)管等幾個方面審視了eSIM生態(tài)系統(tǒng)在中國市場的當前和未來發(fā)展。
結論顯示:在中國,電子消費品(特別是智能手表)和物聯(lián)網方面的eSIM進展最為明顯,中國可能是未來全球最大的eSIM市場,汽車,物流和能源與公用事業(yè)是eSIM的三大市場。即便如此,物聯(lián)網市場仍舊面臨碎片化、多樣化,安全性以及商業(yè)模式不確定的挑戰(zhàn)。
但eSIM卡在智能手機的應用上,中國明顯落后于全球市場,不僅智能手機中的eSIM尚未推出,而且推出時間表尚不清楚。然而,針對生態(tài)系統(tǒng)的調研顯示,智能手機是推動eSIM規(guī)模和降低成本的關鍵,同時不可否認的是中國在推動eSIM全球發(fā)展方面發(fā)揮著關鍵作用。
eSIM和傳統(tǒng)SIM卡的功能一樣,其可以通過封裝技術固化在終端設備中,而不是作為獨立的可移除零部件加入設備中,用戶無需插入物理SIM卡。eSIM與SIM卡不同的是,它可以通過OTA空中寫卡的方式對卡內數(shù)據進行更改,實現(xiàn)遠程更新。但這項業(yè)務尚未在中國運營商市場予以推行。
通過對19家企業(yè)的調研顯示,政策和監(jiān)管為eSIM業(yè)務的推廣帶來了很大壓力。因此,他們建議精簡監(jiān)管規(guī)則、制定消費者和工業(yè)設備的 eSIM 要求、明確證書管理、根證書核發(fā),同時,安全性和跨境互聯(lián)互通的統(tǒng)一規(guī)則對推動eSIM的發(fā)展至關重要。
中國聯(lián)通是最早試水eSIM業(yè)務的中國運營商,早在2015年就制定了基于eSIM發(fā)展消費物聯(lián)網業(yè)務的戰(zhàn)略,打造自主開發(fā)的eSIM管理平臺;2017年初,eSIM平臺開通;2017年4月,eSIM獨立號碼業(yè)務上線。2018年3月7日,中國聯(lián)通宣布,正式在上海、天津、廣州、深圳、鄭州、長沙6座城市率先啟動“eSIM一號雙終端”業(yè)務的辦理。
2018年5月25日,中移物聯(lián)正式推出智能物聯(lián)China Mobile Inside計劃,同時發(fā)布國內首款eSIM芯片,提供“芯片+eSIM+連接服務”。6月1日,中國移動宣布“一號雙終端”業(yè)務在天津、上海、南京、杭州、廣州、深圳、成都7個城市正式啟動。用戶通過一號雙終端業(yè)務,可實現(xiàn)手機與可穿戴設備的綁定,共享同一個號碼、話費及流量套餐。
中國電信去年11月初宣布發(fā)售經過重新設計的Apple Watch Series 4,內置蜂窩網絡,提供突破性的通信、運動和健康功能。此前,中國電信Apple Watch eSIM一號雙終端業(yè)務已經于10月31日正式開通。
顯而易見,三家運營商的eSIM卡業(yè)務還只停留在物聯(lián)網和消費電子層面。如果eSIM卡取代SIM卡,那么手機號碼就不再成為運營商和用戶之間的緊密紐帶。同時,運營商基于SIM的增值業(yè)務、收費模式也將面臨被顛覆的挑戰(zhàn)。然而,eSIM技術應用到蜂窩手持設備中已是大勢所趨,GSMA移動智庫報告預測,2025年,中國高、中、低端智能手機中采用eSIM技術的比例將達到35%、29%、20%。
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。