U.S.-China trade war isn't going to end with President Donald Trump: Expert
行業應用解決方案
|
2020年6月29日 星期一
．影像分析現今應用和未來機會導覽
Deep Learning and Video Surveillance
在過去的幾年中，影像分析（也稱為影像內容分析或智慧影像分析）引起了業界和學術界的越來越多的興趣。 得益於深度學習的巨大進步，影像分析引入了曾經是人類專有權限的任務自動化。
影像分析的最新發展，已經改變了遊戲規則，從事件發生時統計人員把影像分析應用到自動車牌辨識，以及其他更知名的場景（例如臉部辨識或智慧停車），都改變了應用的遊戲規則。
這種技術看起來很棒，但是它如何工作，以及如何使您的業務受益呢？
在本導覽中，您將了解影像分析的基本概念，在現實世界中，如何使用它來自動化流程，並獲得有價值性的觀點，以及在組織中，實施智慧影像分析解決方案時，應考慮的事項。
什麼是智慧影像分析？
影像分析的主要目標，是自動辨識影像中時間和空間條件下的場景事件。可疑移動的人，沒有未遵守交通標誌；突然出現的火焰和煙霧；這些只是影像分析解決方案，可以檢測到的幾個案例。
即時影像分析和影像挖掘
通常，這些系統執行即時監視，其中檢測到與監視環境有關的對象、對象屬性、運動軌跡或行為模式。但是，影像分析也可以用於分析歷史數據，以挖掘事實真相。此取證分析任務，可以檢測到回答業務問題的趨勢和模式，例如：
什麼時候客戶在我的商店中達到高峰，他們的年齡分佈是什麼？紅燈行駛多少次，車輛的具體牌照是什麼？
一些已知的應用
影像分析領域的某些應用，已為大眾所熟知。影像監控就是一個這樣的例子，這項任務已經存在了大約 50 年。原則上，這個想法很簡單：從安裝攝影機，以允許操作員控制房間、區域或公共空間中發生的事情。
然而，實際上，這是一項遠非簡單的任務。通常，操作員負責一台以上的攝影機，並且如多項研究所示，增加要監視的攝影機的數量，會對操作員的表現產生不利影響。換句話說，即使有大量的硬體可用並生成信號，由於人為限制，當需要處理這些信號時也會形成瓶頸。
影像分析軟體可以透過提供一種，準確處理大量資訊的方法，來做出主要貢獻。
具有深度學習的影像分析
機器學習，尤其是深度學習方法的驚人發展，徹底改變了影像分析。
深度神經網路（DNN）的使用，使訓練模仿人類行為的影像分析系統，成為可能從而導致範式轉變。它始於基於經典電腦視覺技術的系統（例如，如果攝影機圖像太暗，或劇烈變化會觸發警報），然後轉移到能夠辨識圖像中特定對象，並跟踪其路徑的系統。
例如，光學字符辨識（OCR）已經使用了數十年，以從圖像中提取文本。原則上，將 OCR 算法直接應用於車牌圖像，以辨識其編號就足夠了。在以前的範例中，如果將攝影機定位為在執行 OCR 時，確定我們正在拍攝車牌，則這可能會起作用。
這在現實世界中的應用，是在停車設施中辨識車牌，其中攝影機位於大門附近，並且可以在汽車停車時拍攝車牌。但是，在交通攝影機的圖像上，連續運行 OCR 是不可靠的：如果 OCR 返回結果，我們如何確定它確實與車牌相對應？
在新的範例中，基於深度學習的模型，能夠辨識出現車牌的圖像的確切區域。有了這些資訊，OCR 僅應用於相關的確切區域，從而獲得可靠的結果。
行業應用
衛生保健
從歷史上看，醫療機構在影像監控解決方案上，投入了大量資金，以確保其患者、員工和訪客的安全，而這通常是由嚴格的法規來控制的。盜竊、嬰兒綁架和藥物轉換，是監視系統解決的一些最常見問題。
除了簡化監視任務之外，影像分析還使我們可以利用收集到的數據，來實現業務目標，從而走得更遠。例如，影像分析解決方案，可以根據患者的需求，檢測何時還沒對患者進行檢查，並向工作人員發出警報。在確定縮短等待時間，同時確保通向急診區的通道時，對患者和訪客流量的分析，可能是非常有價值。
在家中監視老年人或有健康問題的人，是提供巨大價值的應用是另一個案例。例如，跌倒是老年人受傷和死亡的主要原因。儘管個人醫療設備可以檢測到跌倒，但它們必須穿戴，並且經常被消費者忽視。影像分析解決方案，可以處理家用攝影機的信號，以即時檢測是否有人倒下。透過適當的設置，例如，這樣的系統還可以確定，一個人是否應該服藥。
精神保健是影像分析，可以做出重大貢獻的另一個領域。可以開發分析臉部表情、身體姿勢和注視的系統，以幫助臨床醫生評估患者。這樣的系統能夠從肢體語言，和微表情中檢測出情緒，從而為臨床醫生提供客觀的資訊，從而可以證實他們的假設，或為他們提供新的線索。
真實的例子
布法羅大學開發了一款智慧手機應用 APP，目的在幫助檢測出患有自閉症譜系障礙（ASD）的兒童。該應用僅使用智慧手機攝影機即可跟踪臉部表情，並注視著看著社交場景（顯示多個人物）的孩子的注意力。該應用 APP 可以監視眼睛的運動，並可以準確地檢測出患有 ASD 的兒童，因為他們的眼動與沒有自閉症的人的眼動不同。
智慧城市/交通
影像分析已被證明在交通領域有巨大幫助，有助於智慧城市的發展。
如果不採取適當的交通管理措施，交通的增加，特別是在城市地區，可能導致事故和交通堵塞的增加。在這種情況下，智慧影像分析解決方案可以發揮關鍵作用。
交通分析可用於動態調整交通號誌燈控制系統，和監視交通擁塞。它對於即時檢測危險情況也很有用，例如，停在高速公路上未經許可的空間中的車輛，錯誤方向行駛的人，行進不規律的車輛，或發生事故的車輛。在發生事故的情況下，這些系統有助於在發生訴訟時收集證據。
車輛計數或在汽車、卡車、公共汽車、出租車等之間進行區分，會生成高價值的統計資訊，用於獲取有關交通的資訊。安裝測速攝影機，可實現對駕駛員整體的精確控制。自動車牌辨識可以辨識出違規的汽車，或者透過即時搜索，辨識出被盜或用於犯罪的車輛。
基於影像分析的智慧停車系統，無需在每個停車位中使用感測器，而是可以透過來自安全攝影機的圖像分析，來幫助駕駛員找到停車空位。
這些只是影像分析技術，可以為建設更舒適的城市，而做出的貢獻的一些示例。
真實的例子
用於解決現實問題的影像分析，是一個紐約市的很好的例子。為了更好地了解重大交通事件，紐約市交通局使用影像分析和機器學習來檢測交通擁塞、天氣模式、違章停車等。攝影機捕獲活動，對其進行處理，並將即時警報發送給城市官員。
零售
近年來，在零售行業中使用機器學習，尤其是影像分析，一直是最重要的技術趨勢之一。
實體店零售商可以使用影像分析，來了解他們的客戶是誰，以及他們的行為。
先進的算法能夠辨識出人臉，並確定人們的關鍵特徵，例如性別和年齡。這些算法還可以跟踪顧客在商店中的旅程，並分析導航路線，以檢測步行模式。加上對視線方向的檢測，零售商可以確定顧客看某一種產品的時間，並最終回答一個關鍵問題：為了使銷售最大化和改善顧客體驗，放置物品的最佳位置在哪裡？
影像分析解決方案，可以收集許多可行的資訊，例如：客戶數量、客戶特徵、訪問持續時間和步行方式。所有這些數據都可以，在考慮其時間性質的情況下進行分析，以便根據星期幾、一年中的季節，或假日來優化商店的組織。透過這種方式，零售商可以非常準確地了解客戶的身份，訪問商店的時間，以及進入商店後的行為。
影像分析對於開發防盜機制，也非常有用。例如，可以訓練臉部辨識算法，來發現已知的扒手，或即時發現隱藏在其背包中的物品的人。
此外，從影像分析中提取的資訊，可以用作訓練機器學習模型的輸入數據，以解決更大的挑戰。例如，步行模式和商店中的人數可能是有用的資訊，可以添加到機器學習支持的解決方案中，以進行需求預測，價格優化和庫存預測。
真實的例子
Marine Layer 是一家總部位於舊金山的服裝零售商，該公司佈署了智慧影像分析解決方案，以獲取有關商店中客戶流量的見解。他們實施的系統會自動統計商店訪客，並顯示每小時或某天的流量證據。在公司在實施影像分析解決方案之前，估算這些數字的同時，它現在對它們有 100％ 的確定性，並節省了手動分析流量的時間。
安全
影像監視是安全領域的一項古老任務。但是，從僅由人類監控系統，到基於影像分析的當前解決方案之時，橋下就流了很多水。
臉部和車牌辨識（LPR）技術，可用於即時辨識人員和車輛，並做出適當的決策。例如，可以即時時搜索和儲存錄影中的嫌疑人，或者辨識授權人員並授予對安全設施的訪問權限。
人群管理是安全系統的另一個關鍵功能。先進的影像分析工具可以在大型購物中心、醫院、體育館和機場等地方，產生巨大影響。這些工具可以即時提供估計的人群計數，並在達到或超過臨界值時觸發警報。他們還可以分析人群流動，以檢測不想要或禁止的方向的運動。
在上面的影片中，訓練了一個監視系統來即時辨識人員。這為獲得其他結果，奠定了基礎。最直接的：每天路過的人數統計。根據歷史數據，更高級的目標可能是根據星期幾和一天中的時間確定「正常」人流，並在流量異常時生成警報。如果監視區域僅是行人專用區，則可以對系統進行訓練，以檢測未經授權的物體（例如摩托車或汽車），並再次觸發某種警報。
這是這些方法的一大優勢：可以訓練影像內容分析系統，以檢測特定事件，有時甚至具有很高的複雜度。這樣的例子之一就是儘早發現火災。或者，對於機場而言，當有人進入禁區，或朝著為乘客準備的方向行走時發出警報。另一個很好的案例，是在公共場所即時檢測無人看管的行李。
對於經典任務（例如入侵者檢測），由於算法可以過濾掉由風、雨、雪或動物引起的運動，因此可以可靠地執行這些任務。
智慧影像分析所提供的功能，在安全領域中日益成長，並且這種趨勢將在未來持續下去。
真實的例子
丹麥足球俱樂部布隆德比（Brondby），是第一家在 2019 年正式引入臉部辨識技術，以提高其比賽日安全性的足球俱樂部。該系統辨識被禁止的人參加比賽，並使員工能夠阻止他們進入體育場。
影像分析如何工作？
讓我們看一下影像分析解決方案的一般方案。根據特定的案例，解決方案的架構可能會有所不同，但是方案保持不變。
影像內容分析可以透過兩種不同的方式進行：即時，透過將系統配置為針對當前發生的特定事件，或事件觸發警報，或者在後期處理中，透過執行高級搜索，以促進取證分析任務。
供料系統
被分析的數據可以來自各種串流影像源。最常見的是閉路電視攝影機，交通攝影機和線上影像源。但是，使用適當協議（例如 RTSP：即時串流協議或 HTTP）的任何影像源通常都可以整合到解決方案中。
一個關鍵目標是覆蓋範圍：我們需要從可能發生監視事件的各個角度，清楚地了解整個區域。請記住，可以處理的數據越多越好。
集中處理與邊緣處理
影像分析軟體可以在，通常位於監視站中的伺服器上集中運行，這被稱為中央處理。或者，也可以將其嵌入攝影機本身，這種策略稱為邊緣處理。
設計解決方案時，應仔細考慮攝影機的選擇。許多舊版軟體僅具有中央處理功能。但是，近年來，遇到混合解決方案並不少見。實際上，一個好的實踐是在可能的情況下，將即時處理集中在攝影機和中央伺服器上的取證分析功能上。
使用混合方法時，攝影機執行的處理，會減少中央伺服器正在處理的數據，否則隨著攝影機數量的增加，可能需要大量的處理能力和頻寬。此外，可以將軟體配置為僅透過網露，將有關可疑事件的數據發送到伺服器，從而減少網路流量和儲存需求。
同時，集中數據進行取證分析，允許使用多種搜索和分析工具，從通用算法到臨時實施，所有工具都利用不同的參數集，來幫助平衡所獲得結果中的噪聲和靜默度。本質上，您可以輸入自己的算法，以獲得所需的結果，這是一種特別靈活且有吸引力的方案。
定義方案和訓練模型
規劃並安裝了實體體系結構之後，有必要定義要關注的場景，然後訓練將要檢測目標事件的模型。
車禍？人流？在零售商店進行臉部辨識，以辨識已知的入店行竊者？每種情況都會導致系統必須知道，如何執行一系列基本任務。
例如：檢測車輛，最終辨識其類型（例如，摩托車、汽車、卡車），逐幀跟踪其軌跡，然後研究這些路徑的演變，以檢測可能的碰撞。
影像分析中最常見的基本任務是：
．圖像分類：從一組預定類別中，選擇圖像的類別（例如汽車、人、馬、剪刀、雕像）。
．本地化：在圖像中定位對象（通常涉及在對象周圍繪製邊框）。
．對象檢測：對圖像中的對象，進行定位和分類。
．對象辨識：給定目標對象，在圖像中辨識其所有實例（例如，找到圖像中的所有足球運動員）。
．對象跟踪：跟踪影像中隨時間移動的對象。
要了解有關執行的基本任務，以及用於開發影像分析軟體的算法類型的更多資訊，建議您閱讀此電腦視覺入門指南。
從頭開始訓練模型需要大量的精力。幸運的是，有相當多的可用資源，使此任務變得不那麼繁重。
諸如 ImageNet 或上下文中的 Microsoft Common Objects（COCO）之類的圖像數據集，是簡化新模型訓練的關鍵資源。
有幾種預訓練的模型可用於諸如圖像分類，物體檢測和臉部辨識等任務，這要歸功於轉移學習技術，可以針對給定的用例對模型進行調整（微調）。這比完整的訓練要便宜得多。
最後，社區近年來越來越多地公開開源項目，以促進定制影像分析系統的建構。依賴於電腦視覺庫（例如以下段落中提供的庫）極大地有助於更快，更準確地建構解決方案。
人工審查
在幾乎所有情況下，都需要人工監視影像分析系統生成的警報，並確定應採取的措施（如果有）。從這個意義上講，這些系統為操作員提供了寶貴的支持，幫助他們檢測可能被忽略的事件，或需要較長時間，才能手動檢測的事件。
開源項目
目前尚無完善的影像分析庫。存在的那些通常是研究論文的某種實現，因此在實際環境中往往很難使用它們。在其他情況下，這些庫目的在易於使用，但性能較差。
最好的選擇是尋找對象跟踪，或姿勢跟踪庫，並創建自定義對象。
在 Tryolabs，我們使用諸如對象檢測，和姿態估計之類的圖像級算法，來執行影像分析，然後在它們之上添加我們自己的跟踪算法層，並從那裡開始。
OpenCV 的
開源電腦視覺庫（OpenCV）是最著名的電腦視覺庫。它包含一組全面的機器學習算法，可以執行常見任務，例如圖像分類，臉部辨識以及對象檢測和跟踪。它可以透過其本機 C ++介面，或透過 Java 和 Python 包裝器使用，因此已被公司和研究小組廣泛使用。
由於它是一個透用的電腦視覺庫，因此可以使用 OpenCV 實施影像分析系統。但是，由於它不是專門的影像分析庫，因此轉向其他可用的庫，可能會更有趣（取決於用例）。
發光的
如上所述，我們在 Tryolabs 建立了自己的工具，來執行影像分析。 Luminoth 是使用 TensorFlow 在 Python 中建構的對象檢測庫。我們將其與 OpenCV 一起用於影像分析案例，例如零售領域的店面和人群流分析。
目前，我們正在開發基於 PyTorch 的庫 2.0 版，並增加了對人體姿勢估計和實例分割的支持。 我們還計劃很快將影像支持和跟踪添加到庫中。
偵探
在 2019 年，Facebook AI Research 開源了 Detectron 2，這是他們著名的 Caffe 庫 Detectron 的 PyTorch 重寫。
該庫專注於對象檢測，分割和姿勢估計。 Detectron 的優勢在於，它不僅能夠在單個對象周圍繪製邊框，而且還能創建定義對象邊界的像素級蒙版。
Detectron 是一個強大的研究圖書館，可以訓練定制的電腦視覺模型。
影像分析解決方案
影像分析中有大量現成的解決方案，從經典的安全系統，到更複雜的場景，例如智慧家庭或醫療保健應用。
如果這些標準解決方案之一滿足您的案例，則可以選擇使用它們。請注意，通常必須對軟體進行某種改編或參數化，並且這些解決方案僅允許進行一定程度的定制。
但是，大多數公司的目標，是透過影像分析解決方案，來獲得特定的見解，以實現個人目標，而影像分析解決方案需要更優化的軟體。在這種情況下，理想的解決方案是求助於一家，專門從事影像案例。
結論
影像分析解決方案，在幫助我們完成日常任務中非常寶貴。可以從該技術中受益的行業很多，尤其是隨著近年來潛在應用程序的複雜性不斷成長。
從智慧城市，到醫院和機場的安全控制，再到跟踪零售和購物中心的人員，影像分析領域使流程既更有效，又對人類減少了繁瑣，對公司而言則更便宜。
我們希望您喜歡這篇文章，並且希望您更好地了解影像分析的全部內容，其工作方式以及如何在組織中利用它，從而使流程自動化並獲得有價值的見解，以做出更好的決策。
自 2010 年以來，我們在 Tryolabs 一直在開發機器學習解決方案。與不同行業的公司合作，可以讓我們更好地了解他們的挑戰，以及他們如何使用數據來推動業務成果。如果您有任何疑問或意見，請隨時給我們留言。
按此回今日3S Market新聞首頁
按此回今日3S Market新聞首頁
．人臉辨識廠商誓言使用其技術在美國被非法逮捕後製定新規則
Facial Recognition Software Under Fire After Misidentification Causes Wrongful Arrest
 |
密西根州美國公民自由聯盟（ACLU）表示，今年1月，布萊克（Robert）的羅伯特·威廉姆斯（Robert Williams）在底特律警察拘留所度過了整整一天，此前蘭科夫的臉部辨識軟體將其駕駛執照照片，與某人入店行竊的監視影片連接起來。
臉部辨識供應商 Rank One Computing 週三表示，在其軟體涉嫌基於美國技術進行的首次已知的不正當逮捕行動之後，它將「增加法律手段」並研究其他方法來防止濫用。
密西根州美國公民自由聯盟（ACLU）表示，今年1月，布萊克（Robert）的羅伯特·威廉姆斯（Robert Williams）在底特律警察拘留所度過了整整一天，此前蘭科夫的臉部辨識軟體將其駕駛執照的照片，與某人入店行竊的監視影片連接起來。
美國警方將臉部辨識技術，用於定罪已有十多年了。 但激進主義者認為，由於可能的問題，包括辨識黑人的技術缺陷，它的使用越來越多，需要採取更大的預防措施。
威廉斯在美國公民自由協會（ACLU）共享的影片中說，警官承認一定是「電腦」的錯誤之後而釋放了他。
密西根州警方，與底特律當局的另一項指導方針互不相讓。排名第一的人說，臉部辨識結果不應用作逮捕的依據。韋恩縣檢察官凱姆·沃西說，警方在逮捕威廉斯之前，缺乏確鑿的證據。
沃西在一份聲明中說：「本案不應該基於（警察）調查而提出，為此我們深表歉意。」他補充說：「這絲毫不能彌補威廉斯在監獄中度過的時間。 」
她的辦公室說，不知道參與威廉斯案的警察調查員是否受到制裁。
底特律警方拒絕評論威廉斯的案子，但現在將臉部辨識的使用範圍，限於暴力犯罪和家庭入侵。
排名第一的首席執行官 Brendan Klare 在一封電子郵件中說，這家位於丹佛的公司「將添加一種合法手段，以撤銷對我們軟體的任何違反道德規範的使用，並對可以納入我們軟體的其他保護措施，進行技術審查，以防止任何可能的濫用。」
等級 1 引用了美國政府對頂級系統的高精度進行的研究，描述了對臉部辨識將黑人誤認為是「誤解」的擔憂。
相反，克拉爾說，威廉斯案中的關鍵問題是警方在沒有足夠證據之前將其逮捕。
美國公民自由聯盟呼籲底特律警察，禁止使用臉部辨識，「因為威廉斯先生案的事實，證明該技術存在缺陷，調查人員沒有能力使用這種技術。」
威廉斯的逮捕，涉及 2018 年 10 月從 Shinola 商店帶走的五隻手錶，總計 3800 美元。
微軟公司和亞馬遜公司本月在全國範圍內的抗議活動中，停止了臉部辨識產品的銷售，這是在全國舉行的抗議活動，要求終止不公平地針對非裔美國人，和其他少數民族的執法策略。
（Paresh Dave 的報導； Jeffrey Dastin 的其他報導； Howard Goller，Tom Brown和Grant McCool 的編輯）
按此回今日3S Market新聞首頁
按此回今日3S Market新聞首頁
．「7-11」相關客戶在每家商店內啟動臉部辨識
7-Eleven trials cashier-less convenient store - TomoNews
7-11 已確認已，在其所有澳洲的商店中，推出了臉部辨識軟體。
這家便利店連鎖店在其「Rate It」客戶服務平板電腦中，使用臉部辨識軟體，並且「不用於任何其他目的」。
這家連鎖店幾週前，在其 700 多家商店中推出了該軟體。
在律師的建議下，這家連鎖店在商店中張貼了標語，警告顧客臉部辨識軟體。
「網站一直處於影像監控之下。 進入商店即表示您同意臉部辨識攝影機，捕獲並儲存您的圖像，」標語上寫道。
一位發言人在 7NEWS.com.au 的一份聲明中說，該軟體是為了防止「系統被玩」。
「在 Rate It 平板電腦中，使用臉部辨識是為了確保回饋準確有效，並且鑑於客戶的回饋對我們非常重要，因此我們不希望系統被「遊戲化」。
「該技術未用於任何其他目的。」
澳洲 7-11 發言人為實施辯護，稱商店無法存取數據。
發言人說：「如果客戶不使用回饋平板電腦，則不會記錄他們的圖像。」
「只有在開始互動時才會啟動攝影機，並且在所有其他時間都處於休眠狀態。」
「平板電腦捕獲的數據是生物特徵模糊，表示僅記錄了圖像的加密算法。」
新南威爾士州公民自由委員會的史蒂芬·布蘭克（Stephen Blanks）對此表示懷疑。
「這種資訊收集應該是違法的。 當然，這違反了良好的隱私慣例和原則。」
Blanks 說，收集人們試圖提供回饋的數據毫無意義。
「他們正在激勵人們，不要使用回饋平板電腦，這與他們想要實現的目標相反。」
7NEWS.com.au 瞭解到，該軟體的臉部辨識功能之一，是阻止 7-11 員工在輪班期間，進行自我評估。
Blanks 說：「這不是收集資訊的充分理由。」
沒有理由
7-11 在澳洲的分支機構，並不是業內第一個實施臉部辨識的部門。
泰國超過 11,000 家商店，也增加了這項技術。
Blanks 說沒有理由讓 7-11 擁有臉部辨識功能。
「商店不應收集比您更多的資訊。」
他說：「商店所收集的關於您的資訊，不應超過您進行購買或留下回饋所需的資訊。」
．5G 時代來臨，但 5G 離我們到底有多遠？
5G Alone Isn't Enough - Learn How to Transform Your Infrastructure for the 5G Era
來源：
利空出盡即利好，對股民來說，5G 概念是直接影響到資金漲落的投資風向。對普通用戶來說，5G 概念似乎是幾乎每天新聞都能看到，但實現似乎又略顯遙遠的東西。
無論你是股民還是消費者，可能都有這樣的疑問：5G 技術到底離我們有多遠，它的到來是否一切在計劃當中？今天就讓我們說說 5G。
5G 是什麼？
要確定 5G 正式到來的時間，就要先搞清楚 5G 是什麼。
1G 到 5G 的演變，不只是網速的提升
行動網路技術已經發展到第四個世代：1G 行動網路支持傳輸模擬語音；2G 網路實現數位通訊傳輸，能夠攜帶文字和圖片資訊（CDMA、GSM、TDMA）；3G 帶來了影像通話、數據網路（W－CDMA、CDMA2000、TD－SCDMA）；4G 代表更高速的網路和連接品質（TD－LTE、FDD－LTE）。
5G，即 5th － Generation 的英文縮寫，指的是第五代行動電話通訊標準，5G 技術是現有 4G 通訊技術的延伸。2015 年，國際電聯無線電通信部門（ITU－R）正式確定了 5G 的法定名稱「IMT－2020」，5G 標準化藍圖開始顯現。
作為下一代移動通訊技術，5G 國際標準制定組織 3GPP 為 5G 應用場景定義了三大方向，包含 IMT－2020 願景的 8 個關鍵指標：
eMBB（enhanced Mobile Broadband，行動寬頻增強）
峰值數據率：最高數據傳輸速度達到 20 Gbps
用戶體驗數據率：擁擠地區傳輸速度達到 100Mbps
能量效益：裝置收發數據所需功耗能效比較 IMT－A 提升 100 倍
頻譜效率：每無線頻寬和每網路單元數據吞吐量3～4倍於4G網絡
區域流量容納：區域內總流量密度每平方米 10Mbps
MMTC（Massive Machine Type Communications，大規模物聯網）
連接密度：每單位地區可連接設備數量每平方公里 100 萬台
URLLC（Ultra－Reliable Low－Latency Communications，超高可靠超低時延通信）
低時延：數據包傳輸時延1毫秒
移動性：切換和保證通訊品質極速達到 500 km/h
這些指標組成 5G 技術的最終目標，也是我們所期待 5G 真正投入使用後實現的效果。而目前細分到每個目標的技術規範和實現方式，則根據 3GPP 制定的 5G 標準推進。
3GPP 正式批准了第五代行動通信技術標準（5G）新空口（NR）獨立建網（SA）功能凍結。5G NR 正式具備了獨立部署的能力，同時意味著 3GPP 首個完整的 5G 標準 Release－15 正式確定，5G 產業鏈進入商用倒計時。
3GPP 目前正在完善 Release－15 標準
目前 3GPP 正在進一步完善 Release－15 規範，並加速向 Release－16 規範邁進，下一版標準的制定將更全面地定義 5G 標準，也越接近最終版本的5G標準。
5G 時代何時到來？
得益於行動互聯技術發展和政策支持，目前多家營運商、通訊設備商已經加速著手推進 5G 建設的速度。
技術驗證
其中，由中國 IMT－2020（5G）推進組主導的 5G 技術研發試驗在 2016 年到 2018 年底時間段進行，分為 5G 關鍵技術試驗、5G 技術方案驗證和 5G 系統驗證三個階段實施。
目前 5G 技術研發試驗已完成第一、二階段，分別實現 5G 關鍵技術試驗、5G 技術方案驗證。目前已經進入第三階段，即系統驗證測試，分別對非獨立組網和獨立組網機型室內外測試。
終端支持
有了 5G 網路部署，我們享受 5G 技術還需要智慧手機等終端的網路支持。這些 5G 晶片需要滿足 3GPP 制定的 5G 標準，並支持不同的 5G 組網方式，即包含 LTE 技術的 NSA（Non－Standalone）非獨立組網，以及不依賴 LTE 的 SA（Standalone）獨立組網。目前，高通、華為、英特爾都已經推出了面向下代技術的 5G 晶片。
X50 Modem
高通驍龍 X50 5G 調制解調器晶片組在 2017 年 10 月率先完成了全球首個 5G 連接，在 28GHz 毫米波頻段上實現了千兆級別速率，極速達到 1.2Gbps，超過 100MB/s 的網路速度，同時已經提前完成小型化，可搭載於智慧手機等小型化設備。
一個月後，英特爾隨即發佈了 XMM8060 系列調制解調器，支持 5G NR 新空口協議，同時向下相容 2G/3G/4G。在網路相容度方面，XMM 8060既支持韓國、美國營運商主推的 28GHz波段，也支持華為、諾基亞關注的 Sub－6GHz 波段。同樣已經完成小型化，並使用在智慧手機、筆電和平板電腦等平台。
除此之外，還有三星、聯發科、等廠商正在著手加快推出自家首款 5G 晶片，5G 手機會正式和消費者見面。
展望 5G：能為我們帶來什麼
5G 技術對於用戶來說，絕不是網速快了那麼簡單。它的各項升級所帶來的變化，足以改變甚至產生多個相關的產業鏈，同時對我們的社交方式、通訊方式、生活娛樂產生深刻的影響。
VR
「VR 元年」說了很久，但事實 「VR 元年」未到，「過氣」的聲音已經此起彼伏。5G 技術落地，最先受益的很可能是需要高速數據吞吐的 VR 內容。得益於 5G 高速低時延的特性，VR 內容可以直接從網路串流至行動設備，用戶體驗高品質 VR 無需受到各種線材的束縛，甚至省下運行 VR 的主機，直接交給雲端。
串流服務
串流服務即將應用、遊戲等服務在雲端運行，再將畫面傳輸至設備，讓低性能設備得以擁有更完善的使用體驗。儘管在歐美早有先例，但由於延遲高、畫質差等問題，加上對網路要求極高，大多嘗鮮的服務商都沒有了下文。5G 技術下，串流服務得以擺脫有線網路的桎梏，將來在手機、平板等行動設備上，可以運行雲端 PC 遊戲和 PC 辦公應用。
下代智慧手機
手機不斷跟隨通訊技術發展，從普通的簡訊電話設備，到如今包攬生活服務和娛樂辦公的綜合平台，行動網路的升級，將讓手機能力的天花板再度躍升。結合近來流行的 AI 熱點，5G 同樣意味著 AI 龐大的計算需求，可以交給雲伺服器，並享受低時延，接近集時的反饋，下一代的智慧手機，功能可能會遠超如今人們的預想。
產業鏈升級
5G意味著更快的網速、對設備更高的要求。包括營運商、手機廠商、用戶等都需要升級現有設施和設備：Massive MIMO技術利好 AAU 有源天線單元基地台，順帶拉動手機 LDS 天線技術的需求，同時對光纖、雲服務商等基礎網路服務要求更高 … 相關配套領域會迎來更多的需求和升級。
高通發佈《5G 經濟》研究報告預測：到 2035 年，5G 將在全球創造 12.3 萬億美元經濟產出。2020 年至 2035 年間，5G 對全球實際 GDP 成長的貢獻，預計將相當於一個與印度同等規模的經濟體。
對於看好 5G 板塊的股民來說，無疑是好消息。
結語
時代發展，手機的存在已經不是「身外之物」那麼簡單。1G技術讓行動通話成為可能，2G 指引了初窺數位時代的門徑，3G 網路給我們帶來了高清圖片、影像通話，4G 促成直播、短片的興起，5G 又會為社交和生活方式帶來怎樣的革命呢？值得期待。
按此回今日3S Market新聞首頁
按此回今日3S Market新聞首頁