《美国数字鸿沟——有人知道发生了什么吗?》

  • 来源专题:宽带移动通信
  • 编译者: wangxiaoli
  • 发布时间:2019-03-19
  • 数字鸿沟的严重程度取决于你所听的人。但是有这么多不同的意见,你怎么知道到底发生了什么?如果你没有线索,你怎么可能解决这个问题?

    这个话题是一个带有特别沉重的政治负担的话题,有充分的理由我们可以补充,而且不限于美国。由于数字在我们的生活中所扮演的角色越来越复杂和根深蒂固,数字包容性几乎是每个国家的一个流行词和目标。每个社会都应该考虑战略,以确保每个人都被带进数字乌托邦,但这些举措的成功是值得怀疑的。

    在这里,我们将要看看美国市场,但不是质疑政府和电信公司在缩小差距方面取得了多大的成功,而是首先他们是否有正确的基础。要解决一个问题,你必须真正知道它是什么,而这正是我们认为这个行业正在失败的地方。

    首先,让我们从显而易见的问题开始。由于连通性的经济性,电信公司显然更青睐密集的城市环境;一开始为客户提供互联网是一项昂贵的工作。你不仅要购买材料和设备,还必须办理规划许可证,与律师打交道,做土木工程的脏活。但是,你也要有信心客户会从你那里购买服务。当一个地区有如此稀少的居住人口时,很难将这个方程式相加。

    这是美国的问题,或许也是为什么数字鸿沟比英国这样的国家要大得多的原因。土地规模大得多,有大量的孤立社区,连接电价也贵得多。每当连接基础设施改进时,问题就变得更加复杂,造成了今天的数字鸿沟问题。

    但问题就在这里。当你不知道实际的程度时,你如何解决一个问题?

    一次公路旅行是一个很好的方法来说明这一点。你知道最终的目的地,就像每个人都试图克服数字鸿沟一样。但是如果你不知道起点,你怎么可能规划路线呢?你不知道在去伊甸园的路上会遇到什么障碍,甚至不知道你需要多少钱来购买燃料(投资),你需要多少包薯片(原材料,如纤维),或者你需要多少朋友来分享时间(劳动力)。

    当这个行业不明白它实际上是什么的时候,它正在试图解决一个问题?

    联邦通讯委员会似乎没有帮助。在Tom Wheeler掌管该机构期间,通用宽带速度的最低要求被定为25 Mbps,尽管今天的主席Ajit Pai将其降至10 Mbps。有传言说,这些要求将再次增加到25 Mbps。

    这不仅扭曲了有多少人陷入数字鸿沟的形象,还扰乱了电信公司的资本支出和运营支出计划。有了更高的要求,将需要更多的升级,或者可能需要一个绿地项目。一旦降低速度,区域将再次被忽略,因为它们已被视为服务。如果你提高这些速度,电信公司会发现忽略它们的漏洞吗,或者它们会无意中溜过网络?

    根据25Mbps的需求,有人建议2400万美国客户(略高于7%)进入数字鸿沟,尽管这是一个估计。当然,这个2500万的数字只有当你将数字服务客户判断为理论上能够访问这些产品的客户时才有意义。

    几周前,微软发布了一项研究,认为数字鸿沟可能有1.5亿人。我们怀疑微软正在摸索这些数字,但由于数字鸿沟的测量方式,肯定会有差异。

    在这项研究中,微软测量了美国的互联网使用情况,包括那些有宽带但不能以可接受的速度上网的人。微软认为那些处于数字鸿沟的人是那些服务不足或根本没有互联网的人,而联邦通信委员会似乎正在采取理论上的可访问性方法。可能有许多原因导致人们陷入数字鸿沟,但没有被联邦通信委员会(FCC)计算在内,例如宽带的价格,但这种差异表明了这个问题。

    另一个很好的例子是Okta在本周发布的第二季度至第三季度的速度测试。Okta数据显示,去年平均下载速度增长了35.8%,美国是宽带下载速度全球排名第七的国家。根据这些数据,美国第二季度至第三季度的平均下载速度为96.25 Mbps。这项研究表明,美国的一切都是乐观的,完全没有数字鸿沟。

    正如你所看到的,没有统一的方法来争论数字鸿沟。在我们知道它将为下一届总统选举进行竞选活动之前,数字鸿沟将成为另一种政治工具。共和党人会对这些数字进行推敲,使其看起来像是四年来的一个成功时期,而民主党人则会描绘出一个后世界末日的形象。

    当然,不仅仅是政客们会玩这些政治游戏。LightReading的CarolWilson指出,微软在为更多人提供更多带宽方面有商业利益,这样更多的人可以访问他们的云应用程序,从而赚更多的钱。我们应该相信这家公司在促成数字鸿沟辩论方面是客观的吗?即使数字鸿沟正在缩小,微软也希望描绘出一幅阴郁的图景,以鼓励更多的投资,因为这将增加其自身的商业前景。

    数字鸿沟的核心问题是投资和基础设施。电信公司需要被激励来建立网络,与客户的商业回报无关。看到这座桥正以缓慢的速度建造,你不得不假设联邦补贴的当前结构和深度根本不够好。

    最后要指出的复杂问题是未来。Ovum的Kristin Paulin指出,在数字鸿沟中,只有那些通过固定无线传输的用户,几乎没有考虑到每个美国公民都可以访问四个LTE网络中的一个。固定无线接入无疑将在未来的宽带发展中发挥作用,但这是否足以满足用户日益增强的数据饮食尚不清楚。5G当然会有帮助,但你必须想知道,要多久才能让5G到达今天正处于分裂中的地区。

    保林也指出了可承受性问题。联邦通信委员会只计算那些在数字鸿沟中不能上网的美国公民,谁知道有多少人买不起宽带。《纽约时报》2016年的一篇文章指出,平均每月宽带资费为55美元,这意味着该市的25%,而收入低于2万美元的人中有50%将无法负担宽带费用。Lifeline宽带计划本应在这里有所帮助,但保林礼貌地表示,目前这正遭遇一些麻烦。

    如果市民负担不起宽带,这是一个解决方案吗?这就像是想卖掉一个饥饿的人,钱包里有10美元,三明治25美元。有什么意义?

    移动宽带很可能是解决方案,诺基亚当然相信有无线翅膀的光纤网络是解决方案,尽管进展缓慢。拥塞日益成为一个问题,而视频、多屏幕和物联网趋势只会使问题更加复杂。

    现在看来,数字鸿沟是一个政治性的乒乓球,当它在整个景观中躲避和跳水时被击打。但是,美国技术产业需要问自己一个非常诚实的问题:数字鸿沟有多大?现在,我们没有一个比这更聪明的了,如果不首先理解这个问题,就永远不会缩小范围。

相关报告
  • 《在超冷化学中,研究人员首先看到的是在化学反应中到底发生了什么》

    • 来源专题:纳米科技
    • 编译者:郭文姣
    • 发布时间:2019-12-02
    • 已知宇宙中最冷的化学反应发生在一片混乱的激光中。外表具有欺骗性:在那精心组织的混沌的深处,在比星际空间还要冷数百万倍的温度下,倪康坤实现了精确的壮举。她迫使两个超冷分子相遇并发生反应,打破并形成了分子偶联史上最冷的化学键。 “可能在未来几年,我们是唯一能做到这一点的实验室,”Ni实验室的博士后学者胡明光说。五年前,莫里斯·卡恩(Morris Kahn)的化学和化学生物学副教授、超冷化学的先驱者倪刚(Ni)着手建造一种新仪器,它可以在任何现有技术中实现最低温度的化学反应。但他们不能确定他们的复杂工程是否可行。 现在,他们不仅完成了最冷的反应,他们还发现他们的新仪器可以做一些他们没有预料到的事情。在这种严寒,500毫微开尔文或几上百万绝对零度以上,它们的分子这些冰川速度放缓,倪和她的团队能看到之前没有人能够看到的东西:当两个分子满足形成两个新的分子。本质上,他们捕捉到了化学反应中最关键、最难以捉摸的行为。 化学反应负责几乎所有的事情:呼吸、烹饪、消化、产生能量、药物和像肥皂这样的家用产品。因此,了解它们在基本层面上是如何工作的,可以帮助研究人员设计出世界上从未见过的组合。有了几乎无限种可能的新组合,这些新分子可以有无穷无尽的应用,从更高效的能源生产到防霉墙等新材料,甚至是更好的量子计算机积木。 在她之前的工作中,倪用越来越低的温度来产生这种化学魔法:从原子中锻造出永远不会发生反应的分子。当原子和分子被冷却到这样的极限时,它们的速度就会慢得像量子爬行,也就是它们可能的最低能量状态。在那里,Ni可以极其精确地操纵分子间的相互作用。但就连她也只能看到反应的开始:两个分子进去,然后呢?中间和结尾所发生的事情是一个只有理论才能解释的黑洞。 化学反应发生在十亿分之一秒的百万分之一秒内,在科学界更广为人知的是飞秒。即使是今天最先进的技术也无法捕捉如此短命的东西,尽管有些技术很接近。在过去的20年里,科学家们已经使用了超快激光,就像快速照相机一样,捕捉反应发生时的快速图像。但他们不能捕捉到整个画面。“大多数时候,”倪说,“你只能看到反应物消失,生成物出现在你能测量的时间内。在这些化学反应中究竟发生了什么,没有直接的测量方法。”直到现在。 镍的超高温迫使反应速度相对缓慢。“因为(分子)太冷了,”倪说,“现在我们有点瓶颈效应。”当她和她的团队对两种钾铷分子(选择它们的柔韧性)进行反应时,超低温迫使这些分子在中间阶段停留几微秒。微秒——只有百万分之一秒——可能看起来很短,但这比通常的时间长了数百万倍,对于Ni和她的团队来说,这已经足够长的时间来研究化学键断裂和形成的阶段了,从本质上来说,就是一个分子如何变成另一个分子。 倪说,她和她的团队可以利用这一亲密的视角来测试预测黑洞反应的理论,以确认他们的预测是否正确。然后,她的团队就可以构建新的理论,利用实际数据更精确地预测其他化学反应中会发生什么,甚至是那些发生在神秘的量子领域的化学反应。 这个团队已经在探索他们还能从超级试验台中学到什么。接下来,例如,他们可以操纵反应物,在反应物发生反应之前刺激它们,看看它们的高能量如何影响结果。或者,它们甚至可以在反应发生时影响反应,轻推一个分子或另一个分子。“由于我们的可控能力,这个时间窗口足够长,我们可以进行探索,”胡说。“现在,有了这个装置,我们可以思考这个问题。没有这项技术,没有这张纸,我们甚至无法思考这个问题。” ——文章发布于2019年11月28日
  • 《CFN员工聚焦:曲晓辉跨越了数据科学与材料科学之间的鸿沟》

    • 来源专题:生物质能
    • 编译者:pengh
    • 发布时间:2020-02-05
    • 瞿晓辉,功能纳米材料中心理论与计算组助理科学家,应用人工智能的各种方法分析实验和计算纳米科学数据。在他的电脑屏幕上显示的是由透射电子显微镜(左图)记录的金纳米颗粒的图像分割结果,以及显示纳米颗粒聚集的聚结事件(右图)的颗粒大小演变的剖面图。 一年前,曲晓辉作为理论和计算组的助理科学家加入了美国能源部布鲁克海文国家实验室科学用户设施中心(CFN)。此前,他是加州大学伯克利分校材料科学与工程系的一名助理项目科学家,在那里他进行了计算,以发现有前途的电池电解质材料。尽管屈是一名训练有素的量子化学家,但他也有开发和应用数据分析技术来解决材料科学中的重要问题的经验。在CFN,他正在利用人工智能(AI)的新兴技术来推进纳米科学的发现。他拥有中国山东大学环境化学专业的博士和学士学位。 像今天的许多科研机构一样,CFN也面临着大数据的挑战。现代数据分析技术如何帮助解决日益增长的数据规模和复杂性? 机器学习(ML)等计算机科学技术可以帮助处理科学仪器产生的大数据。例如,CFN电子显微镜设备有一套透射电子显微镜(TEMs),科学家们用它来分析纳米材料的结构、化学和电子信息。环境瞬变电磁法(ETEM)是一种环境瞬变电磁法(ETEM),它可以监测纳米颗粒在操作过程中的生长情况,也就是说,纳米颗粒的结构是如何在相关的工作条件下演化的,比如退火(加热到相对较高的温度)或暴露在某些气体中。了解纳米粒子如何转变是提高材料性能和功能的关键。ETEM具有很高的时间分辨率(毫秒级),这使我们能够对它们的演化进行测量。然而,有大量的数据是不可能手工分析的。 晓惠曲 点击图片下载高分辨率版本。曲晓辉与TEM在CFN。 考虑到ETEM产生了2tb的数据——相当于200,000张图像——用于氮化硅表面金纳米颗粒的进化,这是一个潜在的催化剂系统。每一帧包含数百个粒子,它们的大小和形状需要随着时间的推移进行跟踪。自动跟踪是困难的,因为图像含有明显的背景噪声。这种噪声以白色、灰色和黑色(而不是纯白色或黑色)的混合点出现,模糊了定义良好的边界。这就是基于mlb的图像识别可以提供帮助的地方。 我正在与CFN的科学家德米特里·扎哈罗夫(Dmitri Zakharov)合作,建立几种检测纳米颗粒的算法。布鲁克海文实验室计算科学项目(CSI)的副计算科学家林跃伟;宾夕法尼亚大学的Eric Stach教授,前CFN电子显微镜小组的领导人。这些图像分割算法将在单帧中识别粒子,并将它们从一帧链接到另一帧,以跟踪它们的演化。由于任何帧中的漏检或误检都将通过粒子演化传播,所以每帧中的检测都需要非常健壮。我们正在开发的一种算法可以跟踪漏检并修正进化过程中产生的错误。 金纳米颗粒催化剂的发展是一个自动化图像处理和分析有助于减轻大数据负担的实验。为什么选择金纳米颗粒数据集?如何将图像分割方法扩展到催化和其他应用领域? 根据Dmitri和Eric之前的测量数据,数据集已经存在,它代表了我们需要研究的数据类型。此外,这也是与UPenn的Stach小组正在进行的工作的共同点,他们正在用不同的技术方法对相同的数据集进行类似的图像处理研究。使用不同的图像分割方法——例如,基于边缘的目标检测和分水岭,其中图像被视为地形图——我们共同寻找最佳的算法来处理纳米颗粒图像中的显著噪声。 期待在新的数据集上测试我们的方法,一些特定的图像分割参数(如阈值)将不能在不同的数据集之间转移,但我们希望算法将是。考虑到需要为新的数据集调整这些参数,我还开发了一个图形用户界面(GUI),以便用户可以根据他们的特定数据集调整细分过程并运行相同的代码。 通过这种方式,我们为用户社区提供服务,并为不同的数据集获取标记数据。最终,我们将有大量的标记数据集,包含足够的变化来训练一个深度学习模型。深度学习是ML的一种高级形式,它允许我们创建一个适用于不同实验的更通用的模型,理想情况下不需要调整任何参数。 您提到了术语GUI。你不仅要处理数据;您还需要以用户友好的方式向最终用户显示那些处理过的数据。一旦你建立了一个数据分析工具,你如何让它可用? 是的,我们和CFN用户不仅需要一个数据分析解决方案,而且还需要一个框架来交付该解决方案。当我刚开始在CFN工作时,我不知道我们需要什么样的web服务。很快,我们就清楚地认识到,我们需要一个动态环境——一个允许我们改进数据分析工具以响应不断变化的用户需求的环境。 最后,我和布鲁克海文科学数据与计算中心(SDCC)的计算机科学家进行了交谈。特别是,SDCC技术架构师Ofer Rind提到,交付数据分析工具并提供对大型数据集的访问的一个很好的选择是JupyterLab和JupyterHub。这个基于web的用户界面支持动态编程环境和交互式小部件(GUI元素),用户可以控制它们来可视化数据。我向我的组长Mark Hybertsen提出了这个概念,他同意了。图像分割对大数据的可视化要求非常高,因此Jupyter是最佳选择。由SDCC运行的计算机服务器现在托管该服务,我们正在测试它的试点项目。 我们在JupyterLab上实现的图像分割工具展示了云平台如何支持用户。对于其他CFN组和用户来说,这些平台对于不同的工具非常有用。事实上,我正在与CFN的工作人员科学家Esther Tsai一起开发另一种工具来支持国家同步加速器光源II (nsl -II)的x射线散射数据分析。CFN的开发人员目前正在测试这个工具,一旦我们确认它是可靠的,就会发布给CFN用户。 数据分析假设您首先要处理数据。对于科学中的许多问题,有些数据是实验的结果,比如您所描述的TEM图像,但其他数据本质上是计算性的。你也使用人工智能方法进行计算数据分析吗? 回答问题有时需要结合实验和模拟数据分析。人工智能在这两种情况下都是有用的。例如,来自Brookhaven实验室和Stony Brook大学(SBU)的一组科学家演示了一个ML模型,该模型可以从模拟的x射线光谱中推断出材料的局部结构基序,并为与重要测试用例中的实验x射线光谱进行比较提供参考。这项正在进行的研究工作涉及到CFN理论家陆德宇在我们组与布鲁克海文实验室化学部门和SBU化学部门共同任命的Anatoly Frenkel合作的一系列项目;CSI计算科学家yoinjae Yoo和Yuwei Lin;nsl - ii内壳层光谱学引线科学家Eli Stavitski;CFN接口科学与催化组组长达里奥·斯塔奇奥拉。 我最近加入了这项研究工作,我们正在从几个方面扩展这项工作。例如,我们正在与CFN接口科学和催化组的科学家刘明照合作,开发一个可以推断硅化物薄膜结构的模型,硅化物是一种潜在的有用的催化剂或超导体。 我们还与美国国家标准与技术研究所的物理学家布鲁斯·拉威尔(Bruce Ravel)合作,建立一个薄膜实验光谱数据库。该数据库将包含几种代表性材料的高质量实验测量数据。当前ML面临的挑战之一是,它需要非常大的数据量和高保真度。有了更好的计算能力,我们现在可以创建模拟光谱的大型数据库。然而,对于实验光谱却不能这样说;创建一个大型的实验数据库不仅耗时,而且开销也很大。我们可以通过在包含计算光谱和实验光谱的混合数据集上建立模型来减少ML所需的数据量。同时,利用实验谱对计算谱进行验证,可以获得较高的数据质量。 将数据分析应用到材料科学中最具挑战性的部分是什么? 问题本身的定义非常具有挑战性。材料科学家知道他们试图用材料科学的术语来回答的问题。但是将这些问题组织成数据科学中的可执行问题需要材料和计算机科学的知识。这是一个迭代的过程,涉及到实验人员、计算化学家和数据科学家之间的协作。 这种改进的一个很好的例子与我正在着手的另一个超导薄膜项目有关。起初,科学家告诉我他们想了解电影的发展。我不知道他们所说的“增长”是什么意思。“通过我们的讨论,我发现他们的一个关键问题是如何建立单层。有了这些知识,我现在可以开发适当的技术来解决这些单层动力学。 你们的每一个项目都是合作性的,包括与来自不同学科的科学家的互动。你最初是一名化学家,然后被数据科学吸引。这个职业轨迹是如何演变的?你认为这个独特的背景对你的研究有什么影响? 我对化学有着天生的兴趣,因为我们作为消费者所知道和使用的许多产品都是化学制品。但直到我上了大学,我才发现我实际上喜欢上了化学。在这个时候,我也开始通过网络资源和图书馆的书籍自学计算机科学,我认为从事计算机科学的工作可能更有利可图。但是通过这个教育过程,我意识到计算机科学对于解决材料科学中的问题是至关重要的。 我的博士学位是将计算化学应用于大气污染研究。然后我从中国搬到了新加坡,在那里我用计算生物学工具做了一个博士后来模拟蛋白质折叠。之后,我在葡萄牙做了另一个博士后,用ML来预测药物分子的化学反应。在伯克利,我的注意力转向了电化学储能系统。我用密度泛函理论(DFT)计算了这些系统的性能,并帮助电池电解质研究社区建立了包含这些性能信息的大型数据库。 在计算机科学和材料科学方面的双重背景非常有帮助。正如我所提到的,材料科学家和计算机科学家通常会说不同的“语言”,因此他们对各自的目标都不了解。如果计算机科学家可以从材料科学的角度理解要求,那么他们可以建议可行的数据分析解决方案。通过研究,我希望更好地在这两个领域之间架起桥梁。 由于CFN是国家级的纳米科学用户设施,因此它的设施可供世界各地的科学家使用。结果,CFN社区由不仅具有专门领域专业知识而且具有不同文化的工作人员和用户组成。在中国长大,在新加坡和葡萄牙完成博士后,现在在美国生活和工作,您如何为这种多元文化,跨学科的环境做好准备? 环游世界使我接触了许多文化和学科。我可以从不同角度看问题,结识特定领域的专家,并更好地理解他们的想法。此功能在CFN上特别有用,因为CFN的每个人都使用独特的技术进行材料发现。来自不同学科的人们确实确实有不同的想法。根据领域,即使是同一单词也可能具有不同的含义。例如,“微级”是指生物学家的蛋白质水平,而对于化学家来说,则是指精细几个数量级(原子分辨率)。了解特定领域的术语对于理解科学问题和要求很重要。 如今,人工智能已成为流行语,从股票交易和音乐流到导航应用程序和监视系统,应有尽有。虽然已经取得了很大的进步,但是AI仍处于起步阶段。在未来的几年中,您如何预见AI将改变科学事业,尤其是材料科学? 新兴的数据科学技术具有极大地改变许多领域的潜力。我的希望是,我们开发的工具可以改变材料的发现,将数据转换为可用的格式,从中可以提取知识。或者,甚至更进一步,我希望我们的工具能够实现以前无法实现的各种科学,例如自主实验。自动化不仅可以使实验之间的参数更加一致,而且可以彻底改变设备的操作方式。开发从实验到分析的自动化管道,使用户可以专注于自己的科学,而无需与设备进行手动交互或学习编程方法。很难预测这些未来技术的时间表,但是我们正在尽力而为。