当前位置: 主页 > 科技前沿 > 科技前沿丨关于2019年的高新五项技术预测内容

科技前沿丨关于2019年的高新五项技术预测

2019-06-14 20:26 作者:vn 来源:网络整理 次阅读

5G将从试验阶段过渡到商用阶段,很多国家都会采用,而且卫星设备数量也会不断增长

多年来人们一直在宣传千兆网速可以让消费者在几秒钟之内下载完一部电影,如今5G已经成为现实。2018年Verizon公司推出了基于下一代无线技术的家庭宽带服务,美国AT&T公司使用消费级设备完成了5G直播测试,在2019年我们将看到真正的5G无线网络以及相应的手机出现。LG、三星(Samsung)和华为(Huawei)等制造商已经承诺在2019年初会实现这一目标,然而问题是谁将第一个进入大众市场。

互联网络的另一个重要方面是使用GNSS将物联网中的终端设备直接与卫星建立连接,而不仅仅是本地的通信网络。这将会扩展到很多应用,比如物联网中采用电池驱动的远程传感器、终端设备、可穿戴设备、健康监测仪、移动端消费产品,还有汽车售后产品比如保险盒、道路跟踪设备等

Imagination Ensigma 通信部门的执行副总裁 Martin Woodhead 表示:“随着使用模式的不断发展,越来越多采用电池驱动的产品必须支持定位、导航以及计时服务。消费者想要追踪他们的设备,但又不想频繁的给电池供电,在工业和农业环境中,用户还需要对资产进行跟踪,从而可以提升效率并降低运营成本,但不可能在不同的位置对众多设备频繁的更换电池,因此最好的方式是采用低功耗GNSS解决方案

科技前沿丨关于2019年的高新五项技术预测

2、自动送货车、机器人和电车将成为常态

英国国家统计局(ONS)研究发现在整个2018年间,英国零售业的在线消费创下历史新高,从2017年的4.7%增长到18.2%,因此为了满足消费者的需求,推出自动送货车、机器人和电车是非常有必要的。

这一系列变化将会得到亚马逊(Amazon)等大型物流公司的推动,一个名为Postmates的公司推出了一款命名为“Server”的自动配送机器人,计划会在2019年投入使用。这款车可以携带重达50磅的物品,电池续航可达30英里,足够每天运输12个左右的货物。然而在2019年我们可能看不到无人机配送的出现,尽管亚马逊早在2016年就提议使用Prime Air无人机进行货物配送,但是由于法律的限制基于无人机的配送系统仍然处在开发阶段。

科技前沿丨关于2019年的高新五项技术预测

3、成像技术

成像技术在移动领域将变得越来越重要,尤其是与AI相关的领域

想象一下,如果你可以在智能手机上进行可视化搜索,那么你就可以拍下一张商品的照片然后就可以在网上搜索并购买它,例如你看到某人穿了一双你喜欢的鞋子,你也想要一双,那么你就可以拍张照片,几秒钟之内就可以完成网上购买交易。到2019年,随着智能手机所采用SoC性能的提升我们预计这类应用将变得更加主流。

Imagination PowerVR 视觉与AI部门的高级总监Neal Forse表示:“我们推出的PowerVR Series3NX-F是这类应用的理想选择,NNA(神经网络加速器)对视觉技术的发展史有真正意义上的颠覆,它已经成为新型移动处理器的重要特性”。

科技前沿丨关于2019年的高新五项技术预测

4、光线追踪技术将会再次取得进展

经过一段时间的宣传后光线追踪技术最近又重新回到人们关注的视线中,它在各大科技媒体上占据了很大的版面。2019年我们预计这一趋势还将继续,持续增长的主要原因是面向PC游戏市场的主要显卡型号已经发布,支持具有开创性的图形技术。现在还处于早期阶段,相关游戏的发布也没有准备好,当然这证明了围绕新技术创新生态系统的难度,2012年Imagination是第一家将光线追踪技术变为现实的公司。

Imagination PowerVR部门的执行副总裁Nigel Leeder表示:我们所采用方法的不同之处在于,它是从头开始设计的以便实现在功耗允许的范围内可以部署在嵌入式硬件平台上。若要将这个架构应用到高端和主流的游戏设备平台上还需要得到我们的授权。

科技前沿丨关于2019年的高新五项技术预测

5、与AI伦理相关的行业标准将启动立法程序

随着AI系统的建立和部署,我们对其进行量化是至关重要的,这样我们才可以设计出具有意识和避免潜在伦理偏见的系统。尽管AI取得了飞速的进步,但是它仍然处于起步阶段,还有很多需要改进和提升的地方。这种调整将会持续一段时间,但随着AI变得越来越聪明,我们需要找到更多的方法来克服类似伦理偏见等相关问题。2019年我们预计会转向无监督训练,目前大部分的AI模型都是通过监督训练生成的:提供带有标签的数据集。在无监督训练模式下不会提供带标签的数据集,算法需要对数据进行分类和识别。虽然这种方法会比监督学习慢一些,但是这种方法限制了人的参与,因此可以消除人在数据训练中任何有意识或无意识的偏见。

推荐阅读: