至顶网软件频道消息: 大家认为人工智能是否可以优化食物系统?从精准耕作到个性化营养,在农业、食品生产和食品消费方面有许多潜在的技术应用。但是,技术性能、用户的接受程度以及该技术的实际应用仍然构成挑战。Chiara Cecchini调查了这一细分领域的主要挑战和机遇,探索如何利用人造大脑的使用来确保健康生活并促进幸福。
斯坦福大学发起的"人工智能百年研究"表明,人工神经网络现在可以通过大数据集和大规模计算(深度学习)进行训练,从而推动数据驱动型解决方案的发展,进而改善决策。此外,人工神经网络是受生物脑神经网络启发而来的计算系统。人类的选择是基于有限的知识,这种做法增加了风险而且效率低下。人工智能提供了机会,可以针对复杂任务模仿人类的认知能力,通过这些人工神经元网络,有可能能够降低风险并增强积极的成果。
农业、健康和营养早就已经在政治和社会两个层面上都占据了不同的领域。现在,人们普遍认识到,在全球范围内,最重要的任务之一是提供在数量和质量上都充足的食物,以可持续的方式养育不断增长的世界人口。世界经济论坛(World Economic Forum)认为,为了做到这一点,迫切需要促进"更为智慧的农业增长。"
安装在农场、田野或者运输途中的传感器生成的数据提供了前所未有丰富的信息。因此,将人工智能应用于农业有可能会优化并提高产量,改善农业规划,优化资源并极大地防止浪费。据估计,到2020年,将有超过7500万台农用连接设备投入使用,而到2050年,每个农场预计平均每天会产生410万个数据点。
在养殖业中有几个例子:从精准除草和采摘到疾病识别,人工智能有可能为耕作系统开拓出新的情景。
康奈尔大学的一组研究人员最近发表了一项研究,解释他们如何建立并训练一个神经网络,该神经网络能够以98%的准确率鉴别木薯叶片上的褐斑病。CAMP3部署和管理无线传感器网络,该网络被用于收集田间图像,并在早期自动发现病虫害。
为了进行精准的除草和采摘,Abundant Robotics最近筹集了1000万美元用于建造一个能够采摘合适苹果的机器人。另一个例子是Vision Robotics,这家圣地亚哥的公司开发的机器人能够在果园中移动并采摘橘子。这些类型的解决方案也许可以为农民节省数百万美元的劳动力成本和水果损坏成本,每年减少13亿吨的粮食损失(约折合7500亿美元)。
人工智能也有积极影响土壤健康的潜力。每一汤匙的土壤中含有数以百万计的微生物,为植物形成一个生态系统,Trace Genomics等公司能够从土壤中提取DNA,分析其微生物群落,并基于人工智能提供建议,以最大限度地提高土壤的健康程度和作物产量。
全球粮食安全是人类面临的最紧迫的问题之一,农业生产对实现这一目标至关重要。植物和动物疾病、环境退化和气候变化都是影响全球人口的迫切问题。现在那些从事人工智能和机器学习的人都希望能够塑造一场新的绿色革命:我们越早开始研究它,我们所有的人就会从中获得越大的价值。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
Patronus AI发布突破性研究,构建了首个系统性AI代理错误评估体系TRAIL,涵盖148个真实案例和21种错误类型。研究发现即使最先进的AI模型在复杂任务错误识别上准确率仅11%,揭示了当前AI代理系统在长文本处理、推理能力和自我监控方面的重大局限,为构建更可靠的AI系统指明方向。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
这项研究首次从理论和实践证明AI模型可通过模仿生物睡眠-学习周期显著提升性能。研究发现AI训练中存在自发的"记忆-压缩循环",并据此开发了GAPT算法,在大语言模型预训练中实现4.8%性能提升和70%表示效率改善,在算术泛化任务中提升35%,为AI发展指出了注重信息整理而非单纯数据扩展的新方向。