Инфокоммуникации

Национальная дорожная карта ОАЭ по 6G: организационная структура, технические вехи и сопряжение с международной стандартизацией

По результатам саммита 6G MENA
В тексте описывается национальная дорожная карта ОАЭ по развитию 6G на 2025–2030 годы, запущенная Управлением по регулированию телекоммуникаций (TDRA). Документ систематизирует организационную структуру инициативы (создание Национального комитета и двух подкомиссий — по НИОКР и стратегическому партнерству), поэтапную хронологию технических вех (от испытаний в диапазоне 6 ГГц в 2026 году до коммерческого развертывания в 2030 году) и глубокую интеграцию с глобальным процессом стандартизации (ITU, 3GPP, ETSI).
Особое внимание уделяется результатам саммита 6G MENA (октябрь 2026 г., Абу-Даби) как ключевой площадке для формирования региональной позиции, а также практическим достижениям: полевым испытаниям операторов du и e& в верхнем диапазоне 6 ГГц и консенсусу ITU-R по требованиям IMT-2030. Стратегический приоритет ОАЭ — построение «сетей с нативным ИИ» и интеграция квантовых и спутниковых технологий для перехода к экономике знаний.

Подробнее: https://t.me/ICT_VL/

Востребованность 6G-технологии
https://t.me/ICT_VL/392
6G востребован операторами стратегически, но не срочно. Это технология «на вырост», чья коммерческая востребованность будет определяться тремя факторами:
1️⃣Наличием монетизируемых B2B-сценариев (промышленность, AR, ИИ-устройства), а не ростом потребительского трафика.
2️⃣Способностью оператора закрыть экономику 5G — 6G не должен стать новым долгом поверх неокупившегося 5G.
3️⃣Регуляторной и производственной готовностью (особенно в РФ — локализация оборудования).

Иными словами, 6G будет востребован эволюционно, а не революционно: сначала 5G-Advanced и точечные 6G-пилоты в зонах перегрузки и на промышленных объектах, и лишь затем — масштабирование по мере появления окупаемых сценариев. Оператор, который попытается развернуть 6G «потому что так делают все», рискует повторить проблему неокупившихся инвестиций. Победит тот, кто использует 6G как инструмент точечного роста ёмкости и новых B2B-доходов, а не как самоцель. Поэтому спотовые сценарии для 6G - это вполне актуальная тема для операторов и разработчиков,
uplink capacity - основной фокус, как бы много не говорили об ИИ и ISAC!
Российский контекст
Российский кейс показателен: выделение 90 МГц в диапазоне 4,63–4,99 ГГц без аукционов, обязательства по покрытию в городах-миллионниках и переход на отечественные базовые станции к концу 2031 года. Это модель, где государство задаёт темп, но стоимость строительства, эксплуатации и модернизации остаётся ключевым ограничителем. Для российских операторов 6G в горизонте до 2030-х — скорее НИР и пилоты, чем коммерческое развёртывание. Практическая ценность смещается к эволюции 5G → 5G-Advanced, локализации и повышению эффективности уже построенного.

https://t.me/ICT_VL/392

это резервный канал. Пока что основной поток идет в телеграмм-канале https://t.me/ICT_VL

Проблема «велосипедостроения» и архитектура нового образования

1 сентября - традиционный день, когда мы задумываемся о преемственности знаний. Но в сфере инфокоммуникаций сегодня сложился парадокс: мы наблюдаем взрывной рост гибридных систем (AI-Native RAN, автономные сети 6G, федеративное обучение в edge computing), однако значительная часть математического и алгоритмического аппарата, накопленного в 70–90-х годах (теория адаптивной фильтрации, марковские процессы принятия решений, выпуклая оптимизация для распределенных систем), переоткрывается заново, причем в урезанном, упрощенном виде. Это ведет не к прогрессу, а к алгоритмическому шуму.
Как выстроить образование, чтобы научный фундамент надстраивался, а не переизобретался?

Разрыв между «математикой» и «кодом». Современный студент уверенно пишет на Python/TensorFlow, но часто не различает стохастический градиентный спуск и метод Ньютона, не говоря уже о критериях сходимости. Образование должно быть перевернуто: не от фреймворка к задаче, а от физического смысла канала связи к выбору оптимального алгоритма из библиотеки классических методов, а уже затем - к его имплементации.

Феномен «забытых слоев». Многие современные решения (например, в области компенсации нелинейностей в оптических системах) являются частными случаями алгоритмов, описанных в трудах Уидроу или Калмана. Хорошо иметь обязательный курс «Историческая архитектура алгоритмов связи», где изучается не хронология, а генеалогия идей - почему в 1985 году от метода отказались (железо не тянуло), а сегодня он актуален (чипы и FPGA).

Проблема «Data-Driven vs. Model-Driven». ИИ-специалисты учат модели на сырых I/Q-выборках, игнорируя канальные матрицы и статистики помех. Образование должно привить гибридную грамотность: знать, когда применить нейросеть (эмпирический драйвер), а когда - аналитическую модель (белый ящик), и уметь строить мосты (physics-informed ML) - все это давно известно в теории моделирования, но массово не используется до сих пор.

Тренд: «Археология кода» в учебных программах. Настало время внедрять практикумы по воспроизведению классических алгоритмов (Viterbi, Turbo-коды, RLS) на современных библиотеках с обязательным сравнительным бенчмарком. Цель - не изобрести, а понимать вычислительную сложность и границы применимости. Это останавливает переизобретение в худшем качестве.

Новый формат: «Инженерный историк». В магистратуре необходимо выделить трек «Эволюция инфокоммуникационных систем», где студенты пишут не «обзор», а «реанимацию» - берут забытый метод 80-х, адаптируют под многоядерные архитектуры и показывают выигрыш. Это превращает фундамент в живой инструмент.

Критический взгляд на AI-хайп. Образование должно давать иммунитет против подмены понятий: «интеллектуальная сеть» - это не нейросеть на каждом узле, а иерархия агентов с четкими функциями. Базис - теория массового обслуживания и телеграфные уравнения. Без них ИИ в телекоме - это гадание на кофейной гуще.

Резюмирующие тренды на ближайшие 5 лет:
1️⃣ Сдвиг от «курсов по ИИ» к «математической реабилитации» (теория вероятностей, функциональный анализ, дискретная математика - на первом плане).
2️⃣ Внедрение симуляторов «временных срезов» - лабораторных работ, где студент видит, как одно и то же решали в 1990, 2010 и 2025 году.
3️⃣ Создание открытых репозиториев «живых классиков» с аннотированными реализациями фундаментальных работ (по типу DSP-библиотек, но с историческими примечаниями).
4️⃣ Обязательный экзамен по патентному и научному поиску - чтобы прежде чем писать код, студент был обязан доказать, что этого не делали в явном виде за последние 40 лет.

Вывод: Научно-технический фундамент развивается только тогда, когда мы четко отличаем уровень знания (знаю, что это было) от уровня понимания (знаю, почему это работает). Образование должно стать не конвейером новых методов, а навигатором по существующему ландшафту, обучая студентов видеть «белые пятна» там, где старые методы не применимы, а не там, где их просто не выучили.

📡 Почему 5G-антенны «слышат» ржавый болт, и как это исправить?

Инженеры МФТИ и Сколтеха решили задачу, которая мучает операторов сотовой связи: **внешняя пассивная интермодуляция (ПИМ)**. Простыми словами — это когда мощный сигнал от базовой станции попадает на старую железную конструкцию (забор, крышу, кронштейн), и та начинает работать как плохой диод, порождая помехи, которые глушат собственный приёмник станции. В народе этот эффект называют «ржавым болтом».

В чём проблема?
Раньше при моделировании таких помех считали, что антенна и источник помехи находятся очень далеко друг от друга (в «дальней зоне»), и сигнал приходит как плоская волна. Но в реальности востребованные частоты (1,8 ГГц) и огромные антенные решётки Massive MIMO создают «ближнюю зону» радиусом до 3,5 метров. Именно там и висят все эти злополучные кронштейны.

Что сделали учёные?
Они разработали **векторную электродинамическую модель**, которая считает поле не «на пальцах», а строго в декартовых координатах, учитывая два важнейших эффекта ближней зоны:
1. Сферичность фронта волны (а не плоскую, как раньше).
2. Неравномерность затухания амплитуды по апертуре антенны (крайние элементы дальше от источника, чем центральные).

Итоги эксперимента (проверяли в безэховой камере):
✅ Новая модель ошиблась всего на 0,7–1,7 дБ для слабого источника — это отличный показатель.
❌ А если отключить учёт «сферичности», ошибка взлетает до 7–10 дБ, а пик помехи начинает «лгать» — смещается на 6 шагов луча!
❌ Если забыть про разное затухание для краёв антенны, при смещении источника вбок ошибка на боковых лепестках превышает 10 дБ.

Где это применить?
Эта модель — готовый «цифровой двойник» базовой станции. Вместо того чтобы часами гонять тяжёлые суперкомпьютерные симуляторы (Full-Wave: CST, HFSS), теперь можно за секунды посчитать помехи на видеокарте. Этот двойник идеально подходит для обучения нейросетей (генератор синтетических данных), которые будут автоматически подавлять интермодуляцию в реальном времени, делая связь чище и быстрее.

🔬 Вывод: Чтобы бороться с помехами, нужно правильно их видеть. А увидеть их можно, только признав, что антенна и «ржавый болт» живут в одной ближней зоне.

✍🏼 Нестеренко В.В., Крикунов С.А., Ляшев В.А. Векторная электродинамическая модель внешней пассивной интермодуляции в ближней зоне антенной решётки систем Massive MIMO с частотным дуплексом. // Журнал радиоэлектроники. – 2026. – № 6. https://doi.org/10.30898/1684-1719.2026.6.10

#Наука #Связь #5G #MIMO #Радиофизика #МФТИ #Сколтех #ЦифровойДвойник

🤖 Кто придумал «искусственный интеллект» и зачем? 🤖

Термин artificial intelligence («искусственный интеллект») официально предложил Джон Маккарти — в 1956 году. Тогда он вместе с Марвином Мински, Натаниэлем Рочестером и Клодом Шенноном подготовил предложение для летнего семинара в Дартмутском колледже. Этот семинар сегодня считают «официальной датой рождения» ИИ как науки: учёные собрались, чтобы разобраться, можно ли научить машины проявлять разные стороны интеллекта.
Кстати, позже Маккарти создал язык программирования Lisp — он надолго стал главным инструментом для исследований в области ИИ. За это и за фундаментальные идеи Маккарти нередко называют «отцом ИИ».

🤔 Но почему не «кибернетика»? Ведь термин уже существовал: его в 1948 году ввёл математик Норберт Винер — для описания взаимодействия и управления в живых системах и машинах. Казалось бы, кибернетика даже шире по смыслу… Так почему исследователи ИИ сознательно отказались от этого названия?

Вот несколько ключевых причин:
🔹 Разные научные подходы. Кибернетика делала упор на аналоговые контуры обратной связи, непрерывные математические системы и нейрофизиологию. А пионеры ИИ хотели работать с дискретными системами, цифровыми вычислениями и символическими рассуждениями — то есть с тем, что ближе к логике и языку.
🔹 Другой фокус. Кибернетика много занималась гомеостазом, физическим управлением и базовыми биологическими реакциями. Учёные вроде Маккарти, Мински и Герберта Саймона стремились к более амбициозной цели: моделировать именно высшие когнитивные способности — решение сложных задач, понимание речи, абстрактное мышление. В целом существовало направление нейроинформатика в рамках кибернетики, но нужно было выделиться.
🔹 Институциональный фактор. Маккарти нужен был отдельный «бренд» для своих идей: чтобы дистанцироваться от старых парадигм, не попадать в тень авторитета Винера и, что немаловажно, получать финансирование под новую научную область.
Так «искусственный интеллект» стал не просто другим словом, а маркером нового направления — со своей методологией, целями и языком.

💬 А как вы думаете: если бы термин остался «кибернетикой», изменилось бы наше восприятие этой науки сегодня? Делитесь мнением в комментариях! 👇
#ИИ #ИскусственныйИнтеллект #Наука #Технологии